Das leise KI-Team

Es ist Dienstagmorgen, 7:13 Uhr, und Marias Handy hat schon sechsmal vibriert.

Sie ignoriert es.

Der Kaffee ist noch nicht fertig.

Maria besitzt einen kleinen Druck- und Designbetrieb in Queens. Das bedeutet, dass meist schon vor acht Uhr morgens jemand etwas drucken lassen möchte, das gestern hätte fertig sein sollen.

Es gibt sechs Angestellte, zwei Großformatdrucker, ein Laminiergerät, das wunderbar funktioniert, solange es niemand eilig hat, und eine Schneidemaschine mit der emotionalen Stabilität einer Broadway-Zweitbesetzung.

In Marias Posteingang liegen siebenunddreißig neue Nachrichten.

Ein Kunde möchte bis Freitag 250 Speisekarten.

Ein anderer hat einen Bannerentwurf als JPEG geschickt, offenbar von einem fremden Computerbildschirm abfotografiert.

Ein Lieferant hat einen Preis geändert.

Ein Kunde, dessen Auftrag morgen fällig ist, hat die endgültigen Druckdaten noch nicht hochgeladen.

Und jemand hat eine Nachricht mit diesem Betreff geschickt:

DRINGEND!!!!!!

Das kann nach Marias Erfahrung alles bedeuten, von „Die Hochzeit ist morgen“ bis „Können Sie das Logo zwei Zoll größer machen?“

Künstliche Intelligenz ist nicht Marias Hobby.

Den Dienstag zu überstehen schon.

Während der Kaffee durchläuft, wird eine der neuen Nachrichten unauffällig verarbeitet.

Hallo, können Sie bis Freitag 250 davon drucken? Wie beim letzten Mal, nur größer. Logo im Anhang.

Es gibt drei Dateien.

Natürlich hat keine davon einen brauchbaren Namen.

Eine heißt:

FINAL_USE_THIS_ONE_7_NEW.pdf

Ein Programm prüft die Anhänge.

Ein Bild ist zu klein.

Eine Schriftart fehlt.

Die Abmessungen stimmen nicht mit dem vorherigen Auftrag überein.

Dann liest ein KI-Modell die Nachricht des Kunden und bemerkt etwas, das die Dateiprüfung nicht erkennen kann.

Der Satz:

„Wie beim letzten Mal, nur größer“

ist mehrdeutig.

Beim letzten Mal hat der Kunde zwei verschiedene Größen bestellt.

Das System rät also nicht. Es gibt den Auftrag nicht für die Produktion frei.

Es fügt Marias morgendlicher Übersicht einen Eintrag hinzu:

Rückfrage nötig: Welche der bisherigen Größen soll vergrößert werden?

Es wurde kein Gedicht geschrieben.

Kein Schachgroßmeister wurde besiegt.

Kein Roboter hat die Ankunft einer allgemeinen künstlichen Intelligenz verkündet.

Aber Maria hat verhindert, dass vor dem Frühstück 250 falsche Speisekarten gedruckt werden.

Das könnte sich als eine der wichtigeren Arten erweisen, wie künstliche Intelligenz den Arbeitsalltag verändert.

Keine riesige Maschine, die spektakuläre Kunststücke vollführt.

Sondern viele kleine Stücke Intelligenz, die einem gewöhnlichen Dienstag leise seine Reibungsverluste nehmen.

Die KI, mit der man nie spricht

Wenn die meisten Menschen sich künstliche Intelligenz vorstellen, stellen sie sich ein Gespräch vor.

Auf dem Bildschirm ist ein Eingabefeld.

Man tippt:

Erkläre mir meine Versicherungspolice.

Die Maschine erklärt sie.

Man tippt:

Repariere diese Python-Funktion.

Sie repariert die Funktion – oder verwandelt das Problem gelegentlich in ein anspruchsvolleres Problem.

Das ist die sichtbare KI-Revolution.

Sie spricht.

Aber ein großer Teil der nützlichen KI in Unternehmen wird vielleicht nie mit jemandem ein Gespräch führen.

Eine Nachricht kommt an. Etwas ordnet sie ein.

Ein Dokument taucht auf. Etwas entnimmt ihm Informationen.

Druckdaten werden hochgeladen. Etwas prüft sie.

Ein Lieferant ändert einen Preis. Etwas bemerkt es.

Die Aufgabe erscheint, wird erledigt und verschwindet.

