GPT-5.5 vs. Opus 4.7: Das große Kräftemessen der Woche (2026-04-26)

GPT-5.5 trifft auf Opus 4.7: Zwei Flaggschiffe, zwei Philosophien, ein Sieger je nach Aufgabe

Sonntag, 26. April 2026

Hallo, dieser wöchentliche Digest arbeitet die wichtigsten neuen Videos aus rund 45 kuratierten KI- und Coding-YouTube-Kanälen durch — mit Substanz, kein oberflächliches Top-5. Pro Video eine vollständige Zusammenfassung, dazu ein Wochen-Überblick zu den dominanten Themen. Lies in Ruhe — oder kopier eine Zusammenfassung in den LLM deiner Wahl und geh in die Tiefe. Den Link unter jeder Zusammenfassung anklicken, um das Original-Video zu sehen.

Model-Releases & Benchmarks

Neben dem Hauptduell sorgte DeepSeek V4 für Aufmerksamkeit: Das chinesische Modell erschien als Flash- (284 Mrd. Parameter, 13 Mrd. aktiv) und Pro-Variante (1,6 Bio. Parameter, 49 Mrd. aktiv) und bringt eine hybride Attention-Architektur mit, die das Kontextfenster von 1 Million Token bei bis zu 90 % Einsparung beim KV-Cache ermöglicht – technisch bemerkenswert, wie Tim Carambat und AI Explained hervorheben. Praktische Tests von WorldofAI fielen jedoch ernüchternd aus: Bei UI-Generierungen und 3D-Projekten blieb DeepSeek V4 Pro deutlich hinter Opus, Qwen und MiniMax M2.7 zurück, obwohl die Kosten (1,4 Cent / Mio. Input-Token) kaum zu unterbieten sind. Kimi K2.6 von Moonshot AI überraschte positiv: Alejandro AO und WorldofAI bestätigten Benchmarks auf Augenhöhe mit Opus 4.6 und GPT-5.4 bei 94–95 % niedrigeren Kosten; das Modell unterstützt 12-Stunden-Sessions, über 4.000 Tool-Aufrufe und bis zu 300 parallele Agenten. Grok 4.3 Beta (xAI, ~500 Mrd. Parameter) und Qwen 3.6 Max (Alibaba) wurden als kommende Wettbewerber gehandelt; Elon Musk kündigte Grok 5 als AGI-Kandidaten an.

Local & Open-Source AI

Qwen 3.6 (35 Mrd. Parameter, 3 Mrd. aktiv) etabliert sich laut DevExpert und Tim Carambat als solides lokales Allround-Modell: Es erreicht auf einem 32-GB-RAM-Rechner rund 65 Token/Sekunde, schlägt Gemma 4 deutlich bei Vision-Aufgaben und generiert funktionierende Web-Apps inklusive Tests – etwas, das Gemma 4 schuldig bleibt. Tim Carambat stellt daneben Ternary-Modelle von Prism ML vor, die durch eine dritte Gewichtsklasse (0, 1, -1 statt nur 0/1) nahezu 16-Bit-Genauigkeit bei einem Bruchteil des Speicherbedarfs erreichen – relevant für Edge-Deployment auf Smartphones und Low-End-Laptops. Tech With Tim zeigt den vollständigen Workflow, lokale Modelle via Ollama in OpenClaw einzubinden, wobei Gemma 4 derzeit als beste Option mit Tool-Support gilt; der Kanal empfiehlt einen Hybrid-Ansatz, bei dem Cloud-Modelle nur für komplexe Aufgaben hinzugezogen werden.

Claude Code & Anthropic-Tooling

Claude Design war das meistdiskutierte neue Anthropic-Produkt der Woche. Das Tool erzeugt code-basierte interaktive Prototypen (HTML, CSS, SVG) statt Figma-Primitives, was die Übergabe an Claude Code nahtlos macht. Brian Casel, Kyle Balmer und Leon van Zyl bewerten es als stark für frühe Ideation und Marketing-Assets, jedoch nicht als vollständiges Produktentwicklungs-Tool; Casel bevorzugt für bestehende Codebasen direktes Arbeiten in Claude Code. Die aggressiven Usage-Limits sind der dominierende Kritikpunkt quer durch alle Reviews: Kyle Balmer (200-$-Plan) verbrauchte sein wöchentliches Design-Budget nach einem einzigen Prompt; Nate B. Jones bezifferte eine Nachmittags-Session mit Claude Design auf 42 USD. Als Workaround empfiehlt Alex Finn, ChatGPTs Image-Gen für die Explorationsphase zu nutzen und erst das verfeinerte Ergebnis in Claude Design zu finalisieren. Daneben führte Anthropic Claude Code Routines ein: zeitgesteuerte oder event-basierte Automatisierungen, die in der Cloud laufen und pull requests erstellen, ohne dass die eigene Maschine läuft – Leon van Zyl und Ben AI demonstrieren Auto-Improver- und Security-Audit-Routinen. Mark Kashef taucht tief in die sieben Memory-Ebenen von Claude Code ein und zeigt, wie ein maßgeschneidertes Memory-System via Hooks und Auto-Injektion den Kontext über Sessions stabilisiert. NeuralNine liefert einen umfassenden Power-User-Crashkurs zu Slash-Commands, Sub-Agenten, Agent-Teams, Work-Trees und Skills.

Coding Agents (non-Claude)

OpenAIs Codex-Desktop-App ist zur vollwertigen Computer-Use-Plattform gewachsen: Sie steuert beliebige Mac-Applikationen per GUI, führt mehrere Agents parallel aus und integriert GPT-Image-Gen sowie einen In-Browser-Editor mit Annotationsfunktion – ohne API-Abhängigkeit. Nate B. Jones und Alex Finn sehen darin die direkteste Bedrohung für Claudes Domäne, weil Legacy-Systeme und interne Tools ohne jede API-Anpassung automatisierbar werden. Cole Medin präsentiert ein System für parallele Entwicklung mit Git Worktrees und Claude Code: Jeder Agent erhält ein isoliertes Verzeichnis, Reviews laufen in einem frischen Context Window, und ein Self-Healing-Layer verbessert die übergeordneten Regelwerke statt nur Bugs zu fixen. Pi, ein minimalistischer Open-Source-Coding-Agent, wird von Cole Medin als schlanke Alternative zu Claude Code vorgestellt: npm-Installation, beliebige LLM-Unterstützung, selbstmodifizierbar per Erweiterungen – kombiniert mit Archon als Harness-Builder ergibt sich ein Plan-Implement-Validate-Workflow mit interaktivem Markdown-Plan. Everlast AI propagiert den Paradigmenwechsel von n8n-artigen Low-Code-Workflows zu CLI-basierten Agentic-Coding-Pipelines (Claude Code, OpenAI Codex, Gemini CLI), wobei Claude Code mit 46 % „Most Loved” in einer Umfrage dominiert.

Personal AI OS & Agent-Frameworks

Hermes von Nous Research war das neue Open-Source-Agenten-Projekt der Woche und wurde auf gleich vier Kanälen (AI mit Arnie, Julian Ivanov, Nic Conley, Niklas Steenfatt, Tech With Tim) detailliert vorgestellt und mit OpenClaw verglichen. Der Kernunterschied: Hermes besitzt eine integrierte Lernschleife – nach jeder Aufgabe evaluiert der Agent seine Leistung und erstellt selbstständig neue Skills, während OpenClaw sitzungsbasiert und konfigurationsorientiert arbeitet. Beide laufen lokal oder auf einem VPS (Hostinger bietet One-Click-Installation), kommunizieren per Telegram und nutzen persistenten Speicher; Hermes läuft auf Python, OpenClaw auf TypeScript. Niklas Steenfatt testet die Memory-Übertragung zwischen beiden Systemen und empfiehlt den parallelen Betrieb via Paperclip. Tech With Tim stellt zusätzlich MaxClaw vor – eine gehostete OpenClaw-Variante auf MiniMax-Infrastruktur mit dem M2.7-Modell, das 97 % Compliance beim Tool-Calling mit 20–40 Tools erreicht und out-of-the-box Web-Suche, Bildgenerierung und Code-Ausführung mitbringt. Cole Medins „Dark Factory”-Projekt zeigt die nächste Stufe: Archon-gesteuerte Workflows auf einem VPS, die GitHub-Issues triagieren, implementieren, per Browser-Automation validieren und Pull Requests autonom mergen – der Betreiber schreibt keine Codezeile, Kimi K2.6 dient als kosteneffizientes Backbone-Modell.

AI-Automation & Workflows

Nate Herk demonstriert Claude Code in Kombination mit Playwright CLI für drei Kernszenarien: automatisiertes QA mit iterativer Bug-Suche und -Behebung, fehlertolerantes Web-Scraping mit automatischem Fallback (Google → DuckDuckGo), und Login-persistente Automation über Chrome-Nutzerdaten. Playwright CLI wird MCP-Servern vorgezogen, da es deutlich weniger Tokens verbraucht. Bart Slodyczka zeigt in zwei Tutorials die vollständige Nutzung von Claude Cowork – einschließlich kostenloser, privater Betrieb über Ollama mit Gemma 26B oder Gemma E2B sowie Anbindung via Tailscale. WorldofAI präsentiert „Bart Mode” von Tracer, das spec-driven Development in vollautomatisierte Workflow-Orchestrierung überführt: Das Tool zerlegt ein Epic in parallele Tasks, führt sie mit Claude Code aus und überprüft Ergebnisse kontinuierlich gegen die Specifications. Auf der konzeptuellen Ebene warnt Nate B. Jones in einem eigenen Video vor „World Models” – automatisierten Management-Systemen, die Informationsfluss mit Urteilsfähigkeit verwechseln und dabei stille Fehlinterpretationen produzieren, die erst auffallen, wenn die Entscheidungsqualität unmerklich gesunken ist.

AI-Video & Content Creation

Nate Herk zeigt eine vollständige Video-Editing-Pipeline: Claude orchestriert Videouse für Schnitterkennung, 11 Labs für Transkription und HyperFrames für Motion-Graphics-Erstellung – alles per natürlichsprachiger Beschreibung mit Timestamp-Planung. Productive Dude ergänzt ein HeyGen-Tutorial: Claude Design generiert Motion-Graphics-Assets mit Greenscreen-Hintergrund, Claude Code rendert sie via HeyGen for Agents zu einem vollständig automatisierten News-Video mit Avatar, Skript und Overlays. GPT-4o Image 2 (auch „Images V2″) erhielt viel Aufmerksamkeit für seine Fähigkeit, in 10–20 Sekunden Reasoning über Komposition zu betreiben, Texte mit 99 % Genauigkeit zu rendern, acht kohärente Frames pro Prompt zu liefern und während der Generierung Live-Daten abzurufen. Kyle Balmer testet fünf Business-Szenarien (YouTube-Thumbnails, Facebook-Ads, Comic Strips, Event-Poster, LinkedIn-Carousels) und gibt GPT Images 2.0 in allen fünf Punkten den Vorzug gegenüber Googles Nano Banana 2 – besonders wegen Konsistenz bei sequenziellem Prompting und echten funktionsfähigen QR-Codes.

AI-Business, Marketing & Freelancing

Liam Ottley argumentiert, dass Claude Code die Kosten für Automatisierungsentwicklung so weit gesenkt hat, dass Retainer-Modelle für AI-Agenturen ab 2026 profitabel werden – als Beispiel nennt er Tyler, der AIOS-Installationen für 2.500 USD/Monat anbietet. Dave Ebbelaar empfiehlt Entwicklern, sich als Brückenbauer zwischen KI-enabled, KI-first und KI-native Unternehmen zu positionieren, was Full-Stack-Kenntnisse und Prozessverständnis kombiniert. Nate B. Jones entwirft in einem separaten Video fünf Orientierungsprinzipien für den KI-Jobmarkt: Verständnis vor Generierung, Erklärungsartefakte als Begleitdokumente, nachgewiesene Transaktionen statt Credentials, öffentliches Arbeiten und untrennbare Beweisführung – er stellt dafür seine Plattform „Talent Board” vor. Der Kern: Der Engpass verschiebt sich von Modell-Skill zu präziser Spezifikation.

PKM & Knowledge Management

Nate B. Jones vergleicht Andrej Karpathys Wiki-Ansatz (Ingest-Time-Synthese in Textdateien) mit seinem eigenen Open Brain-System (Query-Time-Abfragen aus strukturierten Tabellen) und schlägt ein Hybrid-Modell vor: Open Brain als SQL-Datenbank als Single Source of Truth, ein „Compilation Agent” generiert daraus on-demand Wiki-Seiten und Daily Briefings – Synthese-Power ohne Fehlerakkumulation. Simone Rizzo präsentiert LLM Wiki als dritte Generation nach RAG und Agentic File Search: Wissen wird in eine persistente, verlinkte Markdown-Struktur kompiliert und durch Agents laufend aktualisiert; Obsidian visualisiert den Wissensgraphen. AI Foundations und Productive Dude demonstrieren Live Artifacts in der Claude Cowork-Desktop-App, die Echtzeit-Daten aus Notion, Google Calendar und Gmail in interaktiven Dashboards aggregieren.

Prompting & AI-Literacy

Nate Herk widmet ein eigenes Video dem Token-Management in Claude: Das 1-Millionen-Token-Fenster ist „Insurance, kein Ziel” – die Retrieval-Genauigkeit fällt messbar von 92 % bei 256k auf 78 % bei 1 Mio. Token (Context Rot). Praktische Gegenmaßnahmen umfassen /rewind für saubere Kontexte, manuelles Session Handoff ab 60 % Auslastung, Markdown-Konvertierung (HTML: 90 % Einsparung), und spezialisierte Session-Chains. Kyle Balmer diskutiert in mehreren Q&A-Videos die Frage Claude vs. Codex aus Nutzerperspektive: Claude für scoped Knowledge-Work und komplexe Planungsaufgaben, Codex für schnelle Einzelseiten und Templates bei großzügigeren Limits. TheAIGRID liefert Anfänger-Tutorials zu GPT-5.5 in Codex (Plan-Mode, Reasoning-Level-Einstellung) und zu ChatGPT Images 2.0 (Select-Funktion für präzise Bildbearbeitung, strukturierte Multi-Asset-Prompts).

AI-Industrie & Strategie

Nate B. Jones analysiert den fundamentalen Architektur-Unterschied zwischen Anthropics vertikalem Stack (strukturierte Konnektoren, MCP, Conway-Framework) und OpenAIs horizontalem Computer-Use-Ansatz; das zugekaufte Team (Software Applications Inc., Schöpfer von Sky) brachte tiefe Apple-OS-Expertise mit. Kyle Balmer beleuchtet das Infrastruktur-Ungleichgewicht: China produzierte 2024 mehr Strom als USA, EU und Indien zusammen, was AI-Inference langfristig zugunsten chinesischer Anbieter verschieben könnte. Anthropics IPO-Vorbereitungen (Ziel: 60 Mrd. USD, Bewertung 800 Mrd. USD, annualisierter Umsatz ~30 Mrd. USD) und Amazons 25-Mrd.-Investment werden von mehreren Kanälen als Erklärung für den Druck auf Nutzer-Limits und Tokenizer-Änderungen herangezogen. Theo (t3.gg) analysiert Cal.coms Wechsel zu Closed-Source als Signal für eine neue Sicherheitslandschaft: AI-Modelle demokratisieren Exploit-Finding, sodass Open-Source-Projekte unter Token-Budgets verteidigt werden müssen statt unter Sicherheitsobskurität. SAP-CTO Philipp Herzig (No Priors) beschreibt drei KI-Transformationsebenen in Unternehmen: UI, Geschäftsprozesse und Datenebene; Jewel for Consulting steigerte laut eigener Angabe Berater-Effizienz um 30 %.

AI & Gesellschaft / Future of Work

MoureDev (Brais Moure) argumentiert, dass das Bildungssystem strukturell für dekadische Technologiezyklen designed wurde, während KI trimestrische Änderungen erzwingt – offiziell genehmigte Lehrpläne brauchen drei Jahre, während 18-Jährige heute funktionierende Software mit Coding-Agents bauen. Die echte Brecha liegt zwischen Selbst-Adaptern und denen, die jeden Schritt gezeigt bekommen müssen. In einem zweiten Video demontiert er die These, KI sei der Hauptgrund für Tech-Layoffs: Pandemie-Überkapazitäten, AI-Washing für Börsenkommunikation und dokumentierte Copycat-Layoffs (Stanford-Studie) seien die eigentlichen Treiber. David Shapiro analysiert zwei Narrativstränge: die strukturellen Anreize (Kostenkontrolle, Klagevermeidung, Nutzerfreundlichkeit), die Chatbots im Laufe der Zeit verschlechtern – analog zur „Shitification” sozialer Medien –, und die UBI-Debatte, in der er Argumente der „Tech Right” (Marc Andreessen, Gil Verdon) gegen das bedingungslose Grundeinkommen widerlegt. Der Stanford AI Index Report (referiert von Datapizza) zeigt 53 % globale Generativ-AI-Adoption in drei Jahren – schneller als Internet und PC –, aber stark ungleich verteilt: Singapur und UAE über 60 %, USA nur 30 %; der Forscherzustrom in die USA brach seit 2017 um 89 % ein.

Kurz notiert

Everlast AI bringt ein tiefgehendes Interview mit BCI-Pionier Niels Birbaumer, der Neuralink als brandgefährlich für den Massenmarkt einstuft und AI-gestütztes Neurofeedback (Support-Vector-Machines nach ~20 Stunden Training) als unverzichtbar für medizinische BCIs beschreibt. Theo (t3.gg) analysiert das Ökosystem gefälschter GitHub-Stars (6 Mio. verdächtige Stars auf 18.600 Repos, 3,4–4,4 Mio. USD Jahresumsatz der Anbieter) und dessen Einfluss auf VC-Finanzierungsrunden. NeuralNine zeigt den Bau eines KI-Forschungsassistenten in Python (LangChain + GPT-5 + Consensus-MCP-Server), bei dem der MCP-Server Halluzinationen bei Paper-Referenzen eliminiert. Coding with Lewis visualisiert Datenbankgrößen anhand von Papierstapeln und wirbt für Supabase/Postgres. NeuralNine liefert einen yfinance-Crashkurs mit WebSocket-Echtzeit-Kursen, Optionsdaten und Equity-Screening. Perplexity Computer (200 $/Monat) wird von Tech With Tim als zero-Konfiguration-Alternative zu OpenClaw für Ad-hoc-Automation getestet – cloud-nativ, mit automatischer Orchestration über Frontier-Modelle.

AI Explained (1 neues Video)

• GPT 5.5 Arrives, DeepSeek V4 Drops, and the Compute War Intensifies
  24.4.2026, 18:45:02

  Das Video bietet eine detaillierte Zusammenfassung der neuesten Entwicklungen in der KI-Welt, insbesondere die Veröffentlichung von GPT-5.5 und DeepSeek V4. GPT-5.5, das noch nicht über eine API verfügt, zeigt gemischte Ergebnisse in verschiedenen Benchmarks. Es übertrifft Opus 4.7 und Mythos Preview in einigen Bereichen, wie Agentic Coding, schneidet aber in anderen, wie SWEBench Pro und Humanity’s Last Exam, schlechter ab. OpenAI betont die Bedeutung von Intelligenz pro Token und die Effizienz des Modells. DeepSeek V4, ein chinesisches Modell, unterstützt eine Kontextlänge von einer Million Tokens und ist in vielen Benchmarks mit GPT-5.2 und Gemini 3 Pro vergleichbar, aber deutlich günstiger. Das Video diskutiert auch die Fähigkeiten von GPT-5.5 in Bezug auf Halluzinationen, Cyber-Sicherheit und die Fähigkeit, selbstgesteuerte Aufgaben zu bewältigen. Es wird festgestellt, dass GPT-5.5 in einigen Bereichen wie Gesundheitsdiagnosen und Spreadsheets besser abschneidet, aber in anderen, wie der Kontrolle über Gedankenketten, schlechter ist. DeepSeek V4 zeigt ebenfalls starke Leistungen in langen Kontexten und spezialisierten Aufgaben. Das Video endet mit einer Reflexion über die Auswirkungen von KI auf die Produktivität und die Arbeitswelt sowie die Herausforderungen durch Compute-Scarcity.

  Das Video thematisiert explizit OpenAI (GPT-5.5), DeepSeek (DeepSeek V4) und Anthropic (Opus 4.7) und ist eher für Intermediate und Advanced Nutzer gedacht.

AI Foundations (1 neues Video)

• Claude Just Released LIVE Artifacts… (Amazing Results)
  21.4.2026, 04:05:57

  Das Video erklärt die neue Funktion “Live Artifacts” in der Claude Co-work Desktop-App. Live Artifacts sind interaktive Mini-Apps oder Dashboards, die in Echtzeit Daten aus verbundenen Tools wie Notion, Google Calendar oder Gmail anzeigen und aktualisieren. Der Creator demonstriert die Erstellung eines persönlichen Daily Briefing Dashboards, das Termine, E-Mails und CRM-Notizen aus verschiedenen Tools zusammenführt und live aktualisiert. Die Funktion ermöglicht die Erstellung individueller, dynamischer Arbeitsumgebungen direkt in der Claude App. Die Live Artifacts können nach Belieben gestaltet und angepasst werden, um eine zentrale Anlaufstelle für verschiedene Arbeitsprozesse zu schaffen.

  Das Video thematisiert explizit Claude und ist eher für Intermediate oder Advanced Nutzer gedacht.

AI mit Arnie (2 neues Videos)

• GPT 5.5 ist eine Maschine
  25.4.2026, 14:03:17

  Das Video vergleicht die KI-Agenten Hermes und OpenCla, wobei der Fokus auf Hermes liegt. Hermes ist ein Open-Source-Projekt von New Research, das sich durch seine Fähigkeit auszeichnet, mit dem Nutzer zu wachsen und sich selbst zu verbessern. Im Gegensatz dazu ist OpenCla ein Orchestrator, der Aufgaben ausführt und konfigurationsorientiert ist. Hermes läuft mit Python und hat einen persistenten Speicher, während OpenCla in TypeScript läuft und einen sitzungsbasierten Speicher nutzt.

  Der Installationsprozess von Hermes wird detailliert erklärt, einschließlich der Möglichkeit, ihn auf verschiedenen Plattformen wie Linux, macOS, WSL2 und sogar Android zu installieren. Der Nutzer kann Hermes auf einem virtuellen privaten Server (VPS) installieren, was den Vorteil hat, dass der Agent immer erreichbar ist. Hostinger wird als einfacher Anbieter für die Installation von Hermes erwähnt.

  Nach der Installation wird gezeigt, wie man Hermes mit Telegram verbindet und wie man verschiedene Skills und Tools verwendet. Hermes kann Aufgaben automatisieren, wie z.B. das Überwachen von YouTube-Kanälen und das Erstellen von Zusammenfassungen von Videos. Der Agent kann auch selbstständig Skills erstellen und verbessern, ohne dass der Nutzer eingreifen muss.

  Ein weiterer Schwerpunkt des Videos ist die Migration von OpenCla zu Hermes. Es wird empfohlen, die Migration schrittweise und händisch durchzuführen, da sich die Memory- und Skill-Strukturen der beiden Agenten unterscheiden.

  Das Video endet mit einer Diskussion darüber, wann welcher Agent verwendet werden sollte. OpenCla eignet sich gut für die Ausführung vieler Einzeltasks, während Hermes ideal für Aufgaben ist, die sich über Zeit verbessern und anpassen müssen, wie z.B. Trading Bots oder Social Media Manager.

  AI-Tools/Modelle/Anbieter: Hermes Agent, OpenCla, OpenAI, Anthropic, OpenRouter, Hostinger

  Zielgruppe: Intermediate

• Ist Hermes der OpenClaw-Killer?
  22.4.2026, 08:05:18

  Zusammenfassung des YouTube-Videos:

  Das Video stellt einen detaillierten Vergleich zwischen den KI-Agenten Hermes und OpenCla vor, wobei der Fokus auf den Funktionen, der Installation und den Einsatzmöglichkeiten von Hermes liegt. Hermes wird als ein Agent beschrieben, der mit dem Nutzer wächst und sich kontinuierlich verbessert, während OpenCla eher als Orchestrator für die Ausführung von Aufgaben dient.

  Hauptpunkte des Videos:

  1. Einführung in Hermes:
  • Hermes ist ein Open-Source-Projekt von News Research, das bereits 100.000 Sterne auf GitHub hat.
  • Es bietet einen Lightmodus und eine detaillierte Dokumentation.
  • Hermes läuft mit Python und hat einen persistenten Speicher, während OpenCla in TypeScript läuft und sitzungsbasierten Speicher nutzt.
  1. Installation und Setup:
  • Hermes kann auf Linux, macOS, WSL2 und sogar auf Android installiert werden.
  • Die Installation auf einem virtuellen privaten Server (VPS) wird empfohlen, um den Agenten 24/7 erreichbar zu machen.
  • Der Hostinger-Anbieter bietet eine einfache Einklickinstallation für Hermes.
  1. Funktionen und Vergleich mit OpenCla:
  • Hermes hat einen Honkreicher, der über Sitzungen hinweggeht, während OpenCla auf Markdown-Dateien setzt.
  • Hermes hat integrierte Lernschleifen und verbessert sich selbstständig, während OpenCla manuell installierte Skills nutzt.
  • Hermes hat 30 vorinstallierte Skills, die sofort verwendet werden können.
  1. Sicherheit und Datenschutz:
  • Hermes hat eine kleinere Angriffsfläche im Vergleich zu OpenCla, da es weniger externe Skills benötigt.
  • Die Installation auf einem separaten Server wird empfohlen, um Sicherheitsrisiken zu minimieren.
  1. Praktische Anwendungen:
  • Hermes kann für verschiedene Aufgaben verwendet werden, wie z.B. das Überwachen von YouTube-Kanälen, das Erstellen von Social-Media-Posts und das Automatisieren von Trading-Strategien.
  • Der Agent kann sich an den Schreibstil des Nutzers anpassen und relevante Informationen finden.
  1. Migration von OpenCla zu Hermes:
  • Eine vollständige Migration von OpenCla zu Hermes kann zu Problemen führen, da die Memory- und Skill-Strukturen unterschiedlich sind.
  • Es wird empfohlen, Skills und Memory-Dateien manuell zu migrieren und zu testen.
  1. Zusammenfassung und Empfehlungen:
  • Hermes eignet sich besonders für Aufgaben, die sich über Zeit verbessern, wie z.B. Trading-Bots oder Social-Media-Manager.
  • OpenCla ist besser für die Orchestrierung von Einzeltasks geeignet.
  • Beide Agenten können kombiniert werden, um die Vorteile beider Systeme zu nutzen.

  Schluss-Kommentar:

  Das Video thematisiert explizit die KI-Agenten Hermes und OpenCla und ist eher für Intermediate Nutzer gedacht, die bereits Erfahrung mit KI-Tools haben und diese vertiefen möchten.

AI News & Strategy Daily | Nate B Jones (7 neues Videos)

• ChatGPT Images Just Replaced Three People on Your Team.
  25.4.2026, 15:00:55

  ChatGPT Images Just Replaced Three People on Your Team – Zusammenfassung

  OpenAI hat mit GPT-4o Image 2 einen Durchbruch in der Bildgenerierung erreicht: Das Modell gewann 93% der blind durchgeführten Paarweise-Vergleiche in Image Arena – ein beispielloser 26-Punkte-Vorsprung gegenüber dem nächstplatzierten Modell (Googles Nano Banana 2 mit 67%). Der Unterschied wird konkret: Ein Entwickler (Takuya Matsuyama) erhielt von einem einzigen Prompt eine vollständige, aesthetisch kohärente Landing-Page mit Hokusai-Illustration und Wabi-Sabi-Design, extrahiert aus seinen Blog-Posts über japanische Ästhetik.

  Drei architektonische Mechanismen:

  1. Thinking Mode: Das Modell verbringt 10–20 Sekunden mit Reasoning über Komposition, Typografie und Objektplatzierung, bevor es pixels erzeugt.
  2. Web Search im Generierungs-Loop: Das Modell kann Live-Daten während der Komposition abrufen – Beispiel: geologisch exakte Tiefenkarten des Hormus-Streits kombiniert mit Richard-Scarry-Illustration.
  3. Acht kohärente Frames pro Prompt: Character- und Objekt-Konsistenz über acht Bilder hinweg ermöglicht Mangas, Comic Panels, Magazine direkt aus einer Eingabe.

  Zusätzlich gibt es einen Self-Verification-Pass, bei dem das Modell seine Ausgabe überprüft und korrigiert.

  Vier neue Workflows:

  – Lokalisierte Ad-Kampagnen ohne Vendor-Overhead (Korrektheit bei Kanji, Hangul, Devanagari)

  – UI-Spezifikation als Rendering-Target in Codex (PM beschreibt auf Deutsch, Modell erzeugt Mock-up, Coding-Agent implementiert)

  – Live-Data-Brief (Konkurrenz-Pricing + aktuelle Case-Studies in einem Prompt recherchiert, geschrieben, designt)

  – Kohärentes Design-System aus einer Anfrage (Grundrisse, Farbpaletten, Materialien, Inspiration Shots)

  Schattenseite:

  Die gleiche Fähigkeit ermöglicht fotorealistische Forgeries: manipulierte Restaurant-Receipts, Slack-Screenshots mit fremden Avataren, gefälschte Boarding Passes, Apotheken-Etiketten. Textgenauigkeit liegt bei 99%; 70% der Test-Teilnehmer hielten Ausgaben für echte Fotos. Content Credentials überleben Crop und Screenshot nicht. Trust-Layer (Journalismus-Faktencheck, KYC, Versicherungsbetrug, Zollbehörden) muss neu aufgebaut werden.

  Strukturelle Verschiebungen:

  Drei Jobs (Research, Copy, Layout) kollabieren in einen Prompt – Parallele zu Textverarbeitung für Setzer, Browser für Publisher. Image Generation ist nun ein Agent-callable Primitive (nicht nur für Menschen, sondern für Agenten wie Codex). Ein Bild aus Thinking Mode ist eine komprimierte Reasoning-Trace: Suche, Plan, Komposition, Verifikation verschmelzen in ein Artefakt.

  Vergleich zu Claude Design:

  Anthropic versendete vier Tage davor Claude Design (auf Opus 4.7, zielgerichtet auf Figma). Während GPT-4o Images Pixels beibehält und Reasoning upstream hinzufügt, überspringt Claude Design das Bild vollständig und gibt editierbares HTML aus. Beide lösen das gleiche Problem anders: pixelbasiert vs. codebasiert. Langfristig werden sie konvergieren; kurz- bis mittelfristig gewinnt Images bei hochvisuellem Material (Poster, Menüs, Packaging), Claude Design bei Prototypen (Landing Pages, Dashboards, interaktive Mock-ups).

  Rollenspezifische Implikationen:

  – Produkt: UI-Spezifikation wird Compile-Schritt; PM als Briefing-Autor wichtiger

  – Design: Briefs, Brand-Systeme, QA wachsen in Wert; First-Draft-Ausführung sinkt; Craftsmanship = präzise, spezifische Kommunikation

  – Engineering: Images 2 als Subroutine für Bug-Reports, Pull-Request-Reviews, Incident-Postmortems mit annotierten Screenshots

  – Marketing: Multilingual Rendering macht Lokalisierungs-Vendor für erste Entwürfe obsolet (Minuten statt Wochen); erfordert detaillierter Briefing-Template statt Bullet Points

  – Founder/Solo: 5-Person-Agentur-Arbeit kostet jetzt 20 Dollar/Monat + guter Brief; Leverage liegt in Creative-Ops-Funktionen und Brief-Bibliotheken

  – Trust/Risk/Legal: Red-Team-Übung dringend nötig; neue Verifikations-Ketten erforderlich (physische Zertifikation existiert bereits)

  – Enterprise/CIO: Middleware-Vendors verlieren Differenzierung; Middleware-Pricing (5–10x über API-Kosten) muss neu verhandelt werden

  Übertragbare Einsicht:

  Der alte Engpass war Modell-Skill (wie viel man herauskitzeln konnte). Der neue Engpass ist Spezifikation—wie präzise man Layout, Typografie, Constraints, Kontext beschreiben kann. Das ist näher am technischen Schreiben als am Prompting. Praktiker, die bereits in Specs denken, adaptieren schnell. Diejenigen, deren Wert in Ausführungs-Handwerk lag, müssen sich neu erfinden—nicht weil Design stirbt, sondern weil die Basis sich unter ihnen verschoben hat.

  Kernthese:

  Diese Woche hat Image Generation dem Reasoning Stack beigetreten. Die Ausgabe ist Pixel, aber die Arbeit ist Reasoning. Das erklärt, warum es funktioniert. Auditing wird ein anderes Handwerk: Bilder können falsch sein, weil die Web-Source falsch war, nicht nur weil das Modell halluzinierte. Die größten neuen Use Cases entstehen dort, wo man Wissen, Kohärenz oder Komposition kombiniert, die der Prompt allein nicht tragen kann.

  Übergeordnete Beobachtung:

  Das AI-Rennen belohnt die, die verstehen, wie man sich an schnelle Änderungen in Werkzeugen anpasst. Claude, OpenAI, Gemini releasing so schnell, dass die Strategie lautet: verstehe, wo das neue Tool in meinen Workflow passt → integriere es schnell. Das ist das ganze Spiel.

  Demo und Deep-Dive zu OpenAI GPT-4o Images 2 mit struktureller Analyse gegenüber Anthropic Claude Design; technisch versiert, mittleres bis gehobenes Niveau.

• Claude Design Does In 30 Minutes What Your Team Does In A Sprint
  24.4.2026, 14:00:38

  Claude Design – 30-Minuten-Prototyping statt Sprints

  Claude Design ist das dritte Element in einem koordinierten Anthropic-Stack (neben Claude Code und Co-work), das die traditionelle Mockup-zu-Production-Handoff-Abläufe grundlegend verändert. Das Tool ermöglicht acht Hauptanwendungen: (1) Pitch Decks mit live eingebetteten AI-Chatbots, (2) animierte Produkterklärvideos in Code, (3) 3D-Komponenten und interaktive Produktkonfiguratoren, (4) automatisch extrahierte Design-Systeme aus bestehenden Codebases, (5) Web-Scraping und Reskinning von Konkurrenz-Seiten, (6) interaktive Dashboards mit Live-Updates, (7) interne Admin-Tools und (8) Mobile-App-Prototypen mit realen State-Übergängen – jeweils als ausführbarer Code, nicht als statische Mockups.

  Der entscheidende Unterschied: Claude Design arbeitet im Code-Medium (HTML, CSS, SVG), nicht in Figma-Primitives, weil Large Language Models auf Code trainiert wurden. Das macht die Handoff zu Claude Code nahtlos – es gibt keine Übersetzungsverluste mehr. Der Prototyp ist bereits in Produktionsformat.

  Auswirkungen nach Rolle:

  • PMs: Prototyping kostet nun Minuten statt Tage; PRD-Dokumente werden weniger relevant, Prototypen-First-Workflow ermöglicht Diskussionen über echte Interaktionen.
  • Designer: Rationing entfällt, zehn Designrichtungen pro Stunde sind Routine; Fokus verschiebt sich von Mockup-Erstellung zu Urteilen über Richtung und Kontext.
  • Engineers: Handoff erfolgt bereits als funktionierender Code; die Rolle verschiebt sich hin zu Skalierung, Edge-Cases und Qualitätssicherung.
  • Founder: Live-Demos statt Flat Screenshots; für AI-native Produkte können echte Model-Calls im Prototypen eingebettet werden.

  Organisatorisch führt dies zu kleineren Teams, da Koordinationslast durch weniger Handoffs sinkt. Two-Pizza-Teams schrumpfen teilweise zu One-Pizza-Teams, weil Rollen wie PM, Designer und Engineer mehr Funktionen selbst übernehmen können.

  Google Stitch antwortet mit einer offenen design.markdown-Spezifikation (Token, Typescale, Component-Rules) als standardisierten Standard, wettet aber primär auf Open Source und Gemini-Qualität statt auf Anthropics Stack-Integration.

  Wichtige Caveat: Das Tool ersetzt nicht Designer-Judgment, Brand-Strategie oder Positionierung – diese bleiben menschliche Verantwortung. Figma bleibt für Production-Grade Design-Systeme und Component-Library-Wartung relevant. Claude Design ist aktuell am stärksten bei einfachen bis mittleren Produkten; komplexe Systeme treffen noch auf Token-Budget-Grenzen.

  Explizit thematisiert: Claude Design, Claude Code, Co-work (Anthropic Stack), Google Stitch (Gemini), Figma — Format: Deep-Dive

• Your Apps Don’t Need an API Anymore. Codex Just Proved It.
  23.4.2026, 14:00:05

  Zusammenfassung: Your Apps Don’t Need an API Anymore. Codex Just Proved It.

  OpenAI hat Codex im April 2025 grundlegend transformiert: von einem Coding-Befehlszeilentool zu einem Desktop-Agent, der jede Mac-Anwendung steuern kann – durch Klicken, Tippen und Ausführen von Hintergrundaufgaben. Die Kernstärke ist Computer-Use: Codex sieht den Bildschirm, navigiert durch grafische Interfaces und führt mehrere Agenten parallel aus, ohne die Nutzereingaben zu unterbrechen. Im direkten Vergleich mit Claude ist Codex deutlich schneller (2 Minuten statt 5–6 Minuten für typische Workflows), zuverlässiger (macht seltener Fehler bei unerwarteten Dialogen) und flexibler (arbeitet mit beliebiger Software, nicht nur Chrome).

  Das strategische Unterscheidungsmerkmal: Anthropic baut einen “Agent Body” aus strukturierten Schnittstellen (MCP-Server, Connectoren, das kommende Conway-Framework), die Zusammenarbeit mit der Software-Industrie erfordern. OpenAI baut einen Body aus Computer-Use – der Agent benutzt die gleiche Grafik-Oberfläche wie der Mensch, benötigt keine APIs und funktioniert mit Legacy-Systemen, internen Tools und seit Jahren nicht gepflegten Apps. Diese Differenz ist nicht nur eine Feature-Unterschied, sondern ein fundamentales Architektur-Konzept.

