Moin AInauten,
Willkommen zur neuen Ausgabe deines Lieblingsnewsletters!
Du wolltest Arbeit an die AI abgeben. Zehn Minuten später suchst du Dateien, beantwortest Rückfragen und kopierst Absätze zwischen Chat, Drive und Word hin und her. Glückwunsch: Deine AI hat erfolgreich delegiert und dich wieder zum Bottleneck gemacht 😁.
Deshalb schauen wir uns an, wie du Aufgaben so übergibst, dass deine AI selbstständiger arbeitet und ihr Ergebnis gleich mitprüft - und wie du dank ChatGPT Tokenmaxxing mehr aus deinem bestehenden Nutzungslimit holst.
Das haben wir heute für dich im Gepäck:
👨💻 So machst du deinen Chatbot heute zum echten AI-Mitarbeiter
🔄 Der Gauntlet-Loop: So erhält deine AI einen klaren Auftrag
🌓 Luna 80% billiger: Welche Jobs gibst du ab?
🤣 AI-Fun: Die lustigsten AI-Crashes der Filmgeschichte
Los geht’s!
🔔 Nur noch heute: AI-Mitarbeiter-Bootcamp 🔔
Bau dir im August deinen eigenen AI-Mitarbeiter!
Heute startet die vorerst letzte Runde: jetzt rein oder bis zum Winter warten.
Der Chatbot war der Anfang. Ab jetzt wird delegiert! Du gibst einen Auftrag. Dein System kennt deinen Kontext, nutzt deine Tools und erledigt die Arbeit selbständig für dich - statt nur darüber zu chatten.
Start: heute, Montag, 3. August, 16:00 Uhr, live mit Reto & Fabian
👨💻 Du bist das Bottleneck! So machst du deinen Chatbot heute zum echten AI-Mitarbeiter
Es gab Zeiten, da waren wir absolut im Chat-Hamsterrad gefangen…
Ein guter Prompt hier. Ein halbfertiger Workflow da. Dazu Call-Notizen, Newsletter-Ideen, Screenshots und irgendwelche Dokumente, die wir “später” noch sauber machen wollten.
Vieles davon war nützlich. Trotzdem landeten wir ständig vor einem leeren Chatfenster und erklärten der AI, was wir eigentlich wollten.
Dabei wurde jede vergessene Vorgabe zur nächsten Nachricht. Die AI schreibt weiter, während du als menschliche Zwischenablage den Zusammenhang bewahrst.
Bessere Modelle ändern daran wenig, solange wir ihnen Arbeit weiterhin Nachricht für Nachricht übergeben. Anthropic hat in seinen Nutzungsdaten genau dieses Muster gefunden: In Chat und Cowork brauchten Blogposts und Artikel im Schnitt 13 Runden.
Besser wurde es mit einem festen Workspace auf unserem eigenen Computer: Dateien als dauerhafter Kontext, klare Arbeitsaufträge, wiederverwendbare Skills und ein sichtbarer Beleg am Ende. Plötzlich musste der nächste Chat nicht mehr erraten, wie wir arbeiten.
Das Modell war zwar weiterhin wichtig, der größere Hebel lag aber im eingerichteten Arbeitsplatz.
Gib der AI einen Computer
Merke: Wenn du deine AI nur im Browser nutzt, bleibt das größte Potenzial ungenutzt.
Gib deiner AI deshalb einen Computer! Im Chat kann die AI auf das antworten, was du ihr gerade einfügst. Mit einem Computer kann sie Dateien öffnen, Tools benutzen und ein Ziel über mehrere Schritte hinweg verfolgen.
Nehmen wir ein Angebot für einen Kunden als Beispiel: Du verweist ganz unspektakulär auf den Ordner auf der Google Drive-Ablage, die letzten E-Mails, das Meeting-Transkript, die eigene Preisliste und beschreibst das gewünschte Ergebnis.
Der Agent liest das Material, erstellt das Angebot, prüft die Quellen, bereitet dir eine E-Mail vor und speichert die fertige Datei direkt auf der Ablage. Du musst nicht mehr alle Details zusammensuchen und die Inhalte durch drei Fenster tragen.
Das Tool ist nicht dein System
Wie sieht nun ein solcher AI-Workspace aus? Im Zentrum steht eine Desktop-App wie ChatGPT Work/Codex oder Claude Cowork/Code.
Der Wink mit dem Zaunpfahl: Wenn du noch primär im Browser mit deiner AI arbeitest, dann installiere jetzt ChatGPT Work oder Claude Cowork!
Das Tool selbst ist aber nicht das System. Dein wertvollstes AI-Setup steckt im Drumherum:
eine kurze Kontextdatei mit Rolle, Zielen und Arbeitsweise
freigegebene Beispiele und relevantes Wissen
Zugang zu relevanten Tools, mit denen du arbeitest
klare Grenzen für Aktionen mit Außenwirkung
wiederverwendbare Skills für Abläufe, die erneut vorkommen
ein sichtbarer Beleg, an dem du erkennst, ob die Aufgabe wirklich erledigt wurde
Auf dem Computer kannst du damit einen richtigen Arbeitsplatz für deinen AI-Mitarbeiter bauen.
