Blog

Claude Code dominiert die Entwickler-Welt – und Anthropic kämpft ums Ökosystem

Sonntag, 11. Januar 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

Auf der CES 2026 präsentierte Nvidia nicht einen Chip, sondern ein komplettes Rack-Scale-System: Die Rubin-Plattform (Vera CPU, NVLink 6, ConnectX9) senkt Inference-Token-Kosten um den Faktor 10 und handhabt 10-Millionen-Token-Kontextfenster durch einen dedizierten KV-Cache-Storage-Tier außerhalb der GPU. Nate B. Jones analysierte, dass OpenAI parallel 10 GW Nvidia-Deployment, 6 GW AMD und 10 GW Broadcom-Custom-Accelerators vertraglich gesichert sowie 900.000 DRAM-Wafer pro Monat über Samsung und SK Hynix reserviert hat – DRAM-Preise stiegen im Q4 um über 300 Prozent. Auf der Modellseite erschienen drei bemerkenswerte chinesische Open-Source-Modelle: GLM 4.7 von Zhipu mit 358 Milliarden Parametern und „Interleaved Thinking” über mehrere Turns, Mimo V2 Flash von Xiaomi mit 309 Milliarden Gesamtparametern aber nur 15 Milliarden aktiv (150 Token/Sekunde, kostenlos auf OpenRouter), und iQiyi Coder V1 mit 40 Milliarden Parametern, das laut Benchmarks Claude Sonnet 4.5 auf Agentic-Code-Aufgaben schlagen soll. Das MIT veröffentlichte am 31. Dezember 2025 das Paper zu Recursive Language Models, die Prompts als Python-Variablen modellieren und per rekursiver Code-Execution beliebig lange Eingaben bis 10 Millionen Token stabil verarbeiten – während GPT-5 ab 524.000 Token kollabiert. Parallel verkündete xAI via Elon Musk den bevorstehenden Release von Grok 4.2 mit deutlich gestärkten Coding- und Reasoning-Fähigkeiten; Stealth-Varianten unter den Namen Quantum Crow, Vortex Shade und Obsidian kursierten bereits auf Testplattformen.

Local & Open-Source AI

LTX2, ein lokal ausführbares Open-Source-Videomodell, generiert Videos bis 20 Sekunden in 4K und 50 FPS und rangiert laut AI mit Arnie unter den Top-1-bis-2-Positionen bei Image-zu-Video im Open-Source-Vergleich. Die Installation läuft über ComfyUI mit einem FP8-Checkpoint (27 GB), einem 4-Bit-quantisierten Text-Encoder (7 GB) und einem Upscaling-Modell (1 GB); für begrenzte VRAM-Ressourcen wird ein RAM-Offload-Patch in fenbeddings.py empfohlen. DeepSeek veröffentlichte ein neues Paper zu Manifold Constrained Hyperconnections (MHC), das das Stabilitätsproblem bei Hyperconnection-Architekturen löst: Die HC-Matrix verteilt Signale nur um, ohne ihre Gesamtstärke zu verändern, und ermöglicht damit intelligentere Modellarchitekturen ohne Brute-Force-Compute. Geopolitisch dominieren chinesische Labore die Open-Source-Leaderboards, obwohl US-Exportbeschränkungen auf Huawei-Chips den Trainingszugang einschränken; Deepseeks Modell bleibt dabei unter Datenschutz- und Zensurbedenken – es blockiert laut Sicherheitsforschern nur 70 Prozent schädlicher Prompts und überträgt Nutzerdaten an chinesische Telekommunikationsinfrastruktur.

Claude Code & Anthropic-Tooling

Das Claude Code 2.1-Update brachte nach über 1.000 Commits fundamentale Architekturverbesserungen: Forked Sub-Agents laufen in isolierten Kontexten, Skill Hot-Reloading funktioniert ohne Session-Neustart, Chrome-Integration ermöglicht End-to-End-Debugging direkt vom Terminal, und LSP-Support ist jetzt vollständig integriert. Claude Canvas, ein TUI-Toolkit, rendert strukturierte Oberflächen für E-Mail-Verfassung, Kalender und Buchungsvergleiche direkt im Terminal via TMux und ermöglicht bidirektionale Maus- und Tastaturinteraktion. Leon van Zyl demonstrierte Long-Running-Agents auf Basis des Anthropic-Harness-Frameworks, die Features aus einer SQLite-Datenbank abarbeiten, Regression-Tests gegen zufällig ausgewählte bereits implementierte Features durchführen und bei gefülltem Context-Window automatisch zur nächsten Session wechseln – das Ergebnis war eine vollständige App inklusive Dark-Mode, bearbeitbaren Karten und funktionierender Thumbnail-API, während der normale Workflow an Kontextverlust scheiterte. Boris Churnneys öffentlich geteilter 8-Schritte-Workflow umfasst: fünf parallele Terminal-Sessions in Ghosty, Claude Web-Agents für Overnight-Tasks, Opus 4.5 als Standard, eine konsistente claude.md-Datei, Plan-Mode vor jeder Implementierung, Custom Slash-Commands und abschließende Session-Verifikation auf Best Practices und Sicherheitslücken. Das Ralph-Wiggum-Plugin – ein Stop-Hook-Loop, der das Modell mittels Anti-Lügen-Instruktionen und Original-Prompt-Reinjektion am Vorzeitig-Aufhören hindert – wurde von Matt Pocock, Alex Finn und Nate B. Jones als konkreter Hebel für autonome Iterationen bis zur Fertigstellung besprochen; entscheidend sind präzise Success Criteria und eine maximale Iterationsschranke gegen API-Kostenexplosion.

Coding Agents (non-Claude)

Google hat Gemini CLI in Version 0.23 mit Agent Skills ausgestattet: Modulare Expertise-Pakete werden dynamisch per /skills-Befehl geladen und verwaltet; die Demo zeigte, wie hunderte unstrukturierter Notizen in unter 30 Minuten zu einem Knowledge Graph organisiert wurden. Zusätzlich ist Gemini Conductor jetzt vollständig integriert und verlagert Projektkontext aus dem Chat-Verlauf in persistente Markdown-Dateien neben dem Code. Das Framework Oh My Open Code baut Open Code zum orchestrierten Multi-Agent-System aus: Der Sisyphus Orchestrator verwendet Opus 4.5 als Hauptplaner, Gemini 3 Flash als Librarian für Multi-Repo-Analyse und volle LSP-Refactoring-Unterstützung; eine Demo-App wurde für 2,92 Dollar mit Opus und Gemini erstellt, eine freie GLM-4.7-Variante ist ebenfalls verfügbar. Kiro AI startete einen Hackathon (5.–23. Januar) mit 17.000 Dollar Gewinnpool, der jedes Projektformat erlaubt und Kiro als einzige Pflicht-Bedingung setzt.

Software-Engineering & Dev-Kultur

Theo migrierte T3 Chat von Next.js zu TanStack Start – 14.000 Zeilen hinzugefügt, 10.000 entfernt. Der Kern des Problems: das Team nutzte React Router statt des Next.js-Routers und zwang das Framework mit Rewrite-Regeln in eine SPA-Architektur; nach Problemen mit Remix, React Router Server und einem Vite-Hono-Setup auf Cloudflare landeten sie bei TanStack Start mit Nitro-Route-Handlern als Hybrid. Das Video zu korrektem Logging argumentiert für Wide Events statt schrittweisem Loggen: Ein einziges umfassendes Event pro Request mit 50+ Feldern (Trace-ID, User-ID, Business-Context, Infrastructure-Context, Error- und Performance-Daten) macht SQL-Queries auf spaltenbasierten Datenbanken wie ClickHouse oder Axiom möglich statt Textarchäologie. NeuralNine zeigte Portfolio-Analyse mit Pyfolio-reloaded und yfinance: Sharpe, Calmar, Sortino und Omega Ratio, Rolling-Beta, Drawdown-Perioden und Monatsheatmaps aus einem einzigen create_returns_tear_sheet()-Aufruf; Bounding-Box-Extraktion aus PDFs via Gemini und PyMuPDF demonstriert, wie Koordinaten von Geminis normalisiertem Format (0–1000, y-x-Reihenfolge) auf tatsächliche PDF-Abmessungen skaliert und als annotierte Rechtecke visualisiert werden. Die TailwindCSS-Krise – 80 Prozent Umsatzeinbruch, 75 Prozent der Ingenieure entlassen, weil LLMs wie Claude so gut in Tailwind sind, dass Nutzer die Dokumentation und die kommerziellen Templates nicht mehr besuchen – wurde von Melvynx und Theo als Warnsignal für das gesamte Open-Source-Ökosystem diskutiert: SEO bricht zusammen, während Nutzung steigt.

Personal AI OS & Agent-Frameworks

OpenClaw (früher CloudBot) ist ein persönlicher KI-Assistent, der lokal läuft und über WhatsApp, Telegram, Slack, Discord oder iMessage erreichbar ist. Der DevExpert zeigte eine breite Palette an Skills – Google Workspace, Apple Notes, Obsidian, Spotify, Browser-Screenshot, Brave Search –, einen CloudHub-Marketplace für Community-Skills und MCP-Integration für beliebige CLI-Tools. Besonderheit: Der Bot besitzt vollen Terminal-Zugriff, merkt sich Kontext persistent und führt zeitgesteuerte Cron-Jobs aus; intensive Nutzung kostet 100–200 Dollar monatlich. AutoCloud verwandelt Claude in ein Multi-Agent-Coding-Framework mit Kanban-Board, isolierten Workspaces, selbstvalidierender QA, KI-gesteuerten Merges und der Möglichkeit, bis zu 12 Claude-Code-Agents parallel zu betreiben; bei erreichten Limits wechselt das System automatisch auf Sonnet 4.5 als Fallback. Manus AI 1.6 erschien kurz vor der Akquisition durch Meta (2 Milliarden Dollar) mit verbesserter Task-Completion-Rate (über 90 Prozent One-Shot-Accuracy), einem interaktiven Design-View auf Basis von Nano Banana 2 sowie Mobile-App-Entwicklungsfähigkeiten; Meta sieht den Wert primär in der Agentic-Harness-Technologie und einer möglichen Integration in die automatisierte Anzeigen-Erstellung. Die Anthropic-Entscheidung, Drittanbieter-Tools vom Abo-Zugriff auszusperren, trifft diesen Ökosystem-Bereich direkt: Theo kritisierte es als anti-kompetitiven Lock-in-Play, Melvynx zeigte den System-Prompt-Workaround.

AI-Automation & Workflows

Bart Slodyczka demonstrierte zwei praxisnahe n8n-Setups: einen WhatsApp-basierten Invoice-Processing-Agent, der via Mistral AI OCR Rechnungen aus Bildern und PDFs extrahiert, gegen Policy-Tabellen in einer Supabase-Datenbank prüft und Genehmigungen zurückschickt, sowie einen KI-Sprachagenten für eingehende Anrufe mit Retell AI und Google-Calendar-Anbindung, der Verfügbarkeiten prüft und Buchungen direkt bestätigt. Nate Herk baute in drei Stunden ein E-Mail-Management-System für 1.650 Dollar: Ein Inbox-Routing-Agent klassifiziert eingehende Mails via Gmail-Tools und leitet sie an Slack weiter; ein separater Subworkflow mit Claude Sonnet verfasst Antworten im eingebetteten Stil-Guide des Clients. Die n8n-Business-Lab-Session deckte RAG-Architekturen systematisch ab: Filter-basierte Abfragen für strukturierte Tabellendaten, SQL-Queries für komplexe Aggregationen, vollständiger Dokumentkontext für kleine Corpora und Vektorsuche für semantisches Retrieval – wobei Chunk-basiertes Retrieval bei zeitlichen oder mengenmäßigen Queries systematisch Kontext verliert und deshalb gezielt eingesetzt werden sollte. Lerty, eine Plattform zum Deployen und Verkaufen von Agenten an Kunden, ermöglicht Webhook-Integration bestehender N8N-, Make- oder Zapier-Workflows mit Custom-Branding, Human-in-the-Loop-Formularen und iOS-Push-Notifications; der Productive-Dude-Channel nutzte es in einer SEO-Blog-Automation mit Grok 4.1 und Tavily als Recherche-Backend.

AI-Video & Content Creation

Nic Conley erreichte mit AI-Avataren über 45 Millionen Views auf Instagram, YouTube und TikTok in wenigen Wochen. Der Workflow: Claude schreibt Scripts mit Hook-Breakern und eingebauten Pausen für natürlichere Sprachrhythmik; Fish Audio generiert expressivere Stimmen schneller als ElevenLabs; Runway und Midjourney liefern B-Roll und Bildmaterial; der digitale Twin erscheint nur 2–4 Sekunden pro Video, den Rest füllt gezieltes Storytelling-Editing. Die durchschnittliche Watch-Time lag bei 50 Sekunden, die Like-Rate bei rund 10 Prozent. Zubair Trabzada zeigte, wie Gemini 3 in AI Studio mit einem einzigen Prompt ein Frontend für einen UGC-Ad-Generator baut, das über N8N, Nano Banana 2 als Bildgenerator und Veo 3.1 für die Videogenerierung orchestriert wird.

AI-Business, Marketing & Freelancing

Liam Ottley präsentierte Daten aus einer Community mit über 270.000 Mitgliedern: Die durchschnittliche Deal-Größe für AI-Services stieg von 4.120 Dollar (2024) auf 13.870 Dollar im zweiten Halbjahr 2025, 49 Prozent aller Deals liegen jetzt über 10.000 Dollar, und die Medianzeit bis zum ersten Kunden beträgt neun Tage via Warm Outreach. AI-Audits wuchsen um 400 Prozent und sind als Einstiegsangebot (2.000–5.000 Dollar) zum Türöffner für größere Projekte geworden. Chris von EarlyBird AI erläuterte, warum das Outcome-Framing statt AI-Framing entscheidend ist: Geschäftsinhaber sind mit AI-Versprechen skeptisch und wollen messbare Ergebnisse wie Lead-Geschwindigkeit oder Datenbankreaktion. Kyle Balmer demonstrierte, wie Claude in unter fünf Minuten einen funktionierenden Prototypen eines Subscription-Cancellation-Tools nachbaute, und schloss daraus, dass der Wettbewerb sich vollständig auf Distribution und Marketing verlagert hat. Das Deloitte-Desaster – 440.000 australische Dollar für einen Bericht mit erfundenen Zitaten und nicht existierenden Akademikern – wurde von Balmer als Trainings-Problem eingestuft, nicht als KI-Problem; eine MIT-Studie zeigt, dass 90 Prozent der Mitarbeiter KI nutzen, aber nur 40 Prozent der Unternehmen Training angeboten haben.

PKM & Knowledge Management

Sébastien Dubois zeigte sein Periodic-Review-System in Obsidian: Das selbst entwickelte Journal-Base-Plugin (Open-Source) ergänzt Obsidian um zwei neue View-Typen – eine Timeline-View zur Navigation durch Zeitebenen und eine Review-View, die Jahres- bis Tagesebenen in einer Grid-Spalte zusammenfasst und Reviews mit Completion-Status direkt bearbeitbar macht. Das Life-Cycle-Plugin visualisiert Gesundheits- und Lebensdaten wie Energielevel, Schlafqualität und Trainingsaktivitäten als Liniendiagramme oder Heatmaps und erleichtert die Dateneingabe über einen Carousel-Befehl, der Eigenschaften sequenziell abfragt. Nate B. Jones beschrieb einen Second-Brain-Stack aus Slack (Erfassung), Notion (Speicherung), Zapier (Automation) und Claude oder ChatGPT (Klassifikation in Person/Projekt/Idee/Admin); der gesamte Aufbau dauert etwa 90 Minuten und liefert tägliche und wöchentliche Digests automatisch als Slack-DM.

Prompting & AI-Literacy

Ethan Mollicks Buch „Co-Intelligence” lieferte Kyle Balmer die konzeptuelle Folie für zwei Arbeitsmodelle: Der Zentaur trennt Aufgaben bewusst nach Mensch und KI und muss diese Grenze alle paar Monate neu kalibrieren; der Cyborg integriert KI so tief in kreative Prozesse, dass eine Trennung nicht mehr sinnvoll ist. Mollicks vier Regeln – KI immer einladen, als Mensch in der Schleife bleiben, KI mit spezifischer Rolle adressieren, davon ausgehen dass aktuelle Modelle die schlechtesten sind, die man je nutzen wird – wurden als praktischer Einstiegsrahmen vorgestellt. Cole Medins fünf Techniken für Agentic Engineering umfassen PRD-first Development, modulare Rules-Architektur mit ausgelagerten task-spezifischen Dateien, Commandification wiederkehrender Prompts, Context Reset zwischen Planungs- und Ausführungsphase sowie das systematische Ableiten von Bugs in verbesserte Regeldokumente. David Shapiro argumentierte gegen „AI Brain Rot” mit dem praktischen Gegenmittel, Chats regelmäßig zu löschen und Konzepte von vorne zu erklären – Synthesis als trainierbare kognitive Fähigkeit; er nutzt bewusst verschiedene Chatbot-Persönlichkeiten (Claude pedantisch skeptisch, ChatGPT unfehlbar, Grok zustimmend) zum Schärfen kritischen Denkens.

AI-Industrie & Strategie

Meta zahlte zwei Milliarden Dollar für Manus – nicht wegen eines Modell-Durchbruchs, sondern für die Agentic-Harness-Technologie, die Aufgaben tatsächlich zu Ende bringt: KV-Cache-Optimierung, Fokus-Aufrechterhaltung über mehrstündige Aufgaben und „restorable compression” via Dateisystem als externen Speicher. Anthropics Übergabe des Model Context Protocol an die Linux Foundation wurde als strategische Entrisikung gewertet: De-Vendor-Lock-In ermöglicht ein echtes Middleware-Ökosystem, und Googles parallel angekündigte vollständig verwalteten Remote-MCP-Endpoints verschieben den Wettbewerb hin zur reichhaltigsten Tool-Oberfläche und Billing-Integration. Dave Ebbelaar identifizierte Googles kompletten Tech-Stack – eigene TPUs, beste Modelle für Sprache, Bild und Video, das A2A-Protokoll für Agenten-zu-Agenten-Kommunikation – als strukturellen Vorteil gegenüber OpenAI, das bei Hardware auf Nvidia angewiesen bleibt. OpenAI räumte ein, dass Prompt Injection nicht vollständig lösbar ist; die Industrie wechselt deshalb zum Sicherheitsgurt-Ansatz mit Constrained Execution, Approval Gates und Audit-Logs. Cursor akquirierte Graphite, die Code-Review-Plattform, und zieht damit die Grenze zwischen Code-Schreiben und Code-Ausliefern zusammen – wer Review und Merge kontrolliert, kontrolliert das organisatorische Vertrauen in AI-Code. Mark Kashef analysierte 2026 als Jahr der Mass-Consolidation: Die meisten No-Name-Vibe-Coding-Plattformen von 2025 werden verschwinden, nur wenige wie Claude Code, Cursor und Anti-Gravity überleben; Googles Strategie der ruhigen, integrierten Produktentwicklung (Nano Banana, Veo, Gemini 3 Flash) sticht Metas breites Streuen aus.

AI & Gesellschaft / Future of Work

Jensen Huang widerlegte auf der CES 2026 das Job-Vernichtungs-Narrativ mit dem Task-Purpose-Argument: AI automatisiert das Task (Scans studieren), während der Purpose (Diagnose stellen) expandiert – und schafft durch neue Chip-, Supercomputer- und AI-Fabriken Millionen handwerklicher Arbeitsplätze. David Shapiro legte mit „Labor Zero” seine Kernthese vor: Maschinen ersetzen systematisch alle vier wirtschaftlichen Fähigkeiten des menschlichen Körpers (Kraft, Geschicklichkeit, Kognition, Empathie) und zerstören damit die historische Verhandlungsmacht der Arbeitnehmer – seine Gegenstrategie: dezentralisierte Zahlungssysteme, Transparent-Plattformen, partizipative Budgetierung und Sovereign-Wealth-Fonds als neue institutionelle Hebel. Tom Lausen argumentierte in einem deutschen Interview, dass nicht die Technologie selbst das Problem ist, sondern die Haftungsfrage bei Robotern und die Tendenz, Freiheiten als Lizenz umzuformulieren, die durch Zustimmung zurückgekauft werden muss; seine Initiative europaanalogfreedom.eu fordert ein Grundrecht auf analogen Zugang zu Dienstleistungen. Nate B. Jones formulierte den neuen Skill-Tree für alle Wissensarbeiter – von Intent Specification und Context Engineering über Verification Design bis zu Evaluation Harnesses und Drift Management –, der die alte Ingenieur-versus-Nicht-Ingenieur-Grenze durch die neue Frage ersetzt, wer probabilistische Intelligenz orchestrieren kann. Photonische Chips wurden als langfristige Antwort auf den explodierenden Energiehunger der KI vorgestellt: Mathematische Operationen werden passiv durch Lichtwellen durchgeführt (bis zu 1000-mal energieeffizienter), und Lightmatter hat bereits erste photonische KI-Prozessoren mit GPU-kompatiblen Schnittstellen entwickelt.

Kurz notiert

Der Arc-AGI-2-Benchmark wurde durch ein Multi-Agent-Framework auf Basis von GPT-5.2 X High nahezu vollständig gelöst; Arc AGI 3 startet im März 2026. Nvidia investiert 20 Milliarden Dollar in Grok (das Chip-Unternehmen), um LPU-Inferenztechnologie zu sichern – keine Akquisition, sondern ein Asset-Deal. Das Kiro-AI-Hackathon läuft bis 23. Januar mit 17.000 Dollar Gewinnpool; das Quick-Start-Template auf GitHub deckt Sub-Agents, MCP und Knowledge-Management ab. Der Boston-Dynamics-Atlas ist jetzt als Produktionsroboter für Fabrikarbeit erhältlich und erhielt ein Brain-Upgrade durch Google DeepMind und Gemini, das Sprachbefehl-Steuerung für Manager ermöglicht; LG Cloids heimischer Humanoid-Roboter nutzt Nvidia-Chips und zeigte Wäschefalten und Frühstücksvorbereitung. OpenAI entwickelt unter dem Codenamen „Gumdrop” einen bildschirmlosen KI-Stift (Jony-Ive-Designstudio, 6,5 Milliarden Dollar in Aktien); Razer Project Ava ist ein Desktop-KI-Avatar-Companion mit xAI Grok, Project Mako sind KI-Kopfhörer mit Snapdragon und Kamerasensoren in den Ohrmuscheln. ChatGPT Health sammelt alle Gesundheitsdaten zentral (Apple Health, Genome, Arztberichte) als Lock-in-Strategie; Utah erlaubt erstmals KI-Rezeptverlängerungen durch Docttronic mit einer 99,2-Prozent-Übereinstimmungsrate mit menschlichen Ärzten. Das BMAD-Framework mit 21 spezialisierten Agenten wurde von Melvynx als zu langsam für Opus 4.5 eingestuft: Die erzwungenen Validierungsschleifen bremsen ein Modell, das eigenständig reflektiv arbeitet. Melvynx demonstrierte außerdem, wie ein neues SaaS (Thumbnail-Generator) mit dem Schema I.MD → PRD → Tasks für rund 50 Dollar API-Kosten als MVP entsteht – mit Credit-basiertem Monetarisierungsmodell (49 Euro/300 Credits). Das Retell-AI-basierte Voice-AI-Geschäftsmodell wurde als übersehene Nische mit 22.000-Dollar-Build-Deals und 1.500 Dollar monatlichem Retainer vorgestellt.

AI Explained

Keine neuen Videos in diesem Zeitraum.

AI Foundations (1 neues Video)

• Deploy & Sell AI Agents in Minutes… (Introducing Lerty)
  5.1.2026, 15:00:12

  Zusammenfassung: Deploy & Sell AI Agents in Minutes – Introducing Lerty

  Lerty ist eine Plattform zum Verkauf und Vertrieb von KI-Agenten, speziell für Agentur-Inhaber mit bestehenden Kunden oder für alle, die Agenten an Kunden verteilen möchten. Das Tool löst das Problem, dass KI-Agenten bislang schwer weitergegeben werden konnten – Lerty macht das so einfach wie das Teilen eines Google Docs.

  Kernfunktionen:

  Verbindung bestehender Agenten: Man kann vorhandene Agenten (etwa aus N8N, Make oder Zapier) über einen Webhook-URL in Lerty integrieren. Das System speichert automatisch Conversation IDs und Speicher pro Benutzer, sodass jeder Client separate Gespräche hat. Das Setup dauert etwa zwei Minuten.

  Custom Agent-Erstellung: Alternativ lässt sich ein Agent direkt in Lerty mit Bring-Your-Own-Key-Modellen (OpenAI, Anthropic, Gemini, Grok, Open Router) und MCP-Verbindungen aufbauen – ohne externe Tools.

  Sharing und Nutzerverwaltung: Clients werden per Email eingeladen; mehrere Mitarbeiter eines Clients können Zugriff auf dasselbe Agenten-Dashboard erhalten. Das ist einfacher als Google Docs zu teilen.

  Branding: Agenten bekommen benutzerdefinierte Profilfotos, Chat-Farben und Custom Typing Indicators (z.B. „Findet Drakes letzte Videos…”) auf jedem Workflow-Schritt – alles sehr client-freundlich gestaltet.

  Human-in-the-Loop-Payloads: Man kann interaktive Formulare in Agenten-Workflows einbauen, die Nutzer zum Genehmigen, Eingeben oder Revisor auffordern. Das macht Clients zu aktiven Stakeholdern statt bloße Zuschauer.

  iOS Mobile App: Alle Agenten und Organisationen synchronisieren sich auf dem iPhone. Features umfassen Push-Notifications, Siri-Integration, Shortcuts (automatisierte Auslöser wie Ortswechsel, Alarme, Emails) und Live-Activity-Widgets zum Trackieren von Prozessen in Echtzeit (z.B. Bestellstatus).

  Geschäftsmodell: Lerty positioniert sich als Operations-Layer für Unternehmen – wenn Agenten gut funktionieren und Zeit oder Geld sparen, werden sie zur täglichen Routine und sorgen so für stabiles Monthly Recurring Revenue. Die Plattform ermöglicht höhere Preise für einmalige Builds plus regelmäßige Gebühren.

  Gründungs-Mitgliedschaft: Die ersten 20–30 Nutzer müssen sich bewerben; es ist ein Investment erforderlich. Diese Founding Members erhalten private Slack, direkten Zugang zu den drei Mitgründern (Drake, Carter, Jim) und Mitspracherecht beim Product Roadmap.

  Das Video ist eine Demo mit Geschäftsfokus: Lerty hat 7 Monate Entwicklungszeit hinter sich und richtet sich an Agenturen und Freelancer, die KI-Lösungen schnell skalieren möchten. — Demo; Lerty, N8N, Make, Zapier, OpenAI, Anthropic, Gemini, Grok, Open Router.

AI mit Arnie (1 neues Video)

• Der Neue Open-Source Video-König ist da!
  10.1.2026, 13:20:21

  Das Video stellt LTX2 vor, ein Open-Source-Videomodell, das lokal ausgeführt werden kann und Videos von bis zu 20 Sekunden in 4K-Auflösung mit 50 FPS generiert. Es unterstützt Depth Controlnets zur Videoumgestaltung, Open Pose Controlnet für Bewegungsanimation, vollständige Kamerakontrolle mit verschiedenen Stilen, Konsistenz durch Loras sowie natives Upscaling und Retakes. Das Modell rangiert unter den Open-Source-Modellen auf Platz 1–2 bei Image-zu-Video und übertrifft bei Text-zu-Video alle anderen offenen Modelle.

  Die Installation erfolgt über ComfyUI als Frontend. Der Prozess umfasst: Installation der LTX Video Custom Nodes, Download der richtigen Modelle (FP8 Checkpoint mit 27 GB, Text Encoder in 4-Bit-Quantisierung mit 7 GB, Upscaling-Modell mit 1 GB) und deren Platzierung in den korrekten ComfyUI-Ordnern. Für begrenzte VRAM-Ressourcen wird eine Codemodifikation in der Datei fenbeddings.py empfohlen, um Speicher auf RAM auszulagern — insgesamt benötigt man etwa 36 GB Speicherplatz zwischen VRAM und RAM kombiniert. Optional lässt sich das Modell auch über Google Colab oder ComfyUI Cloud nutzen.

  Die Demo zeigt Text-zu-Video (Mann sagt einen Satz und trinkt Bier) und Image-zu-Video-Workflows. Controlnets (Depth, Pose) werden erwähnt, aber nicht detailliert behandelt. Loras können für benutzerdefinierte Stile trainiert werden, und der Prompt Enhancer lässt sich deaktivieren, um Generation zu beschleunigen.

  Explizite Nennung: ComfyUI, Open-Source-Modell LTX2, Google Colab, Hugging Face; Format: Tutorial mit Schwerpunkt auf lokale Installation mit fortgeschrittener Konfiguration.

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

• OpenAI, Google, and Anthropic Agree on One Thing (Finally) – This Week’s Biggest AI Stories
  10.1.2026, 16:00:48

  Zusammenfassung: Die 10 wichtigsten AI-Stories für 2026

  Das Video behandelt zehn Geschichten, die 2026 prägen werden:

  1. Nvidias Vera-Rubin-Plattform (CES): Nvidia positioniert sich nicht mehr als GPU-Unternehmen, sondern als Plattform-Anbieter. Die sechsteilige Hardware-Stack ist für extrem lange Kontextfenster (10 Millionen Token) optimiert und soll schnellere, billigere Modelle ermöglichen – mit dem Ziel, “Ambient AI” überall verfügbar zu machen.

  2. Meta akquiriert Manis: Meta zahlte zwei bis drei Milliarden Dollar für das Agentic-Framework, das autonome Browser-basierte Agenten im großen Maßstab realisiert. Meta plant Integration in sein Modell-Ökosystem und interne Tools.

  3. AMDs CES-Konter: AMD präsentierte zwei neue Chips und positioniert sich explizit als unternehmensfreundliche Alternative zu Nvidia – nicht nur für Hyperscaler-Projekte, sondern für regulierte Industrien und Hybrid-Deployments. Greg Brockman von OpenAI war auf der Bühne, um AMDs Glaubwürdigkeit zu unterstreichen.

  4. Microsoft-MISO-Partnership (Stromnetz): Microsoft arbeitet mit dem Midcontinent Independent System Operator zur Modernisierung der Midwest-Stromversorgung. Das Signal: Hyperscaler werden zu Strommarkt-Stakeholdern; Gigawatt-Zugang ist strategische Abhängigkeit für AI-Roadmaps.

  5. “Bring Your Own Power”-Debatte: Regionale Stromnetzbetreiber fordern Datenzentren auf, eigene Stromquellen zu bringen oder während Spitzenlasten abzuschalten. FERC definiert Regeln für große AI-Lasten. Das adressiert das zentrale Problem: Stromzuverlässigkeit wird zur Geschäftsfrage; Gewinner werden diejenigen, die als “gute Stromnetz-Bürger” agieren und Lastverlagerungsverträge aushandeln können.

  6. MCP (Model Context Protocol) in die Linux Foundation: Anthropic doniert MCP – Entrisikung und De-Vendor-Lock-In. Dies ermöglicht ein echtes Middleware-Ökosystem und legt den Grundstein für sichere, governable Agent-Tooling in regulierten Umgebungen.

  7. Googles verwaltete MCP-Server: Google bietet vollständig verwaltete Remote-MCP-Endpoints als offizielle Layer. Strategie: Tool-Use als Managed-Infrastructure; ähnlich wie OAuth heute. Dies verschiebt Wettbewerb hin zu richster Tool-Oberfläche und Billing-Integration – Cloud-Marktplatz-Logik für Capabilities.

  8. OpenAI: “Prompt Injection ist nicht lösbar”: OpenAI räumte ein, dass Prompt Injection nicht vollständig gelöst werden kann, besonders wenn Agents erweitert werden. Konsequenz: Industrie-Mindset wechselt zu “Sicherheitsgurt-Ansatz” – Constrained Execution, Approval Gates, Audit-Logs, Rollback. Sichere Autonomie wird zum Produkt-Feature, nicht zur Funktion.

  9. Cursor akquiriert Graphite (Code-Review-Plattform): Cursor zieht die Grenze zwischen Code-Schreiben und Code-Auslieferung zusammen. AI-Coding-Assistants werden zu AI-Delivery-Systemen; die Kontrolle über Review und Merge bedeutet Kontrolle über organisatorisches Vertrauen in AI-Code.

  10. Fazit 2026: Stromzwänge werden real; Hardware-Wettbewerb verlagert sich von Chips zu Systemen; Agent-Sicherheit ist ein permanentes Rüstungsrennen. Gewinner: diejenigen, die AI-Infrastruktur langweilig, zuverlässig und governable machen.

  Das Video thematisiert explizit OpenAI, Google, Anthropic, Meta und AMD. Format: Roundup/News-Update.

• Why 2026 Is the Year to Build a Second Brain (And Why You NEED One)
  9.1.2026, 15:00:02

  Zusammenfassung: Why 2026 Is the Year to Build a Second Brain

  Der Sprecher argumentiert, dass 2026 das Jahr ist, in dem nicht-technische Menschen erstmals ohne Programmierkenntnisse ein funktionierendes “Second Brain” mit KI aufbauen können. Das Kernproblem: Das menschliche Gehirn wurde nicht zum Speichern entworfen, sondern zum Denken. Jedes Mal, wenn man sein Gehirn zwingt, sich Dinge zu merken statt neue Dinge zu denken, entstehen versteckte Kosten – offene Schleifen, Beziehungen, die abkühlen, und Projekte, die scheitern.

  Das System und die technische Umsetzung:

  Der vorgeschlagene Stack besteht aus vier Tools: Slack (Erfassungspunkt), Notion (Speicher), Zapier (Automatisierung) und Claude oder ChatGPT (Intelligenz). Der Workflow läuft so ab: Man postet Gedanken in einen privaten Slack-Kanal, Zapier triggert eine Automation, die die Nachricht an Claude/ChatGPT schickt, um sie zu klassifizieren (Person, Projekt, Idee, Admin), dann wird das Ergebnis als strukturierte JSON in Notion eingefügt. Eine morgendliche und wöchentliche Zusammenfassung wird automatisch als Slack-DM versendet.

