Das KI-Kochbuch mit Malcolm Werchota

Malcolm Werchota

Malcolm Werchotas KI-Kochbuch ist der Ort, wo künstliche Intelligenz auf authentische Business-Transformation trifft. Bekannt für seinen direkten Stil und seine Bereitschaft, KI live in Aktion zu zeigen – sogar während Präsentationen – hilft Malcolm Organisationen zu verstehen, dass es bei KI nicht darum geht, Menschen zu ersetzen, sondern ihre Fähigkeiten zu verstärken. Von Sprachnotiz-Produktivitäts-Hacks bis hin zu Echtzeit-Meeting-Intelligenz liefert dieser Podcast umsetzbare Einblicke für die sofortige Implementierung.

  1. #149 - [AI Drama] - Sakana & Fugu: Der Fisch-Schwarm, der den KI-Hai schlägt

    10h ago

    #149 - [AI Drama] - Sakana & Fugu: Der Fisch-Schwarm, der den KI-Hai schlägt

    Title: #149 - [AI Drama] - Sakana & Fugu: Der Fisch-Schwarm, der den KI-Hai schlägt Stellt euch einen stillen Ozean vor. Da schwimmt ein riesiger Hai, ein Apex Predator. Und dann kommt ein kleiner Fisch. Lächerlich, denkt ihr. Aber dann bringt dieser Fisch seine 10.000 Freunde mit — und auf einmal ist es ein Schwarm. Kein Anführer, kein zentrales Hirn, keinen kleinen Napoleon-Fisch, der „alle nach links" ruft. Nur einfache Regeln und Millionen Reaktionen. Auf Englisch: Emergent Intelligence. Und genau das ist die Philosophie eines winzigen Unternehmens in Tokio, von dem ihr wahrscheinlich noch nie gehört habt. Diese Episode startet übrigens mit einem selbst-generierten „Samurai-AI"-Song aus Suno. Vorhang auf und Action. 📍 Worum es heute geht: Sakana AI hat am 22. Juni etwas veröffentlicht, das verändern könnte, wie ihr KI in der Firma nutzt. Die Kernidee: Statt riesige Modelle für hunderte Millionen Dollar zu trainieren, kann man existierende Gratis-Modelle züchten — evolutionär kreuzen wie Pflanzen oder Rennpferde, bis ein Spezialist entsteht, der ein zehnmal größeres Modell schlägt. Und das führt direkt zu der Frage, die für jeden Mittelständler in DACH zählt: Was, wenn euer echter Schatz nicht das Modell ist, sondern eure schlafenden Daten? 🐟 Der Schwarm gegen den Hai. Sakana heißt „Fisch" auf Japanisch. Das Unternehmen wurde 2023 von Llion Jones gegründet — einem der acht Autoren von „Attention Is All You Need", dem Urknall-Paper, das die Transformer-Architektur erfunden hat, auf der ChatGPT, Claude und alle Gen-AI-Modelle basieren. Eines Tages liegt dieses Paper im Museum. Mit dabei: David Ha, ehemaliger Chef von Google Brain Japan, plus ein Goldman-Sachs-Quant. Stellt euch ein Restaurant vor, dessen Küchenchef das Grundrezept aller modernen Küchen miterfunden hat — und der zweite ist der angesehenste Sushi-Chef Japans. Das ist Sakana. 💰 500 Millionen, ohne bei der Bank zu betteln. Die Wette: Wir haben nicht das Geld vom Silicon Valley, wir können keine größeren Modelle bauen als OpenAI. Aber viele kleine Spezialisten, die zusammenarbeiten, könnten besser sein als eine große KI. Naturinspirierte KI. Investoren fanden das auch romantisch — erst 30 Mio., heute über 214 Mio. in einer Runde, dabei japanische Banken, Nvidia und Fujitsu. Gesamtkapital rund 479 Mio. USD, Bewertung 2,65 Mrd. USD. Das wertvollste private Startup Japans. Während die meisten DACH-Mittelständler bei der Bank um eine halbe Million betteln müssen. 🍇 Modelle züchten statt trainieren (Evolutionary Merging). Ein Frontier-Modell wie GPT-4 kostet über 100 Mio. USD reine Rechenzeit — das können eine Handvoll Firmen weltweit. Sakana macht es anders: Auf GitHub und Hugging Face liegen 500.000+ Gratis-Modelle, jedes von jemandem mit viel Zeit und Geld trainiert. Sakana nimmt zwei, drei davon, kreuzt ihre internen Gewichte — ihre DNA — auf tausend Arten und fragt: Ist Mischung 2+3 besser oder 2+4? Survival of the fittest. Nach 100, 200 Generationen entsteht ein Modell, das Dinge kann, die kein Elternmodell konnte. Wie ein Cuvée aus Riesling, Grauburgunder, Chardonnay — nur dass euer KI-Sommelier tausende Cuvées im Minutentakt probiert, statt in Jahrzehnten. Eine Testrunde: ein paar hundert Dollar. Das Ergebnis EvoLLM-JP, ein 7-Mrd.-Parameter-Modell („ein Fiat Uno", läuft auf 7 GB RAM), schlägt auf japanischen Benchmarks Modelle, die zehnmal größer sind. Kein Hype — peer-reviewed in Nature Machine Intelligence. 🐡 Fugu — der gefährlichste Sushi der Welt, als Dirigent. Fugu ist der Kugelfisch, den der Koch selbst vorkosten muss — tödlich, wenn falsch geschnitten, eine Delikatesse, wenn richtig. Sakanas neues Produkt heißt genauso. Statt eine Frage an einen einzigen Endpunkt zu schicken wie bei ChatGPT, bricht Fugu sie in zehn kleine Fragen auf und schickt sie an viele Modelle gleichzeitig — ChatGPT, Gemini, Claude. Die technische Basis: zwei Papers auf der ICLR, Trinity (ein reines Koordinationsmodell — „wer ist für was verantwortlich?") und Conductor. Ein direkter Abkömmling der evolutionären Züchtung: Sakana ist durchs Züchten so gut im Dirigieren geworden, dass sie jetzt jedes Modell der Welt orchestrieren. Sakana behauptet, Fugu schlägt damit Claude Opus 4.8 — noch nicht unabhängig verifiziert. Und: Fugu ist aktuell nicht in der EU verfügbar. Nicht wegen Exportkontrolle, sondern weil das undurchsichtige Routing mit dem DSGVO-Transparenzgebot kollidiert. 🧠 Thomas und der schlafende Schatz. Thomas ist Geschäftsführer, zweite oder dritte Generation, 300–400 Mitarbeiter in Österreich. Kein Technologiefeind. Er hat ein CRM und ein ERP — die Leute nutzen sie nur nicht richtig. Aber er hat 15 Jahre Angebotsdaten: an wen verkauft wurde, wie viel, zu welchem Preis. Das ist der echte Schatz. Das Commercial Brain (siehe die letzten Episoden) ist nicht ChatGPT oder Claude — es ist ein Konvolut, bei dem E-Mails, Meetings, CRM und ERP gekreuzt werden, bis etwas Abfragbares entsteht: Deals, Preislogik, Kundenverhalten. Euer Vorteil ist nicht das Modell — es sind eure proprietären Daten. Und ihr müsst es modell-unabhängig bauen. Mit Sakanas Ansatz geht genau das. Wenn die Amerikaner morgen sagen „ihr dürft unsere Modelle nicht mehr nutzen", liegen Qwen, Llama, Gemma und Mistral gratis da — ohne US-Exportkontrolle. 📌 Take-aways Für den CTO: Ihr braucht kein neues Wissen und keine neue RAG-Datenbank — CRM, SharePoint und E-Mails existieren schon. Achtet auf die Ausgangsmodell-Architektur: nicht Frontier- mit Open-Weight-Modellen mischen. Ladet euch MergeKit (Open Source, Arcee AI) per Claude Code runter und fahrt für ein paar Euro GPU-Rental erste Merge-Experimente. Kein Tech-Team nötig.Für den Head of Data: Eure 15 Jahre Angebots-, Deal- und Kundendaten sind der Vorteil, nicht das Modell. Baut das Commercial Brain modell-unabhängig, damit kein US-Lab euch über Nacht den Hahn zudrehen kann.Für den CEO: Schreibt einen Use Case auf, bei dem die heutigen KIs einen schlechten Job machen (Produktauswahl, Angebotsqualität, Kundenanfragen). Benchmarkt ihn 50–100 Mal mit ChatGPT, Copilot, Claude — das ist eure DNA. Erst dann lohnt sich der nächste Schritt. Genau so haben wir mit dem Commercial Playbook angefangen. ⏱️ Timestamps 00:00 — Suno-Samurai-Song + das Bild vom Hai und dem Fisch-Schwarm (Emergent Intelligence)03:30 — Zurück zu 2017: „Attention Is All You Need", Llion Jones, David Ha — die Geburt von Sakana08:00 — Die Wette & das Geld: 30 Mio. → 479 Mio. USD, Bewertung 2,65 Mrd., wertvollstes Startup Japans13:00 — Modelle züchten statt trainieren: das Cuvée, Survival of the fittest, EvoLLM-JP schlägt 10× größere Modelle19:00 — Open-Source als Versicherung: Qwen, Llama, Gemma, Mistral — keine US-Exportkontrolle21:30 — Fugu: der Kugelfisch als Dirigent, Trinity + Conductor, schlägt angeblich Opus 4.8 — aber nicht in der EU27:00 — Thomas der Schwarzwald-Geschäftsführer & das Commercial Brain: euer Schatz sind die schlafenden Daten31:00 — Implementierung Montag früh: Use Case, Benchmark, MergeKit — und ein Teaser auf die Masha/Viktor-Builder-Episode 🎙️ Über den Host Malcolm Werchota leitet KI-Adoptionsprogramme für Unternehmen in ganz Europa. Studium: Physik / Werkstoffwissenschaft an der Montanunivers...

