Fachbeitrag des Teams **Data Science & Data Engineering** von Anthropic (Chen Chang, Clement Peng, Justin Leder, Johanne Jiao, Josh Cherry), veröffentlicht am **3. Juni 2026** im Anthropic-Blog (Kategorie *Enterprise AI*, Schwerpunkt **Claude Code**). **Kernergebnis**: ***"95% of business analytics queries are automated by Claude, with ~95% accuracy in aggregate"*** (bis zu **~99%** in bestimmten Domänen). **Kernproblem**: Analytics ist **kein** Code — *"there's often only a single correct answer using a single correct source"* — es erfordert, **eine Nutzerfrage auf präzise, aktuelle Entitäten** im Datenmodell abzubilden. Drei **Fehlermodi**: (1) **Ambiguität zwischen Konzept und Entität** (z. B. *"active users"*: welche Aktionen? Betrüger ausschließen? welches Zeitfenster?); (2) **Veralterung (Staleness)** (Assets und das Wissen des Agenten werden *"subtly wrong"*); (3) **Retrieval-Fehler** (*"80% of failed queries had the information present in the corpus"*, aber nicht auffindbar). **Lösung = ein 4-schichtiger "agentic analytics stack"**: (L1) **Data foundations** — dimensionale Modellierung, **kanonische Datensätze** *"single source-of-truth"*, Metadaten *"as a first-class product"*, Integrität via CI/CD; (L2) **Sources of truth** in absteigender Vertrauensreihenfolge — **semantic layer** (der Agent ist *"structurally required (by skill instruction) to leverage the semantic layer first"*), Lineage-Graph, **Query-Korpus** (destilliert in strukturierte Dokumente, **nicht** rohes Retrieval), Geschäftskontext (Knowledge Graph: Roadmaps, Entscheidungsprotokolle, Organisation); (L3) **Skills** — der entscheidende Hebel: ***"without skills … didn't exceed 21% … Adding skills gets these numbers consistently above 95%"***; strukturiert **in Paaren** (*Knowledge skill* = Router zu ~30 Referenzdateien; *Unbook skill* = Workflow eines Senior-Analysten: klären → Quellen finden → ausführen → **adversarial review**); Wartung **kolokiert** (*"a code-review hook flags any reporting-model change that doesn't touch a skill file"* → **~90% der Daten-PRs enthalten eine Skill-Änderung**); (L4) **Validation** — Offline-Evals (Schwellenwert ~90% zur Freigabe eines Agenten, Ziel ~100%), **Ablation-Testing** (bemerkenswertes negatives Ergebnis: rohes Grep über tausende SQL-Dateien → Genauigkeit bewegt sich *"less than a point"*), Online (Adversarial Review: **+6% Genauigkeit, +32% Tokens, +72% Latenz**), **Provenance-Footer** (Quellenstufe + Aktualität + Ownership), **aktives Correction Harvesting** (geplante Agenten durchsuchen Kanäle, um Markdown-Korrekturen zu entwerfen). **Strategische Erkenntnis**: *"documentation generated, definitions owned by humans"* — dem LLM zu überlassen, Metriken zu **definieren**, war *"net-negative"*. **Minimaler Startpunkt**: eine Handvoll kanonischer Datensätze + einige Dutzend Evals + ein *thin knowledge skill* erfassen *"most of the upside"*. Starke Konvergenz mit [[shihipar-claude-code-lessons-building-skills-2026-06-03]] (Skills = Ordner, Gotchas, Hooks), der Doktrin *systems around the model* von [[dropbox-okumura-beyond-code-generation-engineering-productivity-ai-agents-2026-05-28]], dem **semantic layer / Ontologie**-Ansatz von talisman-modern-data-101-ontology-pipeline-refresh-2026-05-04 und seale-semantic-agent-model-harness-ontology-data-2026-04-17, dem *context development lifecycle* von debois-tessl-context-development-lifecycle-ai-coding-agents-2026-02-19 sowie der UDA/Knowledge-Graph von netflix-uda-unified-data-architecture-knowledge-graph-2025-06-12.
#self-service analytics#agentic data analytics#Claude Code
**Chen Chang · Clement Peng · Justin Leder · Johanne Jiao · Josh Cherry** — équipe **Data Science & Data Engineering d'Anthropic**. Article publié le **3 juin 2026** sur le blog Anthropic (claude.com/blog) · catégorie *Enterprise AI* · ~5 min de lecture.
Blogbeitrag von **Anthropic / claude.com** von **Thariq Shihipar** (Member of Technical Staff, Claude Code-Team), veröffentlicht am **3. Juni 2026**, der Anthropics **interne Erfahrung** bei der Konzeption und Nutzung von **Skills** destilliert. **Rahmenthese**: Ein Skill ist keine einfache Markdown-Datei, sondern ein **Ordner** (Anweisungen + Skripte + Ressourcen + Konfiguration + Hooks), den der Agent **entdeckt und bearbeitet**; *« Man sollte das gesamte Dateisystem als eine Form von Context Engineering und progressiver Offenlegung betrachten. »* Der Artikel liefert zwei strukturierende Beiträge. **(A) Eine Taxonomie von 9 bei Anthropic beobachteten Skill-Kategorien**: (1) **Library/API Reference** (Dokumentation für interne Bibliotheken/CLIs mit *Gotchas* — z. B. `billing-lib`, `internal-platform-cli`, `sandbox-proxy`); (2) **Product Verification** (Testing/Verifikation via Playwright oder tmux — `signup-flow-driver`, `checkout-verifier`, `tmux-cli-driver`); (3) **Data Fetching & Analysis** (Zugriff auf Daten-/Monitoring-Stacks — `funnel-query`, `cohort-compare`, `grafana`, `datadog`); (4) **Business Process Automation** (wiederkehrende Workflows — `standup-post`, `weekly-recap`, `create-<ticket>-ticket`); (5) **Code Scaffolding** (Framework-Boilerplate — `new-migration`, `create-app`); (6) **Code Quality & Review** (`adversarial-review`, `code-style`, `testing-practices`); (7) **CI/CD & Deployment** (`babysit-pr`, `deploy-<service>`, `cherry-pick-prod`); (8) **Runbooks** (Multi-Tool-Diagnosen — `<service>-debugging`, `oncall-runner`, `log-correlator`); (9) **Infrastructure Operations** (Wartung mit Schutzmechanismen — `<resource>-orphans`, `cost-investigation`). **(B) Eine Reihe von Best Practices**: Nicht das Offensichtliche wiederholen (*« Claude weiß bereits, wie man programmiert, und kann die Codebasis lesen »* → auf das zielen, was dem Standardverhalten widerspricht); den **Gotchas-Abschnitt** verfeinern (*« der Inhalt mit dem höchsten Signalwert in jedem Skill »*); **progressive Offenlegung** über den Dateibaum (je nach Situation auf Referenzdateien verweisen, statt alles im Voraus zu laden); **für das Modell geschriebene Beschreibungen** (*« das Beschreibungsfeld ist keine Zusammenfassung, sondern eine Beschreibung, wann dieser Skill ausgelöst werden soll »*); **Setup-Abläufe** (Konfiguration in `config.json`, andernfalls Abfrage via `AskUserQuestion`); **persistenter Speicher** (Append-only-Logs / JSON über die Variable `${CLAUDE_PLUGIN_DATA}`); **Hilfsskripte** (*« erlaubt es Claude, seine Turns auf Komposition zu verwenden … statt Boilerplate neu zu konstruieren »*); **hooks conditionnels** (nur für die Dauer des Skills aktiviert — z. B. ein Sicherheits-Hook, der destruktive Befehle blockiert). **Verbreitung bei Anthropic**: Skills werden in `./.claude/skills` gespeichert, informell über Slack in einem Sandbox-Ordner geteilt und dann per **PR** in den internen **Marketplace** überführt, sobald sie an Zugkraft gewinnen; **Nutzungsmessung** über einen **hook PreToolUse**, der Aufrufe protokolliert (und so populäre gegenüber wenig genutzten Skills sichtbar macht). Direkte Fortsetzung der Fiche [[shihipar-claude-code-html-unreasonable-effectiveness-markdown-2026-05-10]] (gleicher Autor) und konkrete Ergänzung zu den Skills-Fiches von Anthropic/Willison/Vincent sowie zum Harness Engineering.
#Skills#Claude Code#Anthropic
**Thariq Shihipar** (Member of Technical Staff chez Anthropic, équipe **Claude Code** ; @trq212 / @trq sur X, thariqs.github.io) · pour le blog **claude.com**. Même auteur que la fiche *Using Claude Code: The Unreasonable Effectiveness of HTML* (2026-05-10). Publié le **3 juin 2026**.
**About**-Seite der Website **tokeneconomics.com**, die die **Tokenomics Foundation** vorstellt — ein Projekt der **Linux Foundation**, angekündigt am **3. Juni 2026**, betrieben in **enger Partnerschaft mit der FinOps Foundation**. **Erklärte Mission**: *"establish open industry standards, benchmarks, and best practices for the economics of AI infrastructure"* — sie verknüpft **Produktion, Konsum und Monetarisierung** von Tokens mit dem **Geschäftswert**. **Rahmendefinition von Tokenomics**: *"Tokenomics is not just about the cost of tokens, it's about the entire layer of AI that they drive from production, to consumption to monetization"* — das heißt **die gesamte ökonomische Schicht der KI**, von den Infrastrukturkosten über die Modellwahl bis zur Wertoptimierung. **Phasenthese**: Die frühe KI-Adoption priorisierte **Leistungsfähigkeit**; die aktuelle Phase verschiebt sich hin zu **Effizienz und Wert**, was systematisches Kostenmanagement und **Transparenz** erfordert. **5 Gründungsprinzipien**: (1) ***"Efficiency is a design choice. AI cost is shaped by architecture, not just usage"***; (2) ***"Bigger is not always better. The best AI system is not always the one using the most expensive model"*** (Right-Tool / Routing); (3) ***"Visibility comes before optimisation. Teams cannot manage what they cannot see"***; (4) ***"Value matters more than volume. More tokens, more calls, and more automation do not automatically mean better outcomes"***; (5) ***"Open knowledge benefits everyone"*** (gemeinsame Standards, gemeinschaftliches Lernen, Transparenz). **Governance**: ein **Governing Board** (Branchenausrichtung + Mitteleinsatz) und ein **Technical Committee** (offene Spezifikationen + Benchmarks). **Ergebnisse**: Erweiterung der **FOCUS specification** (FinOps), offene Spezifikationen, Benchmarks, gemeinsame Frameworks und Metriken. **Zielgruppe**: CAIO, CTO, CIO, CFO, Ingenieure, Produktteams, FinOps-Praktiker, Forscher, Start-ups, Unternehmen, öffentlicher Sektor. **Erklärtes Ziel**: Organisationen *"from experimental AI adoption to sustainable AI operations"* zu führen, indem die Disziplin der **variablen Technologieausgaben** auf die Token-Ära ausgeweitet wird. **Relevanz für diese Veille**: Institutionalisierung/Standardisierung von **agentischem FinOps** auf Ebene einer Branchenstiftung — steht in direktem Zusammenhang mit den Fiches [[finops-foundation-finops-for-ai-overview-2026-02-17]], [[finout-finops-ai-agents-four-step-allocation-framework-2026-04-27]], orq-ai-finops-ai-agents-cost-per-outcome-hosseini-2026-04-15, gupta-token-budget-wars-marginal-token-utility-2026-05-28 (Allocation Layer, Token-to-Outcome) sowie mit der Verschiebung **Token → Outcome** (Salesforce/Tallapragada, Sierra/Greenwald). Die 5 Prinzipien decken sich genau mit bereits erfassten Hebeln: Architektur > Nutzung, **Haiku/Sonnet/Opus-Routing**, Beobachtbarkeit vor Optimierung, Wert ≠ Volumen.
