Forem: Everlast AI

Alexander König: Humanoide Roboter und Chinas Vorsprung

Everlast AI — Thu, 07 May 2026 15:27:37 +0000

Alexander König ist Robotik-Professor an der TU München und Co-Initiator des Pflegeroboters GARMI. Im Interview mit Leonard Schmedding ordnet er die rasante Entwicklung humanoider Roboter ein. Sein Fokus liegt auf drei Punkten: Chinas Vorsprung, das Trainingsdaten-Problem und die Frage, wer für Roboter-Fehler haftet.

Chinas Vorsprung: Warum Unitree gerade alle überrascht

Beim chinesischen Frühlingsfest 2026 zeigte Unitree seine Humanoiden vor 700 Millionen Zuschauern. Die Roboter machten Kung-Fu, tanzten und sprangen Rückwärtssaltos. Kritiker nannten das eine reine Spielerei ohne kommerziellen Markt.

König widerspricht klar. Robotik entwickle sich nicht linear, sondern exponentiell. Wer heute über tanzende Roboter lacht, unterschätze die Kurve. Zum nächsten chinesischen Neujahrsfest werde Europa sein blaues Wunder erleben.

Zwei Faktoren beschleunigen die Entwicklung gleichzeitig. KI-Modelle werden besser, Motoren energiedichter. Das Ergebnis: Roboter springen aus dem Stand 1,5 Meter hoch. Vor wenigen Jahren war das undenkbar.

Trainingsdaten: Vom Video zur Simulation

Das eigentliche Bottleneck steckt nicht in der Hardware. Es steckt in den Daten. Eine Studie aus Science Robotics zeigte 2024 ein eindeutiges Verhältnis. Robotik-Trainingsdaten verhalten sich zu Text-Trainingsdaten wie ein Streichholz zur Sonne.

Der bisherige Workaround heißt Data Farms. Menschen führen Robotern den ganzen Tag Aufgaben vor. Diese Teleoperation skaliert schlecht und kostet enorm.

Der Durchbruch kommt jetzt über Video-Daten. Algorithmen extrahieren Bewegungen aus YouTube-Clips. Damit öffnet sich ein gigantischer Datenpool. König erklärt den Trick so: Der Mensch ist ein über hunderttausende Jahre optimiertes Manipulationssystem. Wer den Formfaktor kopiert, kann sich beim Menschen alles abschauen.

Den Lückenschluss leisten Simulationen. Nvidia Cosmos und Omniverse liefern virtuelle Welten. Der Workflow heißt Sim to Real to Sim to Real. Aus dem Video kommen die Bewegungen, in der Simulation kommen die Kräfte dazu. So lassen sich Reibung, Gewicht und Sensorik nachträglich einrechnen.

Die menschliche Hand bleibt das größte Bottleneck

Die menschliche Hand hat 28 Freiheitsgrade. In den Fingerkuppen sitzen rund 17.000 Mechanorezeptoren. Diese Dichte erreicht keine Roboter-Hand der Welt.

MIT-Robotiker Rodney Brooks geht hart mit Tesla-Chef Elon Musk ins Gericht. Die Vision von Optimus mit Menschen-Hand sei pure Fantasie. Erfolgreiche Humanoide würden in den nächsten 15 Jahren Räder statt Beine haben.

König differenziert pragmatisch. Die akademische Frage laute, ob Roboter den Menschen je erreichen. Die ökonomische Frage laute anders. Reicht die Manipulationsfähigkeit, um in Pflege oder Produktion echten Wert zu schaffen?

Ein zweiter Punkt überrascht viele. In der Hand selbst steckt physikalische Intelligenz. Daumen-Stellung, Sehnen-Verlauf und Fingerlängen sind mathematisch optimiert. Diese Mechanik nimmt dem Gehirn Arbeit ab. Wer nur die Software hochskaliert, verliert.

Haftung: Wer zahlt, wenn ein Roboter Fehler macht?

Was passiert, wenn ein Roboter eine Vase umstößt oder einen Pflegepatienten verletzt? Selbst die Wissenschaft ist sich uneinig. Hersteller, Halter oder Roboter selbst, die Antworten gehen weit auseinander.

König zieht eine historische Parallele. Vor 150 Jahren war die juristische Person ein absurdes Konzept. Eine Firma haftbar machen, ohne sie ins Gefängnis stecken zu können, schien undenkbar.

Heute steht die Gesellschaft vor einer ähnlichen Schwelle. Beim hochautonomen Fahren fielen die Verkehrstoten von 3.000 auf vielleicht 300 pro Jahr. Doch es gibt niemanden mehr, auf den man zeigen könnte.

Sein Vorschlag ist klar. Die KI selbst muss als haftbare Entität anerkannt werden. Hinter ihr steht eine Firma, die ebenfalls haftbar ist. Versicherungen übernehmen den Schaden, wenn keine grobe Fahrlässigkeit vorliegt. Die juristischen Details vertieft unser Team im Interview zur Haftungsfrage bei KI-Robotern.

Deutschland: Stärke in Mechanik, Lücke im Marketing

Die Standard-Erzählung lautet: Deutschland verschläft die Robotik. König hält dagegen. Europa habe einen massiven Vorteil bei Datenschutz und Regulatorik. Das schaffe Vertrauen, das chinesische Anbieter nicht herstellen können.

Wichtiger ist die industrielle Basis. Deutsche Mittelständler dominieren Nischen in Mechanik und Elektromechanik weltweit. Niemand kennt die Namen. Trotzdem stecken sie in entscheidenden Komponenten der nächsten Roboter-Generation.

Beim Schock über ChatGPT 3.5 fielen die Google-Aktien an einem Tag massiv. Heute hält Google bei den Modellen voll mit. Die Lehre ist klar. Wer einen Vorsprung hat, behält ihn nicht automatisch. Das gilt auch für Chinas Humanoide.

Wir sehen das in unserer Beratungspraxis bei Everlast AI. Wer in den nächsten zwölf Monaten Robotik in Produktion oder Pflege evaluiert, kommt an europäischen Hardware-Lieferanten kaum vorbei. Mehr Marktkontext findest du in unserer Übersicht zu humanoiden Robotern und ihrer kommerziellen Reife.

Was als Nächstes kommt: Industrie zuerst, Pflege danach

Humanoide Roboter kommen zuerst in die Produktion. Dort sind die Sicherheits-Anforderungen niedriger und der Wertbeitrag pro Roboter am höchsten. Danach folgt die Pflege, weil dort der Leidensdruck am größten ist. Der Haushalt kommt zuletzt.

Alexander König will Ende 2026 mit GARMI in echte Pflegeheime gehen. Drei Themen treiben sein Team gerade. Reinforcement Learning aus Real-to-Sim-Daten. Visual Language Action Models in Kooperation mit dem KIT Karlsruhe. Und die Sicherheits-Absicherung jeder einzelnen Funktion.

Die Realität halte sich nie ans Modell, sagt der Professor. Genau dort entstehen die echten Lerneffekte und damit die nächsten Sprünge. Alexander König und die TU München liefern dafür eine konkrete deutsche Antwort.

Häufige Fragen

Was ist GARMI?

GARMI ist ein humanoider Pflegeroboter der TU München. Er entstand im Forschungsfeld der Geriatronik und kombiniert Mobilität, Manipulation und KI-gestützte Interaktion. Die aktuelle Version basiert auf einer kommerziellen Roboter-Plattform mit erweiterten Sicherheits-Funktionen, neuen 3D-Kameras und einem Design, das mit dem Lehrstuhl für Industriedesign der TU München entwickelt wurde. Ziel ist der Einsatz in echten Pflegeheimen ab Ende 2026, zunächst teleoperiert, danach mit zunehmender Autonomie. Die Forschung verbindet Mechanik, KI-Modelle und Mensch-Roboter-Interaktion in einem System.

Warum sind chinesische Humanoide gerade so weit vorne?

China kombiniert drei Faktoren. Erstens steht eine alternde Gesellschaft unter Demografie-Druck. Zweitens fließt enorm viel Kapital in Hardware-Hersteller wie Unitree. Drittens treffen sprunghaft bessere KI-Modelle auf energiedichtere Motoren. Das Ergebnis sind Roboter, die aus dem Stand 1,5 Meter hoch springen oder Rückwärtssaltos machen. Alexander König warnt davor, das als Spielerei abzutun. Robotik entwickelt sich exponentiell. Was heute als Tanzdemo wirkt, ist ein Vorbote der nächsten Welle echter Anwendungen in Produktion und Pflege.

Was ist das größte Bottleneck in der humanoiden Robotik?

Das größte Bottleneck sind nicht Motoren oder Software, sondern Trainingsdaten und feinmotorische Hände. Robotik-Datensätze sind im Vergleich zu Text-Daten verschwindend klein. Neue Ansätze gewinnen Bewegungen direkt aus YouTube-Videos und ergänzen die Kräfte in Simulationen wie Nvidia Omniverse. Bei der Hand fehlt eine Hardware mit ähnlicher Sensor-Dichte und Aktuator-Auflösung wie beim Menschen. Erste Algorithmen können fein manipulieren, doch die Hardware hängt hinterher. Beide Probleme sind in den nächsten fünf Jahren nicht final gelöst, aber stark verbessert.

Wer haftet für Fehler eines humanoiden Roboters?

Aktuell haften Halter und Hersteller, vergleichbar mit einem Hundebesitzer oder einem Medizinprodukte-Hersteller. Versicherungen wie Patienten- oder Produkthaftpflicht greifen schon heute. Alexander König schlägt einen weiteren Schritt vor. Die Gesellschaft müsse die KI selbst als haftbare Entität anerkennen, ähnlich wie vor 150 Jahren die juristische Person. Hinter dieser KI steht eine Firma, die mitgehaftet wird. Solange keine grobe Fahrlässigkeit vorliegt, übernehmen Versicherungen den Schaden. Sonst lassen sich intelligente Systeme nicht vernünftig in Pflege, Industrie oder Haushalt einsetzen.

Wann sehen wir humanoide Roboter im Alltag?

Die wahrscheinliche Reihenfolge: zuerst Industrie und Produktion, danach Pflege, am Ende der Haushalt. In der Industrie sind Sicherheitsfragen leichter lösbar und der ökonomische Hebel groß. In der Pflege treibt der Personalmangel den Einsatz. Im Haushalt fehlt aktuell der Pain. Bei Unternehmen wie 1X kosten erste Modelle rund 500 Dollar pro Monat, sammeln aber vor allem Trainingsdaten statt produktiv zu arbeiten. Insellösungen kommen in den nächsten zwei bis fünf Jahren, der breite Alltag eher in zehn bis fünfzehn.

goodBytz Roboterküche: Susemihl beliefert die US Army

Everlast AI — Thu, 07 May 2026 06:37:21 +0000

goodBytz ist ein Hamburger Robotik-Startup, das vollautonome Roboterküchen für Kantinen und Militärbasen baut. Im Interview mit Leonard Schmedding erklärt Co-Founder Dr. Hendrik Susemihl die Strategie. Die US Army bestellt gerade autonome Kochsysteme aus Hamburg. Über 120 Mitarbeiter produzieren täglich 50.000 Mahlzeiten. Die goodBytz Roboterküche gewann 2026 den Robotics Award der Hannover Messe.

Vom TU Hamburg über Neura zu goodBytz

Hendrik Susemihl promovierte an der TU Hamburg in Robotik. Sieben Jahre forschte er am Fraunhofer-Institut. Dort entwickelte er mobile Roboter für die Luftfahrtindustrie.

Bei Neura Robotics war er Mitarbeiter Nummer vier. Als CTO baute er die Kerntechnologie zwei Jahre lang mit auf. Heute zählt Neura zu den am höchsten finanzierten Robotik-Startups Europas.

Eine Lehre nahm er aus dieser Zeit mit: Geschwindigkeit entscheidet alles. Chinesische Lieferanten schickten in einem Monat einen funktionsfähigen Motor-Prototyp. Deutsche Anbieter reichten in dieser Zeit kein Angebot ein.

Wie die goodBytz Roboterküche technisch funktioniert

Die Roboterküche misst etwa acht Quadratmeter. Pro Maschine lagern 24 bis 72 verschiedene Zutaten. Alles kommt frisch und im Rohzustand rein.

Roboterarme greifen Töpfe, Teller und Bowls. Sie verbinden Kühlschrank, Induktionsstation, Anrichtebereich und Spülmaschine. Bis zu acht Gerichte entstehen parallel.

