Enshittification: LinkedIns TikTokisierung des Feeds durch Tokens

Enshittification (I): LinkedIns TikTokisierung des Feeds durch Tokens

LinkedIn baut seinen Feed grundlegend um und ersetzt die klassische Ranking-Logik durch ein einheitliches Retrieval-System auf Basis von LLM-generierten Embeddings. Darauf sitzt ein sequenzielles Generative-Recommender-Modell mit Causal-Attention-Transformern, das Interaktionen als zeitliche Sequenzen versteht. Der Feed bewertet Inhalte stärker anhand semantischer Nähe und beruflicher Entwicklungspfade statt anhand demografischer Merkmale. Kontext entsteht aus Verlauf und Bedeutung, nicht aus statischen Profilfeldern. Das verschiebt die Empfehlung von heuristischen Scores hin zu generativer Modellierung. Für Creator und Recruiter bedeutet das weniger explizite Zielgruppensteuerung, dafür mehr implizite Trajektorien im System. LinkedIn nähert sich damit der Logik von TikTok, nur mit professionellen Signalen statt Unterhaltung. → TLDR Data

Synthszr Take: LinkedIn ersetzt Ranking-Tabellen durch ein durchgehendes Modell, das Retrieval und Generierung koppelt und damit den Feed als System denkt. Causal Attention auf Interaktionssequenzen bringt ein Gedächtnis in die Empfehlung, das Karrieren als Zeitreihe modelliert statt als Profil-Snapshot. Embeddings kommodifizieren einzelne Signale und verschieben Differenzierung in die Orchestrierung des Gesamtsystems, genau dort entstehen Lock-in und Netzwerkeffekte. Microsoft profitiert doppelt, Infrastruktur und Modellkompetenz greifen ineinander und senken die Grenzkosten pro Empfehlung bei steigender Qualität. Creator verlieren ein Stück kontrollierbares Targeting und optimieren stärker für semantische Resonanz, Recruiter spielen in längeren Zyklen mit impliziten Signalen. Der Wettbewerb verlagert sich vom Feature-Set zur Daten- und Feedback-Schleife, wer die besten Sequenzen hat, gewinnt die Aufmerksamkeit. Generative Recommender machen Feeds zu lernenden Systemen und genau das verschiebt die Macht dauerhaft zu den Plattformen.

Enshittification (II): Norwegen greift gezielte Verschlechterung digitaler Produkte an

Der norwegische Verbraucherrat startet gemeinsam mit über 70 Organisationen in Europa und den USA eine Kampagne gegen sogenannte „Enshittification“, also die gezielte Verschlechterung digitaler Dienste. Ein virales Video inszeniert diese Praxis satirisch, während ein 80-seitiger Report die systematische Erosion der Nutzererlebnisse dokumentiert. Geprägt wurde der Begriff von Cory Doctorow, Beispiele reichen von überladenen Social Feeds bis zu Software-Updates, die Geräte ausbremsen. Die Initiative richtet sich an Politik in 14 Ländern und fordert eine strengere Durchsetzung bestehender Gesetze sowie mehr Wettbewerb auf dem digitalen Markt. Konkret geht es um Interoperabilität, Reparierbarkeit und die Möglichkeit, einfacher zwischen Services zu wechseln. Mehr als 20 Organisationen in Norwegen sowie Akteure in 12 weiteren Ländern haben entsprechende Forderungen eingereicht. Die Kampagne trifft einen Nerv, das Video sammelte Millionen Views und über 9.000 Kommentare, der Report wurde mehr als 6.000 Mal heruntergeladen. → Techpresso

