Servus, Lissy hier. Heute gibt's eine Geschichte, die mich richtig gefreut hat. Eine Restaurantbesitzerin in Austin, Texas, hat ihre wöchentliche Content-Arbeit von sechs bis acht Stunden auf fünfundvierzig Minuten gedrückt. Nicht mit einem teuren Agent-Framework, nicht mit einem Data-Science-Team. Sondern mit ChatGPT, Canva AI und der Erkenntnis, dass der schwierigste Teil am Schreiben das Anfangen ist. Klingt klein? Ist es nicht. Weil sie nicht die Einzige ist. Ich hab heute vier echte kleine Unternehmen gefunden, die genau das machen — und zwar mit konkreten Zahlen. Plus: Warum Coding Agents an richtigen Projekten scheitern, und was Apples neuer Bildcodec mit all dem zu tun hat.
Fangen wir mit dem Restaurant an, von dem ich grad gesprochen hab. Eine italienische Familie in Austin, Texas, 28 Plätze, rund 750.000 Dollar Jahresumsatz. Die Besitzerin hat vor drei Monaten angefangen, ChatGPT für ihre Social-Media-Posts zu nutzen. Und für Antworten auf Google- und Yelp-Bewertungen. Canva AI für Bildgenerierung. Das war's. Keine Consulting-Firma, kein Six-Figure-Budget. Nach 90 Tagen sah das so aus: Die Content-Zeit pro Woche ist von sechs bis acht Stunden auf fünfundvierzig Minuten gefallen. Die Post-Frequenz ist von zwei pro Woche auf sechs hochgegangen. Und statt wie vorher auf vierzig Prozent der Bewertungen zu antworten, antwortet sie jetzt auf jede einzelne. Die Google-Bewertungen sind in diesen drei Monaten von 87 auf 134 gestiegen – zum Teil, weil sie durch die Zeitersparnis konsequent um neue Reviews gebeten hat. Ihr Zitat fand ich schön: 'Ich hatte Bedenken, dass KI unsere Inhalte generisch klingen lässt. Aber ich investiere fünf Minuten pro Post, um alles zu personalisieren. Es klingt immer noch nach uns – ich brauch nur nicht mehr zwei Stunden für den ersten Entwurf.'
Der zweite Case: ein Online-Boutique für Damenmode, 350 aktive Produkte, rund 580.000 Dollar Umsatz. Die Besitzerin hat zwei Schmerzpunkte gehabt. Erstens: Für jedes neue Produkt eine Beschreibung zu schreiben, hat 15 bis 20 Stunden im Monat gefressen. Zweitens: Kundenservice-Mails zu Größen und Retouren haben nochmal acht bis zehn Stunden pro Woche gekostet. Ihre Lösung: ChatGPT für Produktbeschreibungen. Dazu einen Tidio AI Chatbot für den Kundenservice. Nach 120 Tagen: Die Beschreibungszeit ist von 15 bis 20 Stunden pro Monat auf drei bis vier gefallen. Der Chatbot hat 35 Prozent des E-Mail-Volumens autonom absorbiert. Die durchschnittliche Erstantwortzeit ist von sechs Stunden auf unter fünf Minuten gesunken. Und – das fand ich besonders spannend – die Conversion Rate auf den umgeschriebenen Produktseiten ist um 18 Prozent gestiegen. Getestet gegen Kontrollseiten mit den alten Beschreibungen. Die Besitzerin sagt: 'Die Produktbeschreibungen von KI waren überraschend gut. Ich editiere immer noch alles, aber die Conversion-Daten lügen nicht.'
