Think Different. Think AI. cover art

Think Different. Think AI.

Think Different. Think AI.

Written by: Jens Scharnetzki und Mark Zimmermann
Listen for free

Willkommen bei „Think Different. Think AI.“ – dem Podcast von Mark und Jens. Zwei technologieverliebte Köpfe, die nicht nur über künstliche Intelligenz reden, sondern sie leben. Hier gibt’s klare Einordnungen, echte Praxiseinblicke und einen frischen Blick auf das, was möglich ist – verständlich, kritisch und immer mit einem Augenzwinkern. KI zum Nachdenken. Zum Schmunzeln. Und vor allem: zum Mitreden.... von Menschen … für MenschenJens Scharnetzki und Mark Zimmermann Politics & Government
Episodes
  • KI Effizienz

    KI Effizienz
    Oct 4 2026
    Firmen werfen 80 Prozent ihrer Leute raus, weil das jetzt die KI macht. Diese Meldung geht seit Monaten durch die Presse, und Alexander Heusingfeld möchte nachrechnen. Wer 80 Prozent entlässt, behauptet damit den Faktor fünf. Klarna hat den Schritt für den Kundenkontakt inzwischen wieder zurückgenommen. Und selbst wenn die Rechnung aufginge, bleibt Alex' eigentliche Frage offen: Woher will jemand vorher wissen, welche 20 Prozent das Skillset haben, der Maschine beizubringen, was am Ende herauskommen soll? Wer selbst noch nicht ausprobiert hat, was möglich ist, kann das nicht beurteilen. Mark dreht die Frage um. Statt „wen brauchen wir nicht mehr" interessiert ihn, was bisher liegen geblieben ist, weil nie jemand Zeit dafür hatte. Beide landen bei derselben Beobachtung: Regulatorik wie NIS-2 bleibt liegen, weil die Kapazität fehlt, teilweise sogar bei Behörden. Über jedes Stück stupide Arbeit, das eine Maschine übernimmt, kann man sich also erst einmal freuen. Die freigeräumte Zeit ist ein Invest, kein Einsparposten. Dann erzählt Mark, was an einem Wochenende passiert ist, an dem er eigentlich Schränke aufgebaut hat. Auf einem Mac Mini hinter dem Fernseher, ohne Skills, mit nichts als Zugriff auf seine alten Git-Projekte, hat ein Agent sich das Smart Home angesehen und vorgeschlagen, die Lautsprecher im ganzen Haus als Interface zu nehmen. Danach lief die Arbeit über Sprache, während Mark durchs Haus ging. Der Agent hat ein Jahre altes Projekt fertiggestellt, sich Xcode geholt, Bundle Identifier und Signierungszertifikate selbst gebaut und die App am Ende über TestFlight aufs Telefon geliefert. Mark musste nur ein paar Kennwörter eintippen. War das effizient? Er sagt selbst: mehrere Wochenlimits verbrannt, garantiert nicht. War es das wert? Absolut. Alex hält dagegen und stellt die zwei Fragen, um die es in der Folge geht. Was war der Harness, und welche Rahmenbedingungen hast du mitgegeben? Er selbst hat sich mit einem Agenten über AWS die Steuererklärung