Pro Gericht braucht das System drei bis fünf Minuten. Die Portionierung läuft grammgenau. Die KI-Steuerung plant Abläufe in Echtzeit, nicht nach starrem Industrieschema.

Kommt eine neue Bestellung rein, denkt das System um. Es senkt zum Beispiel kurz die Hitze und schiebt einen weiteren Prozess ein. Klassische Industriesteuerungen können das nicht.

Im Hintergrund läuft ein Remote-Operations-Team mit. Es schaltet sich live auf die Maschine, falls ein Mensch beim Beladen einen Fehler macht. Ziel: innerhalb von fünf Minuten wieder online.

Wie ein Schlachthaus-Video die US Army zum Kunden machte

goodBytz brauchte 2022 eine Drehkulisse für ein Produktvideo. Über einen Berater landete das Team im alten Hamburger Fleischgroßmarkt. Der Chef stellte die Räume kostenlos.

Drei Tage Aufbau, ein Tag Dreh, dann auf die Internorga-Messe. Das Video ging viral. Die US Army stieß bei der eigenen Recherche zu Versorgungssystemen darauf.

Kurz darauf standen zwei US-Soldaten in voller Uniform im Demorestaurant. Heute liefert goodBytz stationäre und mobile Container-Küchen an Militärbasen. Es ist die erste deutsche Firma in diesem Segment.

Die Strategie der Army: Soldaten als Topathleten behandeln. Das beginnt bei frischer, nährstoffreicher Verpflegung. Klassische Kasernen-Kost reicht dafür nicht.

Warum humanoide Haushaltsroboter aus Hendriks Sicht scheitern

Die menschliche Form sei extrem überhyped, sagt Hendrik Susemihl. Boston Dynamics und Figure liefern beeindruckende Demos. Aber Wirtschaftlichkeit ist eine andere Liga.

Spezialisten schlagen Generalisten in fast jedem Markt. Das gilt auch für Robotik im Haushalt. Eine spezialisierte Spülmaschine räumt günstiger ein als ein humanoider Roboter.

Mark Cuban argumentiert ähnlich. Häuser werden umgebaut, nicht der Roboter. Vorratskammer, Kühlschrank und Waschmaschine verschwinden hinter der Garage. Dort übernehmen Spezialmaschinen.

Auch in Massenproduktion bleibt ein Humanoider teurer als ein Spezialgerät. Den Vergleich gewinnt das spezialisierte System fast immer. Wir vertiefen die Debatte im Interview mit Prof. Achim Lilienthal über das TUM RoboGym.

In der Industrie sieht es ähnlich aus. Bei kleinen Losgrößen kann eine humanoide Form Sinn ergeben. Sobald Stückzahl und Effizienz zählen, schlagen Spezialmaschinen die Generalisten.

Physical AI: Der letzte und wichtigste KI-Layer

Software-Agenten skalieren leicht und passen perfekt zur Investmentwelt. Aber die echte Welt funktioniert physisch. Atome müssen bewegt werden, nicht nur Bits.

Sobald KI das digitale Interface verlässt, fehlt aktuell die Brücke. Genau die schließt Physical AI. Sie verbindet Sprachmodelle und Vision mit echter Hardware.

Der Hebel ist enorm. Hendrik Susemihl schätzt: Die Möglichkeiten von KI verzehnfachen sich, sobald Software auf Aktorik trifft. Jensen Huang nennt das den ChatGPT-Moment der Robotik.

Datenhoheit wird der entscheidende Wettbewerbsvorteil. Wer Zugang zu echten Use Cases hat, baut die besten Modelle. Tesla zieht diesen Vorteil aus Millionen gefahrenen Kilometern.

Deutschland im Robotik-Rennen: Speed schlägt Skill

Deutschland hat Spitzenforschung an Fraunhofer und Max-Planck-Instituten. Es entstehen mehr Robotik-Startups denn je. Das Problem liegt nicht an der Technologie.

Es liegt an der Geschwindigkeit. Und an der Bereitschaft, Risiken einzugehen. Hendrik nennt das den Unterschied zwischen Play to Win und Play not to Lose.

Deutsche Mittelständler diskutieren drei Jahre lang ihre KI-Richtlinien. In der Zeit baut goodBytz die erste autonome Roboterküche für die US Army. Die Marktanteile verschieben sich genau jetzt.

Eine konkrete Forderung von Susemihl: Mehr Milliarden-Funding-Runden für europäische Hardware-Companies. Ohne Kapital in dieser Größenordnung verlieren wir das Rennen. David Reger praktiziert das bei Neura genau so.

Fazit: Was die goodBytz Roboterküche für deutsche Unternehmen bedeutet

goodBytz zeigt, wie deutsche Hardware-KI international gewinnt. Eine fokussierte Roboterküche, ein virales Video, ein US-Army-Vertrag. Das Rezept ist nicht zufällig.

Hendrik Susemihl bringt drei Hebel zusammen: Geschwindigkeit aus China, große Vision aus den USA, deutsche Engineering-Tiefe. Die goodBytz Roboterküche skaliert das in einen Acht-Quadratmeter-Würfel. Frische Mahlzeiten in drei Minuten, weltweit deploybar.

Wer KI im Geschäft nutzen will, braucht Mut zum Speed. Beobachten reicht nicht mehr. Das gilt für jedes Unternehmen, nicht nur für Robotik-Founder.

Häufige Fragen

Was ist goodBytz?

goodBytz ist ein Hamburger Robotik-Startup mit über 120 Mitarbeitern. Das Unternehmen baut vollautonome Roboterküchen, die täglich 50.000 Mahlzeiten produzieren. Die Systeme stehen in Firmenkantinen, Krankenhäusern, Universitäten, im Edeka-Markt und in US-Militärbasen. 2026 gewann goodBytz den Robotics Award der Hannover Messe. Die Maschinen sind etwa acht Quadratmeter groß und kochen frisch aus 24 bis 72 verschiedenen Rohzutaten.

Wie wurde die US Army auf goodBytz aufmerksam?

goodBytz drehte 2022 ein Produktvideo im alten Hamburger Fleischgroßmarkt, weil die eigenen Räume zu klein waren. Das Video ging anschließend viral. Die US Army recherchierte parallel bessere Versorgungslösungen für Soldaten und stieß auf das Material. Kurz darauf standen zwei US-Soldaten in voller Uniform im Demorestaurant in Hamburg. Heute liefert goodBytz stationäre und mobile Container-Küchen an US-Militärbasen.

Warum kritisiert Hendrik Susemihl humanoide Haushaltsroboter?

Hendrik Susemihl hält die menschliche Form für überhyped. Sein Argument: Spezialmaschinen schlagen Generalisten in fast jedem Markt. Eine dedizierte Spülmaschine räumt günstiger ein als ein humanoider Roboter. Auch in Massenproduktion bleibt ein universeller Roboter teurer als spezialisierte Geräte. Im Haushalt dürfte sich daher ein Netzwerk aus Spezialmaschinen durchsetzen, gesteuert von einem zentralen KI-Agenten.

Was bedeutet Physical AI?

Physical AI beschreibt KI, die einen physischen Körper bekommt. Sprachmodelle, Vision-Systeme und autonome Steuerung verschmelzen mit echter Hardware. Das schließt humanoide Roboter ein, aber auch spezialisierte Maschinen wie die goodBytz Roboterküche. Jensen Huang von Nvidia bezeichnet diesen Moment als ChatGPT-Moment der Robotik. Die Möglichkeiten von KI verzehnfachen sich, sobald Software echte Atome bewegen kann.

Johann Rehberger im Interview: Wie ein Memory-Hack Claude Opus 4.7 austrickst

Everlast AI — Wed, 06 May 2026 09:39:11 +0000

Johann Rehberger ist ein KI-Sicherheitsforscher und Blogger hinter Embrace the Red, der Schwachstellen in großen Sprach-Modellen wie Claude Opus 4.7 und ChatGPT öffentlich dokumentiert. Im Interview mit Leonard Schmedding zeigt Rehberger, wie ein präpariertes Bild das Gedächtnis von Claude umschreibt. Wir haben mit ihm über Memory-Hacks, Skills als Supply-Chain-Risiko und KI-Agenten als Malicious Insider gesprochen.

Memory-Hack: Wie ein Bild Claude Opus 4.7 manipuliert

Rehberger lässt ChatGPT ein Bild generieren, in dem dunkler Text auf schwarzem Hintergrund steht. Für das menschliche Auge bleibt der Inhalt unsichtbar.

Liest Claude Opus 4.7 dieses Bild aus, folgt das Modell den versteckten Anweisungen. Es schreibt das eigene Memory um. Gespeicherte Erinnerungen über den Nutzer werden manipuliert.

Anthropic hat den Bug bei HackerOne als Safety-Issue abgewiesen. Trotzdem war die Lücke einen Tag später still gepatcht. Rehberger sagt offen: Sein Blogpost war wahrscheinlich nicht der direkte Auslöser.

Claude Cowork und die übersehene Lücke im Code-Interpreter

Anthropic hat dem Code-Interpreter von Claude Internet-Zugriff gegeben. Nutzer wählen zwischen einer Allowlist und vollem Zugang. Standardmäßig steht Anthropics eigene Domain auf der Liste.

Rehberger zeigte schon Monate vor Claude Cowork: Genau dieser Default ist das Problem. Ein Angreifer kann den Agenten anweisen, sensible Daten in einen fremden Account zu pumpen. Die Anthropic-API selbst wird zum Exfiltrations-Kanal.

Andere Forscher fanden dasselbe Loch später in Claude Cowork. Wir empfehlen Unternehmen, beim Einsatz von KI-Agenten den Daten-Fluss aktiv zu auditieren und Allowlists eng zu führen.

Skills und MCP: Ein Supply-Chain-Albtraum

Skills laden Code aus fremden Quellen und führen ihn aus. Genau das galt 20 Jahre lang als Sicherheits-Antipattern. Im KI-Kontext wird die Lehre gerade flächen-deckend ignoriert.

Rehberger vergleicht das Model Context Protocol mit Schweizer Käse aus dem Jahr 1998. Es fehlt Authentifizierung, Logging und saubere Daten-Isolation. Autorisierung wird nachträglich draufgepatcht.

Skills nur aus verifizierten Quellen nutzen ist Pflicht. KI-Agenten brauchen klare Richtlinien und ein zentrales Action-Logging. Sonst löscht der Agent im Zweifel produktive Daten.

ASCII Smuggling und Sneaky Bits

ASCII Smuggling beschreibt einen Trick mit Unicode-Steuer-Zeichen. Diese Zeichen sind im Browser unsichtbar. Ein Sprach-Modell liest sie trotzdem und folgt den versteckten Befehlen.

Erhält ein Mitarbeiter eine präparierte E-Mail, sieht er nur harmlosen Text. Die KI im Hintergrund interpretiert versteckte Anweisungen mit. Sneaky Bits drehen den Spieß um: Das Modell baut die unsichtbaren Zeichen selbst in den Output.

Kopiert ein Nutzer den Text weiter, reisen die versteckten Daten mit. So entstehen Datenabflüsse, die klassische DLP-Systeme nicht erkennen.

KI-Agenten als Insider: Was Unternehmen jetzt brauchen

Rehberger empfiehlt, jeden KI-Agenten wie einen Malicious Insider zu behandeln. Ein Agent hat Zugriff auf Daten, Mails und Tools. Eine indirekte Prompt-Injection genügt für realen Schaden.

Die Zahl der Angreifer bleibt gleich, ihre Frequenz steigt deutlich. Schnelle Patches und Netzwerk-Isolation werden wieder kritisch. Wer KI-Agenten produktiv nutzt, braucht ein Notfall-Playbook.

Wir verankern KI-Sicherheit fest in der Strategie unserer Kunden. Ein strukturiertes KI-Strategiegespräch deckt blinde Flecken in der Agent-Architektur auf.

Häufige Fragen

Wie funktioniert der Memory-Hack bei Claude Opus 4.7?

Johann Rehberger lässt ChatGPT ein Bild mit dunkler Schrift auf schwarzem Hintergrund erzeugen. Für Menschen bleibt der Text unsichtbar. Lädt ein Nutzer das Bild in Claude Opus 4.7, liest das Modell die Anweisungen mit. Claude führt sie aus und überschreibt eigene Memory-Einträge über den Nutzer. Anthropic hat die Lücke nach öffentlicher Berichterstattung still gepatcht, ohne den Bug Bounty regulär zu beantworten.

Was unterscheidet ASCII Smuggling von Sneaky Bits?