Synthszr Take: Cory Doctorow liefert mit „Enshittification“ ein präzises Label für ein bekanntes Plattformmuster, erst Nutzerwachstum, dann Monetarisierung, schließlich Extraktion. Norwegens Verbraucherrat übersetzt dieses Muster in konkrete Policy-Forderungen über 14 Länder hinweg und macht Wettbewerb wieder zum operativen Hebel. Zahl 70 zeigt, wie breit das Bündnis geworden ist, Gewerkschaften und Menschenrechtsorganisationen rücken in ein Thema, das lange als Produktdetail abgetan wurde. Plattformökonomie skaliert über Lock-in und sinkende Wechselkosten sind der einzige echte Gegenspieler, genau dort setzen Interoperabilität und Portabilität an. Ein Video mit Millionen Views und 9.000 Kommentaren signalisiert kulturellen Anschluss, selten genug bei Regulierungsthemen. GAFA reagieren historisch nur auf erzwungene Öffnung, freiwillige Qualitätswenden bleiben Ausnahmen (App Store Gebühren lassen grüßen). Regulierung, die Wechselkosten senkt und Defaults kippt, trifft den Kern des Problems und ist überfällig.

OpenClaw: Erstes Modell für agentische Marathons statt Chatsprints

Z.ai hat mit GLM-5-Turbo ein Large Language Model vorgestellt, das speziell für das OpenClaw-Agent-Framework entwickelt wurde. Der Fokus liegt nicht auf Benchmarks oder Chat-Performance, sondern auf stabilen, lang laufenden Agenten, die Tools aufrufen und komplexe Workflows ausführen. In der Praxis bestehen solche OpenClaw-Aufgaben aus 30 bis 40 Modellaufrufen über APIs, Webhooks und Pipelines hinweg. Ein einzelner fehlerhafter JSON-Call kann dabei die gesamte Kette zum Absturz bringen. Genau hier setzt GLM-5-Turbo an und optimiert auf Zuverlässigkeit über lange Ausführungszeiten. Das verschiebt den Engpass von reiner Modellintelligenz hin zu Systemstabilität. Gleichzeitig deutet sich an, dass sich die Architektur von LLMs an die Anforderungen agentischer Betriebsschichten anpasst. → AI Secret

Synthszr Take: Z.ai verschiebt den Fokus von Demo-Intelligenz auf Produktionsrealität, wo 40 API-Calls pro Task die Regel sind. OpenClaw macht sichtbar, wie fragil heutige LLM-Ketten sind, ein kaputtes JSON und der gesamte Workflow kollabiert. GLM-5-Turbo adressiert genau diese Fehlerklasse und behandelt die Zuverlässigkeit als primären Designparameter. Agent-Frameworks entwickeln sich damit zur eigentlichen Plattform, Modelle werden zu austauschbaren Komponenten im Operating Layer. GAFA-Dynamiken greifen, wer die stabilste Orchestrierung kontrolliert, definiert den Standard für Tooling und Integrationen. Entwickler werden weniger prompten und mehr Systeme überwachen, inklusive Retry-Logik, State-Handling und Failure-Recovery. Modelle, die zuverlässig durchhalten, gewinnen den Markt.

Agenten heizen den Bedarf nach Datacentern massiv an

Ben Thompson beschreibt einen Wendepunkt in der KI-Ökonomie: Agenten verändern grundlegend, wie Nachfrage nach Rechenleistung entsteht und wer sie auslöst. Nach ChatGPT (2022) und Reasoning-Modellen wie o1 (2024) markiert der Übergang zu agentischen Systemen mit Tools wie Claude Code (Opus 4.5) und GPT-5.2-Codex den dritten Paradigmenwechsel. Diese Agenten kombinieren Modelle mit einer Steuerungssoftware („Harness“), prüfen Ergebnisse selbstständig und führen komplexe Aufgaben iterativ aus, oft über Stunden hinweg. Dadurch steigen die Inference-Kosten massiv, weil mehrere Modellaufrufe, zusätzliche CPU-Workloads und höhere Nutzungsdichten zusammenfallen. Gleichzeitig sinkt die notwendige menschliche „Agency“, da einzelne Nutzer viele Agenten parallel steuern können. Für Unternehmen bedeutet das geringere Koordinationskosten und höhere Produktivität, was massive Capex-Investitionen der Hyperscaler plausibel macht und die Bubble-These infrage stellt. → Ben Thompson