#Tokenomics Foundation#Tokenomics#Token-Ökonomie
**Tokenomics Foundation** (entité collective, projet de **The Linux Foundation**, en partenariat avec la **FinOps Foundation**). Page institutionnelle *About* — **aucun auteur individuel nommé**. Annonce datée du **3 juin 2026**.
Am Vorabend des rekordverdächtigen Börsengangs von SpaceX (Zielbewertung von ca. 1,75 bis 1,8 Billionen US-Dollar) veröffentlicht The New York Times eine interaktive Analyse der Bilanz von Elon Musks öffentlichen Versprechen. Von mehr als 600 datierten, quantifizierten Zusagen (Aussagen, Posts, Investorentelefonate) wurden nur ~19% pünktlich eingehalten, wenn überhaupt. Die Quote verschlechtert sich im Zeitverlauf: ~75% eingehalten im Jahr 2015, weniger als 50% im Jahr 2020. Mars, das Robotaxi und die vollständige Autonomie machen den Großteil der wiederholten und verschobenen Ziele aus. Der Beitrag verknüpft diese Bilanz mit dem SpaceX-Prospekt, der nun auf KI setzt (xAI wurde eingegliedert) und selbst einräumt, dass der Zeitplan für seine großen Vorhaben nicht bestimmbar ist.
Guide des Medienunternehmens **Every** (every.to/guides), veröffentlicht am **2. Juni 2026** und mitunterzeichnet von **Mike Taylor, Laura Entis und Claude**, der eine **8-Stufen-Reifegradskala für die KI-Einführung** vorschlägt. **Kernthese**: Die Einführung von KI **ist kein Wettlauf um maximale Ausgereiftheit** — ***„eine höhere Stufe ist nicht zwangsläufig besser“*** ; man muss die Stufe identifizieren, die **zum eigenen Workflow und Vertrauensniveau passt**, und dann regelmäßig neu bewerten, ob ein Aufstieg um eine Stufe **echten Mehrwert** bringt. ***„Der beste Weg, in KI einen Nutzen zu finden, besteht darin, sie so einzusetzen, dass sie zur eigenen Arbeit passt.“*** **Strukturierende Achse**: Auf jeder Stufe *„delegiert man mehr von seiner Arbeit an die KI – und bringt ihr mehr Vertrauen entgegen“* (zunehmende Delegation + Vertrauen). **Die 8 Stufen**: **(1) Chatbot** — Konversationsschnittstelle ohne eingebetteten Kontext (ChatGPT, Claude, Gemini); **(2) Copilot** — in den Arbeitsbereich eingebettete KI mit Zugriff auf die aktuelle Datei (Cursor, Claude in Excel, Gemini in Docs); **(3) Agent** — reaktives System, das Schritt für Schritt ausführt und dabei um Freigabe bittet (Cowork, Codex); **(4) Autopilot** — man beschreibt das **Ergebnis**, und der Agent führt es eigenständig aus; überprüft wird nur das **Endergebnis** (Lovable, Codex, Claude Code; verbunden mit *vibe coding*); **(5) Workflows** — Engineers bauen **Harnesses** rund um Agenten (Planung, Review, Vertrauensprüfungen, Guardrails; Compound engineering, Claude Workflows, Copilot AI Studio; Übergang von einmaligem vibe coding → **agentic engineering**); **(6) Assistent** — **proaktive, dauerhaft aktive** Agenten, die einen Bereich überwachen und Informationen liefern, ohne dazu aufgefordert zu werden (OpenClaw, Hermes Agent, Claude Managed Agents; z. B. `heartbeat.md` alle 30 Minuten); **(7) Multi-Agent** — gleichzeitige Verwaltung **mehrerer langlaufender Agenten** mit unterschiedlichen Rollen (Claude Managed Agents, OpenClaw, Codex Goals; *„eindeutig im Bereich des Senior Engineering“*); **(8) Orchestrator** — ein **Agent-Manager** leitet ein Team von Sub-Agenten (Planung, Delegation, Überwachung, Konsolidierung; Gas Town, Paperclip, Symphony/OpenAI; *„hochgradig experimentell“* — selbst führende Engineers übernehmen diese Rolle). **Sweet Spots nach Rolle**: **Wissensarbeiter** bewegen sich typischerweise zwischen den Stufen **1-4**, **Engineers** zwischen **5-8**. **Kanonische Parallele zur Einarbeitung eines Praktikanten**: *„Rechnen Sie damit, einen ähnlichen Aufwand in Ihre Agenten zu investieren, bevor Sie ihnen vertrauen können … auf der nächsten Autonomiestufe“* ; sowie der Kennsatz ***„Sie würden nicht damit prahlen, acht Praktikanten über Nacht an einem Schlüsselprojekt arbeiten lassen zu haben, ohne deren Ergebnisse geprüft zu haben.“*** Die richtige Stufe hängt von **4 Kriterien** ab: Qualität der Ergebnisse, Kosten, Zuverlässigkeit (Vertrauenswürdigkeit), Tragweite eines Scheiterns; und die **Modellfähigkeit** verschiebt schrittweise die als „sicher“ geltende Autonomiestufe. Ein Framework, das sich direkt nutzen lässt, um auf der Beratungsseite eine **Einführungsdoktrin** zu strukturieren. Konvergenz mit *Systemen rund um das Modell* (Dropbox/Okumura), *harness engineering* (Böckeler, Lattice, Wescale), Karpathy (vibe coding → agentic engineering), Cherny (/loop + Routines) und der Doktrin des *Agent-Managers* (BFM/Girard).
#KI-Einführung#Reifegradskala#acht Stufen
**Mike Taylor** · **Laura Entis** et **Claude** (co-auteurs déclarés) · pour **Every** (every.to) · rubrique *Guides*. Mike Taylor est un auteur connu sur les sujets prompt/AI (co-auteur de *Prompt Engineering for Generative AI*) ; Laura Entis est journaliste/éditrice. La co-signature explicite de **Claude** comme auteur fait partie du positionnement éditorial d'Every (entreprise AI-native). Publié le **2 juin 2026**.
Meinungsbeitrag von **Olivier Rafal** (Consulting Director Strategy, **WeNvision** — Gruppe **SFEIR**; ehemaliger Chefredakteur von *Le Monde Informatique*), veröffentlicht am **1. Juni 2026** auf **CIO-Online**, aufgebaut um ein **Paradox**: im Zeitalter der KI **verändert sich alles … und nichts verändert sich** im Software Engineering. **Was sich verändert, ist das Betriebsmodell.** Die Rollen werden neu definiert: Der **Product Owner** wechselt vom Backlog-Zerlegen zum **Generieren von für KI nutzbarem Kontext**; der **Entwickler** wechselt vom Codeschreiben zum **Rahmen, Steuern und Überprüfen** der Agentenausführung; **QA** erhält die Fähigkeit, den **erwarteten Nachweis** im Voraus zu definieren. Die Teamstruktur wandelt sich von *„double pizza teams“* (Übergabeketten von ca. 8 Personen) zu ***„sandwich teams“***: einer **engen Paarung aus einem Fachexperten und einem Tech Lead, beide KI-unterstützt**, mit weiteren Kompetenzen als Unterstützung. Interne Zahl von **Sfeir**: *„dieses Duo steuert nun etwa 80 % der Produktionskette“*, die verbleibenden ca. 20 % (Architektur, Data Governance, Sicherheit) werden zentralisiert. Schlüsselzitat: ***„Es ist kein Werkzeugproblem, es ist ein Problem des Betriebsmodells.“*** **Was sich nicht verändert, ist die Disziplin des Zyklus.** Die **SDLC**-Phasen (definieren → bauen → verifizieren → bereitstellen → warten) bleiben identisch und nicht verhandelbar; KI hebt keine von ihnen auf, sie **verschärft** sie: ***„aller Spielraum, den das menschliche Tempo früher – wenn auch unvollkommen – absorbiert hat, wird bei KI-Geschwindigkeit zu Fehlern von industrieller Tragweite“*** (eine Metapher aus dem Amateur- versus Profisport). Daraus ergeben sich **drei unverletzliche *Gates*** (menschliche Kontrolle): **Spezifikation, Planung, Delivery-Review**; Validierung **durch Nachweis** (nicht durch die eigenen Behauptungen der KI); **systematische Kapitalisierung** (jeder Zyklus speist den nächsten) → gemessenes Ergebnis: **−30 % Korrekturiterationen nach ca. 10 Zyklen**. Prinzip: ***„je schneller die Ausführung, desto strikter muss der Rahmen sein.“*** Herangezogene Konzepte: **harness** (an den Kontext angepasste agentische Regeln), **vibe-coding**, das als **im Unternehmen nicht haltbar** eingestuft wird. **Dritte Säule = Governance, FinOps & wertorientiertes Management**: **variable und wiederkehrende** KI-Kosten (~**10 €/Stunde** pro augmentierter Rolle), Wechsel von Pauschallizenzierung zu nutzungsbasierter Abrechnung (eine Parallele zur Cloud der 2010er-Jahre); **FinOps** zielt nicht auf Kostensenkung, sondern darauf, *„die Werkzeugeffizienz zu optimieren“* (Kosten im Verhältnis zum Wert); vorab abgestimmte **Geschäftskennzahlen** (Time-to-Market, Funktionsumfang, Performance, Eco-Design). **Fazit**: Die Beschleunigung macht die Grundlagen **nicht verhandelbar**; die Herausforderung ist **organisatorisch und kulturell**, nicht technologisch – ohne Absicherung der Business-Beziehung und kollektiver Disziplin **verstärkt** ein KI-gestützter SDLC nur die Probleme (schneller gegen die Wand fahren). Erweitert die WeNvision-Doktrin aus [[rafal-wenvision-ia-generative-produit-techno-pas-projet-2024-02-23]] und [[rafal-wenvision-tokenomics-foundation-finops-ia-2026-06-04]]; trifft sich mit *systems around the model* dropbox-okumura-beyond-code-generation-engineering-productivity-ai-agents-2026-05-28, *harness engineering* osmani-agent-harness-engineering-2026-04-19, agentischem Salesforce und der Debatte um den *agent manager* (BFM/Girard, SFEIR).
#Software Engineering#KI#alles verändert sich nichts verändert sich
**Olivier Rafal** · *Consulting Director Strategy* chez **WeNvision** (groupe **SFEIR**). Ancien **rédacteur en chef du *Monde Informatique*** · et auparavant consultant analyste du marché IT (~10 ans). Tribune publiée dans la rubrique *Tribune* de **CIO-Online**. Publié le **1er juin 2026**.
