Leitfaden von **Michael Segner**, veröffentlicht am **20. August 2026** im Blog von claude.com in der Kategorie *Claude Code*: ein **5-minütiger** Lesetext mit angekündigten rund **31.500 Zeichen** Fließtext, auch als PDF verfügbar. Angegebenes Material: Interviews mit **mehr als einem Dutzend** Startups, fünfzehn davon namentlich genannt — **Artemis Security**, **Cainex**, **Clay**, **ClickHouse**, **Cognition**, **Commure**, **Crosby**, **Emergent**, **Harvey**, **Heidi**, **Higgsfield**, **Omni**, **Parahelp**, **Translucent**, **Zingage**. (A) Fünf Betriebsregeln: *everyone ships*, *automate the tedium*, *trust, but verify*, *build for rebuilding*, *prototype, dogfood, productionize*, jede abgeschlossen mit Produkt-Tipps und zusammengefasst in einer abschließenden Checkliste. (B) Ein Textkörper aus zugeschriebenen Zitaten, wobei jede Regel durch namentlich genannte Führungskräfte illustriert wird statt durch eine aggregierte Kennzahl. Die vier hervorgehobenen Zahlen stammen von den interviewten Unternehmen: **+30 %** mehr ausgelieferte Features (ClickHouse), **2- bis 3-fache** Engineering-Produktivität (Omni), **100 %** der Bug-Triage automatisiert (Clay), **mehr als 6.000 PRs pro Woche** (Artemis Security). Zwei Passagen weichen vom Erfahrungsbericht-Register ab: **Cainex**s Selbstkorrekturschleife bei der medizinischen Kodierung, Schritt für Schritt beschrieben, sowie der interne Einsatz von **Claude Tag** bei **Anthropic** als Erstreagierer für den CI/CD-Bereitschaftsdienst. Die eingangs gestellte Frage — *„Wie würde es aussehen, wenn eine Organisation ihren Produktentwicklungszyklus von Grund auf mit Claude Code aufbauen würde?"* — knüpft an [[claxton-anthropic-ai-native-sdlc-playbook-2026-08-21]] an, das am folgenden Tag vom selben Verlag veröffentlicht wurde, und führt [[cherny-wu-reflecting-year-claude-code-2026-07-17]] weiter.
#Claude Code#Startups#everyone ships
Michael Segner · auteur du guide sur le blog claude.com (fonction non affichée par la page) ; entretiens avec les dirigeants de quinze entreprises nommées.
Unternehmensblogbeitrag von **Block** (`block.xyz/inside`), nicht namentlich gezeichnet — als Autor wird **„Block“** angegeben —, veröffentlicht am **18. August 2026**, ~930 Wörter, der **die Open-Source-Stellung von Berd** ankündigt, Blocks interne Desktop-Anwendung für die Arbeit mit Agenten, und die Designthese darlegt, die sie geleitet hat: Agenten Charakter zu verleihen *"not only through roles, instructions, skills, and tools, but through distinctive visual identities"* — daher die selbst entwickelten animierten Figuren, die *"Gloopies"*. Der Beitrag geht von einer Beobachtung der Fragmentierung aus (*"The technology was powerful, but the experience around it was fragmented"*) und einem präzise benannten Interface-Problem: *"the product gives people little sense of how the agent is configured, which context and tools are available to it, and how it differs from another agent"*. Zwei strukturierende Beiträge. **(A) Eine dreistufige Gliederung**: **goose** bleibt das Framework und die *Runtime*, die die Agent-Loop trägt; **Berd** ist der Desktop-Client (Projekte, Kontext, Sitzungen, Agenten, Konfiguration); beide kommunizieren über das **Agent Client Protocol**. **Buzz** wird als Fortsetzung bezeichnet, für den Moment, in dem aus Solo-Arbeit Zusammenarbeit wird (*"Start alone, then go multiplayer"*). **(B) Sechs an Buzz weitergereichte Anforderungen**, als Fazit formuliert: *"private space, durable context, recognizable agent identities, reusable skills, visible configuration, and clearer visibility into an agent's configured context, tools, and capabilities"* — ein Raster, das sich direkt zur Bewertung eines Agent-Clients wiederverwenden lässt. Der Text selbst unterscheidet Identität von Fähigkeit: *"The avatars make the agent recognizable. Its role, skills, and tools make it useful."* Es werden keine Nutzungszahlen genannt, und für die Open-Source-Stellung wird keine Lizenz angegeben.
#Berd#Block#Open Source
**Aucun auteur nommé** : le billet est signé **« Block »** — le champ *Author* de la page porte le nom de l'entreprise. Publié le **18 août 2026** sur `block.xyz/inside` · le blog **corporate** · et non sur `engineering.block.xyz`.
X-Post von **Andrew Ng** vom **14. August 2026** (16:29 UTC), Wiederaufnahme des "Dear friends"-Briefs aus ***The Batch* #366** (DeepLearning.AI, gleiches Datum), ca. 900 Wörter. Ng stellt **The AI Engineering Skills Map** vor und veröffentlicht **vier Skills**, die als die wichtigsten gelten. **(1) Aufbau und Bereitstellung von KI-Anwendungen** — die Besonderheit wird benannt: *« The key difference between AI and non-AI applications is that the former has unpredictable outputs »*, daher die Betonung von *evals* und Fehleranalyse-Loops. **(2) Grundlagen der Softwareentwicklung**, denn *« Understanding software fundamentals allows you to recognize what tradeoffs even exist »* — der unerfahrene Entwickler scheitert *« because they don't know what context to give their coding agent »*, daher das Ziel, *« steering coding agents using the precise language of software engineering »*. **(3) Einsatz von Coding-Agenten**, in operativer Formulierung: *« help the agent autonomously close loops by providing verifiers or evals »*, sowie *« knowing how much to intervene and how much to leave them alone »*. **(4) *Den Build gestalten***: *« Given a clear spec, coding agents are rapidly improving at delivering to it. Thus, our work as engineers is shifting toward deciding what should be in the spec »*, ergänzt durch *« Engineers should no longer expect to be given a pixel-perfect design and asked only to implement it. »* Ein **Hinweis zur Terminologie** trägt den größten Teil der Rahmung: Ng spricht von **Skills** im AI Engineering und **nicht von der Rolle** "AI Engineer", mit einer expliziten Analogie — *« All developers today should know how to work with the cloud, and only a smaller number have a "Cloud engineer" title. »* Das Ganze stützt sich auf *« an analysis of more than 10,000 job postings, dozens of structured interviews with experts, hiring managers, and recruiters, surveys, and other online data »*, wovon **keine numerischen Ergebnisse veröffentlicht werden**: Ng beschreibt sein Vorgehen als *« informally… akin to running clustering »* und kündigt eine detaillierte Map in künftigen Beiträgen an. Sein Eigeninteresse benennt er im vorletzten Satz: *« DeepLearning.AI's principal focus is to help developers gain these AI engineering skills. »*
#AI Engineering Skills Map#Skills-Map#Andrew Ng
**Andrew Ng** — fondateur de **DeepLearning.AI** · general partner d'**AI Fund** · cofondateur de **Coursera** et de **Google Brain** · ancien chief scientist de Baidu. Texte signé · à la première personne · écrit *« with my team »* sans qu'aucun collaborateur soit nommé. Publié le **14 août 2026** sur X et dans ***The Batch* n°366** — même texte aux deux endroits ; préférer *The Batch* pour toute citation durable. Quatrième fiche Ng du corpus · après les lettres n°350 (24 avril) · n°352 (8 mai) et n°359 (26 juin).