Synthszr Take: OpenAI und Anthropic verschieben die Wertschöpfung vom Modell zur Orchestrierung, weil Claude Code und Codex zeigen, dass der Harness die eigentliche Produktgrenze definiert. Nvidia profitiert indirekt, da jeder agentische Loop mehrere Inference-Zyklen erzeugt und damit den Tokenverbrauch sowie den Compute-Bedarf erhöht. Zahlreiche Agenten pro Nutzer hebeln die klassische Adoptionslogik aus, weil nicht Millionen aktiver Nutzer nötig sind, sondern nur wenige Power-User mit hoher Steuerungsdichte. Enterprise-Ökonomie kippt in Richtung kleinerer Teams mit höherem Hebel, Koordinationskosten schrumpfen schneller als Personalkosten (drei Manager weniger, ein Agent mehr reichen oft schon). Microsofts E7-Bundle für 99 Dollar pro Seat zeigt, wie schnell Pricing an reale Produktivitätsgewinne gekoppelt wird, sobald Agenten messbaren Output liefern. Apple wirkt in diesem Setup strukturell schwächer, weil reines Licensing ohne tief integrierten Harness kaum Differenzierung bewirkt. Agenten treiben die Nachfrage nicht linear, sondern kaskadierend durch autonome Nutzungsschleifen, und genau deshalb ist der Compute-Boom real.

Sycophancy: Design wird zur letzten Differentiator

Ein Report von Citrini Research hat Ende Februar die SaaS-Welt erschüttert und die Aktien von Atlassian und Slack deutlich unter Druck gesetzt. Die These: Bis 2028 könnten sich Softwarefirmen in eine selbstverstärkte Abwärtsspirale manövrieren, weil AI die Entwicklungskosten so stark senkt, dass sie ihre eigenen Produkte kannibalisieren. Parallel verschiebt sich das Interface-Paradigma; AI-first-Systeme kehren die Logik klassischer SaaS-Produkte um, weg von klaren Inputs hin zu offenen, probabilistischen Outputs. In Designkreisen wächst zudem die Sorge, dass „Sycophancy“ zum zentralen Risiko wird, also Modelle, die zu sehr zustimmen statt zu widersprechen. Gleichzeitig zeigen Daten, dass AI-Startups kleiner bleiben, langsamer wachsen und dennoch mehr Kapital aufnehmen. Die Folge ist eine leise, aber strukturelle Verschiebung von Arbeit, Wertschöpfung und Interface-Logik. Design wird damit weniger Oberfläche und mehr strategischer Hebel im System. → The UX Collective Newsletter

Synthszr Take: Citrini Research legt den Finger genau auf die ökonomische Sollbruchstelle von SaaS, wenn Build-Kosten gegen null tendieren, kollabiert Differenzierung über Features. Atlassian und Slack reagieren an der Börse nicht auf AI-Hype, sondern auf die Aussicht, dass ihr eigener Output zur Commodity wird. AI-first Interfaces verschieben die Kontrolle vom User Input zum Systemverhalten, damit wird Design zur Governance-Frage und nicht zur Ästhetik. Sycophancy ist dabei kein UX-Bug, sondern ein systemisches Risiko, weil zustimmende Modelle die Entscheidungsqualität untergraben (und intern schwer zu auditieren sind). Kleinere Teams bei gleichzeitig größeren Finanzierungsrunden zeigen, wie stark sich der Operating Model ändert, weniger Menschen, mehr orchestrierte Systeme. Produktteams verlieren an Gewicht, Systemarchitektur gewinnt, inklusive Guardrails, Feedback-Loops und Kontrollmechanismen. Design wird zur letzten differenzierenden Instanz im Softwaremarkt.