Atlassian-Datenstudie (Inside Atlassian), die den tatsächlichen Ertrag eines **AI-native SDLC** misst, der von **Rovo Dev** angetrieben wird. Bei 3.400 Repositories von 2.500 Kunden (ein Quasi-Experiment mit Propensity-Score-Matching) mergen adoptierende Repositories **19 % mehr PRs pro Monat**; bis zu **37–51 %** bei Repositories mit geringer/mittlerer Aktivität und **59–87 %**, wenn **3 bis 5 Mitglieder** des Teams das Tool nutzen. Auf der Effizienzseite sparen Entwickler **2–3 Std./Woche** (≈10 % der 24 Stunden, die für Coding und Review aufgewendet werden), d. h. 20–30 Stunden/Woche, die bei einem Team von 10 reinvestiert werden. Die These: Solows (1987) „Produktivitätsparadox“ auflösen, indem man von **Nutzungsmetriken** (Tokens) zu **Wirkungsmetriken** (Durchsatz, eingesparte Zeit, Fehlerquote, Zufriedenheit) übergeht. Empfehlung: mit einem **Team** (nicht einer Einzelperson) beginnen und 2–3 Monate später messen.
Blogbeitrag von **Pasquale Pillitteri** (Softwareingenieur, Palermo), veröffentlicht am **29. Mai 2026** (FR-Version), 18 Minuten Lesezeit, Rubrik *Claude Code & Anthropic*. **Kernthese**: *« Claude Opus 4.8 ist das leistungsstärkste SEO-Modell des Jahres 2026, aber fast alle nutzen es falsch »* — kein Modellproblem, sondern ein **System**-Problem. Die goldene Regel: ***« Strategie ist ein Whiteboard, Produktion ist ein Fließband »*** — SEO muss **in zwei getrennte Phasen aufgeteilt werden**, und deren Vermischung ist *« der schnellste Weg, ein Modell zu verschwenden, das fünf Dollar pro Million Input-Token und fünfundzwanzig für Output kostet »*. **Modellkontext**: Opus 4.8 veröffentlicht am **28. Mai 2026** (41 Tage nach Opus 4.7), **1-Mio.-Token**-Kontext, **GraphWalks Long-Context F1 bei 1M: 40,3 % → 68,1 %**, **SWE-bench Verified 88,6 %**, **USAMO 2026 96,7 %** (+27,4 Punkte), **HLE with tool 57,9 %**, unveränderter Preis **5 $/25 $** pro Mio. Token, **Fast Mode 2,5× zu 10 $/50 $**, vier **Aufwandsstufen** (Low, High, Extra, Max). **Das zentrale Anti-Pattern** = *« das riesige Gespräch »* / **Context Drift**: die Vermischung von Strategie, Keyword-Recherche, Wettbewerbsanalyse und Texterstellung in einem einzigen Chat erzeugt einen *« Brei widersprüchlicher Absichten »* → das Modell driftet zu **generischen Best Practices** („holistic optimization“, „strategic approach“) statt zu datenverankerten Inhalten. **Phase 1 – Strategie (Whiteboard, visuelle UI, einmalig)**: Dashboard / Google Sheet / Claude.ai-Canvas, um gemeinsam anhand der Daten zu entscheiden. **3 Spielzüge**: (a) **klassifizierte Keyword-Recherche** (Tabelle mit Volumen / Schwierigkeit 0-100 / Intent / Geschäftspotenzial / Priorität = Volumen÷Schwierigkeit×Geschäftsgewichtung); (b) **visuelle Wettbewerbsanalyse** (Themenabdeckungs-Matrix, Lücken); (c) **phasenweise Roadmap** (Quick Wins M1-2 / mittelfristig M3-6 / Pillar-Seiten M7-12). Der **Extra/Max**-Modus ist hier gerechtfertigt (*« eine richtige strategische Entscheidung ist tausend gut geschriebene Seiten zu den falschen Keywords wert »*). 3 abgeschlossene Artefakte, gespeichert in Notion/Drive. **Phase 2 – Produktion (Fließband, Opus 4.8 + MCP)**: Das Modell wandelt sich vom Strategen zur **Ausführungsmaschine**; jede Entscheidung wird über das **Model Context Protocol** in **Live-Daten verankert**. **Minimaler MCP-Stack**: **GSC MCP** (AminForou/mcp-gsc, 500+ Stars), **offizieller Ahrefs MCP** (98 Stars), **GA4 MCP**; das Repo `modelcontextprotocol/servers` = **86.440 Stars**, **10.000+ aktive Server**, 97 Mio. SDK-Downloads/Monat. Setup ~35 Min., monatliches Refresh ~20 Min. **Wöchentliche Schleife**: ein einziger Prompt zieht Live-Daten, erstellt das Brief (Top-10-SERP + GSC + Ahrefs), leitet H2/H3 ab, schreibt, prüft die Dichte, schlägt Titel vor → **+45 % Produktivität**, Entwurf in **6-12 Min.** (expliziter Verweis auf **Ryan Law / Ahrefs Content Engineering**, 23 Skills). Erwähnt Anthropics **Dynamic Workflows** (bis zu 1.000 Subagenten). **4 häufige Fehler**: (1) die Zahlen nicht zu überprüfen (Stichprobenkontrolle verpflichtend, *trust & verify*); (2) Semrush/Ahrefs vollständig zu ersetzen (MCP ist eine **zusätzliche Schicht**, kein Ersatz); (3) die **Paid-Organic-Content-Lücke** zu ignorieren (Kundenfall aus dem Bildungsbereich: **2.742 verschwendete Begriffe / 351 Chancen** in 90 s identifiziert); (4) Opus 4.8 dort einzusetzen, wo **Haiku 4.5** ausreicht (Meta-Beschreibungen, Alt-Texte). **Kosten**: 1-3 $ pro Artikel mit 2.500 Wörtern. **Sonnet 4.6** genügt für die laufende Produktion, Opus 4.8 bleibt der Strategie vorbehalten. SEO-optimierter und selbstreferenzieller Artikel (der Autor schreibt über SEO in einem Inhalt, der selbst darauf ausgelegt ist, für „Opus 4.8 SEO“ zu ranken). Direkte Konvergenz mit **Ryan Law/Ahrefs** (zitiert), **Systemen rund um das Modell** (Dropbox/Okumura), **Skills-over-Prompts** (Lattice), Haiku/Sonnet/Opus-Modell-Routing (Gupta Token-to-Outcome).
#Claude Opus 4.8#KI-SEO#Zweiphasen-Workflow
**Pasquale Pillitteri** — Ingénieur informatique / développeur logiciel basé à **Palerme** (Italie) · certifié Innovation Manager UNI 11814:2021. Auteur d'un blog tech actif (rubrique *Claude Code & Anthropic*) · avec une newsletter hebdomadaire (~3,4k lecteurs). Article publié en version **FR** le **29 mai 2026** (lendemain de la sortie d'Opus 4.8).
Beitrag aus dem **Dropbox Tech Blog** (Bereich *culture*), veröffentlicht am **28. Mai 2026** von **Kazuaki Okumura** (Dropbox, Rolle im Artikel nicht näher spezifiziert), als Rückblick auf einen Vortrag auf der Konferenz **DX Annual 2026** (Developer Productivity). **Kernthese**: Engineering-Produktivität muss über die *Code-Generierung* hinausgehen. *« Accelerating code generation simply shifted some bottlenecks downstream »* — KI hat den Code-Durchsatz massiv erhöht, aber *« the faster code moves, the more pressure it puts on review queues, CI systems, validation workflows, release coordination, and production operations »*. Die eigentliche Herausforderung besteht nicht mehr darin, schneller Code zu schreiben, sondern den gesamten SDLC in die Lage zu versetzen, ein deutlich größeres Volumen **sicher aufzunehmen, zu validieren und auszuliefern**. **Vom Copilot zum Agenten**: Die erste Welle (Code-Erklärung, Snippets, Q&A) fungierte *« as copilots alongside the engineer »*; der Agent hingegen *« can take a scoped task, inspect the codebase, edit files, run tests, iterate on failures, and return an artifact for human review »* — wobei der Engineer weiterhin *« accountable for intent, architecture, quality, and release decisions »* bleibt (mehr Parallelarbeit, mehr Optionen, Auslagerung repetitiver Ausführung). **Nova** = Dropboxs **interne** Coding-Agent-Plattform: eine Aufgabe in natürlicher Sprache beschreiben, Ausführung in einer kontrollierten Umgebung mit Codebase-Kontext. Zentraler Datenpunkt: ***« Nova's value comes less from the model itself than the systems surrounding it »*** (Codebase-Kontext, interne Praktiken, sichere Ausführung, Workflow-Integration, menschliche Prüfung); Nova macht heute **rund 1 von 12 PRs bei Dropbox** aus (wachsende Adoption) und erstreckt sich über Features hinaus auf **Migrationen, Behebung flakiger Tests, Bug-Untersuchung, Dependency-Updates** (Arbeit mit hohem Aufwand/geringem Mehrwert). **Produktgeschwindigkeit messen, nicht Code-Output**: *PR-Durchsatz*, ein nützliches Signal, solange die Coding-Geschwindigkeit der limitierende Faktor war, *« was no longer sufficient »*. Ein **vierstufiges** Messmodell: ***Fuel*** (werden KI-Tools genutzt?) → ***Adoption*** (wie verändern sich die Workflows teamübergreifend) → ***Output*** (trägt KI zur Produktionsarbeit bei?) → ***Impact*** (*« improving product velocity and reducing the time it takes to move from idea to customer value »*). Erfasste Qualitätssignale: **Durchlaufzeit des Code-Reviews, Erfolgsquote von Tests im ersten Durchlauf, Fehlerquote, Nacharbeitsquote**. *« Quality and trust matter as much as speed »* — der Kern des Wandels: *« moving from local activity metrics toward broader system outcomes »*. **Auch die Workflows müssen sich weiterentwickeln**: Dies ist *« not just a tooling shift »*, sondern eine Veränderung des **Betriebsmodells** — die Rolle des Engineers verschiebt sich hin zu *« defining intent, mapping problems, reviewing generated changes, and making higher-context architectural and quality decisions »*. **Enablement** ist ebenso entscheidend wie das Tool selbst (praktisches Lernen, Hackathons, Workflow-Spotlights, Bootcamps, von Peers geleitete Beispiele); die Adoption verläuft teamübergreifend unterschiedlich schnell; *« The goal is not to force every workflow through an agent »* — das Ziel ist, es dort *« useful, safe, measurable, and repeatable where it creates meaningful leverage »* zu machen. **Erkenntnisse**: ***« AI doesn't eliminate bottlenecks in software development, but it does move them »*** (stromabwärts: Review, Validierung, Testing, Release, Produktionsbetrieb) → die Optimierung des alten Engpasses erzeugt nicht mehr denselben Hebel. *« The advantage will not come from access to the same foundation models everyone else can use. It will come from the systems built around those models: context, internal tooling, quality controls, and the workflows that connect them together. »* Der Druck baut sich auch **stromaufwärts** auf (Produkt & Design): strukturierte Specs, Design-Klarheit, schärfere Problemformulierung. Schluss: ***« The future of engineering productivity will not be defined solely by who has the best models. It will be defined by who builds the best systems around them »***; *« The real challenge is no longer just generating more code, but building engineering systems that can reliably turn AI-assisted output into valuable experiences for our customers »*. Direkte Konvergenz mit **Salesforce/Tallapragada** (Effective Output: Wert statt Volumen messen; kein Trade-off zwischen Geschwindigkeit und Qualität), **Gupta** (Token-zu-Outcome-Zuordnung, Kosten eines abgeschlossenen Outcomes), **DORA** (jenseits des Durchsatzes) und die Verschiebung des KPI hin zum **System-Outcome** (Idee→Kundennutzen).