Interner Recherchebericht vom **12. August 2026** (im Format *What? — So What? — Now What?*, Untersuchung durchgeführt am 11.–12. August) zu einer einfachen Frage: Sind die **Desktop**-Anwendungen von ChatGPT und Claude besser als ihre **Web**-Versionen? Die Antwort kommt in zwei Teilen. **(A) Es existiert ein solider, gut belegter qualitativer Konsens.** Der Ausgangspunkt ist unbestreitbar: Desktop und Web rufen exakt dieselben Cloud-Modelle auf, die Anwendung ist lediglich eine Schnittstelle zum Dienst — der Gewinn liegt somit vollständig in der Application Shell (Zugriffslatenz, Stabilität bei langen Sitzungen, Speicherbedarf, Systemintegrationen, Workflow-Flüssigkeit). Was Desktop tatsächlich unterscheidet, bestätigt: auf OpenAI-Seite ein globaler Shortcut (Option/Alt + Space), ein *companion window*, das immer im Vordergrund bleibt, native Screenshots und seit Juli 2026 die agentische **Codex/Work**-Fähigkeit, die in die App integriert ist; auf Anthropic-Seite **Quick Entry** (macOS), **Desktop Extensions** (die Installation eines lokalen **MCP**-Servers wird *„so einfach wie ein Klick auf einen Button“*), Zugriff auf lokale Dateien, **Cowork** und **Computer Use** (Bedienungshilfen-Berechtigungen und Bildschirmaufzeichnung). Das Web behält zwei bestätigte Stärken: mehrere Tabs/Threads und Universalität ohne zu installierenden Client. **(B) Nahezu alle kursierenden Zahlen zur Stützung dieses Konsenses halten einer Überprüfung nicht stand.** Das kritische Audit des Berichts (§1.5) stuft sieben weitverbreitete numerische Behauptungen als **unbestätigt** ein: der *Kaltstart* „2–3 s vs. 8–12 s“ (die einzige Spur ist ein anekdotisches *„lädt in etwa 3 Sekunden“* auf Substack); RAM-Nutzung „200–700 MB vs. 1,2–2 GB“, zugeschrieben einem „Alibaba Product Insights“, dessen Seiten **404** zurückgeben; eine nicht nachvollziehbare Glitch-Rate und eine ebenso nicht nachvollziehbare Zahl zur Sitzungsbindung; ein Claude „+10–20 %“ End-to-End, zugeschrieben **Skywork**, das in Wahrheit seinen eigenen Windows-Agenten und nicht Claude gegen das Web gebenchmarkt hatte; eine nicht nachvollziehbare Quelle „Cosmo Edge“; unbestätigte Zitate von Zenken AI; sowie zwei nicht authentifizierte X-Posts ohne URL. Das Gegensignal ist mit derselben Sorgfalt dokumentiert: Yuri Dvoinos beschreibt eine Claude-Desktop-App, die *„mich dazu bringt, meinen Laptop aus dem Fenster werfen zu wollen“* — 68 % CPU-Auslastung, Eingabeverzögerung auf einem MacBook Pro — und der Bericht vermerkt, dass beide Apps **Electron**-Builds mit nativen Schichten sind. Daher seine Formulierung: *der Desktop-Vorteil ist ein Implementierungsversprechen, kein Naturgesetz.* **Das „So What“**: Da das Modell zum gemeinsamen Nenner geworden ist, wird die Schnittstelle zum Schlachtfeld — die Fusion **Codex + ChatGPT** vom 9. Juli 2026 und das Tandem Cowork/Computer Use erzählen dieselbe Geschichte: *„die Desktop-App ist kein Chat-Client mehr, sondern eine Agenten-Laufzeitumgebung mit Zugriff auf die Maschine.“* Drei Konsequenzen: Der Gewinn ist ein **Reibungs**-Gewinn, kein Leistungsgewinn; für einen CIO **verschiebt** Desktop die **Vertrauensgrenze** — Computer Use erfordert sensible Systemberechtigungen, und die Codex-Fusion bringt Codeausführung, Browser und Konnektoren in *„eine erweiterte Vertrauensgrenze“*, während der Browser über SSO, DLP und CASB weiterhin steuerbar bleibt; und für jeden, der publiziert, ist die Zerbrechlichkeit der Zahlen selbst die Geschichte. **Das „Now What“** liefert individuelle Umstiegskriterien, eine CIO-Checkliste (Berechtigungen inventarisieren, Computer Use und Cowork standardmäßig deaktivieren, festlegen, welche MCP-Erweiterungen autorisiert sind, Verteilung und Updates organisieren — unter Linux, außerhalb des apt-Repositorys, aktualisiert sich Claude Desktop nicht selbst) sowie eine redaktionelle Vorgabe: nur bestätigte Verbatims und Daten zitieren.
#ChatGPT Desktop#Claude Desktop#Web-Version
**Deep Research Veille Interne** — rapport non signé · produit par une enquête sourcée menée les **11-12 août 2026** et rendu le 12.
Erfahrungsbericht, veröffentlicht auf **LinkedIn Pulse** am **12. August 2026** von **Guillaume Dumortier** in seinem Newsletter *Growth Marketing Fit*, mit dem Untertitel *„Four layers, a lot of rebuilding, and the failure modes nobody warns you about"*, ~2.500 Wörter. Thema: ein internes KI-System, gebaut **in Claude** für ein Marketingteam von rund sechzig Personen – etwa dreißig Content- und Sales-**Skills**, ein Dutzend **Source-of-Truth-Module**, **sieben Agenten, von denen sechs ausschließlich Arbeit prüfen statt sie zu produzieren**, ein **Plugin** für alle, die im Terminal arbeiten, eine **Browseranwendung**, die dasselbe Wissen für alle anderen bereitstellt, und eine Orchestrierung, die drei oder vier Assets zu einem *campaign bundle* verkettet. Die These wird früh formuliert: Die Qualität eines KI-Outputs entscheidet sich nicht im Moment der Generierung, sondern durch das, was das System vorher weiß, und durch das, was anschließend mit dem Entwurf geschieht – *„The generation step in the middle is the easy part. It's also the only part most teams have built."* Daraus ergeben sich vier Schichten: **Truth** (fast niemand baut sie), **Production** (jeder), **Verification** (fast niemand), **Internal distribution** (*„where good systems die of neglect"*). Zwei Fehlermechanismen tragen den Artikel. **(A) Das nackte Closed-World-„pass" des Prüfers**: Ein Fact-Checker, der auf Produktdokumentation gestützt ist, erhält einen Entwurf mit einer Behauptung über ein anderes Produkt, das von seinen Quellen nicht abgedeckt wurde – er liefert ein *„pass"*, nicht weil die Behauptung wahr war, sondern weil ihr nichts widersprach. *„It didn't just miss the error, it certified it."* Lösung: ein nacktes Urteil verbieten und von jedem Bericht verlangen, die **eigene Abdeckung** offenzulegen – wie viele Behauptungen geprüft wurden, wie viele mit Quellen abgeglichen werden konnten, welche außerhalb seiner Zuständigkeit lagen, welche keiner Quelle zugeordnet werden konnten. *„\"I can't verify this\" became a first-class result."* **(B) Der Cross-Asset-Widerspruch**: Zwei Assets können jedes für sich korrekt sein, jedes auf eine reale Quelle rückführbar sein, und sich dennoch widersprechen – die Pressemitteilung nennt ein Datum, der Blogbeitrag ein anderes, beide bestehen die Prüfung, das Bundle kann nicht ausgeliefert werden. *„Per-asset verification can't catch that, by construction."* Schlusssatz des Artikels: *„The generation is free. The trust is the product."*
**Guillaume Dumortier** — auteur de la newsletter LinkedIn **Growth Marketing Fit** (~1 300 abonnés à la publication). Il écrit en **praticien-constructeur** : il a passé *« une longue partie de cette année »* à bâtir et exploiter le système décrit. La légende de l'illustration précise le socle technique — *« A custom-built Marketing AI OS within Claude »*. Publié le **12 août 2026**.
Langform-Artikel, veröffentlicht auf **X** am **11. August 2026** von **Jesse Zhang**, CEO von **Decagon** (KI-Agenten für den Kundenservice), unter einem dilemmaförmigen Titel — *« To FDE, or not to FDE? »* — der dem **Forward Deployed Engineer** gewidmet ist, der zu *« the answer to almost every hard question in AI go-to-market »* geworden ist. Ausgangsbeobachtung: Anthropic und OpenAI haben Enterprise-Deployment-Einheiten aufgebaut, die sich explizit an Palantir orientieren, *« every seed-stage company »* wirbt mit einem FDE-Angebot, und Stellenausschreibungen für diesen Titel sollen binnen eines Jahres um mehrere hundert Prozent zugenommen haben. **(A) Die Palantir-Genealogie** liefert den Rahmen: die Formel von **Shyam Sankar** (CTO), *« FDEs eat pain and excrete product »*, sowie der Hinweis von **Joe Lonsdale**, dass Palantir fast zwei Jahrzehnte lang als *« glorified consultancy »* bezeichnet wurde — auf Grundlage einer zutreffenden Beobachtung. Die maßgeschneiderten Einsätze von **Gotham** (CIA, NSA, militärische Nachrichtendienste) wurden in Plattform-Primitiven kodiert — Ontologie, Objektmodelle, Berechtigungen, Workflow-Engines, Provenienzverfolgung —, woraus **Foundry** wurde, dann Apollo und AIP; die Standardisierung trieb die Bruttomarge in den Bereich von 80 % und Palantir wechselte von einem FDE-Modell zu Account-based Selling, wobei viele FDEs in die Kernentwicklung wechselten. *« The pain was the input to the product, not a cost of sale. »* **(B) Das vorgeschlagene Kriterium** besteht nicht darin, auf FDEs zu verzichten, sondern zu wissen, wann man aufhören muss: früh einsteigen und dann prüfen, ob man noch **entdeckt** — *« The trap is not starting. It's not stopping. »* **(C) Eine Unterscheidung, die kaum jemand trifft: FDE ≠ Implementierung.** *« Building that integration into their ticketing system »* ist echte Arbeit, aber es handelt sich um die Ausführung einer bekannten Spezifikation, nicht um die Entdeckung einer unbekannten; die Vermischung beider *« is how a company convinces itself that a growing services org is a product investment »*. Schlusssatz: *« If your FDEs are eating pain and excreting more pain, you don't have an FDE team. You have a services business. »* Zu Decagon werden zwei Zahlen angeführt — *« two-thirds of deployment work is now done autonomously via Duet »* und *« a few days on average to launch the first AOP, even for large banks, airlines, telcos »* —, ohne dass der Nenner von „deployment work" definiert oder das Akronym AOP ausgeschrieben wird.
