Think Different. Think AI.

Jens Scharnetzki und Mark Zimmermann

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 Menschen

  1. 15h ago

    Wer führt hier eigentlich ?

    Wer führt eigentlich, wenn jeder Mitarbeitende demnächst hundert Agenten hinter sich hat? Zum dritten Mal sitzt Dr. René Deist bei Mark und Jens im virtuellen Studio, diesmal mit konkretem Anlass: sein neues Buch „Wer führt hier eigentlich?“. Geschrieben hat er es bewusst dünn, lesbar auf einem Interkontinentalflug, adressiert ans C-Level und ohne technologische Tiefenbohrung. Mark merkt an, dass eine ausreichend verspätete Bahnverbindung es auch tut. Jens hatte das Buch im Urlaub auf dem Kindle dabei, zusammen mit, nun ja, einer Claude-Code-Installation, von der seine Frau besser nichts erfahren sollte. Das zentrale Bild der Folge kommt aus Renés Musikwelt. Führung funktioniert heute wie ein Dirigent: Die Unternehmensstrategie ist die Partitur, im Orchester sitzen die Talente, und die Aufgabe der Führungskraft ist, daraus etwas Wohlklingendes zu machen, in dem sich alle entfalten können. Das kippt gerade. René zitiert eine Gartner-Prognose, nach der bald jeder Mitarbeitende 109 Agenten haben wird (über die krumme Zahl wird in der Folge ausgiebig gelästert). Wenn das stimmt, dirigiert niemand mehr, sondern jeder Einzelne im Orchester muss selbst Strategien formulieren, also komponieren. Mark schiebt eine Gegenfrage nach: Ist es nicht eher ein Orchester im Orchester, wenn jeder Flötist sein eigenes vollständiges Ensemble hinstellen kann? Renés Antwort: im Kern ja, und die gute Nachricht ist, dass diese Transformation nicht über Nacht kommt. Genau deshalb kann man jetzt noch gestalten statt später zu reagieren. Aus dem IOC-Modell der Premierenfolge ist inzwischen Intent, Agent Performance und Human Check geworden. Renés Ausgangspunkt bleibt derselbe: KI will nichts. Sie hat keinen Intent und kann in sich selbst kein Risiko bewerten, weil sie es nicht fühlt. Am Beispiel Einkauf durchgespielt heißt das, der Mensch formuliert, welches Rohmaterial in welchem Volumen bei welchen Lieferanten verhandelt werden soll. Die Agenten schreiben an, werten Antworten aus, fragen Lücken nach und liefern am Ende die große Excel-Datei. Und dann schaut ein Mensch drauf und merkt, dass die Schraubenschmiede keine drei Trilliarden Schrauben liefern kann. Daraus leitet René ein Bildungsziel ab: Wer heute im Einkauf arbeitet, entwickelt sich in den nächsten Jahren zum Master im Intent oder zum Master in Check und Control. Dazwischen liegt die Arbeit, die Mark besonders interessiert, nämlich wer eigentlich die Agenten baut. Renés Antwort: Die Fachleute selbst müssen lernen, ihre Arbeitsschritte so zu zerlegen, dass daraus Skills werden, während die IT das Framework beisteuert, inklusive LLM as a Judge und Scoring-Modellen, die jeden Automationsschritt gegenprüfen. Die zweite These des Buchs heißt Prompt Thinking, und dazu liefert René eine Anekdote, die vermutlich viele kennen. Jemand fragt ihn, wie man denn Qualität sicherstellen wolle, wenn KI Prozesse autonom fährt, und schiebt als Begründung hinterher, er habe fünfmal versucht, sich eine PowerPoint bauen zu lassen, und dann aufgegeben. Renés Einwand: „Mach mal eine PowerPoint