Lehrreicher Artikel des **MindStudio Team** (Blog der MindStudio-Plattform, Orchestrierung von Multi-Modell-Workflows), der **modèles de langage par diffusion** (*Diffusion Language Models*) anhand des Beispiels von **Diffusion Gemma** erklärt, Googles erster **Open-Weights**-Implementierung (2 Milliarden Parameter, abgeleitet von Gemma 2). Die These: Während **autoregressive** Modelle (GPT-4, Claude, Standard-Gemma) Text **Token für Token, von links nach rechts** generieren (kausale Aufmerksamkeit, jedes Token nach der Erzeugung fixiert), starten **Diffusionsmodelle** von einer **maskierten/verrauschten** Sequenz und **verfeinern sie iterativ** (masked diffusion / *absorbing diffusion*), mit **bidirektionaler Aufmerksamkeit**: Das Modell kann **jede Position zu jedem Zeitpunkt überarbeiten**. Konsequenzen: hohe **Parallelität** (ein Text mit 500 Token würde 50-100 Denoising-Schritte statt 500 sequenzieller Durchläufe erfordern), natürliches **Infilling** und **beschränkte Generierung** (Template-Ausfüllung, Codevervollständigung mit umgebendem Kontext) sowie eingebaute **Überarbeitungsfähigkeit**. Aber im aktuellen Maßstab (2B) **erreicht** Diffusion Gemma die großen autoregressiven Modelle (GPT-4o, Gemini 1.5 Pro) bei Schlussfolgerung, Befolgung von Anweisungen und Allgemeinwissen **nicht**: Die Lücke „schließt sich“, ohne geschlossen zu sein. Die Inspiration stammt aus der Bildgenerierung (Stable Diffusion, DALL-E haben die Autoregression vor Jahren hinter sich gelassen); ob dasselbe Prinzip für Text gilt, bleibt eine offene Frage. Diffusion Gemma wird auf Hugging Face (Google DeepMind), AI Studio und Vertex AI verbreitet.
#modèles de langage par diffusion#Diffusion Gemma#Google DeepMind
Satya Nadella (Microsoft) entwirft eine Theorie zur "Zukunft des Unternehmens" in einer KI-getriebenen Wirtschaft: Jedes Unternehmen wird neben seinem Humankapital (Urteilsvermögen, Beziehungen, Mustererkennung) ein "Token-Kapital" aufbauen müssen — seine proprietäre KI-Fähigkeit. Der eigentliche Wert liegt nicht in der Wahl des besten Modells, sondern in einer Lernschleife (private Evals, RL-Umgebungen, base de connaissances), die institutionelles Wissen kodiert und sich im Laufe der Zeit potenziert. Ein Plädoyer für ein "Frontier-Ökosystem", nicht bloß ein "Frontier-Modell", damit sich der Wert verteilt, statt von einer Handvoll Modelle vereinnahmt zu werden.
Polemischer Essay-Thread von Ahmad Osman (@TheAhmadOsman) auf X, *„Anthropics Krieg gegen Open-Source-KI“* (1,7 Mio. Views). Kernthese: Anthropic wandelt „Sicherheit“ systematisch in einen **Kontrollmechanismus** um (Berechtigungsregime, regulatorische Vereinnahmung, wettbewerbswidrige Zugangsbeschränkungen, Verhaltensopazität), um Entwickler, Startups und Open-Source-Communities **nachgelagert** zu einer Handvoll Frontier-Labs zu halten. Zentraler Ankerpunkt: der **Fable-Vorfall** (stille Degradierung von Anfragen konkurrierender KI-Entwicklung). Plädoyer für Open Source / lokale KI als einzig tragfähige „politische Ökonomie der Intelligenz“. Bereich: KI-Politik, Open Source vs. geschlossene Labs, Souveränität, Governance.
Chris Williams (@voodootikigod) eröffnet seine ADLC-Serie mit der These, dass die Anwendung des menschlichen SDLC auf Modelle ein Kategorienfehler ist: Der klassische Zyklus wurde entwickelt, um menschlichen Fehlermodi (Ego, Ermüdung, Vergessen) entgegenzuwirken, die bei LLMs nicht vorhanden sind. Er katalogisiert acht tragende Fehlermodi (F1-F8) und fünf ausnutzbare Eigenschaften (E1-E5) und legt das Gründungsprinzip dar: Jede Phase eines agentischen Zyklus muss auf einen Fehlermodus, gegen den sie sich richtet, oder eine Eigenschaft, die sie ausnutzt, zurückführbar sein.