**Jesse Zhang** — cofondateur et **CEO de Decagon** (agents IA de service client, San Francisco) · 85 000 abonnés sur X · site personnel `jessezhang.org`. Il cite son cofondateur **Ashwin Sreenivas** · **ex-Palantir** · d'où la profondeur du récit Palantir. Publié le **11 août 2026**.
Branchenmeldung (**Payments Dive**, Format *Dive Brief*, **6. August 2026**) zur Quartalsbilanz von **Block**: Das Unternehmen hat seinen Kunden bereits mehrere KI-Tools zur Verfügung gestellt — **Moneybot** (Cash App) und **Managerbot** (Square) — und hat noch nicht entschieden, wie es dafür abrechnen will. **Jack Dorsey** im Analystencall: *„We're in a fortunate position where we can experiment with a number of models, and then choose the right one that's going to align all of our incentives with our customers.“* **Der finanzielle Hintergrund erhellt diese Haltung.** Sechs Monate zuvor hatte Block rund **4.000 Personen entlassen, etwa 40 % der Belegschaft**, im Rahmen einer Umstrukturierung, die ausdrücklich mit KI begründet wurde. Im Q2 2026: Bruttogewinn **+25 % auf 3,2 Mrd. USD**, Umsatz **+10 % auf 6,62 Mrd. USD**, aber **Nettogewinn bei 89 Mio. USD, −83 %** im Jahresvergleich, bedingt durch Abfindungskosten zum Abschluss der Restrukturierung; die Prognose für 2026 wurde angehoben. Der Wert der KI wird demnach zunächst über die Kostenstruktur erschlossen, bevor er über den Preis erschlossen wird. **Die gewichtigste Aussage steckt in der Mitte der Meldung**, entnommen dem Aktionärsbrief: *„Starting in June, agentic AI helped write and review nearly all of our production code changes“* — das Schreiben **und** Überprüfen nahezu aller Produktionscode-Änderungen, bei einem börsennotierten Zahlungsunternehmen, sechs Monate nach dem Abbau von 40 % der Belegschaft. Eine selbstberichtete Aussage gegenüber Investoren, ohne Definition von *„nearly all“* oder dessen, was *„review“* umfasst. **Die Tools**: **Goose**, ein zwei Jahre zuvor aufgebautes internes System, beschrieben als modellagnostisch (es bindet für Mitarbeitende verschiedene kommerzielle Modelle ein); **Buzz**, im Vormonat gestartet für *„agent collaboration, communication, and code repositories.“* **Auf Kundenseite**: Moneybot überwacht die Nutzeraktivität in Cash App und zeigt Konten, Salden und Transaktionen an — über **eine Million wöchentlich aktive Konten**; Managerbot übernimmt automatisiertes Marketing, Margenanalyse und schlägt Square-Händlern *„operational fixes“* vor. Analysten von **Evercore ISI** listen vier Monetarisierungswege auf — SaaS-Pakete, Direktabonnements, Unternehmensangebote, nutzungsbasierte Preisgestaltung — **keiner davon an Ergebnisse gekoppelt**. Genannte Prioritätsreihenfolge: **Produktqualität → Distribution → Adoption → Preismodell**. Zwei Fakten zur Distribution runden das Bild ab: Square wird in **Google Maps** integriert, mit einem *„conversational AI experience,“* beschrieben als *„the first step in a broader partnership between Square and Google“*; und das Zahlungsgerät **Tags** (Schlüsselanhänger und NFC-Chip-Sticks) verzeichnet **drei Millionen Personen auf der Warteliste**. Analystenzitate: William Blair (*„Block epitomizes the secular shift toward tech-forward digital finance firms“*) und Bank of America zum *„post-reset operating model.“*
#Block#Jack Dorsey#Cash App
**Justin Bachman** — Senior Reporter · **Payments Dive** (groupe Industry Dive). Journaliste sectoriel paiements ; signe ici un **Dive Brief** · format court en deux temps (*Dive Brief* = les faits du jour, *Dive Insight* = le contexte) qui compile une conférence de résultats · une lettre aux actionnaires · un communiqué et trois notes d'analystes.
Tiefgehender Meinungsbeitrag, veröffentlicht auf **sfeir.com** am 1. August 2026, verfasst von **SFEIR** (der redaktionellen Stimme des Unternehmens). Er führt **zwei Publikationen vom Juli 2026** mit gegensätzlichen Methodiken zusammen — das präregistrierte Feldexperiment **„The Cybernetic Teammate"** bei **Procter & Gamble** (Dell'Acqua, Ayoubi, Lifshitz, Sadun, **Ethan Mollick** et al., *Organization Science* 37(4), 2026) und den ersten Bericht der Serie **„Work at the Frontier"** von **OpenAI Economic Research** (27. Juli 2026, >800.000 Nachrichten von US-ChatGPT-Nutzern) — zu einer einzigen These: *„generative KI beschleunigt nicht nur bestehende Arbeit, sie verteilt neu, wer was tut."* Der Aufbau entfaltet sich in vier Etappen: **der Mechanismus** (P&G: KI fungiert als *boundary-spanning*-Vorrichtung, die funktionale Silos auflöst — eine Einzelperson + KI erreicht das Niveau eines Paars ohne KI, **+0,37 σ**), **die Größenordnung** (OpenAI: **43,5 %** der berufsspezifischen Nachrichten liegen außerhalb des eigenen Berufs der Nutzer), **die Agenda** (Mollick: die Grenzen werden durchlässiger, die Arbeitsteilung muss neu gedacht werden, und eine gut orchestrierte Neuordnung „zahlt sich reichlich aus"), dann **die Antwort des Unternehmens** — **Skill Based Organisation (SBO)**, bei SFEIR eingeführt auf Initiative von **Rosalie Zandona** (VP People & Culture): Die **tatsächlich operative Kompetenz** ersetzt die Stellenbeschreibung als Organisationseinheit (**bis zu 13 identifizierte Skills pro Rolle**), was einen Wechsel von einer **statusbasierten Identität** („Ich bin Manager") zu einer **operativen Identität** („Ich weiß, wie man komplexe Architekturen entwirft") bedeutet. Der rhetorische Kunstgriff ist der Beweis durch das eigene Beispiel: *„wir haben den Wandel intern vollzogen, bevor wir ihn empfohlen haben."* **Drei Vorbehalte werden genannt**: Der SBO-Wandel bei SFEIR geht auf **Februar 2026** zurück und geht damit der Diagnose, die er lösen soll, *voraus* (die argumentative Reihenfolge kehrt die chronologische Reihenfolge um); **nichts in den Daten belegt**, dass eine kompetenzbasierte Organisation Aufgabenüberschneidungen besser absorbiert als eine rollenbasierte (eine ungetestete Gestaltungshypothese); das P&G-Ergebnis zirkuliert bereits **seit März 2025** (NBER w33641) — das „ein paar Wochen früher" bezieht sich auf die peer-reviewte Publikation, nicht auf das Ergebnis selbst.
#Skill Based Organisation#SBO#kompetenzbasierte Organisation
**SFEIR** — ESN française « AI Only » (~850 ingénieurs, 8 agences France & Benelux). Voix éditoriale du cabinet (byline « SFEIR »).
Beitrag und Bericht von **OpenAI Economic Research**, veröffentlicht am **27. Juli 2026**, erste Folge der Reihe **Work at the Frontier**, basierend auf der Analyse von **mehr als 800.000 Nachrichten von US-amerikanischen ChatGPT-Nutzern**. **Geprägter Begriff**: ***task crossover*** — *« Arbeit, die historisch mit einem Beruf verbunden ist und in der KI-Nutzung von Personen eines anderen Berufs auftritt »*. **Die Schlagzeilenzahl ist eigentlich zwei Zahlen, und genau das geht in der Berichterstattung verloren**: **16,8 % der arbeitsbezogenen Nachrichten** betreffen Aufgaben, die einem anderen Beruf zugeordnet sind, sowie **43,5 % der berufsspezifischen Nachrichten**. Der Trichter erklärt die Diskrepanz: **61,5 % der Nutzung sind generisch** (Schreiben, Zusammenfassen, Planen — zu breit verteilt, um als Beleg für Crossover zu gelten) und werden ausgeschlossen; von den **verbleibenden 38,5 %** liegen **43,5 % außerhalb des Berufs**, und 56,5 % sind *« innerhalb **oder in der Nähe** »* — die Obergrenze wird also auf einer reduzierten Basis berechnet, während die Untergrenze auf der gesamten beruflichen Nutzung berechnet wird. **Nach Beruf** (Anteil der berufsspezifischen Nachrichten, die auf eine fremde Aufgabe verweisen): Kundenerfahrung **77 %**, Design **75 %**, Personalwesen **69 %**, Recht **56 %**, Marketing **53 %**, Vertrieb **40 %**, Finanzen **40 %**, Engineering **28 %** — *« eine Mehrheit in fünf von acht Gruppen »*. **Zwei unterschiedliche Zirkulationsrichtungen**: Design **importiert** (35,2 %) und **exportiert** fast nichts (1,7 %); Engineering verhält sich umgekehrt (Import 18,5 %, Export 7,4 %); **Marketing tut beides** (Import 24,3 %, Export **8,9 %**, der höchste Exportanteil in der Stichprobe). **Zwei Aufgaben erscheinen in den Top 3 der Entlehnungen für die übrigen sieben Gruppen**: **Finanzberechnung** und **Fehlerbehebung bei Technologie**. **Die Heatmap, in der Berichterstattung nicht erwähnt, ist das ergiebigste Element**: Sie liefert die vollständige Verteilung der Aufgaben nach Beruf des Nutzers, und ihre Diagonale ist auffällig — Engineering behält **53 %** der eigenen Arbeit, während Kundenerfahrung nur **11 %**, Personalwesen **10 %** und Design **12 %** behalten. **Größeneffekt**: Der Anteil außerhalb des Berufs sinkt von **18,9 %** (2-5 Beschäftigte) auf **16,3 %** (>100 Beschäftigte) — **aber nur « bei durchschnittlichen Nutzern »**, wobei OpenAI präzisiert, dass *« bei den intensivsten Nutzern zeigt sich nicht dasselbe monotone Muster »*, und schlussfolgert bedingt: *« KI **könnte** besonders nützlich als generalistisches Werkzeug sein, wo spezialisierte Ressourcen knapp sind. »* **Beanspruchter Status**: ein **frühes Signal**, sichtbar *« bevor Unternehmen Stellenbeschreibungen umschreiben oder neue Berufsbezeichnungen schaffen »*. **Struktureller Vorbehalt**: OpenAI misst die eigene Nutzung von OpenAI, ausschließlich bei US-amerikanischen ChatGPT-Nutzern, und stellt diese Position als Vorteil dar — *« unser einzigartiges Fenster darauf, wie sich die Arbeitswelt verändert »*.
