De Praktikant is nu en System – un he bestellt al mal mehr GPUs
- • Agenten verschuuvt Nafraag, nich blots Bruuk
- • LeCun wett gegen dat nächste Token
- • AI fritt SaaS – un integreert dat glieks wedder
Enshittification (I): LinkedIn sien TikTokiseern vun’n Feed dörch Tokens
LinkedIn boot sien Feed grundleggend üm un tuuscht de klassische Ranking-Logik ut dörch en eenheitlich Retrieval-System op Basis vun LLM-genereerte Embeddings. Dorop sitt en sequenziell Generative-Recommender-Modell mit Causal-Attention-Transformern, dat Interaktschonen as tietliche Sequenzen versteiht. De Feed bewert Inholten starker an de Hand vun semantische Neegde un beropliche Entwickelnsweeg ansteed vun demograafsche Markmolen. Kontext entsteiht ut Verloop un Bedüden, nich ut staatsche Profilfeller. Dat verschufft dat Anraden vun heuristische Scores hen to generative Modelleern. För Creator un Recruiter bedüüd dat weniger explizite Teelgruppenstüern, dorför mehr implizite Trajektorien in’t System. LinkedIn kummt dormit de Logik vun TikTok neger, blots mit professionelle Signalen ansteed vun Ünnerhollen. → TLDR Data
Synthszr Take: LinkedIn tuuscht Ranking-Tabellen ut dörch en dörchgahnd Modell, dat Retrieval un Genereern koppelt un dormit den Feed as System denkt. Causal Attention op Interaktschoonssequenzen bringt en Gedächtnis in dat Anraden, dat Karrieren as Tietreeg modelleert ansteed vun as Profil-Snapshot. Embeddings kommodifizeert enkelte Signalen un verschuuvt Differenzeren in de Orchestreern vun’t Gesamtsystem, genau dor entsteiht Lock-in un Nettwarkeffekten. Microsoft profiteert dubbelt, Infrastruktur un Modellkompetenz griept inenanner un senkt de Grenzkosten pro Anraden bi stiegende Qualität. Creator verleert en Stück kontrolleerbor Targeting un optimeert starker för semantische Resonanz, Recruiter speelt in längere Zyklen mit implizite Signalen. De Wettstriet verlagert sik vun’t Feature-Set to de Daten- un Feedback-Schleif, wokeen de besten Sequenzen hett, winnt de Opmarksamkeit. Generative Recommender maakt Feeds to lehrnde Systemen un genau dat verschufft de Macht duurhaft to de Plattformen.
Enshittification (II): Norwegen grippt gezielte Verslechtern vun digitale Produkten an
De norweegsche Verbrukerraat start gemeensam mit över 70 Organisatschonen in Europa un de USA en Kampagne gegen de so nöömte „Enshittification“, also dat gezielte Slichtermaken vun digitale Deensten. En viraal Video inszeneert disse Praxis satiersch, wiel en 80-siedigen Report de systemaatsche Erosion vun de Brukerbelevnissen dokumenteert. Prägt worrn is de Begreep vun Cory Doctorow, Bispelen reckt vun överladene Social Feeds bit to Software-Updates, de Geräten utbremst. De Initiativ richt sik an de Politik in 14 Länner un foddert en strengere Dörchsetten vun bestahnde Gesetten as ok mehr Wettstriet op den digitalen Markt. Konkret geiht dat üm Interoperabilität, Repareerborkeit un de Mööglichkeit, eenfacher twüschen Services to wesseln. Mehr as 20 Organisatschonen in Norwegen as ok Akteuren in 12 wiedere Länner hebbt entspreken Foddern inreikt. De Kampagne dröppt en Nerv, dat Video hett Millionen Views un över 9.000 Kommentaren sammelt, de Report is mehr as 6.000 Maal rünnerladen worrn. → Techpresso
Synthszr Take: Cory Doctorow levert mit „Enshittification“ en präzis Label för en bekannt Plattformmuster, eerst Brukerwassen, denn Monetariseern, toletzt Extrakschoon. Norwegen sien Verbrukerraat översett dit Muster in konkrete Policy-Foddern över 14 Länner henweg un maakt Wettstriet wedder to’n operativen Hevel. De Tall 70 wiest, wo breet dat Bündnis worrn is, Gewerkschaften un Minschenrechtsorganisatschonen rückt in en Thema, dat lang as Produktdetail afdaan worrn is. Plattformökonomie skaleert över Lock-in un sinkende Wesselkosten sünd de eenzige echte Gegenspeler, genau dor sett Interoperabilität un Portabilität an. En Video mit Millionen Views un 9.000 Kommentaren signaleert kulturellen Ansluss, roor noog bi Reguleernsthemen. GAFA reageert histoorsch blots op afdwungen Apenmaken, freehillige Qualitätswennen blievt Utnahmen (App Store Geböhren laat gröten). Reguleern, de Wesselkosten senkt un Defaults kippt, dröppt den Karn vun’t Problem un is överfällig.