    35 min
  2. #148 - Eure Antwort: lokale KI-Modelle, die euch keiner verbieten kann (Teil 2)

    3d ago

    #148 - Eure Antwort: lokale KI-Modelle, die euch keiner verbieten kann (Teil 2)

    Title: #148 - Eure Antwort: lokale KI-Modelle, die euch keiner verbieten kann (Teil 2) Teil 1 war das Drama: Fable 5 nach drei Tagen abgeschaltet, dasselbe Spiel jetzt mit GPT-5.6, und wir in Europa stehen da ohne Lösung. Teil 2 ist die Antwort. Und die ist nicht „warten, bis die Amerikaner uns wieder ein Modell geben" — sondern „fahrt eure eigenen Modelle, in eurem Serverraum, auf eurem Laptop, und keiner kann sie euch wegnehmen". Action, let's go. 📍 Worum es heute geht: Open-Weight-Modelle wie Gemma 4, Qwen, DeepSeek V3/V4 und Mistral Nemo laufen heute lokal — ohne Internet, ohne dass eure Daten das Gebäude verlassen. Ein bisschen schlechter als die Frontier-Modelle, ja. Aber „ein bisschen schlechter" heißt in der KI-Welt 10-20 % schlechter — und das reicht vollkommen für das, was ihr wirklich macht. Diese Folge zeigt euch die Hardware, den Ein-Zeilen-Setup, den DSGVO-Vorteil und was ihr am Montag früh als CTO, CFO und Vorstand konkret tut. 📊 Erst mal vergleichen. Es gibt ein Paper, das zeigt, wie man die Modelle gegeneinander aufstellt: unten die Kosten, um das Modell laufen zu lassen, links die Evaluierung über mehrere Benchmarks — Mathematik, Coding, Reasoning. Da seht ihr Gemma 4, Qwen 3.7 und Co. Klar, auf der Coding-Benchmark liegt ein Qwen 2.5 bei 30 % und ein Fable 5 bei 80 %. Aber für eure Workflows — Angebote durchlesen, E-Mails schreiben, beim Coden helfen, in mehreren Sprachen arbeiten — braucht ihr kein Frontier-Modell. Das können die Offenen alle. 🛠️ Der Ein-Zeilen-Trick. Wisst ihr, wie ihr so ein Modell aufsetzt? Ihr macht Claude Code oder Codex auf und tippt: „Ich möchte Gemma 4 hier auf meinem PC ohne Internet nutzen. Mach mal." Das war der ganze Prompt. Dann läuft das Ding circa 10 Minuten, lädt sich Ollama runter, zieht das Modell, deployt es — fertig. So leicht ist es geworden, Open-Weight-Modelle zu nutzen. Datenschutz-Dinosaurier dürfen in der Garage bleiben. 🏦 Der JP-Morgan-Tresor-Vergleich. DSGVO verbietet die Übermittlung personenbezogener Daten in Drittländer ohne angemessenes Schutzniveau — das große Problem der US-Cloud-Anbieter. Wenn ihr aber Qwen 2.5 oder Gemma 4 in eurem Serverraum in Stuttgart oder Wien fahrt, verlassen die Daten nicht mal den Rechner. Kein Transfer, kein Artikel 44. Sogar Privacy by Design — Artikel 25. Stellt's euch so vor: Euer Geld bei JP Morgan in der Schweizer Filiale ist immer noch JP Morgan. Aber wenn das Geld im eigenen Tresor zu Hause liegt, ist das das Sicherste. Eure Head of Compliance und Legal Head werden sich freuen. 💻 „Aber ich bin Mittelständler, ich hab kein Rechenzentrum." Brauchst du nicht. Du gehst und kaufst dir einen Mac mit 16 GB RAM — beim Saturn um 1.500 bis 2.000 Euro. Installierst Claude Code, deployst Gemma 4, und lässt jede Person in der Firma darauf arbeiten. Das reicht vollkommen für Dokumentenextraktion, Zusammenfassungen, RAG-Queries, interne Dokumente. Du willst mehr? Workstation mit zwei RTX 4090, dann kostet das Teil 6.000 statt 2.000 Euro. Und wenn du deine API-Kosten der letzten Wochen anschaust, sind 4.000 bis 6.000 Euro: Peanuts. DeepSeek V3 ist über Apache 2.0 verfügbar — deutsche Firmen bieten euch das gehostet im Allgäu, in Zürich oder Wien an. Wieder kein Artikel-44-Problem. 🇪🇺 „Modellbehindert" — und genau das ist unser Vorteil. Die Amerikaner sehen uns als total handicapped: „Die Europäer haben ja kein gescheites Modell." Aber genau weil wir am Modell behindert sind — und vor allem wegen dem Datenschutz — hat uns das gezwungen, uns viel, viel früher mit Open-Weight-Modellen zu beschäftigen. Pharma, Finanzen, Gesundheit: ganze Architekturen, die nur auf Open Weights basieren, weil DSGVO uns dazu gezwungen hat. Uns kann es wortwörtlich wurscht sein, ob Fable 5, Mythos oder GPT 5.6 kommt oder nicht. 150 Lebensläufe vergleichen läuft sehr gut auf einem lokalen Mistral Nemo oder Qwen 2.5 auf einem 2.000-Euro-PC. Dazu kommt Model Portability — eines Tages tragt ihr das Modell auf einem USB-Stick oder fahrt es am iPhone. 📌 Take-aways CTO: Start mit einem Produktions-KI-Abhängigkeits-Audit — das Wichtigste, das du gerade machen kannst. Viele deiner API-Calls zu LLMs sind ein Ausfallrisiko, egal ob Copilot, ChatGPT oder was auch immer. Überleg, welche Open-Weight-Modelle (Mistral, Gemma 4, Qwen) du nutzen könntest, bring sie in ein Staging-Environment und vergleich die Ergebnisse. Dann klassifizier deine KI-Daten-Interaktionen: Was muss zwingend lokal laufen (Finanz-, Patientendaten) und was nicht (Amazon-Bestelldaten)?CFO: Versteh, dass Kosten auf dich zukommen — neue PCs oder gemietete Cloud-Infrastruktur. Aber Long Term, in den nächsten 6 bis 24 Monaten, wird es für dich billiger sein, lokale Modelle zu fahren, als immer das neueste Modell von Anthropic oder ChatGPT.Vorstand: Rüttle deine Leute wach. Euer Wettbewerbsvorteil war früher die Modellwahl — den haben wir gegenüber den Amerikanern verloren. Was bleibt: eure Kundenbeziehungen, eure validierten Workflows und Maschinen, eure proprietären Daten, euer institutionelles Wissen. Das liegt in den Köpfen eurer Leute, nicht in der KI. Habt Mut. ⏱️ Timestamps 00:00 — Rückblick Teil 1: Fable 5, GPT-5.6 und kein Plan B in Europa01:30 — Das Benchmark-Paper: Kosten gegen Evaluierung03:30 — Open-Weight-Modelle: Gemma 4, Qwen, DeepSeek V4 — „10-20 % schlechter reicht"06:00 — Der Ein-Zeilen-Setup über Claude Code + Ollama08:00 — Datenschutz: Artikel 44, Privacy by Design (Art. 25) und der JP-Morgan-Tresor-Vergleich11:00 — Hardware: 16-GB-Mac für 2.000 € vs. 2× RTX 4090 für 6.000 €14:00 — „Modellbehindert": warum DSGVO unser Vorteil ist + Model Portability16:30 — Monday Actions für CTO, CFO und Vorstand18:30 — Was euch bleibt + Teaser: Sakana & Fugu 🐡 Nächste Folge: Sakana & Fugu — wie selbst schlechte Modelle ganz, ganz tolle Antworten liefern, wenn man sie zusammenarbeiten lässt. 🎙️ Über den Host Malcolm Werchota leitet KI-Adoptionsprogramme für Unternehmen in ganz Europa. Studium: Physik / Werkstoffwissenschaft an der Montanuniversität Leoben. 10 Jahre Erdöl & Erdgas, 3 Jahre Novartis (Head of Strategy einer 2-Mrd-USD Business Unit). Am 30. November 2022 kam ChatGPT raus. Einen Monat später hat er gekündigt. Heute Co-Founder werchota.ai und coatingAI. Lebt in Lochau am Bodensee mit Masha, Camila, Sophia und Alex. 🚀 Ressourcen für Führungskräfte 📚 Chief AI Academy — KI für Entscheider🎯 AI Commercial Playbook — diagnostiziert eure 10-Säulen Commercial Maturity👥 AI Leadership Community🌐 werchota.ai 📬 Kontakt LinkedIn: linkedin.com/in/malcolmwerchotaE-Mail: malcolm@werchota.aiWhatsApp: +43 676 6144 904 📰 Quellen + Referenzen Be...