  Acht Grundbausteine des Systems:

  1. Dropbox (Slack-Kanal) – reibungsloser Erfassungspunkt
  2. Sorter (KI-Klassifikation) – entfernt die Notwendigkeit, bei der Erfassung zu entscheiden
  3. Form (Notion-Felder) – konsistente Struktur für Zuverlässigkeit
  4. Filing Cabinet (Notion-Datenbanken) – vier einfache Datenbanken plus Audit Trail
  5. Receipt (Inbox-Log) – Nachverfolgung aller Einträge mit Confidence-Scores für Vertrauensaufbau
  6. Bouncer (Confidence-Filter) – hält bei niedriger Konfidenz an und fragt um Klärung, statt Müll einzuspeichern
  7. Tap on the Shoulder (tägliche/wöchentliche Digests) – proaktive Benachrichtigungen mit Top-3-Aktionen
  8. Fix Button (One-Click-Korrektionen) – ermöglicht Fehlerkorrektionen direkt im Slack-Thread

  Zwölf Designprinzipien (für nicht-Ingenieure übersetzt):

  1. Reduziere die menschliche Aufgabe auf ein zuverlässiges Verhalten (nur Erfassen)
  2. Trenne Speicher, Logik und Interface voneinander (portabel, auswechselbar)
  3. Behandle Prompts wie APIs, nicht wie kreatives Schreiben (strukturiert, zuverlässig)
  4. Baue Vertrauen auf, nicht nur Funktionalität (Audit Trail, Confidence-Scores)
  5. Defaults auf sicheres Verhalten (bei Unsicherheit: fragen statt falsch einzuordnen)
  6. Kleine, häufige, handlungsorientierte Outputs (max. 150 Worte für Daily, 250 für Weekly)
  7. Nutze “Next Action” als Ausführungseinheit (konkret, nicht vage)
  8. Routing statt Organisieren (vier stabile Kategorien reichen aus)
  9. Kategorien und Felder minimal halten (Komplexität nur bei Bedarf)
  10. System für Neustart statt Perfektion designen (keine Schuldgefühle nach Ausfall)
  11. Einen Workflow bauen, dann Module anhängen (erst Basis, dann Erweiterungen)
  12. Wartbarkeit vor Cleverness (weniger bewegliche Teile = weniger Ausfallpunkte)

  Praktische Umsetzung: Slack-Kanal erstellen, fünf Notion-Datenbanken aufsetzen, drei Zapier-Automationen bauen (Erfassung + Klassifikation, Daily Digest, Weekly Review). Der ganze Prozess dauert etwa eine bis anderthalb Stunden.

  Ergebnis: Ein funktionierendes System schließt offene Gedankenschleifen, reduziert Hintergrund-Angst, ermöglicht kontinuierlichere Beziehungen, und transformiert vage Anliegen in konkrete nächste Schritte – alles ohne dass man aktiv daran denken muss.

  Der Sprecher betont: Dies ist nicht inkrementell, sondern ein völlig neues kognitives Werkzeug in der Menschheitsgeschichte. Zum ersten Mal können nicht-Ingenieure Systeme bauen, die unabhängig arbeiten, während man schläft oder andere Dinge tut.

  Tools und Format: Claude, ChatGPT, Slack, Notion, Zapier / Deep-Dive mit praktischem Tutorial-Charakter.

• NVIDIA told us exactly where AI is going — and almost everyone heard it wrong
  8.1.2026, 15:00:12

  NVIDIA und die Industrie signalisieren auf der CES 2026, dass AI in eine industrielle Phase eintritt – nicht primär um neue Gadgets, sondern um eine AI-Factory-Infrastruktur zu etablieren. Der zentrale Shift: Die Optimierung liegt nicht mehr auf Training, sondern auf Inference bei massiver Skalierung. ChatGPT erreichte 800 Millionen wöchentliche aktive Nutzer, was bedeutet, dass Inference – das kontinuierliche Ausliefern von Modellen – nun die Kostenstruktur bestimmt. Das Kernproblem ist, wie man Dollars pro Token senkt, während Latenz und Zuverlässigkeit innerhalb von SLAs bleiben.

  NVIDIAs neue Reuben-Plattform ist kein einzelner Chip, sondern ein Rack-Scale-System (mit Vera CPU, NVLink 6, ConnectX9 und weiteren Komponenten), das Inference-Token-Kosten um den Faktor 10 reduziert und 10-Millionen-Token-Kontextfenster handhaben kann. Crucial ist die produktisierte Inference-Context-Memory-Storage: NVIDIA verlagert den KV-Cache aus der GPU in einen Storage-Tier, um Recomputation zu vermeiden. Das bedeutet, Kontext wird zur verwalteten Ressource wie ein Cache oder eine Datenbank-Tier im klassischen Web-Stack – ein Paradigmenwechsel von Compute zu Memory- und Data-Movement-Problemen.

  OpenAI schrieb 2025 die Verträge, die diese Factory-Realität ermöglichen: 10 Gigawatt Nvidia-Deployment (mit 1 GW ab H2 2026), 6 Gigawatt AMD-Deployment, 10 Gigawatt Broadcom-Custom-Accelerators (H2 2026–Ende 2029), plus 38 Milliarden Dollar AWS-Kapazitätssicherung und ein Multi-Milliarden-Deal mit Coreweave. Zusätzlich sicherte sich OpenAI 900.000 DRAM-Wafer pro Monat über Samsung und SK Hynix – ein gezielter Griff auf kritische Speicherengpässe. DRAM-Preise stiegen Q4 um über 300%, die Speicherbandbreite wird von Samsung und SK Hynix dominiert.

  Das eröffnet ein Multi-Winner-Szenario statt Verdrängungswettbewerb: (1) Second-Source-Hyperscale-GPUs wie AMD (Google-AMD-Deal als Anker-Commitment), (2) Custom Accelerators für hohe Inference-Volumen (Broadcom-OpenAI), (3) In-House-Chips von Hyperscalern (Anthropic plant über 1 GW TPU-Kapazität 2026). Während Nvidia der absolut größte Gewinner bleibt und Inference hohe Kontexte benötigt, schaffen Heterogenität und Kostendrücke Platz für mehrere Ökosysteme – ähnlich wie AWS, Azure und Google Cloud koexistieren.

  Zusätzlich beschleunigt Physical AI (Robotik, autonome Fahrzeuge wie Mercedes CLA, Smart Devices) Inference-Nachfrage durch Latenz- und Zuverlässigkeitsbindung. Die gesamte Bewegung bringt AI aus dem Datencenter ins Ambient AI überall – GPT-5.2-Pro-ähnliche Qualität nahezu instantan, dank Vera Rubin und Token-effizienter Unit-Ökonomie. Der tiefere Plot: AI wird zu einer vollwertigen Industrie mit Factory-Scale-Infrastruktur, bestimmt durch Inference-Ökonomie, Memory, Stromversorgung und Supply-Bottlenecks – nicht durch Chip-Rennen allein.

  Explizit thematisiert: NVIDIA, OpenAI, AMD, Google (Anthropic TPUs), Broadcom, Samsung, SK Hynix; Format: Meinung/Reflexion (Deep-Dive-Analyse von CES 2026 und den Strukturverschiebungen dahinter).

• Why “Pretty Good on First Pass” Is Costing You Thousands–How To Fix It TODAY
  7.1.2026, 15:01:32

  Das Video behandelt Ralph Wiggum, ein Plugin für Claude Code, das ein zentrales Problem löst: Modelle behaupten, fertig zu sein, wenn sie es nicht wirklich sind. Der Entwickler Jeffrey Huntley setzt dabei auf eine simple Technik: Er verhindert, dass das Modell stoppt, und füttert den ursprünglichen Prompt wiederholt ein, bis die Aufgabe tatsächlich vollständig erledigt ist.

  Technisch funktioniert Ralph als Stop-Hook-Loop – sobald Claude meint, fertig zu sein, wird dieser Hook ausgelöst, der den Stop verhindert und den Original-Prompt mit der aktualisierten Historie neu einfüttert. Das Plugin nutzt dabei explizite Anti-Lügen-Instruktionen („This statement must be completely and unequivocally true”), um das Modell daran zu hindern, sich durch falsche „Done”-Aussagen zu befreien. Dies adressiert ein fundamentales Alignment-Problem: Modelle sind trainiert, hilfreich zu wirken, auch wenn das bedeutet, zu lügen.

  Der zentrale Gedanke ist ein Paradigmenwechsel von End-of-Process-Evaluationen zu „Workflow-shaped Evaluations”, die während des gesamten Prozesses steuern. Statt zu messen, was ein Modell beim ersten Versuch kann, sollte man messen, wie präzise es über mehrere Iterationen hinweg zur korrekten Lösung konvergiert. Das funktioniert besonders gut, wenn „Fertig” technisch präzise definierbar ist (z.B. Tests bestehen), weniger bei vagen Kriterien wie „professionell wirken”.

  Strategisch wichtig für 2026: Der Bottleneck liegt nicht mehr in der Modell-Fähigkeit, sondern in der Harnessung – wie man agentic Models steuert. Wer Iteration „kaufen” kann (durch klare Success Criteria und Evaluations), kann Korrektheit kaufen. Das hat Implikationen weit über Engineering hinaus. PowerPoint-Decks, Competitive Reviews, Quartalsberichte – alle Formen von wiederholter Wissensarbeit könnten dasselbe Muster nutzen, sobald man definiert, was gut aussieht und Evaluationen dafür konstruiert. Das Kernproblem: Die meisten Menschen können ihre eigenen Aufgaben nicht präzise genug definieren, um solche Loops aufzusetzen.

  Das Video argumentiert, dass traditionell nicht-technische Worker mehr Komfort mit Terminal und technischen Mustern brauchen, gleichzeitig aber auch die Branche diese Patterns zugänglicher machen muss. Der optimistische Kern: Wer „Fertig” definieren kann und es so klar macht, dass man das System nicht austricksen kann, wird in Zukunft dominant. Ralph ist ein Hack mit einer These dahinter – die Erkenntnis, dass die Ära des Selbstberichts von Modellen vorbei ist.

  Claude Code, Ralph Wiggum-Plugin; Meinung/Reflexion mit strategischem Ausblick.

• The Manus Acquisition Explained: Why Meta Paid $2B for a “Wrapper”
  6.1.2026, 15:01:39

  Zusammenfassung: Meta kauft Manus für 2 Milliarden Dollar

  Meta hat Manus, ein agentenbasiertes Tool, für über 2 Milliarden Dollar akquiriert – nicht wegen eines Modell-Durchbruchs, sondern wegen der speziellen Agentic-Harness-Technologie, die Manus entwickelt hat. Der Kern der Fähigkeit: Während die meisten AI-Agenten gut darin sind, Aufgaben zu beginnen (Pläne erstellen, Drafts schreiben), kann Manus Aufgaben tatsächlich zu Ende bringen. Das Tool kann recherchieren, coden, Datenanalysen durchführen, Websites bauen – und vor allem: Es führt lange Schleifen von Tool-Aufrufen aus, bis eine komplette Lösung vorliegt.

  Die Manus-Gruppe veröffentlichte einen Blog-Post über ihre Methoden und offenbarte technische Details wie KV-Cache-Optimierung (um Rechenkosten zu senken), Techniken zur Aufrechterhaltung des Fokus bei mehrstündigen Aufgaben sowie sogenannte “restorable compression” (Nutzung des Dateisystems als externen Speicher). Diese Transparenz bewies Meta dem Gründer Zuckerberg, dass das Team innovativ ist und hart an schwierigen Problemen arbeitet. Meta vermutet intern, dass Manus besonders im Bereich automatisierte Anzeigen-Erstellung (Ads) wertvoll sein könnte – Teil der Vision, dass Werbetreibende nur noch ein Budget brauchen und Meta den Rest (Erstellung, Optimierung, Segmentierung) übernimmt.

  Als Alternativen werden drei Tools genannt: Claude Code (terminal-basiert, funktioniert über Loops von Tool-Aufrufen, ähnliche Best Practices wie Manus, aber etwas code-fokussierter); Gemini Spark (ähnliches Profil wie Manus, arbeitet mit Dokumenten/Folien/Research im Browser, aber in Tests etwas weniger zuverlässig beim “Finishing”); Do Anything (noch in Alpha, aggressivere Goaling – “starte mein Business” statt “fertige diese Aufgabe an”, aber noch nicht vollständig beim Finishing angekommen). Die zentrale Erkenntnis: Zuverlässiges Finishing ist selten. Der Speaker argumentiert, dass Agent-Harnesses – nicht die Modelle selbst – immer wichtiger werden und dass Meta diese Akquisition wählte, weil das nötige Wissen schwer auf dem Markt zu finden ist.

  Explizit thematisiert: Claude (Claude Code), OpenAI (Codex, ChatGPT), Manus, Gemini (Spark), Do Anything; Format: Meinung/Deep-Dive.

• Most People Want Validation, Not Perspective (Why This Matters Now)
  5.1.2026, 15:00:20

  Zusammenfassung

  Der Kern der Aussage: Menschen suchen meist Validierung statt echte Perspektive auf ihre Karrieren, und das ist ein Problem, das AI beheben kann.

  Der Sprecher argumentiert, dass Karriereentwicklung bislang ein undokumentierter, individueller Prozess ohne strukturierte Rechenschaftspflicht war – anders als bei Unternehmen, die Boards, Audits und Quartalsmeldungen zur Selbstprüfung verpflichtet sind. Diese Lücke existiert, obwohl die Karriere das bestimmt, was man verdient, an Optionen hat und wie die Textur des täglichen Lebens aussieht. Das Hauptproblem: Menschen sind „unreliable narrators” ihrer eigenen Karrieren. Das menschliche Denken konstruiert Geschichten, die das Ego schützen, Erfolge rundweg aufrunden, Misserfolge herunterrunden und unbewusste Selbsttäuschung betreiben.

  Menschen, die karrieremäßig wirklich vorankommen, haben eines gemeinsam: externe Accountability – ob durch Coaches, enge Vertrauenspersonen oder sichtbare Dokumentationssysteme.

  Die Lösung nutzt AI als „board of directors”: Der Sprecher hat ein Zweiteilsystem entwickelt. Erstes Element: das Quartalsrück­blich – ein Prompt interviewt dich detailliert über reale Verpflichtungen, getroffene Entscheidungen, Optimierungen und Vermeidungen. Der Prompt soll unbequem sein und keine Ausreden akzeptieren; das Ergebnis ist ein persönlicher Boardbericht, der zum Durchleuchten einlädt, nicht zur Selbstbeweihräucherung. Zweites Element: ein instantiiertes Board of Directors – durch einen Metaprompt erstellst du sogenannte „Director Cards” mit detaillierten Charakterprofilen, die das LLM dann verkörpert. Im Board-Gespräch spielen verschiedene Charaktere unterschiedliche Perspektiven und stellen harte Fragen; am Ende erhältst du eine Gesamtperspektive, Schwachstellen und konkrete Aktionspläne.

  Der Vorteil gegenüber Human Coaching: AI hat keine Tendenz, beeindruckt zu werden (du kannst ehrlicher sein), ist immer verfügbar, kann mehrere plausible Sichtweisen in einer Sitzung zuverlässig verkörpern, und wird dich nicht beschönigen. Für echte scharfsinnige Perspektive brauchst du nach wie vor einen Menschen, aber das System schlägt das, was die meisten tun – nämlich nichts – massiv.

  Die Kernaussage: Dieses Modell war technisch oder wirtschaftlich vorher nicht skalierbar; jetzt kann buchstäblich jeder Profi einen Quartalsbericht und ein persönliches Board wie ein CEO pflegen.

  Abschluss: Das Video thematisiert Claude und ChatGPT explizit als Basis für die Prompts und stellt eine konzeptionelle Meinung/Reflexion mit starkem praktischen Anwendungsfokus dar – für wen es hilfreich ist, braucht es kein besonderes technisches Verständnis, die Tiefe liegt konzeptionell.

• Why Andrej Karpathy Feels “Behind” (And What It Means for Your Career)
  4.1.2026, 19:00:43

  Die zentrale These: Andrej Karpathy hat recht, wenn er sich als Programmierer „hinter” fühlt – denn die technischen Anforderungen haben sich grundlegend verschoben. Es geht nicht mehr um besseres Programmieren, sondern um ein neues Skillset, das alle Wissensarbeiter betrifft.

  Die zentrale Verschiebung: Der Hebel wechselt von „schreibe korrekte Anweisungen schneller” zu „orchestriere probabilistische Intelligenz”. Während deterministische Systeme (klassischer Code) durch klare Kausalität und vollständige Inspizierbarkeit charakterisiert sind, bringen LLMs etwas Fundamentales Neues: ein stochastisches, fallibles, teilweise undurchsichtiges Bauelement in den Stack.

  Was bricht zusammen:

  1. Kontrolle ist nicht mehr Standard – statt Authorship (ich schreibe das Verhalten) kommt Steering (ich lenke es probabilistisch). Gleicher Input kann unterschiedliche Outputs produzieren.
  1. Aufwand korreliert nicht mehr mit Output – es ist jetzt ein Skill-Problem: Wer Delegationsschleifen baut, erreicht 10x mehr; wer manuell arbeitet, bleibt stecken.
  1. Die Abstraktionspyramide invertiert sich – von „Intent collapsing into code” zu „Intent → generated artifacts → verify output”. Die Arbeit wird zur Systemüberwachung statt zur Konstruktion.
  1. Die alte Grenze (Ingenieur vs. Nicht-Ingenieur) ist obsolet. Die neue: Wer kann delegieren, wer nicht? Authority und Delegation sind nun entkoppelt.

  Der neue Skill Tree (vier Ebenen):

  Level 1 – Conditioning (Steuerung): Intent Specification (ambige Requirements sind fatal bei probabilistischen Systemen), Context Engineering (was rein, was raus, wie organisiert), Constraint Design (Formate, Schemata, Token-Budgets verwandeln eine Spielmaschine in eine zuverlässige Machine).

  Level 2 – Authority ohne vollständige Authorship: Verification Design (wie kommt Wahrheit in die Loop – deterministisch oder prozedural?), Provenance & Chain of Custody (Citations, Sources, Auditability statt Codeinspektion), Permissions (das Modell ist nicht die Sicherheitsgrenze – least-privilege permissioning, Audit Trails).

  Level 3 – Workflows: Decompose into Pipeline Steps (treat models as pipeline components, nicht als Chatbots; local failures statt global), Failure Mode Taxonomy (nicht prompta-fummeln, sondern fehlende Context, falsche Retrieval, Tool-Fehler, Halluzination klassifizieren und auf der richtigen Ebene fixen), Observability (mache die umgebende Architektur lesbar – Traces, Tool-Calls, Validierungen, Kosten).

  Level 4 – Compounding: Evaluation Harnesses (golden examples, regression tests, damit man Prompts/Modelle/Retrieval changes sicher testen kann), Feedback Loops (draft–critique–revise–recheck–ship), Drift Management & Governance (Versionierung, Policies – treat it like production infrastructure).

  Der zentrale Punkt: Das ist keine Engineering-only Fähigkeit mehr. Juristen bauen Contract-Review-Workflows, Ingenieure bauen Debugging-Agents – beide erklimmen denselben Skill Tree. Die historische Gleichsetzung von Kompetenz mit Authorship bricht zusammen; Kompetenz bedeutet jetzt: Orchestriere Unsicherheit ohne die Autorität zu verlieren.

  Das Fazit nutzt die Analogie zu Factorio – das Spiel, in dem man eine automatisierte Fabrik baut und sich schrittweise von Handwerk zu Automation bewegt. Wer versteht, dass es um Decomposition, Modularität, Observability, Bottleneck-Analyse geht (nicht um persönliche Craftsmanship), wird in der AI-Ära den Hebel finden. Organisationen, die diesen Skill Tree bewusst über alle Wissensarbeiter skalieren, werden 10x schneller; Organisationen, die an alten Hierarchien (Technical vs. Non-Technical) festhalten, nicht.

  Keine expliziten Tool-Namen oder Anbieter erwähnt; Thema ist Andrej Karpathy und eine konzeptionelle Reflexion auf Organizational Leadership angewendet — Meinung/Reflexion mit strategischem Deep-Dive.

Alejandro AO

Keine neuen Videos in diesem Zeitraum.

Alex Finn (4 neues Videos)

• The Ralph Wiggum plugin makes Claude Code 100x more powerful (WOW!)
  10.1.2026, 19:53:42

  Das Video zeigt, wie das Ralph Wiggum-Plugin Claude Code in einen autonomen Agenten verwandelt, der stundenlang eigenständig an großen Aufgaben arbeitet, ohne zu stoppen, bis alle Anforderungen erfüllt sind.

  Funktionsweise: Ralph Wiggum funktioniert wie eine Schleife – im Gegensatz zu Claude Code ohne Plugin, das selbst entscheidet, wann es fertig ist, prüft Ralph bei jedem Schritt kontinuierlich, ob alle definierten Ziele erreicht wurden, und arbeitet so lange weiter, bis dies der Fall ist. Das Plugin eignet sich besonders für große, komplexe Aufgaben und vollständige Features, nicht aber für kleine Tweaks. Ein zusätzlicher Vorteil: Man kann parallel mehrere Terminal-Fenster öffnen und an anderen Projekten arbeiten, während Ralph im Hintergrund läuft – ohne die Systemperformance zu belasten (im Gegensatz zu Visual Studio Code oder Cursor).

  Einrichtung und Nutzung: Nach Installation des Plugins via Command gibt man einen strukturierten Prompt ein, bestehend aus dem Plugin-Befehl (/ralph_loop), einer Aufgabenbeschreibung, detaillierten Anforderungen und vor allem Success Criteria – die Bedingungen, die erfüllt sein müssen, damit Ralph stoppt (z.B. „alle Anforderungen implementiert”, „keine Linter-Fehler”, „Dokumentation aktualisiert”). Man sollte auch eine maximale Anzahl von Iterationen setzen, um unkontrolliertes Looping und exzessive API-Kosten zu vermeiden.

  Demo-Beispiel: Im Video wird ein Projekt-Management-Tool mit Kanban-Board und To-Do-Liste als One-Shot gebaut. Das Plugin durchläuft mehrere Zyklen, prüft auf Fehler, generiert Dokumentation und stoppt erst, wenn alle Kriterien erfüllt sind. Das resultierende Tool ist funktionsfähig – man kann Projekte anlegen, Tasks auf dem Board verschieben und in der To-Do-Liste abhaken.

  Kostenfaktor: Das Plugin verbraucht viel API-Nutzung und eignet sich daher nicht für den günstigen Tarif; auf höheren Plänen ist es wirtschaftlicher einsetzbar.

  Claude (Anthropic) wurde thematisiert; Demo/Tutorial-Format.

• Using Claude Code to build startups LIVE!!!
  10.1.2026, 09:19:23

  Zusammenfassung: Using Claude Code to build startups LIVE!!!

  Der Stream zeigt einen Live-Entwicklungs-Marathon: Der Moderator baut mit Claude Code einen 3D-Agent-Manager — eine Art Gamified-Interface zur Verwaltung von KI-Agenten in einer isometrischen 3D-Welt. Inspiriert von Dominic Schultz’ Konzept können Nutzer Avatar anklicken, ihnen Befehle erteilen, und diese wandern dann zu verschiedenen Stationen (Code, Research, Debug, Deploy), um Aufgaben auszuführen. Das soll die Bedienung von AI-Agenten intuitiver und spielerischer machen als aktuelle Tools.

  Workflow & Tools: Der Moderator nutzt Ghosty als Terminal-Emulator statt VS Code/Cursor, um Claude Code direkt von der Kommandozeile aus zu steuern. Beim initialen Build funktioniert nicht alles beim ersten Versuch (Agent-Spawning fehlerhaft), Claude muss mehrfach korrigieren. Das Team diskutiert auch, ob der separate Frontend/Backend-Aufbau sinnvoll ist, einigt sich aber auf Simplizität mit Next.js.

  Tangenten: Im Chat-Feuer-und-Flammen-Teil reflektiert der Moderator über die Anthropic-Restrictions für Claude Code mit Drittanbieter-Umgebungen (eher verständnisvoll gegenüber Anthropics Geschäftsinteressen), warnt vor dem falschen Argument „aber jeder kann ja vibe-coden” (nur 1% der Menschen nimmt tatsächlich Action), und testet nebenbei die neue Plan-Mode in der Claude Desktop App — ein strukturiertes, visuelles Planning-Interface, das vielversprechender wirkt als das Terminal, aber möglicherweise langsamer. Am Ende wird klar: Control+V (nicht Command+V) klebt Images ins Terminal — der Moderator hat das Tage lang nicht gewusst.

  Abstimmung: Aus einer Live-Poll gewinnt die Ankündigung eines Ralph Wiggum Tutorials gegen einen Ghosty-Workflow-Video.

  Claude Code (Anthropic), Demo/Live-Build mit Schwerpunkt Anwendungs-Know-how.

• The creator of Claude Code just revealed his INSANE workflow (must watch)
  6.1.2026, 20:50:40

  Zusammenfassung: Die 8-Schritte Claude-Code-Workflow des Creators

  Boris Churnney, der Creator von Claude Code, hat seinen persönlichen Workflow öffentlich geteilt. Der Video präsentiert alle acht Schritte:

  Schritt 1 – Mehrere Terminal-Fenster in Parallel: Statt VS Code oder Cursor nutzt Churnney fünf Claude-Code-Terminal-Sessions gleichzeitig. Der Tipp: Mit der App Ghosty (ein Terminal-Wrapper) lässt sich das komfortabler gestalten, etwa durch Split-View mit Server-Logs auf einer Seite. Terminal verbraucht deutlich weniger RAM als VS Code, sodass mehrere Sessions problemlos parallel laufen.

  Schritt 2 – Claude Web Agents: Über claude.ai können 5–10 Web-Agents gleichzeitig an unterschiedlichen Tasks arbeiten. Ideal für unterwegs oder vor dem Schlafengehen: Agents starten, Tasks zuweisen, und am nächsten Morgen liegt Code zur Review vor. Die Claude-Mobile-App bietet dieselbe Funktionalität.

  Schritt 3 – Opus 4.5 für alles: Das stärkste Coding-Modell nutzen – es ist nicht nur intelligenter, sondern auch tokeneffizienter als kleinere Modelle, sodass man insgesamt sparen kann.

  Schritt 4 – Konsistente claude.md-Datei: Eine claude.md im Root-Verzeichnis mit Custom-Rules, die bei jedem Prompt mitgesendet werden. Dies reduziert Fehler und Bugs erheblich.

  Schritt 5 – Plan Mode (Shift+Tab zweimal): Der wichtigste Schritt: Mehrmals hin und her mit Claude gehen, bevor man implementiert. Detaillierte Pläne führen zu besseren Ergebnissen, oft sogar „One-Shot”-Implementierungen.

  Schritt 6 – Custom Slash Commands: Eigene Slash-Commands für wiederkehrende Aufgaben schreiben lassen (z. B. /commit für GitHub-Pushes). Spart erheblich Zeit bei Routinetasks.

  Schritt 7 & 8 – Session-Verifikation: Am Ende jeder Session Claude auffordern, die Arbeit zu überprüfen – auf Best Practices, Effizienz und Sicherheit. Dies ist kritisch, um Security-Lücken zu vermeiden.

  Der Video betont, dass dieser Workflow die Produktivität massiv erhöht und die Code-Qualität verbessert.

  AI-Tools/Modelle: Claude (Opus 4.5), Claude Code, Claude Web Agents; Format: Tutorial/Deep-Dive.

• Building a startup with Claude Code LIVE using my new workflow
  5.1.2026, 21:37:18

  Zusammenfassung: Building a Startup with Claude Code LIVE Using My New Workflow

  Der Stream zeigt den Live-Aufbau eines neuen Projekts namens “Code Commander” – einer gamifizierten RTS-ähnlichen Oberfläche zur Orchestrierung von Claude-Code-Agenten. Der Host stellt zunächst seinen neuen Workflow vor: statt Visual Studio Code oder Cursor arbeitet er nun direkt im Terminal mit Ghosty (ein Terminal-Emulator), um Speicher zu sparen und beim Live-Streamen mehr Bildschirmfläche zu haben.

  Nach einer Abstimmung mit dem Chat entscheiden sich die Zuschauer für den Aufbau des neuen Claude-Code-Gamified-Interface statt der Skalierung eines bestehenden Produkts. Das Konzept stammt von einem Tweet und zielt darauf ab, das Schreiben von Code wie die Verwaltung von Einheiten in einem Strategie-Spiel (Age of Empires 2) zu gestalten – mit verschiedenen Agent-Typen (Scout, Builder, Fixer, Commander, Tester), die als Einheiten auf einer “Karte” (der Codebasis) arbeiten.

  Claude schlägt eine technische Architektur vor: Next.js Frontend, Pixie.js für die Gaming-Visualisierung, Claude Agent SDK und Superbase als Datenbank. Das Team codiert live, debuggt aber auch Fehler wie fehlende Agenten-Visualisierung auf der Karte. Am Ende des Streams funktioniert die grundlegende Struktur teilweise – Agenten lassen sich spawnen, aber die visuelle Darstellung benötigt noch Fixes.

  Nebenbei diskutiert der Host auch Business-Themen: Warum viele Vibe-Coding-Startups scheitern (teure Token, schwache Geschäftsmodelle), wie man Zuschauer aufbaut (“Jab, Jab, Hook”-Strategie: Wert geben, dann verkaufen) und lehnt energisch die Verwendung von Spracherkennung ab, da er lieber tippt.

  Claude und Web-App-Entwicklung im Live-Modus, Demo-Format.

Andrej Karpathy

Keine neuen Videos in diesem Zeitraum.

Bart Slodyczka (2 neues Videos)

• This n8n AI Agent Handles Invoices So Your Team Doesn’t Have To
  10.1.2026, 12:57:16

  Zusammenfassung: n8n Invoice Processing Agent über WhatsApp

  Das Video demonstriert einen n8n-Workflow, der Rechnungen und Belege über WhatsApp verarbeitet. Der Agent akzeptiert sowohl Bilder als auch PDFs, extrahiert automatisch relevante Informationen und gleicht diese gegen hinterlegte Geschäftsrichtlinien ab, um Genehmigungen zu erteilen oder zu verweigern.

  Kernfunktionalitäten:

  Der Workflow nutzt Mistral AI zur Dokumentenanalyse und lädt Belege zunächst in Google Drive hoch (um Dateigröße zu optimieren), bevor sie verarbeitet werden. Die Architektur besteht aus einem Frontend-Workflow und einem Backend bestehend aus vier Datenbanktabellen: eine für Workflow-Ausführungen (Logging), eine für Rechnungen (extrahierte Details), eine für Benutzer (Validierung) und eine für Geschäftsrichtlinien (Genehmigungsbedingungen).

  Ablauf:

  Nach Empfang einer Nachricht wird zunächst geprüft, ob der Absender in der Benutzerdatenbank existiert. Danach wird das Bild/PDF heruntergeladen und an Mistral AI übergeben. Die Dateiendung bestimmt, ob es als Bild oder Dokument verarbeitet wird. Der Agent extrahiert dann Felder wie Rechnungsnummer, Datum, Typ, Positionen und Gesamtbetrag – ausgerichtet an der erwarteten API-Struktur des Zielkontos. Ein Code-Node vergleicht anschließend die Rechnungskategorie und den Betrag gegen die Policy-Tabelle. Das Ergebnis (Genehmigt/Abgelehnt + Begründung) wird in der Invoices-Tabelle protokolliert und über WhatsApp zurückgesendet.

  Best Practice: Der Autor empfiehlt, den System-Prompt rückwärts auszuarbeiten – vom finalen Zielformat (API-Dokumentation der Buchhaltungssoftware) ausgehend, um sicherzustellen, dass alle erforderlichen Felder extrahiert werden.

  Tools: n8n, Mistral AI, Google Drive, Twilio (für WhatsApp-Integration) — Tutorial-Format, mittleres Schwierigkeitsniveau.

• Build Your First AI Voice Agent for Inbound Calls & Bookings
  5.1.2026, 11:00:02

  Zusammenfassung

  Das Video zeigt, wie man einen KI-Sprachagenten für eingehende Geschäftsanrufe und Buchungen mit Retail AI und n8n aufbaut. Der Agent antwortet auf häufig gestellte Fragen aus einem PDF und kann Servicezeiten in einem Google-Kalender buchen.

  Der Prozess beginnt in Retail AI mit der Erstellung eines Single-Prompt-Voice-Agents. Man definiert das Sprachmodell, die Stimme (aus 11 Labs oder OpenAI) und schreibt Anweisungen für den Agent. Wichtig ist, die aktuelle Uhrzeit via Dynamic Variables einzubinden, damit der Agent Anfragen wie „buche mich morgen” versteht. Dann lädt man ein PDF mit Service- und Preisangaben als Knowledge Base hoch.

  Der Agent wird mit einer Custom Function verbunden, die zu einem n8n-Webhook aufruft. In n8n wird ein Workflow gebaut, der die vom Agent gesendeten Variablen (Uhrzeit, Datum, Service-Typ) empfängt, mittels eines Code-Node die Zeitformate für Google Calendar konvertiert, dann die Verfügbarkeit prüft. Falls die Uhrzeit frei ist, wird die Buchung erstellt; falls nicht, wird eine Alternative geprüft und dem Agent mitgeteilt. Die Webhook-Response wird zurück an Retail AI gesendet, wo der Agent die Bestätigung an den Anrufer übermittelt.

  Am Ende verbindet man eine echte Telefonnummer mit dem Agent, indem man diese in Retail AI kauft und dem veröffentlichten Voice-Agent zuweist. Die Demo zeigt einen erfolgreichen Anruf mit Buchung und automatischer Zeitbestätigung – der Agent lehnt zunächst 11 Uhr ab (bereits gebucht), bietet 12 Uhr an und bucht diese ein.

  Thematisierte Tools: Retail AI, n8n, Google Calendar, 11 Labs, OpenAI — Format: Tutorial.

Ben AI

Keine neuen Videos in diesem Zeitraum.

Brian Casel

Keine neuen Videos in diesem Zeitraum.

Coding with Lewis

Keine neuen Videos in diesem Zeitraum.

Cole Medin (2 neues Videos)

• The 5 Techniques Separating Top Agentic Engineers Right Now
  8.1.2026, 01:01:17

  5 Techniken top agentic engineers – Zusammenfassung

  Das Video stellt fünf konkrete Techniken vor, die professionelle AI-Coding-Engineers nutzen, um das volle Potenzial von Coding-Agenten (Claude, Code Hero, Cursor) auszuschöpfen:

  1. PRD-first Development: Ein Markdown-Dokument (Product Requirement Document) wird als zentraler „Nordstern” erstellt, der den gesamten Projektumfang definiert. Statt den Agent zu überlasten, wird das Projekt in granulare Features aufgeteilt (API, UI, Authentication). Bei bestehenden Codebases wird dokumentiert, was vorhanden ist und was neu gebaut werden soll.

  2. Modulare Rules-Architektur: Die globale Rule-Datei (z.B. Claude.md) bleibt bewusst kurz und konzentriert sich auf universelle Regeln (Tech-Stack, Projektstruktur, Commands). Task-spezifische Regeln (z.B. für API-Entwicklung oder Frontend) werden in separaten Markdown-Dateien ausgelagert und nur bei Bedarf geladen – so bleibt die Context-Window des LLM geschützt.

