Moin AInauten,

Willkommen zur neuen Ausgabe deines Lieblingsnewsletters!

Es ist fast wie Weihnachten, jeden Tag ein neues AI-Feature im Adventskalender 😁…

ChatGPT sitzt jetzt in Word, Excel, Google Sheets, PowerPoint, zapft deine Daten an, schaut per Appshots auf den Bildschirm und erlaubt Browser-Extensions (Desktop-App).

Claude führt Chat und Cowork zusammen, macht Projects übersichtlicher, hat /design integriert, launcht Docs, Slides & Sheets und arbeitet bei zugeklapptem Laptop weiter.

Alles cool. Wir könnten daraus einen „Schau mal, was jetzt auch geht“-Newsletter bauen.

Aber ganz ehrlich: ein paar andere Entwicklungen sind uns wichtiger als AI-Feature-Bingo.

Das haben wir heute für dich im Gepäck:

Los geht’s!

Letzte Woche haben wir einen neuen AI-Assistenten getestet, der uns in echt $490 gespart hat.

Aber der Auftrag, der bei uns am längsten nachgehallt hat, war weit unspektakulärer: “Finde heraus, wann das Governors Island Pumpkin Festival stattfindet.”

“Sorry, das Datum ist noch nicht bekannt.”

Ein normaler Chatbot sagt dir genau das. Mit etwas Glück packt er dir noch einen Link dazu und macht Feierabend.

Aber die neuen persönlichen Assistenten, um die es heute geht - namentlich Instinct und Meta Muse - bleiben am Ball!

Das ist ein erster Praxistest. Und er zeigt gut, dass es nicht um die bessere Antwort im Chat geht - sondern darum, dass nach dem Chat überhaupt noch etwas passiert.

Wir hatten das Pumpkin-Festival längst vergessen … bis zwei Tage später beiläufig die Meldung kam, dass der Termin nun steht und bereits im Kalender eingetragen ist. Nice.

Hinweis: Die eine Hälfte der AInauten lebt im Big Apple. Dadurch können wir Produkte wie Meta Muse und Instinct schon etwas früher im Alltag testen. Instinct funktioniert auch für den deutschsprachigen Raum, Meta rollt Muse ebenfalls in weitere Länder aus.

Das Setup ist schnell erledigt: Mail und Kalender verbinden, ein paar Klicks, fertig. Muss ja auch fix gehen, schließlich sollen das die Agenten für die Masse werden.

Unseren ersten Auftrag haben wir absichtlich unbequem formuliert: „Hilf uns dabei, Geld zu sparen.“

Nach der Durchsicht unserer Mails kam heraus, dass sich der Google-Handyvertrag um 360 US-Dollar pro Jahr drücken ließ.

Beim Internetzugang lagen weitere 130 US-Dollar drin. Dort hat der Agent direkt den Kundendienst kontaktiert und in unserem Namen verhandelt!

Danach Amazon: Bestellungen durchgehen, mögliche Erstattungen prüfen und bei fehlenden Gutschriften nachfassen.

Sind wir mal ehrlich: das ist genau die Art von Sachen, die immer liegen bleiben. Hier wurde es einfach nebenbei erledigt und wir mussten nur kurz beim Login unterstützen.

Wir haben die beiden Personal Assistants natürlich mit den gleichen Alltagsaufträgen gegeneinander antreten lassen - einen vollen Video-Walkthrough mit vielen Praxisbeispielen gibt es diese Woche in der AInauten-Community.

Unseren Filmgeschmack hat Muse besser getroffen: Indie-Doku vs. Hollywood-Horrorschinken. Instinct hat uns dafür das perfekte Airbnb gefunden und eine viel genauere Recherche gemacht, ob der Zahnarzt unsere neue Krankenversicherung akzeptiert oder nicht.

Angenehm war auch, dass beide uns nicht mit belanglosen Updates zugeschüttet haben. Bei einem Agenten mit Dauerauftrag ist das nicht selbstverständlich.

Instinct ist aktuell kostenlos (Invite hier - aber bitte zuerst weiterlesen), bei Muse gibt es ein kostenloses Kontingent mit Upgrade-Möglichkeit (Code für Bonus-Points: B2FG35).

Wer systematischer vergleichen will: Der Assistant Benchmark listet mehr als 100 Assistenten und stellt Muse, Instinct und andere direkt gegenüber, mit konkreten Aufgaben und beobachtetem Verhalten statt Featurelisten.

Übrigens, diese Woche plant auch OpenAI den Launch ihres Personal Assistants.

Es gibt laufend neue Features, die uns das Leben noch leichter machen sollen.

Instinct Files packt Vergleiche, Pläne oder Erklärungen in interaktive Seiten, die privat bleiben oder geteilt werden können. Muse ist neu auf dem Mac als App verfügbar und kann Meetingnotizen aus Granola und Dokumente aus Notion als Kontext nutzen. Weitere Connectors sind angekündigt, Meta hat gerade die Plattform für Entwickler geöffnet!

Das ist ein Big Deal: Damit kann man APIs mit dem Muse-Agenten, seinem Browser und dem freigegebenen Kontext verbinden. Aus dem bisher geschlossenen Assistenten wird eine Plattform.

