Moin AInauten,

Willkommen zur neuen Ausgabe deines Lieblingsnewsletters!

Heute starten wir nicht mit dem nächsten Tool, sondern mit der Frage: Welche Aufgabe soll dein Agent jeden Morgen konkret für dich erledigen? Mit unseren Prompts findest du in drei Schritten deinen ersten Praxis-Agenten, den du direkt im Alltag testen kannst!

Danach geht es um Claude Fable 5, das kurz zeigte, wie die AI-Zukunft aussehen kann, bevor es über Nacht verschwand… Zum Schluss testen wir die Gegenidee: Wenn das Supermodell plötzlich weg ist, kann ein Modell-Team einspringen?

Das haben wir heute für dich im Gepäck:

Los geht’s!

Im AI-Mitarbeiter-Bootcamp beobachten wir gerade ein interessantes Muster: Die Technik ist oft nicht mehr der Flaschenhals. Skills anlegen, Dateien anbinden, MCP-Server testen, Browser-Agenten starten, … Das alles klappt inzwischen erstaunlich gut.

Der Knick kommt danach: Was soll der Agent jetzt eigentlich für dich erledigen?

Ein Agent wird nützlich, sobald er eine wiederkehrende Aufgabe mit genug Kontext und klaren Rahmenbedingungen abarbeiten kann - und zwar verläßlich.

Deshalb wollen wir heute schauen, wie du konkrete Kandidaten aus deiner echten Arbeit oder deinem Alltag findest. Wir finden das für die meisten ziemlich spannend.

Steigen wir direkt ein, ohne lange Vorrede: Kopier diesen Prompt in den Chatbot, mit dem du am meisten arbeitest.

Viele haben noch nie aktiv einen Agenten gebaut. Völlig okay, klingt auch kompliziert. Weil es das aber gar nicht sein muss, machen wir es heute mal zusammen.

Wähle nun aus dem Resultat aus Schritt 1 einem Agenten-Job aus.

Nicht den größten, coolsten oder technisch wildesten Vorschlag. Nimm stattdessen einen oder mehrere Vorschläge, wo du sofort weißt, wie ein gutes Ergebnis aussieht.

Gute Agenten-Jobs klingen oft simpel:

Das ist Bildschirmarbeit mit Kontext. Und genau dort lohnt sich der erste Test!

Nutze nun diesen Prompt, nachdem du den den ersten Kandidaten ausgewählt hast:

Jetzt wird es praktisch: Um den Agenten einzurichten, musst du eine Desktop-Agenten-App wie Codex von OpenAI (sogar mit kostenlosem Account nutzbar) oder Claude Code/Cowork (ab Pro-Account) installieren.

Sobald du das gemacht hast, kannst du in der Desktop-App einen neuen Chat starten und das Briefing/Prompt aus Schritt 2 reinkopieren, um den Einrichtungsprozess des Agenten zu starten.

Im Kern wirst du aufgefordert, Fragen zu beantworten, Zugänge freizugeben und Aktionen zu bestätigen, damit er den gestellten Auftrag ausführen kann.

Du wirst dabei vermutlich auch mit Begriffen wie Skills, Tools, MCP, etc. konfrontiert - was das genau ist, schauen wir uns auch gleich an.

Der Desktop-Agent braucht Zugriff, aber der Zugriff allein macht noch keinen sauberen Arbeitsablauf.

Tool, Skill, MCP und Kontext tauchen alle mal im selben Setup-Menü auf. Da kann es schon mal Missverständnisse geben.

Merksatz: Tools, MCPs und Connectors sagen, worauf der Agent zugreifen darf. Skill und Kontext sagen, wie er dort arbeiten soll.

Kurzer Hinweis an dieser Stelle: Wenn du fremde Skills installierst, lass dir diese zuerst von NVIDIAs SkillSpector oder einem anderen Tool reviewen, damit du dir nichts installierst, was sicherheitstechnisch fragwürdig ist.

Wer AI-Arbeit delegieren will, muss unangenehm genau werden. Nur wenn du pingelig genau eine saubere Übergabe machst, werden deine Agenten brauchbar.

Bau deshalb diese Woche einen einzigen langweiligen Agenten. Einen, den du nach sieben Tagen ehrlich bewerten kannst: Hat er mir jeden Morgen 20 Minuten Zeit gespart? Mehr braucht es für den Anfang nicht.

Aber wenn du mehr willst, dann komm zu uns in die AI Automation Community! Dort stehen wir dir bei allen Fragen zu Agenten, Automationen und AI mit Rat und Tat zur Seite - und du bist mit über 1000 anderen AINAUTEN in bester Gesellschaft.

Fable war drei Tage lang dieses Modell, bei dem wir sofort alle anderen Modelle in die Ecke stellen wollten. Jetzt ist es weg, vorerst.