  Codex’ Fähigkeit stammt von einem Team, das OpenAI im Oktober 2024 akquirierte: Software Applications Incorporated, die Schöpfer von Sky (ein unreleased Mac-OS-AI-Interface). Kernmitglieder bauten zuvor Workflow (später Apples Shortcuts) und brachten tiefe Apple-OS-Integration, Accessibility und Motion-Path-Expertise mit.

  Praktisch einsetzbar ist Codex heute für: Slack-Massenbereinigung, Spotify-Playlist-Erstellung via Desktop-App, visuelles Frontend-Testing, Bug-Reproduktion, Cross-App-Workflows, End-to-End-Tests und Automation von Legacy-Dashboards ohne API. Claude bleibt überlegen bei scoped Knowledge Work (gezieltes Folder-Pointing, explizite Kontrolle) und Developer-Workflows, aber Codex dominiert bei interface-heavy, parallel laufenden Aufgaben.

  Künftig zu beobachten: (1) Anthropics öffentliche Ankündigung von Conway – würde event-driven Agents als Kategorie etablieren; (2) MCP-Adoption-Geschwindigkeit – bei schneller Enterprise-Integration wird Anthropics Ecosystem-Bet stärker, sonst setzt sich Computer-Use als Standard durch.

  Das zentrale Insight: Software ohne API ist keine Automation-Blocker mehr. Der Unterschied liegt nicht im Modell (das ist das “Gehirn”), sondern im Harness – dem “Body”, den OpenAI durch gezielten Talent-Kauf aufgebaut hat. Akquisitionsmuster werden zum strategischen Indikator.

  OpenAI Codex und Claude (Anthropic) im Vergleich; Deep-Dive Meinung/Analyse.

• Karpathy’s Wiki vs. Open Brain. One Fails When You Need It Most.
  22.4.2026, 14:01:09

  Karpathy’s Wiki vs. Open Brain: Unterschiede, Stärken und ein Hybrid-Ansatz

  Der Nutzer vergleicht zwei fundamentale Ansätze zur AI-gestützten Wissensverwaltung: Andrej Karpathy’s Wiki-Konzept und sein eigenes Open Brain System.

  Karpathy’s Wiki-Ansatz basiert auf Ordnern und Textdateien. Die zentrale Idee: Statt dass AI bei jeder Frage neu alle Dokumente durchsucht und rediskutiert, schreibt die AI kontinuierlich ihre Erkenntnisse auf. Bei jeder neuen Quelle (Artikel, Paper, Notizen) liest die AI diese, extrahiert Bedeutung und aktualisiert bereits bestehende Wikiseiten mit Querverweisen, Widersprüchen und Konzeptverbindungen. Die Synthese wird einmal kompiliert und danach aktualisiert, nicht bei jeder Abfrage neu abgeleitet. Der Vorteil: Tiefes Denken passiert am Input, danach sind Antworten billig. Der Nachteil: Die AI trifft redaktionelle Entscheidungen eigenständig; Nuancen können verloren gehen und später unbemerkt bleiben (wie bei Dashboards, die Daten verdichten).

  Open Brain arbeitet nach dem entgegengesetzten Prinzip: Query-Time statt Ingest-Time. Neue Informationen werden nicht sofort synthetisiert, sondern treu gespeichert, getaggt und kategorisiert in strukturierten Tabellen. Wenn eine Frage gestellt wird, arbeitet die AI frisch und produziert eine präzise Antwort. Der Vorteil: Neues hinzufügen ist einfach und billig; die volle Detailfülle bleibt erhalten und nachvollziehbar (jeder Claim ist auf Quellen zurückverfolgbar). Der Nachteil: Bei komplizierten Abfragen muss die AI jedes Mal von neuem synthetisieren (höherer Token-Kostenaufwand bei wiederholten Fragen).

  Wo Wiki gewinnt: Tiefe Einzelprojekte (z.B. 10 Papers über Wochen lesen), persönliche Forschung, wo Verbindungen zwischen Quellen zentral sind. Das System flaggt Widersprüche sofort beim Eingang und zeigt Gedankenverlauf über Zeit.

  Wo Open Brain gewinnt: Präzise strukturierte Abfragen (z.B. „alle Meetings Q1 mit Pricing-Diskussionen”), Multi-Agent-Zugriff auf denselben Datenspeicher, hohe Dokumentenmengen (tausende Einträge), operative Daten, die täglich wechseln. Wiki-Systeme brechen bei Skalierung und Multi-Agent-Nutzung zusammen (Dateikonflikte) und werden bei Vernachlässigung zu Fehlinformation, da sie selbstbewusst geschriebene Synthesen enthalten.

  Das Hybrid-Modell: Der Sprecher stellt einen neuen Plugin-Ansatz vor: Open Brain bleibt als permanente, strukturierte Datenquelle (SQL-Datenbank). Ein „Compilation Agent” läuft on-demand oder nach Zeitplan, liest aus Open Brain, erzeugt dynamisch Wiki-Seiten aus einem Graphen der Daten und erzeugt Synthesen wie ein Daily Briefing. Der Vorteil: Wiki-Browsability und Synthese-Power von oben, Zuverlässigkeit und Skalierbarkeit der strukturierten Daten darunter. Die Datenbank bleibt Quelle der Wahrheit; das Wiki wird regeneriert, nicht manuell gepflegt, wodurch Fehlerakkumulation vermieden wird.

  Zentrale Einsicht: Die Wahl des Memory-Systems entscheidet nicht nur über Technik, sondern über die Zukunft von Team-Entscheidungen. Widersprüche sind oft wertvoll (z.B. Engineering sagt 12 Wochen, Sales hat 8 versprochen)—ein Smart-Wiki könnte das zu einer Narrative glätten, ein Datenbanksystem bewahrt die Spannung. Der tiefere Punkt: AI sollte von Oracle zu Maintainer werden—nicht einmalige Antwortmaschine, sondern Warterin von Wissenssystemen, die über Zeit wachsen.

  Ratschlag: Bei Solo-Forschung und unter ~10.000 Dokumenten: Karpathy’s einfaches Wiki-System. Bei Teams, hohem Dokumentenvolumen, Querys über Kategorien, Multi-Agent-Workflows: Open Brain + optionaler Graph-Plugin für die Wiki-Schicht oben drauf.

  Deep-Dive (vergleichend), keine spezifische Tool/Anbieter explizit behandelt außer dem genannten Open Brain System und konzeptionelle Referenzen zu Notebook LM sowie Obsidian als browsable Schicht.

• Your Prompts Didn’t Change. Opus 4.7 Did.
  21.4.2026, 14:01:24

  Zusammenfassung: “Your Prompts Didn’t Change. Opus 4.7 Did.”

  Claude Opus 4.7 ist das intelligenteste Modell, das Anthropic jemals veröffentlicht hat, aber auch das konfrontativste und literalste – und trotz gleichbleibender Preise zahlt man messbar mehr für die gleiche Arbeit. Der Grund: Ein neuer Tokenizer, der denselben Input zu bis zu 35% mehr Tokens abbildet.

  Hauptverbesserungen: 4.7 behebt das zentrale Problem von 4.6 – vorzeitiges Abbrechen bei mehrstufigen Aufgaben. Die Persistenz ist deutlich besser, das Modell selbstverifiziert und läuft Tests. In Benchmarks wie SWEBench (80% → 87%), CursorBench (58 → 70) und besonders beim Multi-Tool-Orchestration-Benchmark (75 → 77) zeigen sich erhebliche Sprünge. Bei Finanz- und Rechtsarbeit (GDP-Eval-Benchmark: 1753 vs. GPT 5.4: 1674) ist 4.7 führend. Jedoch regrediert 4.7 bei Web-Recherche (83 → 79) und Terminal-Aufgaben.

  Praktische Tests: Ein realistischer Datenmigrations-Test mit 465 Dateien verschiedenster Formate zeigte: 4.7 war schneller (33 min vs. 53 min bei GPT 5.4) und produzierte eine bessere UI-Frontend. Allerdings halluzinierte 4.7 eine bearbeitete Datei (behauptete, sie verarbeitet zu haben, tat es aber nicht) – ein Vertrauensbruch, der die zentrale Problematik offenbart: Beide Frontier-Modelle erkennen offensichtliche Fake-Daten (Mickey Mouse, Test Customer) nicht und geben sich gegenseitig bessere Noten, als sie verdienen.

  Tonalität und Literalität: 4.7 ist um 77% assertiver (Code Rabbit Analyse), verwendet Imperative und Befehle statt Suggestionen. Das Modell befolgt Anweisungen buchstäblich – es generalisiert nicht zwischen den Zeilen, wie 4.6 es tat. Adaptive Thinking (unsichtbar für Chat-Nutzer) entscheidet selbst über die Reasoning-Tiefe. Temperature, Top-P und Top-K wurden entfernt – weniger Kontrolle für Nutzer.

  Claude Design: Anthropics neue Design-Suite (17. April gestartet) produziert JSX-Komponenten, Design-Systeme und Agent-lesbare Skill-Files. Das erste Zeichen: Logo-Fehler wurden nach bis zu sechsmaliger Korrektur nicht behoben. Das Problem: Jede Korrekturschleife ist zahlungspflichtig. Nach einer Nachmittags-Session beliefen sich die Kosten auf 42 USD (Anfangsdesign 5 USD + Korrekturen 10 USD + animierte Videos 23,29 USD). Das verdeutlicht ein Monetarisierungsmodell, bei dem Unzuverlässigkeit direkt teuer wird.

  Kostenimplikationen: Der Tokenizer-Anstieg (bis 1,46x in realen Messungen) plus höherer Output-Burn bei „Extra High” Effort plus Korrekturen bedeuten, dass man trotz unveränderter Sticker-Prices mehr bezahlt. Boris Churnney (Claude Code) kündigte Limit-Erhöhungen an; Pro-Subscriber treffen sofort auf Obergrenzen.

  Strategischer Kontext: Anthropic IPO-Gespräche für Oktober targeting 60 Mrd. USD Fundraising; Valuation bei 800 Mrd. USD. Revenue annualisiert auf ~30 Mrd. USD (April). Enterprise-Marktanteil: 24% → 30% (OpenAI fällt von 46% → 35%). Mythos ist zu gefährlich zum Release (nur für Regierungen/große Firmen). OpenAI releasete größtes Codeex-Update parallel, GPT-Modell “Spud” erwartet diese Woche – Anthropic war unter Druck, 4.7 zu releasen, um nicht an Frontier-Position zu verlieren.

  Nutzungsempfehlungen:

  • Claude Code: Extra High als Standard, Max für Schwerstes; Plan Mode nutzen.
  • API: Temperature/Top-P/Top-K löschen (→ 400 Fehler); Thinking Display auf „summarized” setzen.
  • Chat/Claude.ai: Reasoning explizit anfordern; Kontext hochladen; frische Chats bei Kontext-Verschmutzung starten.
  • Upgrade-Entscheidung: Agentische Pipelines/Finanz-/Rechtsarbeit = ja; Web-Research/Terminal-schwer = nein; Casual Chat-Nutzer = komplexer (Prompting wird anspruchsvoller).

  Größerer Trend: Anthropic baut vertikal (Design, Code, Review, Deploy), OpenAI horizontal (Codeex als Desktop-Plattform). Model-Maker konkurrieren nicht nur auf Modellen, sondern auf Custom-Harnesses. Ernsthafte, langfristige Knowledge-Work wird mit massiven Tokens bedacht; Casual-Nutzung wird vernachlässigt. Das Modell ist strategisches Bewegungsziel auf dem Weg zu Enterprise-CoWorker – ein Bridge-Release unter Wettbewerbsdruck.

  Claude (Anthropic) wurde explizit thematisiert; auch GPT 5.4 und Gemini 3.1 zum Vergleich herangezogen. Tools/Features: Claude Code, Claude Design, Anthropic Labs, Codeex (OpenAI). Format: Deep-Dive mit praktischen Tests und strategischer Analyse. Schwierigkeitsniveau: anspruchsvoll – setzt technisches Verständnis (Tokenizer, API, Agentic Workflows) voraus.

• Nobody Knows What You’re Worth Anymore | The AI Job Market Reality
  20.4.2026, 14:00:01

  Zusammenfassung: Nobody Knows What You’re Worth Anymore | The AI Job Market Reality

  Das zentrale Problem ist, dass die traditionellen Signale für berufliche Kompetenz zusammenbrechen: Da KI-Tools die Code- und Projektgenerierung praktisch kostenlos machen, ist es schwer geworden, echte Expertise von bloßem Output zu unterscheiden. Das gilt nicht nur für Berufsanfänger, sondern für alle Karrierestufen – vom College-Absolventen bis zur Mid-Career-PM. Der Kontext wird dramatisch durch massive Tech-Layoffs (über 60.000 bestätigte Cuts in Q1), die nicht mehr an Überbesetzung liegen, sondern an Neubewertungen dessen, was Arbeitskräfte im Zeitalter von AI wert sind.

  Der Autor schlägt fünf Orientierungsprinzipien vor:

  1. Verständnis vor Generierung: Zwinge dich, deine Arbeit tiefgehend zu verstehen – nicht nur, was Code tut, sondern warum, welche Tradeoffs du gemacht hast, was brechen könnte. Das ist der Ursprung von „Geschmack” und Expertise. Die Industrie produziert mit beispielloser Geschwindigkeit, versteht aber auf beispiellos niedrigem Niveau.
  1. Erklärungsartefakte: Begleite jedes Projekt mit strukturierter, konziser Erklärung – was das ist, warum diese Wahl, welche Alternativen, wo es fragil ist, was du gelernt hast. Das ist wie ein „Commit Message” für die KI-Ära – es signalisiert echtes Verständnis und ist nicht durch KI fake-bar.
  1. Transaktionen statt Anmeldedaten: Credentials sind leicht zu fälschen. Echte Arbeit, für die bezahlt wurde, ist ein echtes Signal. Im KI-Zeitalter brauchen wir „Mikrotransaktionen für Jobs” – Nachweise für bedeutsame Arbeit, die in komprimierter Zeit geleistet wurde, nicht nur klassische zwei-Jahre-pro-Job-Karrieren.
  1. In der Öffentlichkeit arbeiten: Wenn du nicht öffentlich arbeitest, verlierst du Sichtbarkeit. Das alte Modell von internem Lernen in Unternehmen funktioniert für Außenstehende oder Entlassene nicht. GitHub allein reicht nicht; du brauchst einen zentralen Ort, um dein „glorioses Durcheinander” aus KI-Artefakten zu zeigen.
  1. Beweis liefern, der mit der Arbeit reist: Dein Beweis – die Erklärungen, dein Denken – muss untrennbar vom Werk selbst sein. Sonst wird angenommen, dass KI alles erzeugt hat. Das verhindert auch Spam.

  Der Autor hat „Talent Board” entwickelt – eine Plattform, auf der Projekte mit den vier Erklärungsfragen öffentlich gezeigt werden können, um zu demonstrieren, dass man denken kann, nicht nur generieren. Er betont, dass die Prinzipien auch auf persönliche Websites oder konkurrierende Plattformen anwendbar sind – es geht ihm um die Lösung des Problems, nicht um Gatekeeping.

  Die zentrale These: In einer Welt, die dich dazu verleitet, deinen Output 100x zu erhöhen, musst du zeigen, dass du denken kannst. Das ist jetzt die rare Commodity.

  Erwähnt: Lovable, Claude, ChatGPT, GitHub, Talent Board (vom Autor); Format: Meinung/Reflexion mit Rahmenwerk.

• Block Laid Off Half Its Company for AI. AI Can’t Do the Job.
  19.4.2026, 17:00:56

  Block Laid Off Half Its Company for AI. AI Can’t Do the Job.

  Das Video kritisiert den hype um sogenannte „World Models” – automatisierte Systeme, die Managementaufgaben wie Statusupdates, Priorisierung und Informationsfluss übernehmen sollen. Während die Grundidee sinnvoll ist (Automatisierung reiner Informationslogistik), warnt der Creator vor einem fundamentalen Fehler: Diese Systeme verwechseln Informationsfluss mit Urteilsfähigkeit.

  Der Kern des Problems ist, dass Manager nicht nur Information weitergeben, sondern sie auch bewerten – entscheiden, was wichtig ist, Rauschen von Signal unterscheiden, saisonale Schwankungen erkennen. Wenn ein System diese Urteile still und leise trifft, fallen Fehler nicht auf: Ein saisonaler Umsatzrückgang wird als strategisches Problem behandelt, eine Korrelation zwischen Feature-Launch und Churn wird als Kausalität interpretiert, oder der Informationsfluss verrauscht so langsam, dass niemand merkt, dass kritische Signale fehlen.

  Das Video analysiert drei gängige Architektur-Ansätze und ihre Schwachstellen:

  1. Vector-Database-Ansatz scheitert daran, dass semantische Ranking-Entscheidungen wie Interpretationen aussehen, aber als bloße Information präsentiert werden – bei Skalierung wird alles, was das System surfaced, automatisch als handlungsrelevant behandelt.
  1. Structured-Ontology-Ansatz (Palantir-Modell) ist zu konservativ – die Ontologie kann nur vordefinierte Beziehungen abbilden und übersieht emergente Muster, die Geschäftsentscheidungen reframen könnten.
  1. Signal-Fidelity-Ansatz (Dorseys These: hohe Datenqualität wie Transaktionen) erzeugt falsche Sicherheit – saubere Eingangsdaten suggerieren verlässliche Urteile, auch wenn die kausale Logik dahinter dünn ist.

  Der Creator gibt Prinzipien für bessere World Models: klare „interpretive boundary” zwischen Fakten (die das System surfacen soll) und Urteilen (die Menschen treffen müssen); Signalqualität als obere Grenze; Struktur durch Lernen statt Vorgabe; Outcomes kodieren, um Feedback-Schleifen zu schließen; Designer für Widerstände konzipieren (das Team muss das System füttern wollen); und schnell starten, weil kontinuierliche Daten über Zeit ein Wettbewerbsvorteil sind.

  Je nach Unternehmenstyp unterschiedliche Strategien: kleine, agile Teams können mit Vector-Datenbanken starten, regulierte Unternehmen brauchen strukturierte Ontologien, Plattformen wie Block müssen Überconfidence durch saubere Daten bewachen, Knowledge-Work-Unternehmen sollten Interpretationslagen über Vector-Datenbanken bauen. Kritisch: „Die gefährlichste World Model ist die, die gut genug funktioniert, dass niemand sie hinterfragt, bis die Entscheidungsqualität unmerklich sinkt.”

  Der Creator hat ein „World Model Readiness Plugin” gebaut, das für verschiedene LLMs verfügbar ist und Unternehmen durch ein Bewertungs-Framework führt.

  Explizit erwähnte Tools/Anbieter: Claude, ChatGPT, Gemini, Palantir; primär eine Meinung/Reflexion zu Systemarchitektur mit praktischem Framework.

Alejandro AO (2 neues Videos)

• GPT-5.5 – 25x More Expensive than Open Models
  23.4.2026, 23:13:53

  Das Video bietet einen Überblick über die neueste Version von OpenAI, GPT-5.5, und vergleicht sie mit anderen Modellen, sowohl geschlossenen als auch Open-Source-Modellen. Der Autor betont, dass GPT-5.5 in verschiedenen Benchmarks, insbesondere in Coding-Aufgaben wie Terminal Bench und SweetBench Pro, die besten Ergebnisse liefert. Allerdings ist GPT-5.5 deutlich teurer als sein Vorgänger GPT-5.4 und andere Modelle wie Claude Opus 4.7 und Gemini 3.1 Pro. Der Vergleich mit Open-Source-Modellen wie Kimi, GLM, Minimax und Qwen 3.6 zeigt, dass diese oft ähnliche Leistungen zu deutlich geringeren Kosten bieten. Der Autor demonstriert auch die Verwendung von GPT-5.5 in der Anwendung Codex, um eine Landing Page zu erstellen, und zeigt, dass das Modell in der Frontend-Entwicklung verbessert wurde.

  Das Video thematisiert explizit OpenAI (GPT-5.5, GPT-5.4), Claude (Claude Opus 4.7), Gemini (Gemini 3.1 Pro) und Open-Source-Modelle (Kimi, GLM, Minimax, Qwen 3.6) und ist eher für Intermediate und Advanced Nutzer gedacht.

• Kimi K2.6: Open Source BEATS GPT-5.4 & Opus?
  22.4.2026, 06:17:00

  Das Video stellt das neue Foundation Model Kimi K2.6 von der chinesischen Firma Muncho Taiyai vor, das mit Benchmarks wie GPT 5.4 und Opus 4.6 konkurriert. Der Host erklärt, was Kimi K2.6 ist, vergleicht Benchmarks und zeigt, wie man das Modell mit Hugging Face Inference Provider nutzt, um ein Coding-Assistant zu betreiben. Anschließend wird Kimi K2.6 genutzt, um das Design einer Website neu zu gestalten. Die Benchmarks zeigen, dass Kimi K2.6 in mehreren Bereichen besser abschneidet als GPT 5.4 und Opus 4.6, insbesondere in den Bereichen Allgemeinwissen und Programmierung. Der Host demonstriert die Einrichtung von Kimi K2.6 mit OpenCode und Hugging Face, um die Website zu redesignen, und zeigt das Endergebnis. Die Kosten für die Nutzung des Modells werden auf etwa 1,50 Dollar für die gesamte Operation geschätzt. Das Video thematisiert explizit Kimi K2.6, Hugging Face, OpenCode, GPT 5.4, Opus 4.6 und Gemini 3.1 Pro und ist eher für Intermediate und Advanced Nutzer gedacht.

Alex Finn (5 neues Videos)

• ChatGPT 5.5 Codex: I can’t believe they did this…
  25.4.2026, 20:54:45

  ChatGPT 5.5 Codex vs. Claude/Opus 47: Ein Jahr nach dem Regimewechsel

  Der Creator hat ChatGPT 5.5 intensiv getestet und ist zur Schlussfolgerung gekommen, dass es Claude Code nach über einem Jahr Vorherrschaft ablöst. Die vier Hauptverbesserungen von 5.5 gegenüber 4 sind: deutlich mehr Handlungsbereitschaft (führt Anweisungen aus statt zu diskutieren), weniger Geschwätzigkeit, bessere Persönlichkeit und signifikant besserer Code mit minimal Bugs.

  Das Herzstück ist jedoch die neue Codex Desktop-App, die ein „Super-App”-Erlebnis bietet: integriertes Projekt-Management, separate Chat- und Coding-Sessions (multitasking), eingebauter Browser zur Live-App-Bearbeitung, Annotationsfunktion zum direkten Markup von UI-Elementen und Computer-Use-Feature zur vollautomatischen App-Testung. Besonders hervorzuheben: tiefe Integration mit Codex’ eigenem Image-Gen-Modell, das der beste verfügbare Image-Generator ist und erlaubt, UI-Design vor dem Coding zu visualisieren – Claude Code hat keine Image-Generierung.

  Ein entscheidender Advanced-Workflow kombiniert Codex mit Linear (kostenlos), einem Projektmanagement-Tool, das Codex vollständig steuern kann. Mehrere Agents arbeiten dann parallel an denselben Tasks, während Codex automatisch Probleme erstellt, organisiert und Fortschritt trackt. Das eliminiert manuelles Reminder-Lesen zwischen Sessions.

  Stärken von 5.5: Besseres Modell insgesamt, konsistent intelligent (wird nicht stupider wie Claude), extrem hohe Rate-Limits (täglich zurückgesetzt bei Bug-Fixes), Codex-App schlägt Claude-App, Image-Gen-Integration. Schwächen: Default-UIs sind noch „slop”, weniger warme Persönlichkeit, teilweise zu ausschweifend in Responses.

  Stärken von Opus 47: Bessere Standard-UI-Qualität, bessere Persönlichkeit/Wärme, prägnanter und proaktiver. Schwächen: Modell wird mit der Zeit signifikant schlechter (Anthropic hat rechnerisch zu wenig Kapazität), Rate-Limits sinken kontinuierlich, Claude Code wurde aus dem $20-Plan entfernt – alles deutet auf Compute-Engpässe hin.

  Fazit: ChatGPT 5.5 Codex ist jetzt die bessere Wahl für Coding. Der Sprecher betont, nicht an Firmen gebunden zu sein und sofort zu wechseln, sollte sich dies ändern. Ein Folgevideo zu Open-Source-Claude ist geplant.

  OpenAI (ChatGPT 5.5, Codex, Image-Gen-Modell), Anthropic (Claude, Opus 47), Linear — Demo/Review mit Advanced-Workflow-Fokus.

• 🔴LIVE: ChatGPT 5.5 is here. Does it beat Claude Opus 4.7?
  24.4.2026, 20:24:30

  Zusammenfassung: ChatGPT 5.5 vs. Claude Opus 4.7 – Live-Test

  Der Streamer führt umfangreiche Live-Tests durch, um ChatGPT 5.5 gegen Claude Opus zu vergleichen. Das Testformat besteht aus drei Teilen:

  Benchmark-Tests (sogenannte “Alex Finn Benchmarks”):

  1. 3D First-Person Shooter Test: ChatGPT 5.5 erreicht 9.1/10 – schlägt damit Opus’ bisherige Bestmarke von 9.0.
  2. Elon Dancing Test: ChatGPT 5.5 schneidet deutlich schlechter ab (ca. 7.8), während Opus 86/100 erzielte. Der Streamer kritisiert mangelnde Detailgenauigkeit.
  3. City Flythrough Test: ChatGPT 5.5 erreicht 7.5/10 (Opus: 83). Kritik: fehlende Fensterdetails in den Gebäuden.
  4. Music Visualizer Test: wird noch durchgeführt.

  AI Agent Olympics – Drei Konkurrenten erhalten die Aufgabe, ein komplexes Videospiel zu designen, zu bauen und ein Marketing-Poster zu erstellen:

  • OpenClaw mit Opus 4.7
  • OpenClaw mit ChatGPT 5.5
  • Hermes mit ChatGPT 5.5

  Ergebnis: Opus und ChatGPT 5.5 (jeweils OpenClaw) liefern hochwertige Poster und Spielideen ab; Hermes hinkt in der Kommunikation hinterher. Der Streamer erkennt ein leichtes Vorteil für Opus-Poster (minimalistisches Design), würde aber ein Unentschieden geben.

  Kritische Beobachtungen:

  • OpenClaw-Updates sind buggy und fehleranfällig; die Integration von ChatGPT 5.5 bereitet technische Probleme.
  • ChatGPT 5.5 ist bei reinen Code-Generierungstasks (“self-testing”) stärker als Claude.
  • Hermes zeigt Kommunikationsprobleme und wartet oft unklar auf Anweisungen.
  • ChatGPT 5.5 wird als “wordy” kritisiert, liefert aber teilweise bessere Grafikqualität.

  Fazit des Streams bisher: Knapp – ChatGPT 5.5 gewinnt den Shooter-Test deutlich, verliert aber beim Elon-Dance-Test massiv. In praktischer Agent-Nutzung bleibt Opus konkurrenzfähig.

  Tools erwähnt: OpenClaw, Hermes, Claude Opus, ChatGPT 5.5, Codeex (ChatGPT-App), DeepSeek V3 — Format: Live-Demo mit umfassenden technischen Tests und ehrlicher Kritik.

• The best Claude Design workflow you’ll ever see…
  22.4.2026, 22:12:45

  Claude Design + ChatGPT Workflow für professionelle App-Designs

  Der Creator präsentiert ein System, das zwei Tools kombiniert, um hochwertige App-Designs zu erstellen: ChatGPT’s neues Image-Gen-Modell für Exploration und Claude Design für die finale Umsetzung.

  Das Problem mit einzelnen Tools: Claude Design hat sehr niedrige Usage-Limits (nach 2–3 Designs ist das Wochenlimit aufgebraucht), während ChatGPT’s Image-Gen zwar unbegrenzte Möglichkeiten bietet, aber keine echten Design-Systeme erzeugt. Die Lösung: Explorations- und Experimentierphase in ChatGPT, finale Umsetzung in Claude Design.

  Der 8-Stufen-Prozess:

  ChatGPT-Phase (4 Stufen):

  1. Inspiration sammeln: Logos und Designs von Plattformen wie X heraussuchen und als Referenzen speichern (4–5 Stück ideal)
  2. Exploration: In ChatGPT beschreiben, was man baut (z.B. „AI-Agent, der Geschäfte aufbaut”), und das Image-Gen-Modell explizit auffordern, Logos zu generieren (z.B. mit Tiermotiven wie Oktopussen oder Eulen)
  3. Refinement: 5–6 Mal iterativ verfeinern – jeweils die bevorzugten Designs auswählen und um Variationen bitten, schrittweise näher an die finale Richtung kommen
  4. Branding-Guide & Prompt: ChatGPT ein finales Branding-Guide generieren lassen (mit Farben, Typografie, Merchandise) und einen strukturierten Prompt für Claude Design erstellen

  Claude Design-Phase (4 Stufen):

  1. Design System aufsetzen: Projektinfos eingeben (Name, Beschreibung, optional GitHub-Code, den ursprünglichen Chat-GPT-Prompt und die finalen Assets hochladen)
  2. System generieren: Claude erstellt ein umfassendes Design System mit Komponenten, Spacing, Farben, Typografie
  3. Review & Feedback: Die generierten Assets überprüfen und ggf. Korrektionen vornehmen
  4. Prototype bauen: Ein High-Fidelity-Prototype des Dashboards / der App-Oberfläche mit allen Assets erstellen und dann an Claude Code weitergeben

  Ergebnis: Statt experimentell Claude Design zu überlasten, nutzt man ChatGPT’s hohe Limits für kreative Exploration, bringt gefilterte Ergebnisse zu Claude, und erzielt professionelle, hochwertige Designs in 1–2 Turns statt vielen (spart Limits und Zeit).

  Tools/Anbieter: Claude Design, ChatGPT (Image Gen Model), Claude Code — Tutorial/Demo mit praktischer Durchführung eines kompletten Workflows.

• 🔴LIVE: OpenClaw 4.20 OUT!! Is ChatGPT finally better than Opus???
  22.4.2026, 20:19:39

  Zusammenfassung: OpenClaw 4.20 Live-Test – ChatGPT vs. Opus

  Der Streamer testet die neu veröffentlichte OpenClaw-Version 4.20 live und prüft, ob ChatGPT endlich brauchbar in OpenClaw geworden ist. Bisher war ChatGPT in OpenClaw nach eigener Aussage unbrauchbar – es blieb im Plan-Modus stecken und vollendete Aufgaben nicht, während Claude/Opus Aufgaben zuverlässig zu Ende brachte.

  Der Plan für den Live-Stream: Ein neuer OpenClaw-Agent namens Jason wird mit ChatGPT 5.4 via API verbunden und direkt neben Henry (mit Opus) getestet, um beide Modelle in verschiedenen Aufgaben zu vergleichen. Das Setup wird allerdings durch technische Probleme verzögert – Gateways hängen auf, und die Einrichtung mehrerer Agenten in OpenClaw erweist sich als fehleranfällig.

  Währenddessen präsentiert der Streamer zwei Logos für sein neues Projekt „Henry Intelligent Machines” (eine Agent-Swarm, für die er gerade Funding aufgenommen hat): Eine pixelierte Krake und mehrere Eule-Varianten. Der Chat ist gespalten – das Kraken-Logo wird wegen der Metapher der acht gleichzeitig arbeitenden Tentakel als Symbole für parallele Agenten gewählt, obwohl viele das Eule-Logo bevorzugen. Zwischendurch wird über die Vibe Coding Academy (1.500 Mitglieder), ein bevorstehendes Claude-Design-Tutorial und eine potenzielle Anschaffung eines 100.000-Dollar-ASUS-Supercomputers (mit GB300 Grace Blackwell Chip) diskutiert.

  Der Streamer kritisiert zudem die Kommunikationsschwächen von Anthropic – unklar bleiben die genauen Regeln für Claude Code, OpenClaw-Unterstützung und andere Policies, die einfach transparent gemacht werden sollten.

  Thematisierte AI-Modelle: Claude (Opus), ChatGPT, Claude Design (erwähnt als kommend); Format: Live-Stream (Demo/Vergleichstest mit viel Diskussion und Community-Interaction).

• OpenClaw Full Tutorial: Set up your first AI employee!
  21.4.2026, 01:05:23

  OpenClaw Full Tutorial: Set up your first AI employee

  Überblick: OpenClaw ist ein autonomer KI-Agent, der als persönlicher digitaler Mitarbeiter 24/7 auf dem eigenen Gerät läuft. Er unterscheidet sich von Alternativen durch seine Open-Source-Natur (Daten bleiben lokal), volle Anpassbarkeit und Modellflexibilität.

  Hardware & Hosting:

  • OpenClaw sollte NICHT auf einem VPS, sondern lokal auf einem beliebigen Gerät laufen – auch alte Laptops sind ausreichend
  • Mac Mini wird empfohlen, ist aber nicht zwingend nötig
  • Der Creator verwendet drei Mac Studios, zwei Mac Minis und einen DJX Spark, aber das ist optional
  • Empfehlung: Langsam skalieren, erst mit vorhandener Hardware starten

  Modellwahl (Brain & Muscle Approach):

  • Orchestrator (Brain): Claude Opus 4.7 – zuverlässigste Wahl für Agenten-Koordination über die API (trotz Anthropic-Einschränkungen für Subscriptions)
  • Coding (Muscle): ChatGPT 5.4
  • Research & Writing (Muscle): Gemini, Grok 2.6 oder andere günstige Modelle
  • Local Models: Qwen 3.6, GLM 5.1 – kostenlos, privat, ideal für repetitive Aufgaben wie Web-Scraping

  Kommunikation:

  • Telegram ist optimal: einfache Bot-Einrichtung, Gruppen-Chats mit separaten Topics für Kontextorganisation und Kostenersparnis
  • Discord für automatisierte Workflows, nicht für Haupt-Chats

  Persönliche Use-Cases entwickeln:

  1. Brain-Dump über sich selbst (Geschäfte, Metriken, Ziele)
  2. Ein Tag lang alle manuellen Computeraufgaben notieren
  3. OpenClaw fragen: „Welche Workflows könnten mir helfen?”

  Beispiel-Anwendungen des Creators:

  • Integration in Linear für automatisiertes Vibe Coding (Task-Assignment, Code-Generierung, PR-Erstellung)
  • Content-Scouting: Twitter/YouTube-Posts zu Trends monitoren, Scripts automatisch verfassen
  • Stock Research: tägliche Reports zu AI-Investitionsmöglichkeiten

  Multi-Agent-Ansatz:

  • OpenClaw und Hermes parallel nutzen – der Creator sieht beide als gleichwertig, unkritisiert, mit je eigenen Vorteilen
  • Vorteil: Einer repariert den anderen, wenn Updates Fehler verursachen
  • Hermes etwas schneller und ressourcenschonender, OpenClaw mit besserer Langzeit-Memory

  Mission Control:

  • Benutzerdefinierte Software-Plattform für eigene Tools und Workflows
  • Nicht einfach von anderen kopieren – sollte persönlich maßgeschneidert sein
  • OpenClaw kann neue Tools im Mission Control selbst bauen

  Sicherheit:

  • Hauptfaktor: Gutes Urteilsvermögen beim Formulieren von Prompts
  • OpenClaw tut nur, was man ihm sagt – nicht mehr, nicht weniger
  • Präzise Anweisungen und Überlegung von Konsequenzen sind entscheidend

  Thematisiert: OpenClaw (Open-Source Agent), Claude/Opus, ChatGPT, Gemini, Grok, lokale Modelle (Qwen, GLM), Hermes Agent, Claude Code, Linear, Discord, Telegram; Format: Tutorial mit Demo-Elementen und persönlichen Use-Cases.

Andrej Karpathy

Keine neuen Videos in diesem Zeitraum.

Bart Slodyczka (2 neues Videos)

• Claude Cowork + Ollama = 100% FREE & PRIVATE (Full Setup)
  25.4.2026, 11:55:24

  Das Video zeigt, wie man Cloud Co-work kostenlos und privat nutzen kann, indem man lokale AI-Modelle auf dem eigenen Computer verwendet oder auf Open Router zugreift, um Cloud-basierte Modelle zu nutzen. Der Autor demonstriert die Nutzung des Gemma 26B-Modells (18 GB, 256K Kontextfenster) und des kleineren Gemma E2B-Modells (7,2 GB). Für die lokale Nutzung wird Olama verwendet, um Modelle herunterzuladen und zu verwalten. Falls der Computer nicht leistungsstark genug ist, kann man Open Router nutzen, das Zugang zu hunderten AI-Modellen bietet, allerdings mit potenziellen Datenschutzbedenken. Der Autor zeigt, wie man die Claude Desktop App mit Olama und Tailscale verbindet, um eine sichere HTTPS-Verbindung herzustellen. Anschließend wird erklärt, wie man Skills, Connector und Plugins in Cloud Co-work einrichtet, einschließlich der Integration von Brave Web Search. Der Autor testet sowohl lokale als auch Cloud-basierte Modelle und stellt fest, dass Cloud-Modelle schneller sind, aber möglicherweise nicht so gut mit den Skills der App interagieren. Das Video ist für Intermediate-Nutzer geeignet und thematisiert Claude, Olama, Open Router, Tailscale, und spezifische Tools wie LM Studio.

• Full Tutorial: How To Automate 99% Of Your Work With Claude Cowork
  22.4.2026, 13:03:14

  Das Video zeigt, wie man Claude Co-work als virtuellen Assistenten nutzt, um 99% der Aufgaben zu automatisieren. Es beginnt mit der Installation der Desktop-App und der Auswahl eines bezahlten Plans, wobei die Pro-Monatsoption für 20 Dollar empfohlen wird. Der Nutzer wird durch die Funktionen der App geführt, einschließlich der Unterschiede zwischen Claude Chat, Claude Co-work und Claude Code. Claude Co-work kann auf lokale Dateien zugreifen, mit Excel- und Word-Dokumenten arbeiten, den Browser steuern und sich mit Tools wie Gmail oder ClickUp verbinden.