#OpenAI Economic Research#Work at the Frontier#task crossover
**OpenAI Economic Research** — équipe de recherche économique d'OpenAI ; la page crédite simplement *« OpenAI »* et la classe sous les tags *Economic Research* et *2026*. Le billet est la porte d'entrée d'un **rapport PDF** (`work-at-the-frontier-report.pdf`) et s'adosse à un cadre antérieur de la même équipe · l'**AI Jobs Transition Framework** · dont il reprend la thèse que de nombreux métiers vont **se réorganiser** plutôt que disparaître.
Capgemini (Aiman Ezzat, CEO) — Investir-Interview, „boss special“: IA agentique als operativer Durchbruch, nicht nur eine weitere Technologie; 2 Mrd. € investiert, +30% bei der Anwendungsentwicklung und −20% Incidents, >11% der Bookings im Q1, TAM von über 400 Mrd. $/Jahr bis 2030 — aber „sehr weit entfernt von plug and play“ (Investir / Les Echos)
#Aiman Ezzat#Capgemini#IA agentique
Aiman Ezzat (directeur général de Capgemini) · propos recueillis par La Rédaction d'Investir
Ausführlicher Meinungsbeitrag, veröffentlicht auf **sfeir.com** am 23. Juli 2026, gezeichnet von **SFEIR** (der redaktionellen Stimme des Unternehmens). Es handelt sich um einen **strategischen Kommentar zur Trésor-Éco-Notiz Nr. 391** der DG Trésor (Juni 2026 — siehe [[dgtresor-ia-effets-emploi-2026-06-30]]), gelesen durch SFEIRs Doktrin, « **KI zu verstärken statt sie zu erdulden** ». Der Artikel würdigt den **vorsichtigen, ökonomischen Ton** Bercys (Mechanismen plus Unsicherheit statt einer Vorhersage) und leitet daraus eine **dreiteilige These** ab: (1) **kein messbarer Gesamteffekt** im aktuellen Stadium (zwei sich ausgleichende Kräfte — Verdrängung vs. Produktivität — EU-Adoption ~20 %); (2) ein **einziges belastbares empirisches Signal, bei Berufseinsteigern** (−16 % Beschäftigung bei exponierten 22-25-Jährigen in den USA); (3) eine **langfristige Gefahr, die die Fragestellung verschiebt** — **Wettbewerbsrückstand** (Nicht-Adoption), nicht Arbeitsplatzvernichtung. Den analytischen Kern behält SFEIR bei: die **Preiselastizität** bestimmt den Beschäftigungseffekt (das **Jevons**-Paradox angewandt auf Code) → das Argument ist **strukturell beschäftigungsfreundlich für Entwickler**. Der Artikel **entkräftet die "KI-Entlassungen"-Erzählung** (4,5-6,2 % der US-Entlassungsankündigungen, "Labeling" bei 59 %) und weist auf die **blinden Flecken** der Notiz hin (das agentische Szenario, das in eine Fußnote verbannt wird; die Diffusionsgeschwindigkeit wird nicht diskutiert; OpenAI/Anthropic sind zu Quellen für Bercy geworden = ein nicht gekennzeichneter Quellen-Bias). **SFEIRs operative Übersetzung** (für CIOs/CTOs): Wert wandert in Richtung Intention/Architektur/Kontrolle, Ausbildung von **augmentierten Ingenieuren** (**AI-Champions**-Programme) und Vermeidung überstürzter Adoption (**workslop**, technische Schulden) durch **Context Engineering** und Governance.
#KI und Beschäftigung#Wettbewerbsrückstand#Nicht-Adoption
**SFEIR** — ESN française « AI Only » (~850 ingénieurs, 8 agences France & Benelux). Voix éditoriale du cabinet (byline « SFEIR »). Positionnement de la maison sur la transformation IA des DSI ; ce texte prolonge la ligne éditoriale portée notamment par Didier Girard (cf. [[girard-sfeir-ai4it-vs-ai4business-budgets-2027-2026-06-24]]).
SFEIR-Analyse (Stimme eines Beratungsunternehmens, „die Lesart eines Ingenieurs“), die zwei zu oft vermischte Frameworks artikuliert: den **SDLC** (Software Development Life Cycle — *die Software korrekt und zuverlässig bauen*) und den **PDLC** (Product Development Life Cycle — *das richtige Produkt bauen und am Markt erfolgreich sein*). Zentrale These: Die beiden Zyklen sind keine Konkurrenten, sondern **verschachtelt** — der SDLC ist die Teilmenge des PDLC, **untergebracht in dessen Entwicklungsphase**; wenn ein Produktteam die „Build“-Phase erreicht, läuft darin ein vollständiger SDLC-Zyklus (Design → Build → Test → Review → Deployment) ab. Der SDLC ist standardisiert (**ISO/IEC/IEEE 12207**, Ausgaben 2017 und 2026), mit seiner Modell-Genealogie (Waterfall 1970, V-Modell, iterativ/spiralförmig, **Agile 2001**, **DevOps/DevSecOps ab 2009**) und seinen **DORA**-Metriken (Durchsatz, Stabilität, MTTR, Change-Failure-Rate). Der PDLC, als übergeordneter Zyklus, reicht von **Ideation/Discovery** bis zum **Marktrückzug** (nicht zu verwechseln mit dem marketingbezogenen **PLC** von Theodore Levitt, 1965, der eine *kommerzielle Kurve* beschreibt, keine *organisierte Arbeit*: „der PLC beobachtet eine Kurve; der PDLC organisiert Arbeit“). **Wendepunkt**: Der SDLC adressiert nativ **nur eines von vier Risiken** — über **Marty Cagans „Four Big Risks“**-Framework (Value → PM, Usability → Designer, Feasibility → Lead Engineer, Business Viability → PM) — eine Organisation, die im SDLC exzellent, aber gegenüber dem PDLC blind ist, produziert „Software, die niemand will“ — John Cutlers **„Feature Factory“** (Erfolg gemessen am Output, nicht am Outcome). **Warum KI alles verändert**: Generative KI **komprimiert den SDLC** (Google/JetBrains-Daten, Mai 2026: **~85 % der Entwickler** nutzen regelmäßig Coding-Agenten, **~41 % des neuen Codes** ist KI-generiert; die Implementierung schrumpft von Wochen auf Stunden), sodass sich der **Engpass stromaufwärts verlagert** — die Entscheidung, *was* gebaut werden soll (Marty Cagan, April 2026: „wenn die Kosten der Auslieferung einbrechen, verlagert sich der Engpass zur Discovery“). Konsequenzen: DORA 2025 (~5.000 Fachleute, 90 % KI-Adoption) zeigt eine **positive Korrelation mit dem Durchsatz, aber eine negative mit der Stabilität** (mehr unvalidierte Features bedeuten Instabilität und Nacharbeit); Andrew Ng (AI Startup School, Juli 2025) berichtet von Teams, die das **Verhältnis „1 PM auf 4 Ingenieure“ zu „2 PMs auf 1 Ingenieur“ umkehren**; und mit **Spec-driven Development** wird die Grenze zwischen PDLC/SDLC **durchlässig** (die Produktspezifikation wird direkt von Agenten ausführbar). **Was ein CIO mitnehmen sollte**: Ein augmentierter SDLC wird zum **Marktstandard, nicht zum Differenzierungsmerkmal** — die Schnittstelle zum Produkt muss instrumentiert, **ausführbare Spezifikationen** als Input verlangt, technische Metriken mit Outcome-Metriken abgeglichen und die Rolle des „Feature-Lieferanten“ **abgelehnt** werden. Für einen CPO: Die Verlagerung des Engpasses zur Discovery ist zugleich eine **Aufwertung** (Produkturteil wird wieder knapp) und eine **Handlungsaufforderung** (Discovery industrialisieren, um mit dem SDLC gleichzuziehen). SFEIRs eigenes Framework („Designing and building in the agentic era“ — **11-Phasen-Zyklus** + **Software Factory 10x**) wird als Antwort auf der Engineering-Seite positioniert, wobei die **Verknüpfung der beiden Zyklen** als nächster Hebel gilt. Fazit: „während Code zur Commodity wird, verschiebt sich die Marge hin zu Produkturteil und Governance.“
Boris Cherny (Head of Claude Code) und Cat Wu (Head of Product, Claude Code) veröffentlichen ein kurzes LinkedIn-Video, „Reflecting on a year of Claude Code“, in dem sie eine These aufstellen: **Produkt- und Engineering-Rollen verschmelzen**. Bei Anthropic **schreibt das gesamte Produktteam, DevRel und Design Code**; viele Engineers **liefern Produkte End-to-End** (Idee → Entwicklung → Legal/Marketing/Security → Veröffentlichung in die Welt). Ihr Fazit: KI begünstigt Profile mit **Neugier**, **Produktgespür** und einer Vorliebe für **End-to-End-Verantwortung**. Die Notiz erfasst vor allem die **Diskussion im Kommentarthread** (55 Kommentare, 28 inhaltlich substanziell): ein Konsens, der die These **neu einordnet** — es sind nicht die Rollen, die verschwinden, sondern das **Ausliefern wird billig**, was den Wert in Richtung Urteilsvermögen und die richtige Problemdefinition verschiebt — dem eine klarsichtige Minderheit auf der Gegenseite gegenübersteht (Verantwortlichkeit, Governance, geistiges Eigentum).