Niemand fragt das System nach dem Sinn des Lebens.

Niemand gibt ihm eine Persönlichkeit.

Es erledigt einfach eine kleine Aufgabe, die sonst auf dem Schreibtisch eines Menschen gelandet wäre.

Maria hatte nicht vor, so ein System zu bauen.

Sie ist eher hineingestolpert.

Maria wollte kein KI-Mensch werden

Maria hatte einen Freund.

Er war kein Forscher auf dem Gebiet der künstlichen Intelligenz.

Er gehörte einfach zu den Menschen, die einen völlig brauchbaren Samstagabend für eine ausgezeichnete Gelegenheit halten, Linux neu zu installieren.

Er baute Gaming-PCs, experimentierte mit Servern und hatte sich kürzlich angewöhnt, KI-Modelle herunterzuladen, um auszuprobieren, welche seine Grafikkarte ausführen konnte.

Eines Abends klagte Maria über den Betrieb.

Sie hatte eine halbe Stunde nach einem alten Kundenauftrag gesucht, weil der Kunde nicht mehr wusste, welche Größe er bestellt hatte.

Dann lud ein anderer Kunde Druckdaten mit der falschen Auflösung hoch.

Dann bat jemand um ein Angebot und benutzte dabei den Ausdruck:

„ungefähr so groß“

ohne irgendwelche Maße anzugeben.

Bis fünf Uhr hatte Maria Nachrichten beantwortet, Dateien geprüft, einen Korrekturabzug freigegeben, einen Lieferanten angerufen, eine verschwundene Rechnung gefunden und ein Produktionsproblem gelöst. Und irgendwie hatte sie das, was sie an diesem Tag eigentlich vorgehabt hatte, immer noch nicht erledigt.

Ihr Freund hörte zu.

„Einiges davon könntest du automatisieren.“

Maria sah ihn an.

„Womit?“

„Mit KI.“

Ein längerer Blick.

„Ich bezahle keine zwanzig KI-Abos.“

„Musst du auch nicht.“

Das weckte ihr Interesse.

Denn viele KI-Modelle lassen sich inzwischen kostenlos herunterladen und auf dem eigenen Computer ausführen — ohne für das Modell selbst oder für Tokens zu bezahlen.

Jemand anderes hat den teuren Teil bereits erledigt: das Modell zu trainieren.

Maria muss kein neuronales Netz von Grund auf entwickeln oder auch nur verstehen, wie es im Inneren funktioniert.

Sie kann das fertige Modell herunterladen.

Wenn man kurz darüber nachdenkt, ist das ein merkwürdiger Satz.

Ein Modell mit Milliarden erlernter Parameter kann als Dateien auf einem gewöhnlichen Computer ankommen.

Vor ein paar Jahren hätte das nach Forschungslabor geklungen.

Heute machen Menschen das zu Hause.

Oft auf Grafikkarten, die ursprünglich gekauft wurden, damit Explosionen in Videospielen überzeugender aussehen.

Ein Gehirn einkaufen

Marias Freund öffnete einen Modellkatalog.

Auf dem Bildschirm standen Namen wie:

Qwen 8B Instruct Q4_K_M

Qwen 8B Instruct Q5_K_M

Llama 8B Instruct Q8_0

Mistral 7B Q4_K_M

Maria starrte sie an.

„Welches?“

Ihr Freund, der bis genau zu diesem Moment äußerst sicher gewesen war, sah zur Decke.

„Also …“

Das ist das traditionelle Aufnahmeritual der lokalen KI.

Man beginnt mit:

Ich lade mir eine KI herunter.

Fünf Minuten später vergleicht man Q5_K_M mit Q6_K und fragt sich, wann genau man sich für ein Ingenieurstudium eingeschrieben hat.

Zum Glück sind die Namen weniger geheimnisvoll, als sie aussehen.

Nehmen wir:

Qwen 8B Instruct Q5_K_M

Der erste Teil bezeichnet die Modellfamilie.

8B bedeutet ungefähr acht Milliarden Parameter.

Parameter sind erlernte Zahlenwerte im neuronalen Netz. Viele davon nennen wir Gewichte.

Wir müssen hier nicht tief in das Thema Gewichte einsteigen. Das verdient eine eigene Geschichte.

Für Maria ist der wichtige Gedanke einfach: Das Modell enthält Milliarden erlernter numerischer Beziehungen, die beeinflussen, wie es antwortet.