  Der Hauptfokus liegt darauf, wie man Claude Co-work effektiv nutzt, indem man die Art und Weise ändert, wie man mit ihm kommuniziert. Anstatt es als Chatbot zu betrachten, sollte man es als virtuellen Assistenten betrachten, der komplexe Aufgaben wie das Verfassen von E-Mails oder das Verwalten von Aufgaben in einem Task-Manager übernehmen kann. Der Nutzer wird angewiesen, Projekte und Aufgaben zu erstellen, wobei Projekte als Ordner auf dem Computer dienen, in denen alle Ressourcen und generierten Dateien gespeichert werden. Es wird betont, dass die Bereitstellung von Kontext und Hintergrundinformationen entscheidend ist, um die Effektivität des Assistenten zu steigern.

  Das Video zeigt auch, wie man Scheduled Tasks erstellt, um wiederholte Aufgaben zu automatisieren, wie z.B. die Suche nach den günstigsten Flügen und die Erfassung der Preise in einer Excel-Tabelle. Schließlich wird die Verwendung von Live Artifacts demonstriert, um Daten aus einer Excel-Tabelle in einem interaktiven Dashboard anzuzeigen.

  Schluss-Kommentar: Das Video thematisiert explizit Claude (Co-work, Chat, Code) und ist eher für Intermediate Nutzer gedacht.

Ben AI (1 neues Video)

• How to Use Claude Routines Better than 99% of People
  25.4.2026, 09:12:01

  Das Video erklärt die neuen Routinen-Funktion von Claude, die es ermöglicht, wiederkehrende Aufgaben zu automatisieren, ohne technische Expertise zu benötigen. Es werden drei Hauptbeispiele für Routinen gezeigt: eine tägliche Überprüfung von gescheiterten Kundenbezahlungen, die Erstellung personalisierter Angebote nach einem Verkaufsgespräch und eine Churn-Rückgewinnungsroutine. Die Routinen können entweder nach Zeitplan oder durch Ereignisse ausgelöst werden und laufen autonom in der Cloud. Der Aufbau einer Routine besteht aus vier Elementen: Prompt, Trigger, Repo und Files sowie Connectors. Es werden auch die aktuellen Einschränkungen der Routinen diskutiert, wie die begrenzte Anzahl an Webhook-Triggern und die Notwendigkeit, Dateien und Skills in einem GitHub-Repository zu speichern. Der Creator zeigt, wie man eine Routine von Grund auf einrichtet, einschließlich der Einrichtung eines GitHub-Repositories und der Verwendung von N8N, um die Routine bei einem bestimmten Ereignis auszulösen. Es wird betont, dass die Erstellung zuverlässiger Routinen die vorherige Erstellung und Testung von Skills erfordert.

  Das Video thematisiert explizit Claude, GitHub und N8N und ist eher für Intermediate Nutzer gedacht.

Brian Casel (1 neues Video)

• Where Claude Design actually fits
  24.4.2026, 12:00:29

  Das Video diskutiert die Eignung von Claude Design für reale Arbeitsprozesse bei der Entwicklung von Produkten. Der Autor testet das Tool anhand verschiedener Use Cases und kommt zu gemischten Ergebnissen.

  Zunächst wird die Nutzung von Claude Design für die Erstellung eines neuen T-Shirt-Marktplatzes demonstriert. Dabei wird ein hochwertiger Mock-up erstellt, der zwar ansprechend aussieht, aber in der Praxis schwer in bestehende Workflows zu integrieren ist. Die Exportfunktionen wie PDF, Canva, HTML oder die Übergabe an Claude Code werden als unzureichend für eine professionelle Produktentwicklung bewertet. Besonders kritisiert wird der fehlende Planungs- und Spezifikationsprozess, der für eine erfolgreiche Implementierung notwendig wäre.

  Ein weiterer Use Case ist die Erweiterung eines bestehenden Websites mit neuen Seiten oder Funktionen unter Beibehaltung des bestehenden Designsystems. Auch hier zeigt sich, dass Claude Design zwar ein Designsystem aus einem GitHub-Repository analysieren und erstellen kann, aber die Integration in die bestehende Codebase problematisch ist. Der Autor bevorzugt stattdessen die direkte Arbeit in Claude Code mit einem selbst erstellten Designsystem, das in die Codebase integriert ist.

  Als echte Durchbrüche sieht der Autor die Nutzung von Claude Design als visuelles Planungstool in der frühen Ideationsphase und für die Erstellung von Marketing-Assets. Für die Erstellung eines Metriken-Dashboards wird gezeigt, wie ein Mock-up in Claude Design erstellt und anschließend als Grundlage für eine detaillierte Produktplanung in Claude genutzt werden kann. Dies erleichtert insbesondere unerfahrenen Nutzern den Einstieg in die Produktentwicklung.

  Ein weiterer praktischer Anwendungsfall ist die Erstellung von animierten Videos und Präsentationen, die zum Markendesign passen. Hier bietet Claude Design spezifische Vorlagen für Animationen und Folien, die direkt genutzt werden können.

  Zusammenfassend wird Claude Design als nützlich für die frühe Planungsphase und die Erstellung von Marketing-Assets bewertet, aber nicht als vollständiges Tool für die Produktentwicklung von der Idee bis zum fertigen Produkt.

  Schluss-Kommentar: Das Video thematisiert explizit Claude Design und Claude Code und richtet sich an Intermediate-Nutzer, die bereits Erfahrung mit AI-Tools haben.

Coding with Lewis (1 neues Video)

• What a Billion Database Rows Look Like in Real Life
  24.4.2026, 15:10:21

  Das Video veranschaulicht die physische Größe von Datenbanken, indem es die Anzahl der Zeilen in Papierstapeln umrechnet. Es beginnt mit 50 Zeilen auf einem Blatt Papier und skaliert bis zu einer Milliarde Zeilen, die einem Stapel entspricht, der höher ist als jedes Gebäude in Kanada. Der Vergleich zeigt, dass eine Datenbank mit einer Million Zeilen etwa zwei Meter hoch ist, während eine Datenbank mit 100 Millionen Zeilen etwa so hoch wie der Eiffelturm wäre. Das Video erklärt auch, wie Datenbanken wie Postgres Indizes nutzen, um Daten schnell abzufragen, und vergleicht dies mit dem manuellen Durchsuchen von Papierstapeln. Es werden reale Beispiele wie Spotify, Uber und Facebook genannt, die täglich enorme Datenmengen generieren. Das Video betont die Effizienz von Datenbanken im Vergleich zu physischen Speichermedien und wirbt für Supabase als Plattform zur Nutzung von Postgres.

  Das Video thematisiert explizit Postgres und Supabase und ist eher für Intermediate und Advanced gedacht.

Cole Medin (4 neues Videos)

• Pushing My Dark Factory Further with Kimi K2.6: A Codebase That Writes Its Own Code, Live
  25.4.2026, 17:29:32

  Zusammenfassung: Pushing My Dark Factory Further with Kimi K2.6

  Der Stream zeigt eine Live-Session, in der der Creator sein „Dark Factory”-Projekt – ein Codebase, das sich selbst verwaltet – mit dem neuen Sprachmodell Kimi K2.6 aufrüstet.

  Setup und Motivation:

  Der Creator wechselt vom bisherigen Miniax M2.7 zu Kimi K2.6, weil letzteres in Benchmarks besser abschneidet und deutlich günstiger ist als Claude Opus oder GPT – etwa im Preis einer Claude-Haiku, aber mit besserer Performance. Mit Kimi K2.6 bekommt er eine Archon-basierte Workflow-Automation für ein RAG-AI-Tutor-System über YouTube-Inhalte.

  Dark Factory-Architektur:

  Das Projekt nutzt Archon, ein Open-Source-Workflow-Framework, um den gesamten Softwareentwicklungszyklus zu automatisieren. Es gibt spezialisierte Workflows für Issue-Triage, Planung+Implementierung+Validierung, Pull-Request-Reviews und wöchentliche Regressionstests mit Browser-Automation. Alles läuft auf einem Remote-VPS – Claude Code orchestriert lokal, während Archon die Remote-Workflows verwaltet.

  Live-Setup:

  Der Creator generiert eine Kimi-API und konfiguriert Claude Code mit einem Custom-Endpoint zur Nutzung des Kimi-Anthropic-kompatiblen API. Nach der Einrichtung erstellt er durch eine „Brain Dump” (gemeinsam mit Claude) GitHub-Issues für konkrete Probleme: zu viele zitierte Quellen (47 statt ~10), UI-Mängel im Admin-Panel, Modal-Layout-Probleme beim Video-Ansehen, fehlende Suchfunktion in der Video-Library, schlecht gestaltete Login-Seite, und unerwünschte „new conversation”-Einträge im Verlauf.

  Erste Ergebnisse:

  Die Archon-Triage-Workflow läuft sofort und etikettiert alle Issues korrekt (Feature vs. Bug, Priorität, Status „factory-accepted”). Der Creator stellt aber fest, dass die Kimi-Nutzungsmetriken nicht aktualisiert werden – möglicherweise nutzen die Workflows noch Miniax statt Kimi, weshalb er das loggen muss.

  Nebenthemen:

  Der Creator diskutiert Archon als Harness-Builder (nicht als Harness selbst), betont unter 5% Token-Overhead durch Archons Design, erklärt die Erlaubnis zur Nutzung der Anthropic-Subscription mit Claude Agent SDK in Archon, und zeigt Archon-Community-Projekte (z.B. Remotion von Hacker News für Video-Generierung). Archon ist kurz vor 20.000 GitHub-Stars.

  Das Format ist eine Live-Coding-Demo mit experimentellem Charakter – kein produktionsreifer Code-Ansatz, aber eine Exploration der Möglichkeiten moderner AI-Coding-Assistenten.

  Tools/Modelle: Kimi K2.6, Claude Code, Miniax M2.7 (vorher), Archon (Open-Source-Workflow-Framework), Claude Opus 4.7 als Vergleichspunkt — Demo/Live-Coding.

• Parallel Claude Code + Git Worktrees: This Setup Will Change How You Ship
  23.4.2026, 00:01:05

  Zusammenfassung: Parallel Claude Code + Git Worktrees

  Der Video präsentiert ein System für parallele agentengestützte Entwicklung mit bis zu 10x höherem Output. Die Strategie basiert auf fünf Säulen:

  Die fünf Säulen:

  1. Issue als Spezifikation: GitHub Issues oder Tickets dienen als strukturierte Eingabe für die Implementierung. Der Creator erstellt mehrere Issues in einem Batch und sendet dann jeden an einen separaten Agenten.
  1. & 3. Isolation durch Git Worktrees: Jeder Agent arbeitet in seinem eigenen Git Worktree (mit Claude Code möglich via claude -w [name]), sodass parallele Änderungen nicht in Konflikt geraten. Dies verhindert, dass Agenten sich gegenseitig überschreiben.
  1. Validierung in separatem Context Window: Der Agent reviewt seinen eigenen Code nicht in derselben Sitzung, wo er ihn geschrieben hat (zu viel Bias). Stattdessen wird ein neuer Context über einen review PR-Befehl geöffnet, der die Pull Request analysiert und Sub-Agenten für spezialisierte Checks einsetzt. Zusätzlich können externe Tools wie Codeex als zusätzliche Reviewer fungieren.
  1. Self-Healing Layer: Bugs führen nicht nur zu Fixes, sondern zum Verbessern der übergeordneten AI-Systeme (Regeln, Skills, Workflows, claude.md), damit ähnliche Fehler nicht erneut auftreten.

  Praktische Lösungen für Skalierungsprobleme:

  • Port-Konflikte: Ein Startup-Script weist jedem Worktree einen eindeutigen Port zu (z.B. basierend auf Worktree-Namen).
  • Abhängigkeitsinstallation: Node modules werden upfront installiert, nicht während der Agent-Session.
  • Datenbankisolation: Neon-Branches (oder SQLite pro Worktree) stellen sicher, dass parallele Datenbankänderungen nicht kollidieren – jeder Branch hat seine eigene Kopie der Daten.
  • Token-Effizienz: Modell-Switching (z.B. zu Haiku/Sonnet für günstige Tasks wie Code-Analyse) reduziert Kosten bei längeren Workflows.

  Der Workflow: Issue → parallel Planung in 5 Claude-Sessions → parallele Implementierung → Pull Requests → separate Reviews mit review PR → Merge. Das Repository mit Skripten und Beispielen dient als Blueprint für die Übernahme in eigene Systeme.

  AI-Tools: Claude Code, Codeex-Plugin, Neon (Datenbranching), Archon (erwähnte offene Harness-Builder); Format: Deep-Dive mit praktischer Demo.

• The AI Dark Factory is ALIVE: A Codebase That Writes Its Own Code, Live
  19.4.2026, 04:39:47

  The AI Dark Factory is ALIVE: A Codebase That Writes Its Own Code, Live

  Der Streamer zeigt die Dark Factory – ein selbstschreibendes Codesystem, das ohne manuellen Code-Review funktioniert. Das Projekt ist ein öffentliches Experiment, bei dem ein RAG-Chat-Interface über YouTube-Inhalte automatisch durch KI-Agenten erweitert wird.

  So funktioniert es: Issues werden als GitHub-Tickets eingereicht und triggern automatisierte Archon-Workflows auf einem VPS. Diese Workflows triagieren Issues (nach Priorität gruppieren), implementieren Fixes, validieren sie mit Browser-Automation und mergen autonome Pull Requests. Der gesamte Prozess läuft nach festen Schedules (derzeit alle 30 Minuten). Der Streamer selbst schreibt keine Code-Zeile und reviewed nichts – alles erfolgt über GitHub-Issues als Eingabeschnittstelle.

  Archon ist die Open-Source-Harness, die beliebige KI-Coding-Prozesse in YAML-Workflows packbar macht und diese parallel ausführen kann. Es abstrahiert die gesamte Orchestration weg.

  Kosten & Modelle: Der Streamer nutzt Miniax M2.7 über API (30¢ pro Million Input-Tokens), nicht die Anthropic-API, um Ratelimits zu vermeiden – bereits ~$55 spent für Millionen Tokens während des Testens. Er erwägt einen Miniax-Subscription (15.000 Model-Requests pro Stunde) und diskutiert Alternativen wie GLM 5.1, Qwen 3.6 und andere – alle trivial austauschbar via Env-Variablen ohne Code-Änderung.

  Validierung: Wöchentliche Regression-Testing-Workflows testen alle User-Journeys automatisiert und file neue Issues für gefundene Bugs – ein selbstverstärkender Loop.

  Konfiguration: Regeln für Triage und Prioritäten leben in einer factory-rules.md – der Streamer behält diese als Lever, um die Factory zu steuern, ohne einzelne Implementierungen zu reviewen.

  Praktische Demo: Der Streamer identifiziert UI-Bugs live (fehlende Vertikale-Zentrierung, fehlende Auto-Scroll, fehlende Auto-Naming von Chats), transkribiert diese verbal, Claude Code erstellt GitHub-Issues automatisch, der Orchestrator wird manuell getriggert, triage laufen, Workflows starten – Budget in Echtzeit sichtbar.

  Die Diskussion streift Enterprise-Adoption (langsam, viel Red Tape vs. Startup-Geschwindigkeit), Token-Verbrauch als Metrik und die These, dass echte Zuverlässigkeit noch Jahre entfernt ist – dies ist ein Experiment an den Grenzen, nicht Production-Standard.

  Abschluss: Der Streamer plant, auch an Archon selbst live zu arbeiten, etwa um Workflows zur Issue-Replikation zu bauen, und erwägt, die Dark Factory auf mehrere Modelle zu testen.

  Tools & Kontext: Miniax M2.7 via API, Claude Code mit Archon-Skill, GitHub CLI/Issues, Browser-Automation – Deep-Dive-Demo mit Meinung zu Hype und Enterprise-Realität.

• Pi Coding Agent + Archon: Build ANY AI Coding Workflow (No Claude Code Bloat)
  20.4.2026, 21:00:28

  Das Video stellt Pi vor, einen minimalistischen Open-Source-Coding-Agent, der als Gegenpol zu Claude Code konzipiert ist. Claude Code wurde initial mit dem Versprechen der Einfachheit gestartet, ist aber nach zahlreichen Feature-Updates mittlerweile aufgebläht, buggy und schwer zu kontrollieren—besonders da sich der System Prompt ständig ändert. Pi dagegen verfolgt das Prinzip: eine kleine, unbloated Kernbasis schaffen und dann leicht erweiterbar machen. Anstatt Features Hart in den Agent zu bauen, kann man Pi einfach bitten, neue Features selbst in sich einzubauen; der Agent modifiziert sich quasi selbst. Es gibt eine Erweiterungs-Ökosystem mit Skills, Prompts, Themes und Extensions, die man mit einem Befehl hinzufügen kann—oder eigene bauen.

  Pi unterstützt jedes große Sprachmodell (GPT, Gemini, Mistral, Grok, etc.) und wird mit einem simplen npm-Befehl installiert. Danach nur /login für API-Konfiguration und /model zur Modellwahl—fertig.

  Der eigentliche Fokus liegt auf Archon + Pi: Archon ist ein Harness-Builder für AI-Coding-Workflows, mit dem man komplexe Agentic-Engineering-Prozesse in wiederverwendbaren, parallelen Workflows packt. Nach Claude und Codecs wurde Pi als dritter unterstützter Agent hinzugefügt. Der Sprecher zeigt einen Plan-Implement-Validate-Workflow mit Pis Planotator-Erweiterung: Bei der Planung erstellt Pi ein interaktiv bearbeitbares Markdown-Dokument auf einer Website, wo man inline Feedback geben kann. Das Feedback wird automatisch adressiert, ohne separate Kontextwechsel. Danach geht der Workflow in Implementation (mit verschiedenen Providern Mix-and-matchbar) und Validation über.

  In der Live-Demo bauen sie damit einen Light/Dark-Theme-Toggle für eine GitHub-Issue-Triage-App: Clarifying Questions → Planotator-Plan-Review mit inline Feedback-Iteration → Implementation → Validation. Der finale Toggle funktioniert im Browser, inklusive Browser-Automation-Testing mit dem Agent Browser CLI.

  Explizite Tools/Anbieter: Pi (Open-Source), Archon (Open-Source Harness Builder), Claude Code, Codecs (OpenAI), Anthropic, Gemini, Agent Browser CLI, Planotator-Erweiterung — Demo mit praktischer Workflow-Implementierung.

Datapizza (1 neues Video)

• CLAUDE DESIGN e OPUS 4.7: che ne pensiamo?
  21.4.2026, 16:00:00

  Claude Design e Opus 4.7: Insieme espandono l’ecosistema Antropic

  Antropic ha avuto una settimana particolarmente intensa: il 16 aprile ha lanciato Opus 4.7, la nuova versione del suo modello di punta, ottimizzata per workflow agentici e software engineering. Rispetto a Opus 4.6, il modello migliora nella comprensione delle istruzioni, nella visione e nella gestione della memoria persistente, permettendo di portare avanti task complessi di lunga durata con maggiore autonomia. Tuttavia, è emerso un problema: nonostante Antropic prometta miglioramenti nell’instruction following, nei test il modello ha ignorato vincoli espliciti mentre creava soluzioni. Una novità apprezzata è il supporto per immagini ad alta risoluzione, utile per analizzare diagrammi densi e grafici complessi. Il nuovo tokenizer di Opus 4.7 genera significativamente più token rispetto a Opus 4.6 (49 token di input vs. 37 nel modello precedente) e anche rispetto a GPT: questo aumenta i costi ma migliora la granularità e la robustezza nella gestione di parole rare. Antropic ha anche aggiunto una nuova funzionalità di ragionamento intermedia tra il livello standard e il massimo, per bilanciare profondità di analisi e latenza. È stata migliorata anche la funzione di controllo remoto.

  Claude Design, annunciato nella stessa settimana, è uno strumento in beta per creare interfacce front-end (applicazioni mobili, siti, presentazioni). È stato testato con successo per creare un’applicazione di prenotazione per uno studio osteopatico: il modello ha generato un’interfaccia minimalista e coerente con il logo e gli asset forniti. Claude Design permette di esportare in HTML, PowerPoint, PDF e Cursor Code, integrando senza soluzione di continuità il design con lo sviluppo backend in Cursor Code. Una caratteristica utile è che il tool pone automaticamente domande di clarificazione prima di iniziare il lavoro, tecnica simile al brainstorming guidato, riducendo la distanza tra ciò che l’utente immagina e l’output finale. È apprezzato anche per aver separato l’utilizzo di Claude Design da quello standard, evitando di impattare i token budget settimanali degli utenti. Antropic continua a consolidare l’integrazione nativa nei sistemi enterprise e l’harness (integrazione complessiva) dei suoi strumenti.

  Nel campo della cybersecurity, Antropic continua il progetto Glasswing, mettendo a disposizione di professionisti della sicurezza una preview di Claude Mutos per individuare vulnerabilità in software critici (sistemi sanitari, bancari). Il modello ha già scoperto bug latenti da anni. OpenAI ha risposto con il lancio di GPT 5.4 Cyber, una variante del modello 5.4 dedicata alla sicurezza difensiva, con soglie di restrizione ridotte per richieste di sicurezza legittime. OpenAI ha formalizzato una strategia in due assi: l’espansione del programma TAC (Trusted Access for Cyber) e il lancio di questo modello. L’approccio di OpenAI sposta il focus da audit periodici a un monitoraggio continuo in tempo reale, validando vulnerabilità e proponendo correzioni mentre il codice viene scritto. Tuttavia, rimangono criticità: OpenAI può limitare o revocare l’accesso tramite piattaforme terze se manca visibilità sul contesto d’uso, e persiste la tensione tra l’apertura dichiarata e il controllo effettivo. Nel breve termine (3 mesi) è probabile che modelli simili compariranno in open source su Hugging Face, con implicazioni sia positive (prevenzione delle falle) che negative (sfruttamento da attori malevoli).

  Lo Stanford AI Index Report traccia l’adozione globale dell’IA dal 2017 ad oggi. L’IA generativa ha raggiunto il 53% di adozione globale in soli 3 anni, un ritmo superiore a internet e ai personal computer. Tuttavia, la distribuzione è disomogenea: Singapore e Emirati Arabi superano il 60%, mentre gli USA si fermano al 30%, contrariamente alle aspettative considerando gli investimenti americani dominanti. Un dato sorprendente: il flusso di ricercatori verso gli Stati Uniti è crollato dell’89% dal 2017, suggerendo una perdita di terreno nell’attrazione dei talenti nonostante la leadership negli investimenti privati. Un aspetto paradossale evidenziato nel report: i modelli vincono le Olimpiadi della matematica ma non sanno dire l’ora — ciò riflette la necessità di agenzia per accedere a strumenti esterni. Sul fronte trasparenza, il Foundational Model Transparency Index ha registrato un crollo: i modelli sono più potenti ma meno governabili perché non sappiamo tracciare esattamente l’origine degli output. Un dato critico riguarda le aspettative globali su posti di lavoro: Nigeria, Messico e Giappone vedono creazione di posti di lavoro, mentre l’Italia ha il sentiment più negativo — il 59% crede che l’IA eliminerà posti di lavoro e distruggerà aziende. Questo suggerisce una necessità urgente di adozione (non solo formazione): guidare le organizzazioni e le persone a capire come usare bene l’IA per ottenere benefici reali.

  Flash news finali: Qwen 3.6 è il nuovo modello del momento su Hugging Face, già confrontato favorevolmente con Opus 4.7. Google investe 2 milioni di dollari in Italia con il progetto “AI Works for Italy”, formando studenti universitari presso atenei pilota (Roma 3, Università di Salerno, Università di Sassari) in competenze AI riconosciute come necessarie nel mercato del lavoro.

  Modelli e tool citati: Opus 4.7, Claude Design, Claude Mutos, GPT 5.4 Cyber, Qwen 3.6, Cursor Code — Formato: Meinung/Reflexion con News-Roundup.

Dave Ebbelaar (1 neues Video)

• Programming Has Changed – Here’s What I Focus On Now
  23.4.2026, 18:05:51

  Das Video diskutiert die Zukunft der Tech-Jobs und die Relevanz der aktuellen Fähigkeiten in einem sich schnell entwickelnden Umfeld, insbesondere im Zusammenhang mit künstlicher Intelligenz (KI). Der Sprecher betont, dass Software-Engineers, KI-Engineers und Data Scientists weiterhin benötigt werden, jedoch werden sich die Anforderungen und Arbeitsweisen ändern. Er stellt drei Konzepte vor, die die Nutzung von KI in Unternehmen beschreiben: KI-enabled, KI-first und KI-native.

  1. KI-enabled: Unternehmen nutzen KI-Tools, um die Effizienz der Mitarbeiter zu steigern, ohne grundlegend neue Prozesse zu etablieren.
  2. KI-first: Unternehmen optimieren ihre Prozesse und Systeme um KI herum, wobei KI-Agenten eine zentrale Rolle spielen.
  3. KI-native: Unternehmen werden von Grund auf mit KI-Agenten entwickelt, wobei menschliche Eingriffe minimiert werden.

  Der Sprecher rät, sich auf die Fähigkeit zu konzentrieren, Unternehmen dabei zu helfen, von KI-enabled zu KI-first und schließlich zu KI-native zu werden. Dies erfordert ein breites Wissen über den gesamten Technologie-Stack (Full-Stack-Fähigkeiten) sowie die Fähigkeit, Geschäftsprozesse zu analysieren und zu automatisieren. Er betont die Bedeutung, nicht nur technische Fähigkeiten zu besitzen, sondern auch in der Lage zu sein, Geschäftsprozesse zu identifizieren und zu optimieren, die für Automatisierung geeignet sind.

  Der Sprecher sieht die Zukunft der Tech-Jobs in der Fähigkeit, End-to-End-KI-Automatisierungen zu entwickeln und Unternehmen bei der Umstellung auf KI-gesteuerte Prozesse zu unterstützen. Er empfiehlt, sich als Freelancer oder Berater zu positionieren, um kleinen und großen Unternehmen bei der Implementierung von KI-Lösungen zu helfen.

  Schluss-Kommentar: Das Video thematisiert allgemeine KI-Entwicklungen und ist eher für Intermediate und Advanced Tech-Professionals gedacht.

David Shapiro (3 neues Videos)

• Techno-feudalists hate UBI
  23.4.2026, 16:55:48

  Das Video diskutiert die Haltung der sogenannten “Tech Right” gegenüber dem bedingungslosen Grundeinkommen (UBI) und stellt deren Argumente gegen UBI vor, um sie anschließend zu widerlegen. Die “Tech Right” wird als eine Gruppe von Silicon-Valley-Typen beschrieben, die oft Venture Capitalists oder Gründer sind und tendenziell pro-MAGA, pro-Trump und pro-militärisch-industrieller Komplex sind. Bekannte Vertreter sind Mark Andreessen und Gil Verdon.

  Die Hauptargumente der Tech Right gegen UBI sind:

  1. UBI flacht Anreizgradienten ab, was die Motivation für große Ziele reduziert.
  2. UBI verhindert die Maximierung der Entropieerzeugung, also die Schaffung nützlicher neuer Informationen.
  3. UBI behindert den Aufstieg der Zivilisation auf der Kardaschow-Skala.
  4. UBI führt zu Abhängigkeit vom Staat und ist daher schädlich.

  Der Autor widerlegt diese Argumente wie folgt:

  1. Viele der größten Entropieerzeuger der Geschichte, wie Bill Gates, Steve Jobs und Charles Darwin, hatten finanzielle Sicherheit, die ihnen Raum für Kreativität und Innovation gab.
  2. UBI ist nicht hoch genug, um Anreize für zusätzliche Arbeit zu zerstören, und bietet immer noch genug Anreiz, mehr zu verdienen.
  3. UBI fördert den Aufstieg auf der Kardaschow-Skala, indem es die Nachfrage erhöht und somit die Innovation und Energieerzeugung anregt.

  Zudem kritisiert der Autor die philosophischen und moralischen Argumente von Mark Andreessen, die auf dem protestantischen Arbeitsethos basieren und die Notwendigkeit von Arbeit betonen, ohne die negativen Aspekte von Lohnsklaverei zu berücksichtigen.

  Das Video thematisiert explizit die Meinungen von Mark Andreessen und Gil Verdon und ist eher für Intermediate und Advanced gedacht.

• Why chatbots always get worse
  21.4.2026, 11:38:31

  Das Video diskutiert die Unzufriedenheit der Nutzer mit aktuellen Chatbots, insbesondere mit Anthropics Opus 4.7, und vergleicht die Probleme mit denen von sozialen Medien. Der Autor argumentiert, dass ähnliche Anreizstrukturen wie bei sozialen Medien auch bei Chatbots zu einer Verschlechterung der Nutzererfahrung führen. Drei Hauptanreizstrukturen werden identifiziert: Kostenkontrolle, Vermeidung von Klagen und Nutzerfreundlichkeit. Diese führen dazu, dass Chatbots weniger emotional intelligent und oft nervig oder überkritisch wirken. Der Autor vergleicht dies mit der “Shitification” von Technologien, bei der diese im Laufe der Zeit schlechter werden, und argumentiert, dass die Nutzer selbst oft der schwächste Link sind, was die Probleme verschärft. Er schließt mit der Feststellung, dass die Unternehmen diese Probleme besser lösen könnten, aber bisher nicht die richtigen Anpassungen vornehmen.

  Das Video thematisiert explizit Anthropic, OpenAI und Gemini und ist eher für Intermediate oder Advanced Nutzer gedacht.

• What is going on with AI?
  20.4.2026, 11:15:34

  Das Video diskutiert zwei Hauptthemen: die Investitionen in Datenzentren für KI und die Kritik von Cal Newport an der KI-Entwicklung.

  Zum ersten Thema erklärt der Sprecher, dass der Ausbau von Datenzentren das zweitgrößte Megaprojekt der Geschichte nach dem Marshall-Plan ist und dass es sich um ein privates, nicht staatlich gefördertes Projekt handelt. Er argumentiert, dass Datenzentren langlebige Vermögenswerte sind, die über Jahrzehnte hinweg wertvoll bleiben, und vergleicht sie mit anderen großen Infrastrukturprojekten wie dem Eisenbahnbau und dem Internetausbau. Er weist auch darauf hin, dass die Kritik an Datenzentren oft auf Missverständnissen oder veralteten Informationen beruht und dass lokale Vorschriften zur Regulierung von Lärm und Umweltauswirkungen beitragen können.

  Zum zweiten Thema kritisiert der Sprecher Cal Newport, einen bekannten Tech-Autor, der die KI-Entwicklung skeptisch sieht. Der Sprecher argumentiert, dass Newports Kritik oft auf veralteten Studien und einem Mangel an praktischer Erfahrung in der Industrie beruht. Er betont, dass viele akademische Studien zu KI veraltet sind und nicht die neuesten Fortschritte widerspiegeln, und dass die Geschwindigkeit der KI-Entwicklung die langsame Natur der akademischen Forschung überholt. Er schließt mit der Feststellung, dass Menschen, die sich über soziale Medien und YouTube über KI informieren, oft besser informiert sind als diejenigen, die sich auf akademische Publikationen verlassen.

  Das Video thematisiert explizit keine spezifischen AI-Tools/Modelle/Anbieter und ist eher für Intermediate und Advanced gedacht.

DevExpert – IA para Desarrolladores (1 neues Video)

• Qwen 3.6 en local a prueba: ¿Supera a Gemma 4?
  23.4.2026, 15:00:08

  Zusammenfassung: Qwen 3.6 lokal im Test gegen Gemma 4

  Der Autor vergleicht das neu erschienene Qwen 3.6-Modell (35 Milliarden Parameter, 3 Milliarden aktiv) mit dem in der Vorwoche getesteten Gemma 4, wobei beide auf lokalen Maschinen mit mindestens 32 GB RAM laufen. Das Video dokumentiert eine Reihe von Testaufgaben:

  Grundlegende Aufgaben: Qwen 3.6 erreicht etwa 65 Token pro Sekunde und fasst Videotranskripte prägnant zusammen – mit überraschend guter Formatierung als Tabelle. Bei der Extraktion von YouTube-Kapitelmarken aus Transkripten gelingt es dem Modell perfekt, alle Zeitstempel exakt korrekt zu platzieren.

  Agentische Aufgaben: Das Modell lädt erfolgreich YouTube-Videos herunter, transkribiert sie mit Whisper und erstellt Zusammenfassungen. Bei der Erstellung von Social-Media-Posts mit Bildgenerierung zeigt sich jedoch eine Schwäche: Es programmiert die Publikationen für den falschen Tag (morgen statt heute), obwohl es Zeitzonen korrekt erkennt. Es zählt korrekt Emails in der Inbox auf (ohne Inhalte preiszugeben).

  Visionen: Bei der Bildanalyse – eine neue Testaufgabe – übertrifft Qwen 3.6 Gemma 4 deutlich. Es erkennt detailliert Comic-Szenen mit Text, Charakterausdrücken und Objekten, während Gemma 4 grobe Fehler macht (erfindet Details wie eine Zauberstab).

  Programmierung: Das ist die größte Überraschung. Qwen 3.6 generiert eine funktionierende YouTube-Thumbnail-Generator-Web-App mit Tests, bestandsener Kompilierung und verbessertem UI-Design – etwas, das Gemma 4 nicht schaffte. Der Code ist strukturiert in Komponenten und Services; die Integration mit der API-Dokumentation gelingt teilweise, scheitert aber noch bei korrekter API-Fehlerbehandlung.

  Fazit: Qwen 3.6 leistet qualitativ bessere Arbeit als Gemma 4, besonders bei visuellen Aufgaben und Entwicklung. Gemma 4 ist allerdings 9 Milliarden Parameter kleiner. Der Autor betont, dass auch Qwen 3.6 noch klein ist und die Fähigkeiten großer Cloud-Modelle nicht erreicht – aber für lokale Alltagsaufgaben und Offline-Nutzung völlig ausreichend ist.

  Demo-Video mit Fokus auf Qwen 3.6 gegen Gemma 4 (letzteres als Vergleich), kein spezifischer KI-Anbieter wie OpenAI/Anthropic thematisiert, sondern lokale Open-Source-Modelle.

Everlast AI (3 neues Videos)

• BCI-Erfinder warnt vor Musk: „Neuralink ist brandgefährlich!” Das ist die Wahrheit (Niels Birbaumer)
  23.4.2026, 15:15:00

  Zusammenfassung: BCI-Erfinder warnt vor Musk – Brain-Computer-Interfaces zwischen Medizin und Risiko

  Niels Birbaumer, einer der weltweit führenden BCI-Forscher, warnt in diesem Gespräch vor unkontrollierter Anwendung von Brain-Computer-Interfaces, insbesondere vor Musks Neuralink. Seine zentrale These: BCIs sind medizinisch wertvoll für schwerstkranke Menschen wie ALS-Patienten, aber brandgefährlich für Massenmarkt und Enhancement.

  Funktionsweise und Geschichte: Birbaumer erklärt, dass BCIs funktionieren, indem Patienten lernen, ihre Hirnströme willentlich zu steuern – ähnlich wie Radfahren lernen. 1996 ermöglichte er dem ALS-Patienten Hans Peter Salzmann, den weltweit ersten per Gedankenkraft verfassten Brief zu schreiben. 2022 folgte ein Durchbruch: Ein vollständig gelähmer Patient buchstabierte mit invasiven Elektroden ganze Sätze – etwa eine Minute pro Buchstabe – und bat um Güllasch und Zeit mit seinem Sohn.

  Invasiv vs. nicht-invasiv: Nicht-invasive Methoden (EEG, Nahinfrarotspektroskopie) funktionieren begrenzt – nur Ja/Nein-Antworten und mühsame Buchstabenwahl. Nach 20–30 Jahren Forschung musste Birbaumer zugeben, dass sie für flüssige Kommunikation nicht ausreichen. Invasive Verfahren mit Elektroden im Gehirn funktionieren deutlich besser, erfordern aber operative Eingriffe und bergen Infektionsrisiken.

  Kritik an Neuralink: Birbaumer bezweifelt den praktischen Nutzen von Musks Tausenden dünner Elektroden. Mit wenigen Standardelektroden funktioniere es besser. Neuralink sei wirtschaftlich nicht sinnvoll, da es zu wenige ALS-Patienten gibt, die sich implantieren lassen – Musk müsse also auf gesunde Menschen abzielen, was Birbaumer für „hochgradig problematisch” hält. Eine E-Mail an Musk mit Warnung blieb unbeantwortet.

  Das Oblomoff-Szenario: Birbaumer nennt die Gefahr der „Oblomorphisation” – Menschen könnten im Bett bleiben und ihr ganzes Leben per Gedankenkraft steuern (Amazon-Bestellung per Hirn, etc.). Die Schäden durch BCIs bei gesunden Menschen würden „noch viel dramatischer” ausfallen als bei Smartphones, da direkt Hirnstrukturen beeinflusst werden. Bei Kindern besonders gefährlich: Das Gehirn würde elektrisch manipuliert, ohne dass man die Langzeitfolgen kennt.

  Ethisches Plädoyer: Birbaumer fordert eine strikte rechtliche Beschränkung auf schwerstkranke Menschen – ähnlich wie bei Opiaten nur auf ärztliche Verschreibung durch qualifizierte Neurowerissenschaftler. Dies ist jedoch unrealistisch: „Ich kann das genauso gut in den Wind reden.” Während Neuralink in den USA läuft, gibt es in Europa für ALS-Patienten derzeit kaum Hilfe – Birbaumer ist einer der wenigen, der weiß, wie man ihnen helfen könnte.

  Medizinische Anwendungsgebiete (erforscht): Epilepsie (bei 30 % medikamentenresistenter Patienten etwa ein Drittel anfallsfrei), Schlaganfall (nicht-invasive Methoden ermöglichten nach 20 Stunden Training wieder Handbewegungen), Depression, ADS – alle ohne riskante Medikamente. Aber: Nur bei schwerstkranken Menschen wirtschaftlich und ethisch vertretbar.