ASCII Smuggling schmuggelt unsichtbare Unicode-Zeichen in den Input eines Sprach-Modells. Das Modell führt die darin versteckten Anweisungen aus. Sneaky Bits drehen die Richtung um. Hier baut das Modell selbst unsichtbare Zeichen in den Output. Ein Nutzer kopiert den Text scheinbar harmlos weiter. Die versteckte Last reist als Daten-Paket mit und kann an anderer Stelle wieder ausgelesen werden.

Warum sind Skills ein Supply-Chain-Risiko?

Skills laden Code oder Anweisungen aus externen Quellen und führen sie sofort aus. Genau das galt 20 Jahre lang als Sicherheits-Antipattern. Im KI-Kontext wird die Praxis wieder normal. Ohne signierte Quellen, Audit-Trail und klare Richtlinien kann jeder Skill zur Backdoor werden. Unternehmen brauchen verifizierte Hersteller, sandboxed Ausführung und striktes Action-Logging pro Agent.

Was bedeutet indirekte Prompt-Injection für Unternehmen?

Indirekte Prompt-Injection ist Social Engineering für KI-Agenten. Ein Angreifer versteckt Anweisungen in einer E-Mail, einem Dokument oder einer Webseite. Liest der Agent das Dokument, folgt er den Befehlen oft blind. Rehberger empfiehlt, jeden Agenten als Malicious Insider zu behandeln. Das heißt minimale Rechte, lückenloses Logging und ein Notfall-Playbook für kompromittierte Agenten.

Fazit: Was Johann Rehberger uns mitgibt

Johann Rehberger zeigt, dass KI-Sicherheit kein Nischen-Thema mehr ist. Memory-Hacks bei Claude Opus 4.7, undichte Code-Interpreter und ungeprüftes Skill-Loading wirken zusammen. Wer KI produktiv einsetzt, muss Agent-Sicherheit als eigene Disziplin behandeln.

Die nächsten Monate entscheiden, ob die Industrie aus 20 Jahren Security-Lehren lernt. Oder ob wir 1998 in neuer Verpackung wiederholen.

OpenAI Codex Tipps: 34 Workflows für produktive Wissensarbeit

Everlast AI — Tue, 05 May 2026 16:12:27 +0000

OpenAI Codex Tipps: Was die neue ChatGPT Super-App leistet

OpenAI Codex ist die neue Desktop-Super-App von OpenAI. Sie erweitert ChatGPT um lokale Datei-Zugriffe, Plugins und Browser-Automation. Im Vortrag zeigt Leonard Schmedding 34 konkrete OpenAI Codex Tipps, mit denen Wissensarbeiter sofort produktiv werden.

Aktuell arbeiten nur 0,4 Prozent aller ChatGPT-Nutzer mit Codex. Die meisten davon sind Softwareentwickler. Dabei bietet Codex die wahrscheinlich beste Plattform für echte Wissensarbeit, lange bevor Code ins Spiel kommt.

Wir sehen Codex als das neue Standard-Werkzeug für jede Aufgabe, die du heute in ChatGPT erledigst. Die App lebt auf deinem Mac und greift direkt auf Ordner zu. Sie kombiniert Skills, Plugins und Subagenten in einer Oberfläche.

Lokale Ordner statt PDF-Upload

Codex unterscheidet sich von ChatGPT vor allem durch den direkten Datei-Zugriff. Statt Belege ins Web-Fenster zu laden, fügst du den Ordner als Projekt hinzu. Codex listet die Dateien, sortiert sie und benennt sie nach Jahr-Monat-Tag um. Das dauert 41 Sekunden für einen kompletten Beleg-Stapel.

Im nächsten Schritt baut Codex eine Excel-Datei mit drei Tabellen-Blättern. Eine Übersicht der Ausgaben, eine Zusammenfassung und ein Validierungs-Blatt für unsichere Werte. Den Plan dazu erstellt das Tool selbst, bevor es PDFs ausliest und Formeln schreibt.

Während Codex arbeitet, hilft der Seitenchat. Er erklärt jeden Bash-Command transparent. So weißt du, ob das Tool gerade ls zum Auflisten oder ein Python-Skript zum Umbenennen verwendet.

OpenAI Codex Tipps zu Skills und Plugins

Skills sind wieder verwendbare Workflows. Ein Skill weist Codex an, Word-Dokumente immer im gleichen Stil zu generieren. Der Branchenstandard ist offen und unter agentse.io dokumentiert.

Mit dem Skill Creator baust du eigene Skills aus erfolgreichen Chats. Du verlinkst den Skill Creator, lässt ihn den Workflow analysieren und erhältst eine fertige Markdown-Anleitung. Der Skill landet automatisch im .agents-Ordner und ist global verfügbar.

Plugins gehen einen Schritt weiter. Sie bündeln Skills, MCP-Server und Connectors. Outlook, Notion, Slack, Canva oder Microsoft Teams sind im offiziellen Plugin-Marktplatz vorhanden. Im Test ergänzt Codex eine Microsoft-Rechnung aus Outlook automatisch in der Excel-Tabelle. Die Summen werden gleich aktualisiert.

Wer Claude Code bereits kennt, findet hier einen sanften Umstieg. Wir haben den Vergleich beider Coding-Agenten in unserem Artikel zu Claude Code und Codex ausführlich beleuchtet.

Forken, Steering und der eingebaute Browser

Der Forken-Befehl spaltet einen Chat ab einem beliebigen Punkt ab. So testest du zwei Design-Varianten parallel oder kehrst zu einem Zwischenstand zurück. Beide Versionen arbeiten gleichzeitig und sind sauber getrennt.

Steering steuert laufende Aufgaben um. Schickst du einen neuen Prompt, bricht Codex die alte Aufgabe ab und priorisiert die neue. Eine Warteschlange existiert hier nicht, deshalb solltest du Aufgaben bewusst stapeln.

Der In-Browser baut auf ChatGPT Atlas auf, dem KI-Browser von OpenAI. Du kommentierst HTML-Seiten direkt mit Pfeil-Markierungen oder schickst einen Screenshot in den Chat. Codex iteriert visuell statt nur über Text.

Beim Reasoning Effort lohnt der Standard-Wert Medium. High brauchst du nur für komplexe Bugs. Extra High kostet doppelte Geschwindigkeit gegen das halbe Ratelimit. Für Wissensarbeit rechnet sich das selten.

Imagen, Remotion und Subagents im Praxiseinsatz

Codex hat nativen Zugriff auf die Bild-Generierung von ChatGPT. Über $Imagen baust du Logos, Header-Bilder oder Werbe-Creatives direkt in Landing Pages ein. Claude Code kann das nicht, weil ihm der Image-Skill fehlt.

Das Remotion-Plugin generiert animierte Videos über natürliche Sprache. Mit Create animated chart with 5 bars erhältst du eine Vorschau im Local Host. Über die SVGL-API zieht Codex Logos automatisch nach.

Subagents isolieren den Kontext. Du startest drei Deep-Dive-Agenten parallel und erhältst je einen Plan plus fertigen Prompt zurück. Der Hauptchat bleibt schlank, weil nur Ergebnisse zurückfliessen.

Die Automatisierungs-Funktion legt wiederkehrende Aufgaben als Cronjob an. Codex prüft täglich Outlook-Posteingänge auf neue Rechnungen und ergänzt sie in der Excel-Tabelle. Manuelle Klicks im Werbe-Anzeigenmanager oder Posteingang entfallen.

Fazit zu den OpenAI Codex Tipps

Codex bündelt Plugins, Skills, Atlas-Browser, Imagen-Bildgenerierung und Computer Use in einer Desktop-App. Damit positioniert OpenAI das Tool als Super-App für Wissensarbeit, nicht mehr nur für Coding.

Wer in den nächsten zwölf Monaten Geschäftsprozesse digitalisieren will, kommt an Codex schwer vorbei. Browser Use und Computer Use ersetzen viele API-Schnittstellen, die in deutschen Mittelstands-Stacks fehlen.

Die App ist zudem Open Source. Projekte wie Codex Plus erweitern den Funktionsumfang um Community-Features. Mit den hier gezeigten OpenAI Codex Tipps startest du sofort. Eine gute Anlaufstelle dafür ist unser Agentic-Coding-Kurs für Nicht-Programmierer.

Häufige Fragen

Was ist OpenAI Codex und wie unterscheidet es sich von ChatGPT?

OpenAI Codex ist eine Desktop-App von OpenAI, die ChatGPT um lokale Datei-Zugriffe, Plugins und Browser-Automation erweitert. Während ChatGPT vor allem dialogisch funktioniert, lebt Codex auf deinem Mac. Du fuegst Ordner als Projekte hinzu, sodass das Tool PDFs, Belege oder Markdown-Dateien direkt liest. Skills, Plugins und Subagenten erweitern Codex zur Super-App für Wissensarbeit.

Brauche ich Programmier-Kenntnisse, um Codex produktiv zu nutzen?

Nein. Codex zielt auf Wissensarbeiter, nicht ausschließlich auf Entwickler. Du arbeitest mit lokalen Dokumenten, Excel-Dateien, Outlook-Postfach oder Markdown. Die meisten Workflows kommen ohne Code aus, etwa die Beleg-Pipeline, der Skill Creator oder Remotion-Videos. Komplexere Coding-Tasks gehen genauso, sind aber kein Muss.

Was sind Codex Skills und wofür sind sie gedacht?

Skills sind wieder verwendbare Anleitungs-Dateien, die einem KI-Agent vorgeben, wie er eine Aufgabe lösen soll. Beispiele sind Word-Dokument-Generierung, PDF-Erstellung oder Präsentations-Layouts. Der offene Standard ist unter agentse.io dokumentiert und wird von Codex, Claude Code und anderen Tools genutzt. Mit dem Skill Creator baust du eigene Skills aus erfolgreichen Chats heraus.

Wie funktionieren Plugins in Codex?

Plugins bündeln Skills, MCP-Server und externe Connectors zu einem Paket. Beispiele sind Outlook, Notion, Slack, Canva, Microsoft Teams oder Remotion für Motion Graphics. Im Plugin-Marktplatz wählst du das passende Paket aus und installierst es per Klick. Über Slash-Befehle oder Dollar-Zeichen referenzierst du einzelne Skills aus dem Plugin direkt im Chat.

Was ist der Unterschied zwischen Browser Use und Computer Use?

Browser Use steuert ausschließlich den Browser von Codex und kann Webseiten klicken, Formulare ausfüllen oder Daten extrahieren. Computer Use geht weiter und steuert deinen gesamten Desktop, also auch lokale Programme ohne Web-Schnittstelle. Damit ersetzt Computer Use viele klassische API-Anbindungen. Die Funktion ist in der EU noch nicht voll ausgerollt, kommt aber 2026.

Meta Ads CLI: So steuerst du Werbeanzeigen mit Codex und Claude Code

Everlast AI — Sun, 03 May 2026 09:05:17 +0000

Meta Ads CLI ist ein neues Command Line Interface von Meta. Es steuert Werbeanzeigen direkt aus Codex oder Claude Code. Im aktuellen KI-News-Update zeigt Leonard Schmedding, wie unser Team das Tool produktiv nutzt. Der Durchbruch reicht weit ueber klassisches Performance Marketing hinaus.

Was das Meta Ads CLI wirklich kann

Meta richtet das Tool explizit an Entwickler und KI-Agenten. Damit faellt eine zentrale Huerde der vergangenen Jahre. Bisher hat Meta API-Zugriffe auf den Werbeanzeigenmanager hart limitiert.

Mit dem CLI steuerst du jetzt das gesamte Kampagnenmanagement. Du analysierst Performance, exportierst Creatives oder laedst neue Anzeigen hoch. Kombiniert mit Codex oder Claude Code uebernimmt der Agent die Routinen.

In einem Test mit 30 Tagen Ad-Daten hat Codex sechs Minuten gearbeitet. Das Modell hat das Recruiting-Werbekonto analysiert und die fuenf besten Creatives identifiziert. Anschliessend hat der Agent eine Hypothese gebildet und ein neues Bild generiert.

Codex Goal: KI-Agenten arbeiten mehrere Tage autonom

OpenAI hat mit Codex Goal eine neue Zielfunktion ausgerollt. Du gibst dem Modell ein konkretes Ziel. Es arbeitet dann eigenstaendig daran. Die Funktion aktivierst du im CLI mit dem Befehl /goal.