#Boris Cherny#Cat Wu#Claude Code
Boris Cherny (Head of Claude Code, Anthropic) et Cat Wu (Head of Product, Claude Code, Anthropic) — vidéo ~47 s publiée par Claude for Business sur LinkedIn · repartagée par Claude. Commentateurs cités : Omer K. · Syed T. · Andrei K. van Noordt · Kristóf Nagy · Natasha Egan · Natasha Newbold · Rehan Nazir · Noman A. · Kevin Schoovaerts · Sunny Vara · Paul Breuler · Ron H. · Mohammadjavad Sayadi · Chris Bounds · Mohamed Anis · Panny Malialis · David H. · plebs.me · James Hutchinson · Dewayne J Grunden II · e.a. (28 commentaires de fond retenus sur 55).
**Boris Cherny** (Creator & Head of Claude Code @Anthropic) veröffentlicht auf LinkedIn eine Framework-Tabelle, **« Steps of AI Adoption »**, die die Einführung agentischer KI durch ein Engineering-Team über **5 Stufen (0→4)** abbildet, jede charakterisiert durch eine **Größenordnung der gesteuerten Agenten** und eine **Transformation der Rolle des Engineers**: **0 Gated** (0 Agenten, abgeschotteter Zugang), **1 Assisted** (~1 Agent — „du + ein Agent“, betreutes Pair Programming), **2 Parallel** (~10 Agenten — **Orchestrator**), **3 Supervised autonomy** (~100 Agenten — **Manager of Managers**, ein Org-Baum), **4 AI-native** (~1.000+ Agenten — **VP Steering by Intent**). Die Tabelle kreuzt fünf Spalten: Anzahl der Agenten, *wie es aussieht*, *der Engpass*, *die hilfreichen Produkte*, *die Guardrails*. **Zentrale These**: mehr Tokens zu verbrauchen bringt keinen Stufenaufstieg — der Aufstieg zur nächsten Stufe erfordert, **den nächsten Engpass zu identifizieren und aufzulösen** UND **den nächsten Satz an Guardrails aufzubauen**. Konkret: Claude eine verlässliche **Self-Verification-Loop** geben (Tests + Build + Lint + E2E in einer echten Umgebung), **Auto mode** aktivieren (um blockierende Berechtigungsabfragen zu vermeiden), **Code-Review und Security-Review zum Standard machen**, Multi-Agenten-Oberflächen einführen (Agent View CLI, Desktop, iOS/Android-Apps, Tag), dann `/loop`, `/batch`, `/goal`, **dynamische Workflows** und **worktree isolation** für Subagenten. Zum Thema Steuerung: Nutzung (Dashboard) misst **Aktivität, nicht Ertrag**; die richtige Frage lautet *„hätten wir hierfür ohnehin Engineering-Aufwand investiert? Wenn ja, wie viele manuelle Engineer-Stunden hätte es gekostet?“* — das ist der ROI. Der eigentliche Gewinn stellt sich ein, wenn **Fixes und Wartung im Hintergrund ablaufen** und Teams sich auf das *Bauen* konzentrieren. Anthropic befindet sich auf **Stufe 3, auf dem Weg zu 4**; Boris Cherny erklärt, persönlich **Stufe 4** erreicht zu haben.
#Boris Cherny#Claude Code#Anthropic
Boris Cherny (Creator & Head of Claude Code @Anthropic)
Netflix — Aktionärsbrief Q2 FY2026: GenAI skaliert in der Produktion (≈300 Titel in 2026), LLMs für Discovery und Natural-Language-Suche, KI-Tools über den gesamten Werbezyklus hinweg (Netflix)
Tech-Watch-Digest aus Primärquellen zur Position von **Gregor Hohpe** (Autor von *Enterprise Integration Patterns*, *The Software Architect Elevator*, *Cloud/Platform Strategy*; ehemaliger AWS- und Google-Cloud-Enterprise-Strategist, ehemaliger Chief Architect bei Allianz) zur Rolle des Architekten im Zeitalter generativer KI. These: KI **entwertet** den Architekten **nicht**, sie **verschiebt seinen Wert** vom Code hin zu dem, was KI nicht leistet — **Entscheidungen treffen und verantworten, Kompromisse abwägen, „Optionen verkaufen“, mit Menschen kommunizieren, tragfähige Abstraktionen erzeugen**. Kernformel (Craft Conference 2026): „*Developers mainly interact with machines… GenAI. In contrast, architects communicate with humans*“. Seine Kernthese — der Architekt müsse nicht die klügste Person im Raum sein, sondern solle **alle anderen klüger machen** — gewinnt an Gewicht, je reichlicher Code verfügbar wird: Der Vorteil entsteht durch **Entscheidungsdisziplin** und das **Aufdecken verborgener Kompromisse**, nicht durch Menge. Der Digest schlüsselt seine Positionen zudem nach Rolle auf (Enterprise-Architekt: vom **Kartografen zum Scout**; Software-Architekt: Entscheidungen **debuggen** statt Code schreiben; Plattform-Architekt: **Abstraktionen statt Illusionen**), seine Metapher der **realen Optionen** (Wert steigt mit technologischer Volatilität, Black-Scholes-Analogie) sowie seine Warnungen („*An AI-driven SDLC punishes bad habits much faster*“; die Gewinner der KI-Ära werden daran gemessen, wie schnell sie von der Experimentierphase zu einer **kontrollierten Produktion** übergehen). ⚠️ Die weitverbreitete Formel „Architekten, die KI nutzen, werden diejenigen ersetzen, die es nicht tun“ **stammt nicht von Hohpe**. Themenbereich: Softwarearchitektur, die Rolle des Architekten, Entscheidungsfindung, reale Optionen, Plattformen, GenAI im SDLC.
#Gregor Hohpe#Architect Elevator#Rolle des Architekten
Gregor Hohpe (sources primaires) — digest de veille
SFEIR-Analysenotiz, die den Beruf des Softwarearchitekten im Zeitalter generativer KI anhand des Rahmenwerks von **Gregor Hohpe** (*The Software Architect Elevator*) neu untersucht. Zentrale These: Der „**Orakel**"-Architekt — der Inhaber überlegenen Wissens, der Regeln vom Elfenbeinturm aus diktiert — ist obsolet, da KI Code und Vorschläge auf Abruf generiert; der moderne Architekt wird zum **Intelligenzverstärker (IQ Amplifier)**, der Teams mentale Modelle, Geschäftskontext und Entscheidungswerkzeuge bereitstellt, um KI zu nutzen und dabei die Kohärenz des Systems zu gewährleisten. Das Dokument gliedert die Auswirkungen **Stockwerk für Stockwerk des „Architect Elevator"** (Enterprise-/Solution-/Platform-/Software-Architekt) und plädiert für **Domain-Driven Design (DDD)** als wesentliche Absicherung: Die **Ubiquitous Language** dient als Grundlage für *System Prompts* (ein über `.clinerules`/Vorlagen injiziertes Domänenwörterbuch, das Halluzinationen und fachliche Fehlinterpretationen reduziert), und **Bounded Contexts** begrenzen den der KI anvertrauten Geltungsbereich, um die Zuverlässigkeit der Generierung zu maximieren. Fazit: KI ist keine Bedrohung, sondern ein Katalysator, der den Architekten von technischer Routinearbeit entlastet, um Synthese, strategische Vision, Modellierung und die menschliche Verbindung zwischen Technik und Business in den Vordergrund zu stellen. Themenbereich: Softwarearchitektur, Rolle des Architekten, DDD, strukturiertes Prompting, KI-Governance im Unternehmen.