    19 min
  3. #147 - Die besten KI-Modelle der Welt — und ihr dürft sie nicht haben (Teil 1)

    Jul 3

    #147 - Die besten KI-Modelle der Welt — und ihr dürft sie nicht haben (Teil 1)

    Title: #147 - Die besten KI-Modelle der Welt — und ihr dürft sie nicht haben (Teil 1) Stell dir vor, du kaufst das beste Werkzeug der Welt, du hast es drei Tage in der Hand, es funktioniert, es ist genial — und dann kommt ein Brief. Nicht vom Baumarkt. Von einer Regierung, die du nicht mal gewählt hast. Und der Brief sagt: Du darfst es ab jetzt nicht mehr nutzen. Du nicht, und der Rest der Welt auch nicht. Genau das ist im Juni 2026 mit zwei der leistungsfähigsten KI-Modelle aller Zeiten passiert — und genau das passiert jetzt nochmal. 📍 Worum es heute geht: Am 9. Juni hat Anthropic Claude Fable 5 und Claude Mythos 5 veröffentlicht — wahrscheinlich die besten Modelle der Welt. Drei Tage später, am 12. Juni, hat das US-Handelsministerium sie weltweit abgezogen, mit einem Gesetz, das ursprünglich für Waffenexporte geschrieben wurde. Und am 27. Juni dasselbe Spiel mit GPT-5.6. Model Access ist jetzt wie Chip-Export. Und wer steht auf der Warteliste? Wir Europäer. Teil 1 ist die Timeline und die Geopolitik — was es heißt, wenn DACH-Firmen die neuesten Modelle nicht mehr kriegen dürfen. ⚙️ Markus und die drei Stunden. Markus, CTO bei einem Münchner Maschinenbauer, 400–500 Leute, Präzisionsteile für die Auto-Industrie. Er hat über Monate seinen Dokumenten-Workflow mit KI aufgebaut — technische Zeichnungen prüfen, Kundenspecs schreiben, Lieferantenanfragen vorfertigen. Dann kam Fable 5 am 9. Juni und arbeitete nicht drei Minuten durch, sondern drei Stunden. Agent-Loops, voll lange durchgezogen, endgeile Qualität. Am Montag dachte er: Das zeige ich am Freitag dem Team. Am Freitag, dem 12. Juni, öffnet er den Laptop — und Fable 5 ist weg. Für ihn und für den Rest der Welt. 📜 Der Brief um 17:21 Uhr. Anthropic gab Mythos 5 zuerst nur an rund 200 Firmen weltweit. Dann schrieb Howard Lutnick vom US-Handelsministerium eine E-Mail an Anthropic: Fable 5 und Mythos 5 dürfen an keinen ausländischen Staatsbürger irgendwo auf der Welt mehr zugänglich gemacht werden. Frist: eine Stunde. Die Rechtsgrundlage: der Export Control Reform Act — ein Gesetz, das es erlaubt, zivile Technologien mit militärischem Potenzial zu klassifizieren und zu beschränken. Weil Anthropic Nationalitäten gar nicht verifizieren kann (kein Reisepass beim Claude-Account), mussten beide Modelle weltweit abgeschaltet werden — auch für US-Kunden. 🔓 Amazon, der Jailbreak und Andy Jassy. Wer hat herausgefunden, dass man die Modelle knacken kann? Amazon-Ingenieure — per „Defense Oriented Prompting", einer Methode, um die Sicherheitsfilter zu umgehen (das klassische „ich dreh einen Tarantino-Film mit einer Bomben-Szene"-Prinzip). CEO Andy Jassy ging direkt zur Regierung. Das Verrückte: Amazon baut keine eigenen Modelle und hält rund 10–15 % an Anthropic. Es ist, als würdest du dir eine Wohnung im Haus kaufen — und dann Baustopp für alle rufen. Danach wurde die NSA konsultiert, das Modell zu militärischem Gut erklärt, exportkontrolliert. 🌍 Trump, G7 und der größte Vorstands-Albtraum. Jahrelang habe ich CEOs gesagt: Deine Konkurrenten bei JP Morgan nutzen Claude, Santander nutzt Claude — du musst auch. Und immer kam dieser eine clevere CEO: „Ja, aber eines Tages schalten sie es ab." Ich sagte: Nein, KI ist demokratisch. Genau dieser Albtraum ist jetzt eingetreten. Beim Axios-Interview am 19. Juni gefragt, wann die Modelle zurückkommen, sagte Trump: „Jetzt nicht — vielleicht in einer Woche, vielleicht auch nicht." Beim G7-Technologiegipfel in Frankreich (Macron, Merz, Trump) machten Verbündete Druck: Wie könnt ihr einfach ein Large Language Model abschalten? Schaltet ihr nächstes Mal Copilot in Europa ab? Das ist nicht die 24-Stunden-Kehrtwende — das könnte der neue Status quo sein. 🪨 Indium, GLM 5.2 und warum Software-Exportkontrollen scheitern. China kriegt die neuesten US-Modelle auch nicht — und hat seine Exportquoten für Indium verschärft. Indium steckt in Indium-Phosphid-Chips, den optischen Verbindungskomponenten in KI-Rechenzentren — und China kontrolliert 70 % der globalen Indium-Produktion. Aber: Exportkontrollen funktionieren bei physischen Gütern (H100-Karten). Bei Software kaum. In der Zwischenzeit kam GLM 5.2 raus — ein chinesisches Coding-Modell, teils besser als das GPT-5.5, das ihr habt. Wenn die Amerikaner zumachen, fluten andere den Markt. 🇪🇺 Souveränität, Reisepass neben der KI — und TechCrunch. Was platzen lässt: Anthropic hat eine E-Mail verschickt — Claude-Nutzer müssen sich jetzt identifizieren. Bisher war es du und deine KI. Jetzt steht dein Reisepass daneben, und wir Europäer sind zu Recht datenkonservativer. Aleph Alpha und das Schweizer Apertus? Grottenschlecht. Mistral ist nicht auf US-Niveau, und die Forschung sitzt in den USA. Realität: Europa ist zu 99 % von USA und China abhängig. TechCrunch schrieb am 26. Juni: Es geht nicht mehr um Anthropic vs. OpenAI — ihr kriegt beide eh nicht. Die Frage ist: Wer kontrolliert den Zugang? Antwort: der amerikanische Staat. Manche wehren sich — Harvey AI hat Claude durch DeepSeek ersetzt: Kosten um zwei Drittel gefallen, lokal, unabhängig. „It's a matter of survival." 📌 Take-aways CTO: Behandle Model Access wie eine Lieferkette mit Single-Source-Risiko. Baue jetzt Model-Portability ein, damit ein Shutdown am Freitagabend dein System nicht lahmlegt — und teste lokale Open-Source-Modelle (Qwen 2.5, Gemma 4) als Fallback, offline und ohne laufende Kosten.CISO: Rechne damit, dass Cloud-Provider künftig Identitäts-/Reisepass-Verifizierung verlangen. Kläre, welche Daten dann wohin fließen — und prüfe lokale Modelle dort, wo Datensouveränität und DSGVO nicht verhandelbar sind.Vorstand: Der „eines Tages schalten sie es ab"-Einwand ist keine Theorie mehr. Plane KI-Strategie geopolitisch: Abhängigkeit von US-Modellen ist ein Vorstandsrisiko, nicht nur ein IT-Thema. ⏱️ Timestamps 00:00 — Das beste Werkzeug der Welt — und der Brief von der Regierung03:30 — Wer ist Malcolm? RBI Wien, London, Steuerberater, Fabriken06:00 — Markus, der Münchner CTO, und die drei Stunden mit Fable 510:30 — Der Lutnick-Brief um 17:21 Uhr und der Export Control Reform Act14:00 — Amazon-Jailbreak, Andy Jassy und die NSA18:00 — Trump bei Axios, G7 in Frankreich, der Vorstands-Albtraum22:00 — China, Indium und GLM 5.2: warum Software-Kontrollen scheitern26:00 — Europas Souveränität, Harvey AI + DeepSeek, Teaser Teil 2 🎙️ Über den Host Malcolm Werchota leitet KI-Adoptionsprogramme für Unternehmen in ganz Europa. Studium: Physik / Werkstoffwissenschaft an der Montanuniversität Leoben. 10 Jahre Erdöl & Erdgas, 3 Jahre Novartis (Head of Strategy einer 2-Mrd-USD Business Unit). Am 30. November 2022 kam ChatGPT raus. Einen Monat später hat er gekündigt. Heute Co-Founder werchota.ai und coatingAI. Lebt in Lochau am Bodensee mit Masha, Camila, Sophia und Alex. 🚀 Ressourcen für Führungskräfte 📚 Chief AI Academy — KI für Entscheider🎯 AI Commercial Playbook — diagnostiziert eure 10-Säulen Commercial Maturity👥 AI Leadership Community🌐 we...

