Von der unbeliebten Wette auf Consumer-AI über die MIT-Studie zum Denkvermögen und die Evals-Krise bei OpenAI bis zu Databricks‘ Agent-Infrastruktur und vorgestellten Prompt-Skills für Claude Code.
Wir haben fünf Videos vom 24. und 25. Juni ausgewertet und bringen die wichtigsten Punkte ohne Umwege. Die Bandbreite reicht von der strategischen Frage, warum Consumer-AI gerade der unbeliebte, aber interessante Ort zum Bauen ist, bis zu handfester Infrastruktur und einem konkreten Werkzeug-Tipp für deine tägliche Arbeit mit Claude Code.
Warum baut man jetzt Consumer-AI, wenn kein VC sie finanziert?
Mark Pincus, Mitgründer von Zynga, hat in einem Gespräch mit Y Combinator eine These aufgestellt, die auf den ersten Blick kontraintuitiv klingt: Genau weil Risikokapital gerade in Enterprise-AI fliesst und Consumer-Startups kaum Finanzierung bekommen, ist das der richtige Moment, Consumer-Produkte zu bauen.
Sein Argument hat einen realen Kern. Enterprise-AI dominiert VC-Portfolios 2024 und 2025, weil Umsätze besser messbar sind und Verkaufszyklen funktionieren. Der Consumer-Bereich ist tatsächlich unterfinanziert. Wer dort trotzdem baut, hat weniger Konkurrenz und kann sich eine Kategorie erarbeiten, bevor sie attraktiv wird.
Zwei Punkte aus dem Gespräch sind besonders praxisrelevant:
- LLMs als Marktforschungs-Tool haben einen Bias. Pincus warnt davor, ChatGPT oder Claude für Markteinschätzungen zu nutzen, weil Enterprise-Themen in deren Trainingsdaten überrepräsentiert sind. Die Empfehlung weist also zwangsläufig Richtung Enterprise. Das ist eine plausible Hypothese, aber nicht empirisch belegt.
- «Always-on AI» als ungebaute Produktkategorie. Passiv zuhörende Assistenten, die in ein Gespräch eingreifen, wenn sie gefragt werden oder wenn etwas relevant wird: Die technischen Bausteine existieren (Live-Transkription, Kontextfenster), ein überzeugender Consumer-Layer fehlt noch.
Pincus beschreibt ausserdem, dass er Claude Opus 4.5 als qualitativen Sprung empfindet, bei dem er das Modell erstmals wie einen Gesprächspartner auf Augenhöhe behandeln kann. Das ist eine subjektive Anekdote, keine Benchmark-Auswertung, spiegelt aber wider, was viele Power-User berichten. Für eigene Einschätzungen taugt sie als Orientierung, nicht als Entscheidungsgrundlage.
Einordnung: Die Kernthese ist strategisch interessant, nicht operativ. Wer ein Consumer-Produkt baut, weil VC-Zurückhaltung eine Marktlücke signalisiert, braucht trotzdem einen tragfähigen Monetarisierungsweg. Pincus gibt dazu keine konkreten Zahlen, nur Richtung.
Was zeigt die MIT-Studie zu KI und Denkvermögen wirklich?
Ein virales Video behauptet, KI mache uns dümmer, und stützt sich dabei auf eine echte MIT-Studie. Das Debunking-Video rekonstruiert, was die Studie tatsächlich gemessen hat. Der Unterschied ist relevant.
Die Studie ist real. Teilnehmende wurden in drei Gruppen aufgeteilt: KI-Unterstützung, Google, kein Hilfsmittel. In einer zweiten Runde wurden die Gruppen rotiert. Ergebnis der Gruppe, die zuerst stark auf KI gesetzt hatte: Sie schrieb danach ohne KI schlechter als zuvor. So weit die Grundlage für die «KI macht dumm»-These.
Was der virale Clip weglässt: Die Gruppe, die zuerst ohne Hilfsmittel arbeitete und erst danach KI-Zugang erhielt, verbesserte sich messbar. Ihre Texte wurden besser, nicht schlechter. Das ist kein Randdetail, sondern der zentrale Befund.