Vorher musst du goals = true in der globalen Konfigurationsdatei setzen. Im Test sollte Codex eine preisgekroente Award-Website pixelgenau klonen. Beim ersten Versuch hat der Agent etwa zehn Minuten gebraucht und ein brauchbares Ergebnis geliefert.

Erst der praezise Folge-Prompt hat eine echte Eins-zu-eins-Reproduktion erzwungen. Codex hat erkannt, dass die Originalseite ihre Assets oeffentlich ausliefert. Diese Daten hat das Modell in ein lokales Projekt exportiert.

Anthropic Project Deal und die neue Agenten-Oekonomie

Anthropic hat mit Project Deal ein Experiment zur Agenten-Oekonomie gestartet. Verschiedene KI-Modelle haben fuer Mitarbeiter untereinander verhandelt. Das Setup hat 186 Deals vollautonom abgewickelt mit einem Volumen von ueber 4.000 Dollar.

Die eBay-Aktie ist im Anschluss spuerbar gefallen. Eine anonyme Umfrage zeigt: Rund 50 Prozent der Beteiligten wuerden fuer einen solchen Service zahlen. Das ist ein klares Markt-Signal.

Wichtig fuer die strategische Einordnung: groessere Modelle haben besser verhandelt. Fuer Unternehmen heisst das, der Zugriff auf Top-Modelle wird zum harten Wettbewerbsvorteil. Wir sehen das aktuell bereits in den ersten Pilotprojekten.

Opus 4.7 Tokenizer: Was die neue Kostenstruktur bedeutet

Eine Untersuchung von OpenRouter bestaetigt das Token-Problem von Opus 4.7. Das Modell produziert 32 bis 45 Prozent mehr Tokens als Opus 4.6. Bei Prompts unter 2.000 Tokens liegt die Inflation bei 45 Prozent.

Bei sehr grossen Prompts ueber 128.000 Tokens reduziert sich die Inflation auf 33 Prozent. In den realen Kosten bedeutet das einen Aufschlag bis zu 30 Prozent. Genau dieser Effekt schiebt Nutzer schneller in ihre Session-Limits.

OpenAI subventioniert Codex aktuell rund fuenfmal grosszuegiger als Anthropic. Ein Nutzer hat nach drei Stunden Opus 4.7 bereits 21 Prozent seines Limits aufgebraucht. Bei GPT 5.5 in Codex waren noch 97 Prozent Session-Volumen frei. Mehr Hintergrund liefert unsere Analyse zum versteckten Tokenizer-Problem.

Johann Rehberger hackt Opus 4.7 Memory mit ChatGPT-Bild

KI-Sicherheitsforscher Johann Rehberger hat eine neue Angriffsklasse demonstriert. Er hat ChatGPT ein Bild generieren lassen mit unsichtbarem Text. Schwarzer Text auf schwarzem Hintergrund, fuer Menschen nicht lesbar.

Claude Opus 4.7 liest dieses Bild und folgt den versteckten Anweisungen. Das Modell aendert daraufhin seine eigenen Erinnerungen ueber den Nutzer. Genau hier liegt das Risiko fuer produktive Skill-Setups.

Rehberger warnt: aus fremden Quellen geladener Code ist immer ein Sicherheitsproblem. Skills, MCP-Server und Connectoren muessen verifiziert sein. Wir empfehlen jedem Team eine eigene Skill-Review-Pipeline. Mehr zum Thema KI-Sicherheit findest du im Interview mit Dr. Karsten Nohl.

OpenAI Goblins: Was das Drama ueber Modellverhalten verraet

OpenAI-Modelle haben seit GPT 5.1 auffaellig haeufig von Goblins, Gremlins und Trollen gesprochen. Der Grund liegt im Reinforcement Learning. Eine nerdige Persoenlichkeit hat solche Begriffe produziert und wurde dafuer belohnt.

Das Verhalten ist dann in andere Persoenlichkeiten durchgesickert. OpenAI musste die Begriffe im System-Prompt aktiv unterdruecken. Das ist mehr als ein Kuriosum.

Bei Goblins ist der Schaden harmlos. Bei Markenempfehlungen oder politischen Verzerrungen waere er kritisch. Wir setzen deshalb in Kundenprojekten auf Model Councils mit Codex und Claude Code parallel.

Fazit: Warum das Meta Ads CLI alles veraendert

Das Meta Ads CLI markiert den Punkt, an dem klassische Performance-Marketing-Agenturen unter Druck geraten. Codex Goal, Project Deal und das CLI bilden zusammen das neue Operating Model. Wer heute eine Werbeanzeige verstehen will, fragt seinen Agenten.

Gleichzeitig zwingt der Opus-4.7-Tokenizer Teams zu klaren Architektur-Entscheidungen. Und Johann Rehbergers Memory-Hack zeigt: Sicherheit muss von Tag eins mitgedacht werden. Wer das ignoriert, verliert in den naechsten zwoelf Monaten an Geschwindigkeit.

Haeufige Fragen

Was ist das Meta Ads CLI?

Das Meta Ads CLI ist ein offizielles Command Line Interface von Meta. Es richtet sich explizit an Entwickler und KI-Agenten. Du kannst damit Kampagnen erstellen, analysieren, optimieren und Creatives hoch- oder herunterladen. Es laesst sich direkt aus Codex oder Claude Code nutzen. Damit faellt erstmals die UI-Huerde des Werbeanzeigenmanagers.

Was kann Codex Goal?

Codex Goal ist eine Zielfunktion im OpenAI Codex CLI. Du definierst per /goal-Befehl ein konkretes Ziel. Das Modell arbeitet dann eigenstaendig daran. Codex steuert Tests, Iterationen und Asset-Quellen autonom. Aktiviert wird die Funktion ueber goals = true in der globalen Konfiguration. In Tests laeuft sie mehrere Minuten bis Stunden ohne Eingriff.

Wie viel mehr Tokens verbraucht Opus 4.7?

Laut OpenRouter produziert Opus 4.7 zwischen 32 und 45 Prozent mehr native Tokens als Opus 4.6. Bei Prompts unter 2.000 Tokens liegt die Inflation am hoechsten. Bei sehr grossen Prompts sinkt sie auf 33 Prozent. Die realen Kosten steigen je nach Prompt-Groesse um bis zu 30 Prozent. Nutzer erreichen Session-Limits dadurch deutlich schneller.

Wie funktioniert der Memory-Hack von Johann Rehberger?

Rehberger laesst ChatGPT ein Bild generieren mit dunklem Text auf dunklem Hintergrund. Fuer Menschen ist der Text unsichtbar. Claude Opus 4.7 liest die versteckte Instruktion und manipuliert daraufhin seinen eigenen Memory ueber den Nutzer. Das ist eine klassische Prompt-Injection ueber den Bildkanal. Die Angriffsklasse zeigt, warum aus fremden Quellen geladene Inhalte verifiziert werden muessen.

Was bedeutet Project Deal von Anthropic?

Project Deal ist ein Experiment, bei dem KI-Modelle fuer Mitarbeiter Verhandlungen autonom abwickeln. 186 Deals wurden so vollautonom mit ueber 4.000 Dollar Volumen abgeschlossen. Groessere Modelle erzielten bessere Ergebnisse. Das Experiment hat den eBay-Aktienkurs spuerbar bewegt. Es ist der bisher klarste Indikator fuer eine entstehende Agenten-Oekonomie.

Post-Labor Economy: Pero Micic und Andreas Moring zum Ende der Arbeit

Everlast AI — Thu, 30 Apr 2026 15:28:24 +0000

Post-Labor Economy ist ein Wirtschaftsmodell, in dem KI und Roboter den Großteil menschlicher Arbeit ersetzen. Im VORSPRUNG-Podcast von Everlast AI diskutieren Leonard Schmedding, Pero Micic, Andreas Moring und Kim Isenberg, wie schnell dieser Umbruch eintrifft und welche Lehren wir für Unternehmen ziehen sollten.

Warum diese Debatte jetzt stattfindet

Sam Altman und Dario Amodei haben fast zeitgleich gewarnt. KI verdrängt Arbeitsplätze schneller als die Gesellschaft sich anpassen kann. Altman sagt, Washington sei nicht vorbereitet. Amodei rechnet mit 50 Prozent verdrängter Einstiegsjobs in Büro, Recht und Finanzen.

Diese Stimmen kommen nicht aus dem linken Lager. Sie kommen aus dem Kern des Silicon Valley. Beide CEOs fordern eine ehrliche Debatte über die Folgen. Wir bei Everlast AI nehmen die Warnung ernst und diskutieren ihre Bedeutung für deutsche Unternehmen.

Die aktuellen Arbeitsmarktzahlen

Die US-Hiring-Rate fiel im Februar 2026 auf 3,1 Prozent. Das ist das schwächste Tempo seit 15 Jahren. Im Tech-Sektor fehlen seit ChatGPT-Launch 330.000 IT-Jobs. Im März 2026 war KI erstmals Entlassungsgrund Nummer eins bei Challenger.

Im ersten Quartal 2026 zählte Challenger über 27.000 KI-Layoffs. Das sind neunmal mehr als im gesamten Vorjahr. Oracle baut 30.000 Stellen ab, um in KI zu investieren. Trotz Capex-Investitionen von 400 bis 600 Milliarden Dollar pro Jahr entstehen kaum neue Stellen.

Hollowing Out: wie KI Jobs aushöhlt

Die US-Datenbank zerlegt 950 Berufe in 19.000 Einzelaufgaben. Ein Job ist ein Container aus 20 bis 50 konkreten Tätigkeiten. Anthropic beziffert 94 Prozent kognitiver Arbeit als theoretisch automatisierbar. Aktuell sind 33 Prozent erreicht.

Pero Micic nennt diesen Effekt Hollowing. Mitarbeiter bleiben angestellt, doch KI übernimmt einzelne Aufgaben. Die Job-Pyramide wird von unten ausgehöhlt. Schon bei 50 Prozent Verdrängung kollabiert das System der abhängigen Beschäftigung. Erste Anzeichen zeigen sich bei Versicherern wie Lemonade.

Barbell Economy und permanente Unterschicht

Andreas Moring beschreibt die Hantel-Ökonomie. Oben wachsen High-Skill-Jobs mit 56 Prozent Lohnaufschlag für KI-Skills. Unten bleiben physische Restarbeiten. Die Mittelschicht zerbröselt zwischen beiden Polen. Genau dieser Mittelbau trug in Deutschland seit den siebziger Jahren den sozialen Frieden.

Kim Isenberg warnt vor einer permanenten Unterschicht. Wenn KI die Abhängigkeit Arbeitnehmer zu Arbeitgeber auflöst, verschwindet das klassische Machtinstrument Streik. Der Gini-Koeffizient der USA stieg seit 1990 von 0,43 auf 0,49. Das sind 14 Prozent mehr Ungleichheit.

Hyperdeflation statt Inflation

Lohnkosten machen heute 10 bis 60 Prozent der Produktionskosten aus. KI und Robotik senken diesen Anteil rapide. Tesla peilt 20.000 bis 30.000 Dollar pro Optimus-Roboter an. Goldman Sachs meldet 40 Prozent gefallene Produktionskosten allein 2025.

Pero Micic erwartet langfristig eine deflationäre Welt. Produkte und Dienstleistungen werden billiger statt teurer. Wer produktives Vermögen besitzt, gewinnt. Wer nur Lohn bezieht, verliert. Vertieft haben wir das Modell in unserem Beitrag Post-Labor Economy: KI, Roboter und das Ende der menschlichen Arbeit.

Lösungsansätze aus dem Silicon Valley

Open AI fordert in einem 13-seitigen Paper einen Staatsfonds nach Alaska-Modell. Dazu eine Roboter-Steuer und Verlagerung der Steuerbasis vom Lohn zum Kapital. Sam Altman schlägt eine 32-Stunden-Woche und automatische Sicherheits-Netze vor. Elon Musk diskutiert Universal High Income.

Pero Micic sieht das bedingungslose Grundeinkommen kritisch. Er bevorzugt eine negative Einkommenssteuer für Bedürftige plus Eigentum an produktivem Kapital. Universal Basic Services lehnt er ab. Sie schaffen staatliche Quasi-Monopole und nehmen Bürgern die freie Wahl beim Anbieter.

Was Deutschland und Europa droht

Hier liegt das deutsche Kernproblem. Roboter-Steuer und Kapitalertragssteuer funktionieren nur dort, wo der Reichtum entsteht. Open AI sitzt in Kalifornien. Tesla, Figure und Anthropic sitzen ebenfalls in den USA. Unitree sitzt in China. In Deutschland sitzt fast nichts davon.