Kein einzelner Parameter weiß, was eine Speisekarte ist.

Keine bestimmte Zahl enthält einen gespeicherten Absatz über das Drucken.

Die Fähigkeit entsteht aus dem Netz als Ganzem.

Acht Milliarden klingt gewaltig.

Ist es auch.

Und dennoch können acht Milliarden Parameter in der heutigen KI ein vergleichsweise kompaktes Modell beschreiben.

Größer ist nicht automatisch besser

Im Katalog sieht Maria auch viel größere Modelle.

Heißt das, sie sind besser?

Manchmal.

Aber zuerst sollte man fragen:

Besser wofür?

Angenommen, Maria muss einem Kunden sechs Häuserblocks weiter einen kleinen Karton gedruckter Broschüren liefern.

Sie könnte einen Fahrradkurier schicken.

Oder einen Lastwagen.

Der Lastwagen ist leistungsfähiger.

Er kann viel mehr transportieren.

Aber gerade geht es um einen einzigen kleinen Karton.

Die Frage ist also nicht:

Welches Fahrzeug ist leistungsfähiger?

Sondern:

Welches eignet sich besser für diese Lieferung?

Bei KI ist es genauso.

Maria braucht kein gigantisches Modell, um zu verstehen, was in ihrem Postfach angekommen ist: eine Rechnung, eine neue Bestellung oder eine Frage zur Lieferung.

Die nützliche Frage lautet:

Welches Modell bewältigt diese Aufgabe und läuft gut auf ihrem Computer?

Der zweite Teil dieser Frage ist wichtig.

Denn Maria möchte das Modell auf ihrem eigenen Rechner ausführen.

Instruct, Quantisierung und das Sofa

Das Wort Instruct sagt Maria, dass das Modell zusätzlich darauf trainiert wurde, Anweisungen zu befolgen.

Ein Basismodell kann sehr viel über Sprache wissen, ohne sich wie ein brauchbarer Assistent zu verhalten.

Sehr frei gesagt:

Das Basismodell war an der Universität.

Das Instruct-Modell war an der Universität und hat danach eine Schulung im Kundenservice besucht.

Maria wollte das zweite.

Dann kam:

Q5_K_M

Ihr Freund stellte einen weiteren fröhlichen KI-Begriff vor:

„Quantisierung.“

Die Idee ist weniger beängstigend als das Wort.

Modellgewichte sind Zahlen, und Zahlen lassen sich mit unterschiedlicher Genauigkeit speichern.

Wenn ich dich nach der ungefähren Entfernung von New York nach Philadelphia frage, können „ungefähr fünfundneunzig Meilen“ völlig ausreichen.

Du brauchst vermutlich keine neun Nachkommastellen.

Quantisierung nutzt mathematische Verfahren, um Modellgewichte mit geringerer Genauigkeit darzustellen, sodass sie weniger Speicher brauchen.

Deshalb kann dasselbe Modell als Q8, Q6, Q5, Q4 und in anderen Varianten auftauchen.

Höhere Genauigkeit braucht im Allgemeinen mehr Speicher.

Geringere Genauigkeit braucht im Allgemeinen weniger.

Die genauen Abwägungen können sehr schnell sehr technisch werden.

Maria musste sie nicht alle kennen.

Sie musste wissen, welche Version auf ihrem Rechner funktionieren würde.

Ihre Grafikkarte hatte eine feste Menge Video Random Access Memory, kurz VRAM.

Angenommen, eine Modelldatei füllt diesen Speicher fast vollständig.

Technisch gesehen passt das Modell hinein.

Praktisch kann das eine Katastrophe sein.

Das Modell braucht auch Platz zum Arbeiten: Kontext, vorübergehende Puffer und einen Key-Value Cache, meist KV-Cache genannt, der nützliche Informationen aus bereits verarbeiteten Tokens speichert.

Stell dir vor, du ziehst in eine Einzimmerwohnung und kaufst ein riesiges Sofa.

Nach erheblicher Anstrengung und einigen nicht druckreifen Äußerungen passt das Sofa durch die Tür.

Geschafft.

Dann stellst du fest, dass es die Küche, das Bad und den größten Teil des Flurs einnimmt.

Technisch gesehen passt das Sofa hinein.

Praktisch funktioniert die Wohnung nicht mehr.

Lokale KI hat dasselbe Problem.

Die eigentliche Frage ist nicht:

Passt das Modell hinein?