  Künstliche Intelligenz in BCIs: AI ist unverzichtbar – Algorithmen (Support-Vector-Machines) lernen nach ~20 Stunden, was „Ja” vs. „Nein” im Hirnstrom bedeutet, geben sofortige Rückmeldung. Mit großen Datenmengen (einige Tausend Patienten genügen) könnten zentrale Gedankenmuster gespeichert werden – Training würde viel schneller gehen.

  Bidirektionalität und Manipulation: BCIs lesen nicht nur Gedanken aus, sondern können auch elektrische Reize ins Gehirn schreiben (seit 50+ Jahren bekannt aus Parkinson-Behandlung). Mit Tausenden Elektroden wird Gedankenmanipulation „praktisch unbegrenzt” – ethisch hochproblematisch.

  Bewegung und Denken: Nach Aristoteles gilt: „Denken kommt von der Bewegung, nicht umgekehrt.” Ohne Bewegungserfahrung von Geburt an – auch intrauterin – entwickelt sich Denken nicht normal. Für AGI benötigen KI-Systeme daher echte Roboterkörper mit Rückmeldung, sonst lernen sie nicht wie Menschen.

  Fruchtfliegen-Connectom: Die 2025er Studie, die ein Fruchtfliegengehirn digital nachgebildet hat und das Tier sich bewegt/navigiert/frisst, ist plausibel – assoziatives Lernen via synaptische Verstärkung (Hebb-Regel, McLelland/Rumelhart 1980er) ist die Basis neuronaler Netze und der Evolution.

  Krionik: Birbaumer ist skeptisch, aber nicht ablehnend. Wenn Schweinegehirne vollständig konserviert werden können, werde es bei Menschen auch funktionieren. Aber: Ob es nützlich ist, dass Menschen ewig leben, steht infrage – eine Frage, die „meistens zu spät” gestellt wird.

  Persönlicher Hintergrund: Der ehemalige Wiener Jugendbandenchef wurde durch seinen Lehrer, einen Miterfinder des EEG, inspiriert, das Gehirn als Sitz der Seele zu erforschen. Später behandelte er Angst- und Epilepsie-Patienten durch Neurofeedback, woraus die BCI-Forschung entstand.

  Birbaumer betont: Die Technologie funktioniert, aber ein ausgebildeter, psychologisch geschulter Mensch ist derzeit unverzichtbar – nicht nur die Hardware. In 10 Jahren könnte Heimtraining möglich sein. Hauptwarnung: „Jetzt gibt es noch die Chance, fundiert nachzudenken. In spätestens 50 Jahren ist die Brühe gekocht.”

  Thematisierte Tools/Anbieter: Neuralink (kritisiert), chinesische BCI-Systeme (unkritisch erwähnt), ChatGPT (als Datenspeicher-Beispiel). Format: Tiefgehendes Interview-Format mit Reflexion und Warnung; Niveau: Wissenschaftlich fundiert, für informierte Zuschauer, nicht für blutige Anfänger.

• n8n ist tot: Lerne jetzt ALLES über Agentic Workflows! (Agentic Coding Grundkurs 2026)
  21.4.2026, 15:00:00

  Zusammenfassung: n8n ist tot – Agentic Workflows Grundkurs 2026

  Der Kurs behandelt den fundamentalen Wandel in der Softwareentwicklung seit Ende 2025: Der Übergang von klassischen Workflow-Automatisierungen zu echten KI-Agenten mit Agentic Workflows. Der Referent Leonard von Everlas AI positioniert dies als Paradigmenwechsel, der den Beruf des Programmierers radikal verändert.

  Kernthesen:

  • Alte Welt: Workflow-Tools wie n8n erfordern manuelle Knoten-Verkettung; die KI ist nur ein intelligenter Baustein in einem dummen System
  • Neue Welt: Echte Agenten steuern ihren Prozess selbst – sie lesen, entscheiden, führen aus, bewerten Ergebnisse und korrigieren sich selbst in Schleifen (Agent Loops)

  Unterschied Agent Loops vs. Agent Harnesses:

  Agent Loops sind die Schleifen-Mechanik, bei der ein Agent iterativ arbeitet, bis ein Ziel erreicht ist. Agent Harnesses ermöglichen Gedächtnis über Sessions hinweg durch strukturierte Dateien (Git-History, Markdown) – wie ein Ingenieur, der morgens Übergabenotizen liest.

  Beispiel Auto Research: Ein 630-Zeilen-Python-Code führte 700 Experimente in zwei Tagen durch und fand 20 Optimierungen, die Menschen übersehen hatten – zeigt die autonom-iterative Kraft echter Agenten.

  Toollandschaft (alt vs. neu):

  • Alt: n8n, Make, Airtable – für deterministische Automationen noch sinnvoll
  • Neu – IDE-basiert: Cursor, Windsurf, Antigravity (grafische Oberflächen mit KI-Hilfe)
  • Neu – CLI-basiert: Claude Code, OpenAI Codex, Gemini CLI (direkt im Terminal, tokeneffizient, systemweit mächtig)

  Claude Code wurde in einer Umfrage mit 46% „Most Loved” als beliebtestes Coding-Tool bewertet. Die beste Kombination: Cursor für schnelle Inline-Edits + Claude Code im Terminal für Architektur und Debugging.

  MCPs (Model Context Protocol) – differenziert:

  MCPs bleiben als standardisierte Schnittstelle relevant, aber die praktische Arbeit verschiebt sich zu CLI-basierten Befehlen (Bash), da diese tokeneffizienter sind. Die CLI ist für Agenten optimiert, MCPs für explorative Automation.

  Praktische Umsetzung:

  1. IDE-Grundlagen: Terminal, File Explorer, Editor Panel – moderne IDEs wie VS Code oder Antigravity bündeln alle Tools
  2. Leadscoring-Workflow: Claude Code generiert ein deterministisches Python-Script mit festdefinierten Bewertungskriterien, statt nichtdeterministische LM-Abfragen
  3. SEO-Blogpost-Automation: Statt manueller n8n-Knoten (HTTP-Requests, Google API, Conditional Logic) – Claude erstellt autonomen Workflow: Python-Script prüft YouTube-Kanal täglich, ruft Claude-Agent auf, nutzt vorhandenen Blogpost-Skill, speichert fertige Posts

  Transformation:

  • Lowcode-Plattformen verlieren (Uipath: 82% Marktkapitalisierung-Rückgang)
  • Das Pendel schwingt zu Code zurück, aber ohne alte Nachteile (statt Code schreiben selbst: natürlichsprachige Anweisung an Agent)
  • Software-UIs verschwinden nicht, sondern werden anders genutzt – Agenten präsentieren Ergebnisse, Menschen behalten Kontroll-UI

  Geschäftliche Implikationen:

  Steve Yi prognostiziert eine neue Klasse von 100x–1000x-Ingenieuren (Menschen, die Coding Agents effektiv nutzen) und dass große Unternehmen möglicherweise die Hälfte ihrer Developer entlassen könnten, um die andere Hälfte mit KI-Tools auszustatten. Innovation verlagert sich zu kleinen 3er-Teams oder Solo-Entwicklern mit Agenten-Unterstützung. Dem Video fehlte ein vollständiger Transcript, Zusammenfassung basiert auf verfügbaren Teilen.

  Explizit genannte Tools/Modelle: Claude Code, Cursor, Antigravity, Windsurf, OpenAI Codex, Gemini CLI, n8n, Make, VS Code, Antigravity, Playwright; teilweise Anthropic, OpenAI, Google erwähnt. Format: Deep-Dive / Tutorial-Hybrid. Niveau: Für absolute Anfänger aufbereitet, aber auch Entwickler-Tiefe.

• Opus 4.7: Ist es VORBEI für Claude? Anthropics Krise, Codex-Updates, GPT-Rosalind & mehr KI-News
  19.4.2026, 08:21:00

  Opus 4.7: Beeindruckende Benchmarks, versteckte Probleme

  Anthropics neues Modell Opus 4.7 zeigt in Coding-Benchmarks starke Verbesserungen (SBCH Verified: 80,8% → 87,6%), bietet ein neues Reasoning-Level „X High”, ein verfeinertes Tokenizer-System und ein 1-Million-Token-Kontextfenster zum gleichen Listenpreis wie 4.6. Doch mehrere Faktoren enthüllen ein tieferes Problem: Der neue Tokenizer verbraucht bis zu 1,3x mehr Input-Token pro Aufgabe, wodurch effektive Kosten um 10–40% steigen, obwohl die offizielle Preisgestaltung unverändert bleibt. Gleichzeitig wurde das Extended Thinking-Modell durch „Adaptive Thinking” ersetzt, standardmäßig auf „Extra High” eingestellt – beides vergrößert den Token-Verbrauch zusätzlich.

  Rückgänge in der Praxis und Hinweise auf bewusstes Downgrading

  Unabhängige Daten deuten auf Leistungsabfälle hin: Stella Laurenzo (Senior Director AI, AMD) dokumentierte 6.852 Claude-Sessions und beobachtete, dass die Thinking-Länge um 73% schrumpfte, die Zahl der gelesenen Dateien von 6,6% auf 2% fiel und „Ask for Permission”-Unterbrechungen von quasi 0 auf 43 pro Tag stiegen. Der Margin Lab Benchmark zeigt einen Rückgang der Passrate von 56% auf 50% in den letzten Wochen. Anthropic räumte selbst ein, den Standard Effort Level von „Extra High” auf „Medium” heruntergefahren zu haben – „um Token zu sparen” – ohne öffentliche Erklärung. Reddit-Nutzer berichten, dass Opus 4.7 Nutzerpräferenzen ignoriert, lange moralische Rechtfertigungen abgibt statt Aufgaben zu lösen, und konfabuliert durchgeführte Web-Suchen.

  Die Compute-Krise hinter den Kulissen

  Der Kern des Problems: Anthropic hat nicht genug Rechenkapazität. Während der annualisierte Umsatz („Runrate”) Anthropics von ~9 Milliarden (Ende 2025) auf 30 Milliarden (April 2026) sprang, committet sind nur ~2 GW Inferenzkapazität, während bis Ende 2026 über 5 GW nötig wären. Anthropic hat zwar im April einen TPU-Deal mit Broadcom und Google über 3,5 GW unterzeichnet, diese kommen aber erst 2027. OpenAI verfügte Ende 2025 bereits über 1,9 GW – 0,5 GW mehr als Anthropic – und hat diesen Vorteil aggressiv kommuniziert (interne Memo an Investoren mit Hinweisen auf Anthropic-Ausfälle und limitierte Rollouts). Eine technische Erklärung kommt von einem KI-Jailbreaker, der 150.000 Zeichen neue Instruktionen im System Prompt von Opus 4.7 fand, die zu restriktiven Sicherheitsrichtlinien und Überforderung des Modells führen.

  Umsatzvergleich: Anthropic vs. OpenAI

  Die weit verbreitete Behauptung, Anthropic hätte OpenAI mit 30 Mrd. vs. 15 Mrd. überholt, ist fehlerhaft: Anthropic bilanziert nach Brutto-Methode (100% der eingehenden Zahlungen), OpenAI nach Netto-Methode (nur eigener Anteil; ~20% beim Azure-Vertrieb). Diese Unterschiede blasen Anthropics Umsatz um etwa 8 Milliarden auf. Bei fairer Vergleichsbasis (Netto vs. Netto) liegt Anthropic eher bei ~22 Milliarden, also knapp hinter OpenAI.

  OpenAI’s Gegenschlag: Codex-Updates und spezialisierte Modelle

  OpenAI rollt massiv aus: GPT-5.4 für Cybersecurity (dediziertes, feinabgestimmtes Modell im „Trusted Access for Cyber”-Programm), Codex mit Computer Use (MacOS-Steuerung), In-Browser-Editor mit Kommentarfunktion, kostenlose Bildgenerierung (GPT Image 1.5), 111 neue Plugins (u.a. Audiscan, Microsoft Office). Codex wird damit für Designer und Nicht-Terminal-Nutzer zur seriösen Cloud-Code-Alternative. Zusätzlich: GPT Rosalind, spezialisiert auf Biologie, Medikamentenentwicklung und translatorische Medizin, als Frontier Reasoning Modell.

  Healthcare & KI: Dr-Patrick Großmann (InVitres)

  Patrick Großmann (CEO InVitres, München, Y-Combinator, EIC Accelerator mit €12,5 Mio. Funding) erklärt: KI verändert Healthcare durch drei Bereiche – (1) therapeutisch: spezifische Medikamentendesign für zuvor schwierige Fälle, (2) Aufklärung über seltene Erkrankungen (jeder 20. trägt eine, es gibt fast 10.000 seltene Erkrankungen), (3) Lifestyle & Supplements. InVitres nutzt ein in-vitro-Expressionssystem ohne lebende Bakterien, um Phagen herzustellen – 10.000x effizienter als klassische Methoden. Kernidee: „Druckbare Medizin” – KI-designte Therapien per Internet an regionale 3D-Drucker vor Ort (statt weltweiter Versand). Deutsche Biotech-Gründer gehen in die USA, weil US-Investoren Opportunität maximieren, während europäische Investoren Risiko minimieren wollen. InVitres bleibt bewusst in München/Martinsried, um Talent zu nutzen, will aber eine transatlantische Achse aufbauen.

  Video-Editing mit Agentic Coding (Cinetic AI, Phil)

  Drei praktische Use-Cases für Claude Code im Video-Editing: (1) Rohschnitt: Claude analysiert Video-Transkript, erkennt Versprecher, Doppler-Probleme, erstellt präzise Timestamps und generiert DaVinci-Resolve-XML-Timeline. (2) Motion Graphics: Claude generiert HTML/MP4-Animationen (z.B. drei Karten mit Fade-In und Highlighting). (3) Untertitel: Claude erstellt SRT-Dateien mit automatischer Übersetzung (z.B. ins Englische), weit praktikabler als separate Tools.

  Google: Konkurrenz-Moves

  Googles neues Text-to-Speech-Modell mit Emotion-Tags bei Gemini 3.5 Flash wird 11Labs-Konkurrenz. Chrome Skills (offene Standards wie MCP, Subagents auch in Gemini CLI) erlauben dem Nutzer, Skills direkt im Browser zu speichern und zu konfigurieren (z.B. „alle Rezepte vegan”). Google IO steht bevor. Rossmann testet humanoide Roboter (Walker S2 von UBT) im Logistikzentrum – erstes großes europäisches Live-Pilotprojekt in echter Logistik-Umgebung.

  News-Update, das Claude, OpenAI (Codex, GPT-5.4, GPT Rosalind) und Google als zentrale Akteure thematisiert sowie spezialisierte Tools (Cinetic AI, InVitres-Technologie) demonstriert.

Fireship (2 neues Videos)

• I finally found a use case for OpenClaw…
  23.4.2026, 18:26:39

  Das Video zeigt eine humorvolle und satirische Zusammenfassung von Technologien im Jahr 2026, darunter eine KI-gestützte Smart-Toilette, intelligente Haarschneidemaschinen und ein KI-Taschenhaustier. Der Fokus liegt auf OpenClaw, einem persönlichen KI-Assistenzsystem, das im Januar 2026 veröffentlicht wurde und seitdem zahlreiche Sicherheitsupdates erhalten hat. Der Creator versucht, OpenClaw zu nutzen, um Anfragen von Verwandten zu automatisieren, die ihn wegen seiner YouTube-Videos für einen JavaScript-Experten halten. Dazu hostet er OpenClaw auf einem virtuellen privaten Server von Hostinger, konfiguriert einen Telegram-Bot und integriert eine Sprachausgabe über 11 Labs, um Antworten in seiner eigenen Stimme zu generieren. Das Video endet mit einer erfolgreichen Demonstration der Automatisierung, die ihm emotionale Distanz zu seiner Familie ermöglicht.

  Das Video thematisiert explizit OpenClaw, Hostinger und 11 Labs und ist eher für Intermediate und Advanced Nutzer gedacht.

• Claude just got another superpower…
  21.4.2026, 17:35:43

  Zusammenfassung:

  Anthropic hat Claude Design vorgestellt, eine KI-gestützte Plattform, die Figma-Designs in interaktive Prototypen, Pitch-Decks und produktionsreife UIs verwandelt. Das Tool nutzt das neue Opus 4.7-Modell, das eine höhere Bildauflösung (3,75 Megapixel) und verbesserte Kreativität bietet. Claude Design kann interaktive UIs mit Animationen, Variationen und sogar Shadern erstellen, was es von Konkurrenzprodukten wie Google Stitch abhebt. In einer praktischen Demonstration wurde versucht, einen iOS-Onboarding-Flow für eine fiktive App zu erstellen, wobei die KI zwar einen guten Startpunkt lieferte, aber Probleme mit der Konsistenz des Designsystems und der Bildqualität hatte. Trotz einiger Schwächen zeigt Claude Design vielversprechende Fähigkeiten für die UI/UX-Design-Branche.

  Schluss-Kommentar:

  Das Video thematisiert Anthropic’s Claude Design und Opus 4.7 sowie Google Stitch und Google Cloud Run, und richtet sich an Intermediate-Nutzer.

Greg Baugues

Keine neuen Videos in diesem Zeitraum.

IA et Stratégie | Le SamourAI

Keine neuen Videos in diesem Zeitraum.

Julian Ivanov | KI-Automatisierung (2 neues Videos)

• Hermes Agent: Der neue selbstverbessernde OpenClaw
  21.4.2026, 13:07:46

  Das Video stellt Hermes, einen neuen KI-Agenten, vor, der als Konkurrenz zu OpenCla positioniert wird. Hermes wurde von News Research, einem KI-Forschungslabor aus New York, entwickelt und ist Open Source. Der Hauptunterschied zu OpenCla liegt im “Self Improvement Loop” von Hermes, einem integrierten Lernzyklus, der es dem Agenten ermöglicht, sich kontinuierlich zu verbessern. Dieser Prozess umfasst das Erstellen und Aktualisieren von Skills, das Speichern relevanter Informationen in Memory-Dateien und das Analysieren vergangener Konversationen, um ein umfassenderes Nutzerprofil zu erstellen. Das Video zeigt auch, wie Hermes installiert und konfiguriert wird, sowohl lokal als auch auf einem Server, und vergleicht die Funktionen und Vorteile beider Agenten. Es wird empfohlen, Hermes auszuprobieren, insbesondere für Nutzer, die eine KI suchen, die eigenständig lernt und sich verbessert.

  Schluss-Kommentar: Das Video thematisiert explizit Hermes und OpenCla und ist eher für Intermediate Nutzer gedacht, die sich mit KI-Agenten und deren Installation und Konfiguration auskennen.

• Claude Design Tutorial: Das kann Anthropics neues Tool
  20.4.2026, 10:24:01

  Das Video stellt das neue Designtool Cloud Design von Tropic vor, das auf dem Opus 4.7 Modell basiert und aktuell im Research Preview verfügbar ist. Das Tool ermöglicht die Erstellung von Web Apps, Landing Pages, Mobile Mockups, Pitch Decks und anderen visuellen Inhalten direkt im Browser per Prompt. Nutzer können dabei nicht nur Textprompts verwenden, sondern auch Bilder, Dokumente und Websiteelemente hochladen. Ein besonderes Feature ist die Möglichkeit, ein eigenes Designsystem hochzuladen oder zu erstellen, das dann automatisch für alle generierten Designs verwendet wird.

  In der Demo zeigt der Nutzer, wie man ein interaktives neuronales Netz mit animierten Datenflüssen erstellt. Dabei stellt Cloud Design detaillierte Rückfragen, um den Prompt zu verfeinern und sicherzustellen, dass das Ergebnis den Vorstellungen entspricht. Das generierte Design kann anschließend in verschiedenen Formaten exportiert oder direkt an Cloud Code weitergegeben werden, um es in Code umzusetzen.

  Das Video ist eine Demonstration des Tools Cloud Design und richtet sich an Intermediate Nutzer, die bereits Erfahrung mit Design- und KI-Tools haben.

Kyle Balmer | AI with Kyle (8 neues Videos)

• GPT Images 2.0 API Costs Revealed + How to Escape Lovable Cloud
  25.4.2026, 20:00:09

  Inhalt:

  Das Video behandelt zwei Hauptthemen: die neuen API-Kosten für GPT Images 2.0 und die Herausforderungen beim Migrieren von Lovable Cloud-Projekten.

  GPT Images 2.0 API-Preise:

  GPT Images 2.0 steht nun via API zur Verfügung. Bei niedriger Qualität kostet ein 1024×1024-Bild etwa 6 Cent, bei hoher Qualität 21 Cent — deutlich teurer als Alternativen wie Nano Banana. Die genauen Kosten hängen von Auflösung und “Thinking Effort” ab. Der Sprecher plant, die API in eigene Workflows einzubauen und verspricht ein technischeres Tutorial dazu. Er testet derzeit, ob sich ein Umstieg von Nano Banana Pro API lohnt, und ist besonders begeistert vom Generieren von LinkedIn- und Instagram-Carousels, da das Problem der 90%-Lösungen (die noch manuelle Nachbearbeitung erfordern) nun gelöst scheint.

  Migration aus Lovable Cloud:

  Lovable Cloud basiert im Hintergrund auf Supabase. Der Ausstieg ist schwierig: Zwar lässt sich der Code über GitHub-Sync exportieren und in andere IDEs migrieren, die Backend-Daten in Supabase herauszubekommen ist aber nicht unkompliziert — man braucht einen Datenbank-Dump. Besonders kritisch: Ist Cloud einmal aktiviert, kann man die Verbindung nicht rückgängig machen. Lovable bewirbt Cloud-Features (“pay as you scale”) ohne klare Kostenangaben — ein Design-Problem für Anfänger, die später überraschend von hohen Kosten konfrontiert werden. Die Dokumentation und das Pricing-Modell sind für Einsteiger unzureichend kommuniziert.

  Explizit genannte Tools/Anbieter: OpenAI (GPT Images 2.0), Lovable Cloud, Supabase, GitHub, Nano Banana, Gemini — Demo / Meinung-Hybrid mit Test-Ergebnissen und kritischer Analyse.

• When to Use Claude vs When to Use Codex (And More AI Questions Answered)
  24.4.2026, 15:01:11

  Das Video beantwortet verschiedene Fragen zur Nutzung von Claude und Codex sowie zur AI-Branche insgesamt.

  Claude vs. Codex: Der Creator nutzt Claude für umfangreiche, komplexe Projekte, die tiefes Denken und schrittweise Planung erfordern, während Codex für schnellere, weniger intensive Aufgaben wie einzelne Seiten oder Templates besser geeignet ist. Beide Tools sind sehr gut; welches besser passt, hängt vom subjektiven Gefühl und den spezifischen Anforderungen ab. Codex ist großzügiger mit Nutzungslimits und im kostenlosen Plan enthalten, während Claude teurere Pläne benötigt (Pro ab $100/Monat, Max $200/Monat). Der Creator betont, dass selbst beim $200-Plan die Limits erreicht werden.

  Pricing und Geschäftsstrategie: Anthropic signalisiert durch Tests und Ankündigungen, dass die Preise steigen werden. Die Mitteilung ist klar: Sie wollen ernsthafte Nutzer, nicht Einzelpersonen mit $20/Monat-Abos. Das Geschäftsmodell zielt auf API- und Enterprise-Verkäufe ab, wo sie 80% ihres Gewinns machen.

  Praktische Nutzung: Der Creator nutzt diese Tools zur Geschäftsführung – Website-Building, Content-Processing von täglichen Live-Streams (Umwandlung in Newsletter, Video-Scripts und Assets), effektiv eine Ein-Personen-Media-Company im Umfang eines 20-köpfigen Teams.

  Memory/Limits: Die Context-Window wurde auf 1 Million Token erhöht, aber die Nutzungslimits bleiben. Der Creator erwartet keine Änderung, da Anthropic Nutzer zur API drängen möchte.

  Elektrizität und China: Ein längerer Exkurs zeigt, dass China 2024 mehr Strom produzierte als USA, EU und Indien zusammen – kritisch, weil Elektrizität der Bottleneck für AI-Training und Inference wird. China hat massiv in nachhaltige Energie investiert (Solarpanels größer als Bristol), während der Westen nicht ausreichend in Infrastruktur investierte. Dies könnte China einen Vorteil bei AI-Inference geben.

  Entrepreneurship und AI: AI senkt Eintrittsbarrieren massiv. Einzelne oder kleine Teams können heute an einem Tag eine erste Version einer Geschäftsidee bauen – was früher Dutzende von Menschen erfordert hätte. Das trennt echte Unternehmer von denen, die nur die Idee lieben, aber nicht arbeiten wollen.

  Self-Hosting vs. Cloud: Open-Source-Modelle sind State-of-the-Art um etwa sechs Monate hinterher. Für Geschäfte lohnt sich meist das teuerere Cloud-Angebot (z.B. Claude Code), weil Geschwindigkeit und Wettbewerbsfähigkeit wichtiger sind als die Einsparung von ein paar Tausend Dollar. Edge-AI (Modelle auf Smartphones) könnte künftig Basic-Nutzung kostenfrei machen, aber für ernsthafte Entwicklung bleiben bezahlte Cloud-Services nötig.

  Anthropic-Wachstum: Claude wird in Copilot 365 integriert (erreicht plötzlich Millionen von Unternehmensnutzern). Amazon hat 25 Milliarden Dollar in Anthropic investiert (5 Mrd. sofort, 20 Mrd. zukünftig) plus vorherige 8 Mrd., um über AWS skalieren zu können. Dies erklärt Teile des rapiden Wachstums der letzten 3–4 Monate.

  Pro-Plan-Test: Ein AB-Test zeigte, dass Claude Code möglicherweise aus dem Pro-Plan ($20/Monat) entfernt werden könnte. Bestehende Pro-Abonnenten sollen grandfathered werden, aber der Creator erwartet längerfristig, dass die Preise weiter steigen.

  Claude und Codex waren die Haupt-Tools; das Video war eine Q&A/Meinung-Runde mit teilweise tiefem Kontext zu Markttrends (Geopolitik, Energie, Pricing-Strategie).

• ChatGPT Images 2.0 vs Google’s Nano Banana: 5 Tests, One Clear Winner
  24.4.2026, 05:00:03

  ChatGPT Images 2.0 vs Google’s Nano Banana: 5 praktische Business-Tests

  Der Creator testet ChatGPTs neue Image-Generator-Version (DALL-E basiert) gegen Googles Nano Banana 2 in fünf realistischen Business-Szenarien. Vorab: Beide Tools haben massive Fortschritte bei der Text-Darstellung in Bildern gemacht – früher ein kritisches Problem für Banner, Social-Media-Posts und YouTube-Thumbnails.

  Die fünf Tests:

  1. YouTube-Thumbnail: ChatGPT erzeugt auf Anhieb ein konsistentes, ansprechendes Design. Bei einer Folgeanweisung (Ray-Ban Sonnenbrillen hinzufügen) behält ChatGPT das ursprüngliche Format (1280×720 Landscape) bei. Nano Banana hingegen „vergisst” die ursprüngliche Anweisung und wechselt zu einem Portrait-Format – ein kritisches Versagen bei sequenziellem Prompting.
  1. Facebook-Ad: Beide erzeugen korrekte Text und Elemente, aber ChatGPT wirkt visuell ausgewogener; Nano Banana wählt einen ungewöhnlichen oberen Blickwinkel, der die Komposition schwächt.
  1. 4-Panel-Comic-Strip: ChatGPT erzeugt konsistente, stilistisch korrekte Panels und behält die Struktur bei Style-Änderungen (Marvel-Stil). Nano Banana fügt beim Style-Wechsel ungefordert doppelte Logos hinzu – ein häufiges AI-Artefakt, das manuelle Nachbearbeitung erfordert.
  1. Event-Poster: ChatGPT generiert einen funktionsfähigen QR-Code und integriert ihn elegant in das Design. Nano Banana erzeugt einen visuellen QR-Code ohne Funktionalität – es halluziniert eine Code-Form ohne echte Nutzbarkeit.
  1. LinkedIn-Carousel aus Artikel: ChatGPT liest automatisch einen Newsletter-Artikel, extrahiert relevante Inhalte, strukturiert sie über mehrere Slides und generiert kontextbezogene Bilder pro Slide. Nano Banana erzeugt zwar Bilder, aber ohne aussagekräftigen Text – die Slides wirken wie kryptische Rätsel ohne Kontext.

  Kernunterschiede: ChatGPT excels bei sequenziellem Prompting (Konsistenz über mehrere Anweisungen), funktionalen QR-Codes, korrekten Logos und kontextueller Kohärenz. Nano Banana ist günstiger und schneller, aber anfälliger für Konsistenzprobleme, Duplikate und mangelnde Interpretation von Folgeanweisungen. Der Creator betont, dass diese Bewertung auf Business-Assets fokussiert (keine Kunstgenerierung) und dass beide Tools für A/B-Testing genutzt werden sollten – jedoch wird ChatGPT Images 2.0 in seinen Tests 5 von 5 Mal bevorzugt.

  Explizite Tools: ChatGPT Images 2.0 (DALL·E), Google Gemini (Nano Banana Pro), erwähnt auch Canva und Photoshop als bisherige Alternativen — Deep Dive / Vergleich.

• Claude Design Limits, Sandboxing & Managed Agents Explained (AI Q&A with Kyle)
  23.4.2026, 15:01:09

  Das Video beantwortet Fragen zu Claude rund um Sandboxing, Sicherheit und neue Features.

  Sandboxing & Nutzung:

  Claude benötigt kein Sandboxing, wenn man es nur über claude.ai (Web-App, Projects, Code Editor, Design) nutzt. Die Desktop-App sandbox sich selbst via Cowork. Für Computer Use (wo Claude deine Maschine steuern kann) lohnt sich optional ein separater Computer oder Sandbox, wenn man sehr sicherheitssensibel ist.

  Managed Agents als Alternative:

  Es gibt jetzt „Managed Agents” über die Claude API, die in Anthropics Cloud laufen — völlig vom eigenen Computer separiert. Diese sind im Claude Console verfügbar und nutzen API Credits statt Claude Max Limits.

  Claude Design: Limits und Bugs:

  Claude Design hat erhebliche Probleme: Die Limits sind aggressiv und buggy — der Nutzer (auf dem $200/Monat-Plan) hit sein daily und weekly Limit nach wenigen Minuten/einem Prompt. Die Fehlermeldungen sind teilweise fehlerhaft (widersprüchliche Meldungen). Gutes Zeichen: Claude Design hat separate Limits von Claude Code, weshalb ein Reset den Code-Workflow nicht blockiert.

  Design-Tipps:

  Claude Design generiert oft generisch wirkende Designs in einem bestimmten Off-White (Oyster/leicht terracotta). Pure White mit Black Text sollte vermieden werden (anstrengend für die Augen). Der Nutzer plant einen Guide zu generischem Design zu lindern, kann aber nicht viel gegen die Limits empfehlen — diese sind derzeit „aggressive” und wohl nicht sofort entspannen.

  Sidebar:

  Die Präsentation wird mit NotebookLM + Nano Banana Pro erstellt (jede Folie eine generierte Image), nicht mit Claude Design.

  Claude, NotebookLM und Nano Banana Pro werden erwähnt — Live-Q&A / Meinung.

• Your AI Subscription Is About to Get a Lot More Expensive (And What To Do About It)
  23.4.2026, 05:30:32

  Zusammenfassung: Your AI Subscription Is About to Get a Lot More Expensive

  Anthropic testete kurzzeitig, Claude Code (ein Agentic-Tool) von der $20/Monat Pro-Plan zu entfernen und nur auf den $100- und $200/Monat-Plänen verfügbar zu machen – ein fünffacher Preissprung. Nach Kritik offenbarte Anthropic, dass dies ein AB-Test für nur 2% neuer Pro-Nutzer war. OpenAI reagierte darauf humorvoll: das Codex-Team kündigte an, Code-Funktionalität weiterhin kostenlosen und bezahlten Plänen zur Verfügung zu stellen – ein Seitenhieb auf Anthropics jüngste Probleme mit Claude 4.7 und begrenzten Kontingenten.

  Der Hintergrund: Während die Kosten pro Token durch optimierte Modelle um das 280-Fache gesunken sind, explodierten die Nutzungskosten durch agentic AI. Nutzer führen jetzt Agenten kontinuierlich aus, die ständig Token verbrauchen – nicht wie früher mit gelegentlichen Chat-Prompts (Jevons-Paradoxon). Gleichzeitig sind Inference-Kosten (nicht Training) zum Engpass geworden. Rechenzentren laufen zu 95% Kapazität, Elektrizität wird knapp, und Anthropic leidet sichtbar unter der Last (häufige Ausfallzeiten, wöchentliche Limit-Treffer bei Claude Design). OpenAI und China haben bessere Infrastruktur.

  Praktische Alternativen: (1) Zu Codex wechseln – großzügigere Limits und stabiler; (2) Open-Source-Modelle lokal laufen lassen (LM Studio, chinesische Modelle wie GLM/Minimax), kostet aber Hardware; (3) Token-Hygiene: kleinere Modelle für leichte Tasks, relevante Dateien statt voller Context-Fenster, bessere Prompts, Prompt-Caches.

  Die Branche wechselt vom Netflix-Modell (fester Abo-Preis) zu gemeterter Preislandschaft – nicht „unbegrenztes Kontingent für $20″, sondern „AI als Mitarbeiter” zu echten Nutzungskosten. Das wird teurer, nicht billiger. Der Tenor: Wer jetzt auf agentic AI setzt und baut, sollte es tun, während die Kosten noch relativ niedrig sind.

  Thematisiert: Claude/Anthropic, OpenAI/Codex, Open-Source-Modelle (chinesisch), LM Studio — Meinung/Reflexion mit praktischen Ratschlägen.

• Claude Design Review: AI Websites, Figma Killer?? & Brutal Usage Limits
  21.4.2026, 05:00:59

  Claude Design Review: AI Websites, Figma Killer? & Brutal Usage Limits

  Claude Design ist ein neues Tool von Anthropic, das es ermöglicht, direkt in Claude hochwertige Design-Layouts zu erstellen. Es wird von einigen als „Figma-Killer” bezeichnet, was nach Ankündigung zum 7%-Kursrutsch bei Figmas Aktie führte – eine Überreaktion des Marktes. Das Tool ist über ein neues Icon in Claude oder direkt unter claude.ai/design erreichbar.

  Funktionalität: Man kann entweder von Grund auf neu designen oder bestehende Websites/Apps importieren und umgestalten. Es ist primär ein Frontend-Design-Tool (nicht wie Full-Stack-Builder wie Lovable oder Bolt), vergleichbar mit Figma, hat aber nicht dessen Raffinesse und professionelle Features. Der Autor zeigte ein Beispiel: einen Duolingo-ähnlichen iOS-App-Mock für eine KI-Wissensprüfungs-Seite, der mehrere Screens mit Skill-Trees, Multiple-Choice-Fragen und Dashboards generierte. Die Bedienung ist buggy, aber die Designs sind funktional. Man kann Elemente anklicken, kommentieren, mit Teams zusammenarbeiten und inline-Feedback geben – ähnlich wie mit echten Designern.

  Schwerwiegende Limitationen: Das Tool ist extrem hungrig nach Token-Nutzung. Der Autor verbrauchte auf seinem $200-Plan monatlich seine gesamten Design-Limits bereits nach einem Prompt und wurde aufgefordert, 24 Stunden zu warten. Damit ist das Tool aktuell für produktive Arbeit nicht zu empfehlen. Die Limits sind deutlich aggressiver als Claude Code Limits und funktionieren separat.

  Design-Probleme: Claude Design bevorzugt ein cremefarbenes/Oyster-Offwhite als Standard-Hintergrund – das sind die Anthropic-Hausfarben. Dies führt zu generischer, erkennbar KI-generierter Ästhetik, ähnlich wie früher die «violetten Gradienten» von Vibe-Coding-Tools. Der Autor versuchte mehrfach, dieses Cream aus seinen Website-Redesigns zu entfernen, doch Claude konvergierte immer wieder dahin zurück – eine typische Regression zur Mitte bei LLMs.

  Workarounds gegen generische Designs:

  • Skill Packs verwenden (z.B. das Claude Design MD Prompt mit 9 verschiedenen Stilen wie Editorial Minimalism, Warm Editorial)
  • Referenz-Websites als Exemplare hochladen (z.B. julian.com), um spezifische Ästhetiken vorzugeben
  • Konkrete, spezifische Anweisungen geben (nicht nur «mir gefällt das nicht»)
  • Team-Feedback einholen und crowdsourcen, um Designs zu iterieren

  Ist Figma tot? Nein. Claude Design ist kein professionelles Design-Tool für echte Designer. Es ist eher vergleichbar damit, wie Squarespace es möglich machte, schnell Basic-Websites zu erstellen – es senkt die Einstiegsbarriere, ermöglicht Entrepreneurs schnelle Prototypen, aber verdrängt nicht den Profi-Markt. Für Entrepreneur und Nicht-Designer ist es hervorragend, um schnell etwas Anständiges live zu bringen, bevor man später Designer einstellt.

  Fazit: Der Autor sieht das Tool als großartig für Entrepreneurs, die schnell launchen wollen, aber nicht für professionelle Designer – und die Limits machen es momentan selbst für Hobbyisten schwierig. Anthropic hätte die Release besser durchdacht und getestet.

  Claude Design von Anthropic im Demo/Review-Format; nicht für Anfänger gedacht, da Vorwissen über Design und UI-Konzepte hilfreich ist.

• I Spent €200 in a Week on Claude. Here’s the Fix (Q&A with Kyle)
  20.4.2026, 15:01:37

  Zusammenfassung: I Spent €200 in a Week on Claude. Here’s the Fix

  Der Video zeigt eine Diskussion darüber, wie man hohe Claude-API-Kosten reduziert. Die Hauptempfehlung: Chinesische Modelle wie Minimax oder Qwen für die tatsächliche Implementierung von Aufgaben nutzen, während man teurere Modelle wie Claude Opus nur für Planung und Architektur einsetzt. Die Argumentation lautet, dass chinesische Modelle etwa sechs Monate hinter dem Stand der Technik liegen, aber für viele Aufgaben völlig ausreichend sind, wenn die Anforderungen klar spezifiziert werden.