Der Reiz an Claude Fable 5 ist war, dass Anthropic zum ersten Mal die neue Mythos-Klasse breit zur Verfügung gestellt hat: 1-Million-Token-Kontext, lange autonome Aufgaben, bessere Selbstprüfung, mehr Geduld bei Coding und Wissensarbeit. Also genau mit Verbesserungen in den Bereichen, wo bisher viele Agents gestolpert sind.

Fable fühlte sich eher nach Arbeitskollege mit sehr viel Kaffee und noch mehr IQ an. Für uns war es ein Einblick und Vorgeschmack darauf, wie sich AI anfühlt, wenn sie nicht nach jedem zweiten Satz wieder an die Hand genommen werden will.

Am 12. Juni verlangte die Trump-Regierung, dass Fable 5 und Mythos 5 für alle ausländischen Staatsangehörigen suspendiert werden - sogar für ausländische Anthropic-Mitarbeiter innerhalb der USA! Weil das praktisch nicht sauber umsetzbar war, musste Anthropic Fable und Mythos für alle Kunden abschalten. WTF?!

Der Auslöser soll ein Jailbreak gewesen sein, den Amazon auf Anfrage des Weißen Hauses bestätigt gepetzt hatte. Der Stein des Anstoßes sei eine einfache Schwachstelle, die bei anderen öffentlich verfügbaren Modelle wie GPT 5.5 ebenfalls ausgenutzt werden kann.

Da Amazon auch ein großer Investor bei Anthropic ist, verstehen wir nicht genau, was das soll. Vielleicht hat es auch mit den Gerüchten zu tun, dass die Chinesen Zugang zu Mythos hatten - who knows?

Anthropic entschuldigt sich auf jeden Fall für die “Störung” und glaubt, dass es ein Missverständnis ist. Heute gibt es eine Aussprache. Und vielleicht läuft es ja schon wieder, während du das liest?!

Sicherheit ist das wichtigste Thema, gerade bei dem Affenzahn, mit dem aktuell vorangeprescht wird (siehe unseren Beitrag hier).

Anthropic hat die Mythos-Klasse monatelang als gefährlich, mächtig und sicherheitskritisch positioniert - was Guardrails, Trusted Access und hohe Preise rechtfertigt.

Böse Zungen sagen, dass man halt nicht überall erzählen sollte, dass die eigene AI eine biologische Waffen- und Cybercrime-Fabrik sei, wenn man nicht möchte, dass eine Regierung irgendwann ernsthaft zuhört.

Ein Körnchen Wahrheit ist da dran…

Aber wenn ein nicht öffentlich nachvollziehbarer, enger Jailbreak-Vorwurf reicht, um ein produktives Modell weltweit aus Workflows zu reißen, lernen wir alle eine sehr harte Lektion: Das stärkste Werkzeug in deinem Stack kann morgen verschwinden, ohne dass du etwas tun kannst. Ein Kill-Switch, den du nicht beeinflussen kannst.

Die Stimmung im Netz kippte schnell von Hype und coolen Use Cases zum Abhängigkeitsschock. Die erste Reaktion ist der Bastlerweg: verfügbare Modelle nehmen, bessere Harnesses bauen, Prompts sichern, Loops sauberer schreiben, Fable-Verhalten teilweise imitieren (siehe dazu auch unseren nächsten Beitrag unten).

Jailbreaker Pliny hatte das Modell bereits geknackt und den System Prompt herausgekitzelt - welcher dann im Bastelmodus dazu genutzt wurde, um Fable-ähnliches Verhalten mit dem Opus 4.8-Claude Modell nachzubauen.

Klar, ein Systemprompt bringt kein Fable-Modell zurück - aber die Idee ist nicht schlecht.

Wer auf Nummer sicher gehen will, braucht aber mehr als Workarounds und das Prinzip Hoffnung. Und wer Kontrolle will, muss lokale Modelle können - oder zumindest offene Konkurrenzmodelle wie Kimi 2.7, GLM 5.2 etc. nutzen.

Souveräne AI-Infrastruktur beginnt klein. Ein lokales Modell für vertrauliche Standardaufgaben. Ein Cloud-Topmodell für die schweren Brocken. Eine simple Regel, welche Aufgabe wohin darf. Ein Ordner, in dem Kontext, Prompts und Checklisten liegen. Ein Test, ob dein wichtigster Workflow auch ohne Lieblingsmodell weiterläuft.

Tools wie llmfit werden in diesem Moment interessanter, weil sie die richtige Frage stellen: Was läuft auf deiner Hardware überhaupt sinnvoll?

Das Tool erkennt, was dein Computer an RAM, CPU und GPU hat - und bewertet Modelle nach Qualität, Geschwindigkeit, Fit und Kontext. Es unterstützt Provider wie Ollama, LM Studio und weitere.