    30 min
  4. #146 - Wir haben unserem Vertrieb einen Kopf gebaut: Das Commercial Brain (Teil 2)

    Jul 1

    #146 - Wir haben unserem Vertrieb einen Kopf gebaut: Das Commercial Brain (Teil 2)

    Title: #146 - Wir haben unserem Vertrieb einen Kopf gebaut: Das Commercial Brain (Teil 2) Teil 1 war euch feedbacktechnisch ein bisschen zu theoretisch — fair. Heute wird's praktisch. Stellt euch euren Vertriebler vor: 40, 50, 60 Calls in zwei Wochen, jedem Kunden ein anderes Versprechen gegeben, nirgendwo sauber aufgeschrieben. Genau da stirbt euer Deal. „Halb erinnern oder halb aufschreiben bringt nicht mehr Verkauf." Also bauen wir heute die Maschine, die das löst — und ihr bekommt das ganze Rezept, um sie euch selber zu bauen. 📍 Worum es heute geht: Wir bauen ein Commercial Brain. Kein Second Brain, das alles weiß — sondern ein Second Brain mit Armen und Beinen, das euch mehr Umsatz bringen soll. Ihr habt schon ein CRM, E-Mails, Teams, Microsoft 365. Was fehlt, ist das Tool, in dem all diese Systeme zusammenkommen und das dann auch handelt. Masha hat unseres in Copilot Studio gebaut, auf dem Microsoft-365-Stack, den ihr sowieso habt — kein neues Stück Software. 🧠 Kein Werkzeugproblem — ein Nahtstellen-Problem. Ihr habt die einzelnen Werkzeuge ja längst: CRM, Outlook, Teams. Der Kern ist, dass sie nicht miteinander reden. Frag deinen Vertriebler „Was ist in den letzten 6 bis 8 Wochen mit dem Kunden passiert?" — und er geht auf eine archäologische, ägyptische Ausgrabung: durch Postfächer wühlen, mit zwei, drei Kollegen reden, die am selben Kunden hängen. Ein Commercial Brain hat das Wissen nicht verstreut wie ein Mensch. Drin sind nur Firmenstrategie, Produkte, Vertriebler-E-Mails und aufgenommene Calls — mehr nicht. Und genau deshalb funktioniert es so gut. 🎛️ Ein Direktor, kein Dashboard. Du tippst rein: „Wo stehen wir mit dem Kunden? Gib mir ein Dashboard mit 4 bis 5 Tabs." Was rauskommt: Tab 1 — was läuft. Tab 2 — die letzten 60 Calls und E-Mails. Tab 3 — die Top 5 Dinge, die der Kunde will. Tab 4 — was wir ihm verkaufen müssen (weil er's vier, fünf Mal gesagt hat). Tab 5 — fünf To-Dos, schon in Planner angelegt und auf den Kunden zugeschnitten. Das kann kein Vertriebler. Aber jeder Vertriebler kann vor dem Commercial Brain stehen und das reintippen. Dahinter steckt nicht das neueste Modell — ein ChatGPT 5.2 reicht. Wie ein Dirigent, der ein ganzes Orchester führt: delegieren, dirigieren. 🖐️ Die fünf Spezialisten. Das Gedächtnis (euer CRM plus Vektordatenbank — einzige Quelle der Wahrheit). Die Hand, die schreibt (Angebote — nicht das ganze, aber Kernleistungen, Preislogik, Spezifikationen; mit euren letzten 1.000 oder 10.000 Angeboten gefüttert kennt sie das besser als jeder Mensch). Das Ohr (Gesprächsaufzeichnung — oder einfach 10 Minuten in Teams reinreden, bitte nicht tippen). Der Wille (Aufgaben — die Mail schon schreiben, in den Outlook-Folder legen, aber nicht senden; den Rückruf in zwei Wochen als Kalendereintrag anlegen). Der Hüter des Tages (Postfach + Kalender). Und bitte versteckt euch nicht hinter dem Datenschutz-Dinosaurier oder dem „wir haben SAP" — ein Data-Dump aus SAP, und die KI liest das. 🏭 Bald will es jeder nutzen. Nicht nur Vertrieb. Im Lager: „Mit wie vielen Kunden wird gerade über Pumpe A gesprochen?" — 17? Dann bestelle ich besser zwei, drei extra. Als CEO: „Was waren die Probleme, was will der Kunde, das ich noch nicht weiß?" Salesforce-KI kann das nicht — die fragt nur Salesforce ab, nicht die E-Mails, nicht die Sales-Strategie. Und das Beste: Das ist ein institutionelles Gedächtnis. Springen dir zwei, drei Vertriebler zur Konkurrenz ab — irgendwann ist es dir wurscht. Das Wissen bleibt im Brain. Jeden Morgen schreibt es dem Marc drei Dinge, die heute mehr Umsatz bringen — Tagesplan aus dem ganzen Firmenwissen, nicht ein Plan von vor einem halben Jahr, der längst obsolet ist. 🛠️ So baut ihr es — und das ist kein Halbjahrespilot. Strategie ohne Pipeline ist Meinung; Pipeline ohne Strategie ist nur eine Liste — ihr braucht beides verdrahtet. Nehmt eure fünf Tools (Gedächtnis, schreibende Hand, Ohr, Wille, Hüter des Tages), legt eine Vektordatenbank auf Azure und Copilot-Studio-Agenten drüber. Wir setzen das bei Firmen in zwei bis drei Wochen um — intern baut ihr das in zwei bis drei Tagen. Und keine Angst vor den Dashboards: Meine Achtjährige baut bessere als die meisten in eurer Firma. Wenn sie das kann, kann es euer IT-Team auch. Go and do it. 📌 Take-aways Head of Sales / Geschäftsführer: Schreibt eure fünf Hände auf — welches Tool ist heute Gedächtnis, schreibende Hand, Ohr, Wille, Hüter des Tages? Ihr habt sie alle schon.IT / Power-Platform-Team: Prüft, ob Copilot Studio in eurer M365-Lizenz steckt (meistens ja), baut einen orchestrierenden Agenten, der EIN Tool sauber abfragt — fangt mit dem CRM an, hängt erst dann das nächste an.CFO: Fragt, wie viel Deal-Wissen verloren geht, wenn ein Vertriebler kündigt — das ist der echte Business Case; und fordert Outcome- statt Aktivitäts-Metriken. ⏱️ Timestamps 00:00 — Rückblick Teil 1: 95 % der KI-Projekte scheitern, nur 2 % nutzen KI für Umsatz02:00 — Das Problem: 60 Calls, 60 Versprechen, nichts sauber aufgeschrieben04:30 — Was ein Commercial Brain ist: ein Direktor statt Dashboard08:00 — Die fünf Spezialisten: Gedächtnis, Hand, Ohr, Wille, Hüter des Tages12:30 — Warum es bald jeder will: Lager, CEO, institutionelles Gedächtnis16:00 — Der Tagesplan aus dem Firmenwissen + warum das keine Werbung ist18:30 — Das Rezept: in Tagen bauen auf Copilot Studio, nicht im Halbjahrespilot 🎙️ Über den Host Malcolm Werchota leitet KI-Adoptionsprogramme für Unternehmen in ganz Europa. Studium: Physik / Werkstoffwissenschaft an der Montanuniversität Leoben. 10 Jahre Erdöl & Erdgas, 3 Jahre Novartis (Head of Strategy einer 2-Mrd-USD Business Unit). Am 30. November 2022 kam ChatGPT raus. Einen Monat später hat er gekündigt. Heute Co-Founder werchota.ai und coatingAI. Lebt in Lochau am Bodensee mit Masha, Camila, Sophia und Alex. 🚀 Ressourcen für Führungskräfte 📚 Chief AI Academy — KI für Entscheider🎯 AI Commercial Playbook — diagnostiziert eure 10-Säulen Commercial Maturity👥 AI Leadership Community🌐 werchota.ai 📬 Kontakt LinkedIn: linkedin.com/in/malcolmwerchotaE-Mail: malcolm@werchota.aiWhatsApp: +43 676 6144 904 📰 Quellen + Referenzen Das Commercial Brain wurde gebaut von Maria „Masha" Werchota in Microsoft Copilot Studio — auf dem Microsoft-365-Stack (Outlook, Dynamics/CRM, Teams)Prinzip dieser Folge: „Strategie ohne Pipeline ist Meinung; Pipeline ohne Strategie ist nur eine Liste."Genannte Werkzeuge: CRM (HubSpot / Salesforce / Dynamics), Microsoft Teams, Microsoft Planner, SharePoint, Azure (Vektordatenbank), Word für die AngebotserstellungModell hinter dem Agenten: kein Frontier-Modell nötig — ein ChatGPT-5.2-Klasse-Modell genügtSalesforce-KI (Agentforce) als Gegenbeispiel: fragt nur Salesforce ab, n...