Was die Daten nahelegen, lässt sich in drei Punkten zusammenfassen:
- Reihenfolge ist entscheidend. Grundkompetenz zuerst aufbauen, KI danach ergänzend einsetzen: Das funktioniert. Den umgekehrten Weg gehen: Das hat Kosten.
- KI als Denkersatz hat Langzeitkosten. Wer das Modell die Arbeit machen lässt, ohne selbst den Stoff zu durchdringen, verliert die Fähigkeit, KI-Output zu beurteilen.
- KI als Verstärker funktioniert. Wer ein Fundament hat, profitiert von KI-Unterstützung messbar, nicht trotz der KI, sondern weil die Grundkompetenz den Output einordnen kann.
Das AlphaFold-Beispiel, das im Video angeführt wird, ist faktisch korrekt: 2024 erhielten zwei Forschende von Google DeepMind den Chemie-Nobelpreis für ein KI-Modell, das die Proteinstrukturvorhersage fundamental verändert hat. Das ist ein Beleg für KI als Fähigkeitsverstärker auf höchstem Niveau.
Einordnung: Für DACH-Teams mit Onboarding-Verantwortung ist das operativ relevant. Wer Junior-Mitarbeitende sofort mit KI-Tools ausstattet, ohne Grundkompetenz aufzubauen, riskiert genau den Effekt, den die Studie beschreibt. Ein strukturiertes «erst verstehen, dann automatisieren» ist keine Nostalgie, sondern durch Daten gestützt.
Was sagt OpenAIs Forschungschef über Skalierung, Evals und AGI?
Mark Chen, Chief Research Officer von OpenAI, hat in einem informellen Gespräch Einblicke in OpenAIs Forschungsstrategie gegeben. Drei Punkte verdienen Aufmerksamkeit, je nachdem, wie viel Gewicht man den Aussagen eines Unternehmensvertreters beimessen will.
Skalierungsgesetze: Unternehmensposition, kein Konsens
Chen hält daran fest, dass Skalierungsgesetze über fast zehn Grössenordnungen gehalten haben und weiter halten werden. Das ist OpenAIs offizielle Position, kein unabhängiger wissenschaftlicher Befund. Teams von DeepMind und akademischen Institutionen beschreiben an verschiedenen Punkten Plateaus und bezweifeln die Linearität weiterer Skalierung. Wer Investitions- oder Tooling-Entscheidungen auf Basis von Skalierungsoptimismus trifft, sollte das einpreisen.
Die Evals-Krise ist real
Substanzieller ist, was Chen über Evaluierungen sagt. Er spricht offen von einer Evals-Krise: zu wenige valide Benchmarks, alle bekannten Standards sind saturiert, und gezieltes Übertrainieren auf Benchmark-Verteilungen (intern als Benchmaxing bekannt) ist ein echtes, anerkanntes Problem. Das deckt sich mit dem, was unabhängige Forschende seit Monaten diskutieren.
Praktisch relevant: SWE-Bench-Ergebnisse und echte Coding-Performance können auseinanderdriften. Wer Modelle für produktive Coding-Aufgaben auswählt, sollte eigene Evals auf realen Aufgaben fahren, nicht auf öffentliche Leaderboard-Positionen vertrauen.
Reinforcement Learning verändert Felder grundlegend
Chens dritter Punkt: RL-basiertes Training ermöglicht Modellen, durch eigene Problemlösung zu lernen, nicht nur durch Imitation von Beispielen. Das ist der konzeptionelle Kern hinter o1 und Nachfolgemodellen. Konkrete Benchmarks zu tatsächlichen Leistungssprüngen durch RL-Training nennt er im Gespräch nicht, die Richtung ist aber konsistent mit dem, was aus o1-Evals öffentlich bekannt ist.
Einordnung: Das Gespräch ist nützlich als Stimmungsbild, nicht als technische Dokumentation. Chens Aussagen zur Evals-Krise sind der Kern mit dem grössten unabhängigen Rückhalt. Alles andere ist OpenAI-Perspektive, informiert und glaubwürdig, aber nicht neutral.
