1018 | Werkzeugkasten der Woche: Lokale KI, Agenten und Alltagshelfer

Lena Vogel: Herzlich willkommen zur neuen Folge! Ich bin Lena Vogel.

Felix Hartmann: Und ich Felix Hartmann. Schön, dass ihr wieder dabei seid. Was uns heute verbindet, ist eigentlich ein durchgehendes Thema, auch wenn es auf den ersten Blick nach ganz unterschiedlichen Produkten aussieht: Es geht um Werkzeuge, die versuchen, echte alltägliche Probleme zu lösen – mal mit künstlicher Intelligenz, mal ohne, mal lokal auf dem eigenen Gerät, mal als Infrastruktur im Hintergrund.

Lena Vogel: Genau. Und wir schauen uns dabei nicht nur an, was die Hersteller sagen, sondern auch, wer eigentlich damit gemeint ist, was das Ding wirklich anders macht als bisherige Optionen, und wo die offenen Fragen liegen. Denn vieles von dem, was da beschrieben wird, sind eben Behauptungen – und wir bleiben dabei ehrlich, was belegt ist und was nicht.

Felix Hartmann: Fangen wir bei etwas an, das gerade richtig Fahrt aufnimmt: lokale KI, also künstliche Intelligenz, die direkt auf deinem eigenen Gerät läuft, ohne Konto, ohne Cloud. Drei neue Angebote zeigen ziemlich deutlich, wohin das geht.

Lena Vogel: Das erste ist Earnote. Das ist eine App, die Sprachaufnahmen oder Audio lokal per Whisper transkribiert – Whisper ist dieses bekannte offene Spracherkennungsmodell. Aber das eigentliche Versprechen ist, dass daraus strukturierte Notizen entstehen: also nicht nur ein Textwust, sondern Aufgaben rausgezogen, Lernkarten gebaut, und das Ganze als PDF exportierbar.

Felix Hartmann: Wer ist damit gemeint? Ganz klar Leute, die viel zuhören und danach etwas damit anfangen müssen – Studierende, die Vorlesungen mitschneiden, oder Leute in Meetings, die danach Aufgaben verteilen wollen. Gegenüber den üblichen Transkriptionsdiensten ändert sich Wesentliches: Die Daten verlassen das Gerät nicht. Kein Konto, keine Cloud. Und es ist MIT-lizenziert, also offener Code – man kann theoretisch selbst nachsehen, was da passiert.

Lena Vogel: Die stärkste Beleglage ist hier eigentlich die technische Basis: Whisper ist ein gut dokumentiertes, weithin getestetes Modell. Dass die Transkription lokal funktionieren kann, ist also kein Marketing-Versprechen, sondern etablierte Technik. Was wir nicht wissen: Wie gut ist die Strukturierung darüber? Wie zuverlässig werden Aufgaben und Lernkarten aus einem chaotischen Gespräch extrahiert? Das ist der schwierigere Teil, und dazu gibt es hier keine unabhängigen Qualitätsangaben.

Felix Hartmann: Und das ist der Punkt, den man bei der ganzen lokalen-KI-Bewegung im Kopf behalten sollte: Die Cloud-Dienste haben riesige Rechenzentren. Die Frage ist, wie nah lokale Lösungen an diese Qualität herankommen – das bleibt offen und ist ehrlicherweise die zentrale Unbekannte.

Lena Vogel: Das zweite in dieser Runde ist Parrot, ein Meetingrecorder für den Mac. Der ist frei und quelloffen, und das Besondere: Es läuft kein Bot mit im Meeting mit. Bei vielen Konkurrenten nimmt ja ein Bot als Teilnehmer am Call teil, was manche als unangenehm empfinden. Parrot nimmt das Meeting_audio direkt auf dem Mac auf und transkribiert lokal.

Felix Hartmann: Und es geht einen Schritt weiter: Parrot liefert während des Meetings Live-Antworten, und zwar mit Quellenangaben aus deinen eigenen Dokumenten. Das ist interessant – das ist quasi ein Meeting-Assistent, der auf deinem privaten Wissensbestand basiert, ohne dass diese Dokumente irgendwo hochgeladen werden.