**Kazuaki Okumura** — Dropbox (rôle non précisé dans l'article ; le billet reprend une intervention présentée à la conférence **DX Annual 2026** sur la productivité développeur, ce qui suggère un profil engineering leadership / platform, sans confirmation). Publié sur le **Dropbox Tech blog** (dropbox.tech) · rubrique *culture* · le **28 mai 2026**.
Viraler X-Thread (**230,5K Aufrufe**, 28. Mai 2026, 1:51 Uhr) von **Jaya Gupta** (@JayaGup10, Investorin — vermutlich bei Foundation Capital, Autorin des *Context Graphs*-Frameworks) mit dem Titel ***„Token Budget Wars“***. **Kernthese**: ***„Enterprise AI has moved from adoption to allocation“*** — Phase 1 der Unternehmens-KI hat bewiesen, dass Modelle funktionieren; Phase 2 wird entscheiden, **wie viel diese Arbeit wert ist**. Die neue Währung an der Unternehmensspitze ist die **Fähigkeit, den KI-ROI zu quantifizieren**: *„zeig mir den Wert“*. Kernkonzept: ***marginaler Token-Nutzen*** = *„der Geschäftswert, den jeder zusätzliche Dollar an Inferenz schafft“* — die Zahl, die im großen Maßstab zählt und die **die meisten Unternehmen nicht sehen können**. Zeitachse: **Claude wurde im November 2025 ausgeliefert**, nachdem die Jahresbudgets 2026 bereits festgelegt waren → schon im **Q1** lagen Unternehmen *„um ein Vielfaches über Plan“* → Inferenz hört auf, ein Experimentierposten zu sein, und wird zu **wiederkehrenden Betriebskosten**. Verschiebung von **Experimentieren (ein paar 100.000 $) → Infrastruktur (siebenstellig, 1 Mio. $+)**: Im Infrastruktur-Maßstab erzeugt **technische Varianz materielle Schwankungen in der Gewinn- und Verlustrechnung — zwei Durchläufe desselben Workflows mit demselben Input können sich im Token-Kostenaufwand um das 5- bis 10-Fache unterscheiden**, ohne dass sichtbar etwas kaputt ist, *„eine Zahl, die der CFO dem CEO erklären muss“*. **KI konkurriert mit Arbeitskraft**: 3 Arten von Budgetanfragen (ausgelagerte Arbeit ersetzen / interne Arbeit ersetzen / Umsatz generieren) → Verschiebung hin zu den ***Kosten eines abgeschlossenen Ergebnisses*** (Kosten pro gelöstem Ticket, bearbeitetem Schadensfall, geprüftem Vertrag, abgeschlossener Rechnung, vermiedener Neueinstellung, gehaltenem Kunden, bewegtem Umsatzdollar). **BPO = die einfachste Vergleichsbasis** (bereits in abgeschlossenen Einheiten bepreist); interne Arbeit ist deutlich schwieriger (multiskillte Mitarbeitende, diffuse Gewinne, Widerstand der Personalabteilung gegen Stellenabbau). **Warum es sich von SaaS unterscheidet**: SaaS hat gelernt, Nutzung als Proxy für Wert zu behandeln; KI bricht diesen Proxy — *„Signal und Rauschen teilen sich dieselbe Einheit“* (den Token), *„SaaS-Nutzung sagte dir, dass die Software adoptiert wurde. KI-Nutzung sagt dir, dass der Zähler läuft. Sie sagt dir nicht, ob dein Unternehmen brodelt.“* **Drei Ursachen für die Unsichtbarkeit des marginalen Token-Nutzens**: (1) ***Retry-Tails*** — Tokens pro gelöstem Workflow ≈ **T/p**; ein Rückgang der Abschlussquote von 90 % auf 70 % erhöht die effektiven Kosten um ~**28 %**, nicht 20 %, weil sich Fehlschläge kumulieren; (2) ***Kontext-Inflation*** — die Inferenzkosten verhalten sich ≈ **O(n²)** zur Kontextlänge (Attention), eine Verdopplung des Kontexts **vervierfacht** die Kosten des Reasonings (Over-Retrieval: 50 Dokumente, wo 5 genügen würden); (3) ***Routing*** — standardmäßig wird das leistungsstärkste Modell verwendet (einfache Klassifikation läuft auf einem komplexen Reasoning-Modell); über Millionen von Aufrufen hinweg macht der Unterschied zwischen dem Routing einfacher Aufgaben zu einem kleinen Modell und dem Versenden von allem an das Frontier-Modell *„den Unterschied zwischen einer überschaubaren Rechnung und einem Problem auf Vorstandsebene“* aus. **Sektorale Aufteilung**: **Software**-Unternehmen = ein Problem der **Produktivitätsmessung** (bereits instrumentiert: PRs, Commits, Deployments, Incidents, Zykluszeit, MTTR — verfolgt *„KI-Entlassungen“*); **Nicht-Software**-Unternehmen = ein **Transformations**-Problem (operative Arbeit: Schadensfälle, Underwriting, Support, Compliance-Prüfungen, Ausnahmen in der Lieferkette, Zahlungsstreitigkeiten — *im Audit korrekt, nicht nur im Durchschnitt korrekt*). **Die fehlende Schicht = Token-zu-Ergebnis-Attribution**: eine Umwandlungsschicht, die Inferenzausgaben → geleistete Arbeit → Geschäftsergebnis verknüpft und 3 Fragen beantwortet (reale Kosten einschließlich Retries/Korrekturen; welche Teile der Trace zählten vs. Thrashing; hat die Arbeit das Betriebsmodell verändert). ***Messung wird zu Gedächtnis***: Um einen Token mit einem Ergebnis zu verknüpfen, müssen **Entscheidungs-Traces** erfasst werden (was der Agent gesehen, abgerufen, aufgerufen, ignoriert hat, wo er es erneut versucht hat, wann ein Mensch eingegriffen hat) — *„die Entscheidungsbegründung ist eines der am schnellsten verderblichen Vermögenswerte eines Unternehmens“* (lebt in Slack, E-Mails, Eskalationsanrufen, in den Köpfen der Menschen). Agenten **erzeugen** diese Traces; zunächst erfasst, um die Ausgaben zu rechtfertigen, werden sie *„wertvoller als der Kostenbericht“* → ein **Context Graph** (*„auch wenn ich dieses Wort in letzter Zeit schon so leid bin“*). **Die Allokationsschicht ist der Preis**: Wer die Token-zu-Ergebnis-Attribution besitzt, trifft die **Allokationsentscheidungen** (welche Workflows mehr Rechenleistung verdienen, welche gedeckelt werden, welche zu günstigeren Modellen wechseln, welche menschlich bleiben, welche BPO ersetzen). Unternehmen werden das nicht allein tun — sie werden es **als Transformation einkaufen** (Fortune-500-Playbook: McKinsey- und Palantir-Alumni + top-down agierender CEO, nach Art von ERP/BI/digitaler Transformation, ein *„Programm“* mit einem Executive Sponsor und einer Infrastruktur, die zur **neuen Single Source of Truth** wird). Eingerahmt mit **Charlie Munger**: *„zeig mir den Anreiz, und ich zeige dir das Ergebnis.“* Organisatorische Nebenthese: der jahrzehntealte Führungsinstinkt, dass *große Teams = große Aufgaben/Reichweite/Macht* bedeuten → sobald Intelligenz zur **knappen Ressource** wird, ist das neue Statussymbol *„wie viel davon man orchestriert.“* Direkte Relevanz für die **Positionierung Cost Optimization / agentisches FinOps**: bestätigt empirisch die Hebel (Model-Routing, Prompt-Caching, Context-Hygiene, Sub-Agenten) und verschiebt den KPI hin zu **Kosten pro abgeschlossenem Ergebnis**. Starke Konvergenz mit Bains *Cross-System Labor* (Execution-Data-Moat, Cursor), Ngs *No AI Jobpocalypse* (Preisgestaltung verankert am Gehalt der ersetzten Arbeitskraft), DORA ROI (Kosten pro Feature), Mensch/Mistral (Elektron→Token), Ensarguet (Ökonomie der Berechnung), Foundation Capitals *Context Graphs* (Entscheidungs-Traces, gleiche Autorin), Wescales *Token Burning*, BFM/Girard (Token = Wert-Treibstoff).
**Jaya Gupta** (@JayaGup10) — investisseuse / VC. Très probablement **Foundation Capital** (le thread s'auto-réfère au cadre ***Context Graphs*** — *« ahem, context graph, although I am so tired of that word these days »* — concept porté par Foundation Capital, cf. fiche `bain-100b-saas-opportunity` qui cite *Foundation Capital — Context Graphs trillion-dollar opportunity, 2025-12-22*). Thread publié sur X le **28 mai 2026 à 1h51** · **230 · 5K vues** · format essai long en un seul post. Une réponse notable de **@tuning_engines** (*« DevSecFinOps for the Agentic Era »*) : *« Tokens will basically have to be managed like headcount […] model hierarchies too »*.