Databricks Agent Cloud: Warum 50 Millionen VMs pro Tag relevant sind
The Agent Cloud: Databricks‘ Bet on the Future of AI
Das ist der substanziellste Beitrag in diesem Briefing. Databricks hat am Data + AI Summit Omnigent vorgestellt, eine offene API-Schicht, die verschiedene Coding-Agenten (etwa Claude Code, OpenAI Codex oder Pi) einheitlich ansprechbar macht: Nachrichten senden, Streams empfangen, Sessions abbrechen, alles über ein einziges Interface. Das klingt unspektakulär, löst aber ein reales Migrations-Problem: Wechselt ein Anbieter seine API, muss nicht jedes Team seinen Orchestrator einzeln anpassen.
Die Grössenordnungen aus dem Gespräch mit Matei Zaharia und Reynold Xin sind belegt und bemerkenswert:
- Databricks startet nach eigenen Angaben rund 50 bis 60 Millionen virtuelle Maschinen pro Tag über drei Cloud-Anbieter.
- Neon, die 2025 von Databricks übernommene Serverless-Postgres-Tochter für Datenbankbranching, startet nach eigenen Angaben täglich 13 Millionen Datenbanken, zu einem grossen Teil getrieben durch Agenten-Workflows.
- Der Ansatz adressiert dieselben Grundprobleme wie früher bei verteilten Datenpipelines: fehlende Portabilität, mangelnde Kollaboration, keine konsistente Zugriffskontrolle.
Einordnung: Wer heute Agenten-Workflows in einem grösseren Team aufbaut, steht vor der gleichen Entscheidung wie 2015 bei Datenpipelines: proprietär schnell oder portabel haltbar? Databricks wettet darauf, dass Portabilität zur Mehrheitsanforderung wird. Die Nutzungszahlen stützen diese Wette besser als jede Roadmap-Präsentation.
Kostenlose Prompt-Skills für Claude Code: Was lohnt sich wirklich?
9 Free AI Skills That Feel Like Cheat Codes
Das Konzept ist technisch simpel: Eine Markdown-Datei mit einem detaillierten Prompt wird beim Aufruf gemeinsam mit dem eigenen Prompt ans Modell übergeben. Prompt-Templates existieren seit den ersten Chat-Modellen. Der Mehrwert liegt in Kuratierung und Wiederverwendbarkeit, nicht in Innovation. Für die vier Skills, die für DACH-Profis nützlich sind, zeigen wir dir jeweils einen konkreten Einsatz samt Eingabebeispiel:
G-Stack
G-Stack ist Garry Tans quelloffene Claude-Code-Konfiguration mit 23 spezialisierten Rollen als Slash-Commands, vom Staff-Engineer-Reviewer über den Security-Officer bis zum Release-Engineer. In der Praxis lässt du nach dem Feature-Bau einen Codereview und einen Security-Audit über deinen Diff laufen und öffnest erst danach den Pull Request, ohne separate Reviewer aufzubieten. Die Grenze: Der Stack ist auf Web- und SaaS-Workflows zugeschnitten, und natürlichsprachige Trigger treffen nicht immer exakt die gemeinte Rolle.
Eingabebeispiel: So startest du den Security-Officer auf dein Login-Modul (oder natürlichsprachig, falls du den Befehlsnamen nicht parat hast):
/cso
# oder natürlichsprachig:
Mach einen Security-Check auf das Login-Modul (OWASP Top 10, STRIDE)Stop Slop
Stop Slop ist eine SKILL.md-Datei, die typische KI-Schreibmuster aus generiertem Text entfernt: Füllfloskeln, Throat-Clearing-Einstiege, Business-Jargon, Passivkonstruktionen und strukturelle Klischees, über 70 Muster in einer Bann-Liste plus einem Vier-Fragen-Filter. Praktisch ist das, wenn du einen Release-Note- oder Doku-Text vom Modell generieren lässt und ihn vor der Veröffentlichung in einem Schritt von erkennbaren Floskeln befreien willst, statt jede Phrase von Hand zu glätten. Die Grenze: Die Listen sind auf englische Prosa optimiert und greifen bei deutschem Text nur teilweise, und ein fester Slash-Command ist nicht belegt; der Skill aktiviert sich über seine Beschreibung.