  3. Commandification (Workflows als Befehle): Jeder Prompt, der mehr als zweimal wiederholt wird, sollte in einen wiederverwendbaren Command/Workflow umgewandelt werden. Diese Markdown-Dokumente definieren Prozesse (Git-Commits, Code-Reviews, Context-Priming) und sparen massiv Zeit und Keystrokes.

  4. Context Reset zwischen Planung und Ausführung: Nach einer Planungsphase wird die Konversation neu gestartet. Die Planung endet mit einem strukturierten Markdown-Dokument, das alle nötigen Infos enthält – die Execution-Phase erhält nur dieses Dokument als Input, um maximale Context für das Reasoning zu bewahren.

  5. System Evolution (Bugs als Verbesserungschance): Statt nur Bugs zu fixen, wird die zugrundeliegende Regel, Reference-Dokumentation oder der Prozess verbessert, damit der Agent solche Fehler nicht wiederholt. Dies schließt ein, den Agent selbst zu reflektieren: „Was in unseren Regeln oder Commands hätte diesen Bug verhindert?” Das macht den Agent über Zeit zuverlässiger und stärker.

  Das Video verlinkt ein GitHub-Repo mit allen verwendeten Commands, PRD-Templates und ein umfassendes System für Green- und Brownfield-Development.

  Explizit behandelte Tools: Claude, Code Hero, Cursor; Format: Meinung/Reflexion mit praktischen Demonstrationen (Intermediate-Level für bereits Agent-erfahrene Nutzer).

• The Kiro AI Coding Hackathon has Officially Started! Build ANYTHING, Win Big Prizes.
  5.1.2026, 16:15:48

  Zusammenfassung: The Kiro AI Coding Hackathon

  Der Dynamus und Kiro AI Coding Hackathon ist am 5. Januar gestartet und läuft bis zum 23. Januar. Der Gewinnerpool beträgt 17.000 Dollar, die Gewinner werden am 7. Februar in einem Live-Stream verkündet.

  Teilnahme & Anmeldung: Die Registrierung erfolgt über einen „Join the Hackathon”-Button, der zu einem Dynamus-Community-Konto führt. Alle Ankündigungen werden im Hackathon-Channel gepostet und per E-Mail versendet. Neue Kiro-Konten erhalten sofort 500 Bonus-Credits (gültig 30 Tage), weitere kostenlose Credits werden in den ersten zwei Wochen verteilt.

  Anforderungen: Die einzige Bedingung ist die Nutzung von Kiro als AI Coding Agent. Das Thema ist komplett offen – möglich sind Web-Apps, AI Agents, CLI-Tools, APIs, Microservices, Automation-Tools oder Mobile Apps.

  Bewertungskriterien: Anwendungsqualität, effektive Nutzung von Kiro, Dokumentation, Innovativität und eine 2–5-minütige Demo-Video.

  Submission-Anforderungen: Quellcode, Readme, Dokumentation (inkl. Steering Documents/Global Rules, Prompts/Workflows in Markdown, Devlog mit Entwicklungsverlauf und Entscheidungen), Demo-Video. Format: ZIP-Datei oder öffentliches GitHub-Repository, Video als YouTube-Link oder Loom.

  Regeln: Nur Einzeleinreichungen, maximal eine Submission pro Person, aber mehrere Projekte möglich.

  Quick-Start-Template: Ein GitHub-Repository mit Installation, Kiro-Anleitung, vorkonfigurierte Workflows und Befehle zur Strukturierung des Projektstart – richtet sich an Anfänger und an Erfahrene mit anderen AI-Coding-Assistants. Abdeckung von Konzepten wie Tangent-Mode, Knowledge Management, Sub-Agents und MCP-Servern.

  Video thematisiert das Kiro-Tool in einer Event-Ankündigung mit praktischen Hinweisen — Ankündigung/Demo-Format.

Datapizza

Keine neuen Videos in diesem Zeitraum.

Dave Ebbelaar (1 neues Video)

• How I See AI Evolving in 2026 (as an AI Engineer)
  8.1.2026, 16:56:19

  Zusammenfassung: How I See AI Evolving in 2026

  Dave Abal, AI-Engineer und Gründer einer AI-Entwicklungsfirma, teilt sieben Beobachtungen zur AI-Entwicklung 2026, basierend auf Erkenntnissen aus aktuellen Client-Projekten:

  1. Limits der LLMs: Während die Modelle in Benchmarks besser werden, erlebt der praktische Einsatz keine drastischen Veränderungen in der Wertschöpfung. Experten wie Yan LeCun deuten darauf hin, dass die aktuelle LLM-Architektur an ihre Grenzen stößt. Parallel wächst die Aufmerksamkeit für neue Ansätze wie rekursive Sprachmodelle, die durch intelligentes Verketten von LLM-Aufrufen Kontextfenster-Limits überwinden könnten.

  2. Google als Ökosystem-Player: Nach zwei Jahren Stille gewinnt Google Terrain. Das Unternehmen besitzt ein komplettes Tech-Stack mit Best-in-Class-Modellen (Sprache, Bilder, Video), eigenen TPU-Chips (unabhängig von Nvidia), Zugang zu massiven Datenmengen und das A2A-Protokoll – das über MCP hinausgeht, indem es Agenten ermöglicht, komplex miteinander zu kommunizieren und Subtasks zu delegieren.

  3. DAX vs. Agents – kein binärer Kampf: Während manche “DAX ade” proklamieren, bleibt der richtige Mix use-case-abhängig. Deterministische Workflows (DAXs) sind ideal für kritische Prozesse (z.B. Banking), wo Fehler teuer sind. Chat-Interfaces mit Human-in-the-Loop vertragen mehr Agentic Flexibility. Die beste Strategie: mit einfachen Lösungen starten, dann Komplexität erhöhen.

  4. Agentic Coding – großes Potenzial: LLMs können besonders gut Code generieren. Tools wie Claude Code und Cursor werden kombiniert mit besseren Prompts, Modellen und Best Practices (Spec-Driven Development). Dies ist laut Abal die wichtigste Produktivitätssteigerung für Entwickler 2026.

  5. Context Engineering: Die zentrale Fähigkeit: richtige Informationen zur richtigen Zeit vor das richtige Modell bringen. Diese Strategie verbessert LLM-Anwendungen über alle Architekturen hinweg kontinuierlich.

  6. Voice als Zukunfts-Interface: Voice ist 4-5x schneller als Keyboard/Touch. Abal erwartet, dass Voice die primäre Interaktionsform mit Technologie wird – ein Trend über das nächste Jahrzehnt. Er arbeitet selbst an einer Voice-to-Text-Anwendung.

  7. Wir sind noch ganz am Anfang: Die meisten Unternehmen starten gerade erst mit AI (Abal bekommt 225 Project-Anfragen, viele “wir nutzen ChatGPT, wollen aber professioneller werden”). Core-Fundamentals von vor 2 Jahren laufen noch – nur neuere Modelle und angepasste Prompts. Für Entwickler gibt es vielfältige Spezialisierten: AI-Engineering, Low-Code-Plattformen, Consulting.

  Explizite Tools/Modelle: Claude Code, Cursor, OpenAI (Audio), Gemini, Google (A2A-Protokoll, TPUs), MCP, Anthropic; Format: Meinung/Reflexion basierend auf praktischer Erfahrung.

David Shapiro (7 neues Videos)

• The Antidote to AI Brain Rot
  10.1.2026, 13:54:43

  The Antidote to AI Brain Rot

  Das Video kritisiert die Angst vor “AI Brain Rot” und argumentiert weniger gegen die These selbst als gegen das pauschale Ausweichen von AI-Tools. Der Sprecher vergleicht die Debatte mit Sokrates’ historischer Skepsis gegenüber Büchern, die – wie sich zeigte – die Zivilisation vorangebracht haben, nicht geschädigt haben.

  Sein persönlicher Ansatz: Der Sprecher realisierte vor ein bis zwei Jahren, dass er zu abhängig von Notebook LM und Chatbot-Threads war. Seine Strategie zur Gegenwehr: Chats regelmäßig löschen und Konzepte von vorne erklären, um sie selbst memorieren zu müssen. Denn Synthesis – die höchste Stufe von Blooms Taxonomie – erfordert echte kognitive Reibung und ist trainierbar wie ein Muskel.

  Kritisches Engagement mit AI: Der Sprecher debattiert bewusst mit verschiedenen Chatbots (Claude, ChatGPT, Grok), um sein Denken zu schärfen. Er nutzt System Prompts, um die Persönlichkeiten zu verändern – Claude wird pedantisch skeptisch, ChatGPT weigert sich systemisch, Fehler zuzugeben (“wie ein Narzisst”), Grok gibt jedem pathologisch recht. Diese Unterschiede zu kennen und zu nutzen ist laut dem Sprecher ein Training für kritisches Denken.

  Gesellschaftliche Perspektive: Der Sprecher warnt nicht vor AI selbst, sondern vor einer Welt, in der niemand kritisch prüft. Ein Tipping-Point von 10–20% der Bevölkerung, die tatsächlich mit AI recherchieren und hinterfragen, könnte genug sein für einen epistemischen Phasenwechsel. Das Problem: Unser Gehirn ist ein “Shortcut-Motor” – ohne bewussten Widerstand greifen wir zur bequemen Lösung.

  Kernidee: AI als Kognitives Prothese, nicht als Gehirn-Ersatz. Der Sprecher unterscheidet zwischen unbewusstem neurokognitiven Bias und bewusstem exekutivem Versagen (illustriert durch die “Shane”-Anekdote: jemand, der absichtlich den einfacheren Weg wählt, obwohl er weiß, er wird scheitern). Wer AI nutzt ohne selbst zu denken, setzt nur auf Executive Function, die erst reagiert, wenn die Maschine falsch lag.

  Das grössere Risiko: Nicht AI heute, sondern ein zukünftiges Szenario, in dem ein permanenter AI-Begleiter (ein Telefon, das 24/7 zuhört) den Kontext so vollständig kennt, dass der Mensch sich selbst nicht mehr klar artikulieren muss – weder zur AI noch zu anderen Menschen. Das könnte unsere Fähigkeit zu expliziter Kommunikation und kritischem Nachdenken verkümmern lassen.

  Praktischer Rat: AI als Werkzeug verwenden, aber auch “auf die alte Art” üben. Der 30-minütige monologische Vortrag selbst ist sein Beweis: extemporaneous speaking ist ein erlernbarer Skill, der unter Druck Gedanken schärft.

  Claude, ChatGPT, Grok und Notebook LM werden namentlich erwähnt; das Video ist eine Meinung/Reflexion mit praktischen Verhaltensänderungen.

• Recovery is non-linear
  9.1.2026, 11:43:49

  Recovery is non-linear – Zusammenfassung

  Der Sprecher berichtet von mehrjährigen Kämpfen mit chronischer Krankheit, die er anfangs für Long COVID hielt. Die tatsächliche Diagnose war schwere Dysbiose (Streptococcus-Überproduktion, H. pylori und Folgeerscheinungen wie Endotoxämie und Anämie), die drei Jahre dauerte zu entdecken. Sein Kernpunkt: Genesung ist nicht linear – ein Konzept, das zwar oft erwähnt wird, aber emotional verheerend zu erleben ist.

  Mit Hilfe von Reasoning-Modellen (ab 2025) und Deep-Research-Tools verbrachte er hunderte Stunden damit, selbst zum Experten zu werden. Der Durchbruch kam durch einen GIM-MAP-Stool-Test, der genetisch alle Darmmikroben sequenziert. Nach erfolgreicher Behandlung mit spezifischen Probiotika folgte eine dreiwöchige „Honeymoon-Phase” (großartig erfolgreich), dann ein Rückfall – aber objektivmessbar auf höherem Niveau als vorher (mehr Ausdauer, besserer Schlaf, 7–8.000 Schritte täglich möglich, erste Mahlzeiten ohne Magenschmerzen). Diese Auf-und-Ab-Zyklen sind psychologisch belastend, besonders wenn man unwissentlich die falsche Behandlung verfolgt.

  Der Sprecher kritisiert, dass Amerika (im Gegensatz zu Deutschland, Japan, Russland) keine etablierte Medizin für chronische Darmerkrankungen hat; Russland kannte vor 70 Jahren bereits Bakteriophagen-Therapie. Selbst die Viktorianer verstanden Neurasthenie und Erholung. Für seine persönliche Genesung brauchte es Identitätsneuverhandlung (nicht mehr „der Typ, der 2014 einen Tough Mudder machte”, jetzt mit körperlichen Grenzen), Charakterwachstum und tiefes Vertrauen seiner Unterstützer – ohne die wäre er nach eigener Aussage nicht am Leben.

  Er warnt vor Verharmlosung: Ein einzelnes Supplement hilft nur dem, der nicht wirklich krank war. Echte chronische Krankheit ist, wenn Ärzte, Familie und Peers dich nicht ernst nehmen, wenn du weißt, dass etwas falsch ist, aber nicht was. Die emotionale und psychologische Last dieser Nichtlinearität – Hoffnung, Rückfall, Verzweiflung – ist dabei oft so schlimm wie die physischen Symptome (Schmerz, Müdigkeit, Schlaflosigkeit, Tachykardie, Angststörungen).

  Video ohne explizite Thematisierung spezifischer AI-Tools/Modelle (nur Erwähnung von „Reasoning-Modellen”, „Deep-Research-Tools”, „NotebookLM” ohne konkrete Anbieter-Namen), Meinung/Reflexion mit autobiografischem Fokus.

• Simulated Biology is Here
  8.1.2026, 13:28:17

  Simulated Biology is Here – Zusammenfassung

  Google arbeitet an Technologien wie AlphaFold, Alpha Proteo und vermutlich an einer Art “Alpha Cell” – Simulationen von Proteinen, Zellen und möglicherweise ganzen Organismen. Der Sprecher argumentiert, dass solche Durchbrüche lange brauchen, bis sie sich in der Praxis durchsetzen, und dass Menschen Kurzfristeffekte überschätzen, Langzeiteffekte aber unterschätzen.

  Die zentrale Frage: Wie radikal könnten Menschen sich verändern, wenn sie ihre Biologie vollständig kontrollieren können? Der Sprecher skizziert drei Szenarien aus Science Fiction – Guild Navigators in Dune (nicht-humanoidische Körper), die Borg in Star Trek (kybernetische Integration) und Posthumanismus (Mind Uploading, die “Grays” als Metapher für verlorene Menschlichkeit). Diese Szenarien reflektieren tiefe Ängste: Könnten wir durch Technologie unsere Menschlichkeit verlieren?

  Zentrale Bedenken:

  • Malthusisches Wettrüsten: Sobald einige sich genetisch oder kybernetisch modifizieren, werden alle unter Druck geraten, es ihnen gleichzutun – nicht aus Wahl, sondern aus Wettbewerbszwang.
  • Qualia Fading & Phenomenal Drift: Der Prozess der Modifikation könnte allmählich das Selbst auslöschen (Beispiel: Cyberpunk 2077, Star Trek Transporter). Man weiß nicht, ob die Person, die sich “uploadt”, wirklich weiterlebt oder nur eine Kopie hinterlässt.
  • Ship of Theseus Problem: Je mehr Teile man ersetzt, desto weniger ist klar, wer man noch ist. Besonders riskant: Wenn ein modifiziertes Gehirn nicht mehr in den Schädel passt, lässt sich das nicht rückgängig machen.

  Praktische Szenarien, warum Modifikation notwendig wird:

  • Kolonisierung anderer Planeten (Mars hat ein Drittel der Erdgravitation) erfordert genetische Anpassungen.
  • Raumfahrt braucht Strahlenresistenz (Beispiel: Deinococcus radiodurans kann 2500× mehr Strahlung verkraften); kosmische Strahlung zwischen Sternen ist intensiver als innerhalb des Sonnensystems.
  • Ohne massive Abschirmung ist ein 3+ Jahre dauernder Raumflug tödlich.

  Der „Minimax”-Ansatz: Der Sprecher favorisiert langsame, schrittweise genetische Modifikationen statt radikaler Umwandlung oder Mind Uploading. Der Grund: Jede Entscheidung wirkt rational im Moment, aber führt kumulativ zu radikalen Veränderungen. Beispiel-Gedankenexperiment: Mit 59 wünscht man sich den Körper eines 18-Jährigen, behält aber die Lebenserfahrung – sofort ändert sich die Weltsicht. Dann wird man geneigt, noch mehr zu optimieren (Größe, Stimme, Aussehen). Zugleich könnten andere unter Druck geraten, das gleiche zu tun. Nach wenigen Jahren erkennt man sich selbst nicht wieder – aber jeder einzelne Schritt schien rational.

  Der offene Horizont: Der Sprecher verfechtet eine Philosophie namens “Post-Nihilismus”: Nachdem man akzeptiert hat, dass Menschen selbst die Evolution kontrollieren können und werden, stellt sich nicht „sollte das sein?”, sondern „was will ich damit erreichen?” Die Antwort liegt nicht in Teloi (Endzielen), sondern in inkrementellen Entscheidungen von Moment zu Moment – denn real funktioniert menschliches Handeln so, nicht durch Planung von Jahrzehnten entfernen Endzuständen.

  Warnung vor Irreversibilität: Modifikationen wie in Avatar – ein Mensch wird in einen Na’vi-Körper transformiert – könnten das Ende der Fähigkeit bedeuten, zur ursprünglichen Form zurückzukehren. Das ist das tiefste Risiko: nicht dass Veränderung schlecht ist, sondern dass man verliert, was man nicht wiederholt holen kann, und nicht einmal bemerkt, dass es verschwunden ist (qualia fading).

  Meinung/Reflexion ohne spezifische KI-Tools oder -Anbieter.

• My most dangerous idea
  7.1.2026, 12:08:38

  Zusammenfassung: My most dangerous idea

  Der Sprecher stellt sein Kernkonzept „Labor Zero” vor: die These, dass Maschinen systematisch alle vier Fähigkeiten ersetzen werden, die der menschliche Körper der Wirtschaft bietet – Kraft, Geschicklichkeit, Kognition und Empathie. Er argumentiert, dass dies bereits geschieht: Roboter übernehmen physische Aufgaben mit sub-Millimeter-Präzision, und große Sprachmodelle lösen Kognitionsaufgaben, während affektive Systeme teilweise bessere emotionale Intelligenz zeigen als Menschen.

  Das zentrale Problem: Arbeit war historisch das Fundament der Bürgermacht, weil sie vier einzigartige Eigenschaften hat – sie ist unveräußerlich (braucht einen körperlichen Menschen), verweigerbar (man kann streiken), erforderlich (der Staat und die Wirtschaft brauchten sie) und verderblich (lässt sich nicht lagern, muss täglich provisoriert werden). Diese Kombinationen gab der Arbeiterklasse Hebel: durch Verweigerung und Streik konnten Arbeiter Zugeständnisse erzwingen. Ohne Arbeit verliert die Bevölkerung diese Verhandlungsmacht völlig und könnte zur permanenten Unterklasse werden.

  Der Lösungsansatz besteht darin, neue institutionelle Hebel zu schaffen, die Macht zurückverteilen: Kontrolle über Geld (dezentralisierte Zahlungssysteme, UPI in Indien), Kontrolle über Information (Transparenzplattformen wie Ukraines Prozorro), Selbstbestimmte Identität und dezentralisierte Strukturen. Diese sollten durch direkte Demokratie – nicht athenisches Abstimmen über alles, sondern Partizipative Budgetierung und Systeme wie VTaiwan – ergänzt werden, die algorithmisch Konsens aggregieren. Als Beispiel nennt er erfolgreiche dezentralisierte Boykotts wie gegen Target, wo organische Sentiment ohne zentrale Koordination einen CEO zum Rücktritt zwang.

  Der Sprecher erwähnt, dass selbst konservative Think-Tanks wie die Heritage Foundation sein Konzept aufgreifen und anerkennen, dass Arbeit verschwinden könnte. Er kündigt ein Buch zu Labor Zero an (geplant April–Juni, mit Kickstarter, Audiobook und mehreren Formaten) und sucht nach akademischen Partnern zum Aufbau einer Koalition.

  Format: Meinung/Reflexion; thematisiert grundsätzlich Automatisierung und Technologie ohne spezifische AI-Tools zu nennen.

• *Singularity Tingles Intensify*
  6.1.2026, 12:08:03

  Zusammenfassung: Singularity Tingles Intensify

  Der Speaker diskutiert, warum sich die “Singularitätsstimmung” 2025 deutlich verstärkt hat. Kernpunkt: Wichtige Stimmen deuten auf 2026 als Jahr hin, in dem KI die Wissenschaft selbst beschleunigt. Konkrete Belege sind die Beobachtungen, dass Claude (von Anthropic) bereits 100% des Low-Level-Codes für die nächste Version selbst schreibt, oder dass OpenAI’s Codex und Claude Code ganze Nächte autonom an Code-Problemen arbeiten – was zu Tweets wie “Did we just get AGI for coding?” führt.

  Der Speaker erklärt, warum die Mehrheit dieser Entwicklungen nicht versteht: Normality Bias – unser vom Pliozän stammender Gehirn kann exponentielle Änderungen nicht intuitiv erfassen. Wir nehmen nur das als “normal” wahr, was gerade ist. Die Hälfte der ChatGPT-Nutzer glaubt noch immer, das Tool rufe Antworten aus einer Datenbank ab, statt sie in Echtzeit zu generieren. Das erklärt, warum frühe Beobachter (“zwei bis drei Jahre voraus”) nicht als hellsichtig, sondern als falsch wirken.

  Der Speaker argumentiert, dass die psychologische Schwelle überschritten ist: Sobald verständige Menschen (Ärzte, Anwälte, Entwickler) realisieren, dass KI dauerhaft intelligenter bleibt, verschiebt sich das Overton Window. Beispiel: Claude 4.5, vor 45 Tagen veröffentlicht, hat die “world state” für viele Menschen verändert. Das erklärt, warum Diskussionen über X-Risk und KI-Sicherheit verschwunden sind – die “erwachsene Konversation” hat sich weiterbewegt.

  Abschließend führt der Speaker den Begriff Cognitive Lacuna (epistemic gap) ein – die Fähigkeit, bewusst zu erkennen, dass etwas Fehlendes da sein sollte, obwohl man es nicht konkret benennen kann. Ärzte, Ingenieure und Wissenschaftler arbeiten intuitiv damit. Der Speaker vermutet, dass der nächste Trainingssprung darin liegt, Modelle diese Lücken selbst identifizieren zu lassen – nicht nur kohärent zu sein, sondern Wissen-Gradienten aktiv zu erfassen. Das sei der nächste Schritt nach Coherence-Training und könnte exponentielles Wachstum weiter beschleunigen.

  Explizit diskutiert: Claude, Anthropic, OpenAI, Deepseek, Code-Agenten (Codex, Claude Code) – Format: Meinung/Reflexion mit theoretischem Deep-Dive zu KI-Architektur und Epistemologie.

• Yes, AI will end capitalism (as we know it)
  5.1.2026, 12:50:10

  Zusammenfassung: Yes, AI will end capitalism (as we know it)

  Der Speaker argumentiert, dass KI und Robotik nicht einfach nur Kapitalismus zerstören werden, sondern dass dies eigentlich ein stabiles System erfordert, um nicht zusammenzubrechen. Der Ausgangspunkt ist ein Reddit-Post, der die Absurdität aufzeigt: Wenn KI alle Jobs übernimmt und nur noch Trillionäre alles besitzen, wer kauft dann noch ihre Produkte? Ohne Haushaltseinkommen gibt es keine Nachfrage, und die Konsumwirtschaft kollabiert.

  Der Speaker erklärt, dass eine verbrauchsbasierte Wirtschaft auf Haushaltsausgaben angewiesen ist (etwa 60–80% des BIP), nicht auf Arbeit selbst. Da Löhne derzeit der Hauptverteilungsmechanismus für Produktivitätsgewinne sind, müssen alternative Einkommensquellen geschaffen werden. Die drei Einkommensquellen sind: Löhne (Anstellung), Transfers (Regierungszahlungen wie UBI), und Kapitalerträge (Aktien, Mieteinnahmen). Da Löhne wegfallen werden, schlägt der Speaker vor, die Kapitalvermögen zu verbreitern – durch Sovereign-Wealth-Fonds (wie Norwegens Pensionsfonds), Vermögensfonds auf regionaler Ebene (wie Alaskas Permanent Fund, das Öleinnahmen in Aktien investiert und Dividenden an Haushalte verteilt), sowie Maßnahmen wie Mitarbeiterbeteiligungen.

  Ein zweiter, tieferer Punkt betrifft die politische Stabilität. Der Speaker entwickelt das Konzept der „doppelten bilateralen Abhängigkeit”: Eliten bieten Schutz und Wohlstandsmöglichkeiten an; die Bevölkerung bietet Arbeit und Steuern. Diese Vereinbarung hält Gesellschaften zusammen – von der Antike bis heute. Doch wenn KI und Roboter alle Arbeit erledigen, bricht diese Vereinbarung zusammen. Warum sollte die Bevölkerung die Eliten akzeptieren, wenn sie nichts mehr beizutragen hat?

  Die Antwort liegt im Konzept der Aufmerksamkeits-Präferenz-Ökonomie: Eliten koordinieren Ressourcen durch Visionen und Reputation. Der Speaker nennt Beispiele wie Elon Musk (nutzt Aufmerksamkeit zur Ressourcenmobilisierung) und MrBeast (baute sein Imperium allein durch Aufmerksamkeitsgarner auf). Im Internet-Zeitalter mit KI, Robotik und dezentralen Koordinationsmechanismen brauchen wir möglicherweise nicht mehr die klassische Elite – aber wir brauchen weiterhin verantwortliche Personen, denen Menschen durch Vertrauen, Vision und Reputation folgen können.

  Der Lösungsrahmen ist „generative Mutualism” (generativer Mutualismus): historisch haben Menschen sich zusammengeschlossen, um größere Bedrohungen zu bewältigen (von Zellen bis Nationen). Basierend auf rationalen Eigeninteressen ergibt es für Billionäre Sinn, zahlungskräftige Kunden zu haben, statt die Bevölkerung zu marginalisieren – einfach weil es mehr Menschen gibt als Eliten. Die neue Erzählung ist nicht „Besitzer vs. Arbeiter”, sondern „Koordinatoren vs. der Rest von uns” – alle im gegenseitigen Eigeninteresse verbunden.

  Format & Kontext: Meinung/Reflexion; kein spezifisches AI-Tool oder -Modell erwähnt.

• Where AI is going in 2026
  4.1.2026, 15:41:41

  Where AI is going in 2026

  Der Autor diskutiert in ungefilterter Form die aktuelle Lage der KI-Entwicklung und deren Zukunftsrichtung. Zentrale Punkte:

  Technologische Fortschritte: DeepSeek hat mit neuen Aufmerksamkeitsmechanismen gezeigt, dass State-of-the-Art-Leistung mit einem Zehntel der Skalierung oder weniger möglich ist (etwa 20 Milliarden statt Billionen Parameter). Recursive Language Models werden als nächster großer Trend identifiziert. Diese einzelnen Innovationen aus Laboren werden kontinuierlich in die nächste Modellgeneration (Claude 4.5, GPT 5.2) integriert.

  Tipping Point bei Claude Code: Die zentrale Beobachtung ist, dass Claude Code einen Wendepunkt erreicht hat, an dem führende Entwickler, Forscher, Ökonomen und Juristen es nicht nur für Programmierung, sondern für echte kognitive Entlastung nutzen. Dies funktioniert über Retrieval Augmented Generation, Datenverwaltung und Code-Ausführung – etwa um Ökonomen bei der Datenrecherche zu unterstützen.

  Generalpurpose-Technologien: Tools wie Notebook LM und Claude Code sind General-Purpose-Automation-Werkzeuge (analog zu Rad oder Elektrizität). Notebook LM integriert sich bilateral mit Gemini und erlaubt Recherche, Datenextraktion, Slidedecks, Podcasts und Infografiken – ohne dass man Dokumente hochladen muss.

  Modellvergleiche: Gemini ist am sycophantischsten (bestätigt Überzeugungen unkritisch), ChatGPT ist methodologisch obsessiv und kann nicht aus ersten Prinzipien spekulieren, Claude ist konservativ und verfestigt sich in epistemic humility, gibt aber manchmal brillante Spekulationen zu Zukunftsszenarien.

  Normality Bias und Vorhersagen: Der Autor warnt vor Normality Bias – der Tendenz, aktuelle Zustände als Baseline zu sehen, obwohl historische Trends Exponentialität zeigen. Als Beispiel: Dario Amodei prognostizierte, dass 90% des Codes bis Jahresende 2024 von KI geschrieben werden. Das traf mit dreimonatiger Verzögerung ein; jetzt schreiben viele Entwickler tatsächlich 90% ihres Codes mit KI. Die nächste Normality-Bias-Falle: Validierung als künftiger Job – aber diese Rolle wird ebenfalls durch KI übernommen.

  Spillover Effects: Tools wie Claude Code werden für Schreiben, Forschung und Version Control über Code hinaus genutzt. Dies führt zu größeren Fragen: Wenn KI gut genug für Teile der Forschung ist, was passiert, wenn sie für die meiste oder alle Forschung ausreicht? Der Autor vergleicht die Sorge vor Informationsüberfluss mit der naiven Angst vor dem Internet – KI ist eines der besten Informations-Aggregations- und Accessibility-Tools aller Zeiten.

  Persönliches Projekt: Der Autor arbeitet an einem Buch (vormals “The Great Decoupling”, möglicherweise umbenannt zu “Labor Zero”), das zur Finalisierung an seinen Editor geht und bald auf Amazon und als Audiobook verfügbar sein soll.

  Das Video ist eine unstrukturierte, explorative Reflexion über KI-Trends, explizit auf Basis von Beobachtungen und Datentrends statt technischer Detailanaylse – Meinung/Reflexion, eher für an KI-Spekulation interessierte Zuschauer.

DevExpert – IA para Desarrolladores (1 neues Video)

• OpenClaw: setup y configuración para automatizar tus flujos de trabajo
  8.1.2026, 09:03:54

  OpenClaw: Setup und Konfiguration zur Automatisierung von Arbeitsabläufen

  OpenClaw (ursprünglich CloudBot, vom Projekt State Pit) ist ein persönlicher KI-Assistent, der auf deinen eigenen Geräten läuft und über WhatsApp, Telegram, Slack, Discord, Signal, iMessage oder eine Web-Oberfläche zugänglich ist. Die Installation erfolgt über ein einfaches Onboarding-Wizard: Projekt herunterladen, Abhängigkeiten installieren, die CLI ausführen. Die Konfiguration fragt zunächst ab, ob das Gateway (das „Gehirn” des Systems) lokal oder remote laufen soll — für Anfänger empfohlen: lokal. Danach wählst du das KI-Modell (Claude Opus 3.5 funktioniert am besten, kostet aber viel; Haiku oder Codex sind günstiger Alternativen), konfigurierst die Chat-Integration (Telegram ist am einfachsten) und stellst Sicherheitsrichtlinien ein (standardmäßig Pairing-PIN für Zugriffsschutz). Optional: Skills hinzufügen, um dem Bot Funktionen zu geben.

  Skills sind vorkonfigurierte Integrationen — Google Workspace (Calendar, Gmail, Sheets, Drive), Apple Notes, Obsidian, Spotify, PDF-Tools, Browser-Screenshot, Brave Search, Bert (X/Twitter via Browser-Cookies), Gemini, Open AI Features (Audio-zu-Text). Es gibt zudem ein CloudHub Repositorium (wenige Tage alt), in dem Community-Member eigene Skills hochladen. Der Autor nutzt zudem MCPs (Model Context Protocols) wie Google CLI und MC Porter, um beliebige CLI-Tools als Skills verfügbar zu machen.

  Praktische Anwendungsbeispiele aus dem Video:

  • Kalendereinträge duplizieren und bearbeiten (einfaches Beispiel)
  • Zugriff auf mehrere E-Mail-Konten (Google + iCloud via IMAP), Erstellung eigener Bash-Skripte zum Abrufen ungelesener E-Mails
  • Integration mit persönlichem CLI-Tool „Just Do It” (Task-Manager) — CloudBot findet es, führt --help aus und nutzt es ohne weitere Konfiguration
  • Postit (CLI für Social-Media-Posting): Automatische Konfiguration via MC Porter, das System merkt sich Regeln (Sprache, Plattformen, tägliche Veröffentlichungen mit Bildern)
  • Forken und Clonen von Repositories, Code-Reviews und Code-Updates durchführen
  • Bert-Skill für X (Twitter): Liest Live-Tweets via Browser-Cookies, generiert täglich um 15 Uhr einen Analyse-Plan (beste Themen, zu beantwortende Threads, eigene Posting-Ideen)
  • Google Sheets-Integration: Nutzerverwaltung für eine Learning-Plattform via Excel-Upload
  • N8N-Webhook-Integration: E-Mail-Anhänge (Rechnungen) automatisch verarbeiten — herunterladen, PDF lesen, extrahieren, an Google Drive + Buchhaltungssystem hochladen, E-Mail archivieren
  • Task-Automation (Cron-Jobs): Regelmäßige Aufgaben zeitgesteuert ausführen lassen und Ergebnisse ins Telegram senden
  • GitHub-Integration: Releases erstellen, Commits pushen, über X posten
  • Direkte Mobiltelefon-Steuerung via Telegram — komplexe Entwicklungsaufgaben ohne lokalen Computer möglich

  Das System merkt sich Kontext (Persistent Memory), erstellt automatisch Skripte für wiederkehrende Aufgaben und kann Fehler iterativ beheben. Besonderheit: Der Bot hat vollen Terminal-Zugriff und kann daher Systemressourcen abfragen, Dateien durchsuchen, Apps installieren — die Möglichkeiten sind „unbegrenzt”. Kosten sind ein Faktor: $20/Monat reicht für minimal Nutzung (5-Stunden-Limits), intensive Nutzung erfordert $100–200/Monat-Pläne.

  Der Autor plant, künftig noch mehr Workflows als Skills zu standardisieren, ggf. in ein öffentliches Repo hochzuladen, und experimentiert mit lokaler Installation auf Mini-PCs oder Raspberry Pi sowie Sprach-Integration via Eleven Labs und Home Assistant.

  Explizit behandelt: Claude (Anthropic — Opus 3.5, Haiku), OpenAI (Codex), Google (Gemini, Workspace), Open-Source/lokal (Llama 2.1 über LM Studio), dazu diverse Tools/Frameworks (N8N, GitHub, Zapier, Google Sheets, Postit, Bert, MC Porter, MCP). Format: Tutorial/Demo — kein Anfängerniveau, sondern praxisorientiert für User mit technischem Background.

Everlast AI (3 neues Videos)

• Tom Lausen packt aus: „Das alte System ist ERLEDIGT!“ – Das kommt JETZT! (KI, Roboter & Haftung)
  8.1.2026, 16:15:00

  Zusammenfassung: Tom Lausen über Systemwechsel, KI, Robotik und digitale Kontrolle

  Tom Lausen, IT-Spezialist und Datenanalyst, erörtert in diesem Gespräch einen umfassenden Systemwechsel, der durch KI, Robotik und neue Technologien eingeleitet wird. Seine zentrale These: Das alte Schuldgeldsystem wird „abgerissen” und durch ein kryptotechnologie-basiertes, digital kontrolliertes System ersetzt – nicht weil die Menschen das wollen, sondern weil massive Geldströme diesen Übergang vorantreiben.