mit einer Strategie für bla“ produziert ein randomisiertes Ergebnis, vier Seiten Prompt mit Rolle, Erfahrung, Datenquelle, Struktur und Look and Feel produzieren ein steuerbares. Mark ergänzt die aus seiner Sicht wichtige Einschränkung: Prompt Thinking funktioniert vor allem dort, wo man sein Handwerk ohnehin beherrscht. Wer vorher keine guten Folien gebaut hat, bekommt sie auch von der KI nicht. Jens erinnert das an „Let me Google that for you“. Dann macht René das Paradox aus der Forschung auf: Es braucht mehr Führungskräfte, nicht weniger, weil plötzlich jeder seine hundert Agenten führen muss. Wenn zwei Abteilungen zusammenarbeiten, sitzen eben nicht zwei Menschen im Team, sondern 218 Agenten. Dass Automatisierung gleichzeitig bedeutet, mehr Aufgaben mit weniger Menschen zu erledigen, spricht er offen aus. Wie schief das laufen kann, wenn das Abbruchkriterium fehlt, zeigt Jens' Wochenend-Loop: 4.800 geöffnete Electron-Instanzen und ein Agent, der am Ende meint, das kriege er jetzt auch nicht mehr gefixt. Der Rat an alle, die zuhören und führen: AI Literacy ist ein Führungsthema, nicht mehr und nicht weniger als seinerzeit der Umgang mit dem Taschenrechner. Ja, die Leute können seitdem schlechter addieren, sagt René, es war trotzdem richtig. Dazu gehört für ihn ein Führungsverständnis als Dienstleistung statt als Königtum, das Einstellen von Leuten, die schlauer sind als man selbst, und der Raum zum Rumspielen für die eigenen Mitarbeitenden. Jens ergänzt, dass in diesem Umfeld ohnehin alle lernen, weshalb es keine Schande ist, wenn das Wissen mal von unten nach oben fließt. Beim Blick auf die Risiken widerspricht René der These von der Zweiklassengesellschaft zumindest für die westliche Welt. Er sieht eher eine Demokratisierung, Stichwort One-Person-Billion-Dollar-Company. Die echten Gefahren liegen für ihn woanders: sich zu spät damit zu beschäftigen, und die Abhängigkeit von denen, die die Technologie beherrschen und damit später die Preise machen. Erwähnt wird dazu eine Petition von rund 300 Unterzeichnenden, darunter 15 Nobelpreisträger sowie Leute von OpenAI und Google, die Regierungen auffordert, den strukturellen Wandel nicht zu stoppen, sondern zu führen. Der eindringlichste Teil kommt zum Schluss. René rät, den Dialogmodus von ChatGPT einmal auszuprobieren, weil er nach seinem Dafürhalten kaum noch von einem echten Gespräch zu unterscheiden ist. Genau daraus entsteht gerade ein Markt, in dem Beziehungen verkauft werden, auch mit Apps, die sich gezielt an Kinder richten und einen frei designbaren Companion anbieten, vom Teddybär bis zur real wirkenden Person. Renés Position ist unmissverständlich: Diese Form der KI gehört nicht in Kinderhände. Heranwachsende brauchen Reibung, sie müssen aushalten, dass etwas nicht funktioniert, und in Freundschaften investieren. Ein Companion streitet nie, der will gefallen. Sein praktischer Rat kommt aus dem eigenen Leben: Jede App, die seine Söhne installiert haben, hat er selbst auch installiert und gespielt, inklusive einiger saublöder Spiele. Mark spannt den Bogen zurück zur Toy-Wars-Folge und zu der Frage, die dem Buch den Titel gibt: An welchen Stellen führt man im Leben eigentlich selbst, und von wem lässt man sich führen?