    21 min
  5. #145 - Ihr nutzt KI fürs Falsche: Warum nur 2% damit mehr verkaufen (Commercial Playbook, Teil 1)

    Jun 29

    #145 - Ihr nutzt KI fürs Falsche: Warum nur 2% damit mehr verkaufen (Commercial Playbook, Teil 1)

    Title: #145 - Ihr nutzt KI fürs Falsche: Warum nur 2% damit mehr verkaufen (Commercial Playbook, Teil 1) Ich war ein paar Wochen unterwegs — Keynotes bei einer Bank, vor einer Gruppe Galabauern, bei einer Private-Equity-Firma. Und alle sind in dieselbe Richtung gegangen: Ihr nutzt KI fürs Falsche. Eure ganzen KI-Projekte stecken in Content, Marketing-Texten, Social-Media-Posts — also genau dort, wo ihr nie zeigen könnt, dass ihr damit mehr Geld macht. Heute ändern wir, wie ihr eure KI-Projekte aussucht. 📍 Worum es heute geht: Die berühmte „95 Prozent aller KI-Projekte liefern keinen messbaren ROI"-Zahl macht ständig die Runde — und sie ist als Studie B******t (das waren Interviews, keine Studie). Aber der Kern stimmt: Firmen können den ROI ihrer KI nicht messen, weil das Budget in Low-ROI-Bereiche fließt. Es gibt einen Ausweg: alle Projekte auf Pause, und nur noch dort investieren, wo ihr mehr Umsatz macht — in Commercial und Sales. Laut Studie machen das in Deutschland nur 2 Prozent. Genau diese Lücke ist eure Chance. 🍽️ Das Restaurant, das die falsche Speisekarte poliert. Stell dir ein Restaurant vor, das die ganze Zeit in eine schönere, größere, personalisierte Speisekarte investiert. Nobody gives a shit — denn in der Küche läuft alles schlecht: Bestellungen kommen falsch raus, To-Dos werden vergessen, Offerten brauchen Wochen statt Minuten, die Reservierung ist Chaos. Genau das machen Firmen mit KI: Sie optimieren die Speisekarte (ein paar Texte, ein paar Bilder), während das operative Herzstück — der Sales — komplett unangetastet bleibt. 👨‍💼 Markus, Head of Sales. Mittelgroßer deutscher Maschinenbauer, 300 Mitarbeiter, 80–100 Mio. Umsatz. Der Vorstand hat „wir brauchen KI" beschlossen, Markus hat ein Budget — und keine Ahnung was er damit soll. Ich frage ihn: Wie war deine Forecast-Genauigkeit? Schweigen. Wie lange dauert ein typisches Angebot? Drei Wochen. Und die 20 anderen Angebotstypen? Schweigen. Wie viele Deals hast du verloren, weil das Angebot zu spät oder falsch konfiguriert war? Schweigen. Das ist nicht Markus' Schuld — das ist das System. Mein Prinzip: Ihr könnt keine Commercial AI fahren auf einem Prozess, der unauditiert ist. Deine CNC-Maschine kennst du aufs Hundertstel — deinen Sales-Schlamassel nicht. 📈 Die drei Zahlen für deinen Vorstand. Erstens: 2,6× höhere Wahrscheinlichkeit auf kommerzielles Wachstum (nicht Produktivität — nobody gives a shit about Produktivität) bei KI-gestützten Handlungsempfehlungen (Gartner, 250+ CSOs). Zweitens: 83 % der KI-nutzenden Vertriebsteams haben mehr Umsatz gemacht vs. 66 % ohne — fast 20 Punkte Lücke. Bei 100 Mio. Umsatz sind 17 Prozentpunkte = 17 Mio. Euro. Wollt ihr das auf dem Tisch liegen lassen? Drittens: 79 % statt 51 % Forecast-Genauigkeit. Der Vorstand fährt heute im Nebel — KI ist der Scheinwerfer, der bessere Kapitalallokation erlaubt. 🎯 Die fünf Bereiche, wo KI heute Geld macht. Das Modell ist egal — Copilot, Azure, Gemini, wurscht. Der Moat ist nicht das LLM, sondern eure Commercial Engine: (1) Forecast Intelligence, (2) Install-Base Mining — verdienst du bei ähnlichen Kunden gleich viel?, (3) CPQ / Angebotserstellung von Wochen auf Stunden (60–80 % weniger Bearbeitungszeit, höhere Win-Rate), (4) Deal Desk, (5) Rep Ramp. Alle 10 Säulen des Commercial Playbooks arbeiten zusammen — ein schnelles Angebot allein reicht nicht. 🙅 Die drei Ausreden — und warum sie nicht zählen. „Die KI halluziniert" — eure Vertriebler halluzinieren nonstop (falsche Preise, Lieferzeiten), nur sind KI-Halluzinationen nachvollziehbar und korrigierbar. „Unsere Daten sind ein Chaos" — du arbeitest schon im Chaos; fang mit den Kunden von morgen an, nicht mit 20 Jahren Altlast. KI ist der Forcing Factor, der eure Datenhygiene endlich bereinigt. „Meine Vertriebler nutzen das nie" — falsch: Vertriebler HASSEN Protokolle und CRM-Tipperei. Nimm ihnen das weg, und sie lieben es. Wer es trotzdem nicht macht, dessen Firma wird es bald nicht mehr geben. 🏎️ Hört auf, dem Modell-Krieg zuzuschauen. Fable 5 ist da, dann wieder weg, ChatGPT 5.6 kam heute raus — der Modell-Krieg ist für euch vorbei. Was zählt: eure Sales- und Revenue-Strategie mit der KI verbessern, die ihr heute schon habt. Ihr habt eine Commercial Engine, die nicht funktioniert — und euer Konkurrent hat seine aus der Garage geholt und fährt 200 km/h damit. 📌 Take-aways Head of Sales / CEO (jeder CEO ist Head of Sales): Auditiert euren Sales-Prozess BEVOR ihr einen Cent in KI steckt — 80-Fragen-Audit oder externe Interviews mit jedem Vertriebler. Vorstand: Nehmt die letzten 100 KI-Projekte und seid ehrlich — wie viele sind da, um mehr Umsatz zu machen? Stellt den Rest auf Pause und investiert nur noch in Commercial. CFO: Geht von 51 % auf 79 % Forecast-Genauigkeit — damit könnt ihr Kapital endlich nach Evidenz allokieren statt im Nebel. ⏱️ Timestamps 00:00 — Wieder da: Notre Dame, Keynotes — und „ihr nutzt KI fürs Falsche" 03:00 — Die 95-%-Studie ist B******t — aber der ROI-Kern stimmt; nur 2 % in DE verkaufen mehr mit KI 07:30 — Das Restaurant: die schöne Speisekarte vs. die chaotische Küche 10:30 — Markus, Head of Sales: das Schweigen auf die einfachen Fragen + das Audit-Prinzip 14:00 — Die drei Zahlen für den Vorstand: 2,6× · 83 % vs. 66 % (17 Mio.) · 79 % vs. 51 % 20:00 — Die fünf ROI-Bereiche: Forecast, Install-Base, CPQ, Deal Desk, Ramp 25:30 — Die drei Ausreden entkräftet: Halluzination, Datenchaos, „nutzt eh keiner" 31:00 — Schluss mit dem Modell-Krieg; die Commercial Engine in der Garage — Ausblick Teil 2 👉 Teil 2 (#146 — das Commercial Brain) kommt: Wie ihr aus den 10 Säulen einen echten Motor baut — den Beweis aus echten Engagements und ein klares „Hier fängt ihr an", ohne Buzzwords. 🎙️ Über den Host Malcolm Werchota leitet KI-Adoptionsprogramme für Unternehmen in ganz Europa. Studium: Physik / Werkstoffwissenschaft an der Montanuniversität Leoben. 10 Jahre Erdöl & Erdgas, 3 Jahre Novartis (Head of Strategy einer 2-Mrd-USD Business Unit). Am 30. November 2022 kam ChatGPT raus. Einen Monat später hat er gekündigt. Heute Co-Founder werchota.ai und coatingAI. Lebt in Lochau am Bodensee mit Masha, Camila, Sophia und Alex. 🚀 Ressourcen für Führungskräfte 📚 Chief AI Academy — KI für Entscheider🎯 AI Commercial Playbook — diagnostiziert eure 10-Säulen Commercial Maturity👥 AI Leadership Community🌐 werchota.ai 📬 Kontakt LinkedIn: linkedin.com/in/malcolmwerchotaE-Mail: malcolm@werchota.aiWhatsApp: +43 676 6144 904 📰 Quellen + Referenzen Gartner CSO Survey, n=227, Aug–Sep 2025 — 2,6× Commercial Gr...