Sondern:

Passt das Modell hinein und bleibt noch genug Platz zum Arbeiten?

Maria verstand das sofort.

Nicht weil sie die Speicherarchitektur von Transformern kannte.

Sondern weil sie Sofas verstand.

Die klügste KI ist manchmal keine KI

Als Marias Modell lief, tauchte eine weitere Versuchung auf.

Wenn KI all das kann, warum lässt man sie nicht alles machen?

Weil ein sehr kluges Modell manchmal das dümmste denkbare Werkzeug ist.

Eine Druckdatei muss genau 4.500 mal 5.100 Pixel groß sein.

Maria braucht kein Sprachmodell, das das Bild betrachtet und philosophisch darüber nachdenkt, ob es ungefähr richtig aussieht.

Ein winziges Python-Programm kann die Abmessungen exakt auslesen.

Entweder sie stimmen oder sie stimmen nicht.

Das gilt für viele geschäftliche Aufgaben.

Wenn Maria einen exakten Prozentsatz braucht, nimmt sie Code.

Wenn sie einen ganz bestimmten Kundendatensatz abrufen muss, nimmt sie eine Datenbank.

Wenn sie verstehen muss:

„Nimm das alte Logo, aber mach das Blau eher so wie auf dem Schild draußen“,

dann wird KI nützlich.

Die besten Systeme ersetzen nicht jede gewöhnliche Software durch ein neuronales Netz.

Sie kombinieren exakte Werkzeuge mit KI dort, wo tatsächlich Interpretation nötig ist.

Dieses Prinzip sollte sehr schnell wichtig werden.

Ein Modell ist noch kein Mitarbeiter

Marias lokales Modell konnte Fragen beantworten.

Es konnte eine E-Mail lesen.

Es konnte ein Dokument zusammenfassen.

Doch bald entdeckte Maria eine offensichtliche Grenze.

Sie musste ihm immer noch sagen, was es tun sollte.

Wenn sie sich alle zwanzig Minuten hinsetzen und tippen musste:

Lies diese Nachrichten.

dann:

Prüfe diese Dateien.

dann:

Suche diesen alten Auftrag heraus.

dann:

Sieh bei diesem Lieferanten nach.

hatte sie den Betrieb nicht wirklich automatisiert.

Sie hatte sich nur ein brillantes Programm zugelegt, das ständig beaufsichtigt werden musste.

Ihr Freund stellte den nächsten Baustein vor.

Programme wie OpenClaw und Hermes Agent gehören zu einer Kategorie, die meist Agenten-Frameworks genannt wird.

Ein Sprachmodell liefert das Denkvermögen.

Das Agenten-Framework gibt diesem Denkvermögen kontrollierten Zugriff auf Dinge außerhalb des Modells: Dateien, Browser, Datenbanken, Code, Speicher und andere Werkzeuge.

Es kann auch einen größeren Auftrag in kleinere Aufgaben zerlegen und vorübergehend Unteragenten anlegen, die sie bearbeiten.

Ab da sah Marias Modell nicht mehr wie ein Chatbot aus.

Es begann, wie ein System auszusehen.

Montagmorgen: 37 Nachrichten

Sie fingen mit Marias Posteingang an.

Die Anweisung an den Hauptagenten war einfach:

Sieh dir die Kundennachrichten von heute Morgen an. Trenne neue Bestellungen, Fragen zum Auftragsstatus, Angebotsanfragen, Probleme mit Druckdaten, Rechnungen und alles Ungewöhnliche. Zeige mir nur, was meine Aufmerksamkeit braucht.

Der Agent konnte die gesamte Aufgabe selbst erledigen.

Er konnte aber auch einen eng umrissenen Teil delegieren:

Ordne diese Nachrichten ein. Gib die Nachrichtennummer, die Kategorie und eine Begründung in einem Satz zurück. Antworte den Kunden nicht.

Ein Unteragent erhält diese Aufgabe in einem frischen Kontext.

Er braucht Marias Lieferanteninformationen nicht.

Er braucht die gestrige Produktionsbesprechung nicht.

Er muss nicht wissen, welcher Drucker Ärger macht.

Er hat einen Auftrag.

Wenn er fertig ist, erhält der Hauptagent ein kurzes Ergebnis:

14 gewöhnliche Fragen zum Auftragsstatus
8 Angebotsanfragen
6 Änderungen an Druckdaten
3 Rechnungen
4 Nachrichten zur Prüfung
2 vermutlich unerwünschte Nachrichten

Die vorübergehende Sitzung kann nun verschwinden.