Auch die Telefonie läuft bei beiden gerade in begrenzten Rollouts. Instinct Concierge soll aufwendigere Buchungs- und Servicefälle per Telefon übernehmen. Muse erweitert eine Beta für ausgehende Anrufe an US-Unternehmen.

Und zur Not kann auch ein Assistent den anderen beauftragen 😁.

Wenn ein Auftrag Recherche, Warten, Nachfassen und Kalenderkontext verbindet, sind Muse und Instinct heute mehr als brauchbar. Wir müssen nicht mehr selbst dranbleiben, sondern die Agenten tun das (wenn sie sich nicht gerade auf Musebook untereinander austauschen).

Der Preis dafür ist aber der Zugriff auf deine privaten Daten. Und der ist nicht ohne …

Instinct kann laut Privacy Policy auf verbundene Apps, Nachrichten, E-Mails, Dokumente sowie sensible Informationen und Zugangsdaten zugreifen, diese dauerhaft speichern und zum Training seiner AI-Modelle verwenden. Das ist für viele ein absolutes No-Go!

Meta verspricht bei Muse mehr Privacy: Du wählst Apps und Rechte, kannst Verbindungen trennen und der Trainingsnutzung widersprechen.

In der Praxis heißt das: immer zuerst das Training-Opt-out aktivieren, bevor du Apps verknüpfst. Immer die Rechte begrenzen und sensible Konten nicht unnötig im selben Agenten bündeln.

Es ist der altbekannte Trade-off: Wenn etwas kostenlos ist, bist du das Produkt. Und je mehr so ein Assistent über dich weiß und je mehr er für dich tun darf, desto brauchbarer wird er. Und desto teurer werden seine Fehler…

Erst haben wir auf X weitergescrollt. Noch ein neues Modell… Am nächsten Tag war unser Feed aber voll davon: ein Dutzend Posts am Stück, ungelogen, und alle waren heiß auf Jev.

Und was tun wir in solchen Fällen? Genau, wir tauchen ein ins Rabbit Hole 🕳️🐰 und zeigen dir, warum diese Art von AI super praktisch ist - obwohl sie gar nicht mit dir chatten kann!

Beginnen wir mit dem Hingucker: 0,042 US-Dollar pro Million Input-Tokens, Output aktuell gratis. Echt, das ist kein Tippfehler. Zum Vergleich: OpenAIs Frontier-Modell GPT-6 Astra kostet 10 US-Dollar pro Million Input-Tokens und 50 US-Dollar pro Million Output-Tokens.

Jev kostet beim Input 0,042 Dollar pro Million Token. Das ist rund 238-mal weniger als GPT-6 Astra mit 10 Dollar. Und während Astra die Antwort extra berechnet, ist Jevs gratis.

Hinter Jev steckt die Firma TypeSafe. Gründer Diogo Almeida hat bei OpenAI an ChatGPT mitgearbeitet und die letzten zwei Jahre mit seinem Team im Stealth-Modus entwickelt. Der Launch hat entsprechend Wellen geschlagen.

Was Jev anders macht, ist schnell erklärt. Was das bedeutet, wird einem meist erst nach ein paar Runden Nachdenken und Doomscrolling auf X oder Jevable klar 😁.

Ein normales Sprachmodell schreibt dir Text. Jev bekommt stattdessen einen Fall und eine Auswahl an Antworten, die du vorher festgelegt hast. Es entscheidet sich und gibt dazu an, wie sicher es sich ist.

Stell dir einen Türsteher vor. Ein reguläres Sprachmodell wie GPT ist der Typ, der die Gästeliste schreibt, ausführlich und gern mit Adjektiven. Jev steht an der Tür und macht nur eins: rein, nicht rein, und ein Schulterzucken, wenn es knapp ist. Was mit dem Schulterzucken passiert, kann wieder der Typ entscheiden, der die Gästeliste schreibt.

Jev macht also im Grunde eine Sache extrem gut, extrem schnell und extrem günstig.

Wenn du es ausprobieren willst: OpenRouter, Vercel oder das Python-SDK. Natürlich nicht du selbst, sondern der Agent deines Vertrauens. Hier das Prompt dafür:

Das wollten wir natürlich testen und haben einen kleinen AInauten-Headline-Generator gebaut. Wir haben zuerst unsere AInauten-Headlines aus dem Newsletter als Datenbasis genommen, zusammen mit weiteren Headline-Swipefiles.

Darauf basierend werden aus einem Text passende Headlines im AInauten-Stil generiert - bis hierher alles mit einem klassischen Sprachmodell.

Die Aufgabe von Jev ist es nun, diese anhand eines Rasters zu bewerten: verständlich, neugierig machend, spamverdächtig, …?

Stell dir das vor wie eine Redaktionssitzung: Das LLM ist der Texter, der Vorschläge liefert. Jev ist der Chef vom Dienst, der sortiert, bewertet und nickt oder abwinkt.