Lena Vogel: Wenn man das mit Earnote vergleicht: Beide setzen auf lokale Transkription, aber der Anwendungsfall ist verschieden. Earnote ist eher die Nachbereitung – Notizen, Aufgaben, Lernkarten. Parrot ist die Live-Ebene – im Meeting selbst etwas nachschlagen können. Für Leute, die in vielen Meetings sitzen und dabei Zugriff auf ihr eigenes Wissen brauchen, ist das eine echte Unterscheidung zu den bot-basierten Diensten.

Felix Hartmann: Die Einschränkungen: Auch hier ist die Behauptung "liefert Live-Antworten mit Quellen aus eigenen Dokumenten" eine Herstellerangabe. Wie gut diese Antworten tatsächlich sind, ob die Quellen korrekt zugeordnet werden – das wissen wir nicht. Und Mac-only, das schließt einen großen Teil der Nutzer erstmal aus.

Lena Vogel: Das dritte Beispiel rundet das Bild ab, weil es zeigt, dass das Muster nicht bei Notizen und Meetings stehen bleibt: Train with Pasta. Ein KI-Personal-Trainer, den man per Sprache bedient, und der auf Apple Intelligence aufbaut – also Apples On-Device-KI. Auch hier: lokal, kein Konto.

Felix Hartmann: Die App erstellt Workouts und Wochenpläne. Zielgruppe sind Leute, die einen Trainingsplan wollen, aber keinen menschlichen Trainer bezahlen möchten und sich scheuen, ihre Gesundheitsdaten in irgendeine Cloud-App zu kippen. Gegenüber den typischen Fitness-Apps mit Abo und Cloud-Analytics ist der Unterschied wirklich die Privatsphäre-Geschichte.

Lena Vogel: Und hier ist die Skepsis besonders wichtig. Bei einem Trainer-System ist die Qualität der Pläne nicht nur eine Komfortfrage, sondern potenziell eine Gesundheitsfrage. Ein schlechter Plan kann einen schaden. Wir haben keine Information darüber, wie diese Pläne zustande kommen, ob es Sicherheitsmechanismen gibt, wie mit Vorerkrankungen umgegangen wird.

Lena Vogel: Dass alles lokal und ohne Konto läuft, ist ein echter Vorteil für die Privatsphäre – aber es sagt nichts darüber aus, ob die Trainingsinhalte gut sind.

Felix Hartmann: Was man aus diesen drei zusammen mitnehmen kann: Cloudfreie KI wird alltagstauglich. Das ist das Muster. Whisper, Apple Intelligence, offene Modelle – die Technik ist so weit, dass Apps darauf aufbauen können, ohne dass die Nutzerdaten das Haus verlassen. Die offene Frage bleibt bei allen dreien dieselbe: Wie gut ist die Qualität ohne die großen Rechenzentren im Rücken?

Lena Vogel: Und genau da schließt sich der Kreis zum nächsten Thema, denn diese lokalen Modelle und Agenten brauchen natürlich die passende Infrastruktur. Und an der wird gerade auf mehreren Ebenen gleichzeitig gebaut.

Felix Hartmann: Beginnen wir mit einer, die vielleicht überrascht: Notion. In Version 3.8 macht Notion seinen Workspace zur geteilten Kontextschicht für KI-Agenten. Konkret heißt das: Es gibt eine Skills-API, über 150 MCP-Verbindungen, und Spalten-Berechtigungen, also granulare Rechte auf Tabellenebene.

Lena Vogel: Wer ist das für? Teams, die ihre Arbeit in Notion haben und nun KI-Agenten darauf arbeiten lassen wollen. Was ändert das gegenüber dem Stand bisher? Bisher war der Workspace vor allem ein Ort, wo Menschen Dokumente ablegen. Jetzt wird er zur Datenquelle und Arbeitsumgebung für Agenten – und die Spalten-Berechtigungen sind dabei der Teil, der ernst genommen werden muss: Wenn Agenten auf Tabellen zugreifen, braucht man feinere Rechte als nur Dokument-Ebene.