Offizieller **Salesforce News**-Blogbeitrag (Rubrik *Agentic Enterprise*, Reihe *„Pioneering the Agentic Shift Within Salesforce Engineering“*), veröffentlicht am **27. Mai 2026** (6 Minuten Lesezeit) von **Srinivas „Srini“ Tallapragada**, *President and Chief Engineering and Customer Success Officer* bei Salesforce. Direkte Fortsetzung eines früheren Beitrags (*„How we got our engineers to use AI — without breaking everything“*), der das Überschreiten von **>90 % Adoption** schilderte. **Kernthese**: Salesforce Engineering ist von einer Welt, in der KI ein nützlicher *Copilot* war, zu einer Welt übergegangen, in der **agentische Tools den Software-Entwicklungszyklus (SDLC) selbst steuern** — Code schreiben, PRs reviewen, Tests generieren, Dokumentation aktualisieren, Deployments verwalten, Arbeit koordinieren, die früher über menschliche Übergaben lief. **Kanonische Signalentscheidung**: unternehmensweite Standardisierung auf **Claude Code** + ***„we removed all token limits“*** — *„remove every last piece of friction between our engineers and the tools that make them faster and more effective“*. **Zentrales empirisches Ergebnis** (April 2026 vs. April 2025): abgeschlossene Arbeitspakete pro Entwickler **+50,8 %**, gemergte PRs pro Entwickler **+79 %**, und vor allem der **Effective-Output-Score** (ein ML-Maß für den **realen Wert des gelieferten Codes**, nicht dessen Volumen) **+151,3 % im Jahresvergleich**. **Vorzeige-Anwendungsfall**: Migration von **33 API-Endpunkten** auf eine Cloud-native Architektur, auf dem klassischen Weg geschätzt auf **~231 Personentage** (7 pro API), abgeschlossen in **13 Tagen — 18-mal schneller** — mittels eines **regelbasierten, in Claude gebauten Frameworks** (Markdown-Dateien + Referenzimplementierungen), wobei PR-Feedback laufend in das Regelwerk zurückgespeist wurde, **autonome LLM-Loops (build, fix, validate)** ohne manuellen Eingriff, parallelisiert über isolierte Umgebungen → **5 PRs**, wobei der größte **21 Endpunkte mit 100 % Testabdeckung** lieferte. **Kein Zielkonflikt zwischen Geschwindigkeit und Qualität**: über die Plattform **Engineering 360** (die Engineering-Daten aus Hunderten von Systemen zentralisiert) **sinkt die Gesamtzahl der Incidents um 5 %**, trotz der steigenden Zahl an PRs (*„quality doesn't suffer from speed. It benefits from it“*), dank **strukturell eingebetteter Sicherheits-Leitplanken und Qualitätsstandards** im agentischen Workflow (Trust als Wert Nr. 1). **SDLC-Überholung**: sobald KI eingeführt ist, **reißen die Ingenieure Workflows ein und bauen sie neu auf** (welche Prozesse lassen sich eliminieren? welche Übergaben sind jetzt überflüssig? wo erledigt noch ein Mensch Arbeit, die ein Agent übernehmen könnte?). **Neues Ingenieurshandwerk**: **Claude-Code-Skills** (paketierte, wiederverwendbare Fähigkeiten, die Teamkontext, Namenskonventionen, Muster kodieren) werden zu einem gemeinsamen, komponierbaren **Engineering-Artefakt**; **AI Expert Suite** + **Salesforce Foundation Plugins** = eine institutionalisierte, kuratierte Skill-Bibliothek (interner Benchmark: **höhere Genauigkeit und Zuverlässigkeit, weniger unnötige Kosten**); **Subagents & Agent-Teams** parallelisieren Arbeitsstränge (*„They describe the outcome, and a set of coordinated agents figures out the steps“*). **Was weiterhin schwierig bleibt**: (1) **Kontextmanagement** in langen Sessions — die **Qualität der CLAUDE.md-Datei** schwankt stark und wirkt sich erheblich auf die Output-Qualität aus; (2) **agentische Sicherheit** = ein grundlegend anderes Modell (Agenten, die *handeln*, nicht nur *vorschlagen* → größerer Blast Radius); (3) **sich wandelnde Rollen** (wie werden Junior- zu Senior-Ingenieuren, wenn KI die Einstiegsarbeit übernimmt? Rolle von Designer/PM? die Ausführungseinheit = Scrum-Team → Experimente mit Einheiten aus 1 oder 3 Personen). Fazit: *„It changed what was economically possible“*; die erklärte Ambition lautet **„the most automated, agentic SDLC in the industry“**. Berührt sich direkt mit Gupta (*Kosten eines abgeschlossenen Outcomes*, Grenznutzen des Tokens), Greenwald/Sierra (outcome-basierte Preisgestaltung), DORA (ROI / Kosten pro Feature) und der BFM/Girard-Debatte (Token als Wert-Treibstoff, nicht als zu kürzende Kostenposition).
#Agentischer SDLC#agentischer SDLC#Claude Code
**Srinivas « Srini » Tallapragada** — *President and Chief Engineering and Customer Success Officer* de **Salesforce**. Plus d'une décennie chez Salesforce · dirige l'ingénierie mondiale de la plateforme unifiée. Auteur de la série *Agentic Enterprise* sur le blog Salesforce News ; ce billet (27 mai 2026) est la **suite** d'un premier opus consacré à l'adoption de l'IA par les milliers d'ingénieurs Salesforce (*« How we got our engineers to use AI — without breaking everything »*). Position d'autorité = **dirigeant exécutif** parlant en son nom et au nom d'une organisation d'ingénierie à grande échelle (donnée terrain à l'échelle d'un hyperscaler SaaS) · avec accès aux métriques internes (Engineering 360, Effective Output).
Wegweisender Essay von **Dan Shipper** (CEO Every), veröffentlicht am **21. Mai 2026** auf every.to, *"After Automation"* — eine argumentative Erwiderung auf die These vom KI-getriebenen Zusammenbruch der Wissensarbeit. **Kernthese**: Der KI-Fortschritt schafft **mehr Arbeit für Menschen, nicht weniger**. Looping-Mechanik (***"der Kommodifizierungszyklus"***): (1) KI kommodifiziert die menschliche Fähigkeit von gestern; (2) diese billige Fähigkeit wird breit übernommen → Überfluss; (3) Überfluss erzeugt *Gleichförmigkeit* (den *"Slop"*); (4) Menschen verlangen Unterschied → erneuerte Nachfrage nach Experten; (5) Experten nutzen KI, um die Probleme von heute zu lösen → Schleife. **Kanonisches Zitat**: ***"There's more work to do than ever"***; ***"AI commoditizes the residue of human expertise, creating demand for what's different"***. **Zentraler konzeptueller Rahmen — Frame vs. Framer**: Benchmarks messen Leistung ***"within frames"*** (spezifische Problemrahmungen); sobald diese gesättigt sind, *setzt eine Änderung des Rahmens den Zähler zurück* — Modelle **eskalieren innerhalb von Rahmen, ersetzen aber nicht die Framer**. Kernformel: ***"the frame is not the framer"***. Selbst bei AGI müssen Menschen **Ziele festlegen und Ergebnisse interpretieren** — *"the frame problem regenerates one level up"*. **Der "Human Sandwich"**: Mensch setzt Rahmen → KI führt aus → Mensch beurteilt und erweitert. **Zwei Arbeitsmodi mit Agenten**: (a) ***agent employees*** — asynchrone Delegation (Kollege / eingebettet — Claudie, Andy, Viktor, Fin); (b) ***human-AI collaboration*** synchron (Claude Code und Äquivalente). **Every-Daten**: 95 % der CEO-E-Mails werden von KI bearbeitet; **Fin (Intercom) löst 65 % der Support-Konversationen**. **Zenons Paradox der KI**: Die KI schließt kontinuierlich die Lücke, doch der Mensch bleibt "die Schildkröte vorn", weil er ***"alive to a specific moment"*** ist — *"running wants, running concerns"* —, während Modelle auf historischen Trainingsdaten operieren. **Detaillierte Benchmarks**: **GPT-5.5 = 62/100 bei der Senior-Engineer-Codebase-Neufassung** (vs. Mensch 80-90er); **GDPval**: 40-49 % des Expertenniveaus, **aber mit umfangreicher menschlicher Rahmung**. **OpenClaw 44.469 PRs** im Mai 2026 (vs. Kubernetes 5.200 im Jahr 2022) — Beweis, dass agentische Arbeit *"mehr Arbeit"* schafft, nicht *"weniger menschliche Arbeit"*. **AGI-Implikationen**: Selbst bei AGI bleibt der **menschliche Framer** strukturell im Vorteil — er adressiert *"aktuelle, situierte"* Probleme, während das Modell auf *"historischen Trainingsdaten"* operiert. **Anti-Tipping-Point-Schlussfolgerung**: Dies ist kein Kipppunkt-Ereignis, sondern ***ein anhaltendes Muster***, das die Zukunft der Arbeit bestimmt. **Hohe Relevanz**: eine explizite Gegen-Erzählung zu *Amodei white-collar bloodbath* / *Sun permanent underclass* / *Anthropic Economic Index* — Shipper, **CEO eines Unternehmens, das täglich mit Agenten lebt**, liefert den theoretischen Rahmen, der die beiden empirischen Beobachtungen versöhnt (KI leistet mehr + Menschen bleiben unverzichtbar). Starke Konvergenz mit **Ng "No AI jobpocalypse"** (2026-05-08), **Mollick × roon ASI / FDE** (2026-05-10), **Tatsyi/Raiffeisen "AI made engineers different"** (2026-05-05), **Curran/Intercom 3× R&D** (2026-04-16) — alle beschreiben Menschen als *in Richtung Rahmung umverteilt (redeployed toward framing)* statt *ersetzt*. Produktive Spannung mit **Sun NYT permanent underclass** (2026-04-30), **Wallace-Wells AI populism** (2026-05-08), **Osmani Cognitive Surrender** (2026-05-05 — der menschliche Framer muss aktiv bleiben). Zu nutzen für COMEX / DG / Boards: strategisches Vokabular für 2026 — *"frame vs framer"* wird zum kanonischen Raster für KI-Governance.
#Dan Shipper#Every#after automation
**Dan Shipper** — CEO et co-fondateur de **Every** (média / studio AI-native, créateur de la newsletter *Every*, propriétaire du framework et plugin *Compound Engineering* — cf. fiche `shipper-klaassen-compound-engineering-every-agents-2025-12-11.md`). Profil rare : **opérateur-théoricien** · dirige une organisation entièrement augmentée par l'IA (95 % emails CEO automatisés, agents Claudie/Andy/Viktor en production, Fin pour le support) tout en publiant régulièrement des essais conceptuels sur every.to. Voix éditoriale anglo-saxonne de référence dans le corpus 2025-2026 sur les **modes de travail humain-IA**. Article publié sur **every.to/p/after-automation** le **21 mai 2026**.
Engineering-Artikel, veröffentlicht im **Uber** Engineering-Blog von sechs Ingenieuren (Matt Mathew, Prasad Borole, Meng Huang, Sergey Burykin, Gaurav Goel, Bayard Walsh) am **21. Mai 2026**, der die bei Uber für mehrere Tausend interne Agenten produktiv eingesetzte **Doktrin für Agentenidentität und Zugriffskontrolle bei KI** darlegt. **Kernthese**: Bestehende Identitätsmodelle (Menschen + Workloads) scheitern daran, **Handlungsvollmacht (Agency)** zu beschreiben — *"an agent is best defined as an entity that is authorized to act for or in the place of another"* — und verlieren die **Provenienz** über die Hops eines agentischen Workflows hinweg. **Zwei identifizierte operative Probleme**: (1) ***"Current Identity Model Doesn't Describe Agency"*** — Delegation ist der Standardmodus, Workflows sind kompositional (Agenten rufen Agenten auf, die Tools aufrufen), das Verhalten ist dynamisch (Pläne entwickeln sich basierend auf Zwischenergebnissen); (2) ***"Original Provenance Isn't Effectively Carried Forward Across Agents to Systems"*** — *"Execution context (originating user, intermediate agents) is dropped across agent hops."* **Vorgeschlagene Architektur** als Erweiterung von Ubers Zero-Trust-Architektur: **Agent Registry** (Source of Truth für Agent↔Workload-Zuordnungen) + **AI Agent Mesh** (Datenebene zwischen Agenten) + **STS (Security Token Service)** (Ausstellung kurz begrenzter JWTs) + **MCP Gateway** (Policy-Enforcement-Point für Tool-Aufrufe) + **AI Gateway** (Vermittlung externer LLM-Aufrufe mit Guardrails) + **SPIRE** (Anbieter von Workload-Credentials). **Kryptografische Mechanik**: Workloads beziehen kryptografisch signierte **SVIDs (SPIFFE Verifiable IDs)** von SPIRE → das SDK fordert über die Workload-Identität ein JWT vom STS an → der STS prüft die Autorisierung des Agenten gegen die Agent Registry → ein kurzlebiges Token (TTL in der Größenordnung von Minuten) wird für ein **spezifisches Single-Hop-Ziel** ausgestellt (gezielter `Audience`-Claim). **Kerndoktrin**: ***"Single-hop, short-lived tokens. Every JWT minted by the STS is intended for a single hop, with a specific Audience claim and a short time-to-live in the order of minutes."*** **Erhalt der Akteurskette**: ein Multi-Hop-Beispiel mit Bereitschaftsingenieur `user1` → Oncall Agent (Workload-1) → Investigation Agent (Workload-2) → MCP Gateway; das finale JWT trägt eine verifizierbare **Akteurskette `[user1, oncall-agent, investigation-agent]`**, die Zugriffsentscheidungen auf Tool-Ebene auf Basis der **vollständigen Historie der Anfrage** ermöglicht. **Standardisierung**: ein **Standardized A2A (Agent-to-Agent) Client**, der STS-Austausche und die Propagierung der Akteurskette automatisiert — *"the secure path is also the easiest path for developers to implement A2A calls"* — mit schrittweiser Migration von Legacy-Agenten. **Produktionskennzahlen**: ***"P99 latency for the STS Token Exchange API is consistently below 40 milliseconds,"*** Tausende interner Agenten im Einsatz, ein Echtzeit-Observability-Dashboard, das Multi-Agenten-Sitzungen nachverfolgt. **Langfristvision — dreischichtiges Framework**: (1) Identity & Trust Foundation (verifizierbare Agentenidentität + Delegationsketten), (2) Dynamic Access Control (kontextbasierte Berechtigungen + Human-in-the-Loop), (3) Unified Enforcement Plane (zentralisierte, beobachtbare Policy). **Abstimmung mit Standards**: die IETF-**WIMSE**-Arbeitsgruppe + der Entwurf `draft-klrc-aiagent-auth-01` *AI Agent Authentication and Authorization*, konzeptionell gestützt auf **OAuth 2.0 Token Exchange (RFC 8693)** und **SPIFFE/SPIRE** (CNCF graduated). Die erste Referenzpublikation eines Hyperscalers außerhalb der KI-Labs (Logistik/Mobilität), der Agentensicherheit auf Infrastrukturebene industrialisiert und die doktrinäre Lücke zwischen Skills-/Harness-Frameworks (Vincent, Lattice, PROJ-AI) und Fragen der Unternehmensidentität schließt.