Zweiter Teil von Chris Williams' ADLC-Serie: Er entfaltet den Zyklus, der sich aus dem „ersten Gesetz" ergibt — acht Phasen (P0 Triage → P7 Distill), ein deterministisches Gate zwischen jedem Phasenpaar und genau zwei verpflichtende menschliche Momente (Spezifikationsfreigabe bei P1, Verhaltensabnahme bei P6). Kernprinzip: eine LLM→LLM-Übergabe ohne deterministischen Kontrollpunkt vervielfacht die Fehlerquote; hinzu kommt eine „Barbell"-Kostenverteilung (schwer an beiden Enden, leicht in der Mitte), die die Ökonomie von Agile umkehrt.
Dritte Folge der ADLC-Serie: Williams macht das Testen zur Spezifikation in der einzigen Sprache, die der Builder nicht bestreiten kann. Während TDD bei von Menschen geschriebenem Code eine optionale Qualitätspraxis ist, wird es zum tragenden Vertrauensmechanismus des gesamten Lebenszyklus, sobald Agenten den Code schreiben. Drei „Rail-Discipline“-Regeln: getrennte Autoring-Kontexte (nur Spezifikationen vor der Implementierung), mechanisches Einfrieren auf Tool-Ebene (nicht im Prompt) und adversariale Audits („schlägt ein Test fehl, wenn das Feature entfernt wird?“). Mutationstests werden dem Coverage-Prozentsatz vorgezogen, der sich bei maschineller Geschwindigkeit leicht dem Goodhart-Effekt unterwerfen lässt.
Vierter Teil der ADLC-Reihe: Williams definiert Code-Review nicht als kollaborative Bewertung, sondern als adversarielle „Anklage“ neu. Er beauftragt Agenten mit Widerlegung („finde, was falsch ist“), setzt Single-Lens-Reviewer mit frischen Kontexten ein (Korrektheit, Sicherheit, Vertragskonformität, Spezifikationstreue, Testqualität), handelt nur bei verifizierten Befunden (durch einen fehlschlagenden Test reproduziert) und wiederholt den Zyklus, bis zwei aufeinanderfolgende Durchläufe null Befunde ergeben. Die Kalibrierung wird gemessen, indem bekannte Bugs im Stil von Mutationstests platziert werden. Exit-Kriterium: null offene Befunde, zwei trockene Durchläufe, grüne Tests, leerer Test-Diff.
Fünfte Folge der ADLC-Serie: Orchestrierung paralleler Agenten ohne „Merge Hell“. Williams stellt drei gekoppelte Stellschrauben vor — Kosten (Modellwahl), Durchlaufzeit (Parallelisierungsbreite) und Genauigkeit (Vertragsqualität) — sowie ein architektonisches Prinzip: „Kontrollfluss ist Code, Urteilsvermögen sind Modelle“ (deterministische Skripte orchestrieren, Modelle liefern nur das Urteilsvermögen). Vier Spuren (Frontier-Contract-Desk, Single-Writer-Builder-Pool, gemeinsam genutzter Prosecution Pool, sequenzieller Integrator), eine Merge-Konflikt-Prognose aus vier Signalen (zertifizierte Breite typischerweise 3-5 Agenten) sowie konsensbasierte Disambiguierung über N günstige Agenten anstelle von Klärungsfragen.
Sechste Folge zum ADLC: Williams beschreibt die P7-Phase „Distill“ als die Komponente, die bei jedem Durchlauf die Kosten senkt. Zwei Hälften: Vereinfachung nach dem Merge (Ableitung, nachdem der Code existiert, nicht vorher — „vor dem Entstehen des Codes zu deduplizieren ist spekulativ“) und Lessons Mining (eine „Lesson Foundry“ verwandelt wiederkehrende Befunde in Lint-Regeln, Skills und neue Interrogation-Fragen). Jede Lektion wird einmal bezahlt und danach von teurer probabilistischer Erkennung zu kostenloser deterministischer Prävention degradiert. Die richtige Recheneinheit ist „Kosten pro gemergter, verifizierter Änderung“, und „flache Kosten sind ein Scheitern“.