    34 min
  6. #144 - Wie ich 94 Slides gebaut habe ohne zu prompten (Teil 2/2)

    Jun 18

    #144 - Wie ich 94 Slides gebaut habe ohne zu prompten (Teil 2/2)

    Title: #144 - Wie ich 94 Slides gebaut habe ohne zu prompten (Teil 2/2) Teil 1 vom Montag war Theorie: Was ist ein Loop? Wie unterscheidet sich das von Agents und Workflows? Heute der konkrete Teil. Wir nehmen einen echten Use Case — meinen Workshop-Closeout bei Gärtner von Eden mit 94 Slides — und bauen ihn Schritt für Schritt mit Loops. Ihr seht, wie man konkret prompted, was die Done-Conditions sind, und warum dieselbe Logik bei Sales-Calls, F&E-Reports und Procurement-Audits funktioniert. 📍 Worum es heute geht: Loops am echten Workshop-Closeout — von 20 Workshop-Transkripten zum verifizierten 94-Slide-Deck. Mit konkreten Prompt-Mustern, der "linken Felge" und einer Einladung nach Wien. 🪙 Der Goldwäscher (Content-Extraction Loop). 20 Aufnahmen, Interviews, Toothbrush-Tests, Breakout-Rooms. Wie zieht ihr da raus, was wirklich drin ist? Ihr sagt der KI: "Extrahiere die Use Cases. Jeder Use Case braucht mindestens DREI Belege aus dem Transkript. Wenn nicht — raus. Wenn ja — drinnen." Und dann lasst ihr es laufen. Drei, vier Mal. Mit immer feinerem Sieb. Bis das Gold übrig bleibt. Das ist Loop Nummer eins. 🛠️ Die linke Felge (Personal Verify Loop). Mein Mechaniker weiß, wenn der Malcolm kommt — die linke Felge ist zerkratzt. Jedes Mal. Er muss nicht jeden Aspekt prüfen. Er prüft DAS eine, was bei mir IMMER schiefgeht. Genau das macht ein Verify Loop: er prüft NICHT alles, er prüft eure typischen Fehler. Wenn die KI bei euch immer Use Cases erfindet, die nie im Interview vorkamen — Verify Loop prüft genau das. Drei Mal. Vier Mal. Bis sicher. 📋 Memory Loop als Audit-Log. Ihr braucht keinen perfekten Mega-Prompt. Ihr braucht einen Memory Loop, der mitschreibt was passiert. Eine Zeile pro Schritt. Was wurde gebaut? Was wurde geprüft? Was war rot, was wurde gefixt? Wenn die KI in drei Stunden Arbeit vergisst, was sie gemacht hat — der Memory Loop weiß es noch. Audit-Log mit zwei Funktionen: erstens, lückenlos prüfbar. Zweitens, die KI selbst kann reinschauen und sich erinnern. 🏗️ Die 5 Templates aus der Nacht (im Detail im Listener Artifact unten): T1 — Content Extraction Loop: Goldwäscher. Aus messy Sources (Transkripte, Calls, E-Mails) das Gold sieben.T2 — Generation with Source-Pinning: Bauteil mit Prüfsiegel. Jede Behauptung muss auf eine Quelle zeigen, sonst FAIL.T3 — Adaptation Loop: Heimwerker am Auto. Eine Schraube ändern, nicht den Motor.T4 — Mechanical Verify: TÜV-Prüfer. Deterministisches Skript, keine LLM-Bewertung.T5 — Self-Catch Loop: Prüfstatiker. Frischer QA-Subagent, ohne Build-Kontext, findet deine eigenen Widersprüche. ⚡ Der 03:42-Moment. Die Build ist durch. Mechanical Verify grün. Espresso #3. Ich starte den QA-Subagent (frischer Kontext, kennt den Build nicht). 4 Minuten später schreibt er mir: "Die Rubric sagt Modul 03 unangetastet. Aber Slide 27 hat eine neue Bildreferenz. Welche Version stimmt?" — und ich dachte: f*ck. Ich hatte beides geschrieben. In meiner EIGENEN Rubric. Eine andere KI hat MICH gefunden. 📌 Drei Take-aways für drei Rollen: CTO/CDO: T4 zuerst. Mechanical Verify ist die einzige Schicht, die nicht lügt. Baut das vor allem anderen.Head of Sales: T1 (Extraction). CRM-Notizen, Calls, E-Mails — Goldwäscher. Was bewegt sich? Wer signalisiert?R&D-Lead: T2 (Source-Pinning). KI in Forschung MUSS Quellen pinnen, sonst halluziniert sie eure Reputation kaputt. 💼 Wo das in eurer Firma als Pattern auftaucht — die 10-Säulen Commercial Maturity bei werchota. Säule 9 Sales Ops & Performance Management = im Kern T4 + T5: eure Pipeline-Daten validieren sich selbst gegen die Pipeline-Regeln, ohne dass jemand wöchentlich im Forecast-Call alles abfragt. Wer wissen will, wo in der eigenen Commercial Engine Loops ansetzen können — Link unten. 🎒 Bonus: Ich bin diese Woche in Wien. Donnerstag bei der RBI. Wenn ihr in Wien seid und euch treffen wollt — pingt mich auf WhatsApp 0043 676 6144 904. Oder wenn ihr mit eurer KI an einer Stelle hängt und nicht weiterkommt — ping. Manchmal bauen wir gemeinsam einen Loop für euren Case. ⏱️ Timestamps 00:00 — 30-Sekunden-Recap aus Teil 1 (Fable 5, US-Handelsministerium, Loops)02:00 — Der konkrete Use Case: Gärtner von Eden Workshop-Closeout05:00 — Content-Extraction Loop: der Goldwäscher09:00 — Generation-with-Source-Pinning: das Bauteil mit Prüfsiegel12:00 — Adaptation Loop: nur die linke Schraube, nicht der Motor14:30 — Mechanical Verify: warum LLM-as-judge nicht funktioniert17:00 — Self-Catch Loop: der 03:42-Moment, der QA-Subagent fängt MICH19:30 — Die linke Felge: personalisierter Verify auf eure typischen Fehler21:30 — Memory Loop als Audit-Log + Einladung nach Wien🎙️ Über den Host Malcolm Werchota leitet KI-Adoptionsprogramme für Unternehmen in ganz Europa. Studium: Physik / Werkstoffwissenschaft an der Montanuniversität Leoben. 10 Jahre Erdöl & Erdgas, 3 Jahre Novartis (Head of Strategy einer 2-Mrd-USD Business Unit). Am 30. November 2022 kam ChatGPT raus. Einen Monat später hat er gekündigt. Heute Co-Founder werchota.ai und coatingAI. Lebt in Lochau am Bodensee mit Masha, Camila, Sophia und Alex. 🚀 Ressourcen für Führungskräfte 📚 Chief AI Academy — KI für Entscheider🎯 AI Commercial Playbook — diagnostiziert eure 10-Säulen Commercial Maturity👥 AI Leadership Community🌐 werchota.ai📥 Loop Templates Collection (T1-T5) — kostenlos zum Download📬 Kontakt LinkedIn: linkedin.com/in/malcolmwerchotaE-Mail: malcolm@werchota.aiWhatsApp (für Wien-Meetup oder Loop-Hilfe): +43 676 6144 904📰 Quellen + Referenzen Gärtner von Eden Workshop, Düsseldorf (11. Juni 2026)Lance Martin (Anthropic Research) — Agent Loops InfografikAnthropic Fable 5 + Mythos 5 Launch (9. Juni 2026, Export-Stopp 12. Juni 2026)Loop-Methode angewandt auf: Workshop-Closeout, Sales-Pipeline, F&E-Reporting, HR-Bewerber-Filter, Vorstands-Strategie-AuditTags: #LoopTemplates #ContentExtraction #SourcePinning #MechanicalVerify #SelfCatchLoop #AuditLog #MemoryLoop #Workshop #CommercialPlaybook #Mittelstand #DACH #werchota #DasKIKochbuch #Bregenz #Wien Need to diagnose your commercial engine? malcolm@werchota.ai Take care for now. Malcolm out.