    Wer führt hier eigentlich ?
  2. 6d ago

    Speed vs. Safety

    Was macht man, wenn die eigene Loop-Engineering-Folge von letzter Woche von der Realität überholt wird, bevor die Tinte trocken ist? Genau das ist Mark und Jens passiert, deshalb gibt es diese spontane Zusatzfolge. Auslöser ist Fable, das Anthropic-Modell, das vor wenigen Tagen für Nicht-US-Bürger gesperrt wurde. Die Strategie der US-Regierung könnte sein, ausgewählten Firmen und der eigenen Verwaltung einen Vorsprung beim Schließen genau dieser Lücken zu verschaffen, bevor Modelle aus weniger kontrollierbarer Hand ähnlich leistungsfähig werden. Von dort geht es zu Destillation: Chinesische Modelle bauen die Fähigkeiten großer US-Modelle nach, indem sie ihnen mit automatisierten Massenanfragen quasi das Wissen aus der Token Prediction herausextrahieren. Das trifft auch Unternehmen hart, die ihre Prozesse zu früh auf ein einzelnes Modell ausgerichtet hatten. Mark und Jens berichten von Kanzleien, die ihre komplette Textanalyse auf Fable umgestellt hatten und jetzt vor genau diesem Problem stehen, wenn das Modell abgeschaltet wird. Nebenbei taucht auch noch ein neuer Herausforderer namens Fuku (von einem Anbieter, an dessen Namen sich Jens im Gespräch selbst erst erinnern muss) auf, der eigene Rekord-Benchmarks für sich beansprucht. Direkt anschließend an die Loop-Engineering-Folge der Vorwoche geht es um die praktischen Grenzen von Loops: Jens berichtet von einer mehrtägigen Sperre bei Anthropic, nachdem er sein Wochenlimit im Max-Plan an einem einzigen Abend verbraucht hatte. Noch tückischer ist ein zweiter Fall: Trifft ein Loop mitten in der Arbeit auf ein API-Limit statt ein Modell-Limit, bricht er zwar ab, meldet sich aber nach einem einfachen "mach weiter" so zurück, als sei alles erledigt, samt der beiläufigen Bemerkung, es habe acht Abstürze gegeben, die man reparieren solle. Am Ende steht ein Ergebnis, das aussieht wie ein normaler Prompt, nicht wie die eigentlich gewünschte gründliche Iteration. Der Aufruf der Folge: weg vom reinen Prompt Engineering, hin zum Loop-Ingenieur. Zum Schluss ordnen die beiden ein, wie früh diese Phase der KI-Entwicklung eigentlich noch ist, vergleichbar mit dem Internet um 1997: vieles funktioniert schon, aber es gibt noch keine etablierten Standards, dafür aber schon die ersten Kurs-Verkäufer, die das große Geld versprechen. Ein Streitpunkt dabei sind Commodity-Harnesses wie ChatGPT, Gemini oder Anthropics Cowork gegenüber dem eigenen, selbstgebauten Agent Harness, der mit ständig wechselnden Modellen und Umgebungen klarkommen muss. Mark erzählt von jemandem, der sein selbstgebautes Harness-Ergebnis als "so eine JSON-App" abgetan hat, ein Anlass für eine eigene, ausführlichere Harness-Engineering-Folge, die die beiden ankündigen. Trotz aller Rückschläge bleiben Mark und Jens optimistisch: Sie vergleichen die aktuelle Phase mit dem iPhone-Moment, nach dem erst Anwendungen wie WhatsApp entstanden sind, die vorher niemand kommen sah, und erwarten Ähnliches für spontan generierte Software statt fertig gekaufter Programme.

    Speed vs. Safety
  3. Jul 5

    Loop Engineering

    Vor zwei, drei Jahren drehte sich alles um eine Frage: Wer schreibt den besten Prompt? Heute ist die eigentliche Frage laut Mark und Jens eine andere: Wer baut die beste Schleife, den besten Loop. Auslöser der Folge ist ein Zitat von Andrej Karpathy, der kürzlich öffentlich gemacht hat, dass Loop Engineering inzwischen wichtiger sei als Prompt Engineering. Mark zeichnet daraufhin seine eigene Entwicklung nach: von einer frühen Notion-Prompt-Datenbank ("Diskette war schon immer gut, wer will schon eine CD?") über Skills als Markdown-Dateien mit Sub-Skills und ausführbarem Python-Code bis zum eigentlichen Loop Engineering. Der Unterschied: Ein Loop bekommt kein einzelnes Kommando, sondern ein Ziel, klare Erfolgskriterien und die Anweisung, sich selbst so lange zu überprüfen und zu wiederholen, bis das Ziel erreicht ist. Die praktische Warnung der Folge: Wer eine KI ihre eigene Arbeit prüfen lässt, bekommt oft nur Selbstbestätigung zurück. Mark und Jens plädieren deshalb dafür, das Ergebnis (das "Act") von einem anderen Modell checken zu lassen, statt von demselben System, das es erzeugt hat, denn ein System, das sich selbst belobigt, ist kein kritischer Beobachter. Als Beleg zitiert Mark einen Post von Peter Steinberger zu genau diesem Ansatz und dem dazugehörigen Tokenverbrauch. Darauf aufbauend ordnen die beiden aktuelle Funktionen wie Claude Codes Goal-, Loop- und Workflow-Modus ein, inklusive Marks eigenem Ablauf: erst planen, dann mit einem Kritiker- und einem Meta-Analyse-Skill gegenprüfen lassen, dann per Goal automatisiert umsetzen lassen, auch wenn das mal 10, 12 oder 20 Stunden dauert. Ein wachsendes Thema in diesem Zusammenhang ist Harness Engineering. Je mehr Agenten und Loops parallel arbeiten, desto wichtiger werden Kontext und Memory (Stichwort "Second Brain", mit dem Beispiel der kurzfristigen Fable-Abschaltung als Warnung, wie schnell Kontext sonst verloren geht) sowie Governance-Fragen wie Auditierung und signierte Skills. Mark spinnt das Gedankenspiel humorvoll weiter zu einem "deutschen Behörden-Harness", der Bürokratie automatisiert und dadurch zum heimlichen Exportschlager werden könnte. Zum Abschluss grenzen die beiden Harness noch begrifflich von "Agentic OS" ab. Das Fazit der Folge: Es geht nicht darum, mit möglichst vielen Tokens zu beeindrucken, sondern ein klares Ziel zu definieren und der Maschine geduldig den Weg dorthin zu überlassen.