Felix Hartmann: Der Knackpunkt ist aber genau da. Die Beschreibung sagt, was es gibt – nicht, wie gut es funktioniert. Wie robust sind diese Berechtigungen in der Praxis, wenn ein Agent über 150 verschiedene Verbindungen arbeitet? Und was kostet das langfristig? Das ist die große offene Frage, die uns in den Notizen dazu beschäftigt: wie sich Berechtigungen und Kosten langfristig verhalten.

Felix Hartmann: Notion ist ein kommerzielles Produkt, und Kontextschichten für Agenten sind wertvoll – ob das preisseitig so bleibt, dass kleine Teams es nutzen können, ist völlig unklar.

Lena Vogel: Die zweite Ebene ist die Modellseite, und da gibt es mit Step 5 Preview etwas Substanzielles: ein offenes Modell mit 600 Milliarden Parametern als Mixture-of-Experts, von denen 27 Milliarden aktiv sind – das heißt, es ist recheneffizienter, als die reine Parameterzahl vermuten lässt. Der Kontext umfasst eine Million Token, und es ist speziell trainiert für langlebige Agenten, also Agenten, die über lange Zeiträume an Aufgaben arbeiten.

Lena Vogel: Es gibt Unterstützung von vLLM und SGLang, den gängigen Open-Source-Inferenz-Frameworks.

Felix Hartmann: Das ist wichtig, weil "offen" hier bedeutet: Man kann es selbst hosten. Das verbindet sich direkt mit unserem ersten Thema – wenn lokale und souveräne KI-Setups ernst genommen werden sollen, braucht es Modelle wie dieses. Ein Million-Token-Kontext heißt, ein Agent kann sehr lange Gesprächs- und Arbeitsverläufe behalten, ohne den Kontext zu verlieren.

Lena Vogel: Aber bleiben wir ehrlich: "Preview" steht im Namen. Wir haben keine unabhängigen Benchmarks dazu, wie es sich in echten Agenten-Workloads schlägt gegenüber den großen kommerziellen Modellen. Die Behauptung "trainiert für langlebige Agenten" ist eine Herstellerangabe. Was belegt ist, ist die Architektur und die Framework-Unterstützung – der Rest muss sich zeigen.

Felix Hartmann: Die dritte Ebene ist die Werkzeug-Ebene für die, die diese Infrastruktur selbst bauen wollen: NitroStack. Eine Plattform zum Bauen, Testen und Deployen von MCP-Servern. Es gibt ein Studio zum Testen, ein SDK in TypeScript und Python, und Cloud und Chat sind inklusive.

Lena Vogel: MCP – das Model Context Protocol – ist ja der Standard, über den Agenten mit externen Werkzeugen und Datenquellen sprechen. Und man sieht hier ein ähnliche Entwicklung wie bei anderen Technologiestacks früher: Erst gibt es das Protokoll, dann entstehen die ganzen Werkzeuge drumherum – SDKs, Testumgebungen, Deployment-Pipelines. Genau das ist NitroStack. Das Zeichen ist, dass das Ökosystem sich verfestigt, dass es zur Normalität wird, MCP-Server zu bauen wie man heute APIs baut.

Felix Hartmann: Und damit ist die Kette komplett: Notion liefert den Kontext, Step 5 das offene Modell, NitroStack die Baukasten-Ebene. Das ist eine Infrastruktur, die sich auf mehreren Ebenen gleichzeitig formt. Und in diesem Feld gibt es noch ein paar weitere Bausteine, die zeigen, wie breit das mittlerweile ist.