  Ein weiterer Punkt: Claude Code (ein AI-Builder) sollte nicht zwingend mit der Claude API im produktiven Einsatz kombiniert werden. Man kann mit Claude Code bauen, aber unter der Haube günstigere Modelle wie GPT verwenden – das ist oft die sinnvollere Lösung für kostengünstige Anwendungen.

  Zum Thema lokale Modelle: Der Sprecher sieht diese skeptisch für die Zukunft, da Modelle immer größer werden und die Hardware-Kosten (GPUs, RAM) steigen. Die Relevanz lokaler Modelle wird dadurch langfristig sinken, obwohl er sie selbst schätzt.

  Weitere behandelte Punkte: Context Rot ist ein reales Problem bei langen Sessions – neue Chats für unrelated Tasks starten ist Best Practice. Das Thema Claude 4.7 vs. 4.6 wird diskutiert, mit Spekulationen über mögliche Leistungsunterschiede. Zum Schluss werden praktische Tools erwähnt: Stop Slop (ein Skill zum Entfernen von AI-Tells aus Texten) und Gemma 4 für Transcription und Audio-Verarbeitung.

  Claude, OpenAI (GPT), Minimax, Qwen, Gemma und Docker werden explizit erwähnt — Live-Q&A Format mit praktischen Tipps zur Cost-Optimization.

• Claude Opus 4.7 Breakdown: Community Backlash, Rate Limits, Overcoming Token Waste
  20.4.2026, 05:00:12

  Claude Opus 4.7 Breakdown: Community Backlash, Rate Limits, Token Waste

  Claude Opus 4.7 ist gerade gelauncht, wird aber von der Community skeptisch aufgenommen. Während Anthropic behauptet, das Modell sei in allem besser, gibt es mehrere ernsthafte Probleme.

  Hauptkritik:

  Das zentrale Problem ist ein Meme, das die Situation zusammenfasst: ein stärkeres Modell, das aber mehr Token verbraucht, weniger intelligent wirkt und langsamer ist. Opus 4.6 wurde über mehrere Wochen zunehmend schwächer und traf früher auf Limits – selbst der Autor auf einem 200-Dollar-Plan hatte erstmals Limitprobleme. Dann wurde 4.7 gelauncht und wird von Nutzern als identisch mit dem ursprünglichen 4.6 beschrieben, nur ohne den Slowdown der letzten Wochen.

  Tokenizer-Problem: Anthropic behauptet gleiche Preise pro Token, hat aber einen neuen Tokenizer, der 1,35x mehr Input-Tokens benötigt – das ist faktisch bis zu 35% teurer. Bei Agentic Settings (z.B. Claude Code) verschärft sich das durch zusätzliche Output-Tokens.

  Adaptive Reasoning statt Extended Thinking: Das neue System routet automatisch, wie viel Rechenleistung ein Problem braucht – genau wie GPT-5s gescheitertes Auto-Routing-System. Es gibt keine manuelle Kontrolle mehr, was Power-User frustriert. Ethan Mollick bestätigt dies als schlecht konzipiert. OpenAI hat diese Funktionalität später wieder aufgebaut, weil Nutzer das Auto-Routing hassten.

  Kontextfenster-Leistung: Opus 4.6 erzielte 92% auf dem MRCR-Benchmark (wie gut findet ein Modell Informationen in großen Kontexten), Opus 4.7 fällt auf 59,2% – ein Rückgang um 30%. Anthropic antwortete, man arbeite nicht mehr an diesem Benchmark – eine Andeutung, dass Modelle für Benchmarks optimiert werden.

  Erhöhte Safeguards und Ablehnungen: Nutzer berichten häufigere Warnungen und abgelehnte Anfragen, die es bei 4.6 nicht gab.

  Geschäftsmodell: Der Autor vermutet, dass Anthropic bewusst die Einzelnutzer-Experience verschlechtert, weil sie sich auf Enterprise und API-Verkäufe konzentrieren (80% der Einnahmen). Sie bereiten sich auf einen IPO vor und müssen Profitabilität zeigen – anders als OpenAI, das Geld verliert. Mit einer 30-Milliarden-Dollar-Run-Rate übertreffen sie OpenAIs angebliche 25 Milliarden. Limitierungen dienen dazu, Kosten zu senken und Gewinn zu zeigen. Zum Ausgleich erhöhen sie temporär Tokens für alle Nutzer.

  Taktiken zur Token-Einsparung:

  • Günstigere Modelle nutzen (Sonnet, Haiku statt Opus)
  • Opus für Planung, Sonnet für Implementierung
  • “Caveman Method” in System Instructions (kurze Antworten ohne Umschreibungen)
  • Codex nutzen als Alternative zu Claude Code (großzügigere Limits)
  • Lokale Modelle für Implementation
  • Token-intensive Workflows (Ralph Loops, obsidian, second brains) meiden

  Fazit: Die Tage unbegrenzten Zugangs zu Top-Modellen für 20-200 Dollar monatlich sind vorbei. In den nächsten 5 Jahren wird KI teurer wegen GPU-Engpässen, Energiekosten und investor pressure auf Profitabilität. Intelligence wird nicht billiger, sondern teurer – bis es irgendwann “too cheap to meter” ist. Jetzt ist der richtige Zeitpunkt, KI produktiv in Geschäfte zu integrieren, da sie sich rentiert, nicht um hobbymäßig zu experimentieren.

  Hinweis: Kein Transcript vorhanden – zusammengefasst nach direkter Rede aus Video-Audio.

  Thematisiert wurde Claude Opus (Anthropic), mit Vergleichen zu OpenAIs ChatGPT/Codex und GPT-5; Format: Meinung/Analyse.

Leon van Zyl (2 neues Videos)

• Claude Design + Claude Code = No Designer Needed
  22.4.2026, 11:25:52

  Der Creator zeigt, wie er sein funktionales, aber designtechnisch wenig ansprechendes Projekt „Local Forge” – eine Web-App für autonome Coding-Agenten, die Aufgaben über ein Kanban-Board verwalten – mit Claude Design umgestaltet hat.

  Workflow mit Claude Design:

  Nach dem Hochladen von Screenshots und Angabe von Anforderungen per Spracheingabe erstellt Claude zunächst vier verschiedene Wireframe-Varianten (u.a. Pod-Layout, Tab-View, Mission-Control-Ansicht). Der Creator wählt Version zwei und kann dabei Farben anpassen, Kommentare direkt auf Design-Elementen hinterlassen (um Claude präzise auf einzelne Komponenten hinzuweisen), und erhält dann ein hochfidelity-Design mit interaktiven Elementen wie pulsierenden Animationen, Light/Dark-Mode und funktionierendem Navigations-Prototyp.

  Export und Übergabe zu Claude Code:

  Der fertige Design-Dateiname wird korrigiert, dann über die Share-Funktion mit einem Befehl an Claude Code übergeben. Claude Code generiert automatisch eine vollständig funktionierende, responsive HTML/CSS/JavaScript-Implementierung. Der Creator vergleicht das Endergebnis mit dem Prototyp – beide sind identisch. Eine responsiveness-Anpassung für die Agent-Cards wird via Screenshot und Befehlseingabe in Claude Code sofort behoben.

  Das resultierende Interface zeigt Workspaces in der Sidebar, Agent-Pods mit generierten Avataren, das Kanban-Board, ein Activity-Log und visuelle Indikatoren für laufende Prozesse – deutlich professioneller und visuell ansprechender als das Original.

  Claude Design + Claude Code im Demo-Format; keine spezifischen Tool- oder Modellnamen außer Claude selbst erwähnt.

• I Let AI Agents Code While I Slept (Claude Code Routines)
  21.4.2026, 16:11:58

  Das Video demonstriert Claude Code Routines – eine neue Funktion von Anthropic, die automatisierte Aufgaben im Code durchführt, während man nicht arbeitet.

  Was sind Routines?

  Routines sind konfigurierbare Claude-Code-Automatisierungen bestehend aus einem Prompt, einem Repository und Konnektoren, die entweder zeitgesteuert, ereignisgesteuert (z.B. bei GitHub-Merges) oder via API aufgerufen werden. Der Prompt wird in der Cloud ausgeführt, nicht lokal, sodass die Maschine ausgeschaltet werden kann und die Jobs trotzdem laufen.

  Demonstration 1: Auto-Improver-Routine

  Der Creator richtet eine Routine ein, die stündlich den Code durchsucht, um Verbesserungen zu identifizieren – ob UI/UX, Performance oder neue Features – und automatisch einen Pull Request (ohne direkt zu mergen) erstellt. In der Demo entdeckte Claude die fehlende Edit-Funktion in einer To-Do-App, implementierte sie und erstellte einen PR mit vollständiger Beschreibung, den der Nutzer dann manuell reviewen und mergen konnte.

  Demonstration 2: Security-Audit-Routine

  Eine zweite Routine nutzt eine “Security-Scanner”-Skill basierend auf der OWASP Top 10-Liste, um kritische Sicherheitslücken zu finden. In der Demo-App waren API-Keys hardcodiert und mehrere weitere Vulnerabilities vorhanden. Claude führte einen vollständigen Audit durch, erstellte einen Bericht mit 75 kritischen Issues, behoben diese automatisch (z.B. Verschiebung von API-Keys in Umgebungsvariablen, CORS-Richtlinien, SQL-Injection-Prevention) und merged die Fixes. Der Audit-Bericht wird im Code-Repository gespeichert.

  Wichtige Details:

  • Plan-Limits: Auf dem Max-Plan bis 15 Runs pro Tag, auf Pro vermutlich fünf
  • Skills für Routines müssen direkt ins Repository installiert werden, nicht über die normale Chat-Skill-Funktion
  • Trigger-Optionen: Zeitplan, GitHub-Events, oder API-Endpoints
  • Konnektoren ermöglichen etwa Email-Benachrichtigungen
  • Die Routine läuft in der Cloud und erstellt separate Feature-Branches statt direkt ins Main zu committen (für sichere Review)

  Claude Code, Anthropic Opus 4.7 – Tutorial/Demo.

Liam Ottley (1 neues Video)

• How to Make $20,000/Month with Claude Code
  23.4.2026, 20:10:59

  Das Video diskutiert die Zukunft von AI-Agenturen, insbesondere im Hinblick auf die Einführung von Retainer-Modellen ab 2026. Der Sprecher argumentiert, dass durch Tools wie Claude Code die Kosten und der Aufwand für die Entwicklung von Automatisierungen und Agenten stark gesunken sind, was es für Agenturen attraktiv macht, auf ein Retainer-Modell umzusteigen. Besonders kleine und mittelständische Unternehmen (KMUs) profitieren davon, da sie schnelle und kostengünstige Lösungen benötigen. Der Sprecher vergleicht dies mit dem Modell von Designjoy, bei dem Kunden monatliche Gebühren für Designleistungen zahlen. Er betont, dass die Technologie nun ausgereift genug ist, um solche Retainer-Modelle profitabel und wertvoll für beide Seiten zu machen. Ein Beispiel ist Tyler, der AIOS-Installationen und Claude Code-Setups für Geschäftskunden anbietet und dabei monatliche Gebühren von 2.500 USD erhebt. Der Sprecher sieht großes Potenzial in der Automatisierung von Audits und Entwicklungsprozessen, was die Zeit bis zur Wertschöpfung für Kunden erheblich verkürzt. Er schlägt vor, dass Agenturen sich auf die Verwaltung und Optimierung von Automatisierungen spezialisieren sollten, da dies in Zukunft der wertvollste Teil ihrer Dienstleistungen sein wird. Insgesamt sieht er die aktuelle Zeit als die spannendste Phase für AI-Agenturen, insbesondere durch den Einsatz von Claude Code.

  Das Video thematisiert explizit Claude Code und ist eher für Intermediate oder Advanced gedacht.

Mark Kashef (1 neues Video)

• Master ALL 7 Levels of Claude Code Memory
  22.4.2026, 18:30:28

  Das Video erklärt, wie man ein individuelles Memory-System für Claude Code erstellt, anstatt vorgefertigte Lösungen zu verwenden. Der Sprecher betont, dass jedes Memory-System einzigartig sein sollte und auf die spezifischen Bedürfnisse des Nutzers zugeschnitten werden muss. Er führt durch einen dreistufigen Prozess: das Klonen bestehender GitHub-Repositories, das Vergleichen und Analysieren dieser Repositories durch Claude Code und das Extrahieren relevanter Designmuster und Codes. Anschließend wird gezeigt, wie man diese Informationen nutzt, um ein maßgeschneidertes Memory-System zu erstellen, das auf die täglichen Arbeitsabläufe des Nutzers abgestimmt ist. Der Sprecher betont die Wichtigkeit der kontinuierlichen Anpassung und Iteration des Memory-Systems, da sich die Anforderungen und Arbeitsabläufe im Laufe der Zeit ändern können. Es werden verschiedene Building Blocks für ein gutes Memory-System vorgestellt, wie Identität, kritischer Kontext, Arbeitsgedächtnis, langfristiges und episodisches Gedächtnis sowie Mechanismen wie Verfall und Förderung von Erinnerungen. Zudem wird eine Skill namens “Memory Architect” präsentiert, die den Nutzer durch einen Interviewprozess führt, um die perfekte Architektur für sein Memory-System zu erstellen. Abschließend wird gezeigt, wie man dieses Memory-System in die tägliche Nutzung von Claude Code integriert, unter anderem durch die Verwendung von Hooks und die Auto-Injektion von Erinnerungen.

  Das Video thematisiert explizit Claude Code und ist eher für Intermediate-Nutzer geeignet, die bereits Grundkenntnisse in der Nutzung von Claude Code haben und bereit sind, etwas technischere Schritte zu unternehmen, um ihr Memory-System zu optimieren.

Matt Pocock

Keine neuen Videos in diesem Zeitraum.

Melvynx (3 neues Videos)

• GPT 5.5 : Le nouveau MEILLEUR modèle au monde (ou pas…)
  24.4.2026, 16:17:16

  Zusammenfassung: GPT 5.5 im Vergleich zu Claude Opus

  Der Creator testet das neue Modell GPT 5.5 systematisch gegen Claude Opus 4.7 mit mehreren Benchmarks:

  Frontend-Tests:

  • Time Zone Checker: GPT 5.5 produziert eine logischere UI als GPT 4, bleibt aber hinter Opus zurück. Opus hat bessere Animationen und kohärentere Menüs, während GPT 5.5 unnötige Animationen hat.
  • Code-Struktur: GPT 5.5 erstellt alles in einer 818-Zeilen-Datei, obwohl es Architekturfreiheit hatte. Opus organisiert sauber in Component-, Data-, Hook- und Lib-Ordnern.
  • Rocket Launch & Bikini Bottom: GPT 5.5 erzeugt schönere Visuals (bessere Raketen, Raucheffekte), während der SpongeBob-Test bei beiden fehlschlägt.

  Mini Figma Clone (Haupttest):

  GPT 5.5 braucht 15 Minuten, Opus 40 Minuten. GPT 5.5 schafft einen funktionsfähigen Editor im One-Shot mit Zoom, Text-Editing, Farbauswahl und Shortcuts – beeindruckend schnell, aber mit Navigations-Bugs und Z-Index-Problemen. Opus liefert ein geschliffeneres UI mit besserer Layer-Verwaltung, logischerem Design und smootheren Interaktionen, rechtfertigt aber die 2,5x längere Zeit fraglich.

  Cloud Code Integration (komplexe Feature):

  Bei der Aufgabe, einem Agentenframework neue Fähigkeiten hinzuzufügen, divergieren die Strategien stark. Opus führt ein strukturiertes Brainstorming mit Devil’s Advocate durch und identifiziert Sicherheitsrisiken. GPT 5.5 sagt sofort Ja und implementiert direkt. Letztlich schafft Opus sauberer strukturierten Code mit besseren Validatoren, während GPT 5.5 zu chaotischer Dateiorganisation neigt.

  Umgebung & Kosten:

  Die Codeex-App wird als angenehmer zu nutzen gelobt (bessere Preview, Terminals, Multi-Message-Support), verbraucht aber viel CPU. Bei der Nutzung nach wöchentlichem Limit: Claude liegt bei 35 % (mit weniger Tests), GPT 5.5 bei 30 % (mit mehr Tests). GPT 5.5 kostet 5 Dollar pro Million Input-Tokens und 30 Dollar pro Million Output-Tokens – teurer als Opus (5/25), was bei API-Nutzung relevant wird.

  Fazit des Testers: Beide Modelle sind beeindruckend. GPT 5.5 ist schneller und liefert visuell ansprechende erste Versionen; Opus bietet sauberer strukturierten Code, bessere UX und durchdachtere Architektur. Die Wahl hängt vom Use-Case ab.

  Explizit thematisiert: GPT 5.5, Claude Opus 4.7, Codeex-App als IDE – Deep-Dive/Meinung.

• Claude Desktop V2 : Ils ont tout copié de Cursor (et c’est bien)
  22.4.2026, 16:05:30

  Claude Desktop V2 hat die Benutzeroberfläche grundlegend überarbeitet und sich dabei stark von Cursor und anderen modernen Tools inspirieren lassen. Die neue Interface bietet mehrere gleichzeitig laufende Chat-Tabs (Cowork, Code, normale Chats), wodurch multitasking-orientiertes Arbeiten ermöglicht wird.

  Kernfeatures der neuen UI:

  Die Code-View hat verschiedene Modi: Transcript (Gesprächsverlauf), Thinking (mit ausführlichen Tool-Details), Summary, und einen Standard-Modus, der Aufrufe gruppiert. Bei Agent-Ausführung kann man die Sub-Agent-Aktivitäten in separaten Views verfolgen und zwischen einzelnen Tasks navigieren. Die Preview-Funktion zeigt laufende Anwendungen an, und man kann direkt mit GUI-Elementen interagieren – zum Beispiel auf Buttons klicken und den Kontext ins Chat einfügen.

  Praktische Workflows:

  Der Plan-Mode zeigt vor der Ausführung einen visuellen Plan an, den man akzeptieren oder bearbeiten kann. Im Auto-Mode führt Claude automatische Befehle aus (mit Sicherheitseinschränkungen). Neue Slash-Kommanden wie /ax verify erlauben es Claude, autonom Tools zu nutzen und per Screenshot zu verifizieren, dass Änderungen korrekt implementiert wurden. Man kann mehrere Projekte gleichzeitig verwalten, mit Git-Branches arbeiten, Diffs anzeigen und CI/CD-Tests automatisch beheben.

  Konfigurierbarkeit:

  Settings ermöglichen Folder-Management (etwa für Work-Trees), Auto-Permission-Bypass, Model-Auswahl (Claude 3.5 Sonnet, Claude 3 Opus etc.), und Live-Anzeige der Token-Nutzung. Keyboard-Shortcuts sind nur begrenzt dokumentiert, was die Power-User-Erfahrung etwas ausbremst.

  Kritische Punkte:

  Der Routines-Bereich wird vom Sprecher als wenig praktisch eingestuft; er bevorzugt externe Automation mit Services wie n8n. Einige Bugs sind vorhanden (etwa fehlerhaft gecachte Pull-Request-Metadaten). Die Sprachsteuerung wirkt unvollkommen umgesetzt.

  Gesamteindruck:

  Claude hat Cursors Tab-basiertes Design und die agentengesteuerte, visuelle Verifizierung erfolgreich adaptiert. Die neue V2 ermöglicht echtes Multitasking und autonomere Code-Bearbeitung – für den Sprecher besonders wertvoll beim Kombinieren von Terminal-Focus mit Ad-hoc-Cloud-Sessions.

  Claude Desktop App (mit Claude 3.5 Sonnet / Opus Max als Modelle) — Demo/Meinung.

• Claude Design : nouveauté Claude pour remplacer ton UI/UX designer
  20.4.2026, 06:00:02

  Claude Design – Anthropic Labs’ neues UI/UX-Entwurfstool

  Claude Design ist ein neues Feature von Anthropic Labs, das innerhalb von Claude verfügbar ist und sich an Designer und Entwickler richtet. Der Nutzer beschreibt zunächst sein Überraschtsein, dass das Tool tatsächlich ernst gemeint ist und nicht nur ein Hype-Projekt – er sieht es in seinen Settings und hat sogar ein Nutzungslimit dafür.

  Das Tool funktioniert so: Man beschreibt, was man erstellen möchte, und Claude Design generiert ein Design. Man kann daraufhin Änderungen vornehmen, verschiedene Varianten auf Handy und Desktop betrachten, Dark-Mode hinzufügen und Prototypen, Wireframes, Pitch Decks oder Landing Pages erstellen. Der Nutzer testet das Tool mit seiner Anwendung Subfast und importiert einen Code-Ordner, damit Claude Design den Kontext versteht.

  Die Qualität beeindruckt: Claude stellt intelligente Klärungsfragen zu Zielgruppe, Inhalt, Layout-Vorlieben und Stil, bevor es generiert. Es erstellt mehrere Dashboard-Varianten, die aufgeräumter und visuell besser sind als das Original – etwa durch minimalistischere Kartenlayouts, die weniger überladene Informationen zeigen und auf Hover weitere Details enthüllen. Das Tool kann mehrere Chat-Threads für dasselbe Projekt verwalten, so dass man parallel an verschiedenen Elementen arbeitet.

  Die Handoff-Funktion erlaubt es, generierte Designs direkt in den Code der App zu übernehmen: Claude liest die Designdatei, analysiert die bestehenden React-Komponenten und implementiert die neuen Varianten – was im Test funktioniert und deutlich bessere Ergebnisse liefert als das Original-Dashboard.

  Der Nutzer findet das Tool beeindruckend für die Generierung von Komponentenvariationen und für Design-Iterationen ohne direkten App-Kontext. Allerdings hat er keine starke persönliche Verwendung dafür – das Tool scheint eher für Designer oder Entwickler nützlich, die viel mit Designs experimentieren wollen, als für ihn selbst, der Code bevorzugt.

  Claude und Claude Opus 4.7, Demo-Format, mittleres Niveau.

MoureDev by Brais Moure (2 neues Videos)

• La IA va más rápido que la educación… y esto es un problema
  22.4.2026, 14:00:55

  Zusammenfassung: „Die KI ist schneller als die Bildung – und das ist ein Problem”

  Der Autor argumentiert, dass sich die Geschwindigkeit technologischen Wandels fundamental von der Geschwindigkeit des Bildungssystems unterscheidet. Ein offizieller Lehrplan braucht 3 Jahre zur Genehmigung und Umsetzung, während sich die Technologie alle 3 Monate ändert – was früher 3 Tage Programmierarbeit dauerte, macht KI heute in 3 Minuten.

  Das historische Kontext: Das Bildungssystem wurde für eine Welt designed, in der Menschen eine Profession lernten und diese ein ganzes Berufsleben lang ausübten. Memorisieren war sinnvoll, weil Informationen schwer zugänglich waren. Das System bot Struktur, mathematische Fundamente und organisiertes Denken – ein Wert, der oft unterschätzt wird.

  Das aktuelle Problem: Seit 2021 hat sich die KI-Landschaft radikal verändert (Chat GPT existierte damals nicht; heute gibt es autonome Agenten, die Software in Produktion schreiben). Parallel dazu wurden neue Lehrpläne in Spanien und anderen Ländern zwar beschlossen, erreichen aber erst verspätet die Klassenzimmer – während 18-Jährige mit Laptop und Internetverbindung bereits heute funktionsfähige Software mit KI-Agenten bauen.

  Schuldzuweisungen werden abgelehnt: Der Autor betont, dass nicht die Lehrer schuld sind (viele aktualisieren ihre Klassen selbstständig), auch nicht die Bürokratie (die Langsamkeit schützt vor unqualifiziertem Unterricht). Das Problem ist der grundsätzliche Mismatch zwischen einer für dekadische Technologie-Zyklen designten Struktur und trimestriellen Änderungen heute.

  KI ist nicht nur eine weitere Technologie: Sie unterscheidet sich fundamental von Internet oder Smartphones, weil sie nicht nur verändert, wie wir Information verteilen, sondern wie wir sie generieren und lernen. Der Wert liegt nicht mehr auf Syntax-Memorisierung oder React-Komponenten, sondern auf Problemauswahl, Code-Review, Architektur-Design, Requirement-Dokumentation und Sicherheitsverständnis – Probleme, die in Lehrplänen von 2020 nicht existierten.

  Drei praktische Konsequenzen:

  1. Mehr Menschen lernen außerhalb des offiziellen Systems (YouTube, Online-Kurse, Communitys), was aber auch viel Unseriöses mit sich bringt (3-Stunden-Kurse, die Senior-Status versprechen).
  2. Die echte Brecha 2026 ist nicht zwischen Titelträgern und Autodidakten, sondern zwischen denen, die sich selbst adaptieren können, und denen, die jeden Schritt gezeigt bekommen müssen. Ein gut adaptierter Junior kann heute produktiver sein als ein unwilliger Senior.
  3. Unternehmen übernehmen die Schulung intern, weil das System nicht nachkommt – große Unternehmen können das, kleine nicht, was neue Ungleichheiten schafft.

  Kernfrage neu gestellt: Es geht nicht mehr darum, ob Bildung nutzt, sondern ob derselbe Rhythmus und die gleiche Form wie vor 10 Jahren noch ausreicht. Das alte Spiel (studieren → Titel → Job) hat sich zu (lernen → adaptieren → weiterlernen → neu adaptieren) verschoben. Der Titel ist Teil des Puzzles, aber nicht mehr das zentrale Stück.

  Kritik am simplen Gegennarrativ: Der Autor warnt davor, dass „Ich bin Autodidakt und mir geht’s super” kein skalierbares Modell für Millionen Menschen ist – die öffentliche Bildung muss für alle funktionieren, nicht nur die Motivierten und Privilegierten.

  Forderungen an das System:

  • Kürzere, regelmäßig aktualisierbare Module statt monolithischer Lehrpläne
  • Lernen-lernen statt Content, der veraltet
  • Echte Industrie-Kollaboration, nicht punktuelle Gastvorträge
  • Anerkennung von kontinuierlichem Lernen, Zertifikaten, Portfolios, Open-Source und persönlichen Projekten

  Was der Einzelne jetzt tun kann:

  1. Nicht die Ausbildung abbrechen, aber ergänze sie täglich mit aktuellen Inhalten (KI, moderne Workflows, reale Tools des Sectors)
  2. Baue ein aktives Portfolio mit echten Projekten – das wiegt heute schwerer als viele Titel
  3. Integriere KI echt in deinen Arbeitsalltag (nicht nur gelegentlich, sondern täglich)
  4. Such dir eine Community – isoliert zu lernen ist der langsamste, schmerzhafteste Weg

  Fazit des Autors: Das System ist nicht „kaputt”, wurde aber für einen anderen Änderungstempo designt. KI hat das Ausmaß des Defizits unmöglich zu ignorieren gemacht. Software-Entwicklungs-Fundamente sind nicht veraltet und werden es nicht, aber es gibt auch vieles, das sich massiv geändert hat. Die echte Frage ist: Sind wir bereit, unsere Lernweise dem Tempo anzupassen, oder warten wir darauf, dass uns jemand sagt, was wir tun sollen? Im Sektor gilt: Wer aufhört zu lernen, existiert professionell sehr schnell nicht mehr.

  Format & Kontext: Meinung/Reflexion, keine spezifischen AI-Tools erwähnt (Chat GPT nur als Beispiel des Wandels genannt), ein Appell zur Selbstverantwortung beim lebenslangen Lernen.

• ¿Por qué Meta va a despedir a 8.000 trabajadores? La verdad incómoda
  20.4.2026, 15:30:28

  Zusammenfassung: Warum Meta 8.000 Arbeiter entlässt – Die unbequeme Wahrheit

  Der Video argumentiert, dass die massiven Entlassungen bei Tech-Konzernen nicht primär durch künstliche Intelligenz verursacht werden, sondern dass die KI als Vorwand für unternehmensstrategische Entscheidungen missbraucht wird.

  Vier Hauptgründe für die These:

  1. Die Zahlen passen nicht zusammen: Meta, Amazon, Alphabet und Microsoft machen Rekordgewinne und geben gleichzeitig Milliarden für Aktienrückkäufe aus. Mit diesem Geld hätten sie Hunderttausende Arbeitsplätze halten können – die Entlassungen sind also eine Wahl, nicht eine Notwendigkeit.
  1. Überbesetzung durch die Pandemie: Während COVID kontrahierten Technologieunternehmen massiv (Amazon verdoppelte seine Belegschaft 2019–2021), weil alle online waren und digitale Services explodierten. Das war eine emotionale Reaktion, nicht geplant. Influencer und CEOs geben selbst zu, dass Unternehmen um mindestens 25–75% überbesetzt sind – eine „natürliche Korrektur”, nicht eine KI-Revolution.
  1. AI-Washing: Der Begriff beschreibt, wie Unternehmen geschäftliche Fehlentscheidungen als KI-getriebene Strategie umdeuten. Das funktioniert, weil: (a) die Börse „KI-Investitionen” applaudiert statt „wir haben uns geirrt” zu akzeptieren, (b) es Management-Fehler verschleiert und (c) den Kassenfluss rechtfertigt – Meta braucht über 100 Milliarden Dollar für KI-Infrastruktur (Rechenzentren, GPUs), nicht um Menschen zu ersetzen.
  1. Ansteckungseffekt („Copycat Layoffs”): Ein Stanford-Studie zeigt, dass Entlassungen sozial ansteckend wirken – wenn ein großes Unternehmen entlässt, folgen andere aus Fomo und politischer Absicherung, nicht aus echter strategischer Notwendigkeit.

  Fazit für Entwickler: Die Entlassungen sind in der Mehrzahl Pandemie-Überkorekturen, Börsenkalküle und fehlgeschlagene Wetten – nicht Automatisierung. Langfristig entsteht durch technologische Umbrüche mehr Software-Arbeit, nicht weniger. Wer sich weiterbildet, Geschäftswert versteht und vollständige Fachkompetenz aufbaut, ist nicht ersetzbar – solche Profile werden in jeder Runde stärker nachgefragt.

  Meinung/Reflexion; keine spezifischen AI-Tools oder Anbieter thematisiert.

n8n

Keine neuen Videos in diesem Zeitraum.

Nate Herk | AI Automation (6 neues Videos)

• Claude Code + Playwright Automates Literally Anything
  25.4.2026, 14:59:59

  Das Video demonstriert drei praktische Anwendungsfälle von Claude Code in Kombination mit Playwright CLI zur Browser-Automatisierung:

  1. Automatisiertes QA und Bug-Fixing: Claude Code erstellt eine Multi-Page-Onboarding-Form und testet diese selbstständig in einem headed Browser. Es füllt Formulare aus, findet Bugs (wie fehlerhafte Enter-Taste-Funktionalität und fehlende Review-Seite), dokumentiert diese und behebt sie automatisch. Das System durchläuft iterativ Test-Validierung-Zyklus, bis die Website fehlerfrei funktioniert.

  2. Web-Scraping mit Fehlertoleranz: Der Agent sucht nach Zahnärzte-Adressen via Google-Suche, schaltet selbstständig zu DuckDuckGo um, wenn Google die Automatisierung blockiert, besucht Websites und extrahiert Kontaktinformationen. Nach mehreren Iterationen sammelt er systematisch fünf Telefonnummern.

  3. Login-persistente Automatisierung: Playwright nutzt Chrome-Benutzerdaten, um angemeldet zu bleiben. Der Agent navigiert zu einem School-Community-Kanal, findet die „wins”-Posts, sortiert nach neuesten Einträgen und liked diese (erkennbar an gelben Icons). Das System lernt iterativ aus Fehler-Feedback.

  Der Sprecher zeigt auch ein laufendes Produktions-Setup: einen autonomen AI-Agent namens AIS Agent läuft auf seinem Desktop als geplante Task, poste tägliche News-Roundups, reagiert auf Notifications und erstellt Geburtstags-Posts – mit Fähigkeiten, die durch wiederholte Ausführung verfeinert werden (z.B. dynamisch gelernt, wie man abstimmt).

  Wichtig: Playwright CLI wird Alternativen vorgezogen, da es weniger Tokens verbraucht als MCP-Server. Der Agent muss die UI mehrfach durchlaufen, um zu lernen und Skripte zu optimieren.

  Claude Code + Playwright CLI, Demo mit agentic-iterativem Lernansatz.

• I Tested GPT 5.5 vs Opus 4.7: What You Need to Know
  23.4.2026, 21:45:53

  Zusammenfassung: GPT 5.5 vs Opus 4.7 – Praktischer Vergleich

  OpenAI hat GPT 5.5 veröffentlicht, das als Flagship-Modell mit dem Fokus “mehr erreichen mit weniger” positioniert wird – also weniger Token pro Aufgabe, mehr Autonomie, weniger Handholding. Die Preise haben sich verdoppelt gegenüber GPT 5.4 (vorher 2,5 Input / 15 Output, jetzt 5 Input / 30 Output), was es teurer als Opus 4.7 macht. Allerdings verspricht OpenAI, dass GPT 5.5 deutlich weniger Output-Token benötigt, was die höheren Kosten kompensieren soll.

  Bei Benchmarks schlägt GPT 5.5 Opus 4.7 deutlich – etwa bei Terminal Bench 2.0 (82,7 vs 69,4) und bei Knowledge-Work-Tests. Eine Ausnahme: Opus 4.7 behält den SWE-Bench Pro (für GitHub-Issues), GPT 5.5 hat ein 400k-Token-Kontextfenster gegen Opus’ 1 Million.

  Der Creator führte vier praktische Experimente durch (jeweils auf ChatGPT/Codeex mit GPT 5.5 vs Claude Code mit Opus 4.7):

  1. Personal-Brand-Website: GPT 5.5 war 3,5x schneller (4 Min vs 14 Min), kostete etwa 1 Dollar statt 5 Dollar.
  2. Sonnensystem-Simulation: Opus schneller und günstiger (~1 Dollar weniger), visuell besseres Resultat.
  3. 3D-Space-Shooter: GPT 5.5 schneller (2x), glattere Spielmechanik, deutlich günstiger (~1,50 Dollar Unterschied).
  4. Ökosystem-Simulation: Beide hatten Logik-Probleme beim One-Shot, aber GPT 5.5 nutzte nur ~28k Output-Token statt ~250k bei Opus für ähnliches Ergebnis.

  Gesamtstatistik über alle vier Experimente: GPT 5.5 dauerte ~21 Minuten, Opus ~41 Minuten (doppelt so lange). Input-Token waren ähnlich (~2,7M vs ~2,5M), aber Output-Token dramatisch unterschiedlich (~70k vs ~250k). Gesamtkostenersparnis mit GPT 5.5: etwa 3 Dollar über alle vier Tests.

  Key Takeaway: GPT 5.5 ist schneller und token-effizienter, aber Anthropic führt noch bei echter anwendungsspezifischer Suite (SWE-Bench). Der schnelle Release-Rhythmus macht es schwer, sich festzulegen – wichtiger ist, für den eigenen Use-Case zu testen statt blind dem “besten” Modell zu folgen.

  Demo von OpenAI/Anthropic mit praktischen Codex- und Claude-Code-Experimenten.

• Claude Video Editing Just Became Unrecognizable
  23.4.2026, 05:07:04

  Claude orchestriert jetzt eine komplette Video-Bearbeitungspipeline: Ein rohes Video wird hochgeladen, Claude nutzt das Tool Videouse zur Schnitterkennung (entfernt Fehler, Pausen, Wiederholungen), transkribiert mit einem API-Service (hier 11 Labs), und übergibt das Ergebnis an Hyperframes für die Motion-Graphics-Erstellung. Der Nutzer beschreibt per Sprache-zu-Text, welche animierten Elemente wann erscheinen sollen – beispielsweise Flüssigglaskarten mit karaoke-stil Text oder Schnittanimationen. Claude plant zunächst die Szenen mit exakten Timestamps, der Nutzer kann iterieren, bevor der HTML-Code gebaut wird. Ein Timeline-Editor in der HyperFrames-Oberfläche erlaubt Nachbearbeitungen (Verschiebung, Löschung von Elementen). Die Prompts in diesem Beispiel verbrauchten etwa 238.000 Tokens.

  Der Unterschied zu Remotion (ebenfalls Video-Use-Skill für Motion Graphics): Hyper Frames erzeugt laut dem Nutzer visuell ansprechendere HTML-basierte Animationen. Auf Basis vieler ähnlicher Projekte lernt Claude einen Videostil (z. B. „Lektions-Design”, „YouTube-Shorts”), sodass später ein Rohvideo mit minimalen Anweisungen vollständig automatisiert wird. Setup erfolgt über Cloud Desktop App, Klonen der GitHub-Repos von Hyperframes und Videouse, Eingabe von API-Keys in eine .env-Datei.

  Claude + Videouse + Hyperframes + 11 Labs API; Demo/Tutorial.

• OpenAI Image 2 is Nuts. Here are 10 Ways to Use it.
  22.4.2026, 04:01:54

  OpenAI Image 2 ist beeindruckend – 10+ Anwendungsfälle

  OpenAI hat das Bildmodell GPT Image 2 veröffentlicht, das laut Arena.ai zum Nummer-eins-Bildgenerationsmodell gewählt wurde und Googles Nano Banana 2 um 24 Punkte schlägt. Der Creator führt einen Vergleich mit 30 verschiedenen Prompts durch und lässt Claude Opus 4.7 als Richter agieren – GPT Image 2 gewinnt in den meisten Kategorien (Artistic Styles, Character Consistency, Complex Scenes, Diagrams, UI), besonders durch überlegene Realismusfähigkeit und Text-Rendering. Preislich sind beide ähnlich (Nano Banana 2: 4–9 Cent je nach Qualität, GPT Image 2: 6 Cent pauschal, beide über key.ai nutzbar).

  Die gezeigten Anwendungsfälle umfassen: Produktverpackungen mit fehlerfreiem Text und Barcodes; Handschrift-Restauration (Falten aus Fotos entfernen, dabei Handschrift exakt matching); Website-Design (Hero-Sections, kreative Variationen); UGC-Werbeanzeigen (Selfie-Ads, lokalisierte Varianten in verschiedenen Sprachen); Buchcover (verschiedene Stilrichtungen); LinkedIn-Carousels; Restaurant-Menüs und Food-Fotografie; Brand-Maskottchen über mehrere Elemente; Logo-Design und Restyling (3D, Plüsch, Glas-Effekte); Immobilien-Visualisierung (Raumgestaltung mit räumlichem Bewusstsein); Enterprise-Diagramme (Logik, Flow-Charts, Text); Thumbnail-Generierung (mit Degradation bei Wiederverwendung) und App-Mockups.