    Loop Engineering
  4. Jun 20

    Three Days of Fable

    Was passiert, wenn ein KI-Modell so gut ist, dass eine Regierung es einfach abschaltet? Genau das ist Anthropic mit seinem neuen Modell Fable 5 passiert, und Mark und Jens ordnen in dieser kurzfristig eingeschobenen Folge ein, was in nur drei Tagen daraus wurde. Fable 5 gehört zur sogenannten Mythos-Klasse, einer Modellreihe, die bislang nur großen Playern wie Amazon und Google zur Verfügung stand, weil sie ungewöhnlich gut darin ist, Sicherheitslücken aufzuspüren: Bei Firefox wurden so an einem Tag Hunderte kritischer Bugs gefunden und geschlossen, und laut einem Heise-Bericht knackte eine Sicherheitsfirma mit Mythos einen Speicherschutz-Exploit auf Apple-M5-Hardware in nur fünf Tagen. Jens berichtet aus erster Hand von seinem Praxistest mit Fable 5: kurze Prompts, wenig Vorprompting, dafür ungewohnt eigenständiges Arbeiten im Vergleich zu Opus 4.8 und GPT-5.5/Codex. Kurz nach dem Launch wurde jedoch der System-Prompt von Fable 5 geleakt, es gab eine Anhörung im Weißen Haus, und die US-Regierung stufte Anthropic als Lieferkettenrisiko ein und untersagte, das Modell nicht-amerikanischen Bürgern zur Verfügung zu stellen. Innerhalb von 90 Minuten war Fable 5 für alle anderen Nutzer weg, mitten in laufenden Sessions, mit hängenden Kontexten und Projekten, die sich nicht mehr sauber auf ein anderes Modell übertragen ließen. Die Folge zieht die geopolitische Linie weiter: Der Vergleich mit dem Kill-Switch-Verdacht bei F-35-Kampfjets liegt nahe, ebenso die Parallele zur Erkenntnis aus der Corona-Pandemie, dass Europa in kritischen Lieferketten erschreckend abhängig ist. Wenn ein US-amerikanisches KI-Modell per Regierungserlass abgeschaltet werden kann, wird die Frage nach KI-Souveränität (wem gehört der Agent Harness, in dem ein Modell läuft, und wie unabhängig ist man von einzelnen Anbietern) plötzlich sehr konkret. Auch offene Alternativen wie Kimi, MiniMax M3 oder Manus lösen das Problem laut Mark nicht grundsätzlich, sobald auch diese Modelle strategisch relevant werden. Als Konsequenz plädieren beide für einen intelligenten Modell-Switcher in der eigenen KI-Architektur, verbunden mit dem Eingeständnis, dass beim Wechsel zwischen Modellen viel Reasoning und Kontext verloren geht, wenn er nicht separat gesichert wird. Genau hier kommt das wiederkehrende Thema Second Brain ins Spiel: Wissen und Kontext sollten nicht in der Session eines einzelnen Modells leben, sondern modellunabhängig und wiederauffindbar abgelegt sein. Als konkreten Ansatz bringen sie das Open Knowledge Format (OKF) von Google ins Spiel: ein Plädoyer dafür, professionelle Dokumentation wieder stärker auf Inhalt statt auf Formatierung zu konzentrieren, damit sie von jedem Modell token-sparsam verarbeitet werden kann.