Wichtig ist nicht das Wort Unteragent.

Wichtig ist, dass Marias Hauptsystem nicht jedes Detail jeder kleinen Aufgabe schlucken muss.

Es kann einen begrenzten Auftrag weggeben und das brauchbare Ergebnis zurückbekommen.

Falls nötig: dasselbe Modell im Hintergrund.

Ein anderer Schreibtisch.

Ein anderer Ordner.

Ein anderer Auftrag.

Ein echter Auftrag kommt herein

Ein paar Tage später taucht eine interessantere Anfrage auf.

Rivera Events braucht bis Freitag 500 Plakate.

Der Kunde sagt, der Korrekturabzug sei bereits freigegeben.

Die Produktion braucht genügend mattes Druckmaterial.

Die Druckdaten müssen mit der freigegebenen Version übereinstimmen.

Maria fragt:

Prüfe den Rivera-Auftrag. Sag mir, ob etwas die Produktion verhindert.

Jetzt hat der Agent eine echte Aufgabe mit mehreren Schritten.

Er teilt sie auf.

Ein Unteragent prüft den Auftragsverlauf und findet die letzte Freigabe des Kunden.

Ein anderer untersucht die Druckdaten und bestätigt Abmessungen und Auflösung mit gewöhnlichem Code.

Ein weiterer prüft den Lagerbestand.

Es fehlen zwei Rollen.

Diese Aufgabe führt weiter zu den Websites der Lieferanten.

Der Browser findet vier verfügbare Rollen bei Atlantic Paper.

Python berechnet die benötigte Menge und den Preisunterschied.

Die Ergebnisse kommen zum Hauptagenten zurück:

Druckdaten: IN ORDNUNG
Letzter Korrekturabzug: FREIGEGEBEN
Lagerbestand: 2 Rollen fehlen
Atlantic Paper: 4 Rollen verfügbar
Nötige Entscheidung: Materialkauf freigeben

Maria erhält nicht drei Unteragenten-Protokolle und zwanzig Seiten Website-Text.

Sie erhält:

Der Rivera-Auftrag ist bereit. Es fehlt nur die Freigabe für den Materialkauf.

Das ist Orchestrierung.

Keine mystische KI-Belegschaft.

Ein größeres Ziel wird in kleinere Aufgaben zerlegt. Verschiedene Werkzeuge erledigen die Teile, für die sie geeignet sind. Die Ergebnisse werden wieder zusammengeführt.

Das Sprachmodell übernimmt Mehrdeutigkeit und Planung.

Python übernimmt exakte Berechnungen.

Die Datenbank erinnert sich.

Der Browser ruft Informationen ab.

Maria trifft die entscheidende Entscheidung.

Dann fing die Website an zu antworten

Als der interne Ablauf funktionierte, probierte Maria etwas Sichtbares aus.

Die Website des Betriebs hatte bereits ein Chatfenster.

Die meisten Fragen waren wunderbar einfallslos:

Welche Dateiformate nehmen Sie an?

Können Sie Plakate im Format 24 × 36 Zoll drucken?

Drucken Sie auf Leichtschaumplatten?

Wo bleibt mein Auftrag?

Ein Kundenservice-Agent konnte diese Fragen anhand der von Maria freigegebenen Geschäftsinformationen beantworten.

Er konnte den Auftragsstatus nachschlagen, nachdem die Auftragsnummer geprüft und bestätigt worden war, dass der Kunde diesen Auftrag einsehen durfte.

Aber er hatte Grenzen.

Er konnte die üblichen Bearbeitungszeiten erklären.

Er durfte keine Liefergarantie erfinden.

Er konnte die Erstattungsregeln beschreiben.

Er durfte keine neuen erfinden.

Er konnte um 23:30 Uhr gewöhnliche Fragen beantworten.

Wenn der Kunde etwas fragte, das außerhalb seiner Befugnisse lag, ging das Gespräch an Maria weiter.

Das war eine wichtige Erkenntnis.

Mehr Werkzeuge machen eine KI nützlicher.

Sie machen aber auch Berechtigungen wichtiger.

Die Frage lautet nicht mehr nur:

Was kann das Modell tun?

Sondern:

Was darf das Modell tun?