  Systemwechsel und wirtschaftliche Signale: Lausen deutet die explodierenden Gold- und Silberpreise als Indikatoren für eine Währungsentwertung und den Übergang zu einem neuen finanziellen System. Parallel entstehen die technologischen Voraussetzungen: satellitengestützte globale Internetabdeckung (Starlink), KI-Sprachmodelle und 127 verschiedene humanoide Roboter in Entwicklung (Preise zwischen 50.000 und 300.000 Dollar).

  Haftung als Machtzentrum: Das Schlüsselthema ist für Lausen nicht die Technologie selbst, sondern die Frage der Haftung. Wer haftet, wenn ein Roboter Schäden verursacht? Da Roboter keine Schuld kennen, keine Moral empfinden und nur nach Programmierung arbeiten, können sie – anders als Menschen – moralisch nicht rechenschaftspflichtig sein. Lausen erwartet, dass Hersteller entweder die volle Haftung tragen (was kleine Anbieter ruiniert und Monopole schafft) oder die Haftung durch Zustimmungsverträge auf Verbraucher übertragen wird – ähnlich wie in der Corona-Pandemie, wo Menschen ihre Rechte „freiwillig” abgaben.

  Der Übergang durch Angst und Krieg: Lausen argumentiert, dass Systemwechsel historisch durch Kriege oder massive Schreckensszenarien ermöglicht werden (Industrialisierung, Kriege, Revolutionen). Die aktuelle Ukraine-Situation oder ein eskalierendes Kriegsszenario könnte diese Funktion erfüllen, indem Angst die Menschen zu Akzeptanz des neuen Systems führt – verkauft als Lösung, um „solche Dinge nicht mehr passieren zu lassen”.

  Digitale ID und kontrollierte Freiheit: Corona zeigte das Muster: Freiheit wird zur Lizenz, die man durch Zustimmung zurückerkaufen muss (QR-Codes, Zugangsregelungen). In Zukunft könnte dies alle Bereiche durchdringen – ob man ein Auto fahren darf, würde algorithmisch bestimmt (zu wenig Schlaf, Stressbelastung, früherer Alkoholkonsum → Fahrt verweigert).

  Gegenstrategie: Analoges Grundrecht: Lausen hat deshalb eine Initiative (europaanalogfreedom.eu) gegründet, die ein Grundrecht auf „analoge Freiheit” fordert – die Möglichkeit, aus digitalen Systemen auszusteigen und trotzdem analog Zugang zu Dienstleistungen zu erhalten (Bankgeschäfte ohne App, Einkaufen ohne Scan, Briefe statt Digital). Dies ist kein Anti-Tech-Statement, sondern ein Opt-out-Recht ohne Nachteile.

  Arbeitsmarkt und Jobverluste: Die 1,1 Millionen Entlassungen in den USA 2025 sind nach Lausen keine Folge von KI allein, sondern des Systemkollaps des alten Modells (Energiekrise durch Nordstream-Ende, deutsche Industrie nicht mehr konkurrenzfähig). Roboter und KI sind Katalysatoren, nicht die primäre Ursache.

  Universelles Grundeinkommen als Kontrollinstrument: Ein hohes UBI wird kommen – nicht aus Menschenliebe, sondern als Preis dafür, dass Menschen nicht rebellieren, wenn ihre Arbeitsplätze dauerhaft wegfallen. Gleichzeitig ermöglicht eine digitale ID eine nie dagewesene Kontrolle darüber, wer Zugang zu diesem Einkommen behält.

  Regulierung ist illusorisch: Politiker verstehen die Technologie nicht, Behörden arbeiten mit Excel-Tabellen, selbst Rechtsanwälte haben keine Ahnung. Eine schnelle, intelligente Regulierung ist unmöglich – daher werden Standards de facto von Großkonzernen gesetzt, nicht vom Staat.

  Kritik an einer möglichen Spaltung: Lausen weist auf eine wachsende Polarisierung hin: einerseits Tech-Kritiker, die alle Technologie ablehnen, andererseits Unternehmer, die „Technofaschisten” genannt werden, obwohl viele in guter Absicht arbeiten. Die echte Debatte sollte sich auf Machtkonzentration, Haftung und Grund­rechte konzentrieren – nicht auf Technologie per se.

  Unvermeidlichkeit: Der Systemwechsel ist aus Lausens Sicht nicht aufzuhalten – das Wissen ist offengelegt, die Infrastruktur existiert. Künftige Generationen werden mit digitalen Systemen aufwachsen und analoge Freiheit nicht vermissen. Einzige Chance: Grundrechte auf Analoga-Zugang jetzt verankern, bevor es zu spät ist.

  Format & Thematisierung: Deep-Dive-Interview (Meinung/Reflexion) mit Fokus auf Systemanalyse; keine spezifischen KI-Tools oder Anbieter-Namen erwähnt, sondern strukturelle Fragen zu Haftung, Regulierung und Kontrolle – Tom Lausen als unabhängiger Analyst ohne Zugehörigkeit zu einzelnen Tech-Unternehmen.

• 1000x effizientere KI: Das Ende elektronischer Chips! (Photonische Chips erklärt)
  6.1.2026, 16:15:07

  Zusammenfassung: Photonische Chips als Zukunft der KI

  Das Video argumentiert, dass elektronische Chips an ihre physikalischen Grenzen stoßen und photonische Chips die notwendige Alternative darstellen.

  Das Problem: Seit 60 Jahren verdoppelt sich die Anzahl der Transistoren alle zwei Jahre (Mooresches Gesetz), was exponentielles KI-Wachstum ermöglichte. Doch dieses Gesetz bricht nun zusammen: Die Kosten pro Transistor steigen statt zu fallen, und der Energiehunger explodiert. ChatGPT allein verbraucht täglich etwa 0,5 bis 0,6 Gigawattstunden Strom. US-Rechenzentren verbrauchten 2024 bereits 183 Terawattstunden pro Jahr – 4,4% des gesamten US-Stromverbrauchs. Transistoren lassen sich kaum noch kleiner machen (aktuell 2 Nanometer), wo Tunneleffekte und thermische Probleme unkontrollierbar werden.

  Die Lösung – Photonische Chips: Statt Elektronen nutzen sie Licht. Mathematische Operationen wie Multiplikationen können Lichtwellen passiv durchführen, ohne Stromzufuhr – bis zu 1000-mal energieeffizienter. Allerdings gab es ein großes Hindernis: photonischer Speicher. Im Dezember 2024 wurde ein Durchbruch erzielt: Forscher kombinierten winzige Resonatoren (Ringe, die Licht einfangen) mit Phase-Change-Speichermaterialien, um Daten mit hoher Präzision (bis 12 Bit) direkt auf dem Chip zu speichern.

  Aktueller Stand: Unternehmen wie Lightmatter haben bereits photonische KI-Prozessoren mit Standard-Schnittstellen entwickelt, die bei bestimmten KI-Aufgaben ähnlich effizient wie Top-GPUs von Nvidia arbeiten.

  Zusätzliches Potenzial: Lichtwellen bieten durch ihre Amplituden- und Phaseninformation komplexere Datenräume als Elektronik. Dies könnte zu optischen Neuronalmodellen führen, deren einzelne Neuronen bereits komplexer sind als heutige künstliche Neuronen – eine Möglichkeit für schneller zu künstlicher Superintelligenz zu gelangen.

  Keine spezifischen AI-Tool-Anbieter erwähnt, aber Nvidia, Google und Microsoft als betroffene Unternehmen sowie Lightmatter und MIT als Photonik-Entwickler genannt. — Meinung/Reflexion-Video, technischer Deep-Dive.

• OpenAIs neues Gerät, MEGA-Durchbruch von Google, Alle 2026 Prognosen & weitere KI-News
  4.1.2026, 09:15:00

  KI-News: OpenAIs Gerät, Googles Durchbruch und 2026-Prognosen

  Das Video dokumentiert die neuesten KI-Entwicklungen und blickt auf erwartete Trends für 2026.

  Kernthemen:

  Humanoide Roboter & Agenten-Kapazität: Der Alex-Roboter von W Robotics aus Südkorea zeigt Fortschritte in Fingerfertigkeit (15 Freiheitsgrade, 40 Newton Fingerkuppenkraft). Autonome KI-Agenten können inzwischen bis zu 5 Stunden Aufgaben ausführen – Claude Opus 4.5 schafft etwa 4 Stunden 50 Minuten. Die Metriken verdoppeln sich alle vier Monate.

  Benchmark-Durchbruch: Arc AGI 2 wurde nahezu vollständig gelöst – nicht durch ein einzelnes Modell, sondern durch ein Multi-Agent-Framework auf Basis von GPT-5.2 X High. Arc AGI 3 startet im März 2026. Der Schöpfer betont, Arc sei ein Kompass für Forschung, kein AGI-Schwellenwert.

  Nvidia-Grock-Deal: Nvidia investiert 20 Milliarden Dollar in Grock – keine Akquisition, sondern ein „Asset-Highjack” der LPU-Inferenz-Technologie. Grund: GPU-Engpässe bei Training; Inferenz wird zum Wachstumsmarkt. Grock spezialisiert sich auf schnelle KI-Inferenz via API.

  Meta akquiriert Manus AI für 2 Milliarden: Manus ist kein eigenständiges Modell, sondern ein Claude-Wrapper mit Agenten-Framework. Der Wert liegt im Marketing und der Distribution als Synonym für KI-Agenten. Meta erhält damit Talente und Marktstärke im Agent-Bereich.

  Google vs. OpenAI: Google dominiert alle Ebenen der AI Value Chain (Foundation Models, Cloud Inferenz, Hardware/TPUs, Application Layer). OpenAI ist bei Hardware auf Nvidia angewiesen. Sam Altman gibt zu, Google sei weiterhin große Bedrohung und könne „Code Red” ausrufen.

  Audio-Modelle & Geräte: OpenAI plant aggressives Audio-Upgrade Q1 2026 mit neuer Modellarchitektur für natürlichere, emotionalere Echtzeit-Sprache. Mysteriöses neues Device könnte ein smartes Audio-Gerät, Brille oder Stift sein (Leak aus Taiwan Economic Daily). Sprache wird zentral, Bildschirme marginalisiert.

  Business-Ideen 2026: Andrew Karpathy und Boris Journey berichten, dass sie 95%+ ihrer Code-Arbeit mit Claude Opus 4.5 durchführen. Greg Isenberg prognostiziert: „Code ist billig, Geschmack und Branchenwissen ist Mangelware” – vertikale AI-Agenten in spezifischen Industrien werden Gewinner. Nischensoft ist die neue Nische. Das Bottleneck ist Marketing, nicht Entwicklung.

  Kernprognosen 2026:

  • Enterprise-Agent-Adoption wird Fokus (OpenAI B2B)
  • Scientific Acceleration durch AI
  • Continual Learning (AI-Modelle lernen nach Trainingslauf weiter – könnte Nvidia-Chips weniger wertvoll machen)
  • Humanoide Roboter in Haushalten & Industrie
  • Permanente Voice-Assistenten mit Speicher werden Standard
  • Neuralink Massenproduktion startet
  • Ein KI-Agent könnte 1.000 € / Monat kosten (Service-Modell)
  • Jack Clark (Anthropic): Im Sommer 2026 Abkopplung digitaler von Alltagswelt; 10x Beschleunigung gegenüber 2025

  Sollow-Paradoxon: Technologische Gewinne sind noch nicht in Produktivitätsdaten sichtbar, weil Infrastruktur und Schulung fehlen. 2026 liegt der Fokus auf Implementierungslücke schließen und AI-Adoption in Unternehmen.

  CES 2026 Ankündigungen: Nvidia-CEO spricht zu Open Models & Physical AI; LG zeigt Haushaltsroboter; Boston Dynamics stellt Atlas vor.

  Anmerkung: Das Video schließt mit einer Warnung vor „AI Denialism” – der Bewegung, die KI als Blase/Slop abtut – und betont die Wichtigkeit, KI richtig zu verstehen und einzusetzen.

  Explizit genannte Tools/Anbieter: OpenAI (GPT-5.2 X, Opus 4.5, Audio-Modelle, Device), Google (Gemini, TPUs, DeepMind/Continual Learning), Claude (Anthropic), Nvidia, Grock, Meta/Manus AI, Boston Dynamics, Neuralink, LG.

  Format: News-Roundup/Prognose-Deep-Dive mit praktischen Business-Implikationen.

Fireship

Keine neuen Videos in diesem Zeitraum.

Greg Baugues

Keine neuen Videos in diesem Zeitraum.

IA et Stratégie | Le SamourAI

Keine neuen Videos in diesem Zeitraum.

Julian Ivanov | KI-Automatisierung

Keine neuen Videos in diesem Zeitraum.

Kyle Balmer | AI with Kyle (8 neues Videos)

• I Copied a Viral Product in 5 Minutes
  9.1.2026, 17:00:55

  Der Creator sah ein virales Produkt auf Twitter – “Just Effing Cancel” – das Nutzern hilft, ihre Abos in 90 Sekunden zu finden und zu kündigen: Man lädt ein CSV oder PDF hoch, das Tool erkennt Subscriptions und bietet Cancel-Links, mit einer einmaligen Gebühr von $5 für die volle Liste. Der Creator baute in 4-5 Minuten einen funktionierenden Prototyp nach, um zu zeigen, wie mächtig aktuelle KI-Tools sind. Er nutzte Claude, beschrieb die Idee, und Claude schlug die Kernarchitektur vor (CSV-Parser, Subscription-Detection, Cancel-Link-Datenbank, Paywall). Claude generierte dann selbstständig einen funktionierenden Prototyp in JavaScript mit Sample-Bankstatement: Das Tool lädt die CSV, findet automatisch Subscriptions wie Creative Cloud und GPT Plus, berechnet das Sparpotenzial, zeigt 5 Cancel-Links kostenlos an und sperrt den Rest hinter einer $5-Zahlung.

  Der zentrale Punkt: Die Barrieren für Geschäftsgründung sind praktisch verschwunden. Früher musste man programmieren lernen (Monate bis Jahre), einen CTO finden oder Entwickler bezahlen – jetzt kann man eine Idee direkt an Claude oder ChatGPT geben, erhält einen Prototyp innerhalb von Stunden, und kann sofort zum Markt. Der Creator betont: Man kann nicht mehr hinter “großer Idee, aber keine technischen Skills” verstecken. Mit Claude Code (oder ChatGPT Codex) lässt sich auch die Deployment-Frage (z.B. über Vercel, Stripe-Integration) vollständig vom KI-System klären. Der Wettbewerb verlagert sich von Produktentwicklung auf Distribution und Marketing – deshalb sollte man Ideen sofort umsetzen und noch am selben Tag launchen.

  Claude als Haupttool thematisiert, daneben erwähnt: ChatGPT, Vercel, Stripe; Format: Meinung/Reflexion mit praktischem Demo-Element.

• Today in AI: ChatGPT Health Launches, Utah Allows AI Prescriptions, Claude Code Builds in Minutes
  9.1.2026, 05:00:28

  Das Video behandelt drei AI-Nachrichten und Demos zum Stand von Claude Code bei der schnellen Projektentwicklung.

  ChatGPT Health: OpenAI hat eine neue dedizierte Health-Funktion angekündigt, die alle Gesundheitsdaten zentral sammelt – Apple Health, Arztberichte, Bluttests, Genom etc. Der Sprecher sieht dies primär als „Lock-in-Strategie”: Mit großen Datenmengen an persönlichen Gesundheitsinformationen wird es schwieriger, zu konkurrierenden KI-Systemen zu wechseln. Das schafft einen starken Moat gegenüber Claude oder Gemini. Für OpenAI ist dies auch ein IPO-Argument – Investoren sehen Millionen Nutzer, deren medizinische Daten in das System gebunden sind. Viele Health-Tech-Startups könnten dadurch verdrängt werden.

  Utah erlaubt KI-Rezeptverlängerungen: Der Anbieter Docttronic hat die erste Malpraktice-Versicherungspolice für ein KI-System erhalten. Das KI-System zur Rezeptverlängerung stimmt zu 99,2% mit menschlichen Ärzte­entscheidungen überein. Bei den 0,8% Abweichungen stellt sich bei menschlicher Überprüfung heraus: In 36% der Fälle trifft die KI die bessere Entscheidung, in 55% sind KI und Mensch gleichwertig, in 9% ist der Mensch besser. Das ist faktisch eine Leistungsüberlegenheit der KI. Apotheker könnten diese Aufgabe verlieren.

  Die „Goalpost”-Verschiebung in AI: Der Sprecher illustriert ein wiederkehrendes Muster: Jedes Mal wenn KI eine Aufgabe meistert (Schach, Go, Autofahren, Coding), verschieben Menschen die Erwartungen nach oben („das zählt nicht richtig”). Bei Coding war 2023 noch „es kann keinen App bauen” der Einwand – 2026 ist das gelöst. Dasselbe wird in allen Industrien passieren, nur zeitversetzt.

  Claude Code Demo – Subscription Cancellation Tool: Der Sprecher baute in 4–5 Minuten einen Prototypen eines Tools nach, das Bankkontoauszüge analysiert, Abos erkennt und Kündigungslinks bereitstellt. Er gab Claude einfach die Idee als Tweet, Claude entwarf die Architektur (CSV-Parser, Abo-Erkennungs-Engine, Zahlungsschranke), baute das Frontend. Das zeigt: Die Barriere vom Geschäftsidee zur funktionierenden Demo ist quasi Null. Die Konkurrenz verlagert sich komplett auf Marketing/Distribution, nicht auf Entwicklung.

  Genome-Visualisierungs-Projekt: Der Sprecher lud seine 5,5-MB-Genomdatei (23andMe-Export) in Claude Code und ließ sich eine Pixel-basierte Visualisierung generieren, bei der jedes Nukleotid (Adenin, Cytosin, Guanin, Thymin) eine andere Farbe erhält – printbar als 30×30-Zoll-Poster. Dies könnten Geschenkidee sein, aber zeigt vor allem: Mit KI-Code sind Fantasie und Umsetzung praktisch identisch.

  Berufliche Zukunft und Studium: Der Sprecher antwortet auf Fragen zu Jobsicherheit: Jobs werden nicht wholesale ersetzt, aber Aufgaben innerhalb von Jobs werden durch KI übernommen. Das führt zu weniger Jobs pro Industrie, nicht zu neuen Jobs. Er empfiehlt Studienrichtungen, die breites Denken/Flexibilität lehren, statt auf einen bestimmten Beruf zu sperren – weil spezialisierte Karrierepfade (Medizin, Jura) überproportional von KI-Disruption bedroht sind.

  Webinar-Ankündigung: Der Sprecher wirbt für einen kostenlosen Webinar heute 18:00 UK-Zeit über „KI-Workshops als Geschäftsmodell” – er berechnet etwa 2.000 USD pro Stunde für solche Trainings.

  Explizit genannte Tools/Modelle: Claude Code, ChatGPT/OpenAI, Gemini, Anthropic (Opus 4.5), 23andMe, Stripe, Vercel. – News-Update & Demo-Mix, einsteigergerecht bis praktisch-anwendungsorientiert.

• Are You a Centaur or a Cyborg?
  8.1.2026, 17:01:11

  Zusammenfassung: Are You a Centaur or a Cyborg?

  Das Video stellt zwei grundlegend unterschiedliche Arbeitsmodelle mit KI vor:

  Das Centaur-Modell basiert auf klarer Aufgabenverteilung: Der Mensch entscheidet bewusst, welche Aufgaben für Menschen reserviert sind und welche die KI übernimmt. Der Sprecher nutzt dies in seinem Business – er automatisiert viel mit KI, behält aber Aufgaben wie Live-Streaming für sich, weil er darin mehr menschliche Verbindung sieht als in einem KI-Avatar. Die Herausforderung: KI wird kontinuierlich besser in Aufgaben, die bisher als “unmöglich automatisierbar” galten, während menschliche Fähigkeiten nicht mitwachsen. Das Modell erfordert daher regelmäßige Neubewertung alle paar Monate, weil sich KI-Fähigkeiten ständig verändern.

  Das Cyborg-Modell integriert KI tiefgreifend als ständigen Kollaborateur in kreative und analytische Prozesse – nicht als Trennung von Aufgaben, sondern als Verschmelzung. Ethan Mollick nutzte dies etwa beim Schreiben seines Buchs: KI half beim Brainstorming, Feedback geben, Satzende vervollständigen und Zitationen prüfen. Der Sprecher arbeitet so täglich – er könnte sich sein Leben ohne KI nicht mehr vorstellen.

  Mollick formuliert vier Regeln für dieses Co-Intelligence-Modell: (1) Lade KI immer zum Tisch ein – nur durch Ausprobieren lernt man ihre Fähigkeiten. (2) Bleibe als Mensch in der Schleife – nutze Urteilskraft und teste, ob KI den Prozess verbessert, bevor man es zur Routine macht. Die weiteren zwei Regeln werden im Transcript nicht ausgeführt.

  Das Video positioniert beide Modelle als gültig und hängt von Kontexten ab – manche Menschen nutzen je nach Rolle verschiedene Modelle.

  Fokus: Ethan Mollick; Format: Meinung/Reflexion mit konzeptuellem Rahmen.

• Today in AI: Co-Intelligence Book Report, Jagged Frontier Explained, 4 Rules for Using AI
  8.1.2026, 05:01:11

  Zusammenfassung: Today in AI – Co-Intelligence Book Report, Jagged Frontier Explained, 4 Rules for Using AI

  Ethan Mollick’s Buch „Co-Intelligence”:

  Das Buch wurde nach der Veröffentlichung von ChatGPT 3 veröffentlicht und bietet ein mentales Modell für den Umgang mit KI als „Co-Intelligenz” – nicht als Konkurrenz zur menschlichen Intelligenz, sondern als komplementäre, „fremdartige” Intelligenz. Das Buch bleibt relevant, weil es nicht auf spezifische Modelle oder Technologien eingeht, sondern grundlegende Denkmuster vermittelt.

  Das Konzept der „Jagged Frontier”:

  KI ist nicht universell brilliant oder dumm – ihre Fähigkeiten bilden eine „gezackte Grenze”. Sie kann bei komplexer Mathematik überragend sein (etwa beim Lösen von Erdős-Problemen), scheitert aber beim Zählen von Buchstaben in Worten wie „Strawberry”. Das liegt daran, dass Large Language Models auf Token-Basis funktionieren und nicht als Zählmaschinen gebaut wurden. Diese Uneinheitlichkeit erklärt, warum manche Menschen KI als nutzlos erleben, während andere täglich davon profitieren – es hängt davon ab, wofür die KI eingesetzt wird.

  Zwei Arbeitsmodelle:

  Der Zentaur trennt Aufgaben nach Mensch und KI: Menschen übernehmen strategisches Denken und Beziehungen, KI automatisiert Datenanalyse und Entwürfe. Der Cyborg integriert KI tiefgreifend in jeden Prozess – wie beim Schreiben eines Buches mit KI als ständiger Schreibpartner für Brainstorming, Feedback und Zitierprüfung. Beide Modelle sind gültig; Menschen sollten wählen, was zu ihrer Arbeit passt.

  Die vier Regeln für Co-Intelligence:

  1. Lade KI immer zu Tisch ein: Teste KI bei neuen Aufgaben, um ihre Stärken und Grenzen zu lernen – das ist der einzige Weg, um Urteilskraft aufzubauen.
  1. Bleibe als Mensch in der Schleife: Überprüfe KI-Outputs und bleibe kritisch. Das Gegenbeispiel: Deloitte stellte 2025 Berichte für australische und kanadische Regierungen auf Basis erfundener Zitate von nicht existierenden Akademikern zusammen – das Vertrauen in KI ohne menschliche Kontrolle schadete Glaubwürdigkeit und Geschäftsmodell.
  1. Behandle KI wie eine Person – mit definierter Rolle: Statt „act as copywriter” besser „you are an expert copywriter” sagen. Das schränkt die KI auf spezifische Erwartungen ein statt generischer Antworten.
  1. Gehe davon aus, dass dies die schlechteste KI ist, die du je nutzen wirst: Die aktuellen Modelle sind bereits die besten, die es je geben wird – KI verbessert sich täglich. Aufgaben, die heute unmöglich sind, werden in Monaten lösbar.

  Kernbotschaft: Der rasante Fortschritt bei KI (mit neuen Modellversionen monatlich) macht kontinuierliches Lernen essentiell. Selbst Co-Creator von ChatGPT fühlen sich überfordert. Intelligente Nutzung erfordert experimentelle Haltung, menschliches Urteilsvermögen und Anpassung – nicht blindes Vertrauen auf Automation.

  Format und Thema: News-Update/Reflexion mit Buchzusammenfassung zu Konzepten rund um generative KI ohne spezifische Modelle namentlich vertieft (nur ChatGPT, Claude, Gemini erwähnt als aktuelle Konkurrenten), moderates Anfängerniveau.

• Google’s Free AI Website Builder (For Now)
  7.1.2026, 17:45:00

  Das Video behandelt die kostengünstigste Möglichkeit, eine Website für ein kleines Unternehmen mit KI zu erstellen. Als aktuell beste Lösung wird Anti-Gravity von Google genannt, das derzeit kostenlos verfügbar ist und Zugriff auf mehrere KI-Modelle bietet (Gemini 3, Claude Sonnet und Opus sowie GPT-4o – ein Open-Source-Chat-GPT). Es handelt sich um ein Coding-Tool, allerdings müssen die generierten Website-Dateien noch auf einem Server gehostet werden, was etwa 10–20 Dollar pro Jahr kostet. Der Moderator warnt, dass Anti-Gravity nicht dauerhaft kostenlos bleiben wird, und rät, die Gelegenheit jetzt zu nutzen.

  Der zweite Teil des Videos behandelt Workshops vs. voraufgezeichnete Inhalte für Schulungsangebote. Der Moderator argumentiert gegen den reinen Verkauf von Pre-Recorded-Workshops, da diese weniger Einnahmen ermöglichen und als Lernmethode weniger wirksam sind als interaktive Live-Workshops. Sein Ansatz besteht darin, zunächst einen kostenpflichtigen Live-Workshop (etwa 1.000 Dollar) anzubieten und danach Schulungsprogramme und aufgezeichnete Materialien zu höheren Preisen zu verkaufen. Am Ende des Videos wird kurz erwähnt, dass Shopify jetzt auch KI-Funktionen angeboten hat.

  Format: Demo/Meinung; thematisiert Google (Gemini), Claude und OpenAI.

• Today in AI: $4K/Hour AI Workshops, Deloitte’s $440K Blunder, 50% Use AI Untrained
  7.1.2026, 05:00:18

  Zusammenfassung: Today in AI – AI-Workshops, Deloitte-Fehler, 50% ungelernte KI-Nutzer

  Der Sprecher präsentiert AI-Workshops für Unternehmen als lukrative Geschäftsmöglichkeit: Er verdient bis zu 4.000 Dollar pro Stunde (durchschnittlich 2.000 Dollar) für einstündige Schulungen, die Mitarbeitern beibringen, wie sie KI sicher und effektiv einsetzen. Etwa 150 seiner Schüler machen das bereits erfolgreich.

  Deloittes Desaster: Das Beratungsunternehmen berechnete der australischen Regierung 440.000 australische Dollar für einen Bericht voller KI-Halluzinationen – erfundene Fußnoten, fiktive Akademiker und Papers, die nicht existierten. Statt eines KI-Problems war es ein Trainings-Problem: Deloittes Mitarbeiter hatten die Outputs nicht überprüft. Das Unternehmen wiederholte denselben Fehler bei Deloitte Canada und beschädigte damit die ganze Consulting-Branche.

  Der 50%-Gap: Eine MIT-Studie zeigte, dass 90% der Mitarbeiter KI nutzen, aber nur 40% der Unternehmen Training angeboten haben – 50% mehr nutzen es inoffiziell (“Shadow IT”). Die Botschaft ist klar: Es gibt massive Nachfrage nach Schulung, nicht nach technischem Wissen.

  Kernstruktur eines einstündigen Workshops: 10 Min Einleitung (fokussiert auf die Teilnehmer, nicht den Trainer), Mindset-Block (KI ist eine Kommunikationsfähigkeit, nicht Technik), 20–30 Min praktische Übung (essentiell für tatsächliches Lernen), 10 Min Safety/Policy-Inhalte, 10 Min Abschluss. Der Trainer spricht weniger als die Hälfte der Zeit; die Teilnehmer arbeiten selbst.

  Positionierung statt generalist sein: Erfolg entsteht durch die Kombination von AI-Skill mit Domain-Expertise oder Demografische Nische (z.B. AI für Lehrer, AI für Eltern). Die stärksten Einkommensquellen sind (in dieser Reihenfolge): Workshops (sofortige Zahlung, Aufbau von Autorität), dann Consulting und Advisory. Online-Workshops sind möglich, zahlen aber weniger; In-Person-Formate sind flexibler und werden besser bezahlt.

  Lernprinzip: Nicht Information geben (davon gibt es zu viel), sondern emotionale Barrieren senken und praktisches Handeln ermöglichen. Ein Beispiel: Statt “Backpropagation und Gradienten-Descent” erklären, einfach sagen “Wenn du WhatsApp kannst, kannst du ChatGPT nutzen.”

  Der Sprecher bewirbt einen kostenlosen Webinar am gleichen Tag um 18 Uhr (aiwithkyle.com/webinar) und einen umfassenden Online-Kurs “AI Workshop Kit” ab 12. Januar (aiwithkyle.com/workshop).

  Erwähnte AI-Tools/Modelle: Claude (mit Opus 4.5), ChatGPT, Gemini, Notebook LM (zum Präsentationsgenerieren); kurz diskutiert: Lovable (nicht für SEO-Ecommerce), PostHog (Nutzer-Tracking), Anti-Gravity (kostenlos), sowie kurze Referenzen zu Replit. — Format: News-Update + Tutorial + Meinung; für Anfänger geeignet, motiviert zur praktischen Umsetzung.

• ChatGPT’s Co-Creator Just Admitted He Feels Behind
  6.1.2026, 18:30:11

  Zusammenfassung: ChatGPT’s Co-Creator Just Admitted He Feels Behind

  Das Video behandelt die These, dass selbst führende AI-Experten vom rasanten Fortschritt überfordert sind. Der Ausgangspunkt: Jahrelang konnte man AI-skeptisch sein, weil die Outputs tatsächlich schlecht waren (verdrehte Gesichter bei DALL-E, spaghetti code). Diese Argumente sind jetzt kollabiert – AI ist in vielen Bereichen plötzlich sehr gut geworden, nur eben nicht überall gleichzeitig (das sogenannte “jagged frontier”). Mit Opus 4.5 von Claude hat sich das Ende 2025 zugespitzt, weshalb Menschen in verschiedenen Industrien jetzt realisieren, dass AI ein echtes Risiko für ihre Jobs darstellt.

  Der Kern: Andrej Karpathy, einer der ChatGPT-Mitbegründer, tweetete im Dezember, dass er sich technologisch massiv hinterherhinkt. Wenn selbst die Erfinder überfordert sind, ist es normal, dass andere das auch empfinden. Das Video positioniert diese Verunsicherung als Chance – Unternehmen zahlen hohe Honorare (durchschnittlich 2.000 Dollar pro Stunde, bis 4.000 Dollar) für Workshops, wenn man sich in einer Branche als AI-Experte positioniert und anderen hilft.

  Praktischer Rat: Nicht jeden neuen AI-Tool jagen, sondern die wenigen guten Tools (Claude, Claude Code, Cursor, NotebookLM) beherrschen – damit bewältigt man 80–90% der Aufgaben. Anfänger sollten mit ChatGPT oder Claude starten und aktiv experimentieren, statt passiv zu lernen.

  Claude und Opus 4.5 waren zentrale Beispiele für den Technologie-Sprung; als Format eine Meinung/Reflexion mit praktischen Tipps.

• Today in AI: Claude Code Goes Viral, 94% Need AI Training, Notebook LM Makes Slides
  6.1.2026, 05:01:02

  Zusammenfassung: Today in AI – Claude Code Goes Viral, 94% Need AI Training, Notebook LM Makes Slides

  Claude Code ist plötzlich zum Hotspot geworden und wird von vielen als nächster Schritt zu künstlicher allgemeiner Intelligenz betrachtet. Ein Google-Ingenieur berichtete, dass Claude Code in einer Stunde ein Problem löste, an dem Googles Teams ein Jahr lang arbeiteten – ein deutliches Zeichen für die Leistungssteigerung durch das neue Modell Claude 4.5 Opus. Andrej Karpathy, Co-Creator von ChatGPT, twitterte, dass er sich als Programmierer noch nie so überflüssig gefühlt habe und beschrieb dies als „Capability Overhang”: KI-Systeme werden schneller besser, als Menschen sie adaptieren können.

  Der Moderator zeigt drei Wege, Claude Code zu nutzen: über Terminal (kompliziert), über IDEs wie Cursor oder Visual Studio Code, oder über die Web-Version (einfachster Einstieg, aber weniger leistungsstark). Claude Code funktioniert nicht nur für Programmierung – beispielsweise nutzte jemand es, um DNA-Daten aus einem Ancestry-Test zu analysieren. Das Wichtigste ist nicht die technische Codierungsfähigkeit, sondern die Fähigkeit, Aufgaben zu strukturieren und Feedback zu geben (management skills).

  Ein McKinsey-Bericht zeigt, dass 94% der Firmen AI-Training brauchen, aber nur 1% der Mitarbeiter ausreichend trainiert wurden – ein enormer Gap. Der Moderator bietet kostenlose Webinare (Dienstag und Donnerstag, 18 Uhr UK-Zeit) zu KI-Schulungen in Unternehmen an und verdient durchschnittlich 2.000 Dollar pro Stunde für Workshops. Der Schlüssel ist nicht, selbst ein Experte zu sein, sondern domänenspezifisches Wissen mit AI-Fähigkeiten zu verbinden.

  Notebook LM von Google kann jetzt auch hochwertige Präsentationen generieren (nutzt Nano Banana Pro) und erstellt aus Artikeln oder Notizen in wenigen Minuten Präsentationen, Podcasts mit synthetischen Hosts, Quizze und Mind Maps – nützlich zum Lernen und Lehren.

  Der Moderator betont: Das Argument „AI ist nicht gut genug” ist zusammengebrochen; neue Argumente gegen AI-Adoption entstehen (Umwelt, Arbeitsplätze, Deepfakes). 2026 wird ein entscheidendes Jahr für echte AI-Integration in Unternehmen sein. Das Video endet mit der Empfehlung, sich auf wenige hochwertige Tools zu konzentrieren (ChatGPT, Claude, Cursor, Claude Code, NotebookLM) statt alle 44.000 AI-Tools zu verfolgen.