#Softwarearchitekt#Rolle des Architekten#generative KI
Prasanna Sankar (Mitgründer/CTO von Rippling, Gründer von Vorflux) veröffentlicht „The Great Flattening“ — einen Manifest-Essay, der die These vertritt, dass Coding-Modelle **übermenschlich** geworden sind und sich der Engpass von der Code-Produktion hin zur **Kodierung von Urteilsvermögen** in *Agent-Harnesses* verlagert hat. Alles innerhalb der Organisation „kollabiert zum Harness hin“; die eigentliche Arbeit aller wird zum *Self-Profiling*: das implizite Entscheidungswissen aus dem eigenen Kopf zu extrahieren, um es in die Codebase zu kodieren. Gleichzeitiger Launch von Vorflux („Autopilot für Software Engineering“), 15-Mio.-Dollar-Seed-Runde (Y Combinator, Peak XV Partners, Alliance DAO). Der Essay erzielte innerhalb von 24 Stunden über 60.000 Aufrufe auf X.
#Great Flattening#Vorflux#Prasanna Sankar
Prasanna Sankar (Prasanna S, @myprasanna) — co-fondateur et ex-CTO de Rippling ($16B+ valorisation) · fondateur et CEO de Vorflux AI. Article publié sur X (format long-form article) le 14 juillet 2026 · contenu repris comme manifeste Vorflux (vorflux.com/manifesto).
Nachricht von **Linus Torvalds** auf der Mailingliste **linux-media** (Thread "Linking Patchwork with Sashiko?", zu einem LLM-Tool zur Unterstützung von Maintainern), in der der Schöpfer und **oberste Maintainer** des Linux-Kernels **offiziell die Position des Projekts zu KI festlegt**. Als Antwort auf Roman Gushchin, der darauf hinwies, dass eine ablehnende Nachricht eine "sehr generell anti-LLM"-Haltung zum Ausdruck brachte, stimmt Torvalds zu ("Yes") und **weist dann kategorisch zurück, dass dies die Position des Kernels sei** ("And no, that's not the position of the Linux kernel"). Er **setzt sich als oberster Maintainer durch**: **"Linux is not one of those anti-AI projects"**; wer damit ein Problem hat, kann **"do the open source thing: fork it"** — "or just walk away". **Zentrale These**: **"AI is a tool, like the other tools we use, and clearly a useful tool"**; das war vor einem Jahr vielleicht noch nicht "so 'clearly' true", heute steht es aber außer Frage. Er unterscheidet **noch offene** Fragen ("what the AI economy will actually look like in the end") von der Frage, die **entschieden** ist ("is it useful?") — "anybody who doubts that clearly hasn't actually tried it". Er **räumt ein**, dass das Werkzeug **"painful"** sein kann — Belastung für Maintainer, und die Tatsache, dass es "keeps finding embarrassing bugs" —, verweigert aber die Vogel-Strauß-Haltung ("put your head in the sand going 'La La La, I can't hear you'"). **Die richtige Reaktion**: sicherstellen, dass **LLM-Tools Maintainern _helfen_**, statt ihnen Schmerzen zu bereiten. **Bewusst keine Zwangsausübung**: "nobody is forced to use it, but **I will very loudly ignore those who try to prevent others from using it**". Zur Unvollkommenheit: "AI isn't perfect, but hell, anybody who points at its problems had better also point at the mirror" — "**natural intelligence isn't always all that great either**". **Governance-Rahmen**: Das Kernel-Projekt "has always been and will remain about **technology**"; die soziale Dimension von Open Source ist ein "side benefit, not the _point_"; **"this is *NOT* some kind of 'social warrior' project, never has been, never will be"**; "we do open source because it results in **better technology**, not for religious reasons". Programmatischer Schlusssatz: **"we decide based on technical merit first. Not on fear of new tools."** Zu lesen als **doktrinäre Positionserklärung** einer der einflussreichsten Figuren der Software-Welt — ein Echo auf ESRs pro-LLM Gegenzeugnis (eine weitere Säule von Open Source, [[raymond-llm-coding-empowering-2026-07-08]]).
#Linus Torvalds#Linux#Linux-Kernel
Linus Torvalds ([email protected]) — ingénieur logiciel finlando-américain · **créateur et mainteneur suprême du noyau Linux** (depuis 1991) et de **Git** (2005). Employé de la **Linux Foundation**. Figure centrale et notoirement franche de l'open source · dont la parole sur les mailing lists du kernel fait autorité et jurisprudence dans la communauté. S'exprime ici en sa qualité de **top-level maintainer** pour fixer la position officielle du projet vis-à-vis des outils d'IA. Autres participants au thread cités : Roman Gushchin (linux.dev) · Laurent Pinchart · Mauro Carvalho Chehab · Konstantin Ryabitsev (Linux Foundation) · Steven Rostedt · Stephen Finucane · Jason Gunthorpe · entre autres. (Message de mailing list linux-media ; date : 2026-07-14 ; date d'ajout à la veille : 2026-07-17.)
X-Post von **Eric S. Raymond** (ESR, Autor von *The Cathedral and the Bazaar*, Mitbegründer der Open Source Initiative, ~50 Jahre Programmiererfahrung) — **ein frontales Gegenzeugnis zur Erzählung, dass „LLMs schrottigen Code produzieren und halluzinieren, unbrauchbar zum Programmieren“.** Seine These: Das **passiert ihm fast nie**, und **überhaupt nicht mehr in den letzten zwei Generationen** der von ihm genutzten Modelle („ChatGPT 5.4 und 5.5“ unter **codex**). Das frühere Symptom — ein Modell, das „entgleist“, wenn es sich seinem Kontextlimit nähert — ist verschwunden: codex zeigt jetzt eine **rote Warnung** an, die den Nutzer auffordert, die **Sitzung zu leeren**, statt abzudriften. **Nutzungsumfang**: KI angewandt auf **Feature-Änderungen, Refactoring und Debugging über 63 Projekte** in **C, Go, Rust, Python und Shell**; das Verfassen von Dokumentation; **das Dekompilieren einer DOS-Binärdatei in lesbaren Quellcode**. Eine etablierte **Arbeitsroutine**: Beim Wiederöffnen eines Projekts führt er zunächst die **Regressionstests** aus, startet dann codex und bittet es, den Code zu **auditieren** (Bugs + Verbesserungsvorschläge). Fazit: LLMs sind **„exzellent und enorm empowernd“**; ihre **größte Schwäche** ist der **„architektonische Tunnelblick“** — hervorragend darin, Code nach Spezifikation zu erzeugen, aber manchmal **blind für übergeordnete Muster** — was er als die **Aufgabe seines „Fleischhirns“** ansieht. Der stärkste, kontraintuitive Punkt: LLMs **liegen bei Details und Randfällen NICHT falsch**; er sagt, er sei diesbezüglich **schlechter als sie** (trotz 50 Jahren Erfahrung), denn wenn eine Änderung **fünf Stellen berühren** muss, findet das Modell **zuverlässig alle fünf**, während der Mensch vier korrigiert und **stundenlang debuggt**, bevor er die vergessene fünfte findet. Er stellt daraufhin die **„Herunterschreier“** in Frage: Leben sie in einem **anderen Universum**? Nutzen sie **alte, schwache Modelle**? Gibt es ein **Skill-Problem**, das er nicht sieht, weil seine **Denkgewohnheiten und Kommunikation** gut zu den „Griffen“ dieser Werkzeuge passen? Eine Frage, die er für wichtig hält zu klären, da „**Milliarden von Dollar durch fehlgeleiteten Token-Einsatz verschwendet würden**“. Sein Rezept, „ganz einfach“: **„Denke klar, sag dem Modell präzise, was du willst, und gute Dinge geschehen“** — mit dem Schlusssatz: „Was übersehe ich hier?“ Zu lesen als ein **Pro-LLM-Gegenpunkt einer historischen Figur der Open-Source-Bewegung** in der wiederkehrenden Debatte über die (Ab-)Wertung von Coding-Agenten — anklingend an das „Skill-Problem“ und die Spezifikationsdisziplin (vgl. [[martignole-token-manifesto-2026-07-17]]) und ein Diptychon bildend mit **Linus Torvalds'** doktrinärer Pro-KI-Werkzeug-Haltung im Namen des Linux-Kernels ([[torvalds-llm-outil-kernel-2026-07-14]]).