Pivot-Artikel **Ivan Chepurin & Travis Turner** (Evil Martians Chronicles, **19. Mai 2026**) — ***« AI-assisted engineers are burning out, is this fine? »*** — **strukturierte Diagnose des Burnouts bei KI-unterstützten Entwicklern** und ein **5-Achsen-Interventions-Toolkit**. **Pivot-These**: KI-beschleunigte Produktivität verbirgt **versteckte Kosten — Erschöpfung der Entwickler**. *« Higher productivity doesn't translate to sustainable work practices or job satisfaction. »* Epigraph von Shunryu Suzuki über mentale Unruhe. **TL;DR — 3 wesentliche Abhilfen**: (1) Freude am Prozess wiederherstellen, (2) Erfolgserlebnis / Eigenverantwortung / Stolz wiederaufbauen, (3) den Druck der kontinuierlichen Produktivitätsmaximierung beseitigen. **Zentraler Erzählrahmen — Ben vs. Alice**: Ben (traditionelles Coding) = 4 Std. stetige Arbeit, verteilte kognitive Last, Zufriedenheit bei Fertigstellung; Alice (KI-unterstützt) = 2 Std. kognitiv hochintensive Arbeit, kontinuierliches Task-Switching, **keine Zufriedenheit** + füllt die freigewordene Zeit mit weiteren Aufgaben → **exponentielle Eskalation der Last** trotz beschleunigtem Output. **Kanonische Formel**: ***« We compensate for a lack of satisfaction with work quantity. »*** **Strukturelle Störung des Craft-Zyklus**: (Planung → Handwerk → Ergebnis) komprimiert zu (Planung → Ergebnis), Wegfall der meditativen Handwerksphase, ersetzt durch **kognitiv anspruchsvolles Code-Review**. Direkte Konvergenz mit **HBR study 2026** (zitiert): *« cognitive exhaustion from intensive oversight of AI agents is both real and significant »* + **UC-Berkeley-Forschung 2026**: Beschäftigte füllen natürliche Pausen mit KI-Aufgaben. **Quiet career change** — Pivot-Konzept: für das Programmieren eingestellte Entwickler leisten nun **andere Arbeit ohne bewussten Karrierewechsel**. 4 mögliche Wege: (1) Freude an der neuen Struktur finden (priorisiert), (2) KI ignorieren, (3) ohne Freude arbeiten (nicht nachhaltig), (4) Karriere wechseln. **5 identifizierte tägliche Burnout-Faktoren**: (1) ***Losing context*** — der Agent trägt das Projektverständnis extern, Verschiebung der kognitiven Schuld von Code zu Menschen, Verlust der Systemintuition; (2) ***No time for passive thinking*** — *« The model fills the silence before your own thinking has a chance to connect dots »* (Duschen, Spaziergänge als Momente unbewusster Problemlösung entfallen); (3) ***False expectations*** — anfängliche Geschwindigkeit = unrealistische Baseline, spätere Verlangsamungen werden als Scheitern erlebt; (4) ***Review bottlenecks*** — *« the more code is generated, the more code needs to be reviewed »*, unverhältnismäßige kognitive Last bei Senior-Entwicklern, Verantwortungsdiffusion; (5) ***Endless possibilities*** — geringe Prompting-Friktion begünstigt ständige Kurswechsel, Fehlen eines natürlichen Scopings. **5-Interventions-Toolkit**: (a) **Acknowledge your wins** (Win-Log, Team-Demos, Stundentracker); (b) **Rethink AI workflow** (Planung > Review, **max. 3-4 Iterationen**, kein paralleles Task-Switching, KI-intensive Aufgaben durch Pausen trennen, aufteilen); (c) **Keep exercising your craft** (geschützte KI-freie Handwerksstunden, *« ask » mode > generation mode*, Agenten bei Passion-Projekten ausschalten); (d) **Discipline + work-life balance** (feste Arbeitszeiten, echte Pausen, tägliche Vorsätze, aufhören, wenn fertig); (e) **Find new areas of interest** (User Research, Soft Skills, Analytics, Agent-Fine-Tuning + Guardrails, Performance-Optimierung). **Fazit**: *« AI can be helpful. Problems appear only if you misuse it. »* Branchenentwicklung = unvermeidlich; individuelles Wohlbefinden = kontrollierbar. Starke Konvergenz mit **Osmani Cognitive Surrender** (2026-05-05), **Frizzo "Year With Claude Code"** (2026-05-05 — *« writing muscle atrophy »*, *« deep flow rare »*), **Bedard BCG/HBR Brain Fry** (2026-03-05 — 1.488 Beschäftigte, Spitzenwert von 3 Tools, +39 % Fehler, +39 % Kündigungsabsicht). Hohe Relevanz für **CTO / VP Engineering / IT-HR** im Zusammenhang mit der Bindung KI-erweiterter Entwickler im Jahr 2026.
#Ivan Chepurin#Travis Turner#Evil Martians
**Ivan Chepurin** & **Travis Turner** — auteurs Evil Martians (cabinet de conseil ingénierie indépendant, Berkeley/global, ~150 ingénieurs, spécialiste Ruby on Rails / React / produits SaaS depuis 2010 ; éditeurs du blog *Evil Martians Chronicles* — référence dans la communauté Rails et JS). Article publié dans la catégorie **AI / Developer Community** sur evilmartians.com le **19 mai 2026**. Profil Evil Martians : voix éditoriale **opérateur-praticien** · articles longs ancrés dans le terrain produit · registre **soin du craft + lucidité business** · public habituellement développeurs / CTO / fondateurs early-stage.
Interner Teardown-Bericht zur Open-Source-Veröffentlichung **`xai-org/x-algorithm`** (15. Mai 2026) — dem **For-You-Feed**-Algorithmus von **X (ehemals Twitter)** im Jahr 2026, mit vier zielgruppenspezifischen Wachstums-Empfehlungssträngen (persönlich/Gründer, Marke/Unternehmen, verallgemeinertes Framework, Kunden-/Beratungs-Deliverable). **Kernthese**: ***« Die berühmte Gewichtstabelle von 2023 — Antworten zählen mit einem großen Multiplikator mehr als Likes — beschreibt ein System, das in dieser Form nicht mehr existiert. »*** Der Algorithmus von 2026 ist ein **Transformer (Phoenix, von Grok-1 abgeleitet)**, der Gewichte aus dem eigenen Engagement-Verlauf lernt und gegen eine **19-dimensionale Multi-Aktions-Oberfläche** bewertet wird, gesteuert durch einen Offline-Dienst zum Content-Verständnis (**Grox**). **Die Form des Scorings zählt heute weit mehr als die Zahlen — und die Zahlen selbst sind nicht Teil der öffentlichen Veröffentlichung**. **Architektur mit 4 Komponenten**: (1) **Home Mixer** (Rust, Orchestrator zur Anfragezeit, hydrate → source → filter → score → select → filter); (2) **Thunder** (Rust, mit Kafka gespeister In-Memory-Store aktueller Posts, Sub-Millisekunden-Lookups für In-Network-Kandidaten); (3) **Phoenix** (JAX-ML, Two-Tower-Retrieval + Ranking-Transformer, ~von Grok-1 abgeleitet); (4) **Grox** (offline, Spam-/Safety-/PTOS-/Banger-Klassifikatoren + multimodaler v5-Embedder). **Die 19 von Phoenix vorhergesagten Aktionen** (zentrale Änderung gegenüber 2023): favorite, reply, repost, photo_expand, click, profile_click, vqv (video quality view, durch Mindestdauer gesteuert), share, share_via_dm, share_via_copy_link, dwell, quote, quoted_click, follow_author, not_interested, block_author, mute_author, report, dwell_time (kontinuierlich). **Endscore** = `Σ (weight × P(action))`, modifiziert durch **3 strukturelle Multiplikatoren**: (a) **OON_WEIGHT_FACTOR < 1** (Out-of-Network-Abschlag), (b) **Author-Diversity-Decay** `(1-floor) × decay_factor^position + floor` (exponentielle Abschwächung wiederholter Posts desselben Autors innerhalb eines einzelnen Renders), (c) **Video-Dauer-Gate** (vqv trägt nur bei, wenn `video_duration_ms > MIN_VIDEO_DURATION_MS`). **Zentraler Vorbehalt**: **kein numerischer Gewichtswert** (`FAVORITE_WEIGHT`, `OON_WEIGHT_FACTOR`, `AUTHOR_DIVERSITY_DECAY`, `MIN_VIDEO_DURATION_MS`...) ist in der Veröffentlichung enthalten — alles ist `crate::params::*`, verwaltet von einem internen X-Feature-Switch-Dienst für A/B-Tests. ***« Wer behauptet, ‚Antworten sind 2026 N,N-mal mehr wert als Likes‘, erfindet eine Zahl, die sich aus der OSS-Veröffentlichung nicht ableiten lässt. »*** **Zentrale Unterschiede zu 2023**: (1) Entfernung sämtlicher handgefertigter Features (*« Wir haben jedes einzelne handgefertigte Feature und die meisten Heuristiken aus dem System entfernt »*); (2) ein einzelnes Modell sagt 19 Aktionen voraus statt mehrerer Einzelaktions-Modelle; (3) Grox trennt Content-Verständnis vom Ranking; (4) neue erstklassige Signale (kontinuierliches dwell, gesteuertes vqv, follow_author, 3 Share-Varianten); (5) Two-Tower-OON-Retrieval (statt SimClusters+Heuristiken) mit multimodalen Text+Bild+ASR-Video-Embeddings. **Drei Reichweiten-Schichten** (verallgemeinertes Framework): Eligibility (binär, Grox+Filter) → Retrieval (probabilistisch, Two-Tower-ANN) → Ranking (kontinuierlich, gewichtete Summe + Multiplikatoren). **Zwei Gesetze des mechanischen Wachstums**: (1) In-Network ist multiplikativ, OON ist additiv; (2) Die Aufgabe des Modells ist es, dich vorherzusagen, nicht dich zu belohnen. **Bewusste Ehrlichkeitsgrenze**: veröffentlichter Phoenix-Checkpoint = Mini-Version (2 Layer, 4 Heads, 256-dim, 537K-Sportpost-Korpus), nicht das Produktionsmodell; Thrift-Integrationen sind Stubs (`panic!("Not implemented")` in `candidate_features.rs`); Brand-Safety-Listen, Topic-ID-Zuordnungen, Sprachabschläge und Ad-Blending-Regeln fehlen in der öffentlichen Veröffentlichung.
