Was ist los in der Tech-Welt?

Stell dir den Traum vor: Du gibst einem KI-Agenten eine Forschungsfrage, ein Budget und eine GPU, und eine Woche später kommt ein Paper heraus. Ein Team unter Leitung von Princeton hat es tatsächlich ausprobiert. Der Agent bekam sechs Tage, 3.000 Dollar an API-Guthaben und die zentrale Frage von zwei unveröffentlichten NeurIPS-2026-Papern. Dann haben die echten Autoren die Ergebnisse wie jede andere Einreichung begutachtet.

Das Urteil: 2/6, ablehnen. 1/6, entschieden ablehnen. Und es lag nicht an Faulheit. Die Agenten schrieben Literaturübersichten, die die Autoren lobten, ließen Hunderte Experimente ohne Hilfe laufen und strichen sogar Behauptungen, die nicht hielten.

Was sie nicht konnten, ist genau das, was eine Wissenschaftlerin ausmacht: eine Sackgasse bemerken und den Plan ändern. Sie schränkten Behauptungen ein, statt umzudenken, bewerteten ihre eigene schwache Arbeit als fast gut genug, ignorierten Regeln, die sie bestätigt hatten, und ließen am Ende die Hälfte des Budgets ungenutzt.

1. Schlechtes Urteilsvermögen darüber, was publizierbar ist
2. Fantasielos, wenn eine Idee scheiterte
3. Nie aus Sackgassen zurückgegangen
4. Schlecht darin, Zeit und Geld einzuteilen
5. Von den Anweisungen abgedriftet

Das war die Woche, in der KI zu windig für den Release wurde. OpenAI hat ein klügeres Modell gebaut, GPT-6.1 Astra, und es dann nicht veröffentlicht: Es war unehrlich darüber, was es getan hatte, und handelte, ohne zu fragen. Am nächsten Tag ersetzte es ein günstigeres Modell.

Und das war nicht mal die wildeste Geschichte.

1. Anthropic peilt einen IPO über 2 Billionen Dollar an, nach 42 Mrd. Dollar Verlust 2025 und 518 Mrd. Dollar Compute-Rechnungen, die es größtenteils nicht kündigen kann
2. Rund 700 Test-Agenten von OpenAI drangen in die echten Systeme von Hugging Face ein, schlossen sich zusammen und verwischten ihre Spuren
3. Google hat vier KI-Chips ins All geschickt, wo es keine Luft zum Kühlen gibt
4. Ein kleines Labor hat für unter 8.000 Dollar eine übermenschliche Stratego-KI gebaut
5. KI heißt jetzt per Dekret offiziell „SI“: gleiche Technik, neuer Name

Google hat einen Laptop auf den Markt gebracht. Kein Chromebook, sondern einen MacBook-Konkurrenten. Und das war erst der Anfang der Woche.

1. Googlebook: ab 899 Dollar, läuft mit Android, auf die Zusammenarbeit mit deinem Handy ausgelegt; die meisten Modelle 1.299 Dollar mit 10 Jahren Updates
2. Metas Muse Charm: dein KI-Agent am Schlüsselbund, Marktstart im Dezember
3. Meta VR Glasses: 100 Gramm, 1.299 Dollar, Frühjahr 2027
4. Chinesische Modelle machen jetzt 57–67 % der Tokens auf OpenRouter aus
5. Microsoft hat Chat, Coding und Agenten in einer App zusammengeführt

Die meisten lassen Codex auf dem größten Modell und zahlen zu viel. Es gibt jetzt vier Stufen, und hier steht, wann du welche nimmst.

1. 💨 Luna: schnell und günstig. Extraktion, Klassifizierung, Umformatierung in großen Mengen
2. ⚡ Terra: der Allrounder für jeden Tag. Fang hier an
3. 🧠 Sol: komplexe Code-Änderungen und tiefe Recherche
4. 🚀 Astra: die neue Obergrenze. Nur, wenn Sol nicht reicht

Haiku, Sonnet, Opus oder Fable? Die meisten Teams wählen nach Bauchgefühl und zahlen zu viel. Hier ist mein Spickzettel.