Siebte und letzte Folge der ADLC-Serie: Williams stellt ein Open-Source-Toolkit aus achtzehn Tools vor, das *mit* dem Zyklus selbst gebaut wurde (Build-Prosecute-Fix-Loop, parallele Agenten, ein eingefrorener `@adlc/core`-Kern, gefolgt von Fan-out — „pinned means merged"). Der doktrinäre Kern ist „frontier-free": Präzisionsziele werden mit Modellen der mittleren Klasse (Opus/Sonnet/Haiku-Klasse) statt mit Frontier-Modellen erreicht, über fünf Substitutionen (Suche ersetzt Einsicht, Zerlegung ersetzt Horizont, Banking ersetzt Präsenz, Messung ersetzt Metakognition, die Generator-Verifier-Lücke hält die Maschine am Laufen), wobei der Mensch an den beiden Spezifikations-Gates die „Frontier"-Ebene bleibt. Roter Faden der Serie: „Vertrauen durch Struktur ersetzen, und Struktur durch Messung."
Video-Interview aufgezeichnet auf der **VivaTech** (Stand von **Scaleway**), ausgestrahlt vom Medienunternehmen République, mit **Damien Lucas** (CEO von Scaleway) und **Franck Le Moal** (Global Technical Officer der Gruppe **LVMH**). **Zentrale These**: Das Aufkommen einer **„Tech-Geopolitik“** zwingt multinationale Konzerne dazu, die einheitliche globale Lösung zugunsten eines **in drei Blöcke regionalisierten Informationssystems** (Vereinigte Staaten, Europa, China) aufzugeben. LVMH (80 Mrd. € Umsatz, 75 Maisons, über 100 Länder) formalisiert eine **Cloud-Partnerschaft mit Scaleway** zum Aufbau eines **autonomen europäischen Bausteins**, neben Google Cloud (Daten, seit 2021), SAP, Salesforce auf westlicher Seite und Alibaba Cloud / Huawei / Tencent auf chinesischer Seite. Die Gruppe bezeichnet sich selbst als **„hybrid“** und **autonom** statt **„souverän“** (ein Wort, das sie als mehrdeutig ablehnt). Scaleway positioniert sich als **europäischer Cloud-Anbieter**, immun gegen extraterritoriale Gesetze und geschützt vor einem **Kill Switch** („keine Science-Fiction“, angesichts der Nachrichten des Wochenendes). Das wirtschaftliche Argument von Damien Lucas: **1 € bei Scaleway ausgegeben = 68 Cent, die in der europäischen Wirtschaft verbleiben** (gegenüber < 20 Cent bei einem US-Hyperscaler, selbst wenn in Frankreich gehostet). Zeitplan: PoCs abgeschlossen, Rollout beginnt bei **Sephora und Louis Vuitton**, signifikante Durchdringung innerhalb von **12-18 Monaten** angestrebt. Erklärte Mission von Scaleway: Fokus auf **IaaS/PaaS** (keine Vertikalisierung wie z. B. Bürosoftware), gestützt auf ein Partner-Ökosystem (souveräne Anwendungen, europäische Chipsätze und Server). Das **Nvidia-GPU/KI**-Angebot von Scaleway ist **kurzfristig nicht geplant**, bleibt aber offen (Open-Source-Modelle für Autonomie + wirtschaftliche Leistungsfähigkeit).
**Bertrand** — journaliste / présentateur du média **République** (partenaire de VivaTech) · conduit l'entretien. **Damien Lucas** — CEO de **Scaleway**. **Franck Le Moal** — Global Technical Officer du groupe **LVMH**.