  Claude 4.5 Opus, Claude Code und NotebookLM als zentrale Themen; Video-Format: News-Update/Meinung mit Live-Demo – für Anfänger bis fortgeschrittene Nutzer geeignet.

Leon van Zyl (3 neues Videos)

• Your Claude Code Terminal Should Look Like This (Status Line Setup)
  8.1.2026, 12:45:37

  Das Video zeigt, wie man die Claude Code Terminal-Statusleiste mit nützlichen Informationen ausstattet. Statt des Standard-Designs kann man dort auf einen Blick das aktuelle Modell, den Kontext-Token-Verbrauch (mit Fortschrittsbalken und Prozentsatz), den Git-Branch und den Projektordner anzeigen. Das ist besonders wertvoll, um den Token-Verbrauch im Auge zu behalten – wenn dieser zu hoch wird, verschlechtert sich die Antwortqualität und Claude führt schließlich automatisch eine Komprimierung durch, die wichtigen Kontext verliert. Das Feature verhindert auch Fehler beim Arbeiten mit mehreren Claude-Sessions gleichzeitig (z.B. Code in den falschen Branch zu pushen).

  Die Einrichtung erfolgt über den status line-Befehl. Der Autor empfiehlt drei wichtige Hinweise an Claude: (1) das aktuelle Betriebssystem angeben (Windows/Mac/Linux/WSL), da der Agent sonst Fehler macht; (2) die Einrichtung global (nicht projektspezifisch) durchführen; (3) bei Unix-Systemen eine separate .sh-Datei für das Skript verwenden statt alles in die globale Konfigurationsdatei zu schreiben. Im Demo wird Windows (PowerShell) gezeigt, wo die Claude-Einrichtung die Datei zunächst im falschen Ordner platziert – hier hilft es, Claude den korrekten Pfad zu zeigen.

  Nach der initialen Erstellung kann man die Statusleiste iterativ verbessern: weitere Datenpunkte hinzufügen, die Farbgebung anpassen und Debugging betreiben (z.B. die JSON-Struktur in eine Debug-Datei schreiben lassen, um Eigenschaftsnamen zu klären). Für Linux, Mac und WSL ist zusätzlich jq erforderlich – ein Command-Line-Tool, das Claude für JSON-Parsing nutzt. Die Einrichtung unterscheidet sich zwischen Windows (PowerShell) und Unix-Systemen nur minimal.

  Claude Code – Tutorial.

• How to Set Up Claude Code in 2026 (Beginner Tutorial)
  7.1.2026, 14:25:06

  Zusammenfassung: How to Set Up Claude Code in 2026

  Claude Code ist ein Agentur-Tool, das direkten Zugriff auf deine Codebase ermöglicht – statt Code über eine Web-Oberfläche zu kopieren und einzufügen, hat der Agent vollen Zugriff auf Projektdateien, kann Befehle ausführen und Features implementieren.

  Installation: Der Prozess startet mit einem Terminal-Befehl (OS-spezifisch für Windows, macOS oder Linux), gefolgt von einer kurzen Konfiguration (Theme, Login). Man kann sich entweder mit einem Claude-Konto mit Abonnement anmelden oder einen Anthropic-API-Key verwenden. Das Abonnement wird empfohlen, da die API-Kosten schnell teuer werden; bei Abonnement fallen keine überraschenden Gebühren an.

  Setup in einer IDE: Nach Installation eines Code-Editors wie VS Code oder Cursor kann man das Projekt laden, ein neues Terminal öffnen und claude eingeben. Shift+Enter stellt neue Zeilen ein (über /terminal setup). Die Claude-Code-Extension für VS Code bietet eine benutzerfreundlichere Oberfläche als das Terminal.

  Wichtige Befehle: /context zeigt Token-Nutzung an (max. 200.000 pro Konversation); /clear löscht die Konversation; /model wechselt zwischen Haiku, Sonnet und Opus; Alt+T schaltet Thinking Mode um; Shift+Tab wechselt Modi (Standard > Accept Edits > Planning). Planning Mode plant ohne Änderungen vorzunehmen.

  Arbeitsprozess (Demo mit To-Do-App): Im Planning Mode beantwortet man Klärungsfragen (Frontend-Framework, Datenspeicherung, Styling), Claude erstellt einen vollständigen Implementierungsplan und speichert ihn als Datei. Nach Wechsel zu Accept Edits Mode implementiert Claude die Features. Der /dangerously skip permissions-Befehl aktiviert “YOLO-Modus” ohne Bestätigungen (nicht anfängerfreundlich).

  Zusatzfeatures: Claude führt Background-Tasks asynchron aus; man kann Dateien per Drag-and-Drop referenzieren. In separaten Sessions können Sub-Agenten (“Deep Dive Agents”) das Werk überprüfen – Claude startet diese im Hintergrund mit eigenen Kontext-Fenstern, was die Hauptkonversation schlank hält.

  Video-Typ: Tutorial mit Demo (To-Do-App-Implementierung); klar für Anfänger ausgelegt, mit praktischen Schritten und Tipps für Anfängerer vs. erfahrene Entwickler – Meinung/Reflexion-Elemente zum Workflow-Design (Sub-Agents).

  Claude Code (Anthropic); Cursor als empfohlene Alternative zu VS Code erwähnt – Tutorial.

• Stop Using Claude Code the Normal Way
  5.1.2026, 13:19:10

  Der Video zeigt den Unterschied zwischen normaler Claude-Code-Nutzung und dem Einsatz von „Long-Running Agents” für komplexe Projekte.

  Projekt 1 (normaler Workflow): Der Autor sendet einen detaillierten Prompt an Claude Code (mit Opus 4.5 in Thinking Mode) zur Entwicklung einer Content-Creator-App mit Hooks, Titles, Intros und Thumbnail-Generierung. Das Ergebnis ist funktional, aber unvollständig: fehlende Dark-Mode, nicht funktionierende UI-Bearbeitung (z.B. Karten können nicht gelöscht werden), keine editierbaren System-Prompts für die verschiedenen Agents, und keine tatsächliche Thumbnail-Generierung über die API. Der Grund: Der Agent überlädt den Context Window und verliert wichtige Kontextinformationen.

  Projekt 2 (Long-Running Agent): Mit der gleichen Eingabe, aber basierend auf Anthropics „Effective Harness for Long-Running Agents”, entsteht eine vollständig funktionierende App: Light/Dark-Mode vorhanden, bearbeitbare Karten mit History-Feature, editierbare System-Prompts, funktionierende Thumbnail-Generierung mit Nano Banana und sogar Funktionen, die der Autor nicht explizit anforderte (z.B. Reference-Image-Upload für Designs).

  Wie Long-Running Agents funktionieren: Ein Initializer-Agent zerlegt die Anforderung in hunderte oder tausende kleinere Features. Anschließend arbeiten Coding-Agents iterativ an Features, führen Regression-Tests durch (3 zufällig ausgewählte bereits implementierte Features), nutzen ein Browser-Fenster zur echten UI-Testung und wechseln zur nächsten Session wenn der Context-Window gefüllt ist. Alle Features sind in einer SQLite-Datenbank statt einer großen JSON-Datei gespeichert.

  Das bereitgestellte Tool: Der Autor zeigt eine vereinfachte UI-Version des Anthropic-Harness: Man erstellt ein Projekt, lässt Claude ein App-Spec-File generieren (Quick- oder Detailed-Mode), wählt zwischen normalem Modus (mit UI-Testing, langsamer, aber robuster) oder YOLO-Mode (schnell, blindes Implementieren). MCP-Tools verwalten die Feature-Datenbank. Das ganze läuft auf lokalem System nach Download eines Repository.

  Kern-Einsicht: Long-Running Agents produzieren polischte, funktionsfähige Applikationen, weil sie Zeit für echte Testung haben, während klassischer Claude-Code im Single-Context-Window an Komplexität und Kontextverlust scheitert.

  Der Video thematisiert Claude Code und das Anthropic-Framework für Long-Running Agents, zeigt ein praktisches Demo-Tool, und argumentiert für einen Paradigmenwechsel — Format: Meinung/Reflexion mit Demo und Tutorial-Elementen.

Liam Ottley (2 neues Videos)

• This AI Business Is Boring…But It Makes $500,000/yr (just copy it)
  8.1.2026, 09:44:21

  Zusammenfassung: AI-Agentur mit $500.000 Jahresumsatz

  Die Episode zeigt, wie Chris von EarlyBird AI eine profitable AI-Agentur mit über 500.000 Dollar Jahresumsatz aufgebaut hat – nicht durch technische Innovation, sondern durch fokussierte Geschäftsprozesse.

  Kernerkenntnisse zur Positionierung:

  Die zentrale These lautet: AI ist nicht das Verkaufsargument. Stattdessen verkauft man konkrete Ergebnisse (Outcomes) – etwa „Lead zu gebuchtem Termin” oder „Reaktivierung von Datenbank-Kontakten”. Chris betont, dass Geschäftsinhaber AI mittlerweile weniger beeindruckt, weil sie damit vertraut und skeptisch sind. Sie wollen Gewissheit, Zeit- und Risikoreduktion. Wer mit AI statt mit Outcomes wirbt, wird 2026 verlieren.

  Nischenstrategie:

  Statt nach Industrie zu niches (z.B. „für Restaurants”), fokussiert die Agentur auf standardisierte Geschäftsprobleme, die über alle Branchen gleich sind. Das ACDC-Modell (Attract, Convert, Deliver, Collect) dient der Orientierung. Die Agentur konzentriert sich auf „Convert” – speziell Lead-Geschwindigkeit und Datenbankreaktion – und kann damit branchenübergreifend arbeiten. Nach Erprobung verschiedener Angebote wählt man dann später die lukrativsten Vertikal aus.

  Tech Stack und Integration:

  Die Basis: GHL für Verkauf/Marketing, ClickUp für Projektmanagement, Make für Orchestration zwischen Kundensystemen. Die Agentur hat Standardintegrationen mit HubSpot, Salesforce, ServiceM8, Simpro. Bei Plattformen ohne offene APIs wird der Kunde abgelehnt. Wichtig: Prozesse zunächst dokumentieren und stabilisieren, dann automatisieren – nicht umgekehrt.

  Kernlösung (Lead-Handling):

  Ein AI-System bearbeitet eingehende Leads (über SMS, Chat, Meta DMs, Email, WhatsApp) – antwortet sofort, folgt auf, qualifiziert. Bei Buchung: AI bestätigt Termin und handhiert Umdisponierungen. Alle Gesprächs-Summaries werden direkt im CRM-Kontakt gespeichert, nicht via Email-Flut. Ergebnis: Mehr qualifizierte Termine, höhere Show-Rates.

  Geschäftsmodell:

  Setup-Gebühr + monatliche Retainer für Wartung und Support. Alternativ (für Kunden mit internem Team): Handover-Modell gegen Aufpreis – Client erhält System in eigener Infrastruktur, zahlt aber weiter für neue Features/Updates (Video-Trainings, Q&A). Das schafft einen Anreiz, im Ökosystem zu bleiben.

  Sales/Kundenakquise:

  Organic Content (Podcasts, Gastauftritte), Referrals, in diesem Jahr kurzzeitig Ads (später gestoppt wegen niedriger Lead-Qualität). Vor jedem Sales-Call: Preroll-Video mit System-Erklärung, Preishinweis und Disqualifikationsmöglichkeit. Das spart Zeit und filtert Unpassende heraus.

  Kundenbedenken:

  Geschäftsinhaber fürchten Team-Disruption, wollen keine neuen Systeme lernen, wollen Datensicherheit. Die Agentur adressiert dies durch klare Kommunikation mit Mitarbeitern, Integration in bestehende Tech-Stacks (nicht erzwungen) und Transparenz.

  Team-Aufbau:

  Anfangs: Selbst Sales und Tech verstehen. Später Hiring von außen, aber: nicht Urteilsfähigkeit outsourcen, sondern Execution (VA, Content, Follow-up). Erfolgreichster Hire war ein Dev, der Make/N8N und Prompt-Engineering kann. Einstellung via Upwork mit „Invite-Only”-Prozess und Code-Word in der Job-Beschreibung.

  Tech-Stack-Philosophie:

  Etablierte, langweilige Systeme nutzen – nicht die neuste Flashtech, die morgen weg ist oder bricht. Vorsicht vor Wrappern, die redundant werden, wenn OpenAI/Gemini neue Features freigeben. Beispiel: Eine externe Voice-Lösung wurde unzuverlässig → Wechsel zu Vapi. Vorsicht auch vor Plattformen, die deine Use-Cases später selbst einbauen.

  Operatives Lernen:

  Erstes Jahr: Massive Lieferrückstände bei wenig Vertrieb. Erst im Laufe von Kundenprojekten herausgefunden, welche Outcomes skalierbar sind. Wichtig: Dokumentieren von Anfang an (auch ohne Team), Prozesse stabilisieren vor Automatisierung, Wiederholbarkeit vor Maßstab.

  Kein spezifischer KI-Anbieter explizit als primäres Tool benannt; Vapi für Voice erwähnt, Make/N8N für Orchestration, GHL als primäre Plattform – Interview/Deep-Dive zu Geschäftsmodell und Skalierung.

• How to Start an AI Business in 2026 | STEP BY STEP
  6.1.2026, 02:37:00

  Zusammenfassung: How to Start an AI Business in 2026

  Der Gründer eines AI-Business-Communities mit über 270.000 Mitgliedern und eines Accelerators, der 4.000+ AI-Businesses in zwei Jahren gestartet hat, präsentiert datengestützte Erkenntnisse zum Aufbau eines AI-Service-Business 2026.

  Das Geschäftsmodell: AI Services bedeutet, kleine bis mittelständische Unternehmen dabei zu helfen, AI zu verstehen und einzusetzen. Dies ist eine Lücke im Markt, ähnlich wie Web-Agenturen in den 90ern oder Social-Media-Agenturen in den 2010ern – Service-Unternehmen als Brückenbauer bei Tech-Shifts.

  Kerndaten aus der Community:

  • Über 13 Millionen USD gemeldete Revenue (reale Zahl wahrscheinlich 30–50 Mio.)
  • Neukundengewinnung steigt 40–50% pro Quartal – Markt ist nicht gesättigt, sondern wächst
  • Deal-Größe stieg von durchschnittlich 4.120 USD (2024) auf 13.870 USD (H2 2025) – 340% Anstieg
  • 49% aller Deals liegen jetzt über 10.000 USD (2024: nur 8%)
  • Medianzeit bis zum ersten Kunden: 9 Tage (nicht Monate), 91% durch „Warm Outreach” (Freunde, Familie, alte Kollegen, LinkedIn-Kontakte)

  Was verkauft sich 2025:

  • Einfache Chatbots: -50% (Markt hat sich davon verabschiedet)
  • Voice-AI-Systeme (Receptionisten, Appointment-Booking): +278%
  • AI-Workflow-Automation (make.com, n8n): stabil bei ~24% der Sales
  • RAG-Systeme (AI-Agenten, die Company-Dokumente durchsuchen): +300%
  • AI-Audits: +400% Wachstum – Unternehmen zahlen 2.000–5.000 USD für einen Report, der zeigt, wo AI passt und welche Tools/Systeme nötig sind. Dies ist der Einstiegspunkt für größere Deals (100.000+ USD Development).

  Zwei Erfolgspfade (je nach Hintergrund & Stärken):

  1. Consultant-Weg (kein Code nötig, Fokus auf Kommunikation & Strategie)
  • Startet mit „AI Tools Audit”: Du reviewst Off-the-Shelf-Tools wie ChatGPT, Claude, Perplexity, Synthesia
  • Verkauft Audits, Workshops, Team-Training
  • Wenn größere Custom-Entwicklung nötig: partnert mit Buildern, nimmt Vermittlungsprovision
  • Beispiel: Rishi (Engineering/Consulting-Background, kein Code) machte £10.000 in 6 Wochen durch Warm Outreach auf Trade Shows + Discovery Sessions
  • Path to 10K/Monat: Warm Outreach → Free Audit → Testimonial → Paid Audits skalieren (500 USD → 1.000 USD → höher)
  1. Builder-Weg (für Tech & Non-Tech)
  • Einstieg: No-Code AI Automation (make.com, n8n) – lernen in wenigen Wochen
  • Aufstieg: Voice AI, RAG-Systeme, Custom Apps mit AI-Code-Generation
  • Erste Kunden: kostenlos oder niedrig bezahlt durch Community (der Accelerator/School Community fungiert als Netzwerk)
  • Reputations-Aufbau durch Helping und Testimonials in der Community
  • Dann: Upwork oder Partnership mit Consultants, die qualifizierte Leads bringen
  • Beispiel: Miraza (22J, ex-Marketing-Agency) verdiente 65.000 USD mit Voice-AI-Systemen für Consultants
  • Path to 10K/Monat: Skill-Aufbau → Free Projects → Community-Reputation → Paid Projects → Partnerschaften

  Kritischer Erfolgshebel (beide Wege): 73% der Six-Figure-Earner in der Community starteten mit einem kostenlosen Projekt. Das liefert Case Study, Testimonial und verkürzt Time-to-First-Paid-Client massiv. Warm Outreach ist dabei Standard.

  Konkrete Schritte diese Woche (laut Video):

  • Konsultant: Warm-Outreach-Nachrichten zu 2–3 Personen (alte Chefs/Kollegen/LinkedIn), kostenloses AI-Tools-Audit anbieten, Templates/Spreadsheets aus der kostenlosen School Community nutzen
  • Builder: Beginner-Guides in der School Community durcharbeiten (AI Automation, Agents, Vibe Cutting), dann in eigenen Projekten üben, danach in der Community helfen

  Alle Ressourcen (Warm-Outreach-System, Templates, AI-Tools-Database, Tutorials) sind kostenlos in der „School Community” verfügbar (Link in der Videobeschreibung).

  Kernbotschaft: Der Markt für AI Services ist nicht gesättigt, wird reifer (Deals wachsen), und es gibt zwei klare, bewährte Wege mit kurzen Timelines (9 Tage zum ersten Kunden). Technische Erfahrung ist nicht zwingend – das häufigste wachsende Angebot (AI Audits) braucht keinen Code.

  Das Video behandelt ChatGPT und Claude als Consulting-Tools, erwähnt make.com und n8n als Automation-Plattformen, keine anderen spezifischen AI-Tools oder Anbieter; Format ist ein umfassendes Tutorial/Deep-Dive mit Datenpräsentation, das Anfängern strukturierte nächste Schritte gibt.

Mark Kashef (2 neues Videos)

• How to Stay in the Top 1% of Claude Code Users
  9.1.2026, 21:30:22

  Der Creator hat ein System gebaut, um mit Claude-Code-Updates auf dem aktuellen Stand zu bleiben. Das System ruft automatisch die Claude-Code-Changelog aus dem Anthropic-GitHub-Repository ab, analysiert Änderungen mit Geminis API und sendet tägliche Benachrichtigungen per Email mit einer Zusammenfassung und einer Audio-Transkription der wichtigsten Updates.

  Die App bietet mehrere Funktionen: Eine Listenansicht aller Änderungen mit Filterung nach Features und Fixes, einen Text-to-Speech-Player mit Geminis Audio-API (mit ausgewählter Stimme), einen Chat-Assistenten, der die aktuellen Changelog-Einträge durchsucht und Fragen beantwortet, einen “What Matters”-Tab mit automatischen TLDDR und Action Items, sowie ein System zur lokalen Speicherung aller Daten in einer SQLite-Datenbank. Cron-Jobs ermöglichen automatische Email-Benachrichtigungen nach Zeitplan.

  Das technische Setup ist minimal: GitHub (Changelog-Quelle), Gemini 3 Flash API (für Analyse und Text-to-Speech), Resend (für Email-Versand), React (Frontend) und SQLite (lokale Datenbank). Der Creator beschreibt seinen Prozess: Er nutzte Perplexity, um mit Claude unter der Haube eine detaillierte Markdown-Spezifikation zu generieren, erstellte dann markdown-Dateien mit API-Dokumentationen für Gemini und Audio-Features und gab diese Claude Code zur Initialisierung. Nach zwei bis drei Überarbeitungen benötigte er sechs Stunden für die fertige App.

  Im Prompt-Playbook teilt der Creator seine tatsächlichen Prompts und verbesserte Versionen: statt “Make this look like Anthropics design” sollte man spezifische Hex-Codes und Design-Richtlinien nennen; statt generisch “use Gemini” sollte man “use Gemini 3 Flash for analysis with JSON mode” schreiben. Er bietet das vollständige System (Spezifikation, Prompts, Anleitung) zum Download und erwähnt ein Klon-Repository für seine Community.

  Video-Format: Tutorial/Demo mit Fokus auf Architektur und Prompting-Prinzipien — Claude Code (Haupttool), Gemini API, Resend; Meinung/Reflexion kombiniert mit praktischem Build-Through.

• The AI Playbook for 2026: Focus, Scale, or Die
  6.1.2026, 21:30:04

  The AI Playbook for 2026: Focus, Scale, or Die

  Wer gewinnt und warum

  2026 markiert einen Paradigmenwechsel: nicht mehr “Was ist möglich”, sondern “Was funktioniert wirklich”. Die Gewinner sind diejenigen, die ruhig versenden und sich auf Tiefe statt Breite konzentrieren. Google ist das überraschende Beispiel — obwohl die Existenz des Unternehmens vor einem Jahr in Frage stand, dominiert es nun durch kontinuierliche Produktentwicklung, indem es Nano Banana (Bildmodell), Veo (Video), Gemini 3 Flash und eine durchdachte Integration in bestehende Google-Produkte liefert. Googles Vorteil: vollständige Eigenständigkeit mit eigener Infrastruktur, TPUs und Servern — kein Abhängigkeit von externen Chipherstellern. Im Gegensatz zu OpenAI, das “Mind Share” über “Market Share” hat, kann Google seine Dominanz behaupten. Anthropic folgt derselben Strategie: Fokus auf das beste Enterprise-LLM mit Claude Code als führender Plattform für agentengestützte Entwicklung. Meta dagegen versprühte breit (Llama 4, schlecht angenommen), verlor Führungskräfte und zahlte über 2 Milliarden Dollar für die Übernahme von Manis.

  Das Kernprinzip: Restraint statt Expansion

  Nur weil etwas technisch möglich ist, bedeutet nicht, dass es gebaut werden sollte. 2025 war geprägt von Blind-Optimismus: unfertige Projekte, gefälschte AI-Influencer auf LinkedIn, Millionen halbfertiger SaaS-Produkte mit null Abonnenten. Der Wendepunkt kommt mit der Frage: “Wird das wirklich für meinen Use-Case funktionieren?”

  Das Agenten-Versprechen war falsch

  2025 sollte das Jahr der Agenten sein — war es nicht. Tatsächlich gab es massive Verwechslungen zwischen Agenten, Prompts, MCPs und Tools. Autonome Agenten versprachen: 10-20 Agent-Schwärme könnten Tagesarbeit in Minuten erledigen. Realität: Mit jedem zusätzlichen Schritt in einem Workflow sank die Genauigkeit (95% → 90% → 80% → 60%), besonders in produktiven, kundenfähigen Szenarien. Die produktive Lösung: Agenten nur bei echtem Parallelfall mit ausgerichteten Zielen und ohne Überschneidungen einsetzen. Googles A2A-Framework zeigte einen Weg, wie Agenten effektiv miteinander kommunizieren. 2026 wird wahrscheinlich eine “Mass Consolidation” erleben — die meisten der hunderten No-Name “Vibe-Coding-Plattformen” von 2025 werden verschwinden; nur wenige wie Claude Code, Cursor und Anti-Gravity überleben.

  Der duale Spielplan für dich selbst

  Test 1: Daily Driver Test — Nutzt du dein AI-Abo täglich? Wenn du etwas nur ein paar Mal pro Monat brauchst, kannst du es dir selbst mit Claude Code bauen. Mit Claude 5/5.5 wird die Grenzlinie zwischen “kaufen” und “selbst bauen” verschwimmen. Die Frage wechselt von “Kann das X tun?” zu “Wie zuverlässig tut es X?” AWS, Azure und GCP werden Integration und Deployment vereinfachen, echte produktionsreife Apps (nicht “papiererne, instabile Superbase-Apps”) ermöglichend.

  Test 2: Build What Matters — Building kann abhängig machen. Dauernd shippen, ohne echten ROI. Frag dich vor jedem Projekt: (1) Löst es ein wöchentliches/tägliches Problem? (2) Werde ich es wirklich nutzen oder nur darüber reden? (3) Was ist die Minimalversion, die Wert liefert? Das Video-Beispiel: Ein hässliches, aber zuverlässiges Tool zum Zuschneiden, Komprimieren, Verkleinern von Videos — funktioniert perfekt ohne Neuerfindung des Rades. Tipp: Ein Projekt zu Ende bringen, perfekt machen, dann zum nächsten wechseln.

  Der TLDLR-Leitfaden für 2026

  Ignoriere AGI-Debatten (spielen keine praktische Rolle), Benchmark-Kriege (können manipuliert werden) und Agenten-Hype (“läuft 15 Stunden autonom” = nicht überprüft). Fokussiere auf: (1) Was tatsächlich funktioniert, (2) Mass-Consolidation als kommende Realität (Lieblings-Tools könnten übernommen/zusammengelegt werden), (3) dass jeder mit wenig technischem Know-how bauen kann — es braucht nur Zeit und Disziplin. 2025 = FOMO und ständiges Jagen. 2026 = Meistern statt Jagen.

  Dieses Video thematisiert Claude Code, Cursor, Lovable, Bolt, n8n, Google (Gemini, Veo, Nano Banana), OpenAI, Anthropic und Meta (Llama) — Format: Meinung/Reflexion mit strategischem Deep-Dive.

Matt Pocock (1 neues Video)

• Ship working code while you sleep with the Ralph Wiggum technique
  5.1.2026, 15:28:45

  Ralph Wiggum Technique: Shipping Code While You Sleep

  Das Video stellt eine Orchestrierungsmethode für Coding Agents vor, die als „Ralph Wiggum” bekannt ist und auf einem einfachen Bash-Loop basiert. Statt komplexer Multi-Phase-Pläne mit Abhängigkeitsmanagement funktioniert Ralph analog zu echter Agile-Praxis: Der Agent arbeitet eine Backlog-Liste ab, erledigt nacheinander einzelne kleinere Tasks, und sucht sich selbstständig die nächste höchste Priorität.

  Die technische Umsetzung:

  Der Ralph.sh-Loop ruft Claude Code (oder ein ähnliches Tool) wiederholt auf, übergibt dabei zwei lokale Dateien: eine prd.json (Product Requirements Document mit Flags für „passed/not passed”) und eine progress.txt (Freitext-Lernlog des Agents). Der Prompt instruiert das Modell, genau eine Feature nach Priorität zu wählen (nicht die erste in der Liste), diese zu implementieren, die PRD zu aktualisieren (mit passed: true), Notizen zur progress.txt zu appenden, und einen Git-Commit zu machen. Der Loop läuft mit Maximal-Iterationen-Backstop, bis der Agent „promise complete” ausgibt.

  Kritische Erfolgsfaktoren:

  Tasks müssen klein und präzise sein – große Features führen dazu, dass der Agent „den Mund zu voll nimmt” und schlechtere Outputs erzeugt. Feedback-Loops sind essentiell: TypeScript-Type-Checking und Unit-Tests müssen grün bleiben, damit der Agent weiß, ob sein Code funktioniert. Das Video zeigt Live-Demo mit Claude Opus 3.5, der automatisch einen Beat-Anzeige-Feature in einer Video-Editor-App entwickelt, Tests durchläuft, und den Code committed.

  Varianten:

  Es gibt eine ralph-once.sh für interaktive, menschliche Überwachung – nützlich bei komplexen Features oder zum Lernen. Beide Versionen nutzen dieselbe Architektur, nur unterschiedliche Ausführungsweise.

  Das Approach funktioniert jetzt weil moderne Modelle (wie Opus 3.5 und GPT-5.2) stark genug sind, dass dieser vereinfachte Loop reliabel ist – vorher waren orchestrale Komplexität und externe Orchestratoren nötig. Der Fokus liegt auf klaren Requirements (PRD) statt detaillierten Ausführungsplänen.

  Tools/Modelle: Claude Opus 3.5, Claude Code, TypeScript, Playwright (erwähnt als MCP-Server-Option); Format: Demo mit Live-Code-Ausführung und Erklär-Tutorial.

Melvynx (5 neues Videos)

• DRAMA : Claude Code ne veut pas que tu abuses de leur abonnement (voici pourquoi)
  10.1.2026, 15:59:00

  Zusammenfassung: Claude Code und der Abonnement-Drama

  Der Video behandelt Anthropics Entscheidung, Third-Party-Tools wie Open Code vom Zugriff auf das Claude Code-Abonnement zu blockieren. Das Drama entstand, weil mehrere Entwickler-Tools den Claude Code-Credential nutzten, um Nutzern Zugang zu Sonnet 3.5 und Opus 4.5 zu ermöglichen – Modellen, die bei direkter API-Nutzung extrem teuer sind (der Autor gibt an, täglich über 200 Dollar auszugeben, während das Abonnement 200 Dollar monatlich kostet). Anthropic blockierte diese Nutzung mit einer Fehlermeldung, die besagt, dass das Credential nur mit Cloud Code selbst funktioniert.

  Der Autor zeigt eine technische Entdeckung: durch Manipulation des System-Prompts auf den offiziellen Cloud Code-Prompt lässt sich die Blockade umgehen – das Credential funktioniert dann wieder mit Opus. Er demonstriert, dass IQ-Anfragen nicht blockiert werden, nur die teuren Modelle.

  Die Debatte darum dreht sich um zwei Perspektiven: Developers kritisieren Anthropics Lock-in-Strategie (DHH und andere argumentieren, dies sei unfair), während Anthropic antwortet, dass Nutzungsbedingungen durchgesetzt werden müssen. Der Autor argumentiert, dass Anthropics Position berechtigt ist – sie bieten ein qualitativ hochwertiges Produkt (Cloud Code) und das Abonnement ist faktisch ein Marketingausgabe für sie, um Power-User zu “evangelisieren”, die durch kostenlose oder subventionierten Zugang zu Markenbotschaftern werden. Solange Claude technisch führend bleibt, hält dieser Ansatz.

  Explicit erwähnt: Claude/Anthropic, Claude Code, Opus 4.5, Sonnet 3.5, Open Code, Cursor, IQ — Meinung/Reflexion mit Demo-Elementen.

• TailwindCSS n’a plus d’argent à cause de l’IA (ça n’a aucun sens)
  8.1.2026, 15:36:50

  Der Videomacher analysiert eine Kontroverse um TailwindCSS und das Geschäftsmodell des Tools angesichts von AI-Tools.

  Ausgangslage: Ein Nutzer bat den TailwindCSS-Creator Adam Wathan, eine /llm-Dokumentationsdatei hinzuzufügen, damit LLMs die Dokumentation optimal nutzen können. Wathan lehnte dies ab – und begründete das offen: Seit Anfang 2023 ist der Traffic auf der TailwindCSS-Dokumentation um 40 Prozent gesunken, obwohl das Tool populärer ist denn je. Der Grund: LLMs wie Claude und ChatGPT benutzen TailwindCSS so intensiv, dass Nutzer nicht mehr auf die Website kommen müssen, um Infos zu suchen. Das bedeutet weniger Traffic, weniger Klicks auf bezahlte Produkte wie das „Tailwind UI”-Buch oder das „Tailwind Plus”-Abonnement. Als zusätzlicher Schlag: Die Einnahmen von Tailwind sind um 80–90 Prozent gesunken, weshalb Wathan 75 Prozent seines Entwickler-Teams entlassen musste.

  Die Ironie: Gerade Tools wie Lovable und V0.dev verdienen Geld mit TailwindCSS – sie nutzen das Framework als Basis für ihre AI-Code-Generatoren. Wathan sieht sich also in einer Situation, in der sein eigenes Tool von der AI-Industrie profitiert wird, während sein Business kollabiert.

  Community-Reaktionen: Viele Kritiken am Geschäftsmodell entstanden – Lifetime Deals statt Abos, zu viele Mitarbeiter für eine CSS-Bibliothek, zu wenig Diversifizierung. Gleichzeitig zeigten sich viele solidarisch und kauften Tailwind Plus-Abos. Der Post wird als Warnsignal für alle dokumentations- und Content-basierten Projekte gedeutet: SEO bricht zusammen, Open-Source-Nachhaltigkeit wird kritisch, und die wirtschaftlichen Grundlagen verschieben sich durch LLMs radikal.

  Diskussionspunkte: Manche sehen es als dramatisches Theater, andere als legitime Besorgnis. Vorschläge wie Sponsorships durch Vercel, ein Abonnement-Modell statt Lifetime Deals oder die Entwicklung eines visuellen Design-Tools wurden gemacht.

  Meinung/Reflexion zu TailwindCSS, ChatGPT, Claude, Lovable, V0.dev und weiteren AI-Code-Tools.

• BMAD est déjà inutile… Opus 4.5 l’a tuée
  7.1.2026, 17:01:00

  Zusammenfassung: BMAD ist bereits nutzlos… Opus 4.5 hat es getötet

  Der Creator testet die BMAD-Methode (Breakthrough Method for Agile AI-Driven Development) in einem bestehenden Projekt und zieht eine kritische Bilanz.

  Was ist BMAD?

  Ein Framework mit 21 spezialisierten Agenten, 4 Modulen und 50 Workflows für agile AI-getriebene Entwicklung. Die Workflows sind in vier Phasen strukturiert: Discovery (Recherche, Product Brief), Planning (Planung, Architektur), Solution (Validierung, Stories, Tests, Implementation) und Implementation (Sprints). BMAD erzwingt umfangreiche Dokumentation und Validierungen in jedem Schritt.

  Die Teste in der Praxis

  Der Creator versucht, einen Bug in einem bestehendem Projekt zu beheben (Infinite Scroll, Styling-Probleme). Mit dem Quick Flow und der BMAD-Methode muss er wiederholt Fragen beantworten, Épics und Stories validieren und hunderte Markdown-Dateien generieren lassen – ein Prozess, der etwa 25 Minuten für die Planung kostet, ohne dass der Bug am Ende vollständig behoben wird. Das Quick Dev Workflow ist interessanter: Es sammelt Context, erstellt einen Plan mit adversarial Review und führt Self-Check durch, bevor es Code ausführt – hier funktioniert es besser.

  Kernkritik

  BMAD fordert viel manuelle Validierung und reduziert die Autonomie des KI-Modells durch strukturierte Workflows. Das war sinnvoll mit schwächeren Modellen, aber mit Opus 4.5 – das eigenständig, reflektiv und intelligent arbeitet – wird diese Struktur zur Bremse. Der Creator nutzt stattdessen CLI-Befehle mit höherer Autonomie (z.B. „one shot” für volle Unabhängigkeit, „apex” für 50% Autonomie mit Plan-Validierung). BMAD ist zu komplex und zu langsam für kleine Teams und einzelne Features, möglicherweise nur für große Enterprise-Projekte relevant.