Die App ist die Tür zum Büro. Den Arbeitsplatz richtest du ein.
Für die breite Masse bedeutet ChatGPT noch immer: Browser öffnen, Frage stellen, Antwort lesen. OpenAIs Modelle erreichen inzwischen mehr als eine Milliarde aktive Nutzer.
Mit den Desktop Apps ist viel mehr möglich. Aber ChatGPT Work und Codex kommen zusammen “nur” auf 10 Millionen aktive Nutzer.
Übersetzt: Chat ist Massenmarkt. Agentisches Arbeiten steht erst am Anfang. Rein rechnerisch ist das einer von 100. Gehörst du schon zur 1%-Fraktion?
Unser Take: Werde vom Chatter zum Auftraggeber
Chat war der Einstieg. Der nächste Schritt ist ein eigener AI-Workspace, der deinen Kontext kennt, mit deinen Dateien und Tools arbeitet und dir prüfbare Ergebnisse liefert.
So werden aus einzelnen Antworten wiederholbare Abläufe. Du gibst die Richtung und die finale Freigabe vor. Deine AI übernimmt die Arbeit dazwischen. Genau diesen Wechsel machen wir im AI-Mitarbeiter-Bootcamp.
Mach den Schritt und baue heute deinen eigenen produktiven AI-Mitarbeiter auf!
Du bringst deine echten Aufgaben mit und entwickelst daraus in wenigen Wochen deinen eigenen AI-Workspace. Kein Vorwissen nötig. Die Summer Edition startet heute um 16 Uhr. Wenn du noch dabei sein willst: now is the time!
🔄 Der Gauntlet-Loop: So erhält deine AI einen klaren Auftrag
Machen wir gleich nahtlos damit weiter, wie du mehr aus deiner AI rausholst.
Auch im besten AI-Workspace kannst du weiterarbeiten wie 2023: kurzer Befehl, Antwort abwarten, nächsten Schnipsel nachreichen. Das Tool könnte selbstständig arbeiten, hängt aber weiter an deiner kurzen Leine.
Ein Agent braucht ein Ziel und eine Messlatte, an der er erkennt, wann die Arbeit fertig ist.
Matt Shumer hat das eindrücklich mit seinem Gauntlet Loop demonstriert. Ein einziger Startprompt setzte einen viele Stunden langen Lauf mit einer Flotte von Subagents in Gang. Heraus kam ein Browser-Shooter mit rund 55.000 Zeilen Code - und viele weitere Games und Apps, die davon inspiriert worden sind.
Das Prinzip in fünf Schritten
Der Kern des Gauntlet-Loops:
Du formulierst das Ziel und lässt die Umsetzung offen.
Du gibst ein echtes Beispiel für sehr gute Qualität.
Der Lead-Agent zerlegt die Arbeit in separat prüfbare Teile.
Ein Agent baut, ein frischer Kritiker prüft das echte Ergebnis.
Der größte Abstand zur Messlatte geht zurück in die nächste Runde.
Die Messlatte muss konkret sein: Referenzbilder und Blindvergleich für ein Game, Screenshots und Ladezeit für eine Landingpage, Stilbeispiel und Faktencheck für einen Text.
Der Prompt zum Klauen
Der folgende Meta-Prompt macht aus deinem Ziel einen brauchbaren Gauntlet-Auftrag - nutze ihn am besten in Claude oder ChatGPT auf dem Desktop:
Lies zuerst Matt Shumers Erklärung des Gauntlet Loop:
https://somethingbig.ai/gauntlet-loop
Mein Ziel: [Was soll am Ende konkret fertig sein? Oder: Basierend auf allem, was du über mich weißt: Finde konkrete Arbeiten, die sich dafür eignen würden.]
Prüfe, ob das für einen Gauntlet Loop geeignet ist. Wenn ja, stelle mir höchstens fünf kurze Rückfragen zu Material, Messlatte, Grenzen und nötigen Freigaben.
Formuliere aus meinen Antworten einen möglichst kurzen Auftrag. Der Agent soll die Arbeit selbst zerlegen, das echte Ergebnis von einem unabhängigen Kritiker prüfen lassen, den größten Abstand verbessern und mit einer klaren Stop-Regel sowie einem Fertig-Beleg enden.
Aktionen wie Senden, Veröffentlichen, Bezahlen und Löschen bleiben gesperrt, bis ich ausdrücklich freigebe.
Zeige mir den Auftrag zuerst zur Bestätigung.🌓 Luna 80% billiger: Welche Jobs gibst du ab?
OpenAI hat den API-Preis für das Luna-Modell um 80 Prozent gesenkt, Terra um 20 Prozent. Für Nutzer von ChatGPT Work/Codex heißt das konkret: Du kannst mit denselben Limits viel mehr Arbeit an die beiden Modelle geben!