Interessiert, was auf deinem Rechner laufen würde? Siehe den Beitrag oben zu den Agents - sag einfach der Claude oder Codex-Desktop-App:

Im Open-Source-Arena.ai-Leaderboard findest du die offenen Cloud-Modelle von Kimi, Qwen und DeepSeek. Sie ranken oben auf der Liste und nahe bei den Closed-Cloud-Anbietern - so nahe, dass man sie ernsthaft testen sollte.

Solche Tests sind wichtig, denn ein Benchmark allein sagt noch wenig darüber aus, wie das für deinen spezifischen Use Case funktioniert.

Auf der kostenlosen arena.ai-Plattform stehen dir aber nicht alle Frontier-Modelle zur Verfügung. Wenn du für deine Tests aus allen Modellen wählen willst, kannst du das alternativ über OpenRouter (Credit-System) machen.

Wir finden den Shutdown als Präzedenzfall gefährlich. Safety braucht klare Prozesse. Sonst wird aus Vorsicht (oder anderer Motivation) einfach Willkür.

Das aktuelle Fable-Drama zeigt, dass diese Regeln noch fehlen. Bis sie existieren, ist die komplette Abhängigkeit von geschlossenen Frontier-Modellen deshalb ein Betriebsrisiko.

Natürlich wollen wir nicht Cloud-Modelle boykottieren. Dort findet man die besten Modelle und die Fable-Abschaltung war deshalb so bitter, weil es so gut war.

Wir ziehen daraus die pragmatische Lektion: Speichere deine Prompts, Skills, Projektregeln und Abnahmekriterien in Dateien (ja, einmal mehr: Files-over-Tools).

Modelle können verschwinden oder sündhaft teuer werden, Features werden umgebaut. Aber wenn dein Arbeitsmodus in Dateien lebt, reist er weiter.

Unser ideales Setup kristallisiert sich aber immer klarer heraus - und es ist ein Hybrid:

Wir hatten lokale Modelle vor ein paar Wochen schon als Offline-AI-Reise-Stack auf dem Tisch. Nach Fable fühlt sich das weniger nach Reisetrick und mehr nach Grundausstattung an.

P.S. Zum Abschluss haben wir noch einen starken Tipp von Fable auf X entdeckt - im Kern: “Setz dich regelmäßig hin und schreibe ehrlich über dein eigenes Leben, deine Gedanken und Wünsche - nicht, um auf etwas zu reagieren, sondern um klarer zu sehen, was du wirklich willst und tust.” 🙏

Während alle Fable hinterhertrauern, präsentiert OpenRouter eine spannende These: Vielleicht muss ein einzelnes Modell gar nicht mehr alles können!

OpenRouter Fusion ist die Antwort darauf. Im Kern ist es ein kleines Modell-Panel.

Du stellst eine komplexe Frage, mehrere Modelle arbeiten parallel daran, ein Judge-Modell vergleicht die Antworten und liefert strukturierte Analyse zurück: Konsens, Widersprüche, blinde Flecken, einzelne gute Beobachtungen. Danach entsteht daraus die finale Antwort.

Wir haben bereits mehrfach über Mixture-of-Experts (MoE), Multi-Persona-Prompts und LLM-Council berichtet.

Dieser Ansatz ist viel näher an guter Teamarbeit als an klassischem Routing.

Und das alles läuft schön im Hintergrund über das Chat-Interface oder die API. Nice!

OpenRouter verkauft den Launch entsprechend offensiv. Im Post auf X nennt OpenRouter Fusion als "smartest compound model in the market".

Und behauptet, Fusion erreiche Fable-Level zum halben Preis! Ehm…

Im Benchmark-Post wird klar, dass man diese Zahlen sauber einordnen muss. Das ist ein OpenRouter-eigener Test auf 100 Deep-Research-Aufgaben.

Außerdem schreibt OpenRouter selbst, dass sieben Fable-Aufgaben wegen Content-Filtern nicht gewertet wurden.

Also bitte nicht gleich "Fable ist ersetzt!" auf LinkedIn posten 😄 …

Wir finden Fusion ein wichtiges Signal, passend zur heutigen Ausgabe. Nach Fable gewinnen aus unserer Sicht ein paar Dinge an Wichtigkeit: lokale AI, souveräne AI-Hybrid-Setups und Modell-Orchestrierung.

Für kurze Prompts ist Fusion Overkill. Aber es ist spannend bei Aufgaben, bei denen Perspektiven zählen: Recherche, Entscheidungsvorbereitung, Tool-Vergleiche, Marktanalyse, Strategiefragen, juristische Erstsortierung, medizinische Recherchen, komplexe Produktentscheidungen, usw.

Fusion ist überall dort gut, wo eine einzelne Antwort gefährlich bequem ist.

Die besten AI-Workflows erinnern uns immer stärker an eine kleine Redaktion. Mehrere Stimmen rein, Widersprüche sichtbar machen, eine gute Synthese raus.

Genau so arbeiten gute Teams auch!

Geschafft! Bis zur nächsten Ausgabe.

Reto & Fabian von den AInauten