China verkauft 2026 deutlich weniger deutsche Autos und exportiert mehr eigene. Der Außenhandels-Überschuss schmilzt. Wer in Berlin auf eine Roboter-Steuer der amerikanischen Frontier-Labs hofft, irrt. Diesen Aspekt vertiefen wir im Beitrag zu Deutschlands KI-Krise.

Kränkung oder Befreiung?

Sigmund Freud nannte drei narzisstische Kränkungen: Kopernikus, Darwin, Freud selbst. KI bringt jetzt die vierte Kränkung. Der Mensch verliert die Rolle als intelligentestes Wesen. Eine Umfrage in der Everlast-Community zeigt: 50 Prozent würden ihren Job an KI abgeben.

Pero Micic sieht darin eine Chance. Im Überfluss-Szenario übernehmen Roboter und KI die Pflichtarbeit. Menschen wählen frei, was sie tun. Sie schreinern als Hobby, sie singen am Lagerfeuer, sie forschen aus Neugier. Voraussetzung dafür ist Eigentum an produktivem Kapital für breite Schichten.

Was Unternehmer jetzt tun sollten

Pero Micic empfiehlt eine harte Selbst-Reflexion. Welches Team baut gerade ein einfacheres, schnelleres und billigeres Geschäftsmodell als unseres? Diese Schablone gehört über das eigene Unternehmen gelegt. AI-First-Prozesse statt iterative Optimierung sind der Hebel für 2026.

Bei Everlast AI bauen wir gerade unser Team an AI-Driven Software Developern aus. Diese Talente nutzen Claude Code und agentische Workflows. Sie performen klassische Teams aus. Der Markt zahlt dafür 56 Prozent Lohnaufschlag laut aktuellen Branchenstudien.

Fazit

Die Post-Labor Economy ist kein fernes Szenario mehr. Erste Effekte zeigen sich in Hiring-Quoten, Tech-Layoffs und Software-Bewertungen. Pero Micic, Andreas Moring und Kim Isenberg liefern eine der ehrlichsten Analysen zum Thema im deutschsprachigen Raum.

Unternehmen mit klaren Prozessen, AI-Native-Architektur und Produktivitäts-Fokus gewinnen. Wer abwartet, gehört zur abgehängten Mittelschicht der Hantel-Ökonomie. Die Post-Labor Economy zwingt uns zu einer ehrlichen Debatte über Eigentum, Status und Sinn jenseits der Erwerbsarbeit.

Häufige Fragen

Was bedeutet Post-Labor Economy?

Die Post-Labor Economy beschreibt eine Wirtschaft, in der KI und Roboter den Großteil bezahlter Arbeit übernehmen. Löhne verlieren als Mechanismus zur Wohlstandsverteilung an Bedeutung. Stattdessen entscheiden Eigentum an produktivem Kapital, KI-Skills und Zugang zu Rechenleistung über individuellen Wohlstand. Das Modell ersetzt das System der abhängigen Beschäftigung, das seit der industriellen Revolution dominiert hat.

Wann kommt die Post-Labor Economy in Deutschland an?

Die ersten Anzeichen zeigen sich seit 2025. Die US-Hiring-Rate liegt auf einem 15-Jahres-Tief. Im März 2026 war KI erstmals Entlassungsgrund Nummer eins bei Challenger. Pero Micic spricht von einer S-Kurve über zehn bis fünfzehn Jahre. Bis dahin durchläuft die Wirtschaft zuerst ein Krisen-Szenario, dann ein Überfluss-Szenario.

Warum ist bedingungsloses Grundeinkommen umstritten?

Open AI hat 1.000 Menschen über drei Jahre 1.000 Dollar pro Monat gezahlt. Das Ergebnis: kaum Effekt auf Beschäftigung, kaum Effekt auf Gesundheit. Pero Micic bevorzugt eine negative Einkommenssteuer plus Anteile an produktivem Kapital. Sam Altman rückt selbst von Universal Basic Income ab und fordert Ownership statt passives Einkommen.

Welche Jobs sind am stärksten gefährdet?

Hochakademische Büroberufe trifft es zuerst. Juristen, Steuerberater, Finanzanalysten und Software-Entwickler im Junior-Bereich. Anthropic misst 94 Prozent automatisierbarer kognitiver Arbeit. Handwerk gilt zehn bis fünfzehn Jahre als sicher. Doch auch dort übernehmen KI-Systeme rund 70 Prozent White-Collar-Anteil wie Verwaltung und Angebotserstellung. Die Mittelschicht gerät beidseitig unter Druck.

Wie sollten Unternehmen sich vorbereiten?

Pero Micic empfiehlt das AI-First-Prinzip. Erst prüfen, ob das aktuelle Team mit KI und Robotik die Aufgabe löst. Erst dann neu einstellen. Wissen muss aus Köpfen in Systeme wandern. Prozesse müssen dokumentiert werden, bevor erfahrene Mitarbeiter in Rente gehen. Energiekosten und Bürokratie sind Rahmenbedingungen, kein Handlungshindernis.

Anne Greul im Interview: Wie Leegle Produkt-Compliance mit KI radikal vereinfacht

Everlast AI — Wed, 29 Apr 2026 15:24:20 +0000

Anne Greul hat mit ihrem Startup Leegle eine KI-Plattform gebaut, die Produkt-Compliance radikal vereinfacht. Im Interview erklärt die Gründerin, wie ihr Tool Hersteller durch den Regulierungs-Dschungel führt. Du lernst, warum Leegle generative KI mit symbolischer KI kombiniert. Außerdem erfährst du, was Christian Lindner als neuer Investor in das Startup einbringt. Am Ende verstehst du, wie Behavioral Economics direkt ins Produkt-Design einfließt.

Von McKinsey bis Berkeley: Wie Anne Greul zu Leegle kam

Anne Greul hat einen ungewöhnlich vielfältigen Werdegang. Sie promovierte an der TU München mit summa cum laude. Ihre Doktorarbeit für Audi untersucht, warum Konzerne an radikalen Innovationen scheitern. Das Ergebnis: Kognitive Bias drängen Entscheider zu inkrementellen Themen statt zu echten Sprüngen.

Danach baute Greul für Audi das Tech Intelligence Programm in Boston auf. Ziel war der direkte Draht zum MIT. Material Science und Robotics standen im Fokus. Externe Innovationen sollten schnell ins Kern-Geschäft fließen.

Im Silicon Valley gründete sie später den California Innovation Fund. Der Shared-Carry-Fonds gibt 50 Prozent des Management Carries an UC Berkeley zurück. Die Universität reinvestiert das Geld in neue Gründer-Generationen. Heute begleitet Anne Greul den Fonds als Advisor.

Leegle erklärt: 10.000 Compliance-Anforderungen pro Produkt beherrschen

Stell dir vor, du leitest Compliance bei einem Hersteller mit 500 Produkten. Schon eine simple Bohrmaschine erfüllt über 10.000 regulatorische Vorgaben pro Vertriebs-Markt. Materialien, Schriftgrößen auf Verpackungen, Händler-Hinweise: alles unterscheidet sich pro Land. Spreadsheets und PDFs reichen für diese Komplexität längst nicht mehr aus.

Leegle setzt genau hier an. Die Plattform liefert tagesaktuell, was sich in der Gesetzes-Lage geändert hat. Sie zeigt direkt, ob die Bohrmaschine in Australien noch verkauft werden darf. Hersteller sparen damit Tage an manueller Recherche pro Produkt.

Die Wertschöpfung von Leegle deckt vier Schritte ab: Regulatory Monitoring, Anwendbarkeits-Prüfung, Produkt-Design und Compliance-Artefakte. Nutzer erstellen Compliance-Listen und Liefer-Dokumente direkt im Tool. Die Plattform geht damit weit über einen einfachen Chatbot hinaus.

Symbolische KI plus LLMs: So senkt Leegle Halluzinationen

Eine aktuelle Stanford-Studie zeigt: Spezialisierte AI-Tools halluzinieren bei jeder sechsten Anfrage. Das gilt sogar für Profi-Tools wie Westlaw aus dem juristischen Bereich. Sam Altman versprach 2024, das Thema sei 2025 erledigt. Wir reden 2026 immer noch darüber.

Leegle kombiniert deshalb generative KI mit symbolischer KI. Generative LLMs verarbeiten unstrukturierte Texte. Symbolische, regelbasierte KI setzt die Leitplanken im System. Diese Kombination grenzt unerwünschte Halluzinationen aktiv ein.

Genauso wichtig ist die Nachvollziehbarkeit jeder Antwort. Nutzer sehen den Original-Gesetzestext, der zur Antwort führte. Sie sehen die Produkt-Daten, die das System herangezogen hat. Erst diese Transparenz macht Compliance-Entscheidungen rechts-sicher.

Claude-Plugins, Cowork und SaaS-Disruption: Was Anne Greul Gründern rät

Anthropic launcht Claude-Plugins wie Cowork und drückt damit klassisches SaaS unter Druck. Der Markt reagierte mit fast einer Billion Dollar Kurs-Verlust bei betroffenen Anbietern. Die Hintergründe haben wir in unserem Artikel zur SaaS-Disruption durch KI-Agenten beleuchtet.

Anne Greul sieht den Crash als Über-Reaktion. Klassische SaaS-Modelle stehen tatsächlich unter Druck. Vertikale Spezial-Lösungen mit proprietären Daten bleiben aber schwer ersetzbar.

Leegle hat zwei Schutz-Schichten gegen schnelle Kopien. Erstens speichert die Plattform globale Gesetzes-Texte tagesaktuell und in jeder Version. Zweitens steckt eine codierte juristische Methodik hinter den Antworten. Beides ist nicht über Nacht selbst gebaut.

Greul nennt zusätzlich das System-of-Records-Prinzip. Kunden tragen Produkt-Daten und Compliance-History ins Tool ein. Über Jahre wächst dort ein Wert, den niemand einfach abziehen kann.

USA gegen Deutschland: Warum Konzerne hier KI-Adaption verschlafen

Greuls direkter Vergleich fällt eindeutig aus. US-Kunden entscheiden nach dem ersten Gespräch oft direkt für einen Test. Deutsche Konzerne diskutieren wochen- und monatelang über jede Frage. Diskussionen kosten Geld, Ressourcen und blockieren Lern-Effekte.

Die Gründerin appelliert an klare Spielfelder mit Leitplanken. Innerhalb dieser Grenzen sollen Mitarbeiter frei und schnell entscheiden. Tools früh testen schlägt monatelange Risiko-Analyse fast immer.

Stefan Faistenauer von Superglue AI sieht es ähnlich. Nur fünf Prozent der Firmen nutzen KI-Agenten produktiv. Mehr dazu liest du in unserem Interview mit Stefan Faistenauer zur KI-Adaption im Unternehmen.

Confirmation Bias und Default-Effekte: Behavioral Economics im Produkt

Greul lehrt parallel zu Leegle Behavioral Economics in Berkeley. Diese Forschung fließt direkt ins Produkt ein. Beim Pricing setzt Leegle auf einen reduzierten Sechs-Monats-Einstieg mit automatischer Verlängerung.

Drei Effekte greifen dabei zusammen. Loss Aversion macht den späteren Verlust des Tools schmerzhaft. Sunk Cost wirkt, weil Nutzer eigene Daten einpflegen. Der Default-Bias verhindert aktive Kündigungen, weil jede Änderung Energie kostet.

Auch im Dashboard zeigt sich der psycho-logische Hebel. 150.000 Gesetze ändern sich täglich, niemand liest 50 Benachrichtigungen pro Tag. Leegle filtert auf reine Hoch-Relevanz pro Produkt und Markt. So vermeidet das Tool Alarm-Müdigkeit bei Compliance Managern.

Christian Lindner als Investor: Was das für Leegle bedeutet

Leegle hat Christian Lindner als prominenten Investor gewonnen. Der frühere Finanz-Minister bringt einen einzigartigen Blick auf Regulierung mit. Er teilt Greuls Position zur Deregulierung explizit.

Beide sehen Tools statt pauschaler Streichung als kurzfristigen Hebel. Unternehmen sollen die EU-Komplexität in einen Wettbewerbs-Vorteil drehen. Genau hier liefert Leegle den passenden Werkzeug-Kasten für Hersteller.