Lena Vogel: Zum Beispiel Ultracite v8. Ein Zero-Config-Linter und Formatter, der speziell auf agentisch generierten Code zielt – also Code, den KI-Agenten schreiben. Es baut auf Oxlint, Biome und ESLint auf und prüft Änderungen in etwa 330 Millisekunden. Das ist ein schönes Beispiel dafür, wie sich ganze Werkzeugkategorien verschieben: Wenn Agenten den Code schreiben, braucht man Prüfwerkzeuge, die schnell genug sind, um in den Agenten-Loop eingebaut zu werden.

Lena Vogel: 330 Millisekunden pro Edit – das ist die Größenordnung, in der das funktioniert.

Felix Hartmann: Ein anderes Bauteil in diesem Themenfeld ist Salience. Das wirkt erstmal unabhängig, passt aber insofern dazu, als es um Sichtbarkeit geht – diesmal von der anderen Seite. Salience nimmt Server- und CDN-Logs und macht daraus eine Live-Ansicht aller Requests: von Suchmaschinen, von KI-Crawlern und von echten Nutzern. Es erkennt Fehler und – das ist das Interessante – Bot-Impersonation, also Bots, die sich als etwas anderes ausgeben.

Lena Vogel: Das ist die Gegenperspektive zu der ganzen Agenten-Welt: Wenn überall Agenten und Crawler unterwegs sind, brauchen Betreiber von Websites eine Möglichkeit zu sehen, wer da eigentlich zugreift. Salience ist dafür gedacht, das aus den eigenen Logs sichtbar zu machen. Und GPU-Preise, ein ganz anderes, aber relevantes Detail in diesem Feld: Es gibt inzwischen Dienste, die GPU-Mietpreise über 61 Anbieter hinweg vergleichen, H100 ab 12 Cent die Stunde, mit Preishistorie und Quellenangaben, quelloffen.

Lena Vogel: Auch das ist Infrastruktur – Transparenz-Infrastruktur. Wenn Leute eigene Modelle hosten wollen, wie wir es bei Step 5 besprochen haben, dann wollen sie wissen, wo das am günstigsten geht.

Felix Hartmann: Und auch hier wieder: 12 Cent ist der niedrigste angezeigte Preis – das heißt nicht, dass dieser Anbieter für jeden Workload die richtige Wahl ist. Es ist ein Preisvergleichs-Dienst, ein nützliches Werkzeug, aber der Preis allein sagt nichts über Verfügbarkeit und Leistung aus.

Lena Vogel: Kommen wir von dieser großen Infrastruktur-Ebene zu etwas ganz Konkretem und Körpernahem: dem MacBook-Notch. Ja, diese kleine Ausnehmung über dem Bildschirm, in der die Kamera sitzt, wird gerade zur Bedienfläche.

Felix Hartmann: Das erste Angebot dort ist CrewTower. Das ist ein Mod für Claude Code – also das Coding-Agent-Werkzeug – und es steuert Claude-Sessions direkt aus dem Notch. Man kann einen Prompt senden, die Ausführung stoppen, und eine Kontext-Übersicht einblenden. Kostenpunkt: 9,99 $ einmalig.

Lena Vogel: Wer ist das für? Entwickler, die mit Claude Code arbeiten und nebenbei in anderen Fenstern sitzen. Das Problem, das es löst, ist ein reines Bedienproblem: Wenn dein Agent im Hintergrund arbeitet, willst du nicht ständig das Terminal-Fenster in den Vordergrund holen, um kurz zu stoppen oder zu schauen, wie viel Kontext noch übrig ist. Der Notch ist dafür immer sichtbar, immer oben.

Felix Hartmann: Was ändert das gegenüber den vorhandenen Optionen? Bisher läuft Claude Code im Terminal, und die Steuerung bedeutet Fensterwechsel. CrewTower verlagert die Kontrolle in eine Fläche, die immer da ist. Das ist eine echte, wenn auch kleine Verbesserung des Workflows. 9,99 $ einmalig ist ein Preis, der die Hürde niedrig hält – kein Abo.