    23 min
  7. #143 - Loops statt Prompts: Was sich gestern Nacht verändert hat (Teil 1/2)

    Jun 15

    #143 - Loops statt Prompts: Was sich gestern Nacht verändert hat (Teil 1/2)

    Title: #143 - Loops statt Prompts: Was sich gestern Nacht verändert hat (Teil 1/2) Codewort: Fable 5. Am 9. Juni 2026 hat Anthropic zwei neue Modelle rausgebracht — Fable 5 und das Schwestermodell Mythos 5. Wir hatten drei bis vier Tage Zugang. Dann hat Amazon-CEO Andy Jassy das US-Handelsministerium kontaktiert, ein Notfall-Export-Kontroll-Order wurde erlassen, und die Modelle wurden weltweit abgeschaltet. Zum ersten Mal in der Geschichte hat die USA ein KI-Modell als so gefährlich eingestuft wie Waffen oder NVIDIA-Grafikkarten. Aber diese drei Tage haben mir etwas gezeigt: Fable 5 war nicht schlauer. Es arbeitete anders. Wo wir uns früher 4-5 Stunden wundgepromptet haben, drückst du bei Fable 5 nach einer halben Stunde auf "Go" — und das Ding läuft 5 Stunden autonom durch. Diese Art zu prompten heißt: Loops. Und das Beste: sie funktioniert auch mit den alten Modellen. Opus 4.7. Sogar Codex Legacy. Schockierend gut. 📍 Worum es heute geht: Wie man Prompting neu erlernt. Loops vs. Agents vs. Workflows. Wie Malcolm den Close-out seines Düsseldorfer Gärtner-von-Eden-Workshops (11h Tag) in einer Nacht gebaut hat — mit der Möglichkeit, zwischendurch Pause zu machen. 🌡️ Die Heizungs-Analogie. Ihr stellt eurer Heizung 21 Grad ein. Ihr sagt ihr nicht jede Minute "jetzt heizen, jetzt stoppen". Die Heizung regelt sich selbst. Mit Feuer im Kamin. Mit geöffneten Fenstern. Mit allem was sie hat. Ihr seid weg. Das ist ein Loop. 🤖 Loops vs. Agents vs. Workflows. Ein Agent ist wie ein selbstfahrendes Auto — Tesla, ID Buzz — eine konkrete Aufgabe, ihr drückt, das Ding fährt. Ein Workflow ist eine feste Abfolge (E-Mail kommt → Agent läuft → wird abgespeichert). Loops sind die Mitte: das Beste aus beiden Welten. Eine Zielsetzung, dazwischen 4-7 Helfer-Agenten, die ständig prüfen ob die Arbeit richtig gemacht wird. 📋 Die 4 Komponenten eines Loops: External Done-Condition — die Rubrik.md. Heilig. Nicht mal die KI darf sie ändern.Build-Loop — der Heizkörper. Baut, bis der Sensor sagt: fertig.Verify-Loop — der Sensor (oder beim Formel-1-Boxenstopp: der Mann mit dem Lollipop). Grün oder rot. Keine Meinung.Memory-Loop — das Kurzzeitgedächtnis. Löst das Context-Window-Problem. Macht 3-5 Stunden autonomes Arbeiten möglich.🏎️ Die Formel-1-Analogie. Boxenstopp. Vorne steht jemand. Reifen montiert? Tank voll? Visier sauber? Sobald alle grün — der Mann geht weg, das Auto darf fahren. Das ist Build-Loop + Verify-Loop in einem Bild. 🏗️ Die Baustellen-Analogie. Der Polier (Build-Agent) muss nicht jede Minute da sein. Er kann eine Woche weg sein. Maurer, Elektriker, Installateur arbeiten. Der Prüfstatiker (Verify-Agent) kommt mit frischen Augen — "die Wand steht schief". Der Vermesser (Memory-Loop) schreibt alles auf. Ihr seid der Bauherr. Ihr habt den Plan unterschrieben. Ihr wartet auf den Schlüssel. ⚙️ Wie man einen Loop konkret baut — 4 Markdown-Dateien: Goal.md — die große ZielsetzungRubrik.md — die externe Done-Condition (verifizierbare Kriterien, die KI darf sie NICHT anfassen)Build-Agent.md — die Bauanleitung mit Verifikations-Loop nach jedem ModulMemory-Loop — eine Zeile pro abgeschlossenem Schritt — kein Kontext-Verlust auch nach 3 Stunden🏭 Die SPS-Analogie für Werkleiter. Eine speicherprogrammierbare Steuerung in einer Produktionslinie läuft total alleine. Warum? Weil drinnen Loops sind. Selbstkorrigierende, in-sich-geschlossene Systeme. Genau das macht ihr jetzt mit eurer KI. 💼 Loops im Sales. Der Verkäufer hat ein Kundenmeeting. Statt 2 Stunden CRM-Eingabe + Lead-Qualifizierung + Angebot-Schreiben: Meeting machen → Computer ausschalten → 2 Stunden Pause → zurückkommen → fertige Offerte in der Outbox, nur noch durchlesen + abschicken. 🚀 Was das praktisch bedeutet: 30-45 Minuten Setup. Dann drückt ihr "Go" — und ihr könnt 2 Stunden weggehen. Hausaufgaben mit den Kindern. Mittagessen kochen. Einen Film schauen. Das erste Mal können wir KI wirklich konzentriert lang laufen lassen, ohne alle 10 Minuten reinzuschauen. 🎯 Drei Montag-Aktionen: CTO/CDO: schreibt EINE Rubrik.md für einen wiederkehrenden Prozess. Heute Nachmittag, 30 Minuten, externer Datei.Werkleiter/Innovation Lead: identifiziert EINEN Prozess, der "jede Minute schreit" — und macht ihn zum 21-Grad-Loop.Head of Sales: schreibt EINE Pipeline-Stage-Definition als Rubrik — z.B. "qualifizierter Lead = 5 Kriterien, jedes binär PASS/FAIL".📺 Cliffhanger zu Teil 2: Donnerstag schauen wir uns Loop-Templates konkreter an. Wie ihr eigene Loop-Templates baut. Mit konkretem Walk-Through. 🔗 Bonus: Hört euch die Folge ein zweites Mal an. Beim ersten Mal ist es technisch. Beim zweiten Mal versteht ihr alle Hebel. 🎙️ Folge mir auf LinkedIn für tägliche KI-Insights aus der DACH-Realität. ⏱️ Timestamps 00:00 — Cold Open: Fable 5 + Mythos 5 — die 3 Tage, die mein Prompting verändert haben04:00 — Das US-Handelsministerium und der Export-Kontroll-Bann (erstes Mal für ein KI-Modell)07:00 — Düsseldorf, Gärtner von Eden, 11-Stunden-Workshop und der nächtliche Close-out10:00 — Loops vs. Agents vs. Workflows — die drei Welten14:00 — Die Heizungs-Analogie: Goal, Build, Verify, Memory18:00 — Die Formel-1-Boxenstopp-Analogie + Baustellen-Analogie22:00 — Warum Prompts an die Decke stoßen: Context Window, Halluzinationen, Inkonsistenz25:00 — Wie ihr einen Loop konkret baut: Goal.md + Rubrik.md + Build-Agent.md + Memory-Loop28:00 — Workshop-Prep: 30 Min Setup, dann 2-3 Stunden weggehen30:00 — SPS für Werkleiter, Sales-Loop für Head of Sales, Cliffhanger zu Teil 2 + Close aus Bregenz🎙️ Über den Host Malcolm Werchota leitet KI-Adoptionsprogramme für Unternehmen in ganz Europa. Studium: Physik / Werkstoffwissenschaft an der Montanuniversität Leoben. 10 Jahre Erdöl & Erdgas, 3 Jahre Novartis (Head of Strategy einer 2-Mrd-USD Business Unit, dann Head of Business Unit Health). Am 30. November 2022 kam ChatGPT raus. Einen Monat später hat er gekündigt. Heute Co-Founder werchota.ai und coatingAI. Lebt in Lochau am Bodensee mit Masha, Camila, Sophia und Alex. 🚀 Ressourcen für Führungskräfte 📚 Chief AI Academy — KI für Entscheider🎯 AI Commercial Playbook — diagnostiziert eure 10-Säulen Commercial Maturity👥 AI Leadership Community🌐 werchota.ai📬 Kontakt LinkedIn: linkedin.com/in/malcolmwerchotaE-Mail: malcolm@werchot...