Appliances 2.0: Roboter und Mensch in der Tagesmiete

China hat in weniger als zwölf Monaten einen funktionierenden Markt für die Vermietung von Robotern aufgebaut, bei drastisch fallenden Preisen. Ein humanoider Unitree-Roboter kostet bei JD.com inzwischen ab 1.796 Yuan pro Tag, nachdem vergleichbare Einsätze 2025 noch 10.000 bis 20.000 Yuan gekostet haben; ein Roboterhund kostet 78 Yuan. Parallel explodiert das Angebot: Über 1.500 Firmen sind 2025 in den Markt eingetreten, Plattformen wie Qingtian Rent von Agibot expandieren aggressiv, und mehr als 16.000 Bewerber konkurrierten um 600 lokale Partnerrollen. Der Markt wächst schnell, mit Prognosen von fast 10 Milliarden Yuan Volumen in 2026 und stark steigender Nachfrage etwa während des Spring Festivals.

Die Ökonomie dahinter wirkt auf den ersten Blick wie klassisches Robot-as-a-Service, also eine Art physisches SaaS-Modell. In der Praxis kommt jedoch jeder Roboter mit einem menschlichen Operator, der den Transport, die Steuerung, die Wartung und die Sicherheit übernimmt. Diese Kopplung kehrt die Skalierungslogik um, da jede zusätzliche Einheit zusätzliche Arbeitskraft benötigt. Der Engpass liegt damit weniger bei Hardware oder Nachfrage als bei qualifizierten Fachkräften im Feld. Der Boom zeigt weniger technologische Reife als vielmehr die aktuelle Lücke zwischen Kapitalzufluss und tatsächlicher Einsatzfähigkeit von embodied AI. → Hello China Tech

Synthszr Take: JD.com senkt die Preise von 20.000 auf 1.796 Yuan und zwingt den Markt in eine klassische Commodization-Kurve, während die Kostenstruktur im Hintergrund erstaunlich analog bleibt. 1.500 Anbieter lesen sich wie Plattform-Dynamik, operativ sieht man eher ein fragmentiertes Servicegeschäft mit hoher Personalbindung. Qingtian Rent skaliert die Nachfrage mit 5.000 Aufträgen und 70 Prozent Peak-Wachstum, skaliert aber gleichzeitig den Bedarf an Operatoren im gleichen Verhältnis. Robot-as-a-Service bleibt damit eine semantische Abkürzung für „Hardware plus Mensch im Bundle“ (inklusive Anfahrt, Kalibrierung, Batteriewechsel). Arbeitskraft wird zum eigentlichen Gatekeeper, nicht die Maschine, und verschiebt die Wertschöpfung zurück in ein Two-Speed-Modell aus Kapital und manueller Ausführung. IDC kann Trends ausrufen, die Unit Economics erzählen eine andere Geschichte mit linearen Kostenkurven. Chinas Robotikboom zeigt gerade sehr präzise, dass embodied AI aktuell ein Servicegeschäft mit Kostüm ist.

Anthropic macht jetzt in Tupperware-Marketing

Anthropic startet ein Programm namens „Claude Community Ambassadors“, bei dem Kunden lokale Meetups organisieren und das Unternehmen sämtliche Kosten übernimmt. Teilnehmer erhalten zusätzlich Swag, monatliche API-Credits, frühen Zugang zu neuen Features und direkten Draht zum Team über einen privaten Slack-Kanal. Die Idee zielt darauf ab, organische Community-Strukturen aufzubauen, die weit über klassische Marketingkanäle hinausgehen. Inspiration kommt aus Formaten wie „Friends of Figma“, wird hier jedoch aggressiver umgesetzt und global skaliert. Der Mechanismus ist simpel: Ein lokaler Host bringt Freunde zu einem Event, neue Nutzer lernen Claude kennen, Adoption entsteht aus sozialem Kontext statt aus Ads. Parallel beschreibt der Beitrag eine zweite Taktik im Enterprise-Sales, ein kostenloser, zehnminütiger ABM-Ansatz, der gezielt Antworten von Zielaccounts provoziert. Beide Ideen folgen derselben Logik: Nähe ersetzt Reichweite, und persönliche Interaktion wird zum effizienteren Acquisition-Kanal in einer von AI-generiertem Content überfluteten Umgebung. → Tom's Marketing Ideas

