Eine KI-Automation ist erst erwachsen, wenn du ihr beim Scheitern zuschauen kannst. Servus, ich bin Lissy. Heute geht es um vier Werkzeuge: Puppetflow für beobachtbare Browser-Automation, MeetPair für lokale Meeting-Auswertung, Codex with ChatGPT für getrennte Agentenrollen und tokentab für ehrliche Kosten. Der rote Faden: Wer KI in echte Arbeit lässt, braucht Sichtbarkeit, Übergabe und eine Rechnung.
Fangen wir mit Puppetflow an. Das ist eine self-hosted Plattform für Browser-Automation mit Puppeteer. JavaScript-Flows bedienen Webseiten, füllen Formulare aus, laden Dateien herunter oder fragen interne Portale ab. Der neue Punkt ist nicht, dass ein Browser klicken kann. Das konnten Selenium, Playwright und Puppeteer schon lange. Der Punkt ist die Betriebsschicht darum herum.
Laut Repository geht es um Schreiben, Ausführen, Planen und Überwachen von Workflows. Runs können manuell starten, zeitgesteuert laufen oder über Integrationen kommen. Es gibt Run-History, Logs, Ergebnisse, Variablen, Secrets und Browser-Profile. Und vor allem: Man kann Browser-Sessions live anschauen und übernehmen, wenn ein Lauf menschliche Aufmerksamkeit braucht. Genau da trennt sich Spielzeug von Werkzeug.
Der typische Automationsfehler ist ja: In der Demo läuft alles. Dann ändert eine Webseite ein Feld, ein Cookie läuft ab, ein Captcha taucht auf, und niemand weiß, ob der Prozess hängt, falsche Daten schreibt oder nur still gar nichts mehr tut. Puppetflow formuliert es schön nüchtern: Browser-Automation soll verständlich und debugbar bleiben. Konkreter Test für eine 12-Personen-Agentur: Nimm einen einzigen nervigen Browserprozess, zum Beispiel wöchentlich fünf Lieferantenportale öffnen und PDF-Rechnungen herunterladen. Bau keinen Super-Agenten. Bau einen Puppeteer-Flow, lass ihn in Puppetflow laufen und miss drei Dinge: Wie viele Läufe enden ohne Eingriff. Wie schnell findest du den Fehler. Kann eine Bürokraft die Session übernehmen, ohne den Entwickler anzurufen. Wenn diese drei Antworten nach einer Woche unklar sind, ist der Prozess noch nicht reif.
Die n8n-Integration ist dabei der Hebel. n8n orchestriert den Geschäftsprozess, Puppetflow macht den Browserteil sichtbar, inklusive Screenshots, Dateien und Session-Aufzeichnungen. Mei, das ist weniger sexy als Autonomie pur, aber wahrscheinlich viel näher an dem, was morgen wirklich Geld spart.
Das zweite Werkzeug ist MeetPair, ein lokaler Desktop-Assistent für Meetings, Interviews und Gespräche. Die Idee ist anschaulich: Systemaudio und Mikrofon werden gleichzeitig aufgenommen, aber als feste Stereo-Kanäle gespeichert. Die andere Person liegt links, du selbst rechts. Dadurch muss die Sprechertrennung später nicht raten, wer gesprochen hat. Die Rollen kommen aus der Quelle.
MeetPair kombiniert das mit lokaler Spracherkennung, SQLite-Speicherung und einem lokalen LLM. Im README steht ausdrücklich: Aufnahme, Transkription, Speicherung und eingebaute LLM-Inferenz laufen standardmäßig auf dem Gerät. Externe Anbieter wie OpenAI, Claude, Groq oder OpenRouter sind optional und erst aktiv, wenn der Nutzer sie auswählt. Lizenz: MIT. Bei der Prüfung hatte das Repository 35 Sterne. Also kein Marktbeweis, aber ein sauberer technischer Punkt.
Warum ist das relevant? Weil Meeting-Automation schnell generisch klingt: Bot kommt in den Call, schreibt Summary, Ende. MeetPair zeigt eine bessere Frage: Welche Daten müssen gar nicht erst in die Cloud, wenn der Arbeitsplatz genug Rechenleistung hat? Bei Interviews, Beratungsgesprächen, Personalthemen oder Kundenproblemen ist das mehr als Datenschutzromantik. Es verändert, wer so ein Werkzeug einsetzen darf.
Der Test: Nimm drei echte Gespräche, ein internes Meeting, ein Kundeninterview und ein Bewerbergespräch. Danach prüfst du nicht, ob die Zusammenfassung hübsch klingt. Du prüfst: Sind Sprecherrollen korrekt. Sind Entscheidungen von Vermutungen getrennt. Markiert das System fehlende Evidenz, statt Zahlen zu erfinden. Für mich ist lokale KI nicht spannend, weil sie ideologisch reiner ist. Sie ist spannend, wenn sie einen Prozess erlaubbar macht, den Cloud-Tools in manchen Firmen nicht berühren dürfen. Wenn Gesprächsdaten nicht raus sollen, ist ein lokaler Meeting-Assistent kein Bastelprojekt. Dann ist er vielleicht die einzige Variante, die überhaupt eine Chance hat.