Lena Vogel: Die Einschränkung: Es ist ein Mod, also abhängig von Claude Code selbst. Wenn sich das Werkzeug ändert, kann so ein Mod brechen. Und ehrlich gesagt – wie stabil so eine winzige Oberfläche im Alltag ist, ist eine offene Frage. Ein Notch ist klein, und ob Prompt-Senden über so eine Mini-Fläche wirklich angenehm ist oder nur ein Gimmick, das entscheidet der Alltag.

Felix Hartmann: Das zweite Notch-Angebot ist breiter angelegt: Korinotch. Eine macOS-Notch-App mit Media-HUD – also Mediensteuerung und Anzeige –, Notifications, einem Datei-Tray, Clipboard-Zugriff und einer Tastatursperre. 14 Tage gratis, danach 11,50 $ als Einmalkauf, lebenslang.

Lena Vogel: Auch hier ist der Preis bemerkenswert: lebenslang, kein Abo. Das ist eine Preispolitik, die man in diesem Markt selten sieht. Die Zielgruppe sind Leute, die ihr Notch als zweite Informationsfläche nutzen wollen – Musik sehen, Benachrichtigungen checken, schnell eine Datei ablegen oder etwas aus der Zwischenablage greifen, ohne das Fenster zu wechseln.

Felix Hartmann: Vergleicht man die beiden: CrewTower ist spezialisiert auf einen einzigen Workflow, nämlich Claude-Steuerung. Korinotch ist eine allgemeine Notch-Suite. Beide belegen, dass der Notch als Bedienfläche ankommt – aber beide teilen auch dieselbe offene Frage: Wie stabil sind diese kleinen Oberflächen wirklich im Alltag? Ein Notch-App lebt davon, unaufdringlich zu sein, aber zugleich genug Inhalt zu bieten, dass man sie nicht ignoriert. Das ist ein schmaler Grat.

Lena Vogel: Und von der Hardware-Nähe des Notch kommen wir zur anderen Seite des Schreibtischs – dem eigenen Wissensspeicher. Caldera nimmt einen Obsidian-Vault und verwandelt ihn in ein selbstaktualisierendes Profil und verknüpfte digitale Gärten. Es ist privat, quelloffen und selbst-hostbar.

Felix Hartmann: Für die, die Obsidian nicht kennen: Das ist ein beliebtes Werkzeug für persönliche Notizen in Markdown-Dateien, komplett lokal. Das Konzept "digitaler Garten" steht für eine Art, Notizen zu pflegen, die nicht linear ist, sondern organisch wächst und verlinkt ist. Caldera baut darauf auf und macht daraus etwas Dynamisches – ein Profil, das sich selbst aktualisiert, und verknüpfte Gärten, also vermutlich die Möglichkeit, mit anderen zu verbinden, ohne die eigene Kontrolle aufzugeben.

Lena Vogel: Das passt in eine Linie: privat, quelloffen, selbst-hostbar – dieselbe Philosophie wie Earnote und Parrot aus unserem ersten Thema. Die Menschen wollen ihre Wissensbasis besitzen. Was ändert Caldera gegenüber plain Obsidian? Obsidian ist statisch – deine Notizen sind Dateien. Caldera macht daraus etwas Lebendiges, das sich selbst aktualisiert.

Lena Vogel: Ob das im Alltag funktioniert und wie viel Pflege es braucht, wissen wir nicht – aber die Grundausrichtung ist klar: Das persönliche Wissensmanagement wird dynamischer, ohne die Kontrolle abzugeben.

Felix Hartmann: Und jetzt weiten wir den Blick. Alles, was wir bisher besprochen haben, kam aus der Welt der KI- und Entwickler-Werkzeuge. Aber es entstehen auch außerhalb dieser Blase richtig nützliche Dinge – und die zeigen teilweise am deutlichsten, was ein gutes Tool ausmacht: die kluge Nutzung von Daten.

Lena Vogel: Das erste Beispiel ist fast schon elegant in seiner Einfachheit: Unfenced. Es prüft wöchentlich rund 700.000 US-Immobilien-Inserate gegen amtliche Karten und findet dabei etwa 13.600 Grundstücke, die direkt an öffentliches Land grenzen.