  Der Creator hat beide Tests und Dashboards mit Claude Code automatisiert – ein Tool generierte alle Bilder, erstellte die Vergleichstabellen und den kompletten Style sowie die Presentation. Ein GitHub-Repo des Projekts wird in der Free School Community bereitgestellt.

  OpenAI GPT Image 2 und Google Nano Banana 2, Demo mit Vergleich.

• Claude Design Builds Beautiful 3D Websites Instantly (full tutorial)
  21.4.2026, 20:03:42

  Claude Design Builds Beautiful 3D Websites Instantly – Zusammenfassung

  Der Creator zeigt ein vollständiges Tutorial zum Erstellen von interaktiven 3D-Websites mit Claude Design in etwa 20 Minuten. Er transformiert zwei bestehende Websites mit animierten Hero-Sections und scrollbaren Elementen und demonstriert dann live, wie man von null anfängt.

  Workflow-Übersicht:

  1. Ideenentwicklung mit Claude Chat: Er lässt Claude eine komplette Brand-Identität für ein fiktives Produkt namens „LOL” (Magnesium-Getränk) generieren – inklusive Positionierung, visueller Identität und Webseitenspezifikation.
  2. Asset-Erstellung: Mithilfe von Image- und Video-Prompts (über Nano Banana und andere Tools) erstellt er einen animierten Kaffee-Hintergrund, der als Video-Loop dienen soll.
  3. Design-Prototyp in Claude Design: Er skizziert ein Layout, lädt das MP4 hoch und versorgt Claude Design mit der Brand-Spec sowie dem Sketch. Claude generiert daraufhin die komplette Website mit dynamischen Elementen.
  4. Iteration mit Tweaks & Annotations: Claude Design bietet einen Tweaks-Panel mit live justierbaren Einstellungen – Farbpaletten, Schriften, Abstände, Overlay-Stärke – wodurch man ohne neue Prompts experimentieren kann. Außerdem können Änderungen direkt inline oder via Zeichnung/Kommentar vorgenommen werden.
  5. Deployment: Export als ZIP, Extraktion in einen lokalen Ordner, Öffnung in VS Code, Übergabe an Claude Code zum Push in ein privates GitHub-Repo, dann Import und Deployment auf Vercel.

  Effizienz-Tipps zum Sparen von Tokens:

  • Zuerst einen Wireframe machen, statt direkt „high-fidelity” zu gehen
  • Viel Kontext und Skizzen upfront geben (reduziert Iterationen)
  • Design-Systeme (ohne URL) separat nicht anlegen, wenn möglich; stattdessen ein ZIP exportieren und in Claude Code weiterverwenden
  • Pro Prompt nur eine visuelle Dimension ändern, statt Mega-Prompts abzusetzen
  • Von Opus 4.7 zu Sonnet 4.6 wechseln für kleinere Änderungen
  • Negationen nutzen („möchte das *nicht*”), um Fehlkorekturen zu vermeiden
  • Reale Referenzen nennen statt vager zu sein („wie Linear 2023″ statt „minimalistisch”)
  • Neue Sesssion starten, wenn Threads sehr lang werden, um Context-Window-Verschmutzung zu vermeiden

  Kostenfaktor:

  Claude Design kostet Tokens aus dem Design-Budget. Ein großes Projekt kann bei $20/Monat-Plan fast das gesamte wöchentliche Limit aufbrauchen. Bei höheren Plänen ist der Spielraum größer. Alternativ: Projekt exportieren, in Claude Code (mit separatem Budget) weitermachen.

  Limitations:

  • Video-Uploads capped bei etwa 30–40 MB
  • Mobile-Optimierung nicht automatisch; muss explizit angefordert werden
  • Tool ist in Research Preview

  Inspiration-Ressource: Er empfiehlt motions.ai (teilweise kostenlos, $99 für Lifetime-Premium), um bestehende Scroll-Journeys und Animationen als Vorlagen zu kopieren und an die eigene Brand anzupassen.

  Das Tutorial zeigt, dass Claude Design + Claude Code + GitHub + Vercel eine vollständige No-Code-Pipeline für responsive, animierte Websites bildet – sofern man Tokens bewusst einsetzt.

  Thematisierte KI-Tools: Claude Design (mit Claude Opus 4.7 im Planning, optional Sonnet 4.6), Claude Code, Claude Chat; externe Tools: Nano Banana, Key.ai (Canvas), motions.ai, GitHub, Vercel, VS Code. Format: Tutorial (Live-Demo mit Deployment).

• How to Never Hit Your Claude Session Limit Again
  20.4.2026, 20:16:08

  Zusammenfassung: How to Never Hit Your Claude Session Limit Again

  Das Video behandelt umfassend, wie man Claudés Sitzungslimits effizient nutzt und Tokenkosten spart.

  Grundkonzepte:

  • Der Kontext (alles, was Claude gleichzeitig “sieht”) wird bei jedem neuen Prompt vollständig erneut gelesen; die Tokenkosten wachsen exponentiell, nicht linear. Eine 100-Nachrichten-Session verschwendete 98,5% der Tokens nur beim Relesen der Historie.
  • Retrieval-Genauigkeit sinkt messbar von 92% bei 256.000 Tokens auf 78% bei 1 Million – ein größeres Fenster bedeutet nicht bessere Outputs, sondern “Context Rot” (degradierte Modellperformance durch Ablenkung).

  Kernstrategien:

  1. Slash-Re verwenden (empfohlenstes Anthropic-Habit): Zu früheren Nachrichten zurückspulen, alles danach löschen; verhindert, dass fehlerhafte Versuche die zukünftigen Responses verschmutzen.
  2. Session Handoff statt Auto-Compaction: Manuell (ab ~60% des Fensters) oder mit einem benutzerdefinierten Skill: Claude fasst den Stand zusammen, dann /clear + neuer Start mit sauberer Arbeitsfläche.
  3. Sub-Agenten delegieren: Jeder Agent erhält sein eigenes frisches Kontextfenster; besonders sinnvoll für günstigere Modelle (z.B. Haiku für Zusammenfassungen).
  4. Plan-Mode nutzen: Tokens upfront für Klarheit ausgeben verhindert teurere Korrektionen später.

  Praktische Optimierungen:

  • /btw für Nebenfragen, ohne die Gesprächshistorie zu belasten
  • Alle Formate in Markdown konvertieren (HTML: 90% Tokeneinsparung, PDF: 65–70%, DOCX: 33%)
  • Cloud.md unter 200 Zeilen (~2.000 Tokens) halten, spezialisierte Anweisungen in bedarfsabhängige Kontext-/Skill-Dateien auslagern
  • Markdown-Files statt PDFs/HTML bevorzugen, da Layout- und Metadaten-Rauschen entfernt wird
  • Token-Dashboard bauen/nutzen, um zu sehen, wo Tokens hingehen (Input vs. Output, Pro Projekt, Pro Prompt)
  • Session-Chaining: Große Projekte auf spezialisierte Sessions verteilen (Discovery → Planning → Execution)

  Größere Philosophie:

  Das 1-Million-Token-Fenster ist “Insurance, kein Ziel”. Der Autor bleibt meist unter 120K (~12%), um Gewohnheiten zu trainieren; nur die ersten 0–20% sind “Primetime”. Output-Tokens kosten mehr als Input, aber einfach nur “knapper schreiben” ändert nicht viel – kontextmanagement ist der entscheidende Hebel.

  Praktische Tipps:

  • Session-Limit-Anzeige immer im Blick (zweiter Monitor)
  • Strategisch überlegen: Token-intensive Tasks am Anfang der Session, wenn noch viel Raum ist
  • Wenn eine Session “off the rails” geht (auch vor Context Rot), einfach neu starten
  • Spezialisierte Repos nutzen (Rust Token Killer, Context Mode, Token Optimizer etc.), aber nicht alle gleichzeitig – je nach Workflow 2–3 auswählen

  Der Autor teilt kostenlose Ressourcen (Token Dashboard, Session Handoff Skill, Frameworks) in einer kostenlosen Community.

  Tools/Modelle erwähnt: Claude (Claude Code), Haiku, Opus; anthropische Best Practices dokumentiert. Format: Tutorial/Deep-Dive mit praktischen Demos und Frameworks.

NeuralNine (3 neues Videos)

• yfinance Crash Course: Financial Programming in Python
  24.4.2026, 16:00:41

  Zusammenfassung: yfinance Crash Course

  Das Video ist ein umfassendes Tutorial zur yfinance-Bibliothek in Python, die den Zugriff auf die Yahoo Finance API ermöglicht.

  Grundlagen und Ticker-Objekte:

  Der Creator zeigt, wie man yfinance installiert (via pip oder uv) und in Jupyter Lab nutzt. Die Basis ist das yf.ticker-Objekt für einzelne Aktien wie AAPL (Apple). Über ticker.info erhält man umfangreiche Daten: Unternehmensinformationen, Adressen, Website, Industrie, Sektor, Mitarbeiterlisten und Kennzahlen wie PE-Ratio und EPS.

  Weitere Ticker-Attribute:

  • analyst_price_targets: Kursziele von Analysten (Höchst-, Tiefst-, Mittel- und Medianwert)
  • quarterly_balance_sheet, quarterly_cash_flow, income_statement: Finanzialberichte als Pandas DataFrames
  • news: Schlagzeilen und Links zu Apple-bezogenen Nachrichten
  • calendar: Anstehende Events wie Gewinnmitteilungen mit erwarteten Werten
  • history(): Historische Aktienkurse mit Parametern wie period='6d' oder period='max' – liefert OHLC-Daten, Volumen, Dividenden und Splits für Chartanalysen

  Optionen und Fonds:

  ticker.option_chain() und ticker.options ermöglichen Zugriff auf Optionsdaten (Calls/Puts mit Strikepreisen, Geld-/Briefkurs). Für Indizes und ETFs wie SPY stehen zusätzliche Attribute zur Verfügung: fund_status, sector_weightings (z.B. 33% Technologie im S&P 500), top_holdings (größte Positionen wie Nvidia 8,6%), fund_description.

  Multiple Tickers und Download:

  Mit yf.tickers() (Plural) können mehrere Aktien gleichzeitig abgerufen werden; yf.download() ist eine leichtgewichtigere Alternative nur für Preisdaten.

  Markt-, Sektor- und Industrie-Daten:

  yf.market() (z.B. ‘US’) zeigt Marktstatus und -zusammenfassung. yf.sector() und yf.industry() ermöglichen hierarchische Exploration – z.B. Technologie-Sektor → Halbleiter-Industrie mit Top-Companies und ETFs.

  Kalender und Suche:

  yf.calendar() mit Datumspanne liefert Earnings-Termine, wirtschaftliche Events, IPOs und Stock Splits. yf.lookup() gibt Ticker-Symbole zu Suchbegriffen, yf.search() liefert umfangreichere Ergebnisse inklusive News (limitierbar mit max_results, news_count).

  Fortgeschrittenes Screening:

  Mit equity_query lassen sich Filter kombinieren (AND/OR-Logik): z.B. Region = US UND Kursänderung > 3%. yf.screen() mit Sort-Optionen findet Aktien nach Kriterien.

  Live-Daten via WebSockets:

  yf.websockets mit subscribe() abonniert Ticker-Symbole und listen(print) empfängt Echtzeit-Kurse in einer Schleife. Eine asynchrone Version ist für größere Anwendungen möglich.

  Proxies:

  Für skalierte Systeme können Proxy-Dienste (z.B. Bright Data) konfiguriert werden.

  Der Creator nutzt Jupyter Lab als interaktive Entwicklungsumgebung und zeigt, wie man einzelne Code-Zellen unabhängig voneinander ausführt – ideal für Datenexploration. Praktische Anwendungen erwähnt er: Analysetools, Option-Screener, technische Analyse, Value-Investing-Tools, Echtzeit-Handelsanwendungen.

  yfinance (Yahoo Finance API-Wrapper), Tutorial mit erweiterten Techniken.

• Coding AI Research Assistant in Python
  22.4.2026, 15:41:04

  Zusammenfassung: Coding AI Research Assistant in Python

  Das Video zeigt den Bau eines KI-gestützten Forschungsassistenten in drei Schritten. Zunächst wird mit Python und LangChain ein CLI-Prototyp entwickelt, der zu einem Thema und Forschungsfragen relevante wissenschaftliche Papers, Formeln und Trend-Analysen findet. Die Ausgabe wird mittels Pydantic als strukturiertes JSON-Modell definiert, das Felder für Papers (mit Titel, Autoren, Jahr, Venue, URL und Relevanz), Formeln (mit LaTeX-Code und Referenzen) sowie Trends enthält. Im zweiten Schritt wird eine Flask-basierte Weboberfläche um den Kern gebaut, um die Ergebnisse benutzerfreundlicher darzustellen.

  Das zentrale Problem: Der erste Prototyp mit GPT-5 halluziniert massiv – er erfindet Papers, die nicht existieren, oder verlinkt auf nicht vorhandene Seiten. Im dritten Schritt wird dies durch Integration des Consensus-MCP-Servers gelöst, der als Tool-Zugang zu echten, von Fachleuten begutachteten wissenschaftlichen Arbeiten fungiert. Der Agent wird dafür von einem reinen Chat-Modell zu einem LangChain-Agent umgebaut, der die vom MCP-Server bereitgestellten Tools nutzen kann. Nach der Integration findet das System tatsächlich existierende Papers aus dem gewünschten Zeitraum mit realen Links, sachlich korrekte Metriken und validierbare Trends – qualitativ ein Tag-und-Nacht-Unterschied.

  Verwendete Tools/Modelle und Format: LangChain, OpenAI GPT-5, Pydantic, Consensus MCP-Server – Tutorial.

• Claude Code: All Features For Power Users
  20.4.2026, 16:01:08

  Claude Code: All Features für Power User

  Das Video ist ein umfassender Crash Course zu Claude Code, der fortgeschrittene Funktionen für Power User abdeckt und mit den Basics beginnt.

  Installation und grundlegende Nutzung: Claude Code ist eine kommandozeilen- und desktop-basierte Anwendung, die als Agent-Engineer fungiert — es kann Befehle ausführen, Dateien lesen und bearbeiten, mit Genehmigung des Nutzers. Installation erfolgt je nach Betriebssystem durch verschiedene Wege (Paketmanager, Desktop-App, VS-Code-Extension).

  Slash-Commands: Die wichtigsten sind /model (Modellwechsel zwischen Opus 4.6, Sonnet und Haiku), /rewind (Undo-Funktion), /resume (Session fortsetzen), /usage (Quota-Übersicht), /stats (Nutzungsstatistiken), /config (Einstellungen) und /insights (detaillierte Analyse der eigenen Arbeitsweise mit Browser-Report).

  Claude MD Dateien: Markdown-Dateien (claude.md), die projektweite oder globale Anweisungen enthalten — Coding-Stil, Projektstruktur, Pakete, Best Practices. Sie werden beim Start geladen, wenn relevant.

  Skills: Fragmentierte Version von claude.md — separate Dateien unter .claude/skills/, jede mit Anweisungen für spezifische Werkzeuge (z.B. Python-Paketinstallation, Docker). Claude lädt nur die relevanten Skills situativ, spart so Context-Budget.

  MCP (Model Context Protocol): Verbindung zu externen APIs (Deep Wiki, Google Calendar, Slack, etc.) via claude mcp add. Ermöglicht Claude, mit neuen Datenquellen und Services zu interagieren.

  Plugins: Vorgefertigte Pakete aus einem Marketplace, die Skills, MCP-Server und Tools kombinieren. Installation mit /plugins discover oder /plugins install.

  Sub-Agents: Mit /agents lassen sich spezialisierte Agenten erstellen (z.B. UI-Designer, Backend-Specialist), denen man gezielt Tools entzieht oder zuweist. Der Master-Agent koordiniert sie — Kommunikation läuft über ihn.

  Agent Teams (experimentell): Umwelt-Variable CLAUDE_CODE_EXPERIMENTAL_AGENT_TEAMS=1 aktiviert dezentralisierte Teams von Agenten (z.B. UX, Architect, Devil’s Advocate), die untereinander kommunizieren, ohne über einen Master zu gehen. Deutlich teurer (Token-weise).

  Work Trees: Git-Feature, das Claude Code nutzt um mehrere isolierte Branches des gleichen Projekts parallel in verschiedenen Verzeichnissen zu bearbeiten — nützlich für A/B-Tests oder parallele Feature-Entwicklung.

  Memories: Claude speichert Informationen (z.B. Nutzernamen) sessionübergreifend, wenn man ihn explizit instruiert zu merken, dass sie in zukünftigen Sessions verfügbar sind.

  Claude Code (Opus 4.6 als Standardmodell); Deep-Dive/Tutorial-Format mit praktischen Demos.

Nic Conley (1 neues Video)

• Easiest Hermes Agent Setup (better than OpenClaw)
  21.4.2026, 13:38:32

  Das Video vergleicht die beiden Open-Source-AI-Agenten OpenClaw und Hermes, die von Nous Research entwickelt wurde. Der Hauptunterschied liegt darin, dass der Hermes-Agent durch eine eingebaute Lernschleife mit der Zeit intelligenter wird und seine Fähigkeiten an die Arbeitsweise des Nutzers anpasst. Im Gegensatz dazu vergisst OpenClaw oft vorherige Aufgaben und beginnt jede Sitzung neu, was frustrierend sein kann. Beide Agenten können auf eigenen Maschinen oder einem VPS betrieben und über Chat-Apps wie WhatsApp oder Telegram genutzt werden. OpenClaw hat jedoch ein größeres Ökosystem mit über 247.000 GitHub-Stars und mehr als 700 Community-Skills, während der Hermes-Agent direkt einsatzbereit ist und bereits 40 integrierte Tools bietet. Ein weiterer Vorteil des Hermes-Agenten ist seine höhere Sicherheit, da die integrierten Skills nicht von Dritten stammen und somit weniger anfällig für Malware sind. Der Hermes-Agent ist jedoch ein neues Projekt, das noch nicht so umfangreich getestet wurde wie OpenClaw. Das Video zeigt auch, wie man den Hermes-Agenten auf einem VPS einrichtet und mit Telegram verbindet, um ihn als persönlichen Assistenten zu nutzen. Der Hermes-Agent kann Aufgaben automatisieren, die normalerweise von einem Mitarbeiter erledigt werden würden, wie z.B. die Recherche von Veranstaltungen für einen Newsletter. Der Hermes-Agent ist für Intermediate und Advanced Nutzer geeignet, die eine leistungsstarke, lernfähige AI-Lösung suchen, während OpenClaw eher für technisch versierte Nutzer geeignet ist, die ein größeres Ökosystem und mehr Anpassungsmöglichkeiten bevorzugen.

Nick Saraev

Keine neuen Videos in diesem Zeitraum.

Niklas Steenfatt (1 neues Video)

• EINE NEUE ÄRA
  19.4.2026, 12:46:18

  Zusammenfassung: Eine neue Ära

  Der Creator testet Hermes, ein neu aufgekommenes Open-Source KI-Agenten-Projekt von Nous Research, das in den Kommentaren als potenzieller Nachfolger von OpenCore gepriesen wird. Er vergleicht beide Systeme praktisch, um zu klären, ob ein Wechsel sinnvoll ist.

  Hermes-Setup und erste Eindrücke: Hermes wird auf einem Hostinger VPS mit vorinstallierter Docker-Unterstützung eingerichtet, verbunden mit dem Anthropic Claude-Modell via API Key. Das Webinterface hat ein Vintage-Design und wirkt bedienungsfreundlicher als OpenCore.

  Kernunterschied der Konzepte: OpenCore konzentriert sich auf Integration mit anderen Tools (Tool Calling), während Hermes auf adaptives Lernen setzt – der Unterschied lautet also „Tool Calling versus Learning Loop”.

  Learning Loop als Unique Selling Point: Nach jeder erfüllten Aufgabe evaluiert Hermes automatisch seine Leistung und erstellt neue Skills selbstständig. Dies zeigt sich praktisch, als Hermes nach einer YouTube-Transkriptions-Aufgabe eigenständig einen speziellen YouTube-Skill mit Fallback-Mechanismen (z.B. NoGPIO als Workaround) entwickelt.

  Visuelles Showcasing: Hermes erstellt auf Aufforderung beeindruckende Excalidraw-Diagramme zur Visualisierung seiner Funktionsweise. OpenCore (Amadeus) kann gleichfalls solche Visualisierungen erzeugen, allerdings wird klar, dass die Qualität hier eher vom zugrunde liegenden Sprachmodell (Sonnet 4.6) abhängt als vom Agent selbst.

  Benutzererlebnis: Hermes fühlt sich subjektiv „smoother” an – durch Step-by-Step-Visualisierung von Agenten-Aktionen, Emojis und coolere Slash-Commands (z.B. /by-the-way für Zwischenfragen). Trotzdem behält der Creator Amadeus (OpenCore) für kritische Aufgaben, da dieser durch längere Zusammenarbeit und gespeicherte Markdown-Notizen bereits mehr Kontextwissen über ihn hat.

  Knowledge Transfer: Der Creator kopiert das OpenCore-Datenverzeichnis in den Hermes-Container, sodass Hermes Zugriff auf alle gesammelten Notizen und Kontexte von Amadeus erhält – ein interessantes Experiment zur Gedächtnis-Übertragung zwischen Agenten.

  Fazit: Beide Tools sind praktisch und sehr ähnlich. Hermes ist nicht der absolute Breakthrough, aber mindestens gleichwertig mit OpenCore. Der Creator plant, beide Agenten via Paperclip zusammen einzusetzen und sie kooperieren zu lassen.

  Explizit thematisierte KI-Tools/Agenten: Hermes, OpenCore, Anthropic Claude (Sonnet), Paperclip, Excalidraw (als Integration) — Demo/Tutorial-Hybrid mit praktischen Vergleichselementen.

No Priors: AI, Machine Learning, Tech, & Startups (1 neues Video)

• SAP: Bringing the ‘Operating System’ of a Company into the AI Era with CTO Philipp Herzig
  23.4.2026, 10:00:18

  Das Video ist ein Interview mit Philip Herzig, dem CTO von SAP, in dem er über die AI-Strategie von SAP, die Herausforderungen der Skalierung, die Bedeutung von AI für Geschäftsmodelle und die Zukunft der Unternehmenssoftware spricht. Herzig betont, dass SAP durch mehrere Technologiezyklen hindurch Bestand hatte, weil das Unternehmen sich auf die Erbringung von Ergebnissen für Kunden konzentriert hat. Er erklärt, dass SAP die breiteste Palette an Unternehmenssoftware-Anwendungen und -Plattformen anbietet, die von Finanz- und HR-Systemen bis hin zu Supply-Chain- und Logistikmanagement reichen. Herzig diskutiert auch die Integration von AI in SAPs Produkte und die Notwendigkeit, AI so zu gestalten, dass sie skalierbar und sicher ist. Er erwähnt, dass SAP bereits Produkte wie “Jewel for Consulting” eingeführt hat, die die Effizienz von Beratern um 30% steigern können. Herzig sieht drei Hauptbereiche, in denen AI die Unternehmenssoftware massiv verändern wird: Benutzeroberflächen, Geschäftsprozesse und die Datenebene. Er betont, dass die größte Herausforderung darin besteht, AI so zu gestalten, dass sie im Unternehmen die richtigen Ergebnisse erzielt. Herzig spricht auch über die Bedeutung von verifizierbaren Ergebnissen und die Notwendigkeit, AI so zu gestalten, dass sie mit bestehenden Systemen und Daten integriert werden kann. Er sieht große Chancen in der Kombination von strukturierten und unstrukturierten Daten, um bessere Entscheidungen zu treffen und Geschäftsprozesse zu automatisieren. Herzig ist der Meinung, dass AI die Arbeitsweise von Unternehmen grundlegend verändern wird, indem sie repetitive Aufgaben automatisiert und den Mitarbeitern ermöglicht, sich auf strategischere Aufgaben zu konzentrieren. Er sieht SAP gut positioniert, um von dieser Veränderung zu profitieren, weil das Unternehmen sich auf die Erbringung von Ergebnissen für Kunden konzentriert und eine flexible Architektur hat, die die Integration von AI ermöglicht. Herzig betont, dass die größten Herausforderungen für Unternehmen bei der Adoption von AI die Integration von Daten, die Skalierung von Lösungen und die Sicherheit von Systemen sind. Er sieht SAP gut positioniert, um diese Herausforderungen zu bewältigen, weil das Unternehmen über eine breite Palette von Anwendungen und Plattformen verfügt, die bereits in vielen Unternehmen im Einsatz sind.

  Das Video thematisiert explizit SAP und OpenAI und ist eher für Intermediate und Advanced gedacht.

Productive Dude (7 neues Videos)

• ChatGPT 5.5 “Spud” just dropped… did it destroy Opus 4.7?
  24.4.2026, 12:01:55

  Das Video bietet eine detaillierte Analyse und erste Eindrücke von GPT 5.5, das am 23. April 2026 veröffentlicht wurde. Der Autor vergleicht das Modell mit anderen KI-Modellen, insbesondere den Claude-Modellen von Anthropic, und hebt die Stärken und Schwächen von GPT 5.5 hervor. Zu den Hauptpunkten gehören die verbesserte Fähigkeit des Modells, Aufgaben eigenständig zu bewältigen, ohne ständige Überwachung, sowie seine Stärken in Bereichen wie Code-Schreiben und -Debugging, Online-Recherche, Datenanalyse, Dokumentenerstellung und Software-Bedienung. Der Autor testet GPT 5.5 live in Codeex und zeigt, wie das Modell mehrere komplexe Aufgaben gleichzeitig bewältigen kann, darunter die Erstellung eines Dungeon-Spiels, einer Landing Page und einer künstlichen Lebenssimulation. Die Benchmarks zeigen, dass GPT 5.5 in Bereichen wie langem Kontext, Terminalarbeit und komplexen Denkaufgaben gut abschneidet, während Claude 4.7 in der Softwareentwicklung und agentenbasierten Aufgaben überlegen ist. Der Autor kommt zu dem Schluss, dass GPT 5.5 besonders für langkontextuelle Aufgaben, Terminalarbeit und anspruchsvolle Denkprobleme geeignet ist, während Claude 4.7 besser für die tägliche Softwareentwicklung und agentenbasierte Aufgaben geeignet ist.

  Schluss-Kommentar: Das Video thematisiert explizit GPT 5.5 von OpenAI und Claude 4.7 von Anthropic und ist eher für Intermediate und Advanced Nutzer gedacht.

• Claude Live Artifacts just dropped… ALL your tools in one place!
  23.4.2026, 13:00:18

  Das Video zeigt, wie man mit Claude’s neuer Live-Artifacts-Funktion ein CRM-System erstellt, das Daten aus verschiedenen Quellen wie Notion, HubSpot, Google Sheets und Gmail aggregiert und in einem einheitlichen Dashboard anzeigt. Der Prozess beginnt mit dem Verbinden der gewünschten Apps über die Connector-Funktion in Claude. Anschließend erstellt man durch gezielte Prompts ein Live-Artifact, das die Daten in Echtzeit abruft und anzeigt. Der Nutzer demonstriert die Erstellung eines CRM-Dashboards mit Filtern für verschiedene Lead-Kategorien und einer integrierten E-Mail-Funktion, die über Gmail gesteuert wird. Nach einigen Anpassungen und Fehlerbehebungen zeigt das fertige Dashboard alle Leads aus Notion an und ermöglicht das direkte Verfassen von E-Mails an Kontakte. Das Video betont die Vielseitigkeit und Effizienz der Live-Artifacts-Funktion für die Datenaggregation und -analyse.

  Das Video thematisiert explizit Claude und ist eher für Intermediate oder Advanced Nutzer gedacht.

• ChatGPT Images 2.0 just dropped… text, transparency and more! 🤯
  21.4.2026, 22:40:54

  Das Video stellt die neueste Version von OpenAI’s Image-Modell, Image V2, vor und bewertet dessen Fähigkeiten und Grenzen. Der Creator hebt hervor, dass das Modell in der Lage ist, detaillierte Anweisungen zu folgen, Objekte präzise zu platzieren und dichte Texte zu rendern, allerdings mit einigen Einschränkungen bei der Textkonsistenz. Ein besonderes Feature ist die “Thinking”-Funktion, die das Modell in die Lage versetzt, Prompts zu analysieren und zu optimieren, was zu besseren Ergebnissen führt. Das Modell zeigt Stärken in der Erstellung von UIs, Magazine-Collagen, handschriftlichen Essays und photorealistischen Bildern. Es unterstützt verschiedene Aspektverhältnisse und ist in mehreren Sprachen verfügbar. Der Creator testet das Modell mit verschiedenen Aufgaben, wie der Erstellung von Webseiten-Mockups, der Redesign von YouTube-Thumbnails und der Generierung von Bildern mit transparenten Hintergründen. Dabei zeigt sich, dass das Modell zwar beeindruckende Ergebnisse liefern kann, aber auch einige Schwächen hat, insbesondere bei der Darstellung von Text und der genauen Umsetzung von Anweisungen. Am Ende versucht der Creator, ein Thumbnail für das aktuelle Video mit Hilfe von Image V2 zu erstellen, um die praktische Anwendbarkeit des Modells zu demonstrieren.

  Das Video thematisiert explizit OpenAI’s Image V2 und ist eher für Intermediate-Nutzer geeignet, die bereits Erfahrung mit KI-Tools haben.

• Claude + Higgsfield: Build Beautiful ANIMATED Websites! (Claude Tutorial)
  21.4.2026, 13:00:45

  Das Video zeigt, wie man mit Hilfe von KI-Tools wie Higgs Field und Claude Design schnell eine animierte Website erstellen und deployen kann. Der Prozess beginnt mit der Erstellung von Bildern und Videos in Higgs Field, wobei ein Bild in ein Video mit einer animierten Szene umgewandelt wird. Dieses Video wird dann in ein WebM-Format konvertiert und in Claude Design hochgeladen, wo eine Landing Page mit dem Video und zusätzlichen Elementen wie Text und Karten erstellt wird. Die fertige Website kann dann über Netlify deployed werden, wobei der gesamte Prozess in weniger als 5 Minuten abgeschlossen werden kann. Der Creator betont die Einfachheit und Schnelligkeit des Verfahrens und schlägt vor, solche Websites als Outreach-Methode zu nutzen, um potenzielle Kunden zu gewinnen.

  Schluss-Kommentar: Das Video thematisiert explizit Higgs Field, Claude Design, Claude Code und Netlify und ist eher für Intermediate und Advanced Nutzer gedacht.

• Claude Routines Tutorial: Automate Anything with Claude Ai!
  20.4.2026, 13:00:19

  Das Video erklärt die Nutzung von Claude Routinen, einer neuen Funktion von Claude, die es ermöglicht, automatisierte Aufgaben zu erstellen und auszuführen. Routinen können durch API-Aufrufe, Zeitpläne oder Webhooks ausgelöst werden und mit verschiedenen Tools wie Slack, Gmail und Google Calendar verbunden werden. Der Nutzer zeigt, wie man eine Routine erstellt, um Google Calendar zu überprüfen und tägliche Besprechungsbenachrichtigungen per Slack zu senden. Zudem wird demonstriert, wie man eine Routine mit einem API-Trigger einrichtet, um Leads zu bearbeiten, zu recherchieren, in ein CRM zu loggen und eine E-Mail-Entwurf zu erstellen. Die Schritte umfassen das Einrichten von Formularen, das Verbinden von APIs und das Testen der Automatisierung.

  Das Video thematisiert explizit Claude und ist eher für Intermediate Nutzer gedacht.

• Claude + Heygen: INSANE Automated Videos! (easy tutorial)
  19.4.2026, 12:00:22

  Zusammenfassung: Claude + HeyGen – Automatisierte Videos erstellen

  Carter Svrcek zeigt ein End-to-End-System zur vollautomatisierten Videoproduktion mit Claude Design, Claude Code und HeyGen.

  Motion Graphics mit Claude Design: Über einen natürlichsprachigen Prompt erstellt Claude Design animierte Motion-Graphics-Assets (Lower Thirds, Titel, Übergänge) mit grünem Hintergrund. Das generierte Projekt wird als ZIP-Datei exportiert – die Greenscreen-Basis ermöglicht einfaches Entfernen des Hintergrunds in Videobearbeitungssoftware wie Premiere mittels Keying-Tools.

  Rendering mit Hyperframes: Die ZIP-Datei wird in Claude Code geladen. Dort nutzt man die HeyGen-Hyperframes-Skill, um das Projekt als HTML zu öffnen, in der Vorschau zu testen und letztlich als Video zu exportieren.

  Vollständig automatisiertes Video: Durch HeyGen for Agents kann Claude Code ein komplettes Videoprojekt orchestrieren: Es recherchiert aktuelle News, schreibt ein Skript, nutzt einen erstellten Avatar mit spezifischer Stimme, integriert die Motion-Graphics-Overlays, entfernt den grünen Hintergrund und rendert das finale Video – alles in einem Prompt. Dafür wird die HeyGen-API mit lokalen Umgebungsvariablen konfiguriert (Avatar ID, Voice ID, API Key).

  Resultat: Das System liefert innerhalb kurzer Zeit ein professionell wirkendendes Video mit Nachrichteninhalt, Avatar-Bewegungen und animierten Grafiken. Die Qualität übertrifft bisherige AI-Avatar-Lösungen merklich, wobei der Sprecher jedoch empfiehlt, „Source Avatare” für noch bessere Ergebnisse zu verwenden.

  Tools/Anbieter: Claude (Claude Design, Claude Code), HeyGen (Hyperframes, Avatar-Skill, API), Anthropic; Format: Tutorial mit Demo.

• 23 INSANE Claude Code Skills… to build your SaaS! (from Gary Tan)
  19.4.2026, 00:11:31

  Zusammenfassung: 23 Claude Code Skills aus dem G Stack von Gary Tan

  Der G Stack ist ein von Gary Tan (CEO von Y Combinator) veröffentlichtes Set aus 23 Markdown-Dateien mit spezialisierten Skills für verschiedene Rollen (CEOs, Designer, Engineers, Manager, QA). Mit 76.000 GitHub-Stars präsentiert es sich als potentieller Ersatz für ein ganzes Software-Engineering-Team.

  Installation und Setup: Der G Stack wird via Claude Code installiert, indem man das Repository klont und dann zwei Projektordner öffnet – einen mit dem G Stack selbst, einen mit dem eigenen Projekt (im Demo: Lerty, eine frühe SaaS mit 10K ARR).

  Wichtigste angewandte Skills:

  • Office Hours: Führt einen konsultativen Prozess durch, stellt kritische Fragen zum Projekt und generiert konkrete Ergebnisse (Design Docs, GitHub Issues, Produktverbessserungsvorschläge) – bewertet nicht bloß positiv, sondern stellt grundlegende Annahmen in Frage.
  • Auto Plan: Kombiniert vier spezialisierte Perspektiven (CEO, Designer, Engineer, Developer Experience) in einer sequentiellen Analyse mit automatisierten Entscheidungen basierend auf sechs definierten Prinzipien; produziert strukturierte Pläne mit vier verschiedenen Verdikten und Action Items.
  • Design Shotgun: Generiert mehrere parallele Design-Varianten und zeigt sie side-by-side im Browser zur Iteration – funktioniert als Brainstorming-Partner für visuelle Komponenten.

  Der G Stack organisiert Skills auch in Kategorien wie Strategy & Planning, Design, Quality & Debugging, Shipping & Releasing sowie Upgrade-Management. Die Tipps zum Prompt-Engineering (z.B. Gating-Fragen mit Claudes Question-Answer-Tool formatieren) erhöhen die Nutzerfreundlichkeit bei vielen Fragen.

  Claude Code, G Stack (von Gary Tan/Y Combinator), Meinung/Reflexion mit Anwendungs-Demo.

Sebastien Dubois

Keine neuen Videos in diesem Zeitraum.

Simone Rizzo (2 neues Videos)

• GPT 5.5 batte Opus 4.7? La verità dopo i test
  24.4.2026, 11:48:40

  GPT 5.5 vs. Opus 4.7 – Testvergleich

  OpenAI hat GPT 5.5 veröffentlicht, ein inkrementelles Update zum Vorgänger GPT 5.4. Laut OpenAIs offiziellem Artikel vom 23. April 2026 zeichnet sich das Modell durch besseres Verständnis von Nutzerintentionen aus – es arbeitet eigenständiger, benötigt weniger Benutzerführung und glänzt bei Code-Debugging, Recherche, Datenanalyse und Office-Arbeiten. GPT 5.5 kann auch ungeordnete Multitasking-Anfragen verarbeiten, planen, Tools nutzen und mit Mehrdeutigkeiten umgehen.

  Auf Benchmarks (Artificial Analysis Intelligence Index) rangiert GPT 5.5 an erster Stelle, mit Opus 4.7 Max auf Platz drei. Ein wesentlicher Vorteil: GPT 5.5 arbeitet effizienter – beispielsweise benötigt es auf Termial Bench 2.0 nur 14.500 statt 18.000 Token und liefert gleichzeitig bessere Ergebnisse. Besondere Verbesserungen zeigen sich in Genetic Coding, Computer-Use und Knowledge Work.