Das dritte Signal kommt aus der Entwickler-Ecke, hat aber eine breitere Lektion. Codex with ChatGPT ist ein MIT-lizenziertes Repository mit 1845 Sternen bei der Prüfung. Der Claim: ChatGPT denkt, Codex arbeitet. Gemeint ist ein Setup, bei dem die ChatGPT-Web-App plant und reviewt, während Codex im lokalen Harness ausführt.
Das README trennt zwei Ebenen. Auf der Steuerungsebene tauschen Codex und ChatGPT kleine strukturierte Nachrichten aus, keine kompletten Repos, keine langen Logs, keine Dateikörper. Auf der Datenebene zieht ChatGPT benötigte Ausschnitte über neun read-only MCP-Tools. Danach kann ChatGPT unabhängig prüfen, was Codex geändert hat. Der Nutzen ist nicht: irgendwie billiger tricksen. Der ernsthafte Nutzen ist Rollentrennung.
Das ist eine gute Denkfigur für fast jede KI-Automation. Gib einem Modell nicht gleichzeitig alle Rechte, alle Daten und die Aufgabe, sich selbst zu kontrollieren. Ein System darf planen. Ein anderes führt aus. Ein drittes prüft. Dazwischen liegen Leserechte, Schreibrechte und menschliche Bestätigung. So wird ein Agenten-Prozess prüfbar.
Übersetzt in Büroarbeit: Zerlege einen Workflow in drei Spalten. Wer entscheidet, was zu tun ist. Wer setzt es um. Wer prüft das Ergebnis. Bei einer Angebotsmail kann KI den Plan aus Gesprächsnotiz und CRM-Daten ableiten, ein Mail-Tool erstellt nur den Entwurf, ein Mensch sendet. Bei einer Rechnung extrahiert KI Daten, das System bucht vor, Buchhaltung gibt frei. Nicht alles muss autonom sein, damit es nützlich wird.
Der Haken: Das Tool selbst ist Entwickler-Infrastruktur, für eine Kanzlei also nicht der Einstieg. Aber als Muster ist es wertvoll. Gute Agenten-Setups werden nicht nur Autonomie versprechen. Sie werden erklären, welches Modell denkt, welches Werkzeug schreibt und wo der Mensch wieder reinkommt.
Zum Schluss ein kleineres, aber gesundes Werkzeug: tokentab. Das ist eine Python-CLI, die lokale Session-Logs von Claude Code, Codex, Cursor und Gemini CLI liest und daraus Tokenverbrauch und Kosten berechnet. Aufgeschlüsselt nach Modell, Projekt, Tag und Art der Arbeit. Das Repository hatte bei der Prüfung 673 Sterne und ist MIT-lizenziert.
Warum passt das in diese Folge? Weil viele KI-Workflows an dieser Stelle unehrlich werden. Man sagt: Das spart Zeit. Aber niemand weiß, ob ein teures Modell zwanzig kleine Aufgaben erledigt, die ein günstigeres Modell genauso gut geschafft hätte. Oder ob Review-Runden so viele Tokens fressen, dass der Produktivitätsgewinn in der Rechnung wieder verschwindet.
tokentab liest vorhandene Logs, zum Beispiel Claude-Projektdateien, Codex-Rollout-Logs und Gemini-CLI-Verzeichnisse. Es gibt außerdem einen lokalen Web-Report auf Port 4747. Preise kommen aus einer handgepflegten Tabelle in Dollar pro Million Tokens. Nicht perfekt, aber transparent.
Die Testkarte ist einfach. Wähle eine Woche, ein Projekt, ein Ziel: drei Blogartikel redigieren, zehn Supportantworten vorbereiten oder einen internen Prozess dokumentieren. Dann lässt du tokentab täglich laufen und suchst Ausreißer. Welches Modell dominiert die Kosten. Welche Sessions waren nur Planungsgerede. Wo hätte ein kleineres Modell gereicht. Abbruchkriterium: Wenn du nach einer Woche keine Entscheidung ableiten kannst, misst du die falschen Dinge.
Damit schließt sich der Kreis. Puppetflow zeigt, ob ein Browserprozess scheitert. MeetPair zeigt, wo Meetingdaten bleiben. Codex with ChatGPT trennt Planung von Ausführung. tokentab zeigt, was der ganze Spaß kostet. Diese Schicht macht KI weniger magisch und mehr betriebsfähig. Nicht größer träumen, sondern genauer messen.
Blickt man auf heute, dann ist die beste KI-Frage nüchtern: Wo sehe ich den Prozess, wo kann ich übernehmen, und was kostet mich jeder Lauf. Wenn ihr selbst mit solchen Workflows arbeitet, hinterlasst mir gern eine Bewertung oder einen Kommentar auf Spotify. Morgen schauen wir dann auf KI im Betrieb. Danke fürs Zuhören, Pfiat euch und bis morgen, eure Lissy.