KI-News. Unternehmerisch, bayerisch, ohne Hype.
← Alle Episoden

So machst du aus Wissen eine KI-Fähigkeit

16. Oktober 2026 · 11 Min. · 1251 Wörter

SOP-MethodeAtticus Hybrid-RoutingMuse Spark OpenTimestralESP32 iPhone Agent

Transcript

Diese Woche war voll von Modellen, Entscheidungen und Werkzeugen. Aber die Sache, die hängen bleibt, ist keine einzelne News. Es ist ein Muster. Wer sein Können so aufschreibt, dass eine KI es Schritt für Schritt ausführen kann, bekommt Ergebnisse, die man weitergeben und wiederholen kann. Servus, ich bin Lissy, und heute ist Freitag. Deshalb gibt es keine Nachrichtenliste, sondern die Lehre der Woche: wie aus dokumentiertem Wissen eine KI-Fähigkeit wird. Mit einem Beispiel aus dem E-Commerce, einem Neuntklässler, der einen Sprachassistenten baut, und einer Beobachtungsliste, wohin sich das gerade bewegt.

Die SOP-Methode: Wissen, das Agenten reproduzierbar machen

Fangen wir mit dem Beispiel an, das mir diese Woche am besten gefallen hat. Ein Entwickler hat ein internes Dokument aus dem Online-Handel genommen: 38 Seiten Arbeitsanleitung für den Shop-Betrieb in Brasilien. So etwas nennt man SOP, eine Standard-Arbeitsanweisung. Darin steht, wie man Produkte anlegt, Preise prüft, Bestellungen bearbeitet und mit Kunden schreibt. Aus diesen 38 Seiten hat er sieben wiederverwendbare Agent-Workflows gebaut. Jeder Workflow besteht aus drei Teilen: einem Prompt mit klarem Vertrag, also wer welche Rolle hat, was reinkommt und was rauskommen muss, einem Selbstcheck, den das Modell vor der Abgabe durchläuft, und einem echten Beispiel aus der Praxis, an dem man das Ergebnis messen kann. Das Ganze sind einfache Textdateien mit Vorlagen, offen auf GitHub mit fast 200 Sternen.

Das klingt nach Technik, ist aber ein uraltes Prinzip. In der Biologie funktioniert Forschung nur, weil jeder Versuch als Protokoll aufgeschrieben wird. Wer das Protokoll befolgt, bekommt dasselbe Ergebnis, egal wer es ausführt. Genau das fehlt bei den meisten KI-Aufgaben. Deshalb ist das Ergebnis oft: Das Modell weiß, was zu tun wäre, liefert aber nicht zuverlässig das, was rauskommen soll. Der Trick ist nicht ein besseres Modell, sondern ein besserer Vertrag zwischen dir und dem Modell.

Was heißt das praktisch? Nehmt einen Ablauf, den ihr jeden Tag macht. Ein Angebot schreiben, eine Rechnung prüfen, eine Support-Antwort formulieren, Content planen. Schreibt auf, was reinkommt, was rauskommen muss, in welchem Ton, mit welchen Fakten. Dann sagt dem Modell: Bevor du antwortest, prüfe selbst, ob alle Punkte drin sind. Und hängt ein Beispiel an, das ihr schon einmal gut gelöst habt.

Der 30-bis-60-Minuten-Test: Nehmt euren eigenen Prozess, schreibt eine solche Anweisung, und gebt dem Modell drei echte Fälle. Erfolgsschwelle: Bei zwei von drei Fällen ist das Ergebnis ohne Nachbearbeitung brauchbar. Wenn nicht, fehlt meist ein Detail im Vertrag. Die typischen Fehler: Anweisungen ohne Beispiel, Prozesse, die nie aktualisiert werden, und fehlende Selbstchecks. Die Vorlagen kann man direkt übernehmen. Mein Fazit: Wer das kann, braucht nicht das neueste Modell. Wer das nicht kann, hat vom besten Modell auch nichts.

Atticus: das kleinste Setup der Woche

Die zweite Geschichte zeigt, wie klein ein gutes Setup sein kann. Ein Neuntklässler hat einen Sprachassistenten für den Mac gebaut. Man hält eine Tastenkombination gedrückt, spricht die Aufgabe, und das Ding arbeitet los. Das Besondere ist nicht die Stimme, sondern das Routing. Einfache Aufgaben, eine App öffnen, eine Playlist starten, eine Websuche, erledigt der Assistent lokal in unter einer Sekunde. Laut Entwickler dauert das Öffnen einer App rund acht Hundertstel Sekunden. Komplexe Aufgaben schickt er an den Claude-Assistenten über das Abo, das viele sowieso schon haben. Kein neuer API-Schlüssel, keine Zusatzkosten. Auf Hacker News hat das Projekt 115 Punkte und 30 Kommentare, auf GitHub schon 178 Sterne, und das alles von einem Schüler.

Das überzeugende daran ist das Prinzip dahinter. Die meisten Leute bauen ihre ersten Automationen falsch herum: Sie schicken jede Kleinigkeit in die Cloud und wundern sich über Kosten und Wartezeit. Dabei ist die clevere Reihenfolge: Was schnell und lokal geht, bleibt lokal. Erst wenn es wirklich komplex wird, kommt das große Modell ins Spiel. Und wenn man dafür ein Abo nutzt, das man ohnehin bezahlt, ist der Grenznutzen pro Aufgabe fast null.