OpenClaw: Eerste Modell för agentische Marathons statt Chatsprints
Z.ai hett mit GLM-5-Turbo en Large Language Model vörstellt, dat speziell för dat OpenClaw-Agent-Framework entwickelt worrn is. De Fokus liggt nich op Benchmarks oder Chat-Performance, man op stabile, lang lopende Agenten, de Tools opropen un komplexe Workflows utföhren doot. In de Praxis besteiht so’n OpenClaw-Opgaven ut 30 bit 40 Modelloprope över APIs, Webhooks un Pipelines henweg. En enkelten fehlerhaften JSON-Call kann dorbi de hele Keed to’n Afstört bringen. Genau hier sett GLM-5-Turbo an un optimeert op Toverlässigkeit över lange Utföhrenstieden. Dat verschufft den Engpass vun reine Modellintelligenz hen to Systeemstabilität. Togliek düüdt sik an, dat sik de Architektur vun LLMs an de Anfoddern vun agentische Bedriefsschichten anpasst. → AI Secret
Synthszr Take: Z.ai verschufft den Fokus vun Demo-Intelligenz op Produktschoonsrealität, woneem 40 API-Calls pro Task de Regel sünd. OpenClaw maakt sichtbor, wo fragil hüdige LLM-Keden sünd, en kaputt JSON un de hele Workflow kollabeert. GLM-5-Turbo adresseert genau disse Fehlerklass un behannelt de Toverlässigkeit as primären Designparameter. Agent-Frameworks entwickelt sik dormit to de egentliche Plattform, Modellen warrt to uttuuschbore Komponenten in’n Operating Layer. GAFA-Dynamiken griept, wokeen de stabilste Orchestreern kontrolleert, defineert den Standard för Tooling un Integratschonen. Entwicklers warrt weniger prompten un mehr Systemen överwachen, inklusive Retry-Logik, State-Handling un Failure-Recovery. Modellen, de toverlässig dörchhollt, winnt den Markt.