1. 💨 Haiku: schnell und günstig. Sortieren, Taggen, kleine Aufgaben innerhalb eines größeren Agenten
2. ⚡ Sonnet: der Alltagsstandard für Coding und Analyse. Für die meisten Produkte das einzige Modell, das du brauchst
3. 🧠 Opus: für das Schwere. Langlaufende Agenten, große Refactorings
4. 🚀 Fable: die Spitze. Nur, wenn Opus schon nicht gereicht hat

Wenn du rohe Prompts in Claude tippst und auf das Beste hoffst, benutzt du ein Elektrowerkzeug wie einen Hammer. Die echte Stärke liegt in Skills: kleinen Anweisungspaketen, die dem Modell beibringen, systematisch zu planen, zu testen und zu debuggen.

Mein Stack erzwingt vor jedem Code eine ordentliche Spezifikation, bringt echtes testgetriebenes Entwickeln mit und bringt Claude sogar bei, neue Skills für meine eigenen wiederkehrenden Aufgaben zu schreiben.

Ein KI-Forscher hat bei Anthropic gekündigt und davor gewarnt, dass wir auf eine Superintelligenz zurasen, die uns auslöschen könnte. Anthropics eigener Alignment-Leiter schätzte das Risiko auf über 10 %. Überall beängstigende Schlagzeilen.

Meine Meinung: „Unsere Technik ist zu gefährlich“ ist die ultimative Angeberei. Sie sagt Investoren, dein Produkt sei Magie, und schiebt Regierungen zu Regeln, die sich nur die größten Labore leisten können, was kleinere und Open-Source-Akteure ausbremst.

Sind wir in Gefahr, oder ist es dystopisches Marketing? Wahrscheinlich ein bisschen von beidem. Es lohnt sich, jedes Mal zu fragen, woher die Zahl kommt.

Bessere KI-Ergebnisse kommen von einem besseren Prozess, nicht von einem cleveren Prompt. Ich nutze für jede größere Aufgabe dieselbe Routine aus Skills und wechsle zwischen den Schritten sogar den Agenten.

Warum das funktioniert: weniger Zufall, ein sauberer Kontext in jedem Schritt und die Chance für dich, unterwegs zu prüfen. Es läuft in Claude Code, Codex, Cursor und Gemini CLI.

1. /context: erst die Fakten festnageln
2. /scope: die Nicht-Ziele aufschreiben
3. /plan: den Plan prüfen, nicht den Diff
4. /test: überprüfbar, nicht nur plausibel
5. /verify: ausführen, nicht einfach vertrauen
6. /redteam: kaputt machen, bevor es die Nutzer tun

Das kennen wir alle. Spät, müde, und das KI-Ergebnis sieht gut genug aus, also drückst du auf Senden.

Aber KI-Murks spart keine Zeit. Er schiebt die Arbeit zu der Person, die ihn liest, und macht den Produktivitätsgewinn für alle still und leise wieder zunichte. (Falls dir doch mal einer durchrutscht, halte wenigstens eine Katze bereit, der du die Schuld geben kannst.)

Mensch plus KI müsste doch jeden der beiden allein schlagen, oder? Eine Metaanalyse in Nature Human Behaviour mit 106 Experimenten sagt: oft nicht. Bei Entscheidungsaufgaben schnitten Teams aus Mensch und KI schlechter ab als der Bessere der beiden allein.

Der Clou ist, wer besser ist. War der Mensch besser als die KI, half die Kombination. War die KI besser, machte ein Mensch dazu es schlechter. Bei kreativer Arbeit wie Schreiben und Design war der Effekt positiv, aber nicht signifikant.

Das MIT setzte Menschen EEG-Hauben auf und ließ sie Aufsätze schreiben: eine Gruppe mit KI, eine mit Suchmaschine, eine mit gar nichts. Je mehr Hilfe die Leute hatten, desto schwächer war ihre Gehirnkonnektivität. Viele in der KI-Gruppe konnten keine einzige Zeile des Aufsatzes zitieren, den sie gerade fertig hatten.

Ehrlicher Hinweis: Es ist ein Preprint mit 54 Personen und schon eine Gegendarstellung. Ich glaube, die Richtung stimmt, aber nimm es nicht zu fest. Das Tool ist nicht das Problem. Die Art, wie wir es einsetzen, ist es.

1. 15 Minuten: Denk zuerst selbst über das Problem nach
2. Entwirf zuerst. Chaotische Stichpunkte zählen
3. Hinterfrage das Ergebnis. Nicht hinnehmen, überarbeiten