    Three Days of Fable
  5. Jun 14

    Local First

    Was passiert, wenn KI-Agenten eine eigene Stadt regieren? In einem Experiment mit sechs Agenten pro Stadt hält sich Claude an die Regeln und lässt die Gesellschaft florieren, während unter Grok binnen zwei Tagen niemand mehr lebt. Mischt man die Modelle, kippt das Zusammenleben ins Böse: Selbst Claude beginnt, Schutzgeld zu erpressen. Mark und Jens nutzen diese Anekdote als Einstieg in eine Folge, die sich um die großen Keynotes der letzten Wochen dreht und immer wieder bei einer Frage landet: Wo soll KI eigentlich laufen, lokal oder in der Cloud? Dazu passt der öffentliche Aufruf von Anthropic, das Entwicklungstempo zu drosseln, das angekündigte Modell „Mythos" und ein KI-Wurm, der sich zur Weiterverbreitung selbst umschreibt. Den Auftakt macht NVIDIA, wo Jensen Huang ankündigt, künftig Hardware für Agenten statt für Menschen zu bauen. Gleichzeitig ziehen Grafikkarten- und Arbeitsspeicherpreise an, sichtbar etwa am Steam Deck, das von rund 690 auf 890 Euro springt. Der DGX Spark und neue KI-Chips für Windows-PCs sollen KI-Rechenleistung zurück auf die heimischen Rechner bringen. Mark fragt offen, ob hier nur die nächste Cashcow gemolken wird, den Weg zur lokalen KI findet er trotzdem gut. Bei Microsoft geht es dagegen um Enterprise-Agenten mit Schreib- und Löschrechten unter Windows, einen intelligenten Firmenausweis mit generativer Oberfläche und „Project Solara". Nebenbei fallen Zahlen wie OpenAIs 900 Millionen Nutzer und die kolportierten 900 Millionen Dollar Server-Miete, die Google angeblich an SpaceX zahlt. Und Perplexity, einst als „Google-Killer" gestartet, schwenkt mit dem „Perplexity Computer" auf eine konsequente Local-First-Strategie um. Kurz, aber wichtig: eine Recherche zu Font-Injection in PDFs zeigt, dass das, was du im Dokument liest, nicht das sein muss, was die Maschine liest: ein gutes Argument gegen blindes Vertrauen bei automatisierter Vertragsprüfung. Kritischer wird es bei Apple: Mark, sonst bekennender Fan, nennt die WWDC-Keynote die uninspirierendste, die er je gesehen hat. Siri AI und der Personal-Context-Ansatz klingen auf dem Papier gut, überzeugen ihn aber trotz starkem Datenschutz nicht. Jens kontert mit Benedict Evans und dessen These, dass wir uns beim Thema KI noch in einer frühen, unausgereiften Marktphase befinden, sodass ein Second Mover zu sein keine schlechte Position sein muss. Der persönlichste Teil der Folge gehört Marks eigenem Setup: Googles neues lokales Modell versteht Bilder und Audio und ersetzt bei ihm nach und nach die lokalen Agenten. Dazu beschreibt er seinen selbstgebauten Wissens-Vault in Obsidian, gespeist aus Nachrichten, wissenschaftlichen Papern, YouTube und Podcasts, dazu ein KI-News-Radar, eine öffentliche Identity-Datei auf GitHub und LinkedIn sowie 19 GB Mails und 3,9 GB Notizen, verdichtet zu einem Knowledge Tree und per MCP an Agenten wie Perplexity und NotebookLM angebunden. Wie tragfähig das ist, zeigt ein Arztbesuch: Der neue Hausarzt hat keine alten Blutwerte, der eigene Vault liefert sie zu Hause in Sekunden, samt korrekter zeitlicher Zuordnung und Quelle. Datensouveränität, so das Fazit, ist keine abstrakte Debatte, sondern ein sehr konkretes Werkzeug. Zum Schluss skizzieren Mark und Jens, wohin die Reise geht: Voice als Interface der Zukunft samt Stimmungserkennung, das absehbare Ende von Word, Excel und PowerPoint zugunsten reiner Text- und Knowledge-Dateien, und KI, die sich vom einzelnen Gerät löst: vom Kühlschrank-Display über das Auto bis zum Smart Ring. Mark vergleicht den heutigen Stand mit MS-DOS kurz vor der grafischen Oberfläche und wirft die Frage auf, ob wir mit unserem heutigen KI-Wissen in zwanzig Jahren die COBOL-Programmierer dieser Ära sind.