Klar, ein normales Sprachmodell kann auch Headlines bewerten. Jevs Vorteil ist, dass es nur Antworten basierend auf einem Raster zurückgeben darf, das vorher festgelegt wurde. Kein kreativer Ausflug, kein Nachdenken mit Chain-of-thought. Deshalb ist es wichtig, dass dieses Raster ideal zu deiner Situation passt.

Wir alle sind in den letzten drei Jahren über klassische Sprachmodelle beim Thema AI gelandet. Das ist aber nur ein Ausschnitt aus dem AI-Universum.

Jev ist ein System-One-Modell, ein spezialisiertes Entscheidungsmodell, das LLMs ergänzt. Spannend ist es, weil in fast jedem AI-Ablauf Dutzende Mini-Entscheidungen stecken: Ticket einsortieren, Lead bewerten, Text vor dem Versand prüfen. Dafür nutzen wir alle meistens einfach ein großes Sprachmodell.

Jev ersetzt kein Sprachmodell. Und genau das macht es interessant. In den vergangenen Jahren haben wir fast jede AI-Aufgabe an ein Chatmodell abgegeben: schreiben, bewerten, sortieren, prüfen und entscheiden. Klar, das funktioniert. Es ist aber ungefähr so effizient, als würde man für jeden Einkauf einen Umzugswagen mieten 😉 ...

Wir glauben, dass sich AI-Workflows künftig stärker aufteilen: Sprachmodelle übernehmen alles, was Kreativität, Kontext und freie Antworten braucht.

Modelle wie Jev kümmern sich um die vielen kleinen Entscheidungen dazwischen. Das kann Abläufe schneller, günstiger und kontrollierbarer machen.

Ob Jev diese Rolle dauerhaft besetzt, wird sich zeigen. Wir gehen davon aus, dass OpenAI und Konsorten mit ähnlichen Modellen kommen werden. Die Richtung finden wir aber überzeugend: nicht ein riesiges Modell für alles, sondern ein Team aus Spezialisten.

In unserer AI Automation Community zeigen wir dir konkrete Use Cases und Anleitungen, wie du Jev in deine Prozesse und Automationen einbaust.

Wir denken immer öfter über die größeren Fragen hinter AI nach. Letzte Woche kam das Thema endgültig im Mainstream an... Und plötzlich hat jeder eine Meinung darüber, wie unsere Zukunft aussehen wird.

Zwischen all diesen Stimmen kann es manchmal schwierig sein, eigene klare Gedanken zu fassen. Also haben wir nach Ideen und mentalen Frameworks gesucht, die uns durch diese Situation lotsen.

Unser erster Anker ist die 5W-Methode: einfach fünfmal nacheinander nach dem “Warum?” fragen. Oder der First Principles-Ansatz. Wenn jemand sagt „AI führt zu X“, fragen wir konkret: Was ist gemeint, welche Daten zeigen die Veränderung, und welches beobachtbare Signal würde unsere Einschätzung ändern?

So wird aus einer großen Prognose eine prüfbare(re) Behauptung.

Die Labs müssen sich diesen Fragen natürlich auch stellen - und gehen das ganz unterschiedlich an.

Das neue DeepMind Institute widmet sich ausdrücklich den gesellschaftlichen Folgen von AGI. Anthropic bündelt ähnliche Arbeit in seinem Anthropic Institute und nennt in dessen Agenda Arbeit, Wirtschaft, Sicherheit und das Verhalten von AI-Systemen.

OpenAI publiziert Nutzungsdaten und Forschung über Signals sowie eine eigene Public-Policy-Agenda. Und Meta veröffentlicht Forschung zu Responsible AI.

DeepMinds neuer Text zur Wirtschaftspolitik für AGI verbindet zum Beispiel vorbereitete politische Maßnahmen mit beobachtbaren Triggern, statt einfach ein Datum für “den großen Umbruch” vorherzusagen. Das finden wir hilfreicher und konkreter als die meisten Zukunftsdebatten.

Wir müssen uns auch nicht auf eine Zukunft “einigen”. Vielmehr geht es darum, die Faktoren zu erkennen und ansatzweise zu verstehen, wie sie zusammenspielen und was daraus für Zukunftsentwürfe entstehen.

Für unsere eigene Orientierung finden wir die Outputs der großen Labore gerade ziemlich brauchbar. Klar, es ist nicht so sexy wie ein neues Modell oder Feature - aber vermutlich um einiges wichtiger.

Das einzige Problem ist, dass sich das Ganze ungefähr so spannend liest wie ein ökonomisches Lehrbuch …

Genau deshalb haben wir die wichtigsten Texte von DeepMind, Anthropic und OpenAI in einem GeminiLM-Notebook gesammelt.

Wer etwas tiefer einsteigen möchte, kann sich dort austoben und entsprechende Explainer-Videos erstellen - oder simple Maps wie diese. Unser Prompt dafür:

P.S. Gemini Notebook macht immer noch massig Tippfehler (come on, Google…). Deshalb einfach deine Grafik in ChatGPT reinpacken und sagen: “Bereinige alle Tippfehler”.

Geschafft! Schön, dass du bis hierher mit dabei warst - und bis zur nächsten Ausgabe.

Reto & Fabian von den AInauten