Luna Max ist noch immer Luna
Auf X wird gerade die These herumgereicht, Luna mit maximalem Reasoning sei praktisch ein Sol zum Schleuderpreis. Klingt verführerisch. Die Modellwahl wäre damit simpel: Luna auswählen, Regler hoch, fertig.
Klingt verführerisch, doch so einfach ist es dann doch nicht.
Mehr Reasoning gibt einem Modell zusätzliche Zeit und Tokens zum Planen und Prüfen - ideal für komplexere Aufgaben. Aber Luna bleibt trotzdem Luna - die Grenzen des kleineren Modells verschwinden dadurch nicht.
Du kannst auch drei Stunden länger über die Relativitätstheorie nachdenken - Einstein-Level erreichst du dadurch trotzdem nicht 😉.
So aktivierst du maximales Reasoning
Pro-Tipp: In den Einstellungen gibt es einen versteckten Schalter, mit dem du weitere Reasoning-Stufen freischaltest.
Du findest ihn in der ChatGPT-Desktop-App unter Einstellungen → Konfiguration → Verfügbare Reasoning-Stufen (sofern dein Tarif und die Oberfläche es hergeben).
Wichtig: Die Modelle Luna und Terra lassen sich nicht in normalen ChatGPT-Unterhaltungen im Web auswählen. Du findest sie nur in ChatGPT Work und Codex. Ein weiterer Grund, die Desktop-App zu installieren.
Der nützlichste Fund der letzten Tage ist ein viel geteilter Workflow, der Sol High als Planer einsetzt, Luna Max für Routine und Terra Max für komplexere Umsetzung. Diese Arbeitsteilung ist brauchbarer als die begleitende Behauptung, Luna Max sei pauschal mit Sol vergleichbar.
Prüfe deine Sol-Aufgaben deshalb so:
Luna High oder Max bekommen klare Mengenjobs mit festem Format und schnellem Abnahmetest.
Terra High oder Max übernimmt Aufgaben mit mehreren Dateien, Werkzeugen und etwas Interpretationsspielraum.
Sol bleibt bei offener Planung, schwierigen Entscheidungen und der Endkontrolle wichtiger Ergebnisse.
Starte bei Luna und Terra mit High. Max lohnt sich, wenn derselbe Probelauf damit sichtbar weniger Fehler produziert.
Ob es bei dir passende Tasks gibt, die du an Luna auslagern kannst, kannst du mit diesem Prompt hier prüfen (starte es in ChatGPT Sol in der Desktop-App).
Nutze unseren bisherigen Kontext und alles, was du über mich weißt. Finde konkrete Aufgaben, die Luna oder Terra mit High oder Max Reasoning anstelle von Sol übernehmen können. Keine generischen Kategorien wie „Recherche“ oder „Schreiben“.
Nenne pro Aufgabe:
- den genauen Auftrag,
- das passende Setup,
- warum dieses Modell dafür ausreicht,
- einen schnellen Abnahmetest.
Wähle nur klar begrenzte Aufgaben, die wenig neuen Kontext brauchen. Planung, wichtige Entscheidungen und Endkontrolle bleiben bei Sol. Wenn nichts passt oder Kontext fehlt, sage es offen. Führe noch nichts aus.Unser Take: Sol muss sich seine Jobs verdienen
Teste zuerst. Besteht Luna oder Terra denselben Abnahmetest zweimal, behält das kleinere Modell den Job. Scheitert Luna an Kontext oder Interpretation, wandert der Auftrag zu Terra High oder Max.
Sol kommt zurück, wenn die Messlatte unklar wird, Terra keine brauchbare Qualität liefert oder das Ergebnis eine wichtige Entscheidung vorbereitet.
So funktioniert Tokenmaxxing im Alltag: Sol entscheidet und prüft. Luna und Terra erledigen den Großteil mit höherem Reasoning.
🤣 AI-Fun: Die lustigsten AI-Crashes der Filmgeschichte
Zum Abschluss kein Hack und kein neues Modell, sondern ein paar überraschend gut gemachte AI-Crashes in Filmszenen, die man gern bis zum Ende schaut.
So, das war’s für heute. Wir lesen uns am Donnerstag!
Reto & Fabian von den AInauten
🦸♂️ AI-Mitarbeiter-Bootcamp: Letzte Gelegenheit
Wenn du nur eine Sache aus dieser Ausgabe mitnimmst, dann die: Der Unterschied liegt nicht im nächsten Tool. Er liegt darin, ob deine AI mit dir an derselben Sache arbeitet oder nur Antworten ausspuckt.
Genau dafür haben wir das AI-Mitarbeiter-Bootcamp entwickelt. Es zeigt dir Schritt für Schritt, wie du dir deinen produktiven AI-Mitarbeiter einrichtest und ihm echte Aufgaben aus deinem Arbeitsalltag gibst.
Start: Heute, Montag, 3. August, um 16 Uhr - Live mit Reto & Fabian