Felix Hartmann: Wer ist das für? Leute, die in den USA eine Immobilie suchen und Wert auf direkten Zugang zu öffentlichen Flächen legen – National Forest, öffentliches Land, was auch immer. Das ist ein echtes Nutzerproblem, das bisher schwer zu beantworten war: Inserate sagen dir rarely, ob dein zukünftiges Grundstück an unbegbares oder behördliches Land grenzt. Unfenced beantwortet das automatisch, indem es die Inserate mit offiziellen Kartendaten abgleicht.

Lena Vogel: Das ist ein Daten-Hack im besten Sinne – zwei Datenquellen nehmen, die niemand kombiniert, und daraus einen echten Mehrwert ziehen. Die Zahlen sind konkret: 700.000 Inserate pro Woche, etwa 13.600 Treffer. Das zeigt, dass das im relevanten Maßstab läuft. Die Grenze: Es ist ein US-Produkt, und die Qualität hängt an der Genauigkeit der amtlichen Karten und der Zuordnung der Inserate. Aber die Idee selbst ist stark, weil das Nutzerproblem klar und die Lösung spezifisch ist.

Felix Hartmann: Ein zweites Beispiel aus der Daten-Schiene: LooGo. Ein Toiletten-Finder für Android und Wear OS mit über einer Million Örtlichkeiten, gespeist aus OpenStreetMap. Es zeigt Codes, Preise und Barrierefreiheit, und es ist werbefrei.

Lena Vogel: Das ist ein Tool, das ein sehr alltägliches, sehr universelles Problem löst – man muss irgendwo dringend aufs Klo und weiß nicht, wo und ob man rein darf. Über eine Million Örtlichkeiten über OpenStreetMap ist eine ordentliche Abdeckung, und die Details – Codes, Preise, Barrierefreiheit – sind genau die Informationen, die im entscheidenden Moment zählen. Wer auf Barrierefreiheit angewiesen ist, für den ist das keine Nette-to-have-Funktion, sondern essenziell.

Felix Hartmann: Wear-OS-Unterstützung ist ein kluger Zug – genau in der Situation, in der man einen Toiletten-Finder braucht, hat man oft die Uhr am Handgelenk und nicht die Tasche voll. Und werbefrei plus OpenStreetMap-Daten passt zusammen: Es ist ein Community-getriebenes Datenmodell, kein Geschäftsmodell mit Anzeigen. Die Grenze ist natürlich die Datenqualität: OpenStreetMap ist crowdsourced, was heißt, dass Codes und Preise veraltet oder falsch sein können. Aber die Grundlage ist seriös.

Lena Vogel: Und das dritte Beispiel verbindet die Datenwelt wieder mit der KI-Welt, die wir am Anfang hatten: Draper. Eine KI-App, die Geschäftsideen prüft – und zwar mit Quellen-Urteil, also nicht nur mit einer Meinung, sondern mit Belegen. Danach führt sie Schritt für Schritt zu einem Plan, einer Marke, einer Landingpage und den ersten Kunden. Preis: 9 $ im Monat.

Lena Vogel: Die Zielgruppe sind Leute mit einer Idee, die wissen wollen, ob sie tragfähig ist, und die dann eigentlich den ganzen Weg bis zum ersten Kunden begleitet haben wollen. Was ändert das gegenüber existierenden Optionen? Es gibt viele Tools für einzelne Schritte – Marktanalysen, Landingpage-Baukästen – aber der Anspruch hier ist die gesamte Kette von der Ideenprüfung bis zu den ersten Kunden in einem Fluss.

Felix Hartmann: Und hier muss man ehrlich die Grenze benennen: "Führt zu den ersten Kunden" ist ein sehr großes Versprechen. Ein Quellen-Urteil bei der Ideenprüfung ist ein gutes Zeichen, weil es über reine KI-Meinung hinausgeht. Aber ob eine KI wirklich den Weg zum ersten Kunden ebnen kann, hängt von so vielem ab, was nicht in einer App steckt – die Behauptung ist es wert, hinterfragt zu werden, und wir haben keine Belege für tatsächliche Ergebnisse.