    32 min
  8. #141 - Wie ChatGPT ein 80 Jahre altes Mathe-Problem für 1.000 Euro gelöst hat

    Jun 11

    #141 - Wie ChatGPT ein 80 Jahre altes Mathe-Problem für 1.000 Euro gelöst hat

    Stellt euch Dr. Katharina Hess vor. Sie leitet die Computational Chemistry Group bei einer der großen Pharmafirmen im Novartis-Korridor. 11 Postdocs und Data Scientists unter sich. Nicht drei Projekte — 30 offene Projekte. Forschungszyklen von 5, 10, 20 Jahren. Vor fünf Tagen schlägt sie Nature auf. Die Headline springt sie an: "AI cracks an 80-year-old mathematical challenge."Sie liest. Liest nochmal. Beim dritten Mal versteht sie: ihre F&E-Abteilung läuft bald auf Steroiden. Nicht weil das Mathe-Problem so spektakulär ist — sondern weil die Methode, wie es geknackt wurde, alles ändert. Und der eigentliche Schock: die KI, die das gelöst hat, war kein superduper Spezial-Mathe-Modell. Es war ChatGPT. Ja, euer ChatGPT. 🧮 Wer war Paul Erdős? Ungarischer Mathematiker, 1913 geboren. Einer der produktivsten Mathematiker des 20. Jahrhunderts — über 1.500 Fachartikel. Restless. Keine Wohnung. Kein fixes Büro. Heute würde man "digitaler Nomade" sagen — damals war er einfach von Universität zu Universität gewandert. Seine Leidenschaft war nicht das Lösen — sondern das Formulieren. Er hat über 1.000 offene mathematische Fragen gestellt. Und er hat Geldprämien gesetzt: 25 Dollar bis 10.000 Dollar für die Lösung. 📐 Das Problem: Planar Unit Distance Stellt euch einen großen Platz vor. Ihr nehmt 1.000 Reißnägel. Wie viele Nagel-Paare könnt ihr gleichzeitig genau gleich weit voneinander aufstellen — sagen wir 1 Zentimeter? Klingt einfach. Ist es nicht. 1984 hat eine Gruppe unter Spencer und Trotter die obere Grenze auf n hoch 4/3 ausgerechnet. Diese Grenze hat sich 40 Jahre lang nicht bewegt. Noga Alon, der in Princeton lehrt: "It was one of Erdős' favorite problems." 💸 Wie ChatGPT es gelöst hat — für ~1.000 Euro Erstmal: welches ChatGPT? Nicht das, das eure E-Mails halb durcheinander schreibt. Das Reasoning-Modell — GPT-5.4 oder das Pro-Modell. Ihr müsst draufdrücken und das richtige Modell wählen. Der Prompt war fast unscheinbar: "Could Erdős be wrong? Could the way he reasoned about this answer be flawed?" Und dann hat das Modell gearbeitet. Komplett autonom. 125 Seiten geschrieben. Circa 100.000 Tokens. Kosten: zwischen 100 und 1.000 Euro. Vergleich: Ich fliege morgen zu einer Erdöl-Erdgas-Firma nach Hannover. Der Flug Zürich-Hannover: 800 Euro. Die Tokenkosten, um ein mathematisches 80-Jahre-Problem zu lösen, sind in der Größenordnung eines einzigen Business-Trips. 🔧 Der Trick: nicht der bessere Schraubenzieher, sondern ein ganz anderer Schlüssel Mathematiker haben 40 Jahre lang die Werkzeuge der Geometrie benutzt: Inzidenzgeometrie, Trotter-Theorem, Kreuzungsanzahl-Methode. Diese Werkzeuge kommen zu einer natürlichen Decke — die n^(4/3)-Grenze. Die KI hat etwas ganz anderes gemacht. Sie hat aus dem Werkzeugkasten einen anderen Schlüssel rausgeholt: algebraische Zahlentheorie. CM-Körper. Komplex-Multiplikations-Felder. Unendliche Galois-Türme. Sie hat das Problem nicht gelöst. Sie hat es umformuliert — von einem geometrischen zu einem zahlentheoretischen Problem. Und plötzlich war die Antwort viel besser und konkreter. 👨‍🏫 Die Verifizierung — neun Fields-Medaillen-Träger OpenAI hat das nicht einfach verkündet. Sie haben gewusst: das hat ein LLM geschrieben — da muss ein Mensch drüber schauen. Also haben sie das Paper an eine Gruppe von 9 Mathematikern und Physikern gegeben: Noga Alon (Princeton)Daniel Litt (Toronto)Melanie Wood (Harvard)...und 6 weitereManche davon sind Fields-Medaillen-Träger — der "Nobelpreis für Mathematik". Sie haben gemeinsam ein Paper geschrieben, um zu prüfen: ist das richtig oder Vollscheiß?  "There is no question — it is incredible that the AI managed this. It shows us that AI is more than just an assistant for mathematicians. It looks as if AI itself can have ingenious ideas." 🎯 Demis Hassabis bremst — und gleichzeitig nicht Der DeepMind-CEO (der KI-Arm von Google) hat sich gemeldet: "Für eine KI war das eigentlich gar nicht so schwierig." Warum? Weil das Problem zwar extrem schwer zu lösen ist — aber begrenzt. Es ist nicht, dass die KI jetzt 1.000 andere schwierige Sachen machen kann. Aber acht andere Experten sagen das Gegenteil: das wirklich Clevere war nicht die Lösung. Das Cleverste war die Umformulierung — die Cross-Domain-Synthese. Und genau dorthin kommen wir jetzt. 🧬 Eure F&E-Abteilung — die Silo-Forschung muss sterben Was machen Pharmaforscher? Sie arbeiten in Silos. Drug Discovery ist ein Paradebeispiel: Medizinchemiker definieren und finden die ZieleBiologen kennen die PathwaysStatistiker arbeiten sich durch die DatenAber die arbeiten in ihren Silos. Sie reden nicht miteinander auf der Ebene, wo Durchbrüche passieren. Leonardo da Vinci konnte das. Mathematik + Chemie + Physik + Anatomie — alles in einem Kopf, alles verknüpft. Heute ist das wegen der Informationsflut unmöglich für einen Menschen. Aber eine KI? Eine KI hat genau diese Cross-Domain-Synthese. Side note: Google DeepMind hat schon vor zehn Jahren mit AlphaFold den Nobelpreis gewonnen — für das Lösen des Protein-Folding-Problems. Das war auch Cross-Domain. Wenn Pharmafirmen das verstanden hätten, wären sie heute ein Jahrzehnt weiter. 🦴 Die unbequeme Wahrheit für eure Senior-Forscher Wer sind in einer F&E-Abteilung die teuersten Leute? Nicht die Junioren. Es sind die 30-Jahre-Senioren, die eine Dreiviertelmillion Euro pro Jahr verdienen. Und das sind die schlimmsten KI-Nutzer. Weil sie fundamental sagen: "Die letzten 40 Jahre habe ich so geforscht — ich brauche kein ChatGPT." Wenn ihr in eurer Firma einen Doktoranden einstellt, ist die Frage 2026 nicht mehr nur "ist er gut in seinem Thema?" Es ist: Kann er ein Reasoning-Modell richtig prompten?Kann er Cross-Domain-Anfragen stellen — "Wie würde ein Biologe das sehen? Wie ein Ökonom?"Drückt er auf "Auto" oder wählt er bewusst GPT-5.4 Reasoning?⚖️ Die Rechtsabteilung wird euch auf die Finger hauen Stellt euch vor: ihr habt etwas Geniales mit ChatGPT entdeckt. Ihr wollt es patentieren. Wer ist der Erste, der euch stoppt? Die Rechtsabteilung. Weil: Gehört das uns? Oder OpenAI?Gehört es Microsoft (wenn ihr Copilot benutzt habt)?Wer hält das Patent?Und die Antworten sind noch nicht geklärt. Eure Entdeckungen können 2 Jahre in der Legal-Abteilung liegen bleiben. Plant das ein. 🎯 Drei Montag-Aktionen für jede F&E-Abteilung Reasoning-Modelle JETZT ausrollen. Nicht "Auto"-Modus, nicht der schnelle Default. Trainiert eure Forscher, bewusst GPT-5.4 Pro oder Claude Opus zu wählen. Die Antwortqualität verdreifacht sich.Token-Budget pro Forscher dramatisch erhöhen. 100 Euro pro Monat ist 2020er-Denken. Gebt ernsthaften Forschern 100.00...

    23 min

About

Malcolm Werchotas KI-Kochbuch ist der Ort, wo künstliche Intelligenz auf authentische Business-Transformation trifft. Bekannt für seinen direkten Stil und seine Bereitschaft, KI live in Aktion zu zeigen – sogar während Präsentationen – hilft Malcolm Organisationen zu verstehen, dass es bei KI nicht darum geht, Menschen zu ersetzen, sondern ihre Fähigkeiten zu verstärken. Von Sprachnotiz-Produktivitäts-Hacks bis hin zu Echtzeit-Meeting-Intelligenz liefert dieser Podcast umsetzbare Einblicke für die sofortige Implementierung.

You Might Also Like