Maria hatte überhaupt nichts dagegen, dass ein Programm einem Kunden sagte, welche Dateiformate der Betrieb annimmt.

Deutlich weniger begeistert war sie von der Vorstellung, dass es während ihres Schlafs über einen strittigen Auftrag im Wert von 4.000 Dollar verhandelte.

Die Donnerstagsarbeit, die niemand vermisste

Maria hatte auch ein Ritual, das sie nicht mochte.

Jeden Donnerstag überprüfte sie die wichtigsten Lieferanten.

Papier.

Vinyl.

Leichtschaumplatten.

Preise.

Verfügbarkeit.

Es war keine schwierige Arbeit.

Das war das Problem.

Schwierige Arbeit kann wenigstens interessant sein.

Hier öffnete man Websites, suchte dieselben Produkte, las Zahlen und fing wieder von vorne an.

Der Agent bekam eine klar begrenzte Aufgabe:

Prüfe diese freigegebenen Lieferantenseiten. Vergleiche unsere fünf Standardmaterialien mit den Werten in der Lieferantendatenbank. Kaufe nichts. Melde nur Änderungen bei Preisen oder Verfügbarkeit.

Der Browser sammelte die aktuellen Informationen.

Python verglich die Preise.

Der Agent meldete zurück:

Atlantic Paper: matte Rolle, 36 Zoll, +6,34 %
Metro Supply: glänzendes Material nicht verfügbar
Keine weiteren Änderungen.

Maria prüfte nicht mehr fünfzehn Seiten, um festzustellen, dass sich auf dreizehn nichts geändert hatte.

Sie las zwei Zeilen.

Niemand im Betrieb vermisste den alten Ablauf.

Was Maria tatsächlich gekauft hatte

Inzwischen klingt Marias Aufbau ziemlich aufwendig.

Es gibt ein lokales Modell, eine Inferenz-Laufzeitumgebung, ein Agenten-Framework wie OpenClaw oder Hermes, Python, eine Datenbank, Browser-Werkzeuge und ein paar kleine Skripte.

Aber ein großer Teil der grundlegenden Software lässt sich kostenlos herunterladen und nutzen.

Und noch etwas unterscheidet dieses Projekt von einem ähnlichen Vorhaben vor gar nicht allzu langer Zeit.

Maria muss nicht schon vor dem Anfang wissen, wie sie das gesamte System zusammensetzt.

Sie kann ChatGPT, Claude oder einen anderen leistungsfähigen KI-Assistenten öffnen und beschreiben, was sie vorhat:

„Ich habe diesen Computer und dieses lokale Modell. Ich möchte, dass OpenClaw es mit Kundendateien arbeiten lässt, einige Informationen in einer Datenbank speichert und für bestimmte Aufgaben Unteragenten erstellt. Wie richte ich das ein?“

Die KI kann sie durch den Vorgang führen.

Sie kann erklären, was installiert werden muss, Terminalbefehle liefern, zeigen, wohin Einstellungen gehören, und bei der Fehlersuche helfen.

Und wenn Maria ein kleines maßgeschneidertes Programm braucht, muss sie nicht zuerst Python lernen.

Sie kann sagen:

„Schreibe ein Skript, das jedes Bild in diesem Ordner prüft und alles markiert, was kleiner als 4.500 mal 5.100 Pixel ist.“

Die KI kann die erste Version schreiben.

Maria führt sie aus.

Wenn sie fehlschlägt, fügt sie die Fehlermeldung wieder in den Chat ein.

„Was ist passiert?“

Die KI erklärt es und überarbeitet den Code.

Wenn Maria nicht versteht, was sie gleich ausführen wird, kann sie fragen:

„Erkläre mir das Zeile für Zeile in normaler Sprache.“

Erzeugter Code muss weiterhin getestet werden. Alles, was wichtige Dateien, Geld, Kundendaten oder Produktionssysteme berührt, braucht vernünftige Berechtigungen und menschliche Aufmerksamkeit.

Aber der Einstieg hat sich verändert.

Maria muss nicht mehr beginnen mit:

Ich muss Linux, Python, Datenbanken, APIs und Agenten-Frameworks lernen.

Sie kann beginnen mit:

Das soll der Computer für mich erledigen.

Das ist ein grundlegend anderer Ausgangspunkt.

Die KI ist nicht nur ein Bestandteil des Systems, das Maria baut.

Sie kann ihr beim Bauen helfen.