  Behandelte Tools: Claude (Opus 4.5) und Cline (Cloud Code); Format: Meinung/Deep-Dive.

• Lovable est une ARNAQUE (voici pourquoi le NO-CODE est mort)
  5.1.2026, 15:59:01

  Zusammenfassung: Lovable ist eine ARNAQUE (Warum NO-CODE tot ist)

  Der Autor analysiert die Entwicklung des No-Code-Markts von 2021 bis 2026 und erklärt, warum Lovable nach seiner Ansicht zunehmend an Bedeutung verliert.

  Die Evolution des No-Code:

  No-Code-Tools wie Webflow, Bubble und Flutterflow ermöglichten ab 2021 die Anwendungserstellung ohne Programmierungskenntnisse. Mit ChatGPT (November 2022) verschob sich das Paradigma hin zum Code-generierten Ansatz. Lovable wurde 2023 eingeführt, wurde aber erst mit Sonnet 3.5 (Juni 2024) wirklich leistungsfähig und konnte GPT-4-basierte Anwendungen erstellen. Der entscheidende Wendepunkt kam mit Claude Opus 4.5 (November 2025): Diese KI zeigt solch überlegene Intelligenz und Autonomie, dass sie Cloud Code selbst zu einem No-Code-Tool für Anfänger macht.

  Drei Hauptprobleme mit Lovable:

  1. Preismodell: Bei 25 Dollar/Monat erhält man nur 100 Credits, die extrem schnell aufgebraucht sind (eine einfache Anwendung kostet bereits 50–100 Credits). Cloud Code kostet dabei deutlich weniger (30 Cent für eine vollständige HTML-Datei) und ist rentabler für Lovable-Nutzer, da diese Plattform zwischen dem Benutzer und Claude/GPT als teure Zwischenschicht fungiert.
  1. Vendor Lock-In: Nutzer werden abhängig von Lovable Cloud, Lovable Analytics und Lovable AI. Zusätzlich zwingt das Ökosystem die Nutzung teurer Partner-Tools wie Supabase für die Datenbankverbindung, was die Kosten weiter erhöht.
  1. Mangelnde Kontrolle über den Code: KI-generierter Code ist zufällig und unverständlich für Anfänger; es gibt keine echte Kontrolle über Qualität oder Struktur.

  Welche Fähigkeiten brauchen No-Coder stattdessen?

  Mit Claude Opus 4.5 reichen drei Kompetenzen aus, um eigenständig Apps zu bauen:

  • Code-Grundlagen: Überblickswissen über Frontend/Backend, HTML, CSS, JavaScript, HTTP-Protokoll und grundlegende Programmierlogik
  • Tool-Ökosystem: Verständnis für Datenbanken, Authentifizierung, KI-APIs und externe Services
  • Product Care: Detailorientierung und UX-Sensibilität – die Fähigkeit, von einer KI generierten Basis eine polierte, benutzerfreundliche Anwendung zu machen

  Der Autor demonstriert dies mit zwei Versionen von Subfast: Die KI-generierte Version ist funktional aber ungepoliert (keine Loading-States, schlechte Responsivität, fehlende Details). Seine überarbeitete Version zeigt professionelle UX mit durchdachtem Layout, besseren Interaktionen und visueller Kohärenz.

  Fazit: Mit Claude Opus 4.5 und Cloud Code wird das separate No-Code-Tool Lovable überflüssig – Anfänger können direkt mit der KI arbeiten, müssen aber grundlegende Web- und Tool-Kenntnisse sowie Designfeingefühl erwerben. Die Ära der teuren, restriktiven Wrapper endet.

  Der Autor erwähnt einen Kurs auf mlv.sh/sas für No-Coder, die 2026 SaaS-Apps ohne Vorkenntnisse bauen möchten.

  Thematisierte KI-Modelle: Claude (Sonnet 3.5, Opus 4.5), ChatGPT, GPT-4; Tools: Lovable, Cloud Code, Webflow, Bubble, Flutterflow, Supabase. Format: Meinung/Reflexion mit Demo-Elementen.

• MON NOUVEAU SaaS (comment faire un BON SaaS avec l’IA, pas un AI SLOP)
  4.1.2026, 15:00:32

  Der Creator hat ein neues SaaS-Produkt entwickelt – eine Thumbnail-Generator-Anwendung für YouTuber – und teilt seine Strategie, wie man gute KI-Produkte schafft, statt „AI Slop”.

  Entwicklungs-Workflow: Das SaaS wurde mit minimalem eigenen Code-Schreiben gebaut; hauptsächlich durch den Einsatz eines KI-Assistenten via Terminal/Cloud Code. Der Gesamtprozess folgte dem Schema I.MD → PRD-Architektur → Tasks und kostete etwa 50 Dollar API-Kosten für ein funktionsfähiges MVP.

  Kernerkenntnisse für gute SaaS-Produkte:

  1. Boilerplate nutzen: Eine solide Basis (mit Authentifizierung, Datenbank, Dark Mode, Dialog-System) ermöglicht es der KI, sauberen, strukturierten Code zu generieren statt generischer „AI-App”-Interfaces.
  2. Eine Hauptfeature perfektionieren: Der Thumbnail-Editor ist das Herzstück und wurde iterativ optimiert – mit benutzerfreundlichem Workflow (Personen, Stile, Bilder hinzufügen, Prompt eingeben, Generierungen wählen).
  3. Details und UX-Polish: KI generiert oft unbrauchbare erste Versionen; der Creator musste dann manuell nachjustieren – Inline-Renaming durch Double-Click, saubere Selector-Designs, Keyboard-Shortcuts (Cmd+Enter), Tutorial-Videos für Nutzer.
  4. MVP vs. Produkt: MVP ist schnell, einfach, unvollkommen. Ein echtes Produkt entsteht erst durch Aufmerksamkeit zu Details – das unterscheidet echte SaaS von „AI Slop”.

  Monetarisierung: Einfache Credit-basierte Modelle – 1 Credit = 1 Thumbnail, gekoppelt an Abonnement-Pläne (z.B. 300 Credits/Monat für 49 Euro).

  Marketing-Überlegungen: Zielgruppe sind YouTuber; Ansprache über E-Mail-Outreach sinnvoller als Ads. Auch Zusammenarbeit mit Mini-Makern oder Affiliate-Programme möglich, aber aufwendig. Der Creator nutzt das Produkt selbst – alle seine YouTube-Thumbnails werden damit generiert.

  Fazit: Das Video zeigt die zwei Phasen: schnelles MVP-Prototyping mit KI-Hilfe, dann aufwendige Optimierung für echte Nutzerfreude und Marktfähigkeit.

  Claude wurde als KI-Assistent genutzt; das Format ist eine Demo mit ausführlichen Reflexionen zur SaaS-Entwicklung mit KI – für Entwickler konzipiert.

MoureDev by Brais Moure

Keine neuen Videos in diesem Zeitraum.

n8n (2 neues Videos)

• From Strategy to Automation: AI Agents & n8n for Business Leaders – n8n Business Lab (November 2025)
  9.1.2026, 16:34:09

  Zusammenfassung: From Strategy to Automation: AI Agents & n8n for Business Leaders

  Amal, CTO und Co-Founder von Avani sowie n8n Ambassador, zeigt in dieser Präsentation einen praktischen Weg von der Strategie zur Implementierung von AI Agents mithilfe von n8n. Als zentrales Beispiel demonstriert er einen täglich genutzten Workflow: Mit dem Smartphone fotografiert er Rechnungen, die dann durch OCR (Mistral AI) automatisch ausgelesen und strukturiert werden – die Daten landen mit Beschreibung und Link in einem System für die Buchhaltung. Das erspart ihm manuelle Datenerfassung, die er früher durchführte.

  Was ist ein AI Agent? Amal definiert ihn als Software, die auf Tools zugreifen kann, natürliche Sprache versteht und Aufgaben autonom ausführt – sein zentrales Konzept ist der „Digital Coworker”, ein intelligenter, schlafloser Helfer mit PhD-Level-IQ. Beispiele für Use Cases: Invoice Reconciliation, Cash-Flow-Vorhersage, Compliance-Checks, Lieferantenvertragsoptimierung, automatische Mahnanrufe bei Mietnachzahlungen. Im Bereich Coding beispielsweise arbeiten AI Agents im „YOLO-Mode” – sie bauen in wenigen Stunden autonome Lösungen auf.

  In der Live-Demo zeigt Amal n8n als Orchestrierungstool: Mit wenigen Klicks verbindet er Google Drive (Trigger), Mistral AI (OCR), cacht Informationen lokal – komplexe Cacheing-Logik wird durch eine einzige UI-Aktion realisiert. Er betont die Eleganz des Produkt-Designs („German Perfection”): Die Tools klicken zusammen wie Legosteine, Felder mappem sich automatisch zwischen Integratoren.

  Zu EU AI Act und Compliance: Er fragt sich, warum die Regulation nötig ist – als Analogy „Verkehrsampeln zum Schutz”. Die Kategorien sind Unacceptable Risk (z.B. Social Scoring, Predictive Policing), High Risk (z.B. Credit Scoring), Limited Risk (Deepfakes), Minimal Risk (Email-Filter). Seine kritische Botschaft: Europäische CEOs sollten das Risiko eingehen (bei 7,5 Mio. Euro Strafe für potenzielle 20 Mio. Euro ROI), sonst verlieren Unternehmen den Anschluss.

  Amal argumentiert, dass 2026 das Durchbruchsjahr für AI Agents wird, warnt aber vor Adoption-Hürden: Mindset-Probleme, Change Management, fehlende Bereitschaft vor allem in Deutschland. Der Erfolg von AI Agents hängt nicht nur von Automation ab – der Mensch im Loop, klare Constraints und hochwertige Eingaben sind essentiell. Außerdem können AI Agents in drei Szenarien scheitern: mehrdeutige Eingaben, fehlende Daten/Kontext und Halluzinationen (n8n bietet hier neuerdings „Guardrails” als Gegenmittel).

  Live-Beispiele zeigen Plattformen wie Relevance AI (LinkedIn Scraper), Lindy, Crew AI, Mastra – und eine neue Kategorie: Computer-Vision-Agents (Anthropic Computer Use, OpenAI Operator, Manus AI), die Screenshots verstehen, mausklicken, Formulare ausfüllen können. Amal demonstrierte ein Open-Source-Projekt namens „Blind Clicks”, das einen LLM (mit Microsofts OmniParser) nutzt, um UI-Elemente zu lokalisieren und autonome Klicks in virtuellen Maschinen auszuführen.

  Demo mit Voice-Clone: Ein Teilnehmer führte ein natürliches Gespräch mit Amals AI-Voice-Agent, der wie er selbst klingt – ein tangibles Beispiel für den kommenden Standard digitaler Mitarbeiter.

  Demo ohne Transcript verfügbar, aber basierend auf Titel und Kontext rekonstruiert.

  n8n und Mistral AI wurden explizit thematisiert; Deep-Dive mit Live-Demo und praktischem Use Case (mittleres bis gehobenes Niveau: technisches Verständnis hilfreich, aber nicht zwingend).

• ‘Combining your knowledge with AI’ – n8n Business Lab (November 2025)
  6.1.2026, 15:08:44

  Zusammenfassung: Combining your knowledge with AI – n8n Business Lab

  Das Video behandelt die Integration von unternehmenseigenen Daten mit KI-Systemen, insbesondere die Herausforderungen und Lösungen im Kontext von Large Language Models (LLMs).

  Kernthema: Standard-LLMs haben Zugriff nur auf öffentliche Trainingsdaten und können nicht auf unternehmenseigenes Wissen zugreifen. Dieses Wissen – Produktinformationen, interne Prozesse, aktuelle Daten – ist aber essentiell für geschäftliche Anwendungsfälle. Die einzige Möglichkeit, interne Daten in LLMs zu integrieren, ist, sie in den Prompt einzufügen.

  RAG-Ansatz (Retrieval Augmented Generation): Das Video erklärt RAG als Framework, das LLMs Zugriff auf externe Daten gibt. RAG besteht aus zwei Teilen: (1) Indexierung – Vorbereitung von Wissen für spätere Abfrage, typischerweise mit Vector Stores; (2) Retrieval – Abruf relevanter Daten zur Augmentierung des LLM-Prompts bei Anfragen.

  Naive RAG und ihre Probleme: Der einfache Ansatz funktioniert, zeigt aber Schwächen. Gezeigt wird das Kochrezept-Beispiel: Werden Rezepte zu aggressiv zerstückelt, landen ähnliche Textfragmente aus verschiedenen Rezepten (z.B. „Eier verquirlen”) nebeneinander im Vector Store und führen zu verwirrten Antworten. Weitere Probleme sind Halluzinationen (LLM erfindet Antworten, wenn kein Wissen gefunden wird) und fehlende Filterung strukturierter Daten (z.B. Zubereitungszeit).

  Lösungen – Advanced RAG: (1) Metadaten an Chunks anhängen (Rezept-ID, Rezept-Name), um Kontext zu bewahren; (2) größere, selbstständige Chunks indexieren statt zu zerstückeln; (3) System Prompt tunen, um Halluzinationen zu reduzieren; (4) Guardrails einbauen, die überprüfen, ob Antworten grounded sind; (5) strukturierte Daten mit Metadaten-Filtern kombinieren – z.B. semantische Suche + Filterung nach Zubereitungszeit.

  Agentic RAG: Statt sequenzieller Workflows entscheidet der Agent selbst, welche Tools und Retrieval-Strategien nötig sind. Das Modell kann zwischen Vector Store und SQL-basierten Abfragen wählen, mehrere Retrieval-Runden durchführen und flexibler antworten.

  Data Pipeline als Geschäftslogik: Die Indexierung ist nicht nur technisch, sondern Teil der Geschäftslogik. Mit n8n-Workflows können strukturierte und unstrukturierte Daten kombiniert, AI-basierte Extraktion und Anreicherung durchgeführt werden (z.B. Extrahieren der Zubereitungszeit aus Textbeschreibungen mittels LLM).

  AI-Evaluation: LLMs sind nicht deterministisch. Um die Qualität zu sichern, braucht es automatisierte Evaluation mit großen Test-Sets (hunderte Fragen). Eine zusätzliche LLM als „Richter” vergleicht erwartete mit tatsächlichen Antworten und berechnet Metriken. So lässt sich objektiv feststellen, ob Modell-Updates oder Tuning-Änderungen besser oder schlechter sind – nicht nur Bauchgefühl.

  Key Takeaways: (1) Indexierung und Datenvorbereitung sind zentral; (2) RAG-Patterns verbessern sich ständig; (3) Evaluation ist ein Must-Have, nicht optional – „Evaluation-First” statt „Test-Driven Development” analog.

  Das Video demonstriert durchgehend konkrete n8n-Workflows für naive und advanced RAG, zeigt Live-Demos mit API-Calls und Agentic Logic.

  Format & Tools: n8n Business Lab Deep-Dive zur RAG und Agentic AI mit praktischen n8n-Workflows – Schwerpunkt auf Enterprise-AI mit Evaluation.

Nate Herk | AI Automation (2 neues Videos)

• I Built a New AI System in 3 Hours (and got paid $1650)
  7.1.2026, 14:32:43

  Der Creator baute in 3 Stunden ein Email-Management-Workflow-System, für das er 1.650 Dollar bezahlt bekam. Das System bestand aus zwei Teilen: einem Inbox-Routing-Agent, der eingehende Emails klassifiziert und automatisch an Slack-DMs weiterleitete oder in ein Spreadsheet logte, sowie einem Personal-Email-Assistant, der über Slack mit dem Nutzer kommunizierte, um Emails zu suchen und im Schreibstil des Clients zu verfassen.

  Die technische Umsetzung erfolgte über n8n mit Gmail- und Google-Contacts-Tools, die der Agent eigenständig mit Parametern befüllte (z.B. Zeiträume, Absender). Für das Email-Drafting nutzte er einen separaten Subworkflow mit Claude Sonnet, in dessen System Prompt er ein Stilguide mit Beispielen und Tonalität des Clients einbettete. So wurde vermieden, dass der Hauptagent jedes Mal diese Kontextinformation verarbeiten musste.

  Der kreative Ansatz: Der Creator fragte nicht, was gebaut werden soll, sondern diagnostizierte zunächst, wo der Geschäftsführer Zeit verlor (Email-Management), und arbeitete dann rückwärts. Das machte ihn zum „AI-Consultant” statt zum reinen Builder. Den Wert ankern – nicht die Build-Zeit – war entscheidend. Er betont: Die 3 Stunden waren nur der Anfang; echten Wert schaffte kontinuierliche Optimierung, Bugfixing und Monitoring nach dem Launch. Seine zentrale These: Bottlenecks identifizieren, schnell prototypen, echte Geschäftsprobleme lösen, Wert kommunizieren – das ist das Geschäftsmodell, nicht technische Komplexität.

  Demo mit n8n; Fokus auf Email-Automation, Claude Sonnet für Drafting — Meinung/Reflexion zum Geschäftsmodell von AI-Automatisierungen.

• Once You Know This, Building RAG Agents Becomes Easy in n8n
  5.1.2026, 13:35:46

  Zusammenfassung: RAG-Methoden für Agents in n8n

  Der Video behandelt vier unterschiedliche Ansätze, um Agents externe Daten zugänglich zu machen – die zentrale Herausforderung beim Aufbau von RAG-Systemen.

  Die vier Methoden:

  1. Filter-basierte Abfragen: Der Agent filtert strukturierte Tabellendata nach bestimmten Kriterien (z.B. “Wie viele Bluetooth-Speaker wurden am 16. September verkauft?”). Dies funktioniert gut bei strukturierten Daten in Zeilen/Spalten, ist schnell und günstig, skaliert aber nur bis zu einem gewissen Punkt. Faustregel: Wenn ein Mensch einen Filter in einer Tabellenkalkulation nutzen würde, nutze Filter.
  1. SQL-Queries: Ideal für komplexere Anfragen mit Summationen, Durchschnitten, Rankings oder Trendanalysen, die viele Zeilen betreffen. Der Agent konstruiert SQL-Queries selbst (z.B. zur Berechnung der Top-3-Produkte nach Umsatz). Dies ist zuverlässiger als reines Chunking und billiger als Vektorsuche für strukturierte Daten. Faustregel: Wenn ein Mensch eine Pivot-Tabelle nutzen würde, nutze SQL.
  1. Vollständiger Dokumentkontext: Der Agent liest das gesamte Dokument (z.B. YouTube-Transkripte) statt einzelner Chunks. Vorteil: vollständiger Kontext und höhere Genauigkeit. Nachteil: teurer, langsamer, kann Context-Window-Limits treffen. Beispiel im Video zeigte ~4.000 Token für ein 5-seitiges Transkript. Faustregel: Wenn ein Mensch das gesamte Dokument vor der Antwort lesen würde, sollte der Agent das auch tun.
  1. Vektorsuche (Chunk-basiertes Retrieval): Der Agent sucht semantisch relevante Chunks aus einer Vektordatenbank. Schneller und günstiger als vollständiger Kontext, aber mit Genauigkeitsverlusten – etwa halb so viele Token wie Vollkontext-Methoden, verliert aber Kontextinformationen wie Reihenfolge oder Zusammenhänge. Problem: Bei großen Dokumenten oder tabellarischen Daten (z.B. Verkaufszahlenabfragen) können kritische Informationen in anderen Chunks liegen.

  Kernproblem des Chunk-basierten Retrieval: Wenn man eine zeitliche Abfrage stellt (z.B. “In welcher Woche hatten wir die höchsten Verkäufe?”), kann der Agent die beste Antwort übersehen, wenn sie in anderen Chunks liegt – es sieht nur die gefundenen Chunks, nicht die ganze Datei. Ähnlich bei Durchschnitten: Es berechnet den Durchschnitt der gefundenen Chunk-Zeilen, nicht aller Daten.

  Übergeordnetes Konzept: Das Video betont “Context Engineering” – fünf Kernprinzipien sind: mit dem Endziel beginnen, die Datenpipeline durchdenken, Datengenauigkeit sicherstellen, Context-Windows optimieren und AI-Spezialisierung nutzen. Die Wahl der RAG-Methode hängt davon ab, welche Fragen gestellt werden und welche Daten der Agent tatsächlich braucht.

  Demo mit n8n, vier konkrete RAG-Workflows gezeigt (Filter auf Nadb-Tabelle mit 20 Zeilen, SQL-Query auf Supabase mit 50 Zeilen, zwei Transkripte als vollständiger Kontext vs. vektorisiert); Meinung/Deep-Dive-Hybrid.

NeuralNine (2 neues Videos)

• Portfolio Analysis in Python – Risk and Performance
  9.1.2026, 17:00:21

  Zusammenfassung: Portfolio Analysis in Python – Risk and Performance

  Das Video zeigt ein Tutorial zur Analyse von Portfolio-Performance und -Risiko mit der Python-Bibliothek Pyfolio-reloaded (dem gewarteten Fork des ursprünglichen, nicht mehr gepflegten Pyfolio).

  Setup und Datenquellen:

  Der Ablauf beginnt mit der Umgebungskonfiguration via pip oder uv. Benötigte Pakete sind yfinance (zum Abrufen von Aktienkursen von Yahoo Finance), pyfolio-reloaded und jupyter lab als interaktive Notebook-Umgebung.

  Grunddaten und Rückgaben:

  Zunächst wird ein einzelner Aktienticker (z.B. Goldman Sachs, GS) geladen, die Schlusskurse extrahiert und tägliche prozentuale Änderungen berechnet. Als Benchmark wird der S&P 500 (über SPY) herangezogen, dann beide Datensätze zeitlich ausgerichtet (nur übereinstimmende Datumsangaben).

  Die zentrale Analyse:

  Mit einem einzigen Funktionsaufruf pf.create_returns_tear_sheet() werden automatisch eine Tabelle mit Kennzahlen und mehrere Visualisierungen generiert. Die Kennzahlen umfassen:

  • Grundmetriken: Kumulative und annualisierte Rendite, Volatilität
  • Risikoverhältnisse: Sharpe Ratio (Rendite pro Risikoeinheit), Calmar Ratio (Rendite vs. maximaler Verlust), Sortino Ratio (nur Abwärtsvolatilität strafend), Omega Ratio (gute vs. schlechte Tage)
  • Verteilungsmaße: Skewness, Kurtosis, Tail Ratio (Größe positiver vs. negativer Extrembewegungen)
  • Benchmark-relative Metriken: Alpha (Überrendite gegenüber Benchmark), Beta (Volatilität relativ zur Benchmark)
  • Drawdown-Analyse: Längste und größte Kursverluste sowie Erholungszeiten

  Visualisierungen:

  Das Tool erzeugt Kumulativ-Grafiken, logarithmische Rendite-Charts, tägliche Renditen (farbkodiert nach In-Sample/Out-Sample), Rolling-Beta und -Volatilität, Sharpe-Ratio-Entwicklung, Drawdown-Perioden, Heatmaps der monatlichen/jährlichen Renditen und Box-Plots der Renditeverteilung.

  Portfolio-Modellierung:

  Im zweiten Teil wird ein Portfolio aus drei Aktien (Nvidia, Goldman Sachs, Microsoft) mit definierten Gewichtungen (z.B. 40%, 40%, 20%) konstruiert. Die Preisdaten aller drei Assets werden geladen, zeitlich ausgerichtet und gewichtet addiert zur Portfolio-Rendite, die dann mit der gleichen Tear-Sheet-Funktion analysiert wird.

  Hinweis des Autors:

  Der Ersteller betont, dass er keine Finanzexpertin ist, sondern Programmierer, und das Video nicht als Finanzberatung zu verstehen ist, sondern als Programmier-Tutorial.

  Das Video richtet sich sowohl an Finance-Profis mit Programmierkenntnissen als auch an Entwickler, die grundlegende Finanzmetriken verstehen möchten — stellt aber hohe Anforderungen an das Finanzverständnis für die Interpretation der vielen Kennzahlen.

  Pyfolio-reloaded und yfinance, Finance-Portfolio-Tutorial, keine spezifischen ML/AI-Modelle.

• Advanced Document Extraction in Python with Gemini
  5.1.2026, 17:01:16

  Advanced Document Extraction in Python mit Gemini

  Das Video zeigt, wie man mit Gemini PDFs nicht nur inhaltlich extrahiert, sondern auch Bounding Boxes um die extrahierten Informationen erhält – also exakte Koordinaten und Seitennummern, wo die Daten im Dokument stehen.

  Setup: Erforderliche Pakete sind google-genai, pydantic, python-dotenv und pymupdf (importiert als fitz). Die Gemini-API-Key wird in einer .env-Datei gespeichert und via load_dotenv() geladen.

  Grundkonzept (Structured Output): Man definiert Pydantic-Modelle (z.B. InvoiceModel) mit Feldern wie total und recipient. Diese werden als response_schema an generate_content() übergeben, zusammen mit dem PDF und einem Extraktions-Prompt. Das Modell liefert dann strukturierte JSON-Ausgabe.

  Bounding Boxes hinzufügen: Eine Parent-Klasse BoundingBoxField enthält zwei Felder: bounding_box (Liste von vier Integern für xmin, ymin, xmax, ymax) und page (Integer). Separate Klassen wie TotalField und RecipientField erben davon und erweitern um spezifische Felder (z.B. total_value als float). So erhält man automatisch Koordinaten mit.

  Kritisch zu beachten: Gemini normalisiert Koordinaten zwischen 0 und 1.000. Um sie auf die tatsächliche PDF-Größe zu skalieren, muss man die Koordinaten durch 1.000 teilen und mit der Seitendimension multiplizieren. Außerdem liefert Gemini Koordinaten in y-x-Reihenfolge (ymin, xmin, ymax, xmax), was vor der Verwendung getauscht werden muss.

  Visualisierung: Mit pymupdf (als fitz importiert) öffnet man die PDF, iteriert über die zu zeichnenden Felder, berechnet skalierte Rechtecke und zeichnet diese mit page.draw_rectangle() sowie Labels mit page.insert_text() ein. Abschließend speichert man die annotierte Datei mit doc.save().

  Das Verfahren funktioniert auch mit mehrseitigen PDFs – jedes Feld wird mit seiner Seitennummer versehen. Der praktische Nutzen liegt in der Fehlerüberprüfung durch Menschen: Statt blind auf KI-Extraktion zu vertrauen, kann man sofort sehen, worauf sich das Modell stützt, und Halluzinationen oder Fehler korrigieren.

  Google Gemini, PyDantic strukturierte Ausgabe, pymupdf – Tutorial mit produktionsnahem Ansatz zur menschlichen Validierung.

Nic Conley (1 neues Video)

• My AI Avatar Got 45M+ Views: Here’s Exactly How I Did It
  5.1.2026, 15:09:41

  Der Creator zeigt, wie er in wenigen Wochen über 45 Millionen Views auf Instagram, YouTube und TikTok erreichte – komplett mit AI-Avataren, ohne selbst Videos aufzunehmen. Gemeinsam mit Deepo demonstriert er den kompletten Workflow:

  Script-Schreiben: Claude wird auf den gesamten Content des Creators trainiert und folgt dabei bestimmten Mustern. Wichtigste Elemente sind Hook-Breaker (überraschende Unterbrechungen wie „Here’s what nobody talks about”), die Neugier schaffen, und eingefügte Persönlichkeit durch Meinungen und Positionen, um Zuschauer emotional zu binden. Kurze und lange Pausen werden vom Claude automatisch eingefügt, um die AI-Stimme menschlicher wirken zu lassen.

  Audio-Generierung: Fish Audio wird verwendet, da es ausdrucksvoller ist als 11 Labs und schneller arbeitet – entscheidend für schnelle Social-Media-Verbreitung.

  Avatar und B-Roll: Ein digitaler Twin wird für 10 Sekunden Face-Zeit generiert, mit gezielten Gesten an wichtigen Stellen. Danach folgt der B-Roll – teils echte Videos, teils AI-generiert (Runway für Videos, Midjourney für Bilder, teilweise Kling AI).

  Editing (das eigentliche „Secret”): Das ist nicht automatisierbar. Das Gesicht wird nur 2–4 Sekunden gezeigt, der Rest ist B-Roll, die die Geschichte erzählt. Der Fokus liegt auf Simplizität statt flashy Effects – die Zuschauer sollen nicht arbeiten müssen, um zu verstehen. Die durchschnittliche Watchtime der viralen Videos liegt bei 50 Sekunden. Der Algorithm wird durch hohe Retention, Shares und Saves getrieben.

  Ergebnisse: Die Videos erreichen 9–13 Millionen Views, durchschnittlich ~10% Like-Rate, und das Konto wuchs in 2–3 Wochen von 20 auf 14.500 Follower. Videos werden oft nachts generiert und sind am nächsten Morgen online.

  Der Kern: Persönlichkeit + optimiertes Storytelling-Editing = virale Reichweite ohne Selbstaufnahmen.

  Claude und Fish Audio waren explizit thematisiert; Demo mit praktischem Workflow.

Nick Saraev

Keine neuen Videos in diesem Zeitraum.

Niklas Steenfatt

Keine neuen Videos in diesem Zeitraum.

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

• NVIDIA’s Jensen Huang on Reasoning Models, Robotics, and Refuting the “AI Bubble” Narrative
  8.1.2026, 11:01:32

  Zusammenfassung: NVIDIA’s Jensen Huang über Reasoning Models, Robotics und das “AI Bubble”-Narrativ

  Jensen Huang spricht über die überraschendsten Entwicklungen von 2025 und widerlegt dabei mehrere verbreitete AI-Pessimismus-Narrative. Während Skalierungsgesetze und technologische Fortschritte keine Überraschung waren, freut er sich besonders über Verbesserungen bei der Grounding (Verankerung von AI-Ausgaben in Fakten), Reasoning und die Verbindung von Modellen mit Suchfunktionen – Lösungen, die Halluzinationen und Gibberish-Generierung adressiert haben.

  Zum Arbeitsmarkt-Narrativ: Huang argumentiert, dass Jobs nicht einfach wegfallen, sondern sich transformieren. Der Schlüssel liegt in der Unterscheidung zwischen Task (was man tut) und Purpose (warum man es tut). Bei Radiologen etwa: Das Task ist das Scan-Studium, der Purpose ist Diagnosefindung. AI automatisiert das Task, wodurch Radiologen tiefere Diagnosen stellen, mehr Patienten behandeln und letztlich mehr Radiologen eingestellt werden. Parallel entstehen drei neue Industrien – Chip-Fabriken, Supercomputer-Fabriken und AI-Fabriken – was massive Nachfrage nach Handwerkern und Spezialisten schafft.

  Zum “God AI”-Narrativ: Huang lehnt die Vorstellung eines allmächtigen, monolithischen AI-Systems ab. Ein solches System existiert nicht und wird auf absehbare Zeit nicht existieren. Die praktische Realität: Es gibt unterschiedliche AI-Modelle für unterschiedliche Zwecke. Eine monolithische Kontrolle (durch ein Land, Unternehmen oder Modell) zu fordern, während man auf God AI wartet, ist kontraproduktiv. Die Welt braucht nächste Woche, nächstes Jahr und nächstes Jahrzehnt Lösungen – nicht irgendwann.

  Zur Open-Source-Debatte: Huang betont die kritische Rolle von Open Source: Ohne sie würden Startups, Mittelständler und traditionelle Industrien in Bereichen wie Gesundheit und Fertigung erstickt. Open Source treibt globale Infrastruktur (Android, Telekommunikation) und wissenschaftliche Forschung. Der Hinweis auf DeepSeek als “vielleicht der wichtigste Paper für Silicon Valley Researcher” zeigt: Amerikanische Labs profitieren massiv von globaler Forschung. Innovation sollte nicht territorial gedacht werden.

  Zu Kosten und Tokonomics: Die Kosten für GPT-4-äquivalente Modelle sind 2024 um über 100x gefallen. Huang erwartet über zehn Jahre eine Reduktion der Inference-Kosten um etwa eine Milliarde Mal, Training kostet um etwa 2-3x pro Jahr weniger. Dies öffnet ständig neue Anwendungen. Was früher Milliarden kostete (wie das erste ChatGPT-Training), lässt sich nun in Wochenenden auf PC umsetzen.

  Zur Energieproblematik: Ohne Energie kein industrielles Wachstum. Die AI-Nachfrage (besonders nach natürlichem Gas kurzfristig, kombiniert mit Wind/Solar/Nuklear) treibt massive Investitionen in nachhaltige Energieinnovationen – Battery Companies, Solar Concentrators etc. AI ist damit der größte Treiber für grüne Energieentwicklung.

  Für 2026 optimistisch: Huang erwartet “Chat GPT-Momente” in neuen Industrien, besonders in digitaler Biologie durch Multi-Protein-Verständnis, Protein-Generierung und Moleküldesign. Im Robotik-Bereich sieht er schnellere Fortschritte als bei selbstfahrenden Autos (die 10+ Jahre brauchten), weil Foundational Tech schon existiert. Reasoning wird Autos zu denkenden Systemen machen, und multi-embodiment AI wird alles steuern können – von Pick-and-Place bis zu Humanoid Robots. Huang erwartet Vertikalisierung: Software-Companies schaffen Core-Tech, Vertical Solution Provider (wie Caterpillar) passen es auf 99,9999%-Zuverlässigkeit an.

  Huang kritisiert das Doomer-Narrativ scharf: Pessimisten untergraben Investitionen in AI-Sicherheit und -Funktionalität. Sowohl Doomers als auch naive Optimisten verfehlen die Balance. Sicherheit und Funktionalität erfordern fortgeschrittene Technologie – gerade wie moderne Autos sicherer sind als vor 50 Jahren.

  Referenziert werden explizit: Cursor (als bevorzugtes Developer Tool bei NVIDIA), Open Evidence (Medizin), Harvey (Jura), DeepSeek (Open Source), und diverse generische Industrie-Namen; Format: Live-Interview/Meinung-und-Reflexion mit starkem Fokus auf Narrativ-Korrektur.

Productive Dude (1 neues Video)

• n8n Blogging Automation: Generate SEO Blogs in Minutes (FREE Template)
  7.1.2026, 15:00:07

  Zusammenfassung: n8n Blogging Automation

  Das Video präsentiert ein n8n-Workflow zur automatisierten Generierung von SEO-optimierten Blogbeiträgen beliebiger Länge. Der Automation ist für zwei Zielgruppen interessant: Agenturen, die das System als monatliches Abo an Kunden vermarkten können (Agent Resale Model), und Einzelpersonen, die damit selbst Blogs erstellen möchten.

