Servus, ich bin Lissy. Heute geht es um eine ziemlich nüchterne Frage: Was passiert eigentlich, wenn man KI nicht bittet, schlau zu klingen, sondern zwei Wochen lang einen kleinen Betrieb am Laufen zu halten. Das klingt nach Autopilot. In der Praxis landet man sehr schnell bei Regeln, E-Mail, Sichtbarkeit, Fachsystemen und der Frage, wann ein Mensch wieder reinmuss. Genau deshalb ist das heute eine Betriebsfolge, keine Modellshow.
Die beste Story heute kommt nicht von einem großen Labor, sondern von Vending Machine Lab. Die Seite ist ein Browser-Simulator. Du wählst ein kleines Geschäftsmodell, zum Beispiel ein digitales Produkt, einen KI-Service, eine Vending-Maschine oder einen Waschsalon. Dann legst du Regeln fest, lässt vierzehn simulierte Tage laufen, während der Owner nicht verfügbar ist, und schaust danach, was kaputtgeht. Wichtig: Das ist kein echter Betrieb. Die Bestellungen und das Geld sind fiktiv. Die Seite ruft keine KI-API auf. Alles bleibt im Browser, und wenn du einen Assistenten einbeziehen willst, kopierst du ein Paket in das Tool, das du sowieso benutzt, und bringst die Entscheidung zurück.
Ich mag daran, dass es den Hype ziemlich sauber erdet. Viele reden so, als würde ein Agent bald einfach eine Firma führen. Aber ein Betrieb ist kein einzelner Prompt. Ein Betrieb besteht aus Eingangssignalen, Regeln, Sonderfällen, Zahlungen, Kunden, Lieferanten, Fristen und Haftung. Wenn du zwei Wochen nicht da bist, zeigt sich sofort, welche Entscheidungen du nie sauber beschrieben hast. Mei, das ist ein bisschen wie beim Wandern: Auf der Karte sieht der Weg eindeutig aus, bis du vor der matschigen Abzweigung stehst und keiner weiß, ob links jetzt noch offiziell ist.
Der praktische Test für Hörer ist simpel. Nimm einen Prozess aus deinem Alltag, etwa Anfragen beantworten, Rechnungen vorsortieren oder Angebote nachfassen. Schreibe auf, welcher Input reinkommt, welche drei Entscheidungen erlaubt sind, wann der Agent stoppen muss und welche Zahl du nach einer Woche misst. Nicht abstrakt. Eine konkrete Zahl. Antwortzeit, Fehlerrate, übergebene Fälle oder Umsatz aus Nachfassern. Wenn du das nicht formulieren kannst, ist das kein KI-Problem. Dann ist der Prozess selbst noch zu weich.
Dazu passt Jade Email. Der Dienst gibt dir für jede Gegenpartei eine eigene Adresse auf deiner Domain. Also nicht eine große Inbox, in der alles zusammenläuft, sondern Absender für Absender ein eigener Schalter. Auf der Produktseite sieht man Regeln wie kategorisieren, abmelden, zurückweisen oder sofort löschen. Dazu kommen echte Mailboxen mit Senden und Empfangen, Custom Domain, Trial und IMAP. Laut Launch-Text arbeitet der Gründer seit vier Jahren daran und hat schon eine kleine Gruppe zahlender Kunden.
Das klingt erst mal kleiner als ein Agent, der deine ganze Firma steuert. Genau deshalb ist es interessant. E-Mail ist für viele Selbstständige und kleine Firmen immer noch der Eingang für Kunden, Logins, Rechnungen, Spam, Lieferanten und Support. Wenn jede Adresse einem Zweck entspricht, wird Automatisierung plötzlich einfacher. Die Regel muss nicht erraten, ob eine Nachricht wichtig ist. Die Adresse selbst trägt schon Kontext.
Der Test wäre hier nicht: Kann KI meine Inbox lesen. Der Test wäre: Welche zehn Absendergruppen verdienen eigene Adressen. Kundenanfragen, Newsletter, Bank, Tool-Logins, Bewerbungen, Belege, Projektpostfächer. Danach misst du eine Woche lang, wie viele Mails automatisch wegfallen und welche noch menschliche Entscheidung brauchen. Das ist unspektakulär, aber so sieht echte Automatisierung oft aus. Erst Ordnung schaffen, dann KI draufsetzen. Anders herum kriegt man nur schneller sortiertes Chaos.
CircuitPilot zeigt denselben Gedanken in einem ganz anderen Feld. Das Team will Leiterplatten aus natürlicher Sprache entwerfen. Aber sie lassen das Sprachmodell nicht allein räumlich planen, weil LLMs bei Geometrie mies sind. Stattdessen trennt das System die Arbeit. OpenAI, Claude oder ein lokales Modell extrahieren erst ein Komponentenmanifest und prüfen Regeln. Danach übernimmt eine eigene Python-Engine. Die platziert Bauteile über eine Force-Directed-Graph-Simulation, bei der elektrische Netze wie Federn wirken, und routet Leiterbahnen mit einem netzbewussten Shortest-Path-Algorithmus. Am Ende entsteht eine KiCad-Datei. Laut Show-Beitrag ist das Ganze Open Source und lokal per Docker Compose startbar.