Kleine, günstige Versuche summieren sich

Hier wird es wirtschaftlich interessant.

Maria braucht kein großes „KI-Transformationsprojekt“.

Sie kann mit einem Ärgernis anfangen.

Dann mit dem nächsten.

Kann das System diese Nachrichten einordnen?

Probier es aus.

Kann es fehlende Druckdaten erkennen?

Probier es aus.

Kann es Lieferantenpreise vergleichen?

Probier es aus.

Kann es einen Morgenbericht erstellen?

Probier es aus.

Manche Versuche werden nutzlos sein.

Weg damit.

Andere sparen dreißig Sekunden.

Dreißig Sekunden klingen nicht revolutionär.

Aber in Marias Betrieb gibt es Hunderte wiederkehrender Aufgaben.

Angenommen, eine kleine Aufgabe dauert drei Minuten, und durch Automatisierung schrumpft der menschliche Anteil auf dreißig Sekunden.

Die Ersparnis beträgt zweieinhalb Minuten.

Wiederholt man das vierhundertmal, spart man tausend Minuten – mehr als sechzehn Stunden.

Die einzelne Aufgabe wurde nie beeindruckend.

Sie wurde häufig.

So verändert Software Unternehmen.

Nicht immer, indem sie ein gewaltiges Problem beseitigt.

Manchmal, indem sie tausend winzige Probleme ein wenig kleiner macht.

Es geht um Skalierung

Irgendwann war Maria der Ausdruck „künstliche Intelligenz“ egal.

Was sie interessierte, war Kapazität.

Mehr eingehende Aufträge konnten sortiert werden.

Mehr Druckdaten konnten geprüft werden.

Mehr Lieferanteninformationen konnten im Blick behalten werden.

Mehr Kundenfragen konnten beantwortet werden.

Mehr Informationen konnten durch den Betrieb fließen, ohne dass Maria jeden einzelnen Schritt selbst anfassen musste.

Das ist hier mit Skalierung gemeint.

Es bedeutet nicht, dass der Betrieb auf magische Weise riesig wird.

Es bedeutet, dass die Menge der Arbeit, die er bewältigen kann, nicht genau im Gleichschritt mit dem Verwaltungsaufwand wachsen muss.

Das eigentliche Drucken braucht weiterhin Zeit.

Jemand muss weiterhin Material einlegen.

Maschinen haben weiterhin Höchstgeschwindigkeiten.

Kartons müssen weiterhin das Gebäude verlassen.

KI schafft die Physik nicht ab.

Aber erstaunlich viel Arbeit rund um diese physischen Vorgänge besteht aus Informationen.

Lies das.

Prüfe jenes.

Finde diesen Auftrag.

Vergleiche diese Zahlen.

Frag den Kunden.

Sieh beim Lieferanten nach.

Fasse das Ergebnis zusammen.

Diese Informationsebene kann viel flexibler werden.

Und für ein kleines Unternehmen kann das verändern, wie schnell der Rest des Betriebs wachsen kann.

Wenn die KI zu Marias KI wird

Das Qwen-Modell auf Marias Computer ist nicht einzigartig.

Tausende andere Menschen können dasselbe Modell herunterladen.

Persönlich wird Marias System durch alles, was sie nach und nach darum herum aufbaut.

Ihre Kundendaten.

Ihre Lieferantenliste.

Ihre früheren Aufträge.

Ihre Geschäftsregeln.

Ihre Dokumente.

Ihre Werkzeuge.

Ihre Berechtigungen.

Ihre Arbeitsabläufe.

Ihr angesammeltes Gedächtnis.

Die allgemeine Intelligenz kommt vom Modell.

Der konkrete Nutzen kommt von der Umgebung.

Das ist der tiefere Gedanke hinter persönlicher KI.

Zwei Menschen können genau dasselbe Modell besitzen und am Ende Systeme haben, die sich völlig unterschiedlich verhalten, weil sie in verschiedenen Welten leben.

Das eine organisiert vielleicht einen Druckbetrieb.

Ein anderes hilft bei der Leitung eines Labors.

Ein anderes recherchiert Geldanlagen.

Ein anderes betreibt einen Heimserver.

Das Modell ist der Ausgangspunkt.

Die Umgebung erweckt es zum Leben.

Zurück zu Marias Morgen

Jetzt ist es 8:04 Uhr.

Maria setzt sich endlich hin.

Ihr Kaffee hat überlebt.