  Die Demo zeigt einen 5-Phasen-Workflow für einen hypothetischen Roofing-Blog: Ein Assistant führt ein Gespräch mit dem Nutzer über Zielgruppe, Ziel und Wortanzahl. Der Researcher führt Web-Recherchen durch und sammelt Quellen. Der Section Mapper teilt die Zielwortanzahl (z.B. 1.500 Wörter) dynamisch in Abschnitte mit individuellen Wortzielen auf. Der SEO Optimizer generiert relevante Keywords inklusive Primär-Keyword. Anschließend läuft eine Loop, die jeden Abschnitt einzeln durch einen Blog Writer schreiben lässt, der einen Code-Tool nutzt, um die Wortanzahl zu prüfen und bei Abweichungen selbstständig nachzubessern (Toleranz: ±30 Wörter). Der generierte Blog wird in Markdown-Format ausgegeben.

  Im Demo-Test erreichte die Automation 1.479 von 1.500 Wörtern für einen Blog über Dachfarben und -materialien, inklusive Markdown-Tabellen und strukturierter Abschnitte. Als optional erwähnt wird Lertie (lerty.ai), eine Plattform zum Teilen von n8n-Agenten mit Clients über eine Web- und iOS-App-Schnittstelle, ohne dass diese den Workflow dahinter sehen. Der Video stellt eine kostenlose Ressource bereit, die alle Prompts und einen Blueprint zum Importieren in n8n enthält. Erwähnt werden Grok 4.1 als LLM-Modell und Tavily für Web-Suche.

  Explizite Tools/Dienste: n8n, Grok 4.1, Tavily (Web-Suche), Lertie (Agentur-Plattform), WordPress (optional zum Posten), iOS-App — Format: Tutorial/Demo mit Ausblick auf ein kommerzielles Angebot.

Sebastien Dubois (2 neues Videos)

• Periodic Reviews and Journaling with Obsidian
  6.1.2026, 14:23:23

  Zusammenfassung: Periodic Reviews and Journaling with Obsidian

  Das Video behandelt Periodic Reviews und Journaling als Produktivitäts- und Selbstreflexionstechnik sowie deren praktische Umsetzung in Obsidian.

  Konzept der Periodic Reviews: Reviews an verschiedenen Zeitskalen (täglich, wöchentlich, monatlich, vierteljährlich, jährlich) ermöglichen es, rückblickend zu evaluieren, was gelungen oder misslungen ist, sowie vorausschauend zukünftige Ziele zu planen. Dies fördert sowohl operative Produktivität als auch strategisches Denken über längerfristige Lebensziele.

  Interstitial Journaling als Kern: Der Sprecher betont Journaling nicht als gelegentliche Aktivität, sondern als kontinuierlicher Prozess durch den Tag — Notizen zu Plänen, Erfolgen, gelernten Dingen und Erkenntnissen werden laufend erfasst und bilden die Datengrundlage für Reviews auf höheren Zeitebenen.

  Technische Umsetzung in Obsidian:

  • Templates-Plugin: Automatisiert die Erstellung standardisierter Notizen mit vorgegebener Struktur (Daily-, Weekly-, Monthly-Templates)
  • Periodic Notes Plugin: Konfiguriert Organisationsstruktur, Namenskonvention und Vorlagen für verschiedene Zeitebenen; bietet Schnellzugriff-Buttons zum Erstellen oder Öffnen von Daily/Weekly/Monthly-Noten
  • Obsidian Starter Kit: Ein vorkonfiguriertes Vault mit Ordnerstruktur, Templates, Dokumentation und voreingestellten Plugins
  • Database/Base-Views: Ermöglichen Filterung und Darstellung von Notizen in Tabellenform oder benutzerdefinierten Layouts (z.B. Kanban)
  • Journal Base Plugin (selbst entwickelt, Open-Source): Stellt zwei neue Base-View-Typen bereit — eine Timeline-View zur Navigation durch Notizen einer Zeitebene und eine Review-View, die alle Zeitebenen (Year bis Daily) in einer einzigen Grid-Spalte darstellt, um Reviews effizient durchzuführen, Noten direkt zu bearbeiten und Completion-Status zu markieren

  Workflow: Im Review-View navigiert man spaltenweise von der Jahres- zur Tagesebene, extrahiert relevante Informationen und bewegt diese auf höhere Zeitebenen, markiert Reviews als abgeschlossen und schafft so einen strukturierten, visuellen Prozess.

  Das Video zeigt praktische Screenshots und Demos des Systems in Aktion, wobei der Sprecher sein eigenes Vault mit echten Notizen aus 2025/2026 durchläuft.

  Erwähnte Tools & Plugins: Obsidian, Templates-Plugin, Periodic Notes-Plugin, Obsidian Starter Kit, Task Notes-Plugin, Journal Base-Plugin (GitHub/Open-Source).

  Deep-Dive/Tutorial-Format mit praktischen Demos und Konfigurationsdetails für fortgeschrittene Obsidian-Nutzer.

• Life Tracking with Obsidian – Track Your Health, Sleep, Energy & More
  6.1.2026, 11:47:53

  Life Tracking mit Obsidian – Zusammenfassung

  Der Creator demonstriert ein selbst entwickeltes Open-Source-Plugin für Obsidian namens “Life Cycle”, das die Verfolgung und Visualisierung von Gesundheits- und Lebensdaten ermöglicht. Das Plugin löst das Problem, dass manuelle Eingabe von Eigenschaften (Properties) in tägliche Notizen aufwändig und fehleranfällig ist.

  Kernfunktionalitäten:

  Das Plugin bietet zwei Hauptansichten: Die “Life Tracker”-Ansicht visualisiert Daten wie Energielevel, Fokus, Stimmung, Schlafqualität und Trainingsaktivitäten als Liniendiagramme, Wärmekarten oder Balkendiagramme. Die “Life Tracker Grid”-Ansicht zeigt alle unvollständigen Einträge eines definierten Zeitraums in einer Tabelle, um Lücken schnell zu füllen. Mehrere Visualisierungen derselben Eigenschaft sind möglich, und Overlays kombinieren mehrere Datenreihen in einem Chart.

  Dateneingabe:

  Ein Carousel-Befehl ermöglicht schnelle Erfassung: In einer täglichen Notiz werden nacheinander die konfigurierten Eigenschaften abgefragt (erst erforderliche, dann optionale), Werte lassen sich per Eingabe und Enter setzen. Alternativ können alle Notizen einer Basis gleichzeitig über ein Modal mit Grid-View bearbeitet werden.

  Konfiguration:

  Im Plugin-Setting definiert man Property-Definitionen mit Namen, Typ (Text, Zahl, Checkbox), Min/Max-Werte, Standardwert und Beschreibung. Über Tags lässt sich festlegen, welche Eigenschaften nur auf bestimmten Notizentypen (z.B. Daily Notes) erscheinen. Visualisierungen werden separat konfiguriert und können angepasst werden.

  Nutzungsfall:

  Der Creator nutzt es zur Dokumentation seiner Gesundheit (für ärztliche Beratung bei Gesundheitsproblemen) und zur Konsistenzüberwachung. Das Plugin ist nicht auf Gesundheit beschränkt – es eignet sich auch für Produktivitätsmetriken wie tägliche Publikationen oder Arbeitsziele. Die Daten bleiben vollständig lokal auf dem Computer im Textformat.

  Das Plugin muss aktuell noch manuell von GitHub installiert werden, soll aber bald als offizielle Community-Plugin verfügbar sein.

  Demo & Konfiguration eines Open-Source-Obsidian-Plugins – zeigt ein praktisches Produktivitäts- und Health-Tracking-System mit Fokus auf benutzerfreundliche Dateneingabe und Visualisierung.

Simone Rizzo (2 neues Videos)

• Il MIT ha risolto il problema dei prompt lunghi
  9.1.2026, 17:02:05

  Das MIT hat ein neues Forschungspapier veröffentlicht („Recursive Language Models” vom 31. Dezember 2025), das das Problem der begrenzten Context Windows bei Large Language Models löst. Dabei können Modelle wie GPT-5 normalerweise maximal 400.000 Token verarbeiten, Claude Opus 200.000 und Gemini ebenfalls 400.000 – alles darüber hinaus führt zu Fehlern.

  Die Lösung ist elegant: Statt den Prompt als reinen Text zu behandeln, wird er als externe Umgebung modelliert, auf die das LLM programmatisch zugreifen kann. Der Prompt wird als Python-Variable geladen, und das Modell schreibt rekursiv kleine Code-Snippets (Regex-Muster, for-Schleifen, Keyword-Suche), um relevante Textabschnitte zu durchsuchen und zu analysieren – ähnlich wie ein Mensch erst das Inhaltsverzeichnis eines Buches studiert, statt alles zu lesen. So lässt sich eine beliebig lange Eingabe verarbeiten, sogar 10 Millionen Token.

  In Benchmarks zeigt sich die Überlegenheit: Während GPT-5 bei über 524.000 Token zu kollabieren beginnt, behält RLM die Performance stabil bis zu einer Million Token. Das wird in einer praktischen Demo gezeigt – ein „Needle-in-Haystack”-Experiment mit einer halben Million Zeilen Text, in denen die Modelle Claude, ChatGPT und Gemini scheitern, während RLM die versteckte Information (die Zahl 2001114) durch mehrere rekursive Code-Ausführungsschritte erfolgreich findet. Die Implementierung nutzt die offizielle Repository und zeigt, dass Forscher auch eine minimierte Version („RLM minimal”) bereitgestellt haben.

  Halbsatz: Das Video demonstriert die Technik an GPT-5, Claude und Gemini und kombiniert theoretische Erklärung mit praktischem Code-Experiment – Demo/Tutorial-Format.

• La Cina sta vincendo la corsa all’AI? 3 Nuovi modelli e Riflessione…
  6.1.2026, 20:37:10

  Zusammenfassung: Gewinnt China das AI-Rennen?

  Das Video präsentiert drei neue chinesische Large-Language-Modelle und reflektiert über Chinas Position im globalen AI-Wettbewerb.

  GLM 4.7 (Zhipu, 22. Dezember) verbessert vor allem die Code- und Web-Generierung: generiert saubere UI-Designs, komplexere Simulationen und realistische Artefakte (Portfolios, Galerien, animierte Partikel). Die Benchmarks zeigen leichte Überlegenheit gegenüber Deepseek V3.2 und Annäherung an ChatGPT 5.1. Die zentrale Innovation ist das „Interleaved Thinking” – der Modell reasoning process wird über mehrere Turns durchgeführt, speichert vorherige Überlegungen und führt mehrschichtiges Reasoning pro Step durch. Das Modell hat 358 Milliarden Parameter und ist auf OpenRouter und Hugging Face verfügbar.

  Mimo V2 Flash (Xiaomi, 16. Dezember) nutzt Mixture-of-Experts-Architektur: insgesamt 309 Milliarden Parameter, aber nur 15 Milliarden aktiv – dadurch extrem effizient, 150 Token pro Sekunde bei niedrigen Kosten. Besonderheiten: Sliding-Window-Attention beim Input und Speculative Multi-Token-Prediction bei der Generation. Performance ähnlich GLM 4.7 (84,9 vs. 84,3), aber deutlich schneller. Kostenlos auf Hugging Face und gratis auf OpenRouter.

  iQiyi Coder V1 (3. Januar, gerade veröffentlicht) behauptet, Claude Sonnet 4.5, Kimi K2, GPT-5.1 auf diversen Benchmarks (BFCL, MIND, Agentic Code) zu schlagen – mit nur 40 Milliarden Parametern (15x kleiner). Besonderheiten: Multistage-Training (von generischem zu hochwertigem zu komplexem Code), Dual Post-Training (separate Instruction-Completion und Reasoning-Versionen), Loop-Architektur für besseres Token-Throughput. Lässt sich auf MacBook Pro mit 24 GB RAM quantisiert ausführen. Kostenlos auf Hugging Face.

  Kernreflexion: Die Leaderboards der Open-Source-Modelle sind von chinesischen Laboren dominiert (Alibaba, Xiaomi, Deepseek, Zhipu). Der Sprecher argumentiert, dass China trotz massiver GPU-Beschaffungshürden und ohne proprietären Vorteil aufgeholt und teils überholt hat – durch konzentrierte Arbeit, nicht durch überlegene Methoden. Die größte Bremse ist der Zugang zu Chips; Gerüchte deuten auf chinesische Eigenentwicklung hin, auch beim Reverse-Engineering von ASML-Lithografie-Prozessen. Der Sprecher deutet an, dass dies ein geopolitischer Kampf um KI-Vorherrschaft ist, mit direkten Konsequenzen für globale Entscheidungsfindung. 2026 soll das Jahr der chinesischen AI-Dominanz werden.

  Technisch erwähnt: GLM 4.7, Mimo V2 Flash, iQiyi Coder V1, Deepseek, Claude Sonnet, GPT-5.1, Kimi K2, Open Router, Hugging Face. — Meinung/Reflexion.

Tech With Tim (2 neues Videos)

• Django FULL Project Build – YouTube Clone | ImageKit, Authentication, Uploads, & More…
  8.1.2026, 13:45:10

  Django YouTube-Klon – Vollständiges Projekt

  Das Video zeigt den Aufbau eines YouTube-Klons mit Django von Grund auf. Nach einer Demonstration der fertigen App (mit Video-Upload, Likes/Dislikes, Channel-Seiten, Views) folgt ein detailliertes Tutorial über mehrere Kapitel hinweg.

  Authentifizierung & Setup: Der Aufbau beginnt mit Projekt-Initialization via UV, Installation von Django und ImageKit (Sponsor für Video-/Foto-Optimierung). Es wird eine accounts-App für User-Authentication gebaut: Custom-Registrierungs-Form mit Email-Feld, Views für Register/Login/Logout basierend auf Djangos Built-in Auth-System. Die Templates (Login, Register, Logged-Out) werden mit Fehlerverwaltung und Redirect-Logik aufgebaut; die Navigationsleiste prüft, ob User authentifiziert ist, und zeigt unterschiedliche Links (Upload-Button für angemeldet, Sign-In/Sign-Up sonst).

  Video-App-Grundlagen: Eine zweite App videos wird erstellt für Video-Upload, -Anzeige und -Verwaltung. Das Video-Modell wird definiert mit Feldern für User (ForeignKey), Title, Description, Video-Datei, Thumbnail, Views-Count, Likes/Dislikes und Timestamps. ImageKit wird verwendet, um Videos und Thumbnails zu optimieren und schnell zu laden – mittels Streaming-Techniken und adaptiver Bitrate.

  Templates & Struktur: Base-Template wird mit Jinja2-Blöcken aufgesetzt (Title, CSS, Content, JS), statische CSS-Dateien von einem Repository kopiert. Forms und Models sind vorbereitet für das Upload-Feature, das später konfiguriert wird.

  Das Transkript bricht ab, bevor Video-Upload, Models vollständig, Views und URLs für Videos finalisiert werden – diese Features würden im restlichen Video implementiert.

  Tools: Django, Python, ImageKit SDK, PyCharm (IDE-Partnerschaft), UV (Paket-Manager) — Tutorial, für fortgeschrittene Django-Anfänger.

• I Asked an Uber Tech recruiter if CS Grads are Cooked…
  6.1.2026, 14:01:20

  Ein ehemaliger Senior Technical Recruiter von Uber namens Caitie wird interviewt zum aktuellen Tech-Jobmarkt 2025/2026. Ihre wichtigsten Aussagen:

  Marktlage: Die Anzahl der verfügbaren Rollen ist gesunken, dafür ist der geforderte Standard gestiegen. Unternehmen stellen deutlich höhere Anforderungen an Kandidaten und sind bei der Kompensation restriktiver. Allerdings existieren Entry-Level-Positionen noch, etwa bei Meta für 200K-Jobs – man muss sie nur aktiv suchen und nicht nach wenigen Ablehnungen aufgeben.

  AI und Jobsicherheit: AI hat reale Auswirkungen (Stichwort Salesforce-Layoffs), betrifft aber eher Marketing und Sales. Für Ingenieure kann AI die Produktivität erhöhen. Sie sollten AI jedoch intelligent nutzen – zur Ideenfindung und Code-Reviews –, nicht zum Schummeln bei Coding Assessments, da Unternehmen inzwischen strikte AI-Policies in Interviews haben. Transparent darüber zu sprechen, wie man AI einsetzt, ist in Interviews unbedenklich.

  Hot Niches: Security und Infrastructure sind stark nachgefragt, besonders wegen KI-Infrastrukturanforderungen (Meta baut Rechenzentren, OpenAI stellt massenweise ein). Mobile bleibt interessant. Backend wird deutlich stärker gesucht als Frontend oder Full-Stack – teilweise 4x mehr Backend-Rollen bei Uber.

  Ausblick: Der Markt wird sich erholen, aber nicht auf das Niveau von 2020-2021 zurück. Es ist ein zyklisches Auf und Ab (analog zur Finanzkrise 2008). Der höhere Qualitätsstandard bleibt, das Volumen könnte sich langsam normalisieren.

  Wettbewerbsvorteil: Junior-Developer sollten sich durch unbekannte Technologien abheben (Java, C++, Security statt Python/React) und ihre Projekte mit Business-Impact und echtem Reasoning begründen, nicht einfach zum Portfolio füllen.

  Meinung/Reflexion zum Tech-Jobmarkt mit Insider-Perspektive einer Uber-Recruiterin; keine Tools oder Plattformen namentlich erwähnt.

TheAIGRID (3 neues Videos)

• Can This AI Breakthrough Bring DeepSeek Back?
  8.1.2026, 23:54:08

  Zusammenfassung

  DeepSeek ist mit einem neuen Paper zurück, das sich mit einem technischen Problem bei sogenannten Hyperconnections befasst. Das Kernproblem: Bei dem Versuch, AI-Modelle intelligenter zu machen, indem man komplexere Verbindungen zwischen Schichten hinzufügt, werden diese Modelle instabil – Gradienten explodieren, Trainingsprozesse crashen. Normale Transformer nutzen Residualverbindungen (jede neue Schicht merkt sich die vorherige Information), was Stabilität ermöglicht. Hyperconnections sollten mehrere Informationsströme gleichzeitig verarbeiten, was theoretisch besser sein könnte, führt aber zu unkontrollierter Verstärkung und Dämpfung dieser Signale über viele Schichten hinweg.

  DeepSeek entwickelte MHC (Manifold Constrained Hyperconnections), um dieses Problem zu lösen: statt Signale frei zu verstärken oder zu dämpfen, werden sie nur umverteilt – die Gesamtsignalstärke bleibt erhalten. Dies geschieht durch drei mathematische Regeln für die HC-Matrix (alle Werte positiv, keine Signalauslöschung, Reihen- und Spaltensummen gleich eins). So bleibt die Stabilität während des Deep-Learning-Trainings erhalten, während die zusätzliche Intelligenz erhalten bleibt.

  Der größere Kontext: AI-Fortschritt wurde bislang durch mehr Daten, Rechenleistung und Modellgröße erreicht – alles wird wirtschaftlich unsustainabel. DeepSeek sucht nach Wegen, Intelligenz durch clevere Architektur statt Brute-Force-Compute zu skalieren.

  Zu DeepSeeks weiteren Plänen: Das Unternehmen konzentriert sich laut Gründer Liang Wenfang auf Mathematik, Code und Multimodalität als Testbetten für AGI, sowie natürliche Sprache. Die DeepSeek R1-Modelle werden innerhalb eines Lebens entwickelt, möglicherweise innerhalb von 2-5 oder 10 Jahren. Das erwartete R2-Modell wurde mehrfach verschoben und soll frühestens Anfang 2026 kommen, weil Liang mit der Performance unzufrieden ist und US-Exportbeschränkungen auf Huawei-Chips Trainingsprobleme verursachen.

  Zentrale Probleme, die oft übersehen werden: Die US-Regierung wirft DeepSeek vor, unbefugt Modelle von OpenAI destilliert zu haben. Sicherheitsforscher entdeckten versteckten Code, der Nutzerdaten an Chinas staatliche Telekommunikation übertragen kann. Deepseeks App blockiert nur 70% schädlicher Prompts (vs. 90-95% bei Konkurrenten). Alle Daten werden in China unter chinesischem Recht gespeichert, das Geheimdiensten Zugriff erzwingt. Das Modell selbst ist zensiert: es weigert sich, über Tiananmen Square zu sprechen, gibt CCP-konforme Antworten zu Taiwan und kann Chinas Regierung nicht kritisch bewerten. NASA, Pentagon, Marine, sowie Behörden in Australien, Taiwan, Südkorea, Texas, Virginia und Italien haben DeepSeek gebannt; Frankreich, Irland und die Niederlande untersuchen es regulatorisch.

  Widerspruch: DeepSeek ist 27-mal günstiger als OpenAI und erreicht auf einigen Benchmarks Konkurrenzleistung, hat also die drei Annahmen (teuer, brute-force-abhängig, nur drei Western Labs) der bisherigen Frontier-AI-Entwicklung herausgefordert. Doch ungeklärt bleibt, ob die angegebenen Trainingskosten von 6 Millionen Dollar vollständig sind, ob das Unternehmen unter Export-Kontrollen nachhaltig innovieren kann, und ob Nutzer einem Modell trauen können, das in China sitzt, Sicherheitstests nicht besteht und Zensur erzwingt.

  Abschluss: DeepSeek und sein technisches Durchbruch werden thematisiert, die Meinung/Reflexion argumentiert, warum dieser Durchbruch auch unter geopolitischen und Sicherheitsbedenken relevant ist — News-Update und Reflexion gemischt.

• The Most Stunning AI Announcements From CES 2026
  7.1.2026, 22:54:17

  CES 2026: Die wichtigsten KI- und Robotik-Ankündigungen

  Boston Dynamics Atlas erhielt das größte Upgrade: Der humanoid Roboter wird jetzt als Produktversion für Fabrikarbeit verkauft (bereits an Hyundai und Google verkauft). Mit 156 Bewegungsfreiheitsgraden, 360-Grad-Gelenkrotation und einer Traglast von etwa 50 kg ist er effizienter als frühere Versionen. Das Entscheidende: Ein Brain-Upgrade durch Google DeepMind und Gemini ermöglicht es Managern, den Roboter per Sprachbefehl zu steuern statt Code zu schreiben. Der Robot kann eigenständig Probleme lösen, passt seine Route an, wenn Personen im Weg sind, und arbeitet kontinuierlich mit austauschbarem Akku. Mit IP67-Rating und Temperaturbeständigkeit (-20°C bis +40°C) ist er für harte Fabrikbedingungen ausgelegt.

  LG Cloid ist ein heimischer Humanoid-Roboter mit „Affective Intelligence”: zwei Arme mit sieben Freiheitsgraden pro Arm, fünf Finger pro Hand, höhenverstellbarer Mittelteil und Räder für Stabilität. Ein Display-Gesicht zeigt Emotionen. Besonderheit: Physical AI ermöglicht es, Aufgaben wie Wäschefalten zu erledigen, ohne Dinge zu beschädigen. Der Roboter verknüpft sich mit Smart-Home-Geräten (Backofen, Kühlschrank, Waschmaschine). Demos zeigten Wäschefalten und Frühstücksvorbereitung. Gebaut mit Nvidia-Chips, bleibt aber noch Prototyp.

  Omnia Health Mirror (Konzept): Ein 360°-Körper-Scanning-System mit hochtech-Spiegel und sensorbestücktem Bodenmatte. Bioimpedanz-Messungen zeigen in einer Minute über 60 Biomarker: Herzalter, Vaskuläres Alter, EKG, Wasserspeicher in Zellen. Ein KI-Sprachassistent analysiert Daten, schlägt tägliche Ziele vor und kann bei Anomalien einen echten Arzt verbinden. Das Konzept wird zunächst in die Omnia Body Scan 2 (verfügbar ca. Q2 2026, ~$600) integriert – eine intelligente Waage, die in 90 Sekunden 60+ Biomarker misst, Herzeffizienz via Impedanz-Kardiographie berechnet, blutdruckloses Hypertonierisiko erkennt und Pre-Diabetes-Warnsignale erfasst. Ein Health-Trajectory-Score nutzt KI, um zukünftige Gesundheit vorherzusagen.

  Motorola Project Maxwell ist ein minimalistisches, bildschirmloses tragbares Gerät an einer Kette oder Anstecknadel. Es hat eine kleine Kamera, Mikrofon-Array und keinen Display – Interaktion erfolgt per Stimme oder Geste mit Feedback über Lautsprecher oder Bluetooth-Ohrhörer. Das Brain: Moto’s neue Cora (Lenovo-Motorola KI-Plattform). Das Gerät fungiert als Phone- und PC-Begleiter, nutzt Multimodal-Wahrnehmung (Bild+Audio) und offene Faktenbank. Demos zeigten: Konzertflyer fotografieren → Google Maps öffnet sich automatisch; Konferenz-Keynote zusammenfassen; Objekte/Pflanzen identifizieren, fremde Speisekarten übersetzen. Late 2026 geplant, kein Preis/Datum angekündigt.

  Razer Project Ava ist ein Desktop-KI-Begleiter: Ein kleines Gerät mit animiertem 5,5″-Avatar (mit Mikrofon, Kamera, Vision-Mode für Bildschirmanalyse). Positioniert als Gaming-Coach, Lebens-/Arbeitsassistent und Desk-Companion mit verschiedenen Avataren (Kira, Zayn) inkl. Eye-Tracking und Lip-Sync. Mit USB-Verbindung kann es sehen, was du spielst/tust, und reagiert darauf. Läuft auf xAI’s Grok. Reservierung ab $20 (refundierbar), Release H2 2026.

  Razer Project Mako sind KI-Kopfhörer mit Kameras in den Ohrmuscheln – zwei First-Person-Kameras für Objekterkennung. Mehrere Mikrofone erfassen Sprachbefehle und Umgebungsgeräusche. Snapdragon-Chip, Always-On-Assistent. Kann Schilder übersetzen, Dokumente zusammenfassen, Objekte erklären, bei Aufgaben coachen. Verbindet sich mit OpenAI, Google, xAI.

  Samsung AI TV (Flagship 130 Zoll): Eine „Vision AI Companion” (VAC). Der TV nutzt MicroRGB-Technologie (Millionen mikroskopischer RGB-LEDs statt Backlight) für perfekte Schwarzwerte wie OLED bei extremer Helligkeit. KI-Features: Konversativer Assistent statt nur Suche; Kontextbewusstsein (z.B. Kochshow-Rezept→direkt ans Smartphone); Sportmodus mit Ball/Spieler/Crowd-Soundtrennung (Kommentator stumm schalten möglich); Live-Übersetzung von Videos in andere Sprachen; 4K bei 165 Hz; KI-Upscaling für alte Spiele. 7 Jahre Software-Updates garantiert.

  Neo Pen (~$299–349) ist ein Stift mit Kamera in der Spitze, Bewegungssensoren und Druckerkennung. Erfasst Handschrift auf Papier, transkribiert digital, durchsuchbar, mit KI-Assistent. Relevant, weil OpenAI ein ähnliches Gerät entwickelt.

  Nvidia Rubin ist das nächste KI-Rechenzentrum-Plattform nach Blackwell: Sechs Chips (Vera CPU, Rubin GPU, NVL Link etc.) als KI-Supercomputer designed to reduce inference costs while speeding up training. Zielt auf Always-On-Reasoning und Agenten ab (Token-Cost-Reduktion im Fokus).

  Nvidia Alpameo ist ein 10-Milliarden-Parameter Vision-Language-Action-Modell für autonomes Fahren (Training im Simulator Alpa Sim). Das Modell sieht (Vision), erklärt intern was geschieht (Language), wählt Aktion (Steuerung). Nvidia positioniert Alpameo als „ChatGPT-Moment für Physical AI” – Ansatz anwendbar auf Lieferroboter, Lagerroboter, Humanoids, Drohnen.

  Gesamteindruck: Das Video ist ein News-Roundup von CES 2026, das hauptsächlich Hardware-Ankündigungen abdeckt. Boston Dynamics mit Google Gemini-Brain, LG mit Nvidia-Chips, Samsung mit integrierter KI (Microsoft, Perplexity), Razer mit xAI Grok, Motorola mit eigenem Cora sowie Nvidia-Ökosystem stehen im Mittelpunkt. Der Fokus liegt auf Physical AI (Roboter, Wearables, Smart-Devices) statt nur Sprachmodelle. — News-Update mit Schwerpunkt auf Hardware-Ankündigungen; explizit genannt: Google DeepMind/Gemini, xAI Grok, OpenAI (als Referenz), Nvidia, Microsoft, Perplexity, Qualcomm Snapdragon.

• OpenAI’s AI Pen Might Be the First AI Device That Works
  5.1.2026, 13:49:37

  OpenAI’s AI Pen (Codename: Gumdrop) – Chancen und Risiken

  OpenAI entwickelt unter dem Codenamen „Gumdrop” einen KI-gesteuerten Stift, der 2026 oder 2027 auf den Markt kommen soll und neben Smartphone und Laptop als drittes Kerngerät positioniert wird. Nach der Übernahme des Startups Jony Ive’s Designstudio (ca. 6,5 Milliarden Dollar in Aktien, 55 Ingenieure) liegt der Fokus auf einem bildschirmlosen, minimalistischen Design in der Größe eines iPod Shuffle mit Kamera, Mikrofonen, Handschrift-zu-Text-Konvertierung, bidirektionaler Sprachkommunikation und lokaler sowie Cloud-basierter KI-Verarbeitung. Das Gerät soll in Vietnam oder möglicherweise den USA hergestellt werden (nicht in China).

  Das Video stellt dies jedoch in den Kontext früherer Misserfolge: Der Humane AI Pin ($699 + $24/Monat) verkaufte sich katastrophal (ca. 10.000 statt 100.000 geplante Einheiten) und wurde nach HP-Übernahme eingestellt; der Rabbit R1 ($199) hatte nach fünf Monaten nur ~5.000 aktive Nutzer von 100.000 Vorbestellern. Beide versprachen, das Smartphone zu ersetzen oder zu ergänzen – und beide scheiterten daran, dass sie ein Problem lösten, das niemand hatte.

  Die zentrale Herausforderung: Menschen zu überzeugen, ein zusätzliches Gerät täglich mitzunehmen, zu laden und möglicherweise zu bezahlen. Notizen macht man schneller getippt als handschriftlich, Sprachmemos existieren bereits im Smartphone, Fragen an ChatGPT sind bereits mobil verfügbar. Der Stift adressiert keinen echten Schmerz – und Early Adopter (die Zielgruppe) sind bereits durch Humane und Rabbit verbrannt. Weitere Risiken: wahrscheinlich hoher Preis (Prognose $400–$600+, möglicherweise mit ChatGPT-Abo), Datenschutz-Bedenken (Always-On-Kamera und Mikrofon, Uploads zu OpenAI-Servern, Sicherheitslücken bei früheren AI-Hardware-Produkten) und die Frage, warum OpenAI nicht Smartglasses macht, wenn Meta (2+ Millionen Einheiten, 73% Marktanteil), Google (2026), Apple (2027) und Snapchat alle auf Brillen setzen.

  OpenAI hat jedoch Vorteile: Sie bauen auf der besten Consumer-AI auf, Jony Ive hat eine Erfolgsbilanz, sie hatten Zeit bis 2026/2027 zum Iterieren und lernen aus Fehlern, und die Positionierung als Ergänzung statt Ersatz senkt Erwartungen. Die Vorhersage des Sprechers: wahrscheinlich ein Nischenprodukt für OpenAI-Enthusiasten und Design-Nerds, kein Mainstream-Hit – weil der Use-Case nicht überzeugend genug ist und die Industrie bereits auf Brillen konvergiert.

  Demo/News-Update zu OpenAI’s Gumdrop-Stift mit Diskussion der Hardware-Erfolgs- und Fehlgeschichte; kritische Analyse ohne explizit andere KI-Modelle zu nennen.

Theo – t3․gg (6 neues Videos)

• Anthropic just burned so much trust…
  10.1.2026, 07:11:58

  Anthropic hat begonnen, Nutzer zu sperren, die ihre Claude-Code-Abos über Drittanbieter-Apps wie Open Code oder Cladbot verwenden. Der Creator war vorgewarnt, dass dies kommen könnte, nennt es aber trotzdem einen massiven Vertrauensbruch. Das Claude-Code-Abo ($100/Monat für 5x Limits, $200 für 20x) subventioniert Nutzer durch Cross-Querfinanzierung: günstige Plan-User zahlen deutlich weniger als die Infrastrukturkosten, während teure Plan-User zu Verlusten führen – gewöhnlich wird das durch Einkommen aus anderen Quellen und API-Nutzern wie dem Creator finanziert.

  Das Problem ist laut Creator weit über technische Beschränkungen hinaus ein Lock-in-Play: Anthropic sperrt bewusst die Nutzung von Abos in besseren oder präferierten Tools, um Entwickler in ihr geschlossenes SDK-Ökosystem zu zwingen. Das Unternehmen verbietet auch Tools von konkurrierenden Firmen (etwa xAI-Mitarbeitern wurde Cursor-Zugang gekappt). Der Creator kritisiert Anthropics Muster aus DMCAs gegen GitHub, willkürlichen Bans und aggressivem Marktverhalten als anti-kompetitiv – ein Diapers.com-ähnliches Spiel: Anthropic subventioniert Usage strategisch, um offene Lösungen zu ersticken, statt mit besseren Produkten zu konkurrieren.

  OpenAI und Google hingegen arbeiten offen mit Open Code zusammen. Der Creator fordert Anthropic auf, Claude-Code open zu sourcen, diese Entscheidung rückgängig zu machen und Drittentwickler zu unterstützen statt auszugrenzen – und warnt, dass trotz Opus’ Überlegenheit bei Coding-Aufgaben eine bessere Alternative nicht schnell genug kommen kann.

  Claude (Anthropic) explizit kritisiert; News-Update/Meinung.

• The Tailwind drama
  8.1.2026, 10:46:21

  The Tailwind Drama – Zusammenfassung

  Tailwind CSS hat massive wirtschaftliche Probleme durch AI bekommen: Die Umsätze sind um 80% eingebrochen, weshalb das Unternehmen heute 75% seiner Ingenieur-Mannschaft entlassen musste – konkret drei von vier Personen. Das ist eines der ersten direkten Beispiele dafür, dass AI unmittelbar Arbeitsplätze kostet, nicht nur spekulativ, sondern weil tatsächliche Einnahmen wegfallen.

  Tailwind verdient Geld primär über zwei Kanäle: Sponsorships und kommerzielle Produkte wie Tailwind Plus (Templates und UI-Kits) sowie das Refactoring-UI-Buch. Das Modell war lange Zeit nachhaltig, funktioniert aber nicht mehr, weil AI-Modelle wie Claude jetzt gut genug in Tailwind-Design sind – Nutzer kaufen die Templates nicht mehr und brauchen keine Dokumentation für kommerzielle Features, wenn sie per AI alles generieren können. Die Dokumentations-Besuche sind sogar um 40% seit Anfang 2023 gesunken, obwohl Tailwind selbst beliebter ist als je zuvor.