vorbereiten lassen: knapp 800 Belege, das Ziel „mindestens 80 Prozent einsortiert und formal richtig", vier Stunden Rechenzeit, 60 Euro. Zurück kam auch der Hinweis, wo der Steuerberater im Vorjahr etwas anders hätte abrechnen können. Aus dieser Erfahrung wird eine Metrik, die er für die brauchbarste hält: Verifikationsaufwand pro ausgelieferter Änderung. Sinkt sie, waren die Abnahmekriterien besser. Daraus werden drei Regeln. Nie eine einzelne Kennzahl, weil jede einzelne Zahl gegamed wird, sondern immer ein Faktor aus Kriterien und Rahmenbedingungen. Immer Gegenkennzahlen mitlaufen lassen, Change Fail Rate, das älteste Work in Progress, Developer Experience. Und niemals selbstberichtete Geschwindigkeit: Entwickler geben 25 Prozent Beschleunigung an, gemessen wurden bis zu 20 Prozent Verlangsamung, weil die Zeit in Reviews und Nachbesserungen zurückfließt. Mark ergänzt die Kette drumherum. Wenn einer drei Tage durchlaufen lässt, steht das Team vor einem Pull Request, der aussieht wie ein gefluteter Landstrich, das Backlog ist am dritten Tag eines Zweiwochensprints leer, und die Tester werden überrannt. Codekommentare, früher Pflicht, führen Agenten heute in die Irre, weil sie den Kommentar lesen statt der Routine. Und wer Generierung durch Agenten reviewen lässt, die wieder von Agenten kommentiert werden, verbrennt Tokens für das Gegenteil von Effizienz. Alex bringt dazu eine Untersuchung aus dem Flugzeugbau mit: 8,5 Prozent der Durchlaufzeit sind wertschöpfend, grob zwei Wochen Wartezeit pro Tag Arbeit. Die Antwort auf „effizienter werden durch KI" ist damit keine Werkzeugeinführung, sondern Flow und Governance. Oder in Alex' Bild: Erst klärt man, ob man Fußball spielt, danach wird das Spiel schnell. Zum Schluss lösen die beiden die Diktiergerät-Geschichte aus der letzten Folge auf, Mark verrät sein Setup, und Alex fasst zusammen. Wer KI nur als Werkzeug kauft, verkürzt einen Arbeitsschritt. Die Effizienz liegt in den Wartezeiten dazwischen. Das richtige Maß an Qualität entscheidet sich gegen die Anforderung, alles andere ist Informatiker-Romantik. Und Marks Zugabe für alle, die zögern: Wer nicht weiß, dass er scheitern könnte, probiert es gar nicht erst. — Think Different. Think AI. mit Mark Zimmermann und Jens Scharnetzki. Hören: Apple, Spotify, YouTube, RSS https://think-ai.podigee.io Neue Folge zuerst im WhatsApp-Kanal https://whatsapp.com/channel/0029VbDJ4ZlGufIrpquad004 Wenn euch die Folge was gebracht hat: einmal bei Apple bewerten. Das entscheidet, ob jemand Neues uns findet. https://podcasts.apple.com/de/podcast/think-different-think-ai/id1828021699 Feedback und Gäste: über die Show-Seite.
    Show More Show Less
    1 hr and 32 mins
  • JEV Moment