Rapport interne **non signé** (typique des deliverables d'analyse interne / brouillon de livrable client). Sources primaires citées : (a) le repo public **`xai-org/x-algorithm`** (release 15 mai 2026) · (b) les `README.md` du repo et de ses sous-modules (`home-mixer/`, `phoenix/`, `thunder/`, `grox/`) · (c) le code source Rust (Home Mixer, Thunder) et Python/JAX (Phoenix, Grox) inspecté directement avec citations file:line. Le rapport est explicitement écrit en posture *"what we observe in the public source release · and what it implies for measurable growth interventions"* — registre de teardown analytique avec discipline d'honnêteté épistémique (section A.3 *"Honesty boundary"* listant exhaustivement ce qui n'est pas dérivable de l'OSS).
Erste Sozialenzyklika von **Papst Léon XIV** (Robert Francis Prevost), datiert auf den **15. Mai 2026** (Rom, bei St. Peter, im 2. Jahr des Pontifikats), veröffentlicht zum **135. Jahrestag von *Rerum Novarum*** (Léon XIII., 15. Mai 1891) und ausdrücklich als **Fortsetzung der Soziallehre der Kirche im Zeitalter der KI** vorgestellt. Kanonischer Untertitel: *„über den Schutz der menschlichen Person im Zeitalter der künstlichen Intelligenz“*. **245 Abschnitte**, gegliedert in **Einleitung + 5 Kapitel + Schluss**. **Zentrale These**, organisiert um zwei **biblische Bilder**: den **Turmbau zu Babel** (Gen 11) — technologische Gleichförmigkeit ohne Gott, *„Verabsolutierung des Menschlichen“* — gegenüber dem **Wiederaufbau der Mauern Jerusalems durch Nehemia** (Neh 2-6) — geteilte Verantwortung Stein für Stein, Zuhören, Koordination unter den Familien. *„Die erste Wahl besteht nicht zwischen einem 'Ja' oder 'Nein' zur Technik, sondern zwischen dem Bau Babels oder dem Wiederaufbau Jerusalems“* (Nr. 9). **Kanonische Konzepte**: (1) **KI „kultiviert“ statt „konstruiert“** — *„Entwickler entwerfen nicht jedes Detail direkt, sondern schaffen eine Architektur, auf der sich die KI entwickelt“* (Nr. 98), eine bemerkenswerte theologische Formulierung, die an aktuelles ML-Forschungsvokabular anknüpft; (2) ***„Die KI entwaffnen“*** (Nr. 110) — *„sie der Logik eines Wettrüstens entziehen, das heute nicht mehr nur militärisch, sondern auch wirtschaftlich und kognitiv ist“*, um die KI *„bewohnbar zu machen, indem man sie der Vielfalt menschlicher Kulturen zurückgibt“*; (3) **Radikale Kritik am „Alignment“** — *„Wir können uns nicht damit begnügen, die Moralisierung der Maschine zu fordern, das sogenannte 'Alignment' der KI mit menschlichen Werten, ohne den Mut zu haben, eine weitere Bedingung hinzuzufügen: die Möglichkeit, den zu verwendenden ethischen Kodex zu debattieren“* (Nr. 107). ***„Eine moralischere KI nützt nichts, wenn diese Moral von einer Handvoll Menschen entschieden wird.“*** (4) **Epistemische Asymmetrie** und **neue KI-Monopole** (Nr. 109) — *„in einer Welt, in der wenige Akteure Daten, Rechenressourcen und regulatorische Macht konzentrieren“*; (5) **Unsichtbare Arbeit** von Daten-Labelern/Moderatoren/Seltene-Erden-Schürfern (Nr. 109, 173) — *„gezeichnete, verstümmelte, benutzte Körper, damit der Rechenfluss nie stoppt“*; (6) **Datenkolonialismus** (Nr. 178) — *„er beherrscht nicht nur Körper, sondern eignet sich Daten an“*, *„neue seltene Erden der Macht“*; (7) **KI und Krieg** (Nr. 197-200) — *„Kein Algorithmus, der Krieg moralisch akzeptabel machen kann“* (Nr. 198), drei Kriterien: nachvollziehbare persönliche Verantwortung, Verweigerung der Verkürzung der Zeit für moralisches Urteilen, Schutz der Zivilbevölkerung; (8) **Kritik an Transhumanismus/Posthumanismus** (Nr. 115-117) als *„ein Archipel konzeptueller Inseln, verbunden durch denselben Ozean von Annahmen: die Zentralität der Technik und der Traum, die Grenzen der menschlichen Verfassung zu überschreiten“*; (9) **Arbeit im Übergang** (Nr. 150-156) — *„entgegen den angepriesenen Vorteilen der KI können aktuelle Technologieansätze Arbeitnehmer paradoxerweise dequalifizieren, sie automatisierter Überwachung unterwerfen“*, Zugang zur Arbeit als öffentliche Priorität, Antizipation des Wandels, Festlegung sozialer Kriterien für Innovation; (10) **Kanonische Frage nach Johannes Paul II.** (Redemptor hominis 1979): ***„Macht die KI das menschliche Leben auf der Erde in jeder Hinsicht 'menschlicher'? Macht sie es 'des Menschen würdiger'?“*** (Nr. 129); (11) **Authentisches „Mehr als Mensch“**: nicht Transhumanismus, sondern Gnade — *„wir schaffen es, ganz Mensch zu sein, wenn wir mehr als Mensch sind, wenn wir Gott zulassen, uns über uns selbst hinauszuführen“* (Nr. 128, unter Verweis auf Franziskus, *Evangelii gaudium*); (12) **Die Worte entwaffnen** (Nr. 214) — *„Lasst uns die Worte entwaffnen, und wir werden helfen, die Erde zu entwaffnen“*. **Adressaten**: *„An alle katholischen Gläubigen, an alle Christen, an alle Menschen guten Willens“* (Nr. 16) — ein **universelles** Register in der Linie von *Pacem in terris* (Johannes XXIII., 1963), *Laudato si'* (Franziskus, 2015) und *Fratelli tutti* (Franziskus, 2020). **Besonderer Appell an KI-Entwickler** (Nr. 111): *„jede Designentscheidung drückt eine Vision des Menschen aus“*. Zentrale zitierte **Lehramtsquelle**: *Antiqua et nova* (Dikasterien für die Glaubenslehre + Kultur und Bildung, 14. Januar 2025) + *Quo vadis, humanitas ?* (Internationale Theologenkommission, 9. Februar 2026). Ein bedeutendes Dokument des **sozialen Lehramts von 2026**, an der Schnittstelle von Soziallehre ↔ KI-Ethik ↔ Big-Tech-Geopolitik ↔ Kritik an Mikroarbeit/Seltene-Erden-Abbau. Implizite Konvergenz mit **Mensch / Mistral** (energetische Souveränität der KI), **Sun / NYT Permanent Underclass** (vgl. Verschiebung Arbeit→Kapital), **Wallace-Wells / NYT AI Populism** (vgl. Kritik an Tech-Oligarchen), **Mollick × roon** (vgl. ASI und interne Politik). Erste Enzyklika eines Papstes, die KI ausdrücklich als **zentrales, strukturierendes Thema** behandelt und nicht nur als eines unter vielen.
#Léon XIV.#Robert Francis Prevost#Sozialenzyklika
**Léon XIV** (de naissance Robert Francis Prevost) · 267e Pape de l'Église catholique · élu le **8 mai 2025** · premier pape américain de l'histoire (né à Chicago, USA, 1955 ; double nationalité américano-péruvienne). Augustinien (ancien Prieur général de l'Ordre de Saint-Augustin 2001-2013) · ancien évêque de Chiclayo (Pérou) puis Préfet du Dicastère pour les Évêques (2023-2025). *Magnifica Humanitas* est sa **première encyclique sociale** · signée *« Donné à Rome · près de Saint-Pierre · le 15 mai de l'année 2026 · la deuxième de mon Pontificat »* — date choisie pour **coïncider avec le 135e anniversaire de *Rerum Novarum*** (15 mai 1891) de Léon XIII · dont il a explicitement repris le nom de pontificat en référence à la tradition sociale lancée par son prédécesseur du XIXe siècle. La référence augustinienne est centrale dans le document (citations massives des *Confessions*, du *De civitate Dei* — *« deux amours ont fait deux cités »*, des *Enarrationes in Psalmos*, des *Sermones*). Trace de paternité collective : multiples références à *Antiqua et nova* (note conjointe DDF + DCE, 14 janvier 2025) et *Quo vadis · humanitas ?* (CTI, 9 février 2026) · suggérant un travail conjoint entre la Secrétairerie d'État · le Dicastère pour la Doctrine de la Foi · le Dicastère pour la Culture et l'Éducation · et le Dicastère pour le Service du Développement humain intégral.