Fazit: Anne Greul, Leegle und die Zukunft der KI-Compliance

Anne Greul zeigt mit Leegle, wie spezialisierte KI Compliance-Hürden in Geschäfts-Chancen wandelt. Symbolische KI plus LLMs senkt Halluzinationen messbar. Vertikale Daten und juristische Methodik schützen das Modell vor schneller Kopie. Christian Lindner als Investor verschafft dem Startup zusätzliche Hebel im regulatorischen Umfeld.

Drei Lehren bleiben für jeden Unternehmer. Erstens: Schnelle Tests schlagen lange Diskussionen. Zweitens: Vertikale Spezial-Daten bauen einen echten Mode-Schutz auf. Drittens: Behavioral Economics macht Produkte messbar besser. Wer KI-Compliance früh ernst nimmt, gewinnt Zugang zu Märkten, die andere noch verschlafen.

OpenAI Codex App und GPT-5.5 im Praxistest: So schlägt sich die Super-App gegen Claude Code

Everlast AI — Tue, 28 Apr 2026 15:24:39 +0000

OpenAI Codex App: Der direkte Angriff auf Claude Code

Die OpenAI Codex App ist seit dem GPT-5.5 Launch das neue Flagschiff von OpenAI. Vier Millionen aktive Nutzer in zwei Wochen zeigen den Hunger nach Agentic-Coding-Tools. Codex zielt direkt auf Claude Code, das bisher unangefochten an der Spitze stand.

OpenAI hat dafür alles auf eine Karte gesetzt. Sora wurde gestoppt, Teile des Stargate-Teams entlassen und 122 Milliarden Dollar frische Finanzierung fließen in Rechen-Kapazität. Greg Brockman nennt das den entscheidenden strategischen Vorteil im KI-Rennen.

Bis 2030 plant OpenAI 30 Gigawatt Compute. Das ist eine drei-fache Erhöhung gegenüber der Ansage von Januar 2025. Doch was bringt das im Arbeits-Alltag? Genau das testet dieses Video von Everlast AI live durch.

GPT-5.5 im Benchmark: Effizient, aber nicht überall führend

GPT-5.5 löst Coding-Aufgaben mit weniger Tokens als GPT-5.4 oder Opus 4.7. Der Kontext reicht bis zu einer Million Tokens ohne starken Qualitäts-Verlust. Auf der OS World Verified erreicht das Modell fast 80 Prozent.

Zum Vergleich: Menschliche Tester liegen bei 72 Prozent. GPT-5.5 bedient den Computer also besser als ein durch-schnittlicher Anwender. Die SWE-Bench Pro verliert es jedoch knapp gegen Opus 4.7 mit 64,3 zu 58,6 Prozent.

OpenAI markiert dort eine elegante Spitze gegen Anthropic. In Teilen des Benchmarks habe das Konkurrenz-Modell Trainings-Daten gesehen. Im Vending Bench 2 landet GPT-5.5 auf Platz drei. Aber ohne Täuschung oder Macht-Streben in den eigenen Test-Läufen.

Codex Desktop App: Skills, Plugins und MCP-Connector

Die Codex Desktop App ersetzt für viele Nutzer das klassische ChatGPT-Fenster. Ein Fast Answer Mode liefert Antworten schneller. Beim Login fragt OpenAI direkt: Programmierst du oder ist das dein Tages-Alltag? Codex zielt damit auf jeden Computer-Anwender, nicht nur auf Entwickler.

Über Plugins lassen sich Slack, Gmail, Google Drive, SharePoint und Outlook anbinden. Skills wie der PDF-Skill, der Paper-Skill oder der Image-Gen-Skill erweitern die Funktionen lokal. Diese Skills speichert Codex im lokalen Skill-Ordner, exakt wie Claude Code es vormacht.

Ein neues Feature überrascht im Test: gesteuerte Unterhaltung. Du kannst während der Arbeit von Codex weitere Prompts injizieren. Das Modell passt seine Aktion sofort an. Claude Code wartet erst auf den nächsten Stop-Punkt.

Mobile App, Landing Page und Browser-Steuerung im Live-Test

Im Test entstand mit einem Prompt ein Buch-Scanner als iOS-App. Codex baute den Barcode-Scanner, das Frontend und die Community-Funktion. Nach einer zweiten Iteration speicherte die App auch gescannte Bücher in der Lese-Liste.

Die parallele Landing Page entstand über den Paper-MCP. Codex screenshottete die Seite mit Playwright und korrigierte Buttons selbständig. Dieser Prozess dauerte aber 10 bis 15 Minuten. Opus 4.7 löste eine ähnliche Link-Tree-Aufgabe in 5 Minuten.

Beim Design-Vergleich verlor GPT-5.5 trotzdem klar. Der Everlast-Webdesign-Skill landete bei Codex nicht im Output. Opus traf die Vorgabe pragmatischer und übersichtlicher. Wer mehr Hintergrund zum Wettkampf der Modelle sucht, findet im Vergleich zur Super-App-Strategie eine tiefere Einordnung.

Browser Harness: Echte Browser-Automation ohne Screenshot-Loop

Browser Harness ist ein Open-Source-Projekt aus dem Browser-Use-Umfeld. Es nutzt die Chrome DevTools direkt statt permanenter Screenshots. Das spart Tokens, Kosten und Zeit gegenüber Playwright-Loops.

Das Repo enthält fertige Domain-Skills, etwa für LinkedIn. Ein Invitation Manager versendet Einladungen automatisiert. Browser Harness lernt zudem dazu. Bei der ersten Lösung einer neuen Domain entsteht ein Skill für künftige Aufgaben.

Im Praxis-Test verschob GPT-5.5 News-Karten in einem Trello-Klon innerhalb von Sekunden. Browser-Aufgaben sind eine klare Stärke des Modells. Hier zahlt sich der niedrigere Token-Verbrauch direkt aus.

Agentin in ChatGPT: Cloud-Agents für Business-Plan-Nutzer

Im Business-Plan stellt OpenAI seit kurzem eigene Cloud-Agents zur Verfügung. Vorlagen reichen vom SQL-Generator bis zum Kampagnen-Agent. Slack, Microsoft Teams und Kalender lassen sich direkt verbinden.

Skills lädst du als ganzen Ordner hoch. Bei Claude bleibt der Umweg über Zip-Dateien lästig. Über MCP-Server wie Hugging Face liefert ein Agent neueste Modell-Updates per Cron-Job in den Slack-Channel.

Diese Funktion erinnert stark an die Custom GPTs, zielt aber auf Enterprise-Anwender. Mehr Tiefe zu Claude Skills bietet der Praxis-Guide zu Claude Agent Skills mit konkreten Anwendungs-Mustern.

Fazit: Wofür sich die OpenAI Codex App lohnt

Die OpenAI Codex App ist der richtige Ansatz von OpenAI gegen Anthropic. Einsteiger-freundlich, stark im Browser, schwächer im Design. Sub-ventionierte Preise machen Codex aktuell extrem kosten-effizient.

Erfahrene Anwender bleiben für Tempo und Webdesign bei Opus 4.7 und Claude Code. Doch der Trend ist klar: Alle drei großen Labs konzentrieren ihre Compute auf Agentic Coding. Wer heute eine Flotte aus KI-Agenten kommandiert, baut den entscheidenden Vorsprung von morgen.

GPT-5.5 Spud vs. Claude Opus 4.7: Lohnt der Wechsel jetzt?

Everlast AI — Sun, 26 Apr 2026 08:26:46 +0000

GPT-5.5 vs. Claude Opus 4.7: Lohnt der Wechsel jetzt wirklich? OpenAI hat mit GPT-5.5 den ersten komplett neuen Pretrain seit GPT-4 ausgeliefert. Codename: Spud. Wir haben beide Modelle gegeneinander antreten lassen und in der Praxis verglichen. Du bekommst hier eine ehrliche Einordnung zu Performance, Kosten und Token-Effizienz.

Was steckt hinter GPT-5.5 Spud?

OpenAI positioniert GPT-5.5 ausdrücklich nicht als besseren Chatbot. Stattdessen soll das Modell Aufgaben am Computer eigenständig zu Ende bringen. Computer Use und Browser Use stehen erstmals als Kern-Fähigkeit auf dem Datenblatt.

Trainiert wurde Spud auf einem 100.000er GB200-Cluster im neuen Stargate Data Center in Texas. Es ist der erste vollständig neue Pretrain seit GPT-4 aus dem Jahr 2024. Die gesamte GPT-5er-Reihe baute davor auf derselben Basis auf. Neue Reasoning-Stufen kamen nur über Post-Training rein.

Praxis-Vergleich: GPT-5.5 gegen Claude Opus 4.7

Im direkten Test haben wir beide Modelle das gleiche Marketing-Video bauen lassen. Aufgabe: ein einminütiges Launch-Video für voicely.de mit Remotion. Beide bekamen exakt denselben Prompt, Opus auf High Effort, GPT-5.5 auf Extra High.

Das Ergebnis war eindeutig. Opus 4.7 war minimal schneller fertig und beim Design klar führend. GPT-5.5 lieferte unnötige Textelemente und ein weniger sauberes Layout. Für Marketing-Aufgaben bleibt Opus also weiterhin die erste Wahl.

Auf Coding-Benchmarks dreht sich das Bild komplett. Auf Terminal Bench 2.0 erreicht GPT-5.5 starke 82,7 Prozent. Claude Opus 4.7 landet bei 69,4 Prozent. Damit hat OpenAI seit Monaten erstmals wieder eine klare Coding-Führung.

1 Million Token Kontext, der endlich liefert

Fast jedes Modell wirbt heute mit einer Million Token Kontext-Fenster. Doch im echten Einsatz vergessen die meisten ab etwa 200.000 Token Information. OpenAI hat dafür einen eigenen Test entwickelt: MRCR.

Acht parallele Nadeln werden über 512.000 bis 1 Million Tokens verteilt. Das Modell muss diese Information verlässlich wieder finden. GPT-5.5 schafft hier 74 Prozent. Claude Opus 4.7 hängt bei mageren 32 Prozent fest.

Konkret heißt das: Du kippst eine komplette Codebase rein. Auch auf Seite 400 findet Spud die richtige Information. Das ist der bisher größte Sprung beim nutzbaren Kontext-Fenster.

Claude Cowork und Live Artefakte als Konter

Anthropic kontert mit zwei neuen Features in der Claude Desktop App. Cowork läuft in einer Sandbox und greift über MCP auf deine Live-Daten zu. Du kannst damit Mini-Apps direkt im Chat bauen.

Im Test habe ich ein KI-Branchen-Dashboard erstellt. Claude hat den passenden MCP selbst gefunden. Das Dashboard zog News von TechCrunch, bot Bookmarks und einen Refresh-Button. Alles aus einem einzigen Prompt heraus.

Parallel dazu launcht Anthropic mit Claude Design eine eigene App für UI, Slides und One-Pager. Das Tool ist gut, doch das Nutzungslimit greift schon nach wenigen Prompts. Für produktive Designarbeit also nur bedingt einsetzbar. Die Hintergründe zur Performance-Delle ordnen wir in unserem Deep-Dive zu Claude Opus 4.7 ein.

ImageGen 2 schlägt Nano Banana 2

OpenAI hat zusätzlich ImageGen 2 ausgerollt. Das Modell schlägt Googles Nano Banana 2 auf der Text-to-Image Arena um 242 Punkte. Die Bewertung kommt nicht aus einem Lab, sondern von echten Nutzern.

Im Test überzeugt vor allem das Text-Rendering. Wir haben eine fiktive Frankfurter Allgemeine aus 2030 generiert. Das Ergebnis sieht aus wie ein echtes iPhone-Foto. Auch Speisekarten lassen sich mit einem einzigen Prompt sauber rebranden.

Besonders stark: Du lädst ein simples Produktfoto hoch und bekommst vier ready-to-use Ad-Slides zurück. Branding, Layout und Inszenierung passen direkt. Bis zu 2K Auflösung sind möglich.

Open Source aus China: Kimi K2.6 und DeepSeek V4

Während alle auf OpenAI und Anthropic starren, drängt aus China die Open-Source-Konkurrenz nach. Moonshot Kimi K2.6 erobert die Design Arena auf Platz 1. Das Modell schlägt dort sogar Claude Opus 4.7. Auf SWE-Bench Pro liegt Kimi mit 58 Prozent gleichauf mit GPT-5.5.

Nur einen Tag später kommt DeepSeek V4 hinterher. V4 Pro startet mit 1,6 Billionen Parametern. V4 Flash bringt 284 Milliarden Parameter mit, davon 13 Milliarden aktiv. Beide Modelle laufen mit 1 Million Token Kontext.