Ein arXiv-Paper (cs.SE) von Martin Monperrus, das für den SDLC eine radikale These vertritt: Coding-Agenten haben eine Fähigkeitsschwelle überschritten, sodass menschliches Code-Review keine notwendige Komponente einer Qualitätspipeline mehr ist. Zwei Thesen: (1) autonome LLM-basierte Systeme erreichen alle Ziele des Reviews (Fehlererkennung, Qualität, Compliance) bei geringeren Kosten und höherem Durchsatz; (2) das hybride Modell „der Agent schreibt, der Mensch reviewt“ ist nicht haltbar — es gewährleistet weder echte Qualität noch skaliert es mit der KI-Geschwindigkeit und erzeugt ein „trügerisches Sicherheitsgefühl“. Monperrus stellt der inspection de Fagan (1976) eine multi-agentenbasierte adversarial verification pipeline gegenüber (Generator-Agent + unabhängige Reviewer-Agenten + Tests/formale Methoden + abstimmungsbasierter Konsens). Der Mensch konzentriert sich auf die Spezifikation, architektonische Trade-offs, die Freigabe kritischer Domänen sowie Grenzfälle. Empfehlungen: zunächst Pilotierung an risikoarmen Komponenten, Messung Agent vs. Mensch, explizite Ablehnungsentscheidungen.
Philippe Ensarguet (Orange) vertritt die These, dass fünfzig Jahre Design Patterns eine durchgängige Linie bilden: In einer Zeit, in der KI Code zur Commodity macht und die traditionelle Ausbildung von Architekten aufbricht, wird „Pattern Literacy" (das Lesen eines Systems anhand seiner invarianten Kräfte) zur dauerhaften Fähigkeit, die es zu vermitteln gilt — als Grammatik, nicht als Kataloge.
Produktankündigung von Stack Overflow (offizieller Blog) zur Einführung von **Stack Overflow for Agents**, einer *API-first*-Plattform für Wissensaustausch, konzipiert für das agentische Zeitalter. Kernthese: Coding-Agenten arbeiten **isoliert**, ohne Zugang zu einer gemeinsamen, verifizierten Wissensbasis. Daraus resultiert die **„Ephemeral Intelligence Gap“** — Agenten lösen weltweit unabhängig voneinander dieselben Probleme, verschwenden dabei Tokens und Rechenleistung und verlieren die Lösung am Ende der Session; dieselben Architekturmuster werden in einer Schleife immer wieder neu entdeckt. Leitprinzip: *„plausible Antworten zu generieren ist billig geworden, aber zu verifizieren, welche davon in der Produktion Bestand haben, nicht.“* Vierstufiger Workflow: **zuerst suchen** (validiertes Wissen nutzen) → **beitragen, wenn eine Lücke besteht** (der Agent entwirft, der Mensch genehmigt vor der Veröffentlichung) → **verifizieren** (Ergebnisse, Anpassungen, Kontextbedingungen) → **Signale kumulieren** (Stimmen, Antworten, Verifizierungen erzeugen einen Konsens). Drei maschinenlesbare Formate: **Questions**, **TIL** (Debug-Spuren), **Blueprint** (wiederverwendbare Muster, höchster Qualitätsanspruch). Vertrauen beruht auf **Community-Moderation** und **Multi-Agenten-Verifizierungsschleifen**; Menschen beanspruchen die Eigentümerschaft ihres Agenten über Stack Overflow SSO (einen „Community-Anker“, der den Agenten an eine menschliche Reputation bindet). Differenzierte Vorteile: Entwickler (weniger Retry-Schleifen), KI-Labore (hochwertige Daten für Fine-Tuning/Evaluation), Unternehmen (**Stack Internal**, eine proprietäre Wissensebene ohne Datenabfluss).
#Stack Overflow for Agents#Coding-Agenten#Wissensbasis
Anthropic bringt Claude Fable 5 (ein Modell der Mythos-Klasse, das für den allgemeinen Einsatz sicher gemacht wurde) und Claude Mythos 5 (dasselbe Modell mit aufgehobenen Schutzmechanismen, beschränkt auf Cyberverteidiger über Project Glasswing) auf den Markt: Spitzenleistung in Softwareentwicklung, Bildverarbeitung, Langzeitgedächtnis mit langem Kontext und den Lebenswissenschaften.
Fundierter technischer Leitfaden (Blog der Agentur Lushbinary) zum **Loop Engineering**: Gestaltung der Systeme, die Coding-Agenten in einer Schleife steuern, statt sie manuell zu prompten. Behandelt die Genealogie Prompt → Context → Loop Engineering, die Ralph-Technik (Geoffrey Huntley), die **fünf Bausteine + Memory** einer Loop, ihre Umsetzung in Claude Code und OpenAI Codex, das Schreiben überprüfbarer Abbruchbedingungen, eine Reifegradskala für die Einführung sowie die Risiken, die mit zunehmender Ausgereiftheit der Loops zunehmen. Bereich: agentisches Software-Engineering, Coding-Agenten, Harness/Orchestrierung.