Der Test dafür ist einfach. Installiert das Projekt, es ist offen auf GitHub, und probiert drei Aufgaben aus: eine App öffnen, eine Websuche machen, eine Anfrage stellen, die mehrere Schritte braucht. Erfolgsschwelle: Alle drei klappen ohne neuen Account. Die Grenzen: Es läuft bislang auf dem Mac, und wer empfindliche Daten verarbeitet, sollte wissen, dass komplexe Anfragen in die Cloud gehen. Das Gute an der Geschichte: Ein Schüler zeigt, dass der Einstieg heute keine Programmierausbildung braucht, sondern ein bestehendes Abo und eine klare Idee, was wohin gehört.

Beobachtungsliste: die Richtung der Woche ist offen und klein

Jetzt zur Beobachtungsliste der Woche, denn Freitag heißt auch: Was schaue ich mir an, ohne sofort zu handeln. Drei Entwicklungen finde ich spannend. Erstens: Meta hat die Gewichte seines großen Modells Muse Spark Open veröffentlicht. Es hat 816 Milliarden Parameter, aktiviert pro Anfrage aber nur 42 Milliarden, und versteht eine Million Token Kontext. Laut Meta ist es das leistungsfähigste offene Modell aus den USA, gedacht für Coding und lange agentische Aufgaben. Es läuft über Dienste wie OpenRouter oder Groq, die Gewichte kann man selbst hosten. Auf Hacker News ist das Thema praktisch überall.

Zweitens: Mistral hat mit Timestral eine Modellfamilie für Zeitreihen vorgestellt. Das klingt trocken, ist aber praktisch. Damit lassen sich Vorhersagen treffen, Umsatzprognosen, Lagerbedarf, Energieverbrauch, mit nur 209 Millionen Parametern, und das läuft auf einer normalen CPU, ohne teure Grafikkarte. Mistral sagt, es schlage damit größere Modelle auf den zentralen Benchmarks. Das ist ein Anbieter-Claim, aber die Richtung zählt: Spezialmodelle werden so klein und günstig, dass Vorhersagen-KI in den Alltag wandert.

Drittens: Offene und kleine Welt wachsen gleichzeitig. Was heißt das für euch? Ihr müsst jetzt nichts umstellen. Aber es lohnt sich, die Kategorien zu kennen. Offene Gewichte bedeuten: Ich kann ein Modell nehmen und mitnehmen, wenn mir der Anbieter nicht passt. Spezialmodelle bedeuten: Für einzelne Aufgaben muss nicht immer das teuerste Allzweckmodell ran. Beobachtet, wie sich die Preise entwickeln, und testet erst, wenn eine konkrete Aufgabe auftaucht. Bis dahin ist Beobachten richtig.

Wenn Agenten Augen und Hände bekommen

Und dann ist da noch die Geschichte, die zeigt, wohin Delegation als Nächstes geht. Ein Open-Source-Projekt hat einen Agenten gebaut, der ein echtes iPhone bedient. Die Hardware dafür kostet sieben Dollar. Ein winziges Board mit dem Namen ESP32 bekommt zwei Aufgaben: Es schaut und es greift zu. Zum Schauen nimmt es den Bildschirm des iPhones über eine Funkverbindung auf und schickt die Bilder an ein beliebiges Vision-Modell. Zum Ziehen simuliert es Maus und Tastatur, tippt, wischt, öffnet Apps. Kein Jailbreak, kein Computer dazwischen, in der aktuellen Version läuft die Agenten-App direkt auf dem iPhone. In der Demo öffnet der Agent selbst die Uhr-App und stellt einen Wecker. Das Projekt hat in fünf Tagen fast 2500 Sterne gesammelt.

Was heißt das für euch? Wer ein Produkt mit einer App baut, bekommt hier eine billige Möglichkeit, KI-gesteuerte Tests auf echter Hardware auszuprobieren. Statt Simulator und teurem Test-Setup: ein Board für sieben Dollar und ein Vision-Modell. Für die meisten anderen ist das erst einmal Beobachtungsstoff. Aber es zeigt die Richtung: Wenn euer dokumentiertes Wissen erst einmal in Agenten steckt, ist der nächste Schritt nicht mehr weit, dass diese Agenten auch physisch etwas tun. Vom Protokoll zur Hand, sozusagen.

Am Ende dieser Woche bleibt bei mir hängen: Der Unterschied zwischen einmal gut und immer gut ist nicht das Modell, sondern der Vertrag. Wer sein Können so aufschreibt, dass eine KI es ausführen kann, mit Kontrakt, Selbstcheck und echtem Beispiel, der macht sich unabhängig von Modell-Hypes. Nehmt euch eine Stunde und probiert die SOP-Methode mit einem eigenen Ablauf aus. Beobachtet die offenen Modelle und die kleinen Spezialisten, aber wechselt nichts, nur weil etwas neu ist. Und wenn ihr eine eigene Anleitung habt, die ihr als Erstes an einen Agenten übergeben würdet, schreibt es in die Kommentare. Auf Apple Podcasts oder Spotify könnt ihr das direkt in der App machen. Ich bin gespannt, was bei euch rauskommt. Pfiat euch und bis morgen, eure Lissy.