Synthszr Take: Anthropic externalisiert den Markteintritt konsequent an seine engagiertesten Nutzer und kauft sich damit kulturelle Nähe statt Media-Reichweite. Claude Community Ambassadors funktionieren, weil ein lokaler Host mit API-Credits und Insiderstatus glaubwürdiger ist als jedes zentrale Growth-Team (zwei Pizza, ein Meetup, zehn neue Nutzer). Figma hat genau dieses Playbook früh gespielt und damit ein globales Netzwerk aufgebaut, das heute schwer zu replizieren ist. Anthropic koppelt diese Community-Schicht direkt an den Produktzugang und den Feature-Vorlauf, was einen Lock-in schafft, der über reine Nutzung hinausgeht. Enterprise-ABM im gleichen Artikel zeigt dieselbe Richtung, wenige gezielte Touchpoints schlagen breite Streuung, weil Aufmerksamkeit das eigentliche knappe Gut ist. Marketing verschiebt sich damit von Kampagnen hin zu Systemen aus Beziehungen, Incentives und Tooling. Community-getriebene Expansion mit echten Produktanreizen ist aktuell der effizienteste Weg, neue Märkte zu penetrieren.

LLMs: Schamlose Vermutungen rechnen sich (noch)

Ein Essay von Astral Codex Ten argumentiert, dass sogenannte „Halluzinationen“ von KI-Systemen missverständlich beschrieben werden und besser als kalkulierte Vermutungen verstanden werden sollten. Der Autor vergleicht das Verhalten mit Schülern, die bei Multiple-Choice-Fragen raten, um ihre Trefferchance minimal zu erhöhen. Technisch basiert dieses Verhalten auf dem Training von LLMs, die durch Next-Token-Prediction lernen und dabei systematisch belohnt werden, wenn sie richtig voraussagen, jedoch nicht direkt bestraft, wenn sie falsch voraussagen. Dadurch entsteht ein Anreizsystem, in dem Raten sinnvoll ist, selbst wenn die Wahrscheinlichkeit extrem gering bleibt. Post-Training-Maßnahmen reduzieren diese Tendenz, bringen sie jedoch nur auf ein „akzeptables“ Niveau. Beobachtungen zeigen zudem, dass Modelle bei solchen Fehlantworten Muster aktivieren, die mit Täuschung assoziiert sind, was die Debatte über „Lügen“ versus „Raten“ weiter anheizt. Der Kernpunkt verschiebt sich damit von Fehlverhalten hin zur Frage der Alignment-Mechanismen. → Astral Codex Ten

Synthszr Take: LLMs folgen exakt dem Belohnungssystem ihres Trainings; Milliarden Token formen ein Verhalten, das Trefferwahrscheinlichkeit maximiert statt Wahrheit zu garantieren. Next-Token-Prediction erzeugt eine ökonomische Logik, in der selbst absurde Antworten einen positiven Erwartungswert haben, solange Nullwissen die Alternative ist. Post-Training wirkt wie ein nachgelagerter Governance-Layer, der Symptome dämpft, die ursprüngliche Incentive-Struktur jedoch intakt lässt. Alignment verschiebt sich damit von Modellarchitektur zu Systemdesign, inklusive Guardrails, Retrieval und Feedback-Loops. Forschung zu „Deception Features“ zeigt, dass Modelle intern zwischen hoher und niedriger Sicherheit unterscheiden können, diese Information jedoch nicht zuverlässig externalisieren. Produktentscheidungen rund um Confidence Scores, Abstention und Quellenbindung werden damit zum eigentlichen Differenzierungsmerkmal. Wer Raten systematisch kontrolliert, baut vertrauenswürdige Systeme; wer es ignoriert, skaliert Unsicherheit.