Case drei: ein Bauunternehmen für Hausrenovierungen, acht Angestellte, rund 2,1 Millionen Dollar Umsatz. Der Inhaber hat 30 bis 80 Stunden im Monat damit verbracht, Angebote zu schreiben – zwei bis vier Stunden pro Stück, bei 15 bis 20 Angeboten im Monat. Seine Lösung: ChatGPT für Angebotsentwürfe, Zapier für automatisierte Follow-Up-Sequenzen. Nach 60 Tagen: Angebotszeit von zwei bis vier Stunden auf 30 bis 45 Minuten. Die Kapazität ist von 15-20 auf 25-30 Angebote pro Monat gestiegen – bei gleichem Zeitaufwand des Inhabers. Die Gewinnrate ist von 31 auf 38 Prozent gestiegen. Sein monatlicher Umsatz ist um rund 35.000 Dollar gewachsen. Sein Learning: 'Speed matters. Kunden entscheiden sich oft für den, der am schnellsten ein professionelles Angebot liefert.'
Der vierte Case ist vielleicht der, der am meisten nachdenklich macht: ein unabhängiger Finanzberater, Einzelkämpfer mit rund 420.000 Dollar Umsatz. Der wusste, dass er Content publizieren müsste, um Sichtbarkeit aufzubauen und Kunden zu gewinnen. Aber er hat es nie geschafft, konsequent zu schreiben. Ergebnis: zwei Artikel in 18 Monaten. Mit ChatGPT und Buffer hat er das auf zwei Artikel pro Monat gedreht. Seine LinkedIn-Follower sind von 340 auf 1200 gestiegen. Er bekommt jetzt sieben bis acht Anfragen pro Monat statt ein bis zwei. Und er hat drei Neukunden gewonnen – jeder mit durchschnittlich 12.000 Dollar Verwaltungsgebühr pro Jahr. Sein Zitat hat einen guten Punkt: 'Ich hatte Angst, dass Finanzcontent billig aussieht, wenn KI ihn geschrieben hat. Aber ich investiere 20 bis 30 Minuten pro Artikel mit eigenen Beispielen und aktuellen Daten. Am Ende ist es wirklich meiner – KI hat mir nur sechzig Prozent Vorarbeit abgenommen.'
Was mich an diesen vier Geschichten so packt: Es sind keine Kopfstehenden-Transformationen. Keine 'wir haben unser ganzes Geschäftsmodell umgekrempelt'-Storys. Es sind Leute, die ein Werkzeug gefunden haben, das ihnen den schwersten Teil abnimmt – das Anfangen. Und die gewonnene Zeit stecken sie in Dinge, die wirklich zählen: in Kundenbeziehungen, in bessere Angebote, in Content, den sie sonst nie gemacht hätten. Das ist genau die Sorte KI-Nutzung, die mir am meisten zusagt. Nicht die große Vision, sondern der kleine Hebel, der im Alltag Konsequenzen hat.
Von den kleinen Unternehmen springen wir in die Forschung. Ein Team hat sich angeschaut, wie gut LLM-Agenten wirklich Code für Produktionssysteme schreiben. Also nicht nur 'schreib mir eine Funktion', sondern: Bau einen kompletten Backend-Service mit Datenbank, ORM, Framework-Konventionen und API-Contract. Ihre Studie heißt 'Constraint Decay' und sie zeigt etwas Ernüchterndes. Sobald strukturelle Anforderungen dazukommen – also nicht nur 'soll funktionieren', sondern 'muss in Django laufen, mit PostgreSQL und dieser ORM-Schicht' – fallen leistungsfähige Konfigurationen um durchschnittlich 30 Prozentpunkte in ihren Bestehensraten. Schwächere Konfigurationen gehen gegen Null. Besonders auffällig: In Flask, einem minimalen Framework, schneiden die Agenten gut ab. In FastAPI und Django, die stärker auf Konventionen setzen, brechen sie ein. Der häufigste Fehler? Data-Layer-Defekte. Falsche Query-Komposition. ORM-Laufzeitfehler. Also genau die Stelle, wo das Modell verstehen muss, wie die Architektur funktioniert – nicht nur, wie Code syntaktisch aussieht.