#Eric S. Raymond#ESR#esrtweet
Eric S. Raymond (ESR, @esrtweet sur X) — développeur · hacker et essayiste américain · **figure historique du mouvement open source**. Né le 4 décembre 1957 à Boston (Massachusetts) ; paralysie cérébrale de naissance · enfance en partie au Venezuela puis en Pennsylvanie. Auteur de l'essai très influent **« The Cathedral and the Bazaar »** (1997, livre 1999) · qui oppose le modèle « cathédrale » (développement centralisé et fermé) au modèle « bazar » (décentralisé et ouvert, à la Linux) ; il a **popularisé le terme « open source »** (contre « free software ») et contribué à convaincre **Netscape** d'ouvrir son code (naissance de Mozilla). **Co-fondateur de l'Open Source Initiative (OSI)** en 1998 · président jusqu'en 2005. A édité le **Jargon File** (*The New Hacker's Dictionary*) · maintenu des projets comme **Fetchmail** · écrit **« The Art of Unix Programming »** (2003). Se revendique **libertarien** · défenseur du port d'armes · ceinture noire de taekwondo ; commente régulièrement tech · politique et open source sur X. Se présente ici comme codeur « très · très bon » avec **~50 ans d'expérience**. (Post X personnel ; date de publication : 2026-07-08 ; date d'ajout à la veille : 2026-07-17.)
Ein Essay von Jean-Paul Paoli (*The Intelligence Fabric*), der die Angst vor KI am Arbeitsplatz verschiebt: Die eigentliche Gefahr ist nicht der **Ersatz** (der Job, der verschwindet), sondern die **stille Auflösung** der Teambindungen, während *alle weiterhin beschäftigt bleiben*. These: Wenn jede:r Mitarbeitende KI zu ihrem/seinem **ersten Vertrauten und Mitarbeiter** macht, lösen sich drei „Fäden" des organisatorischen Gefüges ohne Entlassungen — die **Bindungen zwischen Kolleg:innen** (die Weitergabe stillschweigenden Wissens vom Junior zum Senior wird unterbrochen), die **Bindung zwischen Führungskraft und Mitarbeitendem** (Frühwarnsignale verschwinden, die Führungskraft wird zu „der/dem Letzten, der es erfährt, statt der/dem Ersten") und das **fachliche Urteilsvermögen** (man hört auf, jene auszubilden, die wissen, wie man die Arbeit *tut* und beurteilen können, ob die Maschine sich irrt). Paoli benennt das Phänomen **shadow intimacy** (in Analogie zu *Shadow IT*) und verordnet kein Verbot, sondern ein bewusstes „Neu-Verweben", Faden für Faden. Themenbereich: Management, organisatorischer Wandel, KI am Arbeitsplatz, emotionale Abhängigkeit von Modellen.
Ausführlicher Meinungsbeitrag (Point of View), veröffentlicht auf **sfeir.com** am 24. Juni 2026 von **Didier Girard** (Managing Director, SFEIR). **Kernthese**: 2024 setzte man allgemein auf **AI4Business** (KI in Geschäftsprozessen) als das große Wertreservoir; 2026 hat sich das Bild **umgekehrt** — es ist **AI4IT** (KI zur Produktion des Informationssystems: Code, SDLC, Softwarefabrik), die **messbaren** Wert schafft. Der Artikel *untermauert* diese These mit der Technologiebeobachtung der Firma: Enttäuschung bei AI4Business (die MIT-Studie „95 % der Piloten ohne ROI“, umstritten, aber aufschlussreich; eine **organisatorische** Blockade / Mollicks Hayeksches Problem) versus quantifizierte AI4IT-Belege (Salesforce, Intercom, Raiffeisen, AWS/Bedrock, Atlassian, DORA). Mechanistische Erklärung: **Code verifiziert sich selbst** (Kompilierung, Tests, CI), während Geschäftsprozesse weder einen Compiler noch eine unmittelbare Feedbackschleife haben. **Konsequenz für das Budget 2027**: eine Verschiebung von **CapEx zu OpEx**, die Preisdynamik der Tokens (steigender Spitzenwert — Fable 5 bei 2× Opus — versus Inferenz ÷280 und Abwärtsdruck durch Open Weights/Desktop) sowie **AI FinOps**, gesteuert durch **Cost per Outcome**. Schließt mit **4 Empfehlungen für das COMEX**.
#AI4IT#AI4Business#Umkehrung
**Didier Girard** — Managing Director (CTO / DG) de **SFEIR** · ESN française (~1 000 personnes, France · Belgique · Luxembourg · Suisse). Auteur de l'article ; voix éditoriale du cabinet sur la transformation IA des DSI.
Podcast-Interview „À la French“ (französischsprachiger Tech-Kanal, aufgezeichnet beim DevSummit) mit Mathieu Grymonprez, Global CDO der Adeo-Gruppe (Leroy Merlin, Obramat, Weldom). Wie eine jahrhundertealte Familien-Einzelhandelsgruppe die agentische KI-Welle aufgreift: Kultur vs. Struktur, Verantwortlichkeit, Token-Kosten und FinOps, Lock-in der Unternehmensintelligenz, Unternehmensgedächtnis und Agenten-Orchestrierung. Bereich: digitale Transformation, agentische KI, Einzelhandel, IT-Strategie.
#Agentische KI#digitale Transformation#CDO
Mathieu Grymonprez (Global CDO, groupe Adeo) — invité ; Jean-Baptiste Kempf · Steeve Morin · Mehdi Medjaoui (hôtes du podcast « À la French »)
LinkedIn-Post von Fred Plais (CEO von Archie, ex-Platform.sh): KI hat Engineers so schnell gemacht, dass sich der **Engpass stromaufwärts verschoben** hat, an eine Stelle, die niemand im Blick hat. Da die Ausführung nicht mehr der langsame Teil ist, ist die Denkzeit verschwunden, die früher "während der Code gebaut wurde" existierte — die richtige Vision muss jetzt in einem Bruchteil der Zeit geformt und die richtigen Entscheidungen getroffen werden. Zwei seltene Profile entstehen: dasjenige, das eine **Vision präzise genug artikulieren kann**, damit ein Agent sie ausführt, ohne zu entgleisen, und dasjenige, das weiß, wie man **Agenten orchestriert** (ihre Fehler antizipiert, sie verkettet, einen Fehler abfängt, bevor er sich fortpflanzt). Für "Code-Output" einzustellen wird obsolet: das ist genau das, was aufgehört hat, selten zu sein. Kernthese: "klar zu denken war schon immer der Job — Geschwindigkeit hat es nur unmöglich gemacht, das vorzutäuschen".
Fallstudie, veröffentlicht vom **Cornell AI Innovation Hub** (15. Juni 2026): wie eine zweisemestrige Zusammenarbeit zwischen dem AI Hub, Doktoranden und dem Treasury-Team von Cornell eine zeitaufwendige manuelle Recherche in ein KI-Tool verwandelte, das bei einer ersten Charge **100.000 $** an nicht identifizierten Zahlungen **zurückgewann**. Ein erfolgreicher **AI4Business**-Anwendungsfall (Finanzprozess), der das **Leader-Lab-Crowd**-Framework von **Ethan Mollick** nahezu punktgenau veranschaulicht: Der **AI Hub** übernimmt die Rolle des **Lab** (ein zentrales, beidhändiges Team aus Technologen und Studierenden); **Treasury** (Cheryl Barnes, Marie Graves…) ist die **Crowd**, die das Fachwissen und den eigentlichen Schmerzpunkt einbringt; und die **100.000 $** stellen die **sichtbare Belohnung** (vivid win) dar, die die Akzeptanz verankert — genau der Anreizhebel, den Mollick als entscheidend erachtet. Zentrale Methode: **„context first, then plan, then build“** über **Claude Code Plan Mode**, eine Kette aus **Fuzzy Matching → Gemini Enterprise Web Search → Claude-Synthese**, alles innerhalb des kontrollierten **Cornell AI Gateway**. *„Die 100.000 Dollar sind ein Anfang.“*
#Cornell AI Innovation Hub#nicht identifizierte Zahlungen#Zahlungsabgleich
**Pete Stergion** — Desktop Engineer au Cornell AI Innovation Hub · co-tech lead du projet (avec Phil Williammee). Article institutionnel signé de l'AI Hub.
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.
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**.
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.
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*).
Der Konsistenztest von Ethan Mollick (Wharton): Man wird wissen, dass KI-Labore wirklich an ASI glauben, an dem Tag, an dem sie ihre *Forward Deployed Engineering* (FDE)-Teams auflösen. Öffentliche Debatte mit roon (OpenAI) auf LinkedIn: roon wendet ein, dass es sich um ein **hayekianisches Problem** handelt (Intelligenz löst nicht automatisch den organisatorischen Informationsfluss) und belebt den Begriff „**Gentle Singularity**“ wieder. Konsens in den Kommentaren: Die Technologie ist der einfache Teil; interne Politik / bestehende Arbeitsabläufe / vertragliche Haftung sind der eigentliche Engpass. Prägender Satz: *„Krebs zu heilen könnte einfacher sein als Accenture zu ersetzen“*. Epistemische Gegenüberstellung **Ostküste vs. Westküste** hinsichtlich der Entwicklung der KI-Adoption.