Agenten heizt den Bedarv na Datacenters massiv an
Ben Thompson beschrifft en Wennpunkt in de KI-Ökonomie: Agenten ännert grundleggend, woans Nafraag na Rekenleistung entsteiht un wokeen se utlöst. Na ChatGPT (2022) un Reasoning-Modellen as o1 (2024) markeert de Övergang to agentische Systemen mit Tools as Claude Code (Opus 4.5) un GPT-5.2-Codex den drüdden Paradigmenwessel. Disse Agenten kombineert Modellen mit en Stüersoftware („Harness“), pröövt Resultaten sülvstännig un föhrt komplexe Opgaven iterativ ut, faken över Stünnen henweg. Dordörch stiegt de Inference-Kosten massiv, wiel mehrfache Modelloprope, tosätzliche CPU-Workloads un högere Bruuksdichten tohoopfallt. Togliek sinkt de nödige minschliche „Agency“, wiel enkelte Brukers vele Agenten parallel stüern köönt. För Ünnernehmen bedüüd dat lüttere Koordinatschoonskosten un högere Produktivität, wat massive Capex-Investitschonen vun de Hyperscalers plausibel maakt un de Bubble-Thees in Fraag stellt. → Ben Thompson
Synthszr Take: OpenAI un Anthropic verschuuvt dat Weertschöppen vun’t Modell to de Orchestreern, wiel Claude Code un Codex wiest, dat de Harness de egentliche Produktgrenz defineert. Nvidia profiteert indirekt, wiel jeder agentische Loop mehrfache Inference-Zyklen tüügt un dormit den Tokenverbruuk as ok den Compute-Bedarv erhöht. Tahlrieke Agenten pro Bruker hevelt de klassische Adoptschoonslogik ut, wiel nich Millionen aktive Brukers nödig sünd, man blots en poor Power-User mit hoge Stüerdicht. Enterprise-Ökonomie kippt in Richt vun lüttere Teams mit högeren Hevel, Koordinatschoonskosten schrumpt gauer as Personalkosten (dree Managers weniger, een Agent mehr reckt faken al). Microsoft sien E7-Bundle för 99 Dollar pro Seat wiest, wo fix Pricing an reale Produktivitätswinsten koppelt warrt, sobald Agenten meetboren Output levert. Apple wirkt in dit Setup strukturell swacker, wiel reines Licensing ahn deep integreerten Harness kuum Differenzeren bewirkt. Agenten drievt de Nafraag nich linear, man kaskadeerend dörch autonome Bruuksschleifen, un genau deswegen is de Compute-Boom real.
Sycophancy: Design warrt to’n letzten Differentiator
En Report vun Citrini Research hett Enn Februar de SaaS-Welt dörchschüttelt un de Aktien vun Atlassian un Slack düütlich ünner Druck sett. De Thees: Bit 2028 kunnen sik Softwarefirmen in en sülvstverstarkte Daalwärtsspiraal manövreren, wiel AI de Entwickelnskosten so stark senkt, dat se ehr egen Produkten kannibaliseert. Parallel verschufft sik dat Interface-Paradigma; AI-first-Systemen kehrt de Logik vun klassische SaaS-Produkten üm, weg vun klor Inputs hen to apen, probabilistische Outputs. In Designkringen wasst todem de Sorg, dat „Sycophancy“ to’n zentralen Risiko warrt, also Modellen, de to veel tostimmt ansteed vun to wedderspreken. Togliek wiest Daten, dat AI-Startups lütter blievt, langsamer wasst un liekers mehr Kapitaal opnehmt. De Folg is en liese, aver strukturelle Verschuven vun Arbeit, Weertschöppen un Interface-Logik. Design warrt dormit weniger Böverflach un mehr strateegsch Hevel in’t System. → The UX Collective Newsletter
Synthszr Take: Citrini Research leggt den Finger genau op de ökonomsche Sollbrooksteed vun SaaS, wenn Build-Kosten gegen Null tendeert, kollabeert Differenzeren över Features. Atlassian un Slack reageert an de Börs nich op AI-Hype, man op de Utsicht, dat ehr egen Output to en Commodity warrt. AI-first Interfaces verschuuvt de Kontroll vun’n User Input to’n Systeemverhollen, dormit warrt Design to en Governance-Fraag un nich to Ästhetik. Sycophancy is dorbi keen UX-Bug, man en systemisch Risiko, wiel tostimmen Modellen de Beslutensqualität ünnergraavt (un intern swoor to auditeern sünd). Lüttere Teams bi toglieks gröttere Finanzeerensrunnen wiest, wo stark sik dat Operating Model ännert, weniger Minschen, mehr orchestreerte Systemen. Produktteams verleert an Gewicht, Systeemarchitektur winnt, inklusive Guardrails, Feedback-Loops un Kontrollmechanismen. Design warrt to de letzte differenzeren Instanz in’n Softwaremarkt.