    JEV Moment
    Sep 26 2026
    Mark steigt mit einer Warnung ein: Heute werde es langweilig, es gehe um Ja oder Nein, Rechnung oder Mahnung. Gemeint ist Klassifizierung, und die kennt er aus seinen ersten Programmierversuchen zu Zeiten von Turbo Pascal, als eine IF-Abfrage. Man hat Schirmchen, und man legt Dinge hinein, wenn sie bestimmten Kriterien entsprechen. Genau dieses alte Thema hat Mitte September ein Beben ausgelöst. Am 15. September hat die Firma TypeSafe AI ein Modell namens Jev vorgestellt. Es kann keine Texte schreiben, es trifft Entscheidungen. Mark hat das zuerst abgetan. Er stand auf dem Rückweg aus dem Büro in der Straßenbahn, dachte sich, ein Modell, das nicht reden kann, was soll das, und scrollte weiter durch TikTok. Dort ließ ihn das Thema nicht mehr los, weil immer mehr Leute darüber berichteten. Eine Anfrage an Jev besteht aus zwei Teilen: einem State und einer Question. Der State ist ein Satz, ein Absatz oder ein ganzer Text. Die Question zwingt das System zu einer eindeutigen Antwort. Drei Formen gibt es: die klassische Ja-Nein-Aussage, einen Score für Zustände wie Dringlichkeit oder Qualität, und eine Wahrscheinlichkeitsverteilung. Prompten kann man das Ding nicht. Jens fragt dazwischen, was der Vorteil sein soll, wo ein Sprachmodell die Mail doch gleich beantworten könnte. Marks Antwort läuft über die Beispiele. Eine Mail lässt sich einsortieren: Beschwerde, Reklamation, Mahnung. Ein Vertrag lässt sich nach Passagen durchsuchen statt nach Wörtern, etwa nach allem, was mit Konventionalstrafe zu tun hat, ohne jede Schreibvariante vorher zu kennen. Dazu kommen die Zahlen: TypeSafe nennt bis zu 200 Mal schnellere Verarbeitung, und bei 10.000 Support-Tickets standen 0,042 US-Dollar je Million Eingabe-Token gegen 0,2 US-Dollar beim Sprachmodell. Weil das Antwortschema feststeht, ist das System außerdem robuster gegen Halluzination. Irren kann es sich, erfinden kann es nichts. Dann kommt Marks Wochenende. Der Zugang war erst nicht zu bekommen, also hat er sich ein offenes Modell von Hugging Face genommen und ihm mit Apples neuem Framework Core AI, dem Nachfolger von Core ML, das Verhalten beigebracht: nur diese Fragen, nur eine Klassifizierung zurück. Gegen Jev selbst konnte er nicht antreten, gegen andere quelloffene Nachbauten schon, und weil das Framework so gut auf den Mac abgestimmt ist, war seine Lösung sechs- bis zwölfmal schneller. Schnell genug, dass sie Flappy Bird gespielt hat. Drücken oder nicht drücken, auf dem Handy, sofort nach dem Start. Mark beschreibt das als spooky, wie einem Film zuzusehen. Andere haben Tetris angeschlossen, wo die Sprachmodelle früh ausstiegen und die Klassifizierer sehr viel länger durchhielten, und jemand hat ein Browser-Framework damit erweitert, das seitdem schneller klickt, als die Seiten laden. Für Privatanwender, da ist Mark deutlich, ist das nichts. Es wird keinen Moment wie bei ChatGPT geben, keine Tagesschau, keinen Schulhof. Es wird in die Software wandern und einfach da sein, und was für den Menschen eine Suche ist, ist für das System eine Aneinanderreihung von tausend Klassifizierungen. Jens sieht die Wirkung im Zusammenspiel: Ein schnelles Modell entscheidet vorweg, ein großes wird nur noch gefragt, wenn es wirklich nötig ist. Beide landen bei Kahnemans schnellem und langsamem Denken. Genau deshalb heißt die Gattung bei TypeSafe System One. Und beide halten es für disruptiv, weil sich über Jahre gewachsene Regelwerke in großen IT-Systemen in solche Abfragen überführen lassen, ohne dass jemand über KI-Durchdringung reden muss. Im letzten Drittel geht es um Meta. Zuckerberg hat eine VR-Brille für rund 1.000 Euro gezeigt, neue KI-Brillen, den geräteübergreifenden Assistenten Muse und ein Gerät im Tamagotchi-Format für den Schlüsselbund, das im Dezember kommen soll. Mark hat sich darüber schlappgelacht und daraus eine Wette gemacht. Dazu Apples neue Funktionen für die Uhr, die den letzten Gesprächsfetzen wiedergeben und abends zusammenfassen, was am Tag gesprochen wurde. In der EU gibt es beides nicht. Marks Sorge gilt nicht dem Mithören allein, sondern dem Abstand, der entsteht, wenn hier über Jahre Funktionen fehlen, die anderswo Alltag sind. Jens hält dagegen: So schwarz sei das Bild nicht, in der Regulierung liege auch eine Chance. Zum Schluss stellt Jens fest, dass Marks Wette schon verloren war, als er sie einging. Das Gerät kommt ja in drei Monaten auf den Markt, es wird also berichtet werden. Einfacher Gewinn. — Think Different. Think AI. mit Mark Zimmermann und Jens Scharnetzki. Hören: Apple, Spotify, YouTube, RSS https://think-ai.podigee.io Neue Folge zuerst im WhatsApp-Kanal https://whatsapp.com/channel/0029VbDJ4ZlGufIrpquad004 Wenn euch die Folge was gebracht hat: einmal bei Apple bewerten. Das entscheidet, ob jemand Neues uns findet. https://podcasts.apple.com/de/podcast/think-different-think-ai/id1828021699 Feedback und Gäste: über die Show-Seite.
    Show More Show Less
    59 mins
  • Doomsday