Während sie sich fertig machte, hat das System des Betriebs den morgendlichen Posteingang verarbeitet, eingegangene Druckdaten geprüft, mehrere Aufträge früheren Datensätzen zugeordnet, eine Preisänderung bei einem Lieferanten bemerkt, gewöhnliche Website-Fragen beantwortet und einen Produktionsauftrag angehalten, weil der Materialkauf noch freigegeben werden musste.

Der Restaurantkunde hat immer noch nicht erklärt, was „wie beim letzten Mal“ bedeutet.

Manche Probleme bleiben hartnäckig menschlich.

Maria öffnet die Übersicht.

Sie sieht nicht jede Nachricht, jede Dateiprüfung, jede Browserseite, jede Datenbankabfrage und jede vorübergehende Unteragenten-Sitzung.

Sie sieht vier Dinge, über die entschieden werden muss.

Das ist das Produkt.

Nicht das Modell.

Nicht OpenClaw.

Nicht Python.

Nicht der Browser.

Nicht die Datenbank.

Der nützliche Effekt ist, dass Maria ihren Morgen mit vier Entscheidungen statt siebenundvierzig Aufgaben beginnt.

Die Maschinerie darunter darf unsichtbar bleiben.

Vom persönlichen Computer zur persönlichen Intelligenz

Es gab eine Zeit, in der der Ausdruck Personal Computer seltsam klang.

Computer gehörten Regierungen, Universitäten und großen Unternehmen.

Dann wurde Computertechnik günstig und klein genug für einen gewöhnlichen Schreibtisch.

Als das geschah, entdeckten Menschen Anwendungen, die vorher schwer vorstellbar gewesen waren: Schreiben, Veröffentlichen, Fotografie, Musik, Spiele, Kommunikation, Programmieren und ganze Unternehmen.

Künstliche Intelligenz könnte gerade einen ähnlichen Schritt machen.

Heute erleben die meisten Menschen KI noch als einen Ort, den sie besuchen.

Browser öffnen.

Zu ChatGPT, Claude oder einem anderen Dienst gehen.

Etwas fragen.

Tab schließen.

Lokale KI bietet eine andere Art, künstliche Intelligenz zu nutzen.

Das Modell kann auf deinem eigenen Rechner leben. Agentensoftware kann es mit deinen Dateien, Werkzeugen, Datenbanken, deinem Browser, deinem Gedächtnis und deinen Arbeitsabläufen verbinden. Wenn eine größere Aufgabe auftaucht, kann das System sie in kleinere zerlegen, die nötigen Werkzeuge ausführen, Ergebnisse sammeln und das Wichtige zurückgeben.

Und dieses System muss nicht für immer so bleiben wie am ersten Tag.

Anfangs reichte es Maria, die morgendliche Post zu sortieren.

Später kamen die Prüfung von Druckdaten, die Suche nach Aufträgen und die Beobachtung von Lieferanten hinzu.

Werden die Aufgaben komplexer, kann sie neue Werkzeuge ergänzen, ein leistungsfähigeres Modell einbinden, sofern ihr Computer dafür ausreicht, oder Agentensoftware mit mehr Möglichkeiten wählen.

Dafür muss sie nicht unbedingt von vorn anfangen.

Marias Dokumente, ihre Auftragsdatenbank und die Regeln des Druckbetriebs werden weiterhin gebraucht. Ein neuer Assistent kann in derselben Arbeitsumgebung damit arbeiten, sobald die Verbindungen und Zugriffsrechte eingerichtet sind.

Das System kann mit ihrem Betrieb wachsen.

Und Maria muss nicht jede einzelne Aktion darin verfolgen.

Vielleicht ist genau das der Punkt.

Während des größten Teils der Computergeschichte gab ein persönlicher Computer einem Menschen Zugang zu Software.

Der nächste Schritt könnte ein Computer sein, der diesem Menschen auch Intelligenz bei Bedarf gibt.

Kein Raum voller Zeichentrickroboter an winzigen Schreibtischen.

Etwas Leiseres.

Modelle, Agenten, Werkzeuge, Browser, Datenbanken und gewöhnlicher Code, die bei Bedarf zusammenarbeiten.

Die meiste Zeit wirst du vielleicht nichts davon bemerken.

Du kommst einfach morgens an, nimmst einen Schluck Kaffee, schaust auf den Bildschirm –

und stellst fest, dass der langweilige Teil schon erledigt ist.