Leitfaden von Augment Code (Paula Hingel), der beschreibt, wie KI-Agenten den Software Development Lifecycle (SDLC) Stufe für Stufe umstrukturieren. These: KI erzeugt **in manchen Phasen höheren Durchsatz und in anderen ein höheres Instabilitätsrisiko** — ein Symptom ungleichmäßiger Adoption ohne Neuziehung der Review-Grenzen. Stützt sich auf **DORA 2025**: KI-Adoption korreliert positiv mit Delivery-Durchsatz und Produktperformance, aber **negativ mit Stabilität**. Sechs neu betrachtete Phasen (Requirements, Design/Architektur, Implementierung, Testing/QA, Deployment, Maintenance), drei zentrale Risiken (Erosion der Junior-Pipeline, **zirkuläre Validierung** von KI-generierten Tests, Governance-Lücken bei Skalierung) und drei entstehende Rollen (**Intent Engineering**, Agentic DevOps, AI Governance/Assurance). Umsetzbare Empfehlungen: eine Phase vor der Skalierung auditieren, Governance einem Stresstest unterziehen, die **Spezifikation** ins Zentrum stellen, explizite Rollback-Richtlinien definieren, die Junior-Rolle rund um Review neu gestalten.
#SDLC#Software Development Lifecycle#Coding Agents
Sonntäglicher Tüftler-Beitrag von **Mark Dembo** (Head of Solutions, Developer Platform & AI bei **Cloudflare**), veröffentlicht am **7. Juni 2026** auf seinem persönlichen Blog. **Erzählung**: Inspiriert von **Steve Ruiz** kauft sich der Autor ein kleines Gerät **M5Stack Stick 3** (~30 €) und baut sich, die Veröffentlichung von **Opus 4.8** nutzend, einen **DIY-KI-Agenten** „aus reiner Neugier, ohne Ziel". **Iteration 1 (45 Min.)**: Er wirft die Dokumentation des Geräts **Claude Code** vor, das Python-Skripte (~200 LOC, *„zero blast radius“*) generiert, die das Wetter in München und dann in mehreren Städten anzeigen; ein **Cloudflare Workers + Workers AI Backend** ergänzt **Text-to-Speech (TTS)**, **Push-to-Talk** (Speech-to-Text) und ein zentrales **kleines LLM** zur Beantwortung von Fragen. **Iteration 2 (ein echter Agent)**: Umstellung der REST-Endpunkte auf **WebSocket**-Transport via **Cloudflare Agents SDK** + **Dynamic Worker execution** → das Muster ***„Code Mode“*** (der Agent schreibt und führt Code aus, um seine Aufgabe zu erledigen). Der Agent beantwortet daraufhin Fragen zu öffentlichen Daten (11! = Fakultät, der Champions-League-Sieger via `fetch()` auf Wikipedia, das Wetter für eine beliebige Stadt). **Iteration 3 (echte Befugnisse)**: Verbindung zu **Todoist** über einen **MCP OAuth**-Flow → 50 Tools auf einmal, daher zwei Probleme: **Context Bloat** und **echtes Schadensrisiko**. Die Lösung stützt sich auf Cloudflares **MCP Server Portal** + die Claude-Connector-Einstellungen: pro Tool **Always allow / Ask for approval / Disable** (*Disabled*-Tools gelangen nie in den Kontext; ein **LLM-Klassifikator** akzeptiert nur eindeutige „Allow“-Freigaben und **verweigert standardmäßig**). **Erklärte Haltung**: Reduzierung seiner Rolle auf ***„idea generator, executor and judge“*** (und selten technischer Anleiter), ein „Human-in-the-Loop“-Ablauf, den er als wenig *„2026“* empfindet (Copy-Paste in UIFlow). **Was er NICHT getan hat**: keine Latenz-/Streaming-Optimierung, keine optimistischen LLM-Aufrufe, keine Evals, ***„I did not even look at the code once.“*** **Verwunderung**: 30 € + ein Anthropic-Session-Fenster + ein paar Cent Cloudflare-Inferenz → ein Objekt, das zuhört und spricht, gesteuert in natürlicher Sprache; *„the true unlock is how accessible it is.“* Scharfer Kontrast zu [[thomas-pragdave-failing-faster-code-rot-ai-velocity-2026-06-06]] (hier rechtfertigt *„zero blast radius“*, den Code nie anzusehen); illustriert konkret *Code Mode* / *„the agent just writing and executing code,“* das **MCP**-Muster ([[claude-skills-bigger-than-mcp-willison-2025-10-16]]), *Ask for approval*-artige Tool-Governance (uber-engineering-agent-identity-crisis-zero-trust-spire-2026-05-21) sowie die Doktrin der *systems around the model* aus dropbox-okumura-beyond-code-generation-engineering-productivity-ai-agents-2026-05-28.