Appliances 2.0: Roboter un Minsch in de Dagsmeed
China hett in weniger as twölf Maanden en funktschoneren Markt för dat Vermeden vun Roboters opboot, bi drastisch fallende Priesen. En humanoiden Unitree-Roboter köst bi JD.com intwüschen af 1.796 Yuan pro Dag, na de vergliekbore Insätz 2025 noch 10.000 bit 20.000 Yuan köst hebbt; en Roboterhund köst 78 Yuan. Parallel explodeert dat Anbott: Över 1.500 Firmen sünd 2025 in den Markt instegen, Plattformen as Qingtian Rent vun Agibot expandeert aggressiv, un mehr as 16.000 Bewervers hebbt üm 600 lokale Partnerrullen konkurreert. De Markt wasst fix, mit Prognosen vun meist 10 Milliarden Yuan Volumen in 2026 un stark stiegende Nafraag to’n Bispeel wiel dat Fröhjohrsfest.
De Ökonomie dorachter wirkt op den eersten Blick as klassisch Robot-as-a-Service, also en Oort physisch SaaS-Modell. In de Praxis kummt aver jeder Roboter mit en minschlichen Operator, de den Transport, de Stüern, de Pleeg un de Sekerheit övernimmt. Dit Koppeln kehrt de Skaleerenslogik üm, wiel jede tosätzliche Eenheit tosätzliche Arbeitskraft bruukt. De Engpass liggt dormit weniger bi Hardware oder Nafraag as bi qualifizeerte Facklüüd in’t Feld. De Boom wiest weniger technoloogsche Riep as veelmehr de aktuelle Lück twüschen Kapitaaltostroom un tatsächliche Insatzfähigkeit vun embodied AI. → Hello China Tech
Synthszr Take: JD.com senkt de Priesen vun 20.000 op 1.796 Yuan un dwingt den Markt in en klassische Commodization-Kurv, wiel de Kostenstruktur in’n Achtergrund verbaven analoog blifft. 1.500 Anbeders leest sik as Plattform-Dynamik, operativ süht man ehrder en fragmenteert Servicegeschäft mit hoge Personalbinnen. Qingtian Rent skaleert de Nafraag mit 5.000 Opdrääg un 70 Perzent Peak-Wassen, skaleert aver toglieks den Bedarv an Operatoren in’t sülve Verhältnis. Robot-as-a-Service blifft dormit en semantische Afkörten för „Hardware plus Minsch in’n Bundle“ (inklusive Anfohrt, Kalibreern, Batteriewessel). Arbeitskraft warrt to’n egentlichen Gatekeeper, nich de Maschien, un verschufft dat Weertschöppen trüch in en Two-Speed-Modell ut Kapitaal un manuelle Utföhren. IDC kann Trends utropen, de Unit Economics vertellt en annere Geschicht mit lineare Kostenkurven. China sien Robotikboom wiest jüst sehr präzis, dat embodied AI aktuell en Servicegeschäft mit Kostüm is.