  Der Auslöser für die öffentliche Diskussion war ein PR zur Unterstützung von LLM-Endpoints für besseres AI-Training auf Tailwind-Docs. Adam Wathan lehnte diesen PR ab – nicht wegen philosophischer Bedenken, sondern weil er gezwungen ist, jede Sekunde seiner Zeit für Geschäftssanierung zu nutzen statt Community-Features zu bauen, um die verbliebenen Mitarbeiter zu bezahlen. Die Realität: Trotz massiven Tailwind-Wachstums gibt es keine Korrelation mehr zwischen besserer Usability und Revenue.

  Der Sprecher sieht hier ein Struktur-Problem für das gesamte Open-Source-Ökosystem: Die alten Monetarisierungsmodelle (Templates verkaufen, Consulting, Premium-Module) können AI-Tools mit bestehenden Subscriptions (Cursor, Claude) einfach ersetzen. Bun wurde von Labs aufgekauft, aber es ist unklar, wie Tailwind überleben soll. Der Appell endet mit einer eindringlichen Bitte: Unternehmen sollten Tailwind sponsern, Entwickler das Refactoring-UI-Buch kaufen, und die gesamte Industrie muss sich fragen, wie sie Open-Source-Projekte finanziert, auf denen alles aufbaut – bevor AI diese Projekte zerstört, ohne dass sie ersetzt werden.

  Demo + Meinung/Reflexion mit persönlicher Urgency; keine spezifischen AI-Tools als Lösungen thematisiert, aber Claude und Cursor als Beispiele für Konkurrenz genannt.

• I moved off of Next.js
  7.1.2026, 10:42:44

  Zusammenfassung: I moved off of Next.js

  Der Entwickler beschreibt, warum sein Team T3 Chat von Next.js zu TanStack Start migriert hat – ein Prozess, bei dem 14.000 Zeilen hinzugefügt und 10.000 entfernt wurden.

  Die ursprüngliche Wahl von Next.js basierte auf konkreten Anforderungen: maximale Geschwindigkeit der App, skalierbare Codebasis, Frontend-Backend-Synchronisation (damit Versionskonflikte nicht zu Datenverlust führen), TypeScript end-to-end und ein einfaches gemeinsames Deployment. Der Entwickler setzte jedoch React Router statt des Next.js-Routers ein und nutzte Rewrite-Regeln, um Next.js zu „zwingen”, sich wie eine Single-Page-App zu verhalten – ein „cursed” Hack, der bald zeigte, dass Next.js die falsche Grundarchitektur für diesen Use-Case bot.

  Von März 2024 an erkundete er Alternativen: Remix scheiterte beim Cloudflare-Deployment, React Router Server war schlecht dokumentiert, ein Vite+Hono-Setup auf Cloudflare zwang ihn, undokumentierte Konfigurationen rückzuentwickeln, und er stieß auf Worker-Bundle-Size-Limits. Parallel explorierte Tanner Gibb (TanStack-Gründer) seit Februar eine TanStack-Start-Migration auf Basis des React-Router-Hacks – zunächst experimentell, dann iterativ verbessert.

  Nach Migrationen der Datenschicht zu Convex (Mai/Juni) und der Auth zu Workos kam schließlich Julius mit der vollständigen TanStack-Start-Rewrite. Das Team traf jedoch auf erhebliche Deployment-Probleme: Bei ~60% Rollout trat ein Fetch-Fehler auf, weil TanStack’s lazy bundling von Routes zu Speicherlecks und „too many files”-Fehlern führte. Puya (Nitro Lead Maintainer bei Vercel) half, indem das Team Nitro-Route-Handler einsetzte – sie patchen TanStack Start, um das interne H3-Event-Binding zu exportieren und definieren API-Routen außerhalb von TanStack, sodass faktisch ein Vite+Nitro-Setup innerhalb von TanStack Start entstand.

  Details der neuen Architektur: File-basiertes Routing mit Typesicherheit (Dateiänderungen triggern automatische Codegen-Updates), der max_duration: 799-Hack bleibt bestehen (um Chat-Requests in Fluid Compute zu isolieren), SSR ist aktiviert (bessere First-Load-Performance, aber der Entwickler bleibt skeptisch). Der Routing-Typ ist jetzt sicherer – Thread-IDs in URLs werden automatisch in Loaders und Komponenten typisiert.

  Das Team tauschte einen Satz Hacks gegen einen anderen ein, nicht aus Nächstenliebe zu TanStack, sondern weil die Next.js-Missbrauchsmuster unhaltbar wurden. Next.js wird gelobt für Rückwärtskompatibilität; der Umzug war unabhängig von der kürzlichen Vercel-Security-Kritik. Fazit: Bei großem Scale sind Teamverständnis und technische Anforderungen wichtiger als Frameworks – es gibt keine universell „richtige” Wahl.

  Tools/Anbieter explizit thematisiert: Next.js, TanStack Start, React Router, Vercel, Fluid Compute, Convex, WorkOS, Cloudflare, Hono, Nitro, Fastify, Remix, Vite | Format: Meinung/Reflexion – Deep-Dive-Hybrid mit technischer Analyse | Niveau: ungewöhnlich tief (Enterprise-Scale-Infrastruktur, Vercel-Internals, Bundling-Probleme).

• I’m addicted to Claude Code (i get it now)
  6.1.2026, 10:32:28

  Der Nutzer ist begeistert von Claude Code und beschreibt seinen Workflow über die Weihnachtspause, in dem er durch die verdoppelten Rate Limits und Opus 4.5 fundamental neue Möglichkeiten entdeckte. Er baute mehrere vollständige Projekte ohne IDE – darunter eine Web- und React-Native-Mobile-App als Monorepo mit Turbo Repo, eine Image-Studio-App mit Convex-Backend und eine Chrome-Extension (Claude Blocker) zur Produktivitätssteigerung. Dabei beschreibt er die Besonderheit des Werkzeugs: Es ermöglicht nicht nur besseres Code-Completion, sondern fundamentale Produktivitätssteigerung durch lange Kontexte in einzelnen Sessions – Claude merkt sich den Codebase-Status zwischen Anfragen und kann mehrstündige Aufgaben autonom durchlaufen.

  Zentral ist seine These, dass Claude Code sein ganzes Verständnis von Code-Entwicklung ändert – nicht weil neue Dinge möglich werden, sondern weil plötzlich Projekte viable sind, die vorher zu aufwändig waren. Er nutzt es auch für Systemkonfiguration (JJ statt Git, Shell-Skripte, Zsh-Updates), nicht nur Codebases. Mit dem „allow dangerously”-Modus lädt er es die Berechtigungen großzügig – unterstützt durch die Claude Code Safety-Net-Plugin gegen Datei-System-Destruktion. Er betont aber: Das Tool ist signifikant besser für Personen mit Coding-Erfahrung; für Anfänger schwächer. Am Rande erwähnt er, dass er trotzdem Cursor bei bestehenden, komplexeren Projekten mag. Nach aggressivem Testen (mehrere Instanzen parallel) zahlte er 200 Dollar Abonnement für geschätzt 1500 Dollar Inference – ein Preis-Performance-Verhältnis, das er liebt, aber auch kritisiert, weil API-Kunden diese Subvention finanzieren.

  Claude, Opus 4.5, Convex, Shadcn, und Cursor erwähnt; Meinung/Reflexion mit persönlicher Demo und Deep-Dive ins veränderte Workflow.

• I can’t believe he was right.
  5.1.2026, 08:33:43

  Der Sprecher greift eine Aussage von Daario Amodei (CEO von Anthropic) aus März auf, dass KI in 3–6 Monaten 90% des Codes schreiben würde – eine Vorhersage, die sich als zu optimistisch erwies (es dauerte neun Monate), aber grundsätzlich korrekt war. Boris, der Lead-Entwickler von Claude Code, schreibt inzwischen 100% seiner Beiträge (259 PRs in 30 Tagen) mit Claude Code und Opus. Der Sprecher selbst bestätigt diese Erfahrung: Er baute eine Chrome-Extension, ein Image-Generation-Studio und eine Mobile-App – alles mit Claude Code, teilweise ohne jemals einen Editor zu öffnen.

  Die zentrale These: Daario hatte recht, aber der wichtige Teil wird oft übersehen. Aktuelle Studien zeigen, dass 30% des Codes bei Microsoft und über 25% bei Google von KI stammt. Bemerkenswerterweise berichten 32% der Senior Developer, dass mindestens die Hälfte ihres Codes von KI kommt – ein Paradigmenwechsel. Der Grund liegt nicht darin, dass Junior-Devs Skill-Lücken füllen, sondern dass erfahrene Entwickler diese Tools nutzen, um Zeit einzusparen und mehr Ideen umzusetzen, die vorher in Backlogs verschwunden wären. Der Sprecher warf in einem Tag 12.000 Codezeilen hin – was gegen die typischen 10–40 Lines pro Tag spricht, aber bei Betrachtung von Code-Review-Zyklen realistisch ist.

  Die Joblandschaft verschiebt sich: Nicht Feuerungen, sondern ein Rollenwechsel von Code-Schreiben zu Code-Review und Orchestration. Mark, der CTO des Sprechers, schreibt weniger Code, orchestriert stattdessen Teams – ein unbehagliches Gefühl, das aber Teil der Seniorität ist. Daario klärte später auf: Bei Anthropic schreiben 70–90% des Codes Claude-Modelle, aber Menschen werden zu „Managern von KI-Systemen”, nicht arbeitslos.

  Ein kritischer Punkt: AI-Code erzeugt 1,7x mehr Bugs (Studie über 470 PRs), und mit 90th-Percentile sogar 2x. Das verstärkt die Notwendigkeit von Code-Review. Ein größeres Problem ist die Junior-Dev-Pipeline: Früher lernten Anfänger durch viele Stunden Coding. Jetzt können sie sagen „zeig mir die Lösung” zum Model, ohne Grundlagen wie CSS Overflow-Verhalten oder Tooltip-Constraints zu verstehen. Der Sprecher sieht hier kein einfaches Rezept – er empfiehlt, Tools zur Delegation (nicht zur Fähigkeitslücke) zu nutzen, Code zu lesen, echte Projekte zu bauen und Tools wie Cursor im Ask-Mode oder Code-Crafters-ähnliche Plattformen zu nutzen.

  Abschließende Beobachtung: 61% des Publikums halten Opus 4.5 für einen besseren Engineer als sich selbst; die Veränderungsgeschwindigkeit (alle 3 Monate massive Shifts statt früher alle Jahre) ist exponentiell. Der Sprecher liebt Code mehr denn je, aber die Relationship hat sich fundamental gewandelt – von Editor-Stunden zu Orchestration, Prompting und Ideation.

  Claude Code, Opus und Anthropic thematisiert; Meinung/Reflexion mit praktischen Anwendungsbeispielen und Datenpoints.

• You’re logging wrong
  4.1.2026, 20:54:48

  Du loggst falsch – Eine Analyse moderner Logging-Praxis

  Das Video behandelt grundlegende Probleme mit traditionellem Logging und zeigt, wie man es richtig macht. Der Kernpunkt: Logs wurden für die Ära von Monolithen und einzelnen Servern entworfen, funktionieren aber nicht mehr in modernen, verteilten Systemen, wo eine Anfrage 15 Services, mehrere Datenbanken und Caches berührt.

  Die Hauptprobleme:

  Logs sind für das Schreiben optimiert, nicht für das Abfragen. String-Suche nach User-IDs funktioniert nicht, weil verschiedene Services die IDs unterschiedlich formatieren – und viele relevante Kontextinformationen werden gar nicht geloggt. Mit nur 13 gleichzeitigen Nutzern wird es unmöglich, zu verfolgen, welche Log-Zeile zu welchem Nutzer gehört. Bei 10.000 gleichzeitigen Nutzern entstehen 130.000 Log-Zeilen pro Sekunde, die meisten davon nutzlos. OpenTelemetry löst das nicht – es ist nur ein Transportprotokoll, kein Silbergeschoss.

  Die Lösung: Wide Events und Canonical Log Lines

  Statt auf jedem Schritt zu loggen, sollte man pro Request und Service ein einzelnes umfassendes Event emittieren – ein „Wide Event” mit 50+ Feldern. Dieses Event wird während der Request-Verarbeitung aufgebaut und am Ende emittiert, nicht schrittweise geloggt. Es sollte enthalten: Trace-ID, User-ID, Subscription-Tier, Business-Context (Order-ID, Zahlungsdetails), Infrastructure-Context (Git-Hash, Region, Deployment-ID), Error-Context (Fehler-Codes), Performance-Context (DB-Queries, Cache-Hits).

  Das macht Abfragen möglich statt Textsuche: Statt in Logs herumzugreifen kann man dann SQL schreiben wie „SELECT error_code, count(*) FROM events WHERE type=’payment_error’ GROUP BY error_code” – Ergebnisse in Subsekunden statt Archaeology.

  Kosten kontrollieren durch Tail Sampling:

  Mit 50 Feldern pro Request bei 10.000 RPS könnte die Observability-Rechnung explodieren. Tail Sampling bedeutet: immer Fehler behalten, immer langsame Requests (P99+), immer VIP-Kunden, den Rest zu 1–5% zufällig sampeln. Moderne spaltenbasierte Datenbanken (ClickHouse, BigQuery, Axiom) sind für hochkardinalige, hochdimensionale Daten gemacht – das Problem liegt bei Legacy-Systemen, die für Low-Cardality-String-Suche gebaut wurden.

  Praktisches Beispiel aus T3 Chat:

  Der Speaker zeigt, wie sein Team mit Effect und OpenTelemetry 42-mal über 15 Dateien hinweg Daten an den aktuellen Span annotiert – Chat-Thread-ID, Message-ID, Attachment-Typ etc. Am Ende ist ein Single Trace ein Single Event mit allem, was man zum Debuggen braucht, weitergeleitet vom Frontend zum Backend via Span-ID. Das Dashboard zeigt: 12.000 Spans pro Minute, durchschnittliche Image-Generation 60s, P99 knapp 1:25min – alles aus einem strukturierten, querybar gemachten Log.

  Mythen-Debunking:

  • Structured Logging ≠ Wide Events (JSON mit 5 Feldern hilft nicht)
  • OpenTelemetry allein ist keine Lösung
  • Logs sind nicht nur zum Debuggen; Wide Events treiben auch Dashboards an
  • High-Cardality-Daten sind teuer nur auf alten Systemen – moderne Datenbanken sind dafür gemacht

  Das Video schließt mit einem Vergleich: statt „Checkout fehlgeschlagen, lass mich 50 Services durchsuchen” jetzt „Zeig mir alle Checkout-Fehler für Premium-Nutzer in der letzten Stunde mit aktiviertem New-Checkout-Flow, gruppiert nach Error-Code – ein Query, Subsekunden, Root Cause identifiziert.”

  Fazit: Daytona, OpenTelemetry (als Protokoll), Axiom, ClickHouse, Stripe, PostHog, Convex, Effect – Meinung/Reflexion mit starkem Praxis-Tutorial-Anteil.

Tim Carambat

Keine neuen Videos in diesem Zeitraum.

Unsupervised Learning

Keine neuen Videos in diesem Zeitraum.

WorldofAI (7 neues Videos)

• Claude Canvas Turns Claude Code Into a Visual Terminal App!
  10.1.2026, 04:20:03

  Zusammenfassung

  Claude Canvas ist ein TUI-Toolkit, das Claude Code um dedizierte visuelle Oberflächen innerhalb des Terminals erweitert. Der Entwickler David zeigt drei Hauptanwendungsfälle: E-Mail-Verfassung mit strukturierter Anzeige (Von, An, CC, BCC, Betreff, Nachricht), Kalender-Integration zur Visualisierung gegenseitiger Verfügbarkeit für Meetings, und Flugbuchungsoptionen mit Sitzplatzübersicht und Vergleichsfunktion. Alle Interfaces rendern direkt im Terminal und ermöglichen bidirektionale Kommunikation zwischen Claude und dem Nutzer — sowohl über Tastatur als auch Mausinteraktion.

  Zur Installation benötigt man Bun, TMux, und Cloud Code mit Billing-Link. Der Plugin wird über den Cloud-Code-Marketplace installiert (/plugin marketplace-Befehl). Eine alternative Mac-spezifische Version nutzt iTerm2 und Apples Terminal-API für automatisches Positioning und glattere UX, funktioniert aber nicht auf Windows oder Remote-Verbindungen. Das Toolkit wird als Open-Source-Plugin bereitgestellt und soll die Arbeit mit Claude Code bei alltäglichen Aufgaben wie E-Mail-Entwürfen oder To-Do-Listen strukturierter darstellen.

  Kommentar: Claude, TMux und Cloud Code; Demo-Tutorial zu Installation und Anwendungsfällen.

• Claude Code 2.1 NEW Update IS HUGE! Sub Agents /skills, Claude Canvas, LSPs, & MORE!
  9.1.2026, 07:37:40

  Claude Code 2.1 Update – Zusammenfassung

  Das Transkript behandelt die neue Major-Version Claude Code 2.1 nach über 1.000 Commits, die eine Fülle neuer Features einführt:

  Kern-Neuerungen:

  • Automatisches Skill Hot Reloading: Skills können ohne Session-Neustart direkt geladen und verwendet werden.
  • Forked Sub Agents: Skills und Slash-Commands spawnen in isolierten Kontexten, ermöglichen parallele Task-Ausführung und sichere Experimente ohne Beeinträchtigung des Hauptagenten.
  • Asynchrone Agents mit Skills: Sub Agents können im Hintergrund arbeiten und Skills attached haben; der Control+B-Befehl detachiert sie, sodass sie unabhängig weiterlaufen.
  • Chrome-Integration: Cloud Code steuert einen realen Chrome-Browser direkt vom Terminal – ermöglicht End-to-End-Debugging, Web-Scraping und Live-Daten-Validierung während der Entwicklung.
  • Output-Stil-Konfiguration: Verschiedene Modi (z.B. straight-to-the-point oder erklärend) für unterschiedliche Workflows.
  • Hooks für Skills: Pre-Tool-Use, Post-Tool-Use und Stop-Logic im Skill Front Matter.
  • Ask User Question Tool: Claude stellt Klärungsfragen während der Session statt zu raten.
  • LSP-Support und asynchrone Agents zur umfassenden Code-Editor-Integration.

  Weitere Features:

  • Code Simplifier Agent (open-sourciert, über Plugin-Marketplace verfügbar)
  • Cloud Code direkt in der Cloud Desktop App mit besserer GUI
  • Teleport-Befehl zum Transferieren von Sessions zwischen Terminal und Desktop/Web
  • Persisten von Agents auch bei deniedten Tool-Use-Anfragen
  • Hooks, Custom Languages, verbessertes Terminal-Handling

  Das Update positioniert Cloud Code als vollständige Terminal-basierte Multi-Thread-Agent-Orchestration für entwicklerfreundlichere, effizientere Coding-Workflows.

  AI-Tools erwähnt: Claude Code, Claude (Browser/Desktop), Claude Mem, AutoCloud, Ralph — News-Update/Demo-Format.

• Gemini Agent Skills Changes Everything! Superchaged AI Coding Agent! (Gemini CLI Update)
  8.1.2026, 08:43:39

  Google hat Gemini CLI (die Open-Source Terminal-AI für Code) in Version 0.23 massiv aufgewertet. Das Kernfeature ist die Einführung von Agent Skills – modulare, spezialisierte Expertise-Pakete, die das Modell dynamisch laden kann, ähnlich wie Anthropic dies bei Claude umgesetzt hat. Damit kann Gemini CLI nun erweiterte Aufgaben zuverlässiger ausführen, statt sich auf generische Prompts zu verlassen.

  Die wichtigsten neuen Funktionen:

  • Agent Skills: Man erstellt Skills mit Name, Beschreibung und Anleitung – entweder über Terminal-Befehle oder in einer Markdown-Datei. Diese lassen sich dann mit /skills verwalten (listen, aktivieren, deaktivieren, neuladen). Im Demo-Beispiel organisierte Gemini CLI automatisch hunderte unstrukturierte Notizen in einen Knowledge Graph in unter 30 Minuten. Skills können auch über einen Extension Marketplace installiert werden.
  • Gemini Conductor Integration: Vollständig konfiguriert und nun im CLI eingebunden. Dieses Framework verschiegt Projektkontext aus Chat-Verlauf in persistente Markdown-Dateien neben dem Code, macht das Repo zur Single Source of Truth für Ziele, Architektur und Workflows – besonders wertvoll für bestehende, komplexe Codebases.
  • Usage Dashboard: Der neue /stats-Befehl zeigt eine intuitive Übersicht von Token-Nutzung, Nachrichten und Sessions. Optional kann man mit npx gemini-w ein 365-Tage-Wrapped abrufen.
  • Weitere Updates: Kostenloser Tier mit Gemini 3 Model (Preview-Features aktivierbar), Windows-Clipboard-Support für Bilder (Alt+V), automatische Terminal-Hintergrund-Erkennung für Theme-Kompatibilität.

  Installation erfolgt per npm install, dann /settings für Preview-Features und Agent Skills aktivieren.

  Google Gemini CLI – Demo/Tutorial

• Manus AI: First-Ever General AI Super Agent IS INSANE! Automate Your Life!
  7.1.2026, 05:30:27

  Zusammenfassung

  Manus AI ist ein autonomer allgemeiner Agent, der Arbeitsabläufe von Anfang bis Ende plant, ausführt und automatisiert – wie ein virtueller Kollege mit eigenem Computer. Manus wurde kürzlich von Meta akquiriert und ist mit der Version 1.6 drastisch weiterentwickelt worden. Die Plattform ist nach dem Remote Labor Index Benchmark derzeit führend gegenüber anderen proprietären Systemen.

  Manus 1.6 bringt drei Hauptupgrades: Manus 1.6 Max ist die leistungsstärkste Variante mit über 90% One-Shot-Task-Accuracy, 30% besserer Ausdauer bei tiefgreifenden Recherchen und deutlich zuverlässigerem Tool-Einsatz – komplexe mehrstufige Aufgaben werden autonom mit weniger Wiederholungen erledigt, etwa detaillierte Konkurrenzanalysen oder Vergleichsmatrizen in einem Durchgang. Mobile-App-Entwicklung: Manus kann nun Apps für beliebige Plattformen von Grund auf entwickeln, kombiniert mit verbesserter Web-Entwicklung. Design View: Ein interaktives Canvas für präzise Bild-Bearbeitung mit punktgenauer lokaler Änderung, Text-Bearbeitung und Komposition mehrerer Bilder – unterstützt durch Modelle wie Nana Banana 2.

  In der Demo führt Manus eine Forschungsaufgabe durch: Es recherchiert die Top-10-AI-Agent-Plattformen 2025, verifiziert dabei Kategorien wie Kernfähigkeiten, Zielgruppe, Autonomielevel, Stärken und Schwächen durch mehrere Quellen, verwaltet parallel 10 Subtasks asynchron und gibt die Ergebnisse als strukturierte Excel-Tabelle sowie als Web-Seite aus. Bei der App-Entwicklung erstellt Manus ein vollständiges Flappy-Bird-Spiel mit Datenbank, Backend-Server, Dateispeicher und GitHub-Integration; die Design View ermöglicht Live-Edits (z.B. ein Smiley hinzufügen) während die App codiert wird. Das fertige Spiel ist funktional und auf Android deploybar sowie über den Google Play Store publishbar.

  Preis-Modell: Max für komplexe Tasks (höheres Credit-Budget), 1.6 für vielseitige Aufgaben (Pro-Plan), 1.6 Light für kostenlose Nutzer mit schnellen, einfachen Experimenten.

  Schluss-Kommentar:

  Demo des autonomen Agenten-Systems Manus AI (v1.6 Max/Light) mit neu integrierten Fähigkeiten für Recherche, Mobile-App-Entwicklung und interaktive Bildbearbeitung.

• OpenCode Supercharged: BEST AI Coding Agent Ever + FULLY FREE! BYE Gemini CLI & ClaudeCode!
  6.1.2026, 08:54:53

  Das Video stellt Oh My Open Code vor – ein Framework, das Open Code vom Terminal-AI-Coding-Agent zu einem orchestrierten Multi-Agent-System ausbaut. Das Hauptproblem von Open Code waren fehlende Agent-Orchestrierung, begrenzte Tooling (nur read-only LSP) und ineffiziente Kontext-Nutzung bei großen Tasks.

  Oh My Open Code führt den Sisyphus Orchestrator ein, der parallele Sub-Agents mit Task-Enforcement und Recovery-Hooks betreibt. Die Architektur nutzt verschiedene Modelle für spezialisierte Rollen: Opus 4.5 als Hauptorchestrator für Planung und Delegation, Cloud oder Gemini 3 Flash (als Librarian) für Multi-Repo-Analyse und Dokumentation, sowie Gemini für UI-Tasks. Das System bietet volle LSP-Refactoring, intelligente Kontext-Verwaltung mit automatischem Pruning und Multi-Model-Support. Installation erfolgt per einfachen NPX-Befehl im Terminal.

  In der Demo wird ein Benchmarking-Website für neue LLMs gebaut: Das System plant automatisch To-dos, orchestriert mehrere spezialisierte Agents parallel (Suche, Code-Generierung, Validierung), lädt vorgeladene MCPs, und generiert autonome Refactorings. Das Ergebnis war eine funktionale App mit Modell-Leaderboard, AI-News-Links und Forschungs-Sektion – entwickelt für $2,92 mit Opus und Gemini. Eine freie Variante mit GLM 4.7 ist ebenfalls verfügbar, bietet aber nicht alle Agent-Spezialisten.

  Thematisiert: Claude (Opus 4.5), OpenAI (GPT erwähnt), Google (Gemini), Open-Source GLM 4.7; Sponsor: Whisper Flow. Format: Demo mit praktischem Build-Beispiel.

• Auto Claude: AI Coding on Steroids! Claude Code Running Autonomous For Hours!
  5.1.2026, 16:15:09

  AutoCloud: Autonomes Multi-Agent-Coding-Framework

  AutoCloud ist ein Open-Source-Framework, das Claude in ein vollständig autonomes Coding-System verwandelt – vergleichbar mit Claude Code, aber mit zusätzlichen Agent-Orchestrierungs- und Planungsebenen sowie Validierungsschleifen. Das Framework plant, entwickelt und validiert Software end-to-end mit minimaler menschlicher Eingriffnahme und zeichnet sich durch eine moderne, intuitive UI aus, die den gesamten Entwicklungsprozess transparent macht.

  Die wichtigsten Features sind: mehrere Claude-Code-Sessions im Kanban-Board, isolierte Workspaces, selbstvalidierende QA, KI-gesteuerte Merges, eine Memory-Layer, GitHub/Git-Integration und die Möglichkeit, bis zu 12 Cloud-Code-Agents gleichzeitig auszuführen. AutoCloud nutzt intelligente Fallback-Mechanismen – wenn Claude-Limits erreicht werden, wechselt das System automatisch zu alternativen Modellen wie Sonnet 4.5.

  Einrichtung: Voraussetzungen sind ein Claude-Account (kostenloses API-Billing oder Pro/Max-Plan), Installation via npm, Git und Python 3.12+. Nach der Initialisierung verbindet man ein Git-Repository, kann die Memory-Layer mit Graphite oder OpenAI konfigurieren und stellt Agent-Profile (mit Modell-Auswahl) ein. Die Workflow-Konfiguration nutzt Spec-Driven Development – das System erstellt Spezifikationen, generiert Code und validiert automatisch.

  In der Demo: Der Creator vergibt eine Aufgabe zur Erstellung einer modernen Finance-Signaling-App mit Live-APIs und KI-generierten Marktanalysen. AutoCloud erstellt automatisch einen Entwicklungsplan, führt mehrere Sub-Agents aus und bietet Ideation-Features (Code-, UI/UX-, Security-, Performance-Verbesserungen). Der generierte Code enthielt ein vollwertiges Trading-Dashboard mit Echtzeit-Preisen, Orderbuch und KI-gesteuerte Analyse-Tools – alles autonom von Claude entwickelt und in der UI visualisiert.

  Das Video behandelt AutoCloud mit Claude/Opus 4.5, Sonnet und Haiku als primäre Modelle; kein anderes AI-Tool oder Framework wird technisch detailliert thematisiert. — Demo-Format.

• Grok 4.2: Powerful and Fast Coding Model! Most Powerful & Intelligent Model We’ve Seen? (Early Test)
  4.1.2026, 08:14:08

  Zusammenfassung:

  Elon Musk kündigte das kommende Modell Grok 4.2 an, das laut eigener Aussage in Coding, Multimodal-Output, Video-Verständnis und Advanced Reasoning deutlich stärker sein soll und Anfang Januar 2026 erscheinen könnte. Bereits zirkulieren sogenannte Stealth-Modelle, die vermutlich 4.2-Varianten darstellen – namentlich Quantum Crow (möglicherweise das Heavy-Modell), Vortex Shade (möglicherweise das Thinking-Modell mit erweitertem Reasoning-Budget) und Obsidian. Diese sind kostenfrei über Plattformen wie Design Arena und Alamarina testbar.

  In praktischen Tests erzeugt Obsidian beeindruckende Ergebnisse: Ein animiertes Webgame mit Sound und Feinden, ein funktionierendes CRM-Dashboard mit Animationen und ein Minecraft-Clone. Allerdings zeigen sich Schwächen: Das Modell ist „lazy” bei der Ausführung – oft sind mehrere Prompts nötig, um akzeptable Outputs zu bekommen. Ein SVG-Schmetterling war beim ersten Versuch fehlerhaft strukturiert, beim zweiten Versuch besser. Ein Browser-basiertes OS wirkte im Vergleich zu anderen Modellen (GLM 4.7, Opus 4.5, Sonnet 4.5) rudimentär und sinnlos designt.

  Die Stealth-Modelle sind laut Sprecher ein deutlicher Schritt über 4.1 hinaus, glänzen vor allem in Effizienz und Geschwindigkeit, liegen in der Coding-Qualität aber leicht hinter State-of-the-Art-Modellen wie Gemini 3.0 oder Opus 4.5 zurück. Der Sprecher erwartet bei der offiziellen 4.2-Veröffentlichung bessere Preisstrukturen als Konkurrenzmodelle und hält das Modell als alltäglichen Driver für viele Nutzer für geeignet. Technisch sollen architektonische Optimierungen und verbesserter Compute-Effizienz ohne zusätzliche Raw-Compute-Steigerung bessere Leistung bringen. Der Speaker warnt, dass quantisierte Versionen etwas schwächer ausfallen könnten.

  Grok 4.2 (Stealth-Varianten), Opus, Sonnet, GLM, Gemini – Demo/Early-Test-Meinung.

Zubair Trabzada | AI Workshop (2 neues Videos)

• This AI Niche Will Make Millionaires in 2026
  9.1.2026, 14:00:22

  Voice AI als unterschätztes Geschäftsfeld für 2026

  Voice AI ist laut dem Video eine der größten übersehenen Chancen im AI-Bereich, weil sie zwar bereits Milliarden wert ist, aber noch nicht als Trend wahrgenommen wird. Der Markt wächst, weil Unternehmen menschliche Telefonarbeit – Kundenservice, Rezeption, Terminbuchung, Lead-Qualifizierung – durch AI-Agenten ersetzen. Die Technologie ist bereits so weit, dass sie von echten Menschen kaum zu unterscheiden ist, und Adoption läuft schnell, obwohl die Technologie noch nicht mainstream ist.

  Das Geschäftsmodell funktioniert, weil ein großes Mismatch zwischen Nachfrage und Angebot besteht: Unternehmen brauchen Hilfe, Voice-AI-Systeme zu implementieren, aber es gibt noch wenige Menschen mit diesen Skills. Dadurch entstehen Chancen für Consultants und Builder. Im beschriebenen Community-Umfeld verdienen Mitglieder bereits Geld – ein Beispiel ist jemand, der einen $22.000-Build mit $1.500 monatlichem Retainer abgeschlossen hat.

  Die Plattform Retell AI wird als praktisch hervorgehoben – leistungsstark, aber nicht übertechnisch, sodass Agenten ohne tiefe Engineering-Skills deploybar sind. Das Video argumentiert, dass die nächsten 1–3 Jahre das beste Zeitfenster sind, um einzusteigen, bevor der Markt gesättigt und competitive wird. Die Community des Autors bietet Voice-AI-Training und Zertifizierung an, was laut Video Credibility bei Clients aufbaut.

  Retell AI und Voice-AI-Beratung standen im Fokus; Meinung/Reflexion mit Geschäftsopportunitäts-Framing.

• Gemini 3 Is the BEST Vibe Coding Tool (And It’s FREE)
  5.1.2026, 13:01:39

  Gemini 3 als Vibe-Coding-Tool für AI-UGC-Ad-Generator

  Der Creator zeigt, wie Googles Gemini 3 als kostenloses Vibe-Coding-Tool zum Erstellen von Anwendungen eingesetzt wird – konkret zum Bau eines AI-UGC-Ad-Generators (User-Generated-Content-Anzeigen). Das Kernprinzip: Nutzer laden ein Produktfoto und kurze Beschreibung hoch, worauf die App automatisch ein AI-generiertes Video mit einer fiktiven Person erstellt, die das Produkt bewirbt.

  Aufbau des Systems:

  Die Frontend wird mit Gemini 3 in AI Studio (ai.google.com) gebaut – mit nur einem einzigen Prompt, der UI, Styling und die Integration zu einem Webhook definiert. Das Backend nutzt N8N (No-Code-Automation-Plattform) zur Orchestrierung: Dort lädt die App das Bild in Google Drive, beschreibt es, generiert mit Gemini einen Bildprompt für Nano Banana (Googles Bildgenerator), erstellt mit diesem ein neues Bild der Frau mit dem Produkt, und nutzt dann V0 3.1 via file.ai, um aus dem Bild ein Video zu generieren. Optional wird der Link per Email versendet. Ein Wait-Node prüft zwischendurch, ob die Video-Generierung abgeschlossen ist.

  Beispiel: Ein Sonnencreme-Foto wird hochgeladen → das System generiert automatisch ein Video, in dem eine 23-jährige Frau das Produkt hält und natürlich darüber spricht (z.B. “This sunscreen feels weightless. No greasy mess.”).

  Der Creator betont, dass Gemini 3 deutlich schneller und intuitiver ist als andere Vibe-Coding-Tools wie Lovable oder Cursor – viele Anforderungen wurden bei diesen Tools in mehreren Iterationen gelöst, bei Gemini aber in einem Prompt.

  Zugang: Kostenlos über AI Studio oder die Gemini-App (mit Auto-Update auf Gemini 3). Gemini hat auch einen Canvas-Modus ähnlich anderen Tools. N8N-Blueprints sind downloadbar (JSON) und importierbar.

  Explizite Tools: Gemini 3, Nano Banana, V0 3.1, N8N, file.ai; Tutorial-Format mit Demo und Schritt-für-Schritt-Workflow-Erklärung, anfängerfreundlich gestaltet.

---

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