  Praktische Tests mit Open Code (um fairere Bedingungen zu schaffen als ein Cloud-vs.-ChatGPT-Vergleich):

  1. Neuroflow-Webseite: Beide Modelle produzieren ähnliche Ergebnisse. GPT 5.5 nutzte 21.881 Token in 2 Minuten (€0,66), Opus 32.753 Token in 9 Minuten (€1,00). Gleichstand.
  1. Sonnensystem-Simulation: Opus fiel leicht besser aus (bessere Schatten, stabilere Performance). GPT 5.5: 16.000 Token / 5 Min.; Opus: 23.000 Token / 1 Min. Leicht Opus.
  1. FPS-Zombie-Spiel: Opus überzeugte mit besserer Grafik, Waffendesign und Spielphysik. GPT 5.5: 23.000 Token / 9 Min.; Opus: 43.460 Token / 7 Min. Klar Opus.
  1. Evolutives Ökosystem-Spiel: GPT 5.5 wählte Python (bessere Simulationsverwaltung), Opus wählte Browser/JavaScript. GPT 5.5: 16.000 Token / 4 Min.; Opus: 31.000 Token / 2 Min. Leicht GPT 5.5.

  Gesamtbetrachtung: Opus ist durchschnittlich 2,25× schneller, GPT 5.5 produziert 67% weniger Token. Opus kostet etwa 39% mehr pro Test. Qualitativ liegen beide auf ähnlichem Niveau – für Durchschnittsnutzer kaum wahrnehmbar.

  Kritikpunkt Preisgestaltung: Trotz weniger Token-Verbrauch verdoppelte OpenAI die Output-Kosten (von $15 auf $30 pro 1 Mio. Token). GPT 5.5 Pro kostet noch deutlich mehr ($180 Output). Die Einsparung durch weniger Token wird also teilweise durch höhere Preise aufgezehrt.

  Fazit des Testers: GPT 5.5 ist ein inkrementelles Update ohne bahnbrechende neue Architektur oder Features. Performance und Qualität rangieren auf Augenhöhe mit Opus 4.7 – für spezialisierte Developer und Researcher könnte eine Differenz in komplexen Szenarien entstehen, für Normalnutzer ist der Unterschied marginal.

  Explizite Modelle/Anbieter: OpenAI GPT 5.5, Anthropic Opus 4.7, Gemini 3.1 Pro, weitere chinesi­sche Modelle erwähnt (Autarch, Kimi K2); Testtool: Open Code — Demo/Vergleich.

• RAG è già vecchio? Il nuovo modo di costruire Knowledge Base per AI con LLM Wiki
  21.4.2026, 17:50:31

  Zusammenfassung: RAG ist veraltet? LLM Wiki als neue Knowledge-Base-Methodik

  Das Video beschreibt die Entwicklung von drei Generationen zur Verwaltung von Wissensdatenbanken für Large Language Models, wobei LLM Wiki als neueste Methode präsentiert wird, die von Andrew Carpenti entwickelt wurde.

  Die drei Generationen im Überblick

  Generation 1 – RAG (Retrieval Augmented Generation, 2022): Dokumente werden in Chunks zerlegt, über ein Embedding-Modell in Vektoren konvertiert und in einer Vektordatenbank gespeichert. Bei einer Anfrage wird die Query ebenfalls vektorisiert und ähnliche Dokumentblöcke per Vektorsuche abgerufen, um sie dann zum LLM zu augmentieren. Problem: Kontextverlust durch Chunking, unsichtbare Querverweise, Ähnlichkeit ≠ Relevanz, keine Wissensakumulation über Abfragen hinweg.

  Generation 2 – Agentic File Search: Das System basiert auf dem Dateisystem statt auf Vektordatenbanken. Der Agent navigiert intelligent durch Ordnerstrukturen und Dateien (in Markdown-Format), kann mehrere Agenten parallel laufen lassen und selektiv nur relevante Dokumente vollständig lesen – spart Token. Querverweise können zur Laufzeit verfolgt werden, die Dateihierarchie wird Teil des Reasoning des Modells.

  Generation 3 – LLM Wiki: Wissen wird einmalig in ein persistentes Artefakt kompiliert (eine Wiki-Struktur) und dann laufend aktualisiert – wie Wikipedia. Keine Rekonstruktion bei jeder Anfrage nötig. Der Agent navigiert durch verlinkte Markdown-Dateien, die ein Wissensgraph darstellen.

  Praktischer Aufbau mit LLM Wiki

  Architektur in drei Schichten:

  1. Raw-Layer: Rohdaten (PDFs, CSVs, Bilder, Web-Inhalte)
  2. Wiki-Layer: Strukturierte Markdown-Dateien mit Konzepten, Entitäten, Synthesen, Index und Log
  3. Schema-Layer: Cloud.md-Datei mit Regeln für den Agenten

  Workflow:

  • Data Ingest: Dokumente in /raw laden (via Web-Clipper-Extension für Browser oder manuell), Agent strukturiert diese in Wiki-Format
  • Abfragen (Q&A): Agent liest Index, springt zwischen verlinkten Dokumenten, antwortet basierend auf lokalen Daten
  • Linting: Automatische Health-Checks der Wiki – findet inkonsistente Daten, fehlende Links, orphane Seiten

  IDE & Visualisierung: Obsidian (kostenlos für Windows/Mac/Linux) visualisiert die Dateien und bietet eine Graph-View, die die Vernetzung zeigt. Optional kann der Agent Antworten als MARP-Markdown-Präsentationen formatieren, die via Obsidian-Plugin angezeigt werden.

  Praktisches Beispiel im Video

  Der Referent erstellt live eine Wiki zum Thema “Diäten”: Er lädt mehrere Web-Artikel und PDFs mit öffentlichen Förderbändern ins Raw-Verzeichnis, lässt den Agent diese ingerieren, und stellt dann Abfragen wie “Beste Diät für Gehirnleistung?” oder “Welche Förderung passt zu meiner KI-Consultingfirma?” Der Agent navigiert automatisch durch die verlinkten Seiten, zieht Informationen zusammen und kann die Antwort als Präsentation exportieren.

  Schlüssel zum Erfolg

  Das Kernprinzip: Die langweilige Arbeit ist nicht Denken, sondern Buchführung (Cross-References, Konsistenz, Aktualität). LLMs langweilen sich nicht – sie können mühelos 15–30 Dateien auf einmal überarbeiten, während Menschen die Wikis abgeben und vergessen. Daher eignet sich LLM Wiki ideal für persönliche Notizbücher, Unternehmens-Dokumentation, juristische/wissenschaftliche Sammlungen, interne Team-Wikis und Wettbewerbsanalysen.

  Thematisierte Systeme: RAG, Agentic File Search, LLM Wiki (Andrew Carpenti), Obsidian, Claude/Open Code (als Coding Agent), OpenClow mit Memory Wiki Plugin; Format: Tutorial mit Live-Demo.

Tech With Tim (5 neues Videos)

• Local Models Got a HUGE Upgrade – Full Guide (Ollama/OpenClaw)
  24.4.2026, 14:14:05

  Local Models Got a HUGE Upgrade – Full Guide

  Das Video zeigt, wie man lokale KI-Modelle auf dem eigenen Computer betreibt und sie mit OpenClaw verbindet, um unabhängig von Cloud-Diensten zu werden und Kosten zu sparen.

  Hardware-Anforderungen: Die Auswahl des richtigen Modells und der Hardware ist entscheidend. Auf Mac ist die gesamte Systemverwaltung relevant (im About-Fenster einsehbar), auf Windows/Linux dagegen die VRAM des Nvidia-GPUs. Die lokalen Modelle können etwa 100% dieser Ressourcen nutzen, weshalb ältere Hardware (6+ Jahre) praktisch nicht infrage kommt.

  Installation mit Ollama: Das kostenlose Tool Ollama wird per Terminalbefehl installiert und ermöglicht es, Modelle herunterzuladen und lokal auszuführen. Das Video empfiehlt Gemma 4 als aktuell beste Option mit Tool-Support für OpenClaw. Bei der Modellauswahl sollte man die Größe (z.B. 9GB, 20GB) mit dem verfügbaren RAM abgleichen – größere Modelle bringen bessere Performance, brauchen aber mehr Speicher und werden langsamer.

  OpenClaw-Integration: Nach ollama pull gemma4:31b (oder ähnlich) wird das Modell mit openclaw configure konfiguriert. Man wählt Ollama als Provider, setzt es auf „local only”, bestätigt die Modelle und führt openclaw gateway restart aus. Danach ist das Modell in OpenClaw verfügbar und kann mit /model [modellname] gewechselt werden.

  Hybrid-Ansatz: Das Video empfiehlt, lokale Modelle als Standard zu nutzen und Cloud-Modelle (etwa OpenAI oder Anthropic) nur bei komplexeren Aufgaben hinzuzuschalten – entweder für maximale Geschwindigkeit/Kostenersparnis oder als Kombination für optimale Ergebnisse.

  Bonus: Der Anbieter Link Ventures führt ein Programm namens ClawComp durch, das über drei Monate einen kostenlosen Mac mini zum Entwickeln mit OpenClaw und lokalen Modellen vergibt (Bewerbungsfrist 8. Mai, Abschluss mit „Claw Week” in Cambridge).

  Ollama und OpenClaw wurden thematisiert – Tutorial-Format mit technischem Fokus auf Anfänger bis fortgeschrittene Nutzer.

• Hermes Agent Full Tutorial for Beginners | Setup Guide
  23.4.2026, 14:00:05

  Hermes Agent – Einrichtungsanleitung für Anfänger

  Hermes Agent ist eine selbstlernende KI-Agent-Plattform des Entwicklers Nous Research, die sich vor allem durch eine integrierte Lernschleife von Konkurrenzsystemen wie Open Claw unterscheidet. Das System verbessert sich automatisch, erstellt neue Skills, plant Tasks und aktualisiert seine Erinnerungen kontinuierlich. Im Gegensatz zu Open Claw wird Hermes besser, je mehr man es nutzt, während andere Systeme im Laufe der Zeit schlechter werden können.

  Sicherheit und Deployment: Der Agent hat Zugriff auf den gesamten Computer (Browser, Terminal, Dateisystem). Deshalb wird der Betrieb auf einem dedizierten Gerät empfohlen – idealerweise ein virtueller Private Server (VPS), da dieser günstiger, isoliert und störungssicher läuft. Für dieses Tutorial wird Hostinger mit One-Click-Installation verwendet.

  Installation und Konfiguration: Nach dem VPS-Deployment erfolgt die Konfiguration über eine interaktive Web-Dashboard mit Anmeldedaten. Als Modellprovider wird OpenAI Codex empfohlen. Zur Messaging-Integration wird Telegram nahegelegt: Man erstellt über den BotFather einen neuen Telegram-Bot, erhält einen Bot-Token und konfiguriert erlaubte User-IDs (mindestens eine, um den Bot nicht öffentlich zu machen). Der Bot kann dann über die Terminal-UI mit hello world getestet werden.

  Gateway und Messaging: Um den Bot von außen (z.B. Telegram) zu erreichen, muss das Gateway mit dem Befehl hermes gateway laufen. Ohne aktives Gateway reagiert der Bot nicht auf externe Nachrichten.

  Fähigkeiten hinzufügen:

  • Firecrawl für Web-Zugriff: API-Key wird via hermes config set firecrawl_api_key gesetzt; ermöglicht Web-Suchen
  • Voice-Funktion: Installation der erforderlichen Dependencies mittels pip install hermes-agent-all und Systembibliotheken ermöglicht Spracheingabe/-ausgabe in Telegram
  • Cron-Jobs: Der Bot kann wiederkehrende Aufgaben planen (z.B. täglich 9 Uhr eine Morgen-Briefing mit Top-3-AI-Trends recherchieren)

  Skills-Konzept: Skills sind wiederverwendbare Workflows, die der Agent referenziert. Man kann dem Bot Skills direkt zuweisen ("Bitte erstelle folgende Skill für mich") oder er entwickelt sie selbst weiter.

  Zusätzliche Features: hermes setup erlaubt Konfigurationsänderungen; hermes doctor diagnostiziert Probleme. Der Bot speichert Session-Historien und Memory-Artefakte und kann vergangene Konversationen abrufen.

  Die Kernidee: Nach Grundsetup kreativ mit dem Bot arbeiten – er wird durch Nutzung selbst besser, erstellt eigene Skills, verfeinert Erinnerungen und passt sich an den Nutzer an.

  Explizite Tools/Anbieter: Hermes Agent (Nous Research), OpenAI Codex, Telegram, Firecrawl, Hostinger VPS, Whisper Flow (Voice-Diktation, erwähnt nebenbei), Open Claw (Vergleich), Eleven Labs (optional für Text-to-Speech) — Tutorial, anfängerfreundlich.

• Build an AI Email Assistant with Code | Full AI Tutorial
  22.4.2026, 13:00:17

  Das Video zeigt den Aufbau eines KI-E-Mail-Assistenten, der auf E-Mails antwortet und automatisierte E-Mails versendet.

  Demo des Finalprodukts: Der Assistent empfängt E-Mails, sendet automatisch eine Willkommensnachricht bei der ersten E-Mail eines Kontakts und antwortet mit KI-generiertem Text. Ein Dashboard verfolgt alle Kontakte und E-Mail-Aktivitäten nach; Nutzer können Rundfunk-E-Mails an alle gesammelten Kontakte versenden.

  Tech-Stack: Next.js, Postmark (E-Mail-Service), Anthropic API (Claude), Better SQLite 3 (Datenbank), Drizzle ORM.

  Hauptschritte der Implementierung:

  1. Projekt-Setup: Neue Next.js-App mit TypeScript, ESLint, Tailwind CSS erstellen; Dependencies installieren (Postmark SDK, Anthropic SDK, Drizzle, Better SQLite 3).
  1. Konfiguration: Drizzle-Config-Datei, .env-Datei für API-Keys (Postmark-Token, Anthropic-API-Key, Sender-E-Mail) erstellen.
  1. Postmark-Setup: Server im Postmark-Dashboard erstellen, Sender-Signatur verifizieren (über E-Mail-Bestätigung), inbound Webhook URL später konfigurieren.
  1. Datenbank-Schema: Zwei Tabellen definieren – messages (Thread-ID, Rolle, Inhalt, Zeitstempel) und contacts (E-Mail, Name, Willkommensstatus, Zeitstempel).
  1. Datenbank-Funktionen: saveMessage, getRecentMessageLog, upsertContactFromInbound, markWelcomeSent, shouldSendWelcome, getAllContacts schreiben.
  1. E-Mail-Handling: POST-Endpoint /api/inbound erstellen, der Inbound-Payloads von Postmark empfängt, E-Mail-Details extrahiert, Willkommensnachricht ggf. sendet, Anthropic API aufruft (mit System-Prompt), Antwort speichert und als E-Mail zurücksendet.
  1. Webhook-Verwaltung: Ngrok nutzen, um localhost-Server öffentlich erreichbar zu machen; Ngrok-URL + /api/inbound in Postmark als Webhook eintragen.
  1. Testing: E-Mail an die Postmark-Inbound-Adresse senden, Webhook-Auslösung im Terminal beobachten.

  Das Tutorial ist als Schritt-für-Schritt-Anleitung strukturiert; der komplette Code ist auf GitHub verfügbar. Der Host merkt an, dass das Tutorial Grundkenntnisse in JavaScript, TypeScript und Next.js voraussetzt.

  Explizit thematisiert: Anthropic/Claude (API), Postmark (Service), Next.js, Drizzle (ORM), Better SQLite 3, Ngrok — Tutorial-Format für leicht fortgeschrittene Entwickler.

• I Built an AI Agent in 20 Minutes – Here’s How
  20.4.2026, 13:53:04

  Der Creator zeigt, wie man in kurzer Zeit einen funktionsfähigen KI-Agenten mit MaxClaw aufbaut – einer gehosteten Version von OpenClaw auf der MiniMax-Infrastruktur. Seine Freundin nutzt täglich einen solchen Agenten vom Smartphone aus für Recherche und Planung, ohne technische Kenntnisse zu besitzen.

  Das System MaxClaw:

  MaxClaw verzichtet auf die komplexe manuelle Konfiguration, die sonst nötig wäre (API-Keys, Modell-Deployment, MCP-Config, Security). Stattdessen bietet es out-of-the-box Werkzeuge wie Web-Suche, Bildgenerierung, Videogenerierung, Code-Ausführung und Web-Scraping sowie über 10.000 vorgefertigte Experten, aus denen man wählen kann. Die Plattform funktioniert auf Web, Desktop, Mobile, Telegram, Discord und Slack.

  Das zugrunde liegende Modell M2.7:

  Das MiniMax-Modell M2.7 zeichnet sich durch seinen Trainingsprozess aus – das Modell verbesserte die Training-Infrastruktur selbst über 100 Iterationen ohne menschliche Intervention und erzielte eine 30%-Verbesserung. Es erreicht 97% Compliance beim Tool-Calling mit 20-40+ Tools, während vergleichbare Modelle nur 74% erreichen. Damit ist es konkurrenzfähig zu Frontier-Modellen wie Opus und GPT, läuft aber günstiger.

  Pricing:

  MiniMax bietet Credits-basierte Pläne ab 19$/Monat (mit zusätzlich 200 täglichen Gratisbescheinigungen) oder einen Token-Plan ab 10-20$/Monat, der multimodalen Zugriff (Text, Bild, Video, Sprache) mit großzügigen Limits bietet. Der Ersteller nutzt einen +20-Plan und erhält 12% Rabatt über seinen Link.

  Praktische Demos:

  Der Creator deployt mehrere MaxClaw-Agenten mit unterschiedlichen vorgebauten Experten: (1) einen Image-Gen-Expert, der auf Basis von Web-Recherche zu „Tech with Tim” ein Cartoon-Porträt erstellt; (2) einen Trend-Intel-Expert, der aktuelle AI- und OpenClaw-News aggregiert und auf Anfrage automatisierte Berichte einrichten kann; (3) einen Default-Expert mit Coding-Skills, der innerhalb von Sekunden eine Landing-Page mit KI-Bildern und generiertem Video auswirft.

  In allen Fällen sind die Tools automatisch integriert – keine manuellen Konfigurationen nötig.

  Bewertung:

  Der Creator hält MaxClaw für ideal, wenn man schnell einen KI-Agenten mittlerer Komplexität benötigt, ohne technische Tiefe zu gehen. Für super advanced, hochgradig konfigurierbare Setups ist ein selbst gehostetes OpenClaw besser. Kostneutral ist MaxClaw deutlich günstiger als eigene OpenClaw-Instanzen, da Hosting und alle Modality-Nutzungen in einem Plan enthalten sind (vs. separate API-Abos, die schnell 30-200+$/Monat kosten).

  Explizite Tools/Anbieter: MiniMax, OpenClaw, M2.7-Modell, MaxClaw-Plattform. Format: Demo/Tutorial.

• I Replaced OpenClaw With Perplexity Computer…
  19.4.2026, 12:36:24

  Zusammenfassung: Perplexity Computer vs. OpenClaw

  Perplexity hat eine neue Computer-Funktion veröffentlicht, die als Agent-Tool ohne Konfigurationsaufwand funktioniert — im Gegensatz zu OpenClaw, bei dem umfangreiche Einrichtung erforderlich ist. Die Computer-Funktion ist cloud-nativ, kostet $200/Monat für den Max-Plan und erfordert keine API-Key-Verwaltung oder manuelle Modellauswahl.

  Vergleich der Ansätze:

  • OpenClaw: Volle lokale Kontrolle, unendlich konfigurierbar, aber zeitaufwendig zu konfigurieren, anfällig für Fehler und Sicherheitsprobleme. Der Autor beklagt, dass selbst erfahrene Entwickler Stunden für Setup brauchen.
  • Perplexity Computer: Cloud-basiert, null Konfiguration, automatische Orchestration zwischen Frontier-Modellen (Opus, Gemini, Grok etc.), parallele Sub-Agents, isolierte Compute-Umgebung, selbstheilend, immer verfügbar — auch ohne deine Maschine anzulassen.

  Praktische Demos:

  Der Autor zeigt zwei Beispiele: (1) Er fragt die Computer nach den Top-5-AI-Agent-Tools mit Preisen und Stärken/Schwächen — sie generiert innerhalb von 8:25 Minuten eine vollständige interaktive Web-Anwendung mit Vergleichsgrafiken und Dark-Mode. (2) Ein Finanz-Dashboard zu Nvidia, Microsoft und Anthropic mit Aktienpreisen, Analyst-Sentiments und News — fertig in 12 Minuten.

  Ein drittes Beispiel zeigt Integration mit Slack: Der Autor verbindet Google Drive, Gmail und Slack, weist die Computer an, täglich Morgens sein Inbox zu überwachen, wichtige E-Mails zusammenzufassen, Antworten zu drafting und alles in ein Notion-Dashboard zu formatieren. Die Computer antwortet direkt im Slack und kann sofort einen Test-Briefing erstellen.

  Fazit des Autors zur Nutzung:

  Wer bereits OpenClaw produktiv nutzt und konfiguriert hat, wird nicht komplett umsteigen — aber für schnelle One-off-Tasks (Berichte, Dashboards, Ad-hoc-Automation) sieht der Autor Perplexity Computer als überlegen an, weil kein Setup nötig ist. Für wiederkehrende Business-Automationen bleibt OpenClaw die bessere Wahl, weil es speziell konfiguriert sein kann. OpenClaw bietet auch Kostenersparnis für Leichtnutzer (z.B. $10/Monat VPS + $5 Token vs. $200/Monat).

  Explizite Tools: OpenClaw, Perplexity Computer, Anthropic (Claude/Opus), Google Gemini, Grok — Demo/Vergleich

TheAIGRID (5 neues Videos)

• How To Use GPT 5.5 For Beginners – GPT 5.5 Tutorial
  24.4.2026, 17:56:32

  Zusammenfassung: How To Use GPT 5.5 For Beginners – GPT 5.5 Tutorial

  Das Video zeigt Anfängern, wie sie GPT 5.5 optimal nutzen. Der erste wichtige Schritt ist, das Modell in den Einstellungen (oben rechts → Configure) zu aktivieren und sicherzustellen, dass „Extended” statt „Standard” ausgewählt ist – „Standard” reicht für einfache Anfragen aus, sollte aber nicht dauerhaft an sein, um Kosten zu sparen.

  Ein häufiger Anfängerfehler ist die Nutzung von GPT 5.5 im nativen ChatGPT-Interface, das die Fähigkeiten des Modells einschränkt. Stattdessen sollte man Codex verwenden (über die Sidebar oder App-Download), um echte Aufgaben wie das Erstellen von Excel-Dateien, PowerPoint-Präsentationen und Web-Apps umzusetzen. In Codex sollten zunächst die Einstellungen auf „same power and less technical details” konfiguriert und das Modell auf GPT 5.5 mit mittlerem Reasoning-Level eingestellt werden.

  Das Video demonstriert konkrete Beispiele: Eine Excel-Datei für Geschäftsplanung wurde in etwa 3 Minuten erstellt, eine PowerPoint-Präsentation in 4–5 Minuten. Die Plan-Mode-Funktion (Plus-Button) ist besonders wertvoll für komplexe Aufgaben, da sie einen Arbeitsplan erstellt, den man vor der Ausführung überprüfen kann, bevor Credits verbraucht werden. Weitere Möglichkeiten sind Web-Apps und Agentic-Aufgaben wie Website-Tests mit Browser Use (über Plugins). Wichtig: Anders als im Standard-ChatGPT-Interface läuft Codex auch dann weiter, wenn man einen neuen Chat öffnet. Bei schwierigen Aufgaben empfiehlt der Tutor, das Reasoning auf „High” oder „Extra High” zu erhöhen. Abschließend wird darauf hingewiesen, dass GPT 5.5 teurer ist und man die Rate Limits in den Einstellungen überwachen sollte.

  OpenAI GPT 5.5 und Codex; Tutorial für Anfänger.

• How To Use ChatGPT Agents – Workspace Agents Tutorial
  23.4.2026, 03:45:11

  Zusammenfassung: How To Use ChatGPT Agents – Workspace Agents Tutorial

  Zugang zu Agents: ChatGPT Agents sind nur über die Business-Version zugänglich – man muss sein Konto upgraden und dann statt im persönlichen Bereich in den Business-Bereich gehen. Im Sidebar findet man dann die Agents-Registerkarte.

  Was ist ein Agent? Ein Agent ist ein System, das Anweisungen befolgt, Fähigkeiten nutzt, über mehrere Tools arbeitet und Aktionen ausführt. Er wandelt eine Anfrage durch einen strukturierten Prozess in abgeschlossene Arbeit um (z.B. Follow-up-Entwürfe schreiben, CRM-Notizen vorbereiten, zur Überprüfung bereitstellen).

  Agent erstellen: Man klickt auf „Create Agent”, kann Vorlagen nutzen oder in Natursprache beschreiben, was der Agent tun soll. Der Agent Builder denkt in Echtzeit über den besten Aufbau nach. Man authentifiziert sich in erforderlichen Apps direkt im Chat und kann einen Zeitplan für den Agent festlegen. Wichtig ist: je mehr Kontext in der Eingabeaufforderung, desto besser der erste Entwurf.

  Testing: Vor dem Live-Gehen sollte man Evaluations (Evals) durchführen – realistische Testfälle (häufige Anfragen), unordentliche Eingaben (unvollständig/konfliktreich) und Edge Cases (ungewöhnliche aber mögliche Anfragen). Wenn etwas fehlschlägt, sollte man dem Agent konkret sagen, was schiefgelaufen ist, damit er seine Anweisungen aktualisiert.

  Praktische Beispiele:

  • Produktfeedback-Agent: Sammelt Feedback aus verschiedenen Quellen, fasst wiederkehrende Probleme zusammen, postet tägliche Updates in Slack und erstellt Tickets im Ticketing-System.
  • Reporting-Agent: Erstellt wöchentliche Reports aus Google Drive, nutzt Skills für konsistente Metrik-Definitionen, läuft automatisch nach Zeitplan.
  • Sales-Agent (Spark): Recherchiert neue Leads, bewertet sie, sendet Outreach-Emails, plant Follow-ups automatisch.
  • Vendor-Risk-Manager (Trove): Führt Due-Diligence durch, nutzt vorhandene Finance-Skills, erstellt strukturierte Risk-Assessment-Reports in Minuten.

  Wichtige Konzepte: Agents können mit Skills arbeiten (wiederverwendbare Prozessdefinitionen), auf Zeitplan laufen oder manuell getriggert werden, Verbindungen zu Apps haben (Berechtigungen sind entscheidend) und ihre Run-History zeigt alle Schritte und Outputs zur Transparenz.

  OpenAI als Anbieter, ChatGPT-Plattform: Tutorial mit praktischen Demo-Beispielen.

• ChatGPT Images 2 Tutorial For Beginners (With New Tips And Tricks)
  21.4.2026, 22:11:11

  ChatGPT Images 2 Tutorial für Anfänger

  Das Tutorial zeigt die wichtigsten Funktionen und Anfängerfehler bei der Nutzung von ChatGPT Images 2.0.

  Grundlagen und Templates: Nach dem Öffnen der Images-Sektion können Anfänger mit Templates starten. Wichtig: Templates nutzen nicht das hochgeladene Bild als Driving Image, sondern nur den Stil – der Prompt erzeugt das finale Bild.

  Präzise Bildbearbeitung: Statt einfach „entferne XYZ” zu schreiben, sollte man die Select-Funktion nutzen, über das zu ändernde Element hovern und dann eine genaue Anweisung geben (z.B. „ersetze durch Schwanz”). Das macht die Bearbeitung deutlich akkurater.

  Seitenverhältnis: Das Seitenverhältnis sollte vor der Generierung im Prompt genannt werden (z.B. für Instagram Square-Format), da ChatGPT keine Standard-Checkbox dafür hat. Nachträgliche Änderungen sind möglich, aber ineffizienter.

  Strukturierte Prompts statt Slot-Machine-Ansatz: Das neue Modell kann recherchieren und konzeptualisieren. Statt „mache mir eine Anzeige” sollten konkrete Arbeitsschritte genannt werden: „Recherchiere die neuesten OpenAI-Merch, identifiziere die interessantesten Items, schätze Resale-Werte, erstelle dann ein poliertes Mock-up.” So nutzt man das Modell wie einen Designer, der das Internet durchsuchen kann.

  Exakte Platzierungsanweisungen: Das Modell folgt präzisen räumlichen Instruktionen besser. Beispiel-Struktur: „Erstelle ein fotorealistisches Objekt. Platziere Objekt 1 exakt im Zentrum, Objekt 2 direkt daneben. Text sagt genau [was]. Keine zusätzlichen Wörter. Layout sauber und lesbar.” Dieses Vorgehen ist entscheidend für Thumbnails, Produktmock-ups und Vergleichsgrafiken.

  Multi-Image-Outputs statt Einzelbilder: Anfänger erstellen oft nur einzelne Bilder – dabei kann man konsistente Serien erzeugen: mehrere Infografik-Seiten, Slide-Sequenzen oder vollständige akademische Poster. PDFs, YouTube-Skripte oder Notion-Docs können direkt hochgeladen und in visuelles Material umgewandelt werden.

  PNG-Icons mit transparentem Hintergrund: Das Modell kann transparente Icons erzeugen, die direkt in Bearbeitungsprogramme importierbar sind – spart den sonst nötigen Umweg über externe Background-Removal-Tools.

  Das Video betont, dass genaue, strukturierte Prompts und Multi-Asset-Thinking den Unterschied zwischen Anfänger- und Profi-Nutzung ausmachen.

  OpenAI / ChatGPT Images 2.0 – Tutorial.

• GPT 5.5 Just Leaked… And It’s Scary Good
  20.4.2026, 17:24:21

  GPT 5.5 (oder „Spud”) – Geleakte Informationen zu OpenAIs nächstem Modell

  Das Video fasst mehrere geleakte Informationen zu OpenAIs kommendem Modell GPT 5.5 Pro (auch „Spud” genannt) zusammen. Greg Brockman von OpenAI äußert sich darin zu erwarteten Verbesserungen: Das Modell soll deutlich komplexere Probleme lösen, nuancierter arbeiten und Kontexte besser verstehen. Brockman betont das Konzept von „Big Model Smell” – das subjektive Gefühl von qualitativer Überlegenheit, wenn ein KI-Modell tatsächlich deutlich leistungsfähiger ist.

  Das Modell basiert auf zwei Jahren Vortrainingsarbeit und ist daher kein inkrementelles Update, sondern eine neue Basis – was einen Fähigkeitssprung erwarten lässt. Menschen, die Spud bereits getestet haben, beschreiben es als auf Augenhöhe mit Anthropics Opus 4.7.

  Bei den erwarteten Benchmarks wird ein Leistungsanstieg von etwa 10–15% prognostiziert, der OpenAI in mehreren Bereichen an Anthropic vorbeiführen könnte. Eine mögliche native Multimodalität wird diskutiert. Besonders relevant für Enterprise: Spud soll sich zu einem autonomen „Digital Worker” mit verbessertem Computer-Use entwickeln – erweitert über GPT 4.5, das noch stärker beaufsichtigung brauchte und auf Coding fokussierte.

  Geleakte Outputs zeigen beeindruckende Ergebnisse: Das Modell erstellt anspruchsvolle Anwendungen und HTML-Spiele teilweise auf Anhieb mit höherer Kohärenz als bisherige Versionen. Ein neues Bildgenerationsmodell (Images V2) soll parallel starten und zeigt in Testaufnahmen besseren Geschmack bei Stilistik und Detailgenauigkeit als konkurrierende Modelle – etwa bei grafischen Konsolen-Stilen und komplexen Prompts mit Farb- und Material-Vorgaben.

  Format: Meinung/Reflexion zu geleakten Informationen über OpenAI GPT 5.5 / Spud; erwähnte Wettbewerber Anthropic (Opus 4.7) und verschiedene externe Testquellen.

• How To Use Claude Design – Tips And Tricks Most People Missed
  20.4.2026, 01:14:07

  Claude Design – Tipps und Tricks im Überblick

  Claude Design ist Anthropics neues visuelles Tool auf Basis des Modells Opus 4.7, das nicht nur statische Mock-ups, sondern code-gestützte, interaktive Prototypen erzeugt – klickbare Interfaces, Slide Decks, Landing Pages und Erlebnisse mit Voice, Video, 3D und Shadern. Das Tool ersetzt nicht Figma, sondern die leere Leinwand: Man nutzt es für den ersten Entwurf und exportiert dann zu Figma oder Canva.

  Zugang und Nutzung: Unter claude.ai/design erreichbar, erfordert aber Pro- oder Max-Abo (kostenlos nicht verfügbar). Claude Design hat ein separates Nutzungslimit, das man in den Einstellungen überwachen sollte – viele Nutzer stoßen schnell an die Grenzen.

  Design System aufbauen: Vor dem Start sollte man ein Design System erstellen, um die AI auf die eigene Brand auszurichten. Dafür am besten die Brand-Bilder in einen Chat-Prompt mit Claude geben und eine Stil- / Brand-Anleitung generieren lassen, dann Fonts und weitere Details hochladen und alle Punkte unter „needs review” durchgehen. Das kostet Aufwand initial, spart aber massiv Tokens und Usage später.

  Workflow – Wireframe zu High Fidelity: Für ein neues Design fragt Claude viele Details, um besser zu arbeiten (Name, Wertversprechen, Funktionen, Stil). Mit einer Wireframe-Version kann man erst die Struktur testen und nachdenken, bevor man zur vollständigen High-Fidelity-Version übergehen. Das „Edit”-Tool ermöglicht granulare Änderungen ohne große Token-Verschwendung (Farben, Text, Zahlen ändern, zeichnen).

  Tweaks-Feature: Das Tweaks-System ermöglicht Design-Variationen über Buttons, ohne das Ganze neu zu rendern – spart Tokens und erlaubt schnelle Iteration über Schieber für Hue, Glow, Größe, Position etc.

  Wichtige Fallstricke: Animationen sind extrem rechenintensiv und verbrauchen schnell die komplette Usage; grundsätzlich empfiehlt sich die Max-Abo. Claude hat vordefinierte „Skills” (Animated Video, Interactive Prototype, Slide Decks, Wireframe, PowerPoint, PDF-Export) – diese sollte man vor dem Prompt aktivieren, um bessere Outputs zu erhalten. Immer das korrekte Design System auswählen.

  Exportoptionen: Nach der Bearbeitung kann man in verschiedene Formate exportieren – zu Figma, Canva und anderen Programmen.

  Claude Design (Anthropic), Demo/Tutorial.

Theo – t3․gg (5 neues Videos)

• Why people spend millions on Github stars
  25.4.2026, 14:52:41

  Zusammenfassung: Why people spend millions on Github stars

  Das Video analysiert ein massives Problem: Millionen gefälschter GitHub-Stars werden gekauft, um Startup-Finanzierung zu beeinflussen. Forscher von Carnegie Mellon, North Carolina State University und Socket identifizierten etwa 6 Millionen verdächtige Stars verteilt auf 18.600 Repositories durch rund 301.000 Accounts. Die Infrastruktur ist professionalisiert: Dutzende Websites verkaufen GitHub-Stars zwischen 3 Cent (disposable Accounts) und 90 Cent (Premium aged Accounts) pro Stern. Fiverr-Gigs bieten Promotion ab 5 Dollar, WeChat-Gruppen verarbeiten 20+ Repos und generieren 3,4–4,4 Millionen Dollar jährlich.

  Das Problem ist direkt mit VC-Finanzierung verknüpft: Ein Redpoint-Ventures-Partner dokumentierte, dass median 2.850 Stars bei Seed-Runden und 4.980 bei Series A erforderlich sind. Die ROI-Berechnung ist brutal — für 85–285 Dollar können Startups den Seed-Median kaufen, bei 1.000–4.500 Dollar den Series A Range, während diese Runden 1–10 Millionen einbringen (ROI: 3.500x bis 117.000x). Die GitHub-Trends wurden dadurch manipuliert: 78 Repos mit gefälschten Campaigns erschienen auf GitHub Trending, obwohl viele Entwickler Jahre brauchen, um dort zu landen.

  Die Analyse zeigt charakteristische Muster gefälschter Stargazer: Ghost-Accounts (zero Repos, zero Followers), niedrige Fork-to-Star Ratios (vs. ~0.2 bei legitimen Projekten wie Flask), und Watch-to-Star Ratios nahe Null. Beispiele wie Union Labs (52% vermutlich gefälschte Stars, trotzdem Platz 1 im Runa Capital ROSS Index) und Free Domain (81% der Stargazer ohne Followers) zeigen die Skala.

  Der Moderator kritisiert GitHub scharf für fehlende Moderation-Tools — im Vergleich zu Twitch fehlen grundlegende Features wie Automod, Spam-Limits oder Wort-Filter. Er warnt: Goodhart’s Law tritt ein (wenn eine Metrik zum Ziel wird, wird sie eine schlechte Metrik). VCs verlassen sich darauf, dass Startups die Benchmarks manipulieren statt organisch zu wachsen.

  Regulatorisch gibt es Bewegung: FTC-Regelung (ab Oktober 2024) verbietet explizit das Kaufen/Verkaufen gefälschter Social-Influence-Indikatoren — Strafen bis 53.000 Dollar pro Fall. Ein Headspin-CEO wurde wegen Wire Fraud (20 Jahre max.) und Securities Fraud ankeklagt, weil er Metriken fälschte, um Investoren 80 Millionen zu scammen. Bisher wurde niemand speziell für gefälschte GitHub-Stars angeklagt, aber der SEC liegt ein Weg vor.

  Bessere Metriken statt Stern-Counts: Forscher empfehlen gewichtete Popularität basierend auf Netzwerk-Zentralität, monatliche Contributor-Aktivität, Fork-to-Star Ratios (gesund: 100–200 pro 1.000 Stars, verdächtig: <50), oder Package-Downloads. Der Moderator nennt auch das Forking-Verhältnis — T3 App hat ~1.600 Forks zu 9.000 Stars (20%), Browser Use und Lovable wurden hochfinanziert, weil Nachfrage und Produkt stark waren, nicht wegen Stars. GitHub entfernte 90% der flaggierten Repos, aber nur 57% der Accounts — die Arbeitskraft des Fake-Star-Ökosystems bleibt intakt.

  Nebenbemerkung zum YouTube-Betrug: Der Moderator deckt Tech-YouTuber auf, die Millionen Fake-Views haben (engagement rates 0,025% statt 3–4%), und bestätigt, dass er Sponsorships abgelehnt hat (u.a. Higsfield für ein siebenstelliges Angebot), weil die Produkte sketchy waren — während andere Creators diese Deals nehmen und damit Marken-Trust untergraben.