Eingabebeispiel: Da kein fester Befehlsname belegt ist, rufst du den Skill per Anweisung an den Agenten:
Wende den stop-slop Skill auf diesen Blog-Entwurf an und entferne alle typischen
KI-Schreibmuster (Füllfloskeln, Throat-Clearing, Geviertstriche), ohne den Sinn
meiner zentralen Aussagen zu verfälschen.Graphify
Graphify indexiert deine Codebasis lokal via Tree-sitter zu einem abfragbaren Wissensgraphen, den der Coding-Agent gezielt durchsucht, statt bei jeder Frage alle Dateien neu zu lesen. Bei einem Repo mit über 500 Dateien beantwortet der Agent so eine Abhängigkeitsfrage in Sekunden, statt zwanzig Dateien zu durchsuchen und das Kontextfenster zu füllen. Die vom Hersteller genannte Tokenersparnis von bis zu 71,5x ist ein Best Case je nach Repo-Grösse, kein garantierter Wert, und du musst den Graphen einmal pro Projekt bauen, bevor du ihn abfragst.
Eingabebeispiel: Du erzeugst den Graphen einmalig mit dem Build-Befehl und fragst ihn danach gezielt ab:
/graphify .
/graphify query "Welche Module hängen vom Auth-Service ab?"Understand Anything
Understand Anything scannt eine bestehende Codebasis mit mehreren Agenten und baut daraus einen interaktiven Wissensgraphen plus visuelles Dashboard und Onboarding-Walkthroughs, danach befragst du den Code in natürlicher Sprache. Übernimmst du ein 200’000 Zeilen grosses Legacy-Repo ohne brauchbare Doku, siehst du die Modul-Zusammenhänge an einem Nachmittag als Diagramm, statt dich tagelang durch einzelne Dateien zu klicken. Die Grenze: Es ist ein Community-Projekt, nicht von Anthropic, jeder Knoten wird per Modell beschrieben (bei sehr grossen Repos teils ungenau), und das Dashboard braucht eine lokale Node-Umgebung.
Eingabebeispiel: Du baust zuerst den Graphen für das ganze Repo, danach stellst du deine Frage im Chat-Befehl:
/understand
/understand-chat Wie hängt unser Auth-Modul mit dem Billing-Service zusammen?Einordnung: Wer Claude Code oder einen ähnlichen Coding-Agenten täglich nutzt, gewinnt mit einem kuratierten Skill-Set messbar Zeit. Der eigentliche Aufwand liegt aber im Testen: Nicht jeder öffentliche Prompt passt zur eigenen Arbeitsweise oder zum eigenen Stack, und die Befehlsnamen unterscheiden sich je nach Fork. Drei gründlich getestete Skills in deinem Stack schlagen neun blind übernommene.
Fazit
Fünf Beiträge, fünf verschiedene Nutzwerte. Die Pincus-These gibt Orientierung für alle, die Consumer-Produkte bauen oder bewerten, während die MIT-Studie ein konkretes Argument liefert: erst Grundkompetenz, dann KI, sonst leidet das eigene Denkvermögen. Chens Evals-Kritik ist der nüchternste Grund, Modell-Leaderboards nicht als Entscheidungsgrundlage zu nehmen, sondern eigene Aufgaben zu testen. Am meisten Substanz bietet Databricks: mit 50 bis 60 Millionen virtuellen Maschinen pro Tag und einer offenen API-Schicht (Omnigent) für portable Coding-Agenten liefert der Beitrag als einziger belastbare Zahlen statt Thesen. Und der Prompt-Skills-Beitrag bringt die praktischste Lehre auf den Punkt: Ein kleiner, kuratierter und getesteter Stack aus wenigen Dateien schlägt viele blind übernommene.