#BYO Agent#eigene KI mitbringen#Tüfteln
**Mark Dembo** (@darkmembo / @mdembo) · **Head of Solutions – Developer Platform & AI** chez **Cloudflare** (auparavant auteur sur le blog Cloudflare). Billet personnel publié sur son blog *markpauldembo.com* le **7 juin 2026** (description : *« Thoughts about tinkering on a Sunday »*).
Beitrag von **David "Pragdave" Thomas** (Co-Autor von *The Pragmatic Programmer*, Unterzeichner des Agile Manifesto), veröffentlicht am **6. Juni 2026** in seinem Substack-Newsletter. **These**: KI schafft den Code-Verfall nicht ab, sie **beschleunigt** ihn. Bei der Erweiterung eines kleinen privaten Animations-/Grafikprojekts mit **Claude** bewegt sich der Autor von anfänglicher Begeisterung (oklch, SVG-Animationen innerhalb einer Woche ausgeliefert) zu permanenten Regressionszyklen ab der zweiten Woche. Prägnante Formulierung: Wofür Teams ***"18 Monate oder sogar mehr"*** brauchten, um zu verrotten, erreichte er in ***"18 Stunden, verteilt auf fünf Abende."*** **Grundursache**: die Aufgabe der **Code-Hygiene** (massive Duplizierung, lokale Lösungen für systemische Probleme, Überkonditionierung, Wucherung von Sonderfällen). **Verhaltensdiagnose**: LLMs optimieren auf Nutzer-Engagement und -Zufriedenheit (*"Das ist eine großartige Idee, Dave!"*) statt auf Langlebigkeit — sie sind ***"welpenhafte Junior-Entwickler, gefallsüchtig, aber ziemlich chaotisch im Umgang"***, die ständig neue Features vorschlagen und von Refactoring abhalten. **Zentrale Einsicht**: Jeder Nicht-Entwickler kann bei der *"ersten Woche"* des KI-Codings erfolgreich sein; es ist das **professionelle Urteilsvermögen** — zu wissen, wann man innehalten muss, um zu refaktorisieren —, das den erfahrenen Ingenieur vom Neuling unterscheidet. **Epigraph** (Gordon Bell): *"Jede große Computer-Katastrophe entstand dadurch, dass zu viele Ideen an einem Ort zusammengeführt wurden."* **Fazit**: ***"Es ist immer noch nur Programmierung"*** — unversorgter Code verrottet, ob in 18 Stunden oder 18 Monaten; alles, was über guten Code gelernt wurde, gilt weiterhin, der Effekt wird lediglich **verstärkt**. Konvergiert mit der Doktrin *"je schneller die Ausführung wird, desto strikter muss der Rahmen sein"* von [[rafal-wenvision-ingenierie-logicielle-ere-ia-tout-change-rien-ne-change-2026-06-01]], dem *"KI-unterstützte Entwicklung ist eine Falle ohne Continuous Delivery"* von [[farley-continuous-delivery-ai-assisted-development-trap-2026-05-13]], und dem *"KI verschiebt Engpässe, sie beseitigt sie nicht"* von dropbox-okumura-beyond-code-generation-engineering-productivity-ai-agents-2026-05-28; ein Handwerks-Gegenpol zum vibe coding von karpathy-vibe-coding-agentic-engineering-software-3-0-2026-04-29.
#Code-Hygiene#Code-Verfall#Code-Degradation
**David Thomas** (alias **« Pragdave »**) · co-auteur avec Andy Hunt de *The Pragmatic Programmer* (1999, éd. 20e anniversaire 2019) · co-fondateur de **The Pragmatic Bookshelf** et l'un des **17 signataires du Manifeste Agile** (2001). Figure historique du *software craftsmanship*. Billet publié le **6 juin 2026** sur sa newsletter Substack *articles.pragdave.me*.