Anthropic maakt nu in Tupperware-Marketing
Anthropic start en Programm mit den Naam „Claude Community Ambassadors“, bi dat Kunnen lokale Meetups organiseert un dat Ünnernehmen all Kosten övernimmt. Deelnehmers kriegt tosätzlich Swag, maantliche API-Credits, fröhen Togang to ne’e Features un direkten Draht to’n Team över en privaten Slack-Kanaal. De Idee teelt dorop af, orgaansche Community-Strukturen optoboon, de wiet över klassische Marketingkanals rutgaht. Inspiratschoon kummt ut Formaten as „Friends of Figma“, warrt hier aver aggressiver ümsett un global skaleert. De Mechanismus is eenfach: En lokalen Host bringt Frünnen to en Event, ne’e Brukers leert Claude kennen, Adoptschoon entsteiht ut sozialen Kontext ansteed vun ut Ads. Parallel beschrifft de Bidrag en tweete Taktik in’n Enterprise-Sales, en kostenlosen, tehnminütigen ABM-Ansatzen, de gezielt Antwoorden vun Teelaccounts provozeert. Beide Ideen folgt de sülve Logik: Neegde tuuscht Reckwiet ut, un persönliche Interaktschoon warrt to’n effizienteren Acquisition-Kanaal in en vun AI-genereerten Content överfloten Ümfeld. → Tom’s Marketing Ideas
Synthszr Take: Anthropic externaliseert den Marktingang konsequent an sien engageertsten Brukers un köfft sik dormit kulturelle Neegde ansteed vun Media-Reckwiet. Claude Community Ambassadors funktschoneert, wiel en lokalen Host mit API-Credits un Insiderstatus gloovwördiger is as jedet zentrale Growth-Team (twee Pizza, een Meetup, teihn ne’e Brukers). Figma hett genau dit Playbook fröh speelt un dormit en globales Nettwark opboot, dat hüüt swoor to replizeern is. Anthropic koppelt disse Community-Schicht direkt an den Produkttogang un den Feature-Vörloop, wat en Lock-in schafft, de över reinen Bruuk rutgeiht. Enterprise-ABM in’n sülven Artikel wiest de sülve Richt, en poor gezielte Touchpoints slaagt brede Streiung, wiel Opmarksamkeit dat egentliche knappe Goot is. Marketing verschufft sik dormit vun Kampagnen hen to Systemen ut Betöög, Incentives un Tooling. Community-dreven Expanschoon mit echte Produktanreizen is aktuell de effizienteste Weg, ne’e Määrkt to penetreern.
LLMs: Schamlose Vermoden rekent sik (noch)
En Essay vun Astral Codex Ten argumenteert, dat so nöömte „Halluzinatschonen“ vun KI-Systemen missverstännlich beschreven warrt un beter as kalkuleerte Vermoden verstahn warrn schullen. De Autor vergliekt dat Verhollen mit Schölers, de bi Multiple-Choice-Fragen raden, üm ehr Trefferchance minimal to verhögen. Technisch baseert dit Verhollen op dat Training vun LLMs, de dörch Next-Token-Prediction leert un dorbi systemaatsch belohnt warrt, wenn se richtig vörutseggt, aver nich direkt bestraaft warrt, wenn se verkehrt vörutseggt. Dordörch entsteiht en Anreizsystem, in dat Raden sinnvoll is, sülvst wenn de Wohrschienlichkeit extrem lütt blifft. Post-Training-Maßnahmen reduzeert disse Tendenz, bringt se aver blots op en „akzepteerbor“ Niveau. Beobachten wiest todem, dat Modellen bi so’n Fehlantwoorden Muster aktiveert, de mit Döschen assozieert sünd, wat de Debatt över „Lögen“ versus „Raden“ wieder anheizt. De Kernpunkt verschufft sik dormit vun Fehlverhollen hen to de Fraag vun de Alignment-Mechanismen. → Astral Codex Ten
Synthszr Take: LLMs folgt exakt dat Belohnungssystem vun ehr Training; Milliarden Tokens formt en Verhollen, dat de Trefferwohrschienlichkeit maximeert ansteed vun Wohrheit to garanteern. Next-Token-Prediction tüügt en ökonomsche Logik, in de sülvst absurde Antwoorden en positiven Verwachtensweert hebbt, solang Nullweten de Alternativ is. Post-Training wirkt as en na lagerte Governance-Layer, de Symptomen dämpt, de oorsprüngliche Incentive-Struktur aver intakt lett. Alignment verschufft sik dormit vun Modellarchitektur to Systeemdesign, inklusive Guardrails, Retrieval un Feedback-Loops. Forschung to „Deception Features“ wiest, dat Modellen intern twüschen hoge un siete Sekerheit ünnerscheden köönt, disse Informatschoon aver nich toverlässig externaliseert. Produktbesluten rund üm Confidence Scores, Abstention un Quellenbinnen warrt dormit to’n egentlichen Differenzerensmarkmol. Wokeen dat Raden systemaatsch kontrolleert, boot vertroonswördige Systemen; wokeen dat ignoreert, skaleert Unsicherheit.