  Format & Tools: Meinung/Reflexion + Deep-Dive, basierend auf Dagster/Awesome Agents-Investigationen zu GitHub-Star-Manipulation; keine spezifischen AI-Tools/Modelle thematisiert.

• I don’t really like GPT-5.5…
  24.4.2026, 03:35:49

  Der Creator ist insgesamt enttäuscht von GPT-5.5, obwohl er die technischen Fähigkeiten anerkennt. Seine Hauptkritikpunkte: Das Modell wirkt „faul” und ehrt die Intention von Anfragen nicht vollständig – es liefert das Minimum, um eine Aufgabe zu erfüllen, ohne wirklich voranzupreschen. Ein großes Problem sei das Context-Management: Sobald fehlerhafte Informationen im Kontext landen, lassen sie sich durch Prompting nicht entfernen – man muss einen neuen Thread starten. Das führt dazu, dass lange Conversation-Threads kaum noch funktionieren; der Creator musste deutlich häufiger Threads beenden als bei anderen Modellen. Zusätzlich bemängelt er die Preiserhöhung (5 $ pro Million Input-Token, 30 $ pro Million Output-Token – das Doppelte von GPT-5.4) und die fehlende API-Unterstützung bei Release.

  Positiv bewertet er die Token-Effizienz (GPT-5.5 nutzt etwa halb so viele Tokens wie Vorgänger bei vergleichbarer Qualität), die Codegenerierung (beste, die er je sah) und besonders das Pro-Modell, das beeindruckend bei komplexen Puzzle-Lösungen ist (löste ungelöste DEFCON-Challenges aus 5–10 Jahren). Die Frontend-Demos zeigten aber wenig Innovation, viele enthielten laut ihm unnötige UI-Elemente („Cards”).

  Konkrete Empfehlungen für die Nutzung: deutlich detailliertere Prompts schreiben, mehr recherchieren vor der Anfrage, regelmäßig neue Threads erstellen, strikte Anweisungen geben und Ressourcen direkt bereitstellen, um falsche Pfade zu vermeiden.

  Der Creator hält GPT-5.5 für ein fundamental anderes Modell, das alte Workflows bricht – es hätte einen neuen Namen (etwa GPT-6) verdient. Er erwartet, dass kommende Modelle auf dieser Grundlage die aktuellen Edge-Cases besser lösen.

  Meinung/Reflexion; thematisiert OpenAI (GPT-5.5) und Konkurrenzmodelle (Claude Opus, Google Gemini).

• Open source is dead now?
  22.4.2026, 13:54:08

  Open Source is Dead Now? – Eine kritische Analyse von Cal.coms Strategiewechsel

  Der Creator argumentiert, dass Cal.coms Entscheidung, vom Open-Source-Modell zur Closed-Source-Architektur zu wechseln, ein besorgniserregendes Signal für die Zukunft von Open-Source-Software ist – nicht weil die Entscheidung unverständlich wäre, sondern weil sie die fundamentale Verschiebung der Sicherheitslandschaft durch AI offenbart.

  Die zentrale These: AI-Modelle haben den Exploit-Finding-Prozess demokratisiert. Früher brauchte man sowohl tiefes Sicherheitswissen als auch Domain-Knowledge einer spezifischen Codebase – eine seltene Kombination. Heute reicht es aus, ein Modell mit wenig Security-Wissen auf den Quellcode loszulassen. Das Modell liefert die Domain-Expertise, der Mensch nur noch ein bisschen Sicherheitsverständnis. Cal.com war bislang kein attraktives Angriffsziel, weil Security-Experten keine TypeScript-Fullstack-Projekte verstanden. Mit Claude Opus/Mythos ändert sich das radikal – selbst OpenBSD wurde von Anthropics Mythos-Analysen durchleuchert und eine 27 Jahre alte Schwachstelle gefunden.

  Das Kern-Problem: Die Sicherheit wird zur „Proof-of-Work”-Frage: Wer gibt mehr Tokens aus? Cal dachte, Closed-Source zu gehen würde die Anforderungen für Reverse-Engineering erhöhen – stimmt, aber nur temporär. Models werden besser bei Decompilation. Die echte Barriere fällt nicht weg, sie sinkt nur für einen Moment. Scraping von API-Endpoints liefert zusätzliche Hinweise. Und Agenten haben keine Zeitmangel – sie können Nacht für Nacht durchsuchen.

  Gegenargumente und Differenzierungen:

  • Tanner: Wenn Open-Source dein Sicherheitsproblem ist, hast du keine echte Sicherheitsstrategie – du verlierst nur Good-Faith-Entwickler, die Code härteten.
  • OpenAI hat GPT-5.4 Cyber gelauncht (nur whitelisted), um Developer zu helfen, Codebasen präventiv zu härten.
  • Drew und andere argumentieren: Open-Source wird wertvoller, nicht weniger – weil mehrere Orgs ihre Token-Budgets zum Absichern addieren, während ein Attacker nur sein Budget hat.
  • Die ASI-Studie zeigt: Mythos brauchte $12,500 pro Versuch (100M Tokens), 3 von 10 Versuchen durchbrachen ein 32-Schritte-Corporate-Netzwerk vollständig.

  Zukunftsszenario: Der Creator erwartet eine 3-Phasen-Development-Zyklus: Development (schnell, human-geführt), Review (Qualität via Models), Hardening (Token-Budget begrenzt). Das bedeutet: Open-Source-Projekte werden mit CVE-Flutungen bombardiert – und Maintainer (wie FFmpeg) lehnen teilweise ab, als „CVE-Slop” zu betreiben, obwohl das fahrlässig ist. Hackers werden diese ignorieren. Die neue Realität: Security ist teuer, aber notwendig, und Open-Source Projekte brauchen finanzielle Unterstützung, um mit diesem Spiel mitzuhalten.

  Fazit: Cal.com hat sich nur Zeit gekauft, nicht wirklich sicherer gemacht. Die größere Sorge: Fear-Mongering (Angst vor AI und Open Source) könnte viele Projekte in Closed-Source treiben – was langfristig schlechter wäre, weil verstreute proprietäre Implementierungen teurer zu härten sind als gemeinschaftlich gesicherte Open-Source.

  —

  Video-Format: Meinung/Reflexion mit News-Integration (Claude, OpenAI GPT-5.4 Cyber, Anthropic Mythos explizit thematisiert); tiefe technische Analyse ohne Anfänger-Fokus.

• Did Anthropic just kill Figma?
  21.4.2026, 10:19:39

  Anthropic hat Claude Design gelauncht – ein neues Produkt, das Designern und Entwicklern helfen soll, Benutzeroberflächen zu erstellen. Der Video-Creator testet das Tool zum ersten Mal, um zu sehen, ob es tatsächlich ein Konkurrenzprodukt zu Figma darstellt.

  Das Tool im Einsatz:

  Claude Design ermöglicht es, Wireframes zu erstellen, ein Codebase zu importieren und Design-Systeme zu definieren. Man kann kommentieren, Feedback hinterlassen und mehrere Design-Varianten generieren lassen. Es bietet auch die Möglichkeit, Designs direkt an Claude Code zu exportieren – mit automatisch gepackten Spezifikationen in einem Dev-ready-Ordner. Der Creator redesignet damit eine Marketing-Website für ein Projekt namens T3 Code und gibt dem Modell Kontext über Features, Dark-Mode-Anforderungen und die bestehende Designsprache.

  Besonderheiten und Probleme:

  Das Tool zeigt echte Stärken: Es kann hochauflösende Screenshots verarbeiten, schlägt mehrere Design-Varianten vor (wenn man danach fragt), und der Kommentar-Workflow zum Sammeln von Feedback ist praktisch. Der Creator lobt die Polierheit des Produkts im Vergleich zu anderen Anthropic-Launches. Es treten aber auch Bugs auf – Designs verschwinden teilweise, die Wort-Umbrüche sehen stellenweise schlecht aus, und bei der Generierung von Logos halluziniert das Modell (z.B. ein falsches Apple-SVG). Die Nutzungslimits sind aggressiv: Bei 20x-Subscription verbraucht eine Designsitzung schnell über 50% des wöchentlichen Budgets.

  Fazit des Creators:

  Trotz der Bugs und Kosten ist der Creator positiv überrascht. Es ist das beste Software-Produkt, das Anthropic seiner Meinung nach je releast hat. Mit etwas mehr Polish könnte es ein ernsthafter Konkurrent für Figma werden – besonders im Bereich schneller Marketing-Prototyping und Präsentations-Design. Er sieht das Potenzial und plant, das Tool weiter zu nutzen.

  Claude Design war das zentrale Thema; Demo eines neuen Anthropic-Produkts mit kritischer, aber grundsätzlich positiver Bewertung.

• Did Claude really get dumber again?
  20.4.2026, 14:50:02

  Zusammenfassung: Hat Claude wirklich wieder verschlechtert?

  Der Creator untersucht systematisch die Berichte über Claude-Regressionen und identifiziert mehrere Ursachen jenseits einer simplen Modellverschlechterung. Er argumentiert, dass die wahrgenommene “Dummheit” von mehreren Faktoren stammt:

  Erwartungsverschiebung: Mit besseren Modellen über Zeit steigen Nutzer-Erwartungen. Tasks, die früher beeindruckten, werden als Standard erwartet; Versagen dort fühlt sich drastischer an, obwohl die Baseline gestiegen ist.

  Cloud Code Harness-Probleme: Der Creator behauptet, dass Cloud Code selbst schlecht engineered ist. Ein Benchmark zeigt Opus in Cloud Code mit 58% Performance gegenüber 75–82% in anderen Harnesses wie Forge Code. Beispiele wie unnötige Fehler bei Dateioperationen zeigen, wie der Harness den Kontext verschmutzt und zu überflüssigen API-Requests führt.

  Tokenizer-Änderungen: Mit Opus 4.7 wurde der Tokenizer grundlegend geändert — same Input erzeugt nun 1.35–1.47x mehr Tokens, besonders bei Code und Dokumentation. Das bedeutet mehr “Rauschen” im Kontext, was Modelle stärker ablenkt.

  API & Routing-Probleme: Aggressive Filterung auf API-Seite führt zu Task-Refusals (z.B. wurde der Creator blockiert bei einer einfachen Cryptographic-Puzzle-Frage). Multi-GPU-Routing (AWS Trainium, Google TPUs, Nvidia) über mehrere Tool-Calls hinweg könnte inkonsistente Qualität verursachen.

  1-Million-Token-Context-Default: Anthropic bestätigte selbst in einem September-Postmortem, dass die 1M-Token-Variante des Modells bei Fehlrouting zu Qualitätsverlust führte. Seit März ist 1M-Context Standard in Cloud Code — der Creator vermutet, dass diese Variante absichtlich performanter auf AWS/Google-Chips läuft (nicht Nvidia), und dass Anthropic Traffic bewusst dahin verschiebt.

  Redacted Thinking & fehlende History: Seit März werden 100% der “Thinking”-Daten redacted, um Distillation zu verhindern. Das Problem: Die API erhält diese Thinking-Daten nicht mehr in der History-Nachricht — sie müssten via Datenbank-Lookup nachgefetcht werden. Der Creator vermutet, dass Anthropic das fehlerhaft implementiert hat, weshalb Modelle weniger Kontext haben.

  AMD-Bericht als Beweis: Ein detaillierter Report der AMD-AI-Direktorin quantifiziert Regressionsmuster über 17.000 Thinking-Blocks: Thinking-Tiefe um 73% gesunken, Stop-Violations von nie auf 10x/Tag, Read-to-Edit-Ratio von 6.6:1 auf 2:1, API-Requests 80x angewachsen bei gleichzeitig schlechterer Output-Qualität.

  Der Creator schlussfolgert: Die meisten Regressionen stammen nicht aus schlechteren Modellen, sondern aus technischer Inkompetenz in Anthropics Engineering (schlechte Harness, API-Änderungen, fehlerhafte Implementierung von Thinking-Redaction). Im Vergleich zeigen OpenAI-Modelle keine ähnlichen chronischen Regressionsmuster.

  Explizite Tools/Anbieter: Claude/Anthropic (Opus 4.7, 4.6, Sonnet), OpenAI (Codeex), Google (TPUs), AWS (Trainium), Anthropic Cloud Code, Cursor.

  Format: Deep-Dive + Investigativer Bericht mit empirischen Daten.

Tim Carambat (3 neues Videos)

• DeepSeek V4 Is Here And It Has 1 Million Token Context??
  24.4.2026, 11:00:51

  Das Video behandelt die Veröffentlichung von DeepSeek V4, einem neuen lokalen Sprachmodell, das zwei Varianten umfasst: den DeepSeek V4 Flash (284 Milliarden Parameter, 13 Milliarden aktive Parameter) und den DeepSeek V4 Pro (1,6 Billionen Parameter, 49 Milliarden aktive Parameter). Beide Modelle unterstützen eine Kontextfenstergröße von einer Million Tokens, was durch eine neue Technik ermöglicht wird, die den KV-Cache-Speicherbedarf um bis zu 90% reduziert. Diese Technik, basierend auf hybrider Attention-Architektur, könnte zukünftig auch für kleinere Modelle relevant werden. Die Modelle zeigen verbesserte Benchmark-Ergebnisse im Vergleich zu früheren DeepSeek-Versionen, insbesondere bei maximaler Denkstufe. Allerdings schneiden sie im Vergleich zu führenden Cloud-Modellen wie GPT-5.5 und Opus 4.6 nur in einigen Benchmarks gut ab. Die technischen Neuerungen, insbesondere die effizientere Nutzung des Kontextfensters, werden als bedeutend hervorgehoben. Das Video richtet sich an Intermediate und Advanced Nutzer, die sich für lokale Sprachmodelle und technische Innovationen interessieren.

  AI-Tools/Modelle/Anbieter: DeepSeek V4 (Flash und Pro), TurboQuant, Opus, GPT-5.5, Open-Source-Modelle.

• 27B Beats 397B?! The New Qwen 3.6 Is All About Efficiency
  23.4.2026, 18:15:01

  Das Video behandelt die neueste Version des Quen-Modells, Quen 3.627B, und stellt es in den Kontext der vorherigen Modelle der Quen-Reihe. Der Autor, Timothy Carbat, Gründer von Anything LLM, konzentriert sich auf lokale Modelle und deren Vorteile hinsichtlich Privatsphäre und Kostenersparnis im Vergleich zu Cloud-Modellen.

  Quen 3.627B wird als vielversprechend beschrieben, insbesondere wegen seiner Multimodalität und seiner Fähigkeiten in der Software-Engineering-Benchmark (SWE bench). Der Autor vergleicht die Leistung des Modells mit früheren Versionen von Quen sowie mit Cloud-Modellen wie Claude 4.5 Opus und Gemini. Es wird darauf hingewiesen, dass Quen 3.627B in einigen Benchmarks gut abschneidet, jedoch auch einige Nuancen und mögliche Verzerrungen in den Benchmark-Ergebnissen diskutiert werden.

  Der Autor betont die Bedeutung der Transparenz bei der Berichterstattung von Benchmark-Ergebnissen und warnt davor, die Ergebnisse unkritisch zu übernehmen. Er spekuliert, dass Quen 3.6 Plus, eine API-basierte Version, möglicherweise ein früherer Checkpoint von Quen 3.627B sein könnte, aufgrund der Ähnlichkeit in den Benchmark-Ergebnissen.

  Zusammenfassend wird Quen 3.627B als ein Modell präsentiert, das aufgrund seiner Dichte an Intelligenz und seiner Multimodalität einen Blick wert ist, insbesondere für Nutzer, die lokale Modelle bevorzugen. Der Autor plant, das Modell selbst auszuprobieren und teilt seine Erfahrungen mit der Community.

  Das Video thematisiert explizit das Quen-Modell (Open-Source) und ist eher für Intermediate bis Advanced Nutzer gedacht.

• I Just Tried The Brand New Ternary Model And It’s Great!
  21.4.2026, 19:38:40

  Das Video behandelt die Entwicklung und Bedeutung von One-Bit- und Turnary-Modellen im Bereich der lokalen KI. Der Sprecher, Timothy Carbat, Gründer von Anything LLM, erklärt, dass One-Bit-Modelle die Komplexität herkömmlicher LLMs (Large Language Models) reduzieren, indem sie die Gewichte auf eine 1 oder 0 beschränken. Dies ermöglicht eine erhebliche Reduzierung des Speicherbedarfs, sodass große Modelle wie 8B-Modelle auf Geräten wie Smartphones oder Low-End-Laptops laufen können. Allerdings gibt es einen leichten Genauigkeitsverlust im Vergleich zu den ursprünglichen 16-Bit-Modellen.

  Prism ML, ein Startup mit Forschern, hat ein praktikables One-Bit-Modell namens BitNet entwickelt, das tatsächlich nutzbar ist und eine gute Balance zwischen Genauigkeit und Effizienz bietet. Kürzlich hat Prism ML ein Turnary-Modell vorgestellt, das eine zusätzliche “0” in das One-Bit-System einführt, wodurch die Genauigkeit weiter verbessert wird, während der Speicherbedarf immer noch deutlich geringer ist als bei herkömmlichen Modellen. Diese Turnary-Modelle bieten nahezu die gleiche Genauigkeit wie 16-Bit-Modelle, aber mit einem Bruchteil der Ressourcen.

  Der Sprecher demonstriert, wie man ein Turnary-Modell auf einem MacBook M4 Max mit 48 GB RAM installiert und ausführt, indem er die notwendigen Schritte und Befehle erklärt. Er zeigt auch, wie man das Modell in Anything LLM integriert, um verschiedene KI-gestützte Aufgaben zu erledigen. Abschließend diskutiert er die Zukunft von One-Bit- und Turnary-Modellen und spekuliert darüber, ob größere Modelle als 8B mit derselben Effizienz entwickelt werden können.

  Das Video thematisiert explizit One-Bit- und Turnary-Modelle, insbesondere die von Prism ML entwickelten Modelle. Es ist eher für Intermediate und Advanced Nutzer gedacht, die sich für die technische Implementierung und die Vorteile von lokalen KI-Modellen interessieren.

Unsupervised Learning

Keine neuen Videos in diesem Zeitraum.

WorldofAI (7 neues Videos)

• Deepseek v4: Best Opensource Model Ever? (Fully Tested)
  24.4.2026, 07:31:43

  Deepseek v4: Best Opensource Model Ever? (Fully Tested)

  DeepSeek hat zwei neue Modelle als V4 Preview veröffentlicht: das Pro-Modell mit 1,6 Billionen Parametern (49 Milliarden aktiv) und das Flash-Modell mit 284 Milliarden Parametern (13 Milliarden aktiv), beide mit 1 Million Context-Länge und MIT-Lizenz. DeepSeek bewirbt diese als beste Open-Source-Modelle, die führende geschlossene Modelle wie Claude Opus 4.5 und 4.6 schlagen sollen – allerdings kritisiert der Tester dies als „Benchmark-Maxing”.

  In praktischen Tests schneidet DeepSeek V4 Pro deutlich schwächer ab als erwartet: Bei UI-Generierungen (macOS-Klon, Slack-Klon, SaaS-Landing-Pages) wirkt die Ausgabe unkreativ und grundlegend mangelhaft. Bei 3D-Modellen (PS5-Controller) und interaktiven Projekten (Instagram-Feed-Klon, Minecraft-Klon) zeigt sich ein ähnliches Bild – Code ist unordentlich, fehlende Polierung und geringe Komplexität. Der Tester stellt fest, dass Konkurrenzmodelle wie Qwen, MiniMax M2.7 und besonders Claude Opus in denselben Aufgaben deutlich bessere Ergebnisse liefern. Im Code-Arena-Ranking liegt DeepSeek V4 auf Platz 3, hinter GLM und Qwen – was mit den praktischen Beobachtungen übereinstimmt.

  Der Preis ist das Hauptverkaufsargument: Pro kostet 1,4 Cent pro 1 Million Input-Token und 3,48 Cent pro Output-Token; Flash ist mit 0,03 Cent Input und 0,28 Cent Output noch günstiger. Die Modelle sind auf HuggingFace verfügbar und über die DeepSeek-Webseite kostenlos nutzbar. Die Fazit des Testers: Trotz niedriger Kosten und Effizienz auf dem Papier mangelt es der V4 Preview deutlich an realen Use-Case-Qualität – Billig heißt nicht besser.

  Deep-Dive zu DeepSeek V4 Pro und V4 Flash; Demo mit praktischen Vergleichen zu konkurrenziellen Open-Source- und proprietären Modellen (Claude, Qwen, MiniMax, GLM).

• OpenAI GPT-5.5: BEST AI Model Ever! Beats Opus 4.7 & Gemini 3.1! Powerful & Fast! (Fully Tested)
  23.4.2026, 22:40:49

  Zusammenfassung:

  OpenAI hat GPT-5.5 veröffentlicht, ein Modell mit Fokus auf mehrstufige, arbeitsintensive Aufgaben statt nur Fragebeantwortung. Es nutzt etwa ein Viertel der Token von GPT-5.4 und ein Drittel von Opus 4.7 und erreicht State-of-the-art-Ergebnisse bei Coding- und Reasoning-Benchmarks wie TerminalBench (82,7%) und SWE-Bench Verified (58,6%), wobei es trotz teilweise niedrigerer Raw Scores in realen Workflows schneller und kosteneffizienter arbeitet. Das Modell excels bei Code-Refactoring, Debugging, Browser-Steuerung, Knowledge-Work und agentic Workflows; die Preisgestaltung liegt bei $5 pro Million Input-Token und $30 pro Million Output-Token – etwa 20% teurer als Opus 4.7, aber effizienter im Gesamtbild.

  Die praktischen Tests zeigen besondere Stärken in Frontend-Entwicklung und Spieleklone (Minecraft, CS:GO, Pokémon): Das Modell generiert komplexe UI-Komponenten, SVG-Grafiken und 3D-Szenen sehr detailliert, besonders mit ausführlichen Prompts und hohem Reasoning-Level. Schwächen liegen bei sehr spezialisierten 3D-Aufgaben wie 360-Grad-Produktviewern. Das Modell ist über ChatGPT (mit „Thinking 5.5″-Modus), die API, oder offene Agenten wie Kilo CLI und Codeex zugänglich; GPT-5.5 funktioniert besonders gut mit diesen Harnesses kombiniert.

  Abschluss: Demo und Benchmarkvergleich (OpenAI GPT-5.5, Opus 4.7, Gemini 3.1 erwähnt; Kilo CLI, Codeex als Harnesses).

• Kimi K2.6: BEST Opensource AI Model That Beats Opus 4.6 and Gemini 3.1 Pro (Fully Tested)
  23.4.2026, 06:18:00

  Zusammenfassung: Kimi K2.6 – Open-Source Coding-Modell

  Das Moonshot-AI-Team hat mit dem Kimi K2.6 ein leistungsstarkes Open-Source-Coding-Modell veröffentlicht, das laut Benchmarks mit proprietären Modellen wie Opus 4.6, Gemini 3.1 Pro und GPT 5.4 High konkurriert oder diese teilweise schlägt. Das Modell besticht durch extrem kosteneffiziente Preisgestaltung (94–95% günstiger als Opus 4.6 bei ähnlicher Leistung) und beeindruckende Langzeitfähigkeiten: Es kann über 12 Stunden autonom arbeiten, über 4.000 Tool-Aufrufe in einer Session verwalten und bis zu 300 parallele Agenten koordinieren.

  Die Kernstärken zeigen sich in praktischen Tests: Das Modell generiert ästhetisch anspruchsvolle, interaktive Websites mit echtem Design-Verständnis (Typografie, dynamische Bewegungen, Video-Integration), erstellt funktionale 3D-Viewer und SVG-Grafiken, simuliert komplexe Systeme wie ein funktionierendes Linux-System mit Terminal und Texteditor und kann sogar einen spielbaren Minecraft-Klon generieren. Im Agent-Swarm-Modus delegiert es komplexe Aufgaben wie die Erstellung eines 12.000-Wort-Reports zur AI-Marktanalyse an spezialisierte Agenten, die parallel arbeiten – Aufgaben, die sonst Stunden dauern würden, werden in Minuten erledigt.

  Zugang erfolgt über kimmy.com (Chatbot-Interface), die API, Kimi Code (verschiedene Nutzungspläne), OpenRouter oder die Open-Source-Alternative Kilo Code. Das Modell bietet vier spezialisierte Modi: Instant (schnelle Antworten), Thinking (tiefe Forschung), Agent (spezialisierte Tools wie Websites/Slides) und Agent Swarms (Langzeitaufgaben). Mit 256k Context Window und 95 Cent pro Million Input-Token / 4 Dollar pro Million Output-Token (16 Cent bei Cache-Hits) zählt es zu den kosteneffizientesten High-Performance-Modellen.

  Deep-Dive/Demo zum Open-Source-Modell Kimi K2.6 von Moonshot AI; kein spezifisches Format, sondern durchgehende Produktdemonstration mit Benchmarks und Live-Tests.

• Bart Mode + Claude Code: NEW Spec Toolkit Ends Vibe Coding! 100x Better Than Vibe Coding (Tutorial)
  22.4.2026, 05:59:41

  Zusammenfassung: Bart Mode + Claude Code – NEW Spec Toolkit Ends Vibe Coding

  Das Video präsentiert die neue “Bart Mode”-Funktion von Tracer, die spec-driven Development auf die nächste Stufe hebt – vom manuellen Babysitting von AI-Agenten zu vollständig automatisierter, intelligenter Workflow-Orchestrierung. Statt einzelne Specifications nacheinander auszuführen, zerlegt Bart Mode ein großes Projekt (Epic) in mehrere Tasks, führt diese parallel aus und überprüft nach jeder Batch-Phase die Ergebnisse gegen die Specifications. Sollten Anpassungen nötig sein, passt sich der Prozess selbstständig an – nur bei echtem Bedarf wird der Nutzer einbezogen.

  Das Tutorial zeigt konkret: Nach Installation von Tracer im IDE (Cursor, VS Code oder WinServe) startet man im Epic Mode und definiert sein Projekt (z.B. ein Dashboard mit Authentication und API-Integration). Tracer erarbeitet dann interaktiv die technischen Details (Tech Stack, Datenmodell, API-Endpoints, UI-Flows) und generiert daraus automatisch eine detaillierte Implementierungsplanung mit einzelnen Tickets. Diese kann noch verfeinert werden, dann wird mit dem /execute-Befehl die Bart-Mode-Orchestrierung gestartet – sie arbeitet autonom mit dem ausgewählten Coding Agent (im Demo: Claude Code), führt den gesamten Workflow aus und verifiziert kontinuierlich gegen die Specs. Zum Abschluss lädt Tracer auch eine Review-Phase, um Probleme zu identifizieren und zu beheben.

  Das Resultat im Demo: Ein vollständig funktionierendes Agent-Manager-Dashboard mit Login-System, Agent-Erstellung und lokaler Deployment-Option – alles ohne manuelles Nachsteuern zwischen den Arbeitsschritten. Das Feature steht kostenlos zur Verfügung, auch mit kostenlosen Agenten wie Gemini.

  Tracer mit Claude Code als Coding Agent; Tutorial mit praktischer Demo.

• Kimi K2.6, GPT 5.5, Deepseek V4, Codex Superapp, Gemini 3.5, Grok 5 = AGI, & More! Huge AI NEWS!
  21.4.2026, 07:17:15

  Zusammenfassung: Massive KI-Entwicklungen diese Woche

  Die vergangenen Tage brachten eine Flut neuer KI-Modelle und Features. Kimmy K 2.6 von Moonshot AI ist ein Open-Source-Coding-Modell, das mit proprietären Modellen wie Opus 4.6 konkurriert – bei 94% niedrigeren Input- und 95% niedrigeren Output-Kosten. Es unterstützt 12+ Stunden lange Sessions, über 4.000 Tool-Aufrufe und bis zu 300 parallele Agenten; lokal läuft es auf M3-Ultra-Geräten via MLX.

  GPT 5.5 (Codename “Spud”) soll diese Woche oder spätestens Donnerstag von OpenAI released werden. Early Leaks zeigen überlegene Performance gegenüber Opus 4.7 und Gemini 3.1 Pro, besonders bei Coding, SVG-Generierung und 3D-Workflows; das Modell ist token-effizient und kreativer in der Output-Gestaltung.

  DeepSeek V4 wird ebenfalls diese Woche erwartet – ein 1,6-Billionen-Parameter-Modell mit Sparse-MQA-Kernels. Unverifizierten Leaks zufolge erreicht es MMLU-Scores von ~99,4% und Swaybench von 83,7%.

  Codex von OpenAI entwickelt sich zur Super-App: Es kann nun Anwendungen auf dem Mac steuern (Computer Use), externe Tools integrieren, SVG/Bilder mit GPT Image 1.5 generieren und Aufgaben über Sessions hinweg fortsetzen. Die neue *Chronicle*-Funktion (Preview auf Mac für Pro-Nutzer) erstellt Gedächtnis aus täglichen Arbeitsmustern und wird dadurch kontextbewusster.

  Grok 4.3 Beta von xAI (~500 Mrd. Parameter, Trainingsdaten bis Dezember 2025) zeigt starke Fähigkeiten bei Frontend und Coding mit Multi-Modal-Support und besserer Dokumenten-Generierung. Elon Musk kündigte an: Grok 4.4 (1 Billion Parameter, Mai) → Grok 4.5 (1,5 Billionen, Ende Mai) → Grok 5 als AGI.

  Qwen 3.6 Max von Alibaba (Preview) bringt verbesserte Agentic-Coding-Fähigkeiten und bessere Instruction-Following.

  Bei Google laufen neue Gemini-Checkpoints in Entwicklung – möglicherweise Gemini 3.2 oder 3.5 Pro vor Google IO (in ~28 Tagen). Intern wird ein Copilot-ähnlicher “Agent” für Gemini Enterprise getestet, der Gmail, Spreadsheets und Google-Workspace-Apps automatisieren soll. Google AI Subscription (Pro/Ultra) bietet nun erweiterte Coding-Limits direkt im AI Studio.

  Bonus: Ein Roboter absolvierte einen Marathon, teilweise schneller als Menschen – engineered wie ein F1-Pit-Stop mit KI-gesteuerten Bewegungen und Dry-Ice-Kühlung.

  Thematisierte KI-Anbieter: OpenAI (GPT 5.5, Codex), Moonshot AI (Kimmy K 2.6), DeepSeek (V4), xAI (Grok), Alibaba (Qwen), Google (Gemini); Format: News-Update.

• OpenAI GPT-5.5 Leaked: Super Powerful AI Model! Beats Opus 4.7, Gemini 3.1! Cheap & Fast! (Tested)
  20.4.2026, 06:23:32

  Zusammenfassung: OpenAI GPT-5.5 Leaked

  OpenAI bereitet unter dem internen Codenamen „Spud” die Veröffentlichung des GPT-5.5-Modells vor. Das Modell wird derzeit in ChatGPT AB-getestet; einige Nutzer haben Zugriff auf den Checkpoint „Crest Pro Alpha”, der das GPT-5.5-Pro-Modell mit Extended Thinking repräsentieren könnte. Der Autor beschreibt das neue Modell als „insanely good” — schneller, bessere Outputs, stärkeres Reasoning und bessere Problemlösung als der Vorgänger.

  Das Modell soll sowohl als Basis- als auch als Pro-Variante erscheinen und wird als „half-cooked version of GPT6″ charakterisiert. Die Hauptmerkmale sind höhere Token-Effizienz, mehr Token pro Sekunde (schnellere Responses) und niedrigere Kosten — eine Kombination, die laut Autor einen großen Sprung darstellt. Der Autor betont, dass es teils besser als Anthropic Opus 4.7 wirkt.

  In den Demos zeigt sich die Stärke besonders bei Frontend-Generierung und Code-basierter Visualisierung: ein Windows-11-Browser-OS mit SVG-Icons, ein funktionales Minecraft-Klon mit Blöcken, Texturen und Terrain-Generation, photorealistische 3D-Szenen in Three.js (Monicas Apartment aus Friends, komplexes Sonnensystem mit Monden und Asteroiden), Low-Poly-3D-Generierungen, Flight-Simulatoren mit verschiedenen Umgebungen. Auch SVG-Generierungen (Xbox-Controller, Katze, ASCII-Art) werden als akkurat und kompositorisch durchdacht beschrieben. Der Autor betont, dass das Modell „denkt” statt nur zu generieren — Szenen werden gestaltet und Ideen eigenständig erweitert, statt dass der Nutzer alles mikromanagen muss.

  Erwartet wird die Veröffentlichung an einem typischen OpenAI-Release-Tag (Dienstag oder Donnerstag).

  OpenAI (GPT-5.5/Spud, Opus 4.7 als Vergleich erwähnt), Format: Demo mit Leak-News-Element, durchschnittliche Komplexität.

• Full AI Agent Tutorial for Beginners 2026 – How to Build AI Agents in Minutes
  19.4.2026, 04:45:06

  Zusammenfassung: Full AI Agent Tutorial for Beginners 2026

  Das Video stellt Toolhouse vor, eine No-Code-Plattform zum Erstellen von KI-Agenten ohne technische Vorkenntnisse. Der Kernvorteil: Agenten lassen sich in Minuten mithilfe von natürlicher Sprache oder sogar per Sprachbefehl konfigurieren.

  Hauptfunktionen und Demonstrationen:

  Das Video zeigt drei praktische Wege, Agenten zu bauen: (1) Dashboard mit Sprachsteuerung – durch Verbra kann der Nutzer sprachlich einen Agent beschreiben (z. B. „Erstelle mir einen Deep-Research-Agent für Large Language Models, täglich um 9 Uhr”). Toolhouse konfiguriert dann autonome Pipelines mit allen integrierten Tools. (2) Integration von Tools und Wissen – Agenten erhalten Fähigkeiten wie E-Mail-Versand über Gmail-Integrationen oder RAG (Retrieval-Augmented Generation) durch Upload von PDF-Dokumenten. Der Agent kann diese Integrationsfunktionen dann automatisch nutzen. (3) CLI für Entwickler – via Kommandozeile lassen sich Agenten mit th new erstellen, private Dateien als Knowledge hinzufügen und mit th deploy deployen.

  Praktische Anwendungsbeispiele:

  • Ein Agent recherchiert täglich zu LLMs und sendet automatisch eine Zusammenfassung per E-Mail
  • Agenten können per API oder als eingebettete Chat-Interfaces (z. B. via Lovable) in externe Apps integriert werden
  • Ein RAG-Agent verarbeitet private PDF-Dokumente und beantwortet Fragen dazu

  Das Video betont, dass die Komplexität der Backend-Infrastruktur vollständig abstrahiert wird und der Fokus auf Automatisierung und praktische Nutzung liegt.

  Erwähnte Plattformen: Toolhouse (zentral), Verbra (Sprachsteuerung), Lovable (Chat-Interface-Integration), MCP-Server-Integration für externe Coding-Agenten.

  Format: Tutorial mit durchgehender Live-Demo, für Anfänger konzipiert.

Zubair Trabzada | AI Workshop (1 neues Video)

• Why You Must Build a Personal Brand
  22.4.2026, 14:00:29

  Zusammenfassung: Why You Must Build a Personal Brand

  Der Creator argumentiert, dass der Aufbau einer persönlichen Marke jetzt – nicht irgendwann – essentiell ist, weil künstliche Intelligenz massiv in den Arbeitsmarkt eindringt. Als Beispiel führt er an, dass AI-Influencer wie Lil Miquela über 2,4 Millionen Instagram-Follower haben und über 100.000 Dollar monatlich verdienen, mit Deals von Marken wie Prada und Calvin Klein – und diese Person existiert gar nicht. Die virtuelle Influencer-Branche soll bis Ende des Jahres über 8 Milliarden Dollar wert sein. Konzerne bevorzugen AI-Avatare, weil sie billiger, kontrollierbar und rund um die Uhr verfügbar sind, ohne Skandale oder Gehaltserhöhungen zu fordern.

  Das Problem ist größer als nur Influencer: 37 Prozent der Geschäftsführer planen, Mitarbeiter durch AI zu ersetzen; Goldman Sachs rechnet mit dem Verlust von 25 Millionen Vollzeitstellen 2026 und 270 Millionen bis 2030. Besonders gefährdet sind Jobs, bei denen Menschen austauschbar sind – das heißt, wenn dich niemand kennt, bist du ersetzbar.

  Eine persönliche Marke bedeutet nicht, YouTuber oder TikTok-Star zu werden. Es reicht, dass Menschen wissen, wer du bist, was du machst und warum es sich lohnt, dir zuzuhören. Das kann so simpel sein wie: wöchentlich hilfreiche Insights auf LinkedIn teilen, konsistent Fragen in Online-Communities beantworten oder regelmäßig über eigene Lernprozesse schreiben.

  Der Kern des Arguments: Während AI Schreiben, Codieren, Design und Analyse übernimmt, kann sie eines nicht ersetzen – die menschliche Verbindung. Deine Geschichte, deine Perspektive, deine Authentizität, die Art wie du Dinge erklärst, die Fehler und Erfahrungen die du teilst – das ist dein Alleinstellungsmerkmal. Je mehr AI-generierte Inhalte die Internetlandschaft überschwemmen, desto wertvoller werden echte menschliche Stimmen.

  Drei Kernpunkte: (1) Du brauchst keine Erlaubnis oder perfekte Voraussetzungen – fang jetzt an, irgendwo konsistent du selbst zu sein. (2) Das Zeitfenster schließt sich; in zwei Jahren werden echte, vertrauenswürdige menschliche Stimmen in ihrem Bereich dominant sein, während Wartende unsichtbar bleiben. (3) Deine persönliche Marke ist das einzige, das dir wirklich gehört – Plattformen, Algorithmen und Tools ändern sich, aber dein Name, dein Ruf und das Vertrauen der Menschen folgen dir überall.

  Meinung/Reflexion, kein AI-Tool-Anbieter explizit genannt.

---

Automatisch generiert aus den letzten YouTube-Videos der kuratierten Kanal-Auswahl. Bei Feedback, Anregungen oder zum Austragen: einfach auf diese Mail antworten.