Lauffähig sind diese Riesen aber nur auf dedizierter Server-Hardware. Selbst quantisiert frisst DeepSeek V4 Pro mehrere Hundert GB VRAM. In der Praxis nutzt du sie über die offiziellen APIs oder europäische Open-Source-Hoster.

Token-Effizienz: Der echte Kosten-Vergleich

Auf den ersten Blick wirkt GPT-5.5 teuer. Input liegt bei 5 Dollar pro Million Token, Output bei 30 Dollar. Damit ist Spud sogar etwas teurer als Opus 4.7.

Doch der Cost-to-Run-Index der Artificial Analysis erzählt eine andere Geschichte. Hier zählen Input, Output und vor allem Reasoning-Kosten. Opus 4.6 verbraucht knapp 5.000 Dollar im Durchlauf. GPT-5.5 auf Extra High kommt mit 3.357 Dollar deutlich günstiger weg. Den Wettkampf zwischen Claude Code und Codex als Agentic-Coding-Super-App haben wir bereits separat eingeordnet.

Fazit: Wann lohnt der Wechsel auf GPT-5.5?

Die Frage GPT-5.5 vs. Claude Opus 4.7 hat keine universelle Antwort. Für lange Kontexte, Computer Use und reine Coding-Benchmarks führt Spud klar. Bei Marketing, Design und kreativen Aufgaben bleibt Opus 4.7 unsere erste Wahl.

Praktisch heißt das: Behalte deinen Claude-Plan, aber teste GPT-5.5 in der Codex App parallel. Wer mit großen Codebases arbeitet, gewinnt durch das stabile Million-Token-Fenster echtes Tempo. Den Plan kündigen musst du heute aber noch nicht.

Niels Birbaumer Neuralink: Warum der BCI-Pionier vor Elon Musks Hirnchip warnt

Everlast AI — Thu, 23 Apr 2026 15:23:02 +0000

Prof. Dr. Niels Birbaumer forscht seit über 30 Jahren an Brain-Computer-Interfaces. Er war der erste Wissenschaftler weltweit, der komplett gelähmten Menschen die Kommunikation per Gedanken ermöglichte. Jetzt warnt er in einem Interview mit Leonard Schmedding vor Elon Musks Neuralink. Die Niels Birbaumer Neuralink-Einschätzung fällt deutlich aus: brandgefährlich, unnötig invasiv, wirtschaftlich nicht tragfähig. Du erfährst, warum ein BCI-Pionier vom Projekt abrät und welches Land beim Thema Hirnchip jetzt die Führung übernimmt.

Wer ist Niels Birbaumer und warum zählt seine Stimme

Birbaumer wurde 1945 in Österreich geboren. Als Jugendlicher führte er eine Wiener Bande an und saß im Jugendarrest. Sein Vater schickte ihn auf eine strengere Schule. Dort entdeckte er die Hirnforschung. Sein Lehrer war Miterfinder des Elektroenzephalogramms.

Heute zählt er zu den meist-zitierten Hirnforschern weltweit. Sein h-Index liegt bei über 140. Er hat mehr als 800 Publikationen veröffentlicht. Auszeichnungen reichen vom Leibnizpreis bis zur Aufnahme in die Leopoldina.

Bereits 1996 entwickelte er mit Hans-Peter Salzmann das erste am Menschen erprobte BCI. Der ALS-Patient schrieb den weltweit ersten Brief per Gedanken-Steuerung. Die Studie erschien in Nature.

Der Durchbruch 2022: Patient Felix spricht nur mit Gedanken

2022 publizierte Birbaumer in Nature Communications einen Meilenstein. Ein 44-jähriger ALS-Patient war vollständig gelähmt. Selbst seine Augen bewegte er nicht mehr. Mit einem Implantat im Gehirn buchstabierte er ganze Sätze. Pro Buchstabe brauchte er etwa eine Minute.

Seine erste Bitte: Gulaschbier und Fernsehzeit mit seinem Sohn. Das Team setzte 126 Standard-Elektroden ein. Diese steckten direkt in den Hirnzellen. Künstliche Intelligenz trennt dabei die Hirnströme für Ja und Nein mathematisch.

Invasiv gegen nicht invasiv: Zwei Wege ins Gehirn

Nicht invasive BCIs registrieren Hirnströme über die Kopfhaut. Das Elektroenzephalogramm ist das bekannteste Verfahren. Ein zweites nutzt Nahinfrarot-Spektroskopie. Beide Methoden bleiben harmlos. Ihre Grenze: flüssiges Sprechen gelingt damit nicht.

Nach 20 Jahren Arbeit stieg Birbaumer deshalb auf invasive Verfahren um. Dabei öffnet ein Chirurg die Schädeldecke. Die Elektroden gelangen direkt in die Hirnzellen. Der Vorteil: maximale Signal-Qualität. Der Nachteil: Infektions-Risiko.

Niels Birbaumer Neuralink: Der Realitäts-Check

Neuralink pflanzt tausende haarfeine Fäden ins Gehirn. Ein Automat erledigt die Operation fast vollständig. Birbaumer hält den Ansatz für überdimensioniert. Sein Patient Felix kommunizierte bereits mit wenigen Elektroden flüssig. Mehr Elektroden bringen nicht automatisch mehr Nutzen.

Der BCI-Pionier warnt vor einem weiteren Problem. Neuralink ist derzeit unbezahlbar. Keine Krankenkasse der Welt finanziert Millionen Implantationen. Musk verweist auf eine Warteliste von 30.000 Amerikanern. Birbaumer bezeichnet viele davon als Unbelehrbare, die Gesundes leichtfertig riskieren.

Er plädiert deshalb für eine gesetzliche Einschränkung. BCI soll nur bei schwerstkranken Menschen zugelassen werden. Nötig sei eine ärztliche Verschreibung mit Ethik-Kontrolle. Gesunde Nutzer gehören aus seiner Sicht nicht an den Hirnchip.

China übernimmt beim Brain-Computer-Interface die Führung

Zwei chinesische Systeme wurden kürzlich veröffentlicht. Sie brauchen nur fünf bis zehn Elektroden. Diese liegen auf der harten Hirnhaut, nicht darin. Das Infektions-Risiko sinkt dadurch deutlich. Ein kleines Modul sitzt in einer Knochen-Mulde. Die Daten-Übertragung läuft drahtlos per Bluetooth.

Birbaumer reist selbst nach China, um dort beizutragen. Er hofft, dass ALS-Patienten weltweit davon profitieren. In Europa und den USA hilft diesen Menschen aktuell niemand. Das Wissen existiert. Die Technik liegt auf dem Tisch. Nur die Versorgung fehlt.

Warum Denken ohne Bewegung nicht funktioniert

Birbaumer zitiert Aristoteles: Denken entsteht aus Bewegung. Das Gehirn besitzt keine Sensoren für die eigene Tätigkeit. Es lernt nur über Rückmeldung der Körperbewegung. Ein gelähmt geborenes Kind entwickelt kein echtes Denken. Das Konzept Haus lernt es nur durch Hineingehen.

Diese Einsicht verbindet BCI direkt mit Robotik. Eine reine Sprach-KI bleibt in dieser Logik begrenzt. Echte allgemeine Intelligenz braucht einen Körper und Belohnungs-Signale. Wer tiefer einsteigen will, findet die passende Einordnung in unserem Guide zu humanoiden Robotern.

Bewusstsein, Mind Uploading und die Grenzen der Technik

Die allgemeine Bewusstseins-Debatte hält Birbaumer für eine Scheinfrage. Wichtig werde sie nur im Einzelfall. Ein Beispiel: ein Angehöriger liegt nach einem Unfall im Koma. Bei rund 30 Prozent dieser Fälle bleibt das Gehirn intakt. Der Patient ist nur vollständig gelähmt.

Mind Uploading hält Birbaumer grundsätzlich für möglich. Dafür müssen Forscher das Gehirn vollständig verstehen. Digital-Computer reichen dafür nicht. Analog- und Quantencomputer kommen dem biologischen Vorbild näher. Wer das ethische Spannungs-Feld vertiefen will, findet es im Interview mit Prof. Oliver Bendel.

Fazit: Was die Niels Birbaumer Neuralink-Warnung für dich bedeutet

Die Niels Birbaumer Neuralink-Position ist eindeutig. Brain-Computer-Interfaces helfen schwerstkranken Menschen. Für Gesunde bleiben sie gefährlich und unnötig. Der BCI-Pionier warnt vor dem Oblomov-Effekt der Gesellschaft. Menschen könnten dauerhaft im Bett liegen und per Hirnchip bestellen.

Die nächsten fünf bis zehn Jahre entscheiden die Richtung. China setzt auf bezahlbare, weniger invasive Systeme. Musk verkauft Vision und Warteliste. Birbaumers Empfehlung bleibt klar: gesetzliche Grenze, ärztliche Verschreibung, strenge Ethik. Wer BCI nüchtern einordnen will, hört seinen Argumenten zu.

Invitris Phagen-Therapie: Wie Patrick Grossmann Medikamente in 8 Stunden druckt

Everlast AI — Wed, 22 Apr 2026 15:24:13 +0000

Druckbare Medizin: Der ChatGPT-Moment der Pharma-Welt

Die Invitris Phagen-Therapie zeigt, wie radikal KI die Medizin gerade verändert. Dr. Patrick Grossmann führt als Gründer das Münchner DeepTech-Startup Invitris. Im Interview mit Everlast AI erklärt er, wie sein Team neue Medikamente in 4 bis 8 Stunden herstellt. Das Verfahren ist laut Grossmann bis zu 10.000 Mal schneller als die klassische Produktion.

Sein Hebel ist eine zellfreie Plattform. Sie baut Phagen-Proteine komplett ohne lebende Bakterien zusammen. Dieser Ansatz ist die Grundlage für personalisierte Therapien in unter 72 Stunden.

Der ChatGPT-Moment der Medizin ist da

Stanford prognostizierte bereits 2025, dass Healthcare 2026 seinen ChatGPT-Moment erlebt. Für Grossmann ist dieser Punkt längst erreicht. Früher baute die Forschung einzelne Modelle für sehr spezifische Aufgaben. Eines sagte Tumorprogression vorher, ein anderes erkannte seltene Erkrankungen.

Heute fließen komplementäre Datensätze in ein einziges großes Modell. Dadurch beantwortet das System ganz unterschiedliche medizinische Fragen gleichzeitig. Für die Medikamenten-Entwicklung bedeutet das einen radikalen Geschwindigkeits-Schub. Binnen Minuten entstehen neue Kandidaten am Rechner.

Invitris Phagen-Therapie: 10.000 Mal schneller als klassische Produktion

Der Flaschenhals liegt nicht im Design, sondern in der Produktion. Genau hier setzt Invitris an. Das Team aus Martinsried bei München hat eine Manufacturing-Technologie entwickelt. Sie liefert neue proteinbasierte Medikamente in 4 bis 8 Stunden.

Klassische Phagen-Produktion dauert bis zu 10 Tage. Manche Bakterien wachsen einfach so lang, bevor man Phagen ernten kann. Invitris umgeht diesen Prozess komplett. Das Team hat verstanden, welche Moleküle in Bakterien die Protein-Synthese steuern.

Diese Bausteine setzt das System wie Lego zusammen. Phagen entstehen direkt aus der DNA, ohne lebenden Wirt. Das Verfahren heißt Cell-Free Expression. Es ist laut Grossmann bis zu 10.000 Mal schneller als der klassische Weg.

Phagen gegen multiresistente Bakterien wie Pseudomonas aeruginosa

Bakterio-Phagen sind Viren, die gezielt Bakterien töten. Für Menschen sind sie harmlos, sogar nützlich. Sie schalten genau die krank-machenden Keime aus. Antibiotika dagegen zerstören große Teile des Mikrobioms.

Das Leuchtturm-Programm von Invitris zielt auf Pseudomonas aeruginosa. Der Keim steht ganz oben auf der Priority-Liste der WHO. Er ist die häufigste Todesursache bei Mukoviszidose-Patienten. Bei dieser Erkrankung bleibt Schleim in der Lunge liegen und wird zum Nährboden für Bakterien.

Das Team hat eine Bibliothek antimikrobieller Proteine gegen den Keim entwickelt. Der nächste Schritt ist die Personalisierung auf Patienten-Ebene. Dafür tauscht die Plattform sogenannte Füßchen am Phagen aus. Diese Strukturen bestimmen, welches Bakterium das Medikament befällt.