Lena Vogel: Was diese drei gemeinsam haben – Unfenced, LooGo, Draper – ist die Einsicht, die wir auch aus dem ersten Thema mitgenommen hatten, nur auf anderer Ebene: Offene Daten und schnelle Prüfung machen den Unterschied. Bei Unfenced sind es amtliche Karten, bei LooGo OpenStreetMap, bei Draper die Quellen in der Ideenprüfung. Der Wert entsteht dadurch, dass Daten, die ohnehin da sind, in einem konkreten Entscheidungskontext nutzbar gemacht werden.

Felix Hartmann: Und wenn wir noch einmal über den Zaun schauen: Es gibt auch noch andere Kleinteile in dieser Runde, die zeigen, wie vielfältig der Markt geworden ist. Zum Beispiel Emo chi – ein Sprach-Tagebuch, das Einträge in einen sich verändernden "Mochi"-Charakter verwandelt und Emotionsmuster sichtbar macht, basierend auf Affektforschung. Das ist der eher verspielte, emotionale Pol – Journaling mit einem spielerischen Element, das aus der Forschung kommt und nicht aus dem Marketing.

Lena Vogel: Oder Spiralens – eine Android-Kamera-App, die den Goldenen Schnitt nutzt. Ein Pfeil zeigt, wohin man das Handy bewegen soll, und ein grüner Ring motiviert. Sie funktioniert offline. Das ist ein Beispiel für ein sehr fokussiertes Werkzeug: Es löst genau ein Problem – Komposition beim Fotografieren – und verzichtet auf alles andere, auch auf Netzwerk.

Felix Hartmann: Diese beiden zeigen nochmal etwas Wichtiges: Nicht jedes nützliche Tool braucht künstliche Intelligenz. Emo chi nutzt Forschung, Spiralens nutzt eine alte gestalterische Regel. In einer Woche, die sonst sehr von Agenten, Modellen und MCP geprägt ist, sind das gute Gegenpole.

Lena Vogel: Wenn wir das Ganze zusammenfassen: Diese Runde zeigt ein Feld in Bewegung. Auf der einen Seite die Befreiung der KI aus der Cloud – Earnote, Parrot, Train with Pasta zeigen, dass lokal laufen kann und die Nutzer es zunehmend einfordern. Auf der anderen Seite der Aufbau der Infrastruktur, die Agenten brauchen – Notion als Kontext, Step 5 als offenes Modell, NitroStack als Baukasten, plus die ganzen Randbausteine.

Felix Hartmann: Daneben die kleinen, greifbaren Dinge: der Notch als neue Bedienfläche mit CrewTower und Korinotch, Caldera für das dynamische Wissensmanagement. Und schließlich die Daten-Werkzeuge außerhalb der KI-Blase – Unfenced, LooGo, Draper – die zeigen, dass oft nicht die Technik die Innovation ist, sondern die Kombination von Daten mit einem echten Alltagproblem.

Lena Vogel: Was uns durchgehend beschäftigt hat: Vieles von dem, was wir heute gehört haben, sind Herstellerbeschreibungen. Wir haben die Beleglage eingeholt, wo sie da war – Whisper, Apple Intelligence, offene Lizenzen, konkrete Zahlen – und wir haben benannt, wo sie fehlt: die tatsächliche Qualität der Trainingspläne, die Robustheit der Notch-Apps im Alltag, die Langfrist-Perspektive bei Berechtigungen und Kosten in der Agenten-Infrastruktur.

Felix Hartmann: Genau so hörst du solche Präsentationen am besten: als Behauptungen mit spannenden Ideen dahinter – und die offenen Fragen als das, was man beobachten sollte. Danke, dass du dabei warst.

Lena Vogel: Bis zur nächsten Folge – bleib neugierig!