    Doomsday
    Sep 19 2026
    Wie behält man den Überblick, wenn jede Woche ein neues Modell erscheint? Jens lässt sich die Nachrichten inzwischen von mehreren Agenten kuratieren, vom Rechner zu Hause bis zu den Diensten der großen Anbieter, und merkt dabei, dass er selbst den Überblick über seine Newsagenten verliert. Die letzten zwei Wochen haben es nicht leichter gemacht. Anthropic hat die Datenaufbewahrung auf null Tage gesenkt, was den Einsatz im Unternehmen deutlich einfacher macht, und im selben Zug Fable 5.1 veröffentlicht. Kurz darauf kam OpenAI mit Astra. Jens ordnet Astra als das ein, was man GPT-6 nennen könnte. Er hat sich damit in einem Durchgang eine Webseite bauen lassen, die UX- und KI-Veranstaltungen in Deutschland sammelt und von vornherein auch für Agenten lesbar ist. Mark ist deutlich weiter gegangen und hat dafür bezahlt: dreimal das Wochenlimit zurückgesetzt, danach Guthaben nachgeladen, am Ende möglicherweise 2.000 Euro. Astra hat für ihn eine App vom Plan bis zu Apple gebracht, mit Projekt in App Store Connect, Signierungsprofilen, einer Ablehnung durch Apple und der Diskussion mit dem Support. Es bedient Office-Programme, schneidet Filme und hat aus einem Satellitenbild seines Hauses ein 3D-Modell in Blender gebaut, samt Angebot, es an den 3D-Drucker zu schicken. Mark fühlt sich dabei allmächtig und arm zugleich. Jens kommt mit der Perspektive des UX-Menschen dazu. Bei OpenAI wählt man inzwischen zwischen mehreren Modellen und sechs Aufwandsstufen, bei Anthropic sieht es ähnlich aus. Der Hinweis, höherer Aufwand bedeute gründlichere Antworten, schiebt die Verantwortung für ein schlechtes Ergebnis komplett zum Nutzer. Ob ein kleines Modell auf höchster Stufe besser antwortet als ein großes auf niedrigster, kann niemand sagen. Jens fordert Muster, die diese Entscheidung nicht mehr dem Menschen aufbürden. Dann die Zahlen, bei denen Mark erst an einen Fehler glaubte. Im Benchmark ARC-AGI-3 soll Astra 99,9 Prozent erreichen, Menschen liegen dort laut Mark bei 48 Prozent. Jens ordnet ein: Der Wert stammt aus OpenAIs eigenem Harness, in einem neutralen Aufbau waren es 62,7 Prozent, immer noch ein gewaltiger Sprung. Dazu kommt ein gelöstes Millennium-Problem, an dem sich Mathematiker rund neunzig Jahre die Zähne ausgebissen haben. Berichten zufolge rechnete ein internes OpenAI-Modell 88 Stunden mit 10.000 parallelen Agenten daran. Für Jens bestätigt das eine These, die beide schon länger vertreten: Die Stärke liegt weniger im einzelnen Modell als in der Zusammenarbeit vieler Agenten. Der zweite Teil gibt der Folge ihren Namen. Ein Forscher, der ein großes KI-Labor verlassen hat, schätzt die Wahrscheinlichkeit, dass KI die Menschheit im kommenden Jahrzehnt auslöscht, auf rund zehn Prozent. Mark erinnert an die Weltuntergangsuhr, die inzwischen bei 85 Sekunden vor zwölf steht, auch wegen KI. Jens bleibt skeptisch und fragt, wie viel davon Marketing vor einem Börsengang ist. Beide sind sich einig, dass die reale Gefahr woanders liegt als bei Killerrobotern: in Modellen, die bei der Lösung einer Aufgabe in Systeme eindringen, die nicht auf dem neuesten Stand sind. Jens zeichnet die Chronologie der letzten Wochen nach, vom offenen Brief von rund 116 Unternehmen zur gemeinsamen Cyberabwehr über den Angriff auf Hugging Face bis zu dem Moment, in dem Dario Amodei und Sam Altman öffentlich für ein langsameres Tempo eintraten. Der Börsengang von OpenAI ist inzwischen verschoben. Was heißt das für Europa? Mark stellt fest, dass es hier kein Modell gibt, das mithält, und dass man entweder an den amerikanischen Anbietern hängt oder an den offenen Modellen aus China. Für die meisten Aufgaben braucht es aber weder Astra noch Fable, und auf ordentlicher Hardware zu Hause laufen heute bessere Modelle als die, die vor wenigen Jahren für leuchtende Augen sorgten. Seine These: Europas Chance liegt im Harness Engineering, im Orchestrieren mehrerer kleinerer Modelle mit Blick auf Wirtschaftlichkeit, Ökologie und die Frage, wie man die Menschen mitnimmt. Jens ergänzt, dass auch der beste Diamant nichts nützt, wenn er versehentlich das Glas zerkratzt. Wer agentische Workflows baut, braucht Stopppunkte, an denen ein Mensch Ergebnisse prüft, weil sich das Reasoning der Modelle immer schwerer nachvollziehen lässt. Zum Schluss ein Gedanke für den Montagmorgen. Prozesse sind oft entstanden, weil sich jemand verletzt hat, und sie gehen davon aus, dass ein Mensch sie bedient. Mark überlegt, ob kritische Freigaben eines Agenten künftig biometrisch bestätigt werden sollten, mit Fingerabdruck oder Gesicht statt mit einem Knopf, den der Bot selbst drücken kann. Jens widerspricht: Wer tausendmal bestätigt, bestätigt irgendwann alles. Die Diskussion bekommt eine eigene Folge. — Think Different. Think AI. mit Mark Zimmermann und Jens Scharnetzki. Hören: Apple, Spotify, YouTube, RSS https://think-ai.podigee.io Neue Folge zuerst im WhatsApp-Kanal https://whatsapp.com/channel/...
    Show More Show Less
    53 mins
adbl_web_anon_alc_button_suppression_t1
No reviews yet