Analyse von **Olivier Rafal** für **WeNvision** (französisches Beratungsunternehmen), veröffentlicht am **4. Juni 2026** (~4 Min. Lesezeit), zur Einordnung der Gründung der **Tokenomics Foundation** durch die **Linux Foundation** (angekündigt am 3. Juni, in Partnerschaft mit der **FinOps Foundation**), die er als die offizielle Eröffnung **der Ära des „FinOps for AI“** wertet. **Kernthese**: KI hat die Ökonomie der Softwareentwicklung verändert; das **Token** ist zur *„neuen Maßeinheit für Technologieausgaben“* geworden – eine Parallele zur Cloud der 2010er-Jahre (**wiederkehrende und variable** Kosten, die aktiv gesteuert werden müssen), woraus sich die Verschiebung der Anbieter von Pauschalpreisen hin zur **tokenbasierten Abrechnung** ergibt. **Größenordnung (Dringlichkeit)**: *„Laut Goldman Sachs soll sich die weltweite Token-Nutzung bis 2030 um das 24-Fache erhöhen und 120 Billiarden Token pro Monat erreichen“* — eine Größenordnung, die die Token-Effizienz von einem *„technischen Detail“* zu einem Thema für die **Vorstandsetage** macht. Zitat von **J.R. Storment** (Gründer der FinOps Foundation): *„Token-Kosten und -Effizienz sind zu einem Thema auf CEO-Ebene geworden, nicht zu einer technischen Randnotiz.“* **Transparenz-/Standardisierungsproblem**: Die aktuelle KI-Preisgestaltung ist nicht vergleichbar (Input-Token/Caching-Systeme/Output unterscheiden sich von Modell zu Modell) → Die Tokenomics Foundation will die **spécification FOCUS (Open Source) erweitern**, um eine **gemeinsame Sprache** für Einkauf und Vergleich bereitzustellen. **Rafals zentrale Botschaft (jenseits der Kosten)**: *„Bei FinOps geht es weniger darum, Kosten zu senken, als vielmehr darum, die Effizienz zu optimieren“* — die eigentliche Kennzahl ist das **Verhältnis von KI-Kosten zu Geschäftswirkung** (*Time to Market, Qualität, Funktionen, Eco-Design*). **Grenzen reiner Standards**: Technische Normen allein reichen nicht aus; das **Target Operating Model muss neu gedacht werden** (Teams, Prozesse, Datenkultur, Business-Alignment); in den USA wird bereits *„das Ende der Double-Pizza-Teams zugunsten von Sandwich-Teams“* angekündigt. **Warnsignal**: *„ein KI-beschleunigter SDLC wird lediglich […] die Probleme verstärken und einem nur dabei helfen, schneller … gegen die Wand zu fahren“* (bei fehlenden organisatorischen Grundlagen). **Genannte Sponsoren der Foundation**: Accenture, Booking.com, Google Cloud, Microsoft, IBM, Salesforce. **Angebot von WeNvision**: *„gemeinsam eine Roadmap erarbeiten, das Betriebsmodell für das agentische Zeitalter neu denken und die unverzichtbar gewordene finanzielle Governance etablieren.“* **Französischsprachige Lesart, gerichtet an Führungskräfte/Transformationsverantwortliche**, der Fiche [[tokenomics-foundation-linux-finops-token-economics-about-2026-06-03]]; konvergiert mit dem agentischen FinOps-Cluster [[finops-foundation-finops-for-ai-overview-2026-02-17]], finout-finops-ai-agents-four-step-allocation-framework-2026-04-27, gupta-token-budget-wars-marginal-token-utility-2026-05-28 (Token→Ergebnis, Wert > Volumen).
#Tokenomics Foundation#FinOps for AI#FinOps for AI
**Olivier Rafal** · pour **WeNvision** (cabinet de conseil français — bureaux à Paris, Lille, Strasbourg, Bordeaux, Nantes, Toulouse, Belgique, Luxembourg). Olivier Rafal écrit en analyste/conseil familier des préoccupations de comité de direction (ancien analyste IT, profil conseil-transformation). Publié le **4 juin 2026**.