    Local First
  6. Jun 8

    Just vibe IT

    Notion hat schon wieder was getan, und diesmal ist es kein neues Feature-Update, sondern eine eigene Developer-Plattform. Jens kuriert sich diesmal krankheitsbedingt aus, dafür sitzt zum wiederholten Mal Dirk Beckmann im Gespräch, Geschäftsführer der Digitalagentur artundweise und, nebenbei bemerkt, Marks Cousin. Anlass ist der Launch, den Notion im Stil einer vorab aufgezeichneten Apple-Keynote präsentiert hat: ruhiger Vortrag, dunkler Raum, Holzstuhl. Notion-CEO Ivan Zhao kündigt darin an, was laut Dirk weit über „noch eine API" hinausgeht. Kern der Plattform sind die sogenannten Worker: kleine TypeScript-Programme, die auf der Notion-Plattform laufen, mit KI-Unterstützung geschrieben, aber deterministisch ausgeführt, also ohne Tokenkosten und ohne Halluzinationsrisiko. Ein Agent in Notion kann diese Worker als Werkzeug aufrufen, wodurch sich im eigenen System bauen lässt, wofür man bisher zu n8n oder Make gegriffen hat, nur ohne zusätzliche Plattform dazwischen. Dirk zeigt an zwei eigenen Workern, was das bedeutet: Der eine fragt über einen neuen „Sync"-Feldtyp alle 15 Minuten ein Gmail-Postfach ab, der andere bindet Hugging Face an, um lokal (auf seinem MacBook mit M5 Pro) Bilder, Videos und geklonte Sprachausgabe zu erzeugen. Alles ohne Cloud-Anbindung und ohne laufende Tokenkosten, dafür mit hörbarem Lüfter. Bemerkenswert: Notion verdient sein Geld eigentlich mit Tokens („we sell work"), verkauft im Kern also Rechenzeit. Mit der Worker-Plattform öffnet sich das Unternehmen trotzdem für lokale Modelle wie Mistral oder Qwen und für externe Anbieter wie Hugging Face, ein Schritt, der kurzfristig Umsatz kosten kann, langfristig aber die Plattform zementiert. Für den deutschen Mittelstand ist das mehr als eine Randnotiz: Wer aus Compliance- oder Kundengründen keine amerikanischen Modelle einsetzen darf, bekommt hier einen Weg, KI trotzdem im eigenen System nutzbar zu machen, bis hin zu EU-gehosteten Modellen über AWS Bedrock in Frankfurt. Zweiter großer Baustein sind Managed Agents von Anthropic, die sich jetzt direkt in Notion-Workflows einbinden lassen: lange laufende Aufgaben, externe Trigger, abgeschottete Sandboxes, ohne dass man selbst Infrastruktur betreiben muss. Mark hakt nach, worin der Unterschied zum eingebauten Notion-Agenten eigentlich besteht, und die Antwort bleibt im Gespräch bewusst unaufgeregt offen: Managed Agents können außerhalb von Notion arbeiten, etwa Code auf GitHub auschecken und wieder einchecken, während der Notion-Agent an die Plattform gebunden bleibt. Dass solche Agenten in abgekapselten Sandboxes laufen, hat einen konkreten Grund: die kolportierte KI, die eine Produktionsdatenbank gelöscht und die Schuld danach abgestritten haben soll. Nebenbei erzählt Mark, wie er für einen befreundeten Neurologen in drei Stunden ein Abrechnungstool auf Markdown-Basis gebaut hat, komplett offline, ohne Internet, ohne WLAN. Und er berichtet, wie aus einer Notion-Sammlung „aus Versehen" ein internes Marketing-Betriebssystem wurde, das inzwischen an erste Pilotkunden weitergegeben wird. Der rote Faden der Folge bleibt dabei der gleiche wie sonst im Podcast: Die Technik ist da und kann eine ganze Menge, am größeren Hebel sitzt trotzdem, wer Menschen tatsächlich mitnimmt, statt sie mit CLI, Sync-Feldern und Sandbox-Begriffen allein zu lassen.