Blogbeitrag von **Zed**, verfasst von **Franciska Dethlefsen** (Head of Growth and Marketing), veröffentlicht am **14. Mai 2026** — am Tag nach Anthropics Ankündigung —, um Fragen der Zed-Nutzer zu beantworten. **Thema**: Ab dem **15. Juni** teilt Anthropic die Abrechnung des Claude-Abonnements in **zwei Pools** auf — einen für die **First-Party-Tools** (Chat, die offizielle Claude Code CLI), den anderen für **Drittanbieter-Agenten- und SDK-Nutzung** (alles, was über **ACP**, `claude -p` oder ein Drittanbieter-Tool läuft). Die Nutzung über ACP **zieht dann nicht mehr von den Pro- oder Max-Limits ab** und wechselt zu einem monatlichen **"Agent SDK"-Guthaben**: **20 $ für Pro, 100 $ für Max 5x, 200 $ für Max 20x**. Ist das Guthaben aufgebraucht, läuft die Nutzung **zu Standard-API-Preisen** weiter, sofern Overage aktiviert ist — andernfalls stoppen die Anfragen bis zum nächsten Zyklus. **Die für den Artikel entscheidende Zahl**: Abonnements hatten die agentische Nutzung bis dahin um den Faktor **≈15 bis 30×** gegenüber den API-Preisen subventioniert, und die neuen Guthaben werden **zu vollen API-Sätzen** abgerechnet — daher *„für alle, die Agenten intensiv nutzen, ist dies ein erheblicher Kostenanstieg"*. **Es werden drei Optionen vorgeschlagen**, in einer Reihenfolge, die Zeds Haltung offenbart: (1) das Abonnement behalten, indem man die **offizielle `claude`-CLI im Terminal innerhalb von Zed** statt über ACP ausführt — *„wenn die offizielle claude-CLI im Terminal läuft, nutzt sie die Limits deines Abonnements, nicht das neue Guthaben"*; (2) Zeds integrierten Agenten mit dem Anbieter eigener Wahl nutzen (von Zed gehostete Modelle, API-Schlüssel, Copilot, lokales Ollama, DeepSeek); (3) **einen beliebigen ACP-Agenten** einbinden — OpenCode, Codex, Factory, Cursor —, von denen mehrere weiterhin ratenlimitierte Abonnements anbieten, die eine intensive Nutzung subventionieren. **Die zugrunde liegende These**, und der eigentliche Grund für den Beitrag: *„ACP ist ein offenes Protokoll … damit dein Editor niemals an die Preisentscheidungen eines einzelnen Anbieters gebunden ist"*, mit der expliziten Erwartung, dass *„diese Art von Änderung nicht die letzte sein wird"*. **Der Beitrag trägt ein auf den 16. Juni 2026 datiertes Addendum**, das ankündigt, dass **die Änderung ausgesetzt wird**: ACP, `claude -p`, das Agent SDK und Drittanbieter-Anwendungen funktionieren **wie zuvor** mit Abonnements weiter, kein separates Guthaben ist zu beanspruchen, die Limits bleiben unverändert, Anthropic überarbeite seinen Plan mit angekündigter Vorlaufzeit. **Das Artefakt widerspricht sich damit selbst**: sein wichtigster Inhalt — die Rücknahme — datiert einen Monat nach seinem eigenen Veröffentlichungsdatum.
#Zed#Anthropic#Claude-Abonnement
**Franciska Dethlefsen** — head of growth and marketing chez **Zed Industries**. Le rôle est déterminant pour lire le texte : ce n'est pas un billet d'ingénierie mais une **communication de crise produit** · écrite le lendemain d'une annonce d'un fournisseur dont Zed dépend · à destination d'utilisateurs inquiets. La signature growth/marketing explique la structure (problème → options → réassurance) et le fait que l'argument protocolaire arrive en conclusion plutôt qu'en tête.
Continuous Delivery als nicht verhandelbare Grundlage KI-gestützter Softwareentwicklung — Dave Farley argumentiert auf seinem Kanal *Modern Software Engineering*, dass KI ohne CD kein Beschleuniger, sondern eine Falle ist (Theory of Constraints und Jevons-Paradoxon angewandt auf generierten Code, ATDD/BDD als Absicherung, Deployment-Pipeline als Qualitätsschiedsrichter).
#Continuous Delivery#Generative KI im SDLC#ATDD (Acceptance Test-Driven Development)
Dave Farley (Modern Software Engineering — YouTube channel)
Aussage von **Arthur Mensch** (Mitgründer und CEO von **Mistral AI**) in Begleitung von **Audry Herblin-Stoupe** (Direktorin für öffentliche Angelegenheiten) vor der **commission d'enquête sur les vulnérabilités numériques** der Nationalversammlung (Vorsitz: Philippe Latombe, abwesend — Sitzungsleitung durch den Berichterstatter). Aussage unter Eid, ~1h15, Mai 2026. Menschs Kernthese: ***"Cloud ist künstliche Intelligenz"*** — keine Unterscheidung zwischen digitalen Diensten und KI, KI ist die atomare Einheit der Cloud-Wertschöpfungskette, von Halbleitern (ASML) bis zum Unternehmenseinsatz. **Mistral 2026**: 1.000 Beschäftigte, 12 Milliarden Euro Bewertung, Ziel von **1 Milliarde Euro Umsatz bis Ende 2026**, 1 Milliarde Euro F&E-Investition im Jahresverlauf, 30 % des Umsatzes in Frankreich / 70 % außerhalb Frankreichs / ~75 % in Europa, Kunden: DINUM, Caisse des dépôts, France Travail, MACGM, Stellantis, TotalEnergies, BNP Paribas, ministère des Armées, Luxemburg (Zentralverwaltung). **Menschs konzeptueller Rahmen**: KI ist eine **natürliche Ressource** — *"wir wandeln Elektrizität in Intelligenz um, in Token-Generierung."* Ökonomie: 1 GW Rechenzentrum = **50 Milliarden Dollar Investition über 5 Jahre**, erzeugt **20 Milliarden Dollar an Tokens/Jahr** ≈ 50 % Bruttomarge. Entlang der Kette Elektron→Token liegen **~10 % des Werts beim Elektron**, 90 % anderswo (Chips, Software, Dienstleistungen). **Alarmistische Makrothese**: Wenn Europa 10 % seiner Lohnsumme in nicht-europäischer KI importiert, entspricht das **einem zusätzlichen Handelsdefizit von 1 Billion Euro**; es werden 20 Billionen Euro an Infrastrukturinvestitionen benötigt, um Europa zu versorgen (40 GW Frankreich / 400 GW Europa). **Souveränitätsstrategie**: ***"Souveränität nicht als Isolationismus verstehen, sondern als Hebelwirkung."*** **Zeitdruck**: *"wir haben keine Zeit"* — ein **2-Jahres**-Fenster, bevor europäische Energieressourcen von amerikanischen Hyperscalern monopolisiert werden, die **1 Billion Dollar/Jahr** einsetzen. **Fünf operative Diagnosen**: (1) Regulatorische Last = 5 Compliance-Mitarbeiter bei Mistral, 27 unsynchronisierte Regulierungen, Unternehmer wandern in die USA ab; (2) Fragmentierter Markt = ~60 europäische Telcos gegenüber 3 in den USA; (3) öffentliche Beschaffung als strategischer Hebel unterausgeschöpft (50 % des EU-BIP); (4) Energie: 9 GW französischer Überschuss laufen Gefahr, binnen 2 Jahren von US-Akteuren monopolisiert zu werden; (5) Destillation = eine Kostensenkungstechnik, **kein** technologisches Aufholen. **Verteidigungsdoktrin**: Mistral arbeitet mit dem ministère des Armées, lehnt eine "Aufsicht" über die Endnutzung explizit ab ("wir haben keine demokratische Legitimität"), eine Positionierung *anti-Anthropic-Mythos*. **Cybersicherheit**: erkennt die offensiven Fähigkeiten der Modelle an ("das steigt linear, vorhersehbar, für alle gleichzeitig"), wendet sich gegen das *Angstmarketing* eines amerikanischen Wettbewerbers (implizit Anthropic). **Campus IA**: sehr geringe Beteiligung, potenzieller Lieferant (Mistral + Hyperscaler), 35 Milliarden Euro MGX/Abu Dhabi + Nvidia, 100 Hektar in Saint-Arnoult, 1,4–1,6 GW (= Flamanville), französischer Atomstrom = reduzierter CO2-Fußabdruck. **Anmerkung**: Teams von Doktoranden (keine Microworker mehr), Madagaskar für Robotik mit Lohngarantien. **Geschäftsmodell**: keine Blase auf der Nachfrageseite, **Angebotsengpass** (Chips, Speicher, Helium, Elektronen). **Warnender Schluss**: *"wenn wir es nicht schnell genug tun, werden wir ein Vasallenstaat."*
#Arthur Mensch#Mistral AI#Audry Herblin-Stoupe
**Arthur Mensch** (cofondateur et directeur général de **Mistral AI**) accompagné d'**Audry Herblin-Stoupe** (directrice des affaires publiques et de la communication, Mistral AI). Mensch a cofondé Mistral AI le 28 avril 2023 avec **Guillaume Lample** et **Timothée Lacroix** — tous les trois précédemment dans les *« gros acteurs américains »* (Google DeepMind / Meta FAIR). Audition tenue devant la **commission d'enquête de l'Assemblée nationale sur les vulnérabilités numériques** · présidée par **Philippe Latombe** (député MoDem, Vendée — absent ce jour). Séance présidée par la **rapporteur** (non nommée dans le transcript) · avec interventions du président lui-même (revenu en cours) · du député **Arnaud Saint-Martin** (LFI/Saint-Arnoult — sa circonscription accueille Campus IA) · et de la rapporteur sur les questions économiques.
Vorstellung von **AI/works™**, einer **agentischen Entwicklungsplattform**, die laut **Thoughtworks** *„der neue Standard für den Bau und Betrieb industrietauglicher Systeme im KI-Zeitalter“* ist. Das Kernversprechen ist **wirtschaftlicher** Natur: *„Das alte Modell ließ Sie Millionen für den Bau zahlen, für den Betrieb, und dann erneut für den Neubau — AI/works™ beendet diese Routine.“* Die Plattform deckt **den gesamten SDLC** ab, zentriert um ein zentrales Konzept, die ***Super Spec*** (eine dynamische, einheitliche Spezifikation für Architektur, Workflows, Sicherheit, Daten, UX), mit **sechs Fähigkeiten**: Reverse Engineering (Legacy → As-is-Spezifikationen), Dynamic Spec Development (Rohanforderungen → Super Spec), Spec to Code (coordinated agents erzeugen testbaren Code), Developer Experience (governed golden paths), Control Plane (Agentenorchestrierung mit Kostentransparenz, aktiven Guardrails, durchgängiger Lineage), Runtime Ops (kontinuierliches Monitoring, das Änderungen erkennt, die Super Spec aktualisiert und betroffenen Code neu generiert). **3-3-3**-Methodik: 3 Tage zur Abstimmung des Produktkonzepts, 3 Wochen für den Prototyp (Desirability/Viability/Feasibility), 3 Monate bis zum MVP in Produktion. Anerkennung durch **Constellation Research**: *„verändert die Ökonomie der Enterprise-Software-Bereitstellung“* durch einen *„spezifikationsgetriebenen, lebenszyklusorientierten“* Ansatz. Einstiegs-Tagline: ***„Wir machen es erneut, für das KI-Zeitalter“*** — eine Berufung auf Thoughtworks' Erbe in XP/CI-CD/Microservices. Anti-Hype-Positionierung: *„stützt sich auf ein technisches Fundament statt auf Begeisterung“*, *„keine Beraterheere“*, *„die Finanzabteilung kann die Rechnung öffnen, ohne die Notbeleuchtung einzuschalten“*. Vorgestellte Partner: AWS, GCP, Azure, Databricks, Snowflake + Claude, OpenAI, DeepSeek, Gemini, Grok + NVIDIA, Groq, Stripe, Spotify, CAST, Cyn DX, Mechanical Orchard.
#Thoughtworks#AI/works#AI works Marke
**Thoughtworks** (auteur collectif corporate, page produit/marketing). Aucun individu cité sur la page. Contexte des figures Thoughtworks pertinentes en arrière-plan : **Martin Fowler** (chief scientist emeritus, *Refactoring*, *Patterns of Enterprise Application Architecture*) · **Rebecca Parsons** (CTO emeritus) · **Birgitta Böckeler** (Distinguished Engineer, *Harness Engineering for Coding Agents*, fiche 2026-04-02) · **Matt Kamelman** (*Service-as-Software*, fiche 2025-12-03) · **Sam Newman** (*Building Microservices*).