Das ist für mich die sauberste Architekturlektion der heutigen Folge. Das Sprachmodell übersetzt Absicht in Struktur. Die harte Fachlogik macht ein deterministisches System. Genau so werden viele nützliche Agenten aussehen. Nicht weil das Modell plötzlich alles kann, sondern weil es zwischen Menschensprache und Fachsoftware vermittelt.
Wenn du das auf dein eigenes Geschäft überträgst, wird die Frage sehr konkret. Wo brauchst du wirklich ein Modell, und wo brauchst du eine Regelmaschine. Bei Rechnungen kann das Modell Positionen erkennen, aber die Buchungslogik muss nachvollziehbar bleiben. Bei Support kann das Modell Text verstehen, aber Rückerstattung, Kündigung oder Zahlungsentscheidung brauchen klare Grenzen. Bei Technikdesign kann das Modell Anforderungen lesen, aber Geometrie, Normen und Export gehören in eine Engine, die prüfbar ist. Das ist weniger sexy als Autopilot. Dafür kann man es bauen.
Ein kleinerer, aber praktischer Betriebswinkel kommt von Website Auditor. Die Seite prüft, ob ChatGPT, Claude, Gemini und Perplexity ein Unternehmen in Antworten nennen. Auf der Startseite stehen aktuell 1.057 geprüfte Websites und 91 Branchen. Der Ablauf ist klar: Business und Stadt eingeben, AI-Antworten abrufen, schauen, ob die Firma in den relevanten Antworten auftaucht, und daraus einen Plan ableiten.
Das Thema hatten wir in ähnlicher Form schon bei GEO-Tools, deshalb mache ich daraus heute kein großes Segment. Aber als Messwert ist es spannend. Früher fragte ein lokaler Anbieter: Stehe ich bei Google weit oben. Jetzt kommt dazu: Tauche ich in KI-Antworten überhaupt auf, und aus welchen Quellen zieht der Assistent seinen Eindruck. Für einen Zahnarzt, eine Agentur oder einen Handwerksbetrieb mit Büroassistenz ist das keine philosophische Frage. Wenn Kunden künftig erst eine KI fragen, muss die Firma dort erklärbar und zitierbar sein.
Mein Haken dabei: Bitte nicht sofort einen neuen SEO-Zirkus draus machen. Der erste Test ist bodenständig. Stelle fünf echte Kundenfragen, prüfe vier Assistenten, notiere Treffer, Quellen und falsche Aussagen. Erfolg heißt nicht perfekte Sichtbarkeit. Erfolg heißt, du findest eine konkrete Lücke: falsche Öffnungszeiten, keine Leistungsseite, zu wenig lokale Belege oder ein fehlender Vergleich. Dann hat KI dir keinen magischen Wachstumspfad gegeben. Sie hat dir gesagt, welche Hausaufgabe sichtbar ist.
Und ja, es gab auch klassische Modellnews. Anthropic hat Claude Opus fünf Punkt fünf in der heutigen Research-Lage, und OpenAI taucht mit GPT sechs Sol und Luna auf. Beides sind große Launch-Signale. Ich schiebe sie heute trotzdem nicht nach vorne, weil die Folge sonst wieder bei Modellnamen landet, statt beim Betriebsproblem. Für morgen oder einen eigenen Vergleich sind sie gute Kandidaten: Was können die Modelle wirklich besser, was kosten sie, und welche Aufgabe würde man deshalb anders vergeben.
Heute ist die wertvollere Beobachtung eine andere. Die nützlichsten KI-Systeme verstecken sich nicht im größten Modellnamen, sondern in der Kopplung an echte Abläufe. Vending Machine Lab testet Abwesenheit. Jade gibt E-Mail-Regeln einen klaren Ort. CircuitPilot koppelt Sprache an eine Fach-Engine. Website Auditor macht Sichtbarkeit messbar. Das sind keine glänzenden Demos, sondern Werkstattfragen. Genau da wird es für Unternehmer interessant.
Was heute bei mir hängenbleibt: KI-Autonomie beginnt nicht mit Vertrauen, sondern mit Beschreibung. Was darf das System sehen. Was darf es entscheiden. Wann muss es stoppen. Welche Zahl zeigt nach einer Woche, ob es hilft. Wenn ihr so einen Abwesenheitstest für euren eigenen Betrieb schon mal gemacht habt, schreibt mir gern, was als Erstes gebrochen ist. Die Adresse steht in den Shownotes. Danke fürs Zuhören, Pfiat euch und bis morgen, eure Lissy.