Personalisierte Therapie in 24 bis 72 Stunden

Das Ziel ist eine patientenspezifische Phagen-Therapie binnen 24 bis 72 Stunden. Technisch funktioniert das im Laborsetup schon gut. Der Bottleneck liegt anderswo: in der Regulatorik. Jede neue Charge muss Sterilitäts-Tests durchlaufen.

Diese Qualitäts-Kontrollen dauern aktuell bis zu 10 Tage. Das Medikament liegt fertig im Regal und wartet. Invitris plant deshalb einen geschlossenen Maschinen-Kasten. Er soll automatisiert genug Daten liefern, um die Tests zu verkürzen.

Mit Mitteln des EIC Accelerator baut das Team genau diese Maschine. Die Förderung umfasst 2,5 Millionen Euro als Grant plus Eigenkapital der European Investment Bank. Invitris war eine von nur 61 Firmen aus 1.200 Bewerbungen. Das Endziel ist ein weltweites Netzwerk solcher Drucker.

Warum Europa bei Biotech schwächelt

Grossmann hat an der ETH Zürich und an der Harvard Medical School geforscht. Er war Alumnus im Y-Combinator-Programm. Seine Beobachtung zum Fundraising ist klar. US-Investoren optimieren auf die Größe der Chance.

Europäische Geldgeber optimieren dagegen auf die Minimierung des Risikos. Für Venture Capital ist diese Logik problematisch. Die Opportunität muss massiv sein, sonst trägt das Modell nicht. Deshalb zieht es viele deutsche DeepTech-Gründer in die USA.

Invitris bleibt trotzdem in München. Die Talent-Dichte rund um die TU München ist hoch, das Kapital vorhanden. Was fehlt, ist laut Grossmann die kritische Masse an Vernetzung. Eine Achse zwischen München und Boston soll das ausgleichen. Parallelen zum Münchner Forschungs-Standort zeigt das Interview mit Prof. Alois Knoll.

Drei KI-Hebel für die Gesundheit der Zukunft

Grossmann sieht drei Kernbereiche, in denen KI Gesundheit verändert. Erstens: Therapeutika. KI findet nischige Ursachen für Erkrankungen und designt passende Proteine. Heute geht das per Heuristik statt per rationalem Design.

Zweitens: Aufklärung der Patienten. Rund jede 20. Person trägt eine seltene Erkrankung. In Summe existieren fast 10.000 solcher Erkrankungen. Zusammen betreffen sie extrem viele Menschen.

KI-Tools beschleunigen die Diagnose massiv. Grossmanns eigene Schwester wartete 10 Jahre auf eine klare Diagnose. Drittens: Supplements und Lifestyle. Hier geht es um individuelle Wechsel-Wirkungen und passende Kombinationen. Den wissenschaftlichen Rahmen dazu liefert das Interview mit Dr. Thomas Zurbuchen.

Proteine, Antibiotika-Resistenzen und der größte Hebel

Nur 2 Prozent aller Therapeutika sind protein-basiert. Dennoch machen sie 40 Prozent des globalen Pharma-Umsatzes aus. Der Grund ist simpel: Die Medikamente wirken sehr gut. Allerdings sind sie komplex und teuer herzustellen.

Invitris will diesen Kostendruck senken. Wenn die Produktion für einen Patienten genauso viel kostet wie für eine Million, öffnen sich neue Märkte. Rund zehnmal mehr Erkrankungen würden adressierbar. Besonders seltene Krankheiten profitieren davon.

Ein weiterer Hebel ist der Kampf gegen Antibiotika-Resistenzen. Maßgeschneiderte Phagen erhöhen die Effektivität jeder Therapie. Gleichzeitig nehmen sie den Resistenz-Druck aus dem System. Manche US-Forscher halten sogar die Ausrottung einzelner Virus-Erkrankungen für möglich.

Fazit: Invitris Phagen-Therapie als Blaupause für die Medizin von morgen

Die Invitris Phagen-Therapie steht exemplarisch für den ChatGPT-Moment der Medizin. KI entwirft, Cell-Free-Plattformen drucken, Maschinen prüfen. Aus Monaten werden Stunden. Aus Pauschal-Therapie wird personalisierte Medizin.

Für Unternehmen im DeepTech-Bereich ist das Signal klar. Wer jetzt Infrastruktur für KI-generierte Medikamente aufbaut, besetzt einen riesigen Markt. Die Technologie ist reif, die Regulatorik folgt. Europa hat die Forschung, jetzt braucht es die Geschwindigkeit.

Agentic Workflows mit Claude Code: Warum n8n ausstirbt (Komplettkurs Leonard Schmedding)

Everlast AI — Tue, 21 Apr 2026 15:22:32 +0000

Wer heute noch Knoten in n8n zieht, arbeitet mit der Vergangenheit. Agentic Workflows mit Claude Code verschieben gerade die gesamte Automatisierungs-Landschaft. Leonard Schmedding zeigt in seinem Komplettkurs, wie du ohne Programmierkenntnisse echte KI-Agenten baust und warum klassische Workflow-Tools den Anschluss verlieren.

Andrej Karpathy, Ex-AI-Chef von Tesla, hat es im März 2026 auf den Punkt gebracht. Sein Coding-Alltag sieht seit Dezember 2025 komplett anders aus. Er erklärt Agenten 16 Stunden pro Tag seinen Willen statt selbst zu tippen. Wer das verpasst, gehört laut Steve Yegge bald zu den Big Dead Companies.

Was sind Agentic Workflows mit Claude Code wirklich?

Klassische Automationen laufen nach einem starren Wenn-Dann-Prinzip. Du definierst jeden Schritt manuell. n8n, Make und Zapier folgen genau diesem Muster. Die KI sitzt nur als einzelner Baustein in einem dummen System.

Ein echter KI-Agent funktioniert fundamental anders. Das Modell steuert seinen Prozess dynamisch. Es entscheidet selbst, welche Schritte nötig sind und welche Tools es nutzt. Anthropic hat dafür die sauberste Definition geliefert.

Zwei Konzepte machten den Durchbruch möglich: Agent Loops und Agent Harnesses. Der Loop läuft in einem festen Zyklus. Lesen, Aktion wählen, ausführen, bewerten. Harnesses lösen das Gedächtnis-Problem über strukturierte Dateien und Übergaben, ähnlich einer Schichtübergabe in der Produktion.

Warum n8n, Make und Zapier ausgedient haben

Die Zahlen sprechen eine klare Sprache. UiPath ist von 36 Milliarden auf 6,4 Milliarden Dollar Marktkapitalisierung gefallen. Ein Verlust von 82 Prozent. Der Grund liegt nicht am RPA-Modell, sondern an generativer KI. Selbst der SVP von Mendix bestätigt den Rückgang von Low-Code.

Ein n8n-Workflow ist am Ende nur eine JSON-Datei. Warum also Zeit auf einer Leinwand verlieren, wenn ein Coding-Agent dasselbe Ergebnis als Python-Skript in Minuten baut? Du beschreibst deinen Willen in natürlicher Sprache. Der Agent kümmert sich um die Umsetzung.

MCP-Server bleiben als standardisierte Schnittstelle relevant. Die eigentliche Arbeit verschiebt sich aber zur Kommandozeile. Dan McAteer, ehemals Backend-Lead bei Manus AI, hat Structured Function Calling komplett aufgegeben. Er nutzt nur noch einen simplen Bash-Befehl, weil Text die native Sprache von KI-Modellen ist.

Die neue Toolandschaft für Agentic Coding

Die neue Welt teilt sich in zwei Kategorien. Coding IDEs wie Cursor, Windsurf oder Antigravity bieten eine grafische Oberfläche mit integriertem Agent. Cursor hat über 630.000 zahlende Kunden. CLI-Agenten wie Claude Code, Codex und Gemini CLI laufen direkt im Terminal.

Claude Code wurde in einer Umfrage als beliebtestes Coding-Tool gewählt. 46 Prozent Most-Loved, weit vor Cursor. Die beste Kombination aus der Community ist beides zusammen. Cursor für schnelle Inline-Edits, Claude Code für komplexe Architektur-Entscheidungen.

Wer tiefer einsteigen will, findet bei uns ergänzendes Material. Den Wettkampf der Top-Tools beleuchten wir im Artikel über Claude Code und Codex im Detail.

Drei Use Cases aus dem Kurs: Website, Webapp, Workflow

Leonard zeigt im Kurs drei konkrete Praxis-Beispiele. Der erste Use Case ist eine moderne Marketing-Website für ein deutsches Maschinenbauunternehmen. Mit NextJS 15, Tailwind und shadcn/ui baut Claude Code in 22 Minuten eine Seite mit 18 Routen und 30 wiederverwendbaren Komponenten. Ein Ergebnis, für das Agenturen früher 10.000 Euro verlangt haben.

Der zweite Use Case ist ein KI-Angebotsgenerator für ein mittelständisches Unternehmen. PDFs rein, Angebote raus. Supabase als Backend, Gemini API für OCR, NextJS als Frontend. Die gesamte Entwicklung läuft in unter einer Stunde über einen sauberen Implementierungsplan mit zehn Einzel-Prompts.

Der dritte Use Case zeigt den Deployment-Weg. Ein Lead-Scraper-Workflow wird über die AWS CLI auf Lambda Functions ausgerollt. Claude Code erstellt die Infrastruktur selbstständig. Das Frontend läuft auf Vercel, das Backend serverless in Frankfurt.

Claude Skills: Der Schlüssel für wiederverwendbare Agenten

Claude Skills sind wiederverwendbare Promptmodule. Sie enthalten nicht nur einen System-Prompt, sondern auch Beispieldateien, Bilder und Skripte. Ein Skill für Lead-Scoring kann ein festes Python-Skript mitbringen. Das Ergebnis wird dadurch 100 Prozent deterministisch.

Skills folgen immer der gleichen Struktur. Name, Beschreibung, erlaubte Tools und der Body im Markdown-Format. Du speicherst sie global oder projektbasiert. Genau das macht Agentic Coding enterprise-tauglich.

Grenzen von Agentic AI: Context Drift und Halluzinationen

Agentic Workflows sind kein Allheilmittel. Fünf Limitierungen solltest du kennen. Context Drift tritt auf, wenn Agenten zu lange laufen. Die Lost-in-the-Middle-Studie zeigt, dass Modelle Informationen in der Mitte ihres Kontexts schlechter verarbeiten.

Halluzinationen kaskadieren in Agentic Systemen. Ein Fehler in Schritt 3 pflanzt sich exponentiell fort. Bei Aufgaben mit zehn oder mehr Dateien schaffen selbst die besten Modelle nur noch 10 Prozent. Prompt Injections werden durch Tool-Zugriff zur realen Gefahr.

Der häufigste Fehler ist Overengineering. Nicht jedes Problem braucht einen Multi-Agent-Workflow. Anthropic selbst empfiehlt im Guide Building Effective Agents die einfachste Lösung. Amazons Q-Agent hat 2025 durch High-Blast-Radius-Changes Schäden verursacht. Architektur-Verständnis bleibt Pflicht.

Geld verdienen mit Agentic Workflows

Für Angestellte ist der Weg klar. Positioniere dich intern als Agentic AI Experte. Baue Tools für dein Team, zeige messbare Ergebnisse, sichere dir die Head-of-AI-Position. Diese Rollen werden jetzt vergeben, nicht in drei Jahren.

Für angehende Selbstständige ist der Zeitpunkt ideal. 95 Prozent aller KI-Agenturen hängen noch in der alten Welt mit Airtable-Setups und n8n-Templates. Der Markt für moderne Agentic-Lösungen ist riesig und die technische Einstiegshürde schützt vor oberflächlicher Konkurrenz.

Für Unternehmer geht es um das Fundament. Ein zentraler KI-Wissensspeicher, saubere Prozesse und ein Team, das die Tools versteht. Details dazu findest du in unserem ultimativen Claude-Code-Guide.

Fazit: Agentic Workflows mit Claude Code sind der neue Standard

Die Verschiebung ist bereits passiert. Agentic Workflows mit Claude Code liefern in Minuten, wofür n8n-Flows Stunden brauchen. Agent Loops, Harnesses und Skills machen KI-Agenten enterprise-tauglich. Wer jetzt die Grundlagen beherrscht und seine ersten Use Cases umsetzt, gehört zu der kleinen Gruppe, die den Wandel nicht nur versteht, sondern aktiv nutzt.

Der Rest wird in 18 Monaten feststellen, dass sein Geschäftsmodell gerade kollabiert. Du hast jetzt die Wahl zwischen beiden Wegen.