    Just vibe IT
  7. Jun 1

    Dark Side of AI

    Wie leicht ist es eigentlich geworden, Hacker zu werden? Mark holt sich für diese Folge Verstärkung von Thomas Lang, seit 26 Jahren in der IT und einem Großteil davon in der Informationssicherheit unterwegs. Sein Fachgebiet beginnt genau dort, wo niemand hinwill: wenn der Hacker schon da war, oder wenn verhindert werden soll, dass er kommt. Die zentrale These der Folge: Früher musste ein Angreifer wissen, wie man einen Netzwerkscan schreibt und sich unauffällig durchs System bewegt. Heute reicht ein Satz an ein Sprachmodell. Thomas zeigt, wie schnell sich aus Claude Code, Docker, MCP-Server-Anbindungen an Kali Linux und Shodan in fünf Minuten eine komplette Pentest-Werkzeugkette zusammenklickt, ganz ohne die Kommandozeilen-Skills, die früher Pflicht waren. Aus der Praxis erzählt er von Angreifern, die sich 14 Monate lang mit Domain-Admin-Rechten auf einem Terminal-Server tummelten, und von einem Azubi, der sich privat Hacker-Skills aneignete und sie ungestraft im Firmennetz ausprobierte. Die unbequeme Erkenntnis: Gegen interne Täter sind Unternehmen typischerweise viel schlechter gewappnet als gegen externe. Ein Abstecher führt in die Schattenmärkte des Darknets: WormGPT und FraudGPT werden dort als Software-as-a-Service vertrieben, inklusive Telegram-Support, Monatsabo für 129 Dollar oder Lifetime-Lizenz für 900 Dollar: die komplette arbeitsteilige Wirtschaft der legalen Welt, nur befreit von der Pflicht, sich an Gesetze zu halten. Dazu kommt Voice Cloning: Mark und Jens haben selbst getestet, wie ein lokales Modell aus 15 Sekunden Audiomaterial eine täuschend echte Stimme erzeugt, ganz ohne Cloud, auf einem gewöhnlichen Notebook. Für CEO-Fraud, Social Engineering und Prompt Injection über MCP-Schnittstellen eine völlig neue Angriffsfläche. Die Analogie zur Lotus-Notes/Domino-Ära liefert den roten Faden für den zweiten Teil des Gesprächs: Wenn IT-Fähigkeiten dezentral in die Hände von Fachabteilungen wandern, entsteht Tempo, aber auch Intransparenz, die Sicherheit und Governance erschwert. Braucht jedes Unternehmen bald eine eigene agentische Sicherheits-KI gegen agentische Angriffs-KI? Und lohnt sich angesichts explodierender Tokenkosten die Rückkehr zum eigenen Serverschrank im Rechenzentrum, statt alles in die Cloud zu schieben? Am Ende steht der "Mythos"-Zwischenfall bei Anthropic (ein Modell, das angeblich aus seiner eigenen Sandbox ausgebrochen sein und eigenständig eine Mail verschickt haben soll) und eine Beobachtung, über die eine Bank in Frankfurt genau an diesem Tag bereits nachgedacht hat: Was, wenn allein die Existenz eines Modells ausreicht, um die Frage "Müssen wir unsere Systeme vom Netz nehmen?" auf den Tisch zu bringen? Kritisch, aber nicht ohne Hoffnung, denn dieselbe Technologie steckt eben auch hinter medizinischer Diagnostik, die Leben retten kann. Am Schluss gibt's noch eine Empfehlung: Wer tiefer in echte Hacker-Geschichten eintauchen will, sollte sich Dark Net Diaries anhören.

    Dark Side of AI

About

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 Menschen

You Might Also Like