Für mich erklärt das ein Phänomen, das ich selbst beobachtet hab. Coding Agenten sehen in Demos und Benchmarks fantastisch aus. Aber sobald jemand versucht, sie in einem echten Projekt mit bestehender Architektur einzusetzen, scheitern sie an den stillen Regeln, die kein Benchmark abbildet. Die Frage ist nicht 'kann der Agent Code schreiben?' – die Frage ist 'kann der Agent innerhalb der Architektur bleiben?' Und da sind wir, glaub ich, noch nicht so weit, wie die Marketing-Seiten uns weismachen wollen. Das ist kein Grund, Coding Agents abzuschreiben. Aber ein Grund, genau hinzuschauen, wo sie funktionieren – und wo nicht.
Dann ist da noch Apple – die Firma, die selten ML-Forschung veröffentlicht. Dieses Mal schon. Sie haben PICO vorgestellt, einen gelernten Bildcodec, der für das menschliche Sehsystem optimiert ist. Die Zahlen sind beeindruckend: 2,3- bis 3-fache Bitrate-Einsparung gegen AV1, AV2, VVC, ECM und JPEG-AI. Und das nicht nur auf dem Papier. Auf einem iPhone 17 Pro Max kodiert PICO ein 12-Megapixel-Foto in 230 Millisekunden, dekodiert in 150 Millisekunden. Das ist schnell genug für den Alltag. Was mich überrascht hat: Die meisten gelernten Codecs brauchen auf einer V100 GPU länger als PICO auf einem Telefon. Das ist ein großer Schritt in Richtung 'praktisch'. Zwei Gedanken dazu. Erstens: Wenn Bildkompression durch gelernte Modelle besser wird als handoptimierte Standards wie AV1, dann verschiebt sich, wo Rechenleistung in der Medienkette steckt. Statt im Encoder sitzt sie im Training. Zweitens: Dass Apple das macht, ist ein Zeichen. Nicht weil Apple besonders progressiv wäre – im Gegenteil, sie sind vorsichtig mit neuer Technik. Sondern weil sie genau dann einsteigen, wenn etwas bereit für die echte Welt ist.
Zum Abschluss noch zwei kleine, aber interessante Signale aus ganz anderen Richtungen. DeepSeek Reasonix ist ein neuer Open-Source Coding Agent, der speziell auf DeepSeeks Prefix-Cache optimiert ist. Die Idee: Wenn du lange Sessions mit demselben Modell fährst, werden wiederholte Token gecached und kosten fast nichts. Das senkt die Kosten für Coding-Sessions massiv – ein direkter Wettbewerbsvorteil gegenüber Anbietern, die Pay-per-Token abrechnen. Gleichzeitig zeigt eine Analyse von Epoch AI, dass Speicher inzwischen fast zwei Drittel der Komponentenkosten eines KI-Chips ausmacht. HBM-Speicher wird zum Flaschenhals, weil Modelle schneller wachsen als die Memory-Bandbreite. Inference wird memory-bound, nicht compute-bound. Beide Meldungen zeigen: Wer die Infrastruktur-Kosten von KI senken will, muss nicht unbedingt an den Chips schrauben. Sondern an der Art, wie wir Modelle nutzen und cachen.
Wenn ich heute eines mitnehme, dann ist es dieses: KI wird gerade dort am wertvollsten, wo sie uns die größte Hürde abnimmt – das Anfangen. Die Restaurantbesitzerin in Austin schreibt jetzt sechsmal pro Woche statt zweimal, weil der erste Entwurf keine zwei Stunden mehr kostet. Der Finanzberater publiziert monatlich statt jährlich, weil er eine halbe Stunde investiert statt eines ganzen Nachmittags. Das sind kleine Verschiebungen, die mit der Zeit große Wirkung entfalten. Wenn du selbst eine Geschichte hast – ein Tool, einen Workflow, ein Experiment, das bei dir den Unterschied gemacht hat – schreib mir. Ich würd mich freuen. Servus, pfiat eich und bis morgen – eure Lissy.