#ASI (Artificial Super Intelligence)#Forward Deployed Engineering (FDE)#KI-Beratung
Fernsehdebatte auf BFM Business (Sendung *Tech & Co Business*, Rubrik „The Debate“, 17 Minuten) mit **Rémi Jacquet** (CEO von Cast Software France, Gründer im Jahr 2023 eines Thinktanks von rund hundert CIOs zum Einfluss generativer KI auf die Softwareentwicklung, Partnerschaft mit Cigref/Epita) und **Didier Girard** (CTO und CEO von **SFEIR**, einem französischen IT-Dienstleistungsunternehmen (ESN) mit rund 1.000 Mitarbeitenden). Zentrale Thesen: *„Code zu schreiben ist zu einem Anti-Pattern geworden“* (Girard), KI produziert Code von insgesamt höherer Qualität als die meisten Ingenieure und ist *„2- bis 10-mal effizienter“* — das ist Realität, doch der Beruf verschwindet nicht. Der Entwickler wird zum **Dirigenten / Agenten-Manager / Schiedsrichter**, 14-tägige Sprints werden durch ein- bis halbtägige ***Bolts*** ersetzt, das **Pizza Team** (8-10 Personen) funktioniert im agentischen Zeitalter nicht mehr, eine neue Rolle entsteht — der ***Product Engineer*** —, die Lebensdauer einer Kompetenz sinkt von **10 Jahren auf 1 Jahr**, und der **Token**-Verbrauch wird zum *Treibstoff* der Wertschöpfung (Anekdote über NVIDIA, das angeblich Boni in Tokens auszahlt, Metapher des Taxifahrers, der kein Benzin verbraucht). SFEIR beansprucht für sich: *„1.000 Mitarbeitende, Produktionskapazität von 10.000“*. Auf Seiten von Cast: Positionierung im Bereich ***harness engineering*** (deterministische vs. probabilistische KI, Kontrolle und Leitplanken), im Einklang mit dem Meinungsbeitrag von Sylvain Duranton (BCG X) in *Les Échos*, der besagt, dass *„ein Agent = ein LLM + Harnesses“* sei. Historischer Wandel: 2024 *prompt engineering* → 2025 *context engineering* → 2026 *harness engineering*. Zentrale Warnung: *„je stärker die KI wird, desto mehr lassen wir unsere Wachsamkeit sinken — desto größer sind die Risiken“* (Jacquet). Schlüsselrolle der Personalabteilung bei der Transformation, vollständige Überarbeitung des SDLC, Empfehlung an Berufseinsteiger, die Grundlagen der Softwarearchitektur zu festigen (*„Code ist die Partitur, man muss die Symphonie beherrschen“*).
LinkedIn-Pulse-Meinungsbeitrag von Alexandre Frizzo nach einem Jahr täglicher Nutzung von Claude Code, der eine im 2026er-Korpus seltene **differenzierte Einschätzung** liefert — Produktivität in seinem Fall **verdreifacht bis verfünffacht (3-5×)** (deckungsgleich mit Wescale und im Einklang mit dem Median engagierter Praktiker; das Elite-Segment liegt deutlich höher, vgl. Cherny *ein paar Dutzend PRs/Tag + Rekord von 150 PRs* und Karpathy *„Spitzenwerte weit über dem 10-Fachen“*), jedoch mit anerkannten **verborgenen kognitiven Kosten**. Kernthese: ***„der neue Engpass ist die Aufsicht“*** — die Tätigkeit hat sich grundlegend gewandelt, man *schreibt* keinen Code mehr, man *entscheidet* über von Agenten generierten Code. Gewinne: 3-5× Output, zuvor unrealisierbare Projekte nun erreichbar (Nebenarbeiten, Boilerplate), nahezu kostenlose Experimente. Anerkannte Verluste: ***„Schreib-Muskel“*** verkümmert (manuelles Codieren fühlt sich jetzt *anstrengend* an), **seltener tiefer Flow-Zustand** (ständiges Umschalten zwischen Aufsichtsaufgaben), **verminderte Zufriedenheit durch Urheberschaft** (*„der Code ist gut, aber nicht ganz meiner“*). Ungelöste Spannungsfelder: **FOMO** (*„jede Stunde, in der ich nicht am Rechner sitze, ist eine Stunde, in der ein Agent für mich arbeiten könnte“*), **Review-Qualität** beim 3-5-fachen Volumen, **Kompetenzverkümmerung**. Zitierte Statistiken: im Median 3-4 effektive Codierstunden an einem 8-Stunden-Tag, **23 Minuten** Kontextwiederherstellung pro Unterbrechung (Gloria-Mark-Studie), 15-25 Minuten Einstieg in den Flow, 500 % Produktivität im Flow (McKinsey). Vorbildliche epistemische Haltung: verwirft gleichzeitig sowohl das Narrativ *„KI ist schlecht“* als auch unkritische Begeisterung. Ein willkommenes Gegengewicht zu Chernys *„Coding ist gelöst“* (2026-05).
#Alexandre Frizzo#LinkedIn Pulse#Jahr mit Claude Code
Alexandre Frizzo (auteur LinkedIn Pulse, identité tech non précisée par le post au-delà du nom — auteur d'une tribune one-year retrospective Claude Code).
Methodologischer Artikel von Antoine HABERT (WEnvision), der **PROJ-AI** formalisiert: eine schlanke methodische Schicht, damit kollektive Projekte übertragbar werden, statt mit ihrem Liefergegenstand zu verschwinden. Strukturierende Triade: ein **versioniertes Git-Repository** (Single Source), ein **KI-Agent** (Claude Code, Cursor), der die Doktrin bei jeder Sitzung liest, und eine **Markdown-Doktrin**, die Entscheidungsprotokolle und Agentenverhalten festlegt. Sechs Verzeichniszonen (DOCS/, IDEAS/, DR/, OUT/, DOCTRINE/, AGENT/), operativer **DPEV**-Zyklus (Decide → Promise → Execute → Verify), Decision Records, die anhand von 7 Dimensionen bewertet werden, duale Schnittstelle (Business-Studio + Tech-CLI/IDE), fünf Agentendirektiven und eine gemeinsame **proj-ai-commons**-Bibliothek, die ein Projekt in 30 Minuten statt einer Woche startklar macht. Kennzahlen aus 3 Einsätzen: Onboarding **3 Wochen → 2 Tage**, erfasste Strukturentscheidungen **30 % → 100 %**, Zusammenstellung der Architekturdokumentation **6 Wochen → kontinuierlich**. Zentraler Aphorismus: ***„Das Projekt ist kein Nebenprodukt des Liefergegenstands. Das Projekt IST der Liefergegenstand.“*** Explizite Haltung: Technologie 20 %, **Teamdisziplin 80 %**.
#Antoine HABERT#WEnvision#PROJ-AI
Antoine HABERT (WEnvision — cabinet français de conseil en stratégie et IA agentique).
Medium-Meinungsbeitrag von **Hryhorii Tatsyi** (CTO, **Raiffeisen Bank Ukraine**, ~900 IT-Ingenieure), der eine **12-monatige Longitudinalstudie** (Mai 2025 → April 2026) über die reale Wirkung generativer KI in einer großen europäischen Bank vorstellt. Kernthese: ***„AI hat unsere Ingenieure nicht einfach nur schneller gemacht. Sie hat sie verändert.“*** Im Gegensatz zu individuellen Erfahrungsberichten (Frizzo, Cherny) oder Meta-Ebenen-Berichten (Curran/Intercom) handelt es sich hier um eine **quantifizierte organisationale Bewertung einer traditionellen, regulierten Bank** — ein 2026 noch seltener Korpus. Ergebnisse: **−75 Personen (−8 % Headcount, davon 64 Ingenieure)** innerhalb von 12 Monaten, dabei jedoch **mehr ausgelieferter Code, weniger Vorfälle, verbesserte Sicherheit**; KI-Adoption **62 % → 83 %**; **68 % der Ingenieure erhalten ≥50 % ihres Codes durch KI-Unterstützung**; **Einarbeitungszeit neuer Ingenieure 60-90 Tage → ~40 Tage** (konsistent mit Anthropic-Daten von 82→40 Tagen). Drei entstehende Archetypen: (1) **Copilot-only** +10-25 % bei PRs, gleicher Umfang; (2) **Multi-Tool** Story Points ×1,5-3, repoübergreifender Umfang +50-80 %; (3) **Claude auf dem Unternehmens-Stack** Codevolumen ×4,5, radikal erweiterter Umfang. **Sieben gebaute KI-Produkte**, die zuvor nicht existierten: Service Knowledge Hub (57 Microservices, 83 Releases/Monat), Mobile Android workflow CI Plan/Implementierung/Test, AI Agent Portal (2.085 Nutzer / 649 MAU in 87 Tagen, MCP-Generierung via OpenAPI-Spezifikationen), Shift-left Security Plugin (−82 % exponierte Secrets), DevPortal Backstage + Kubernetes-Diagnoseagenten (−68 % Lösungszeit kritischer Vorfälle), DRAIF MCP Text-to-SQL Data Lake mit 10.000 Tabellen (Embedding feinjustiert, 2× OpenAI), Call Evaluation (>97 % Transkriptionsgenauigkeit, zum besten Produkt der Raiffeisen-Gruppe gewählt). Stabilität: **blockierende Vorfälle −70 %, kritische Lösungszeit −68 %, gelöste Sicherheitswarnungen hoher Schwere +155 %**. Zentrale strategische Erkenntnis: ***„AI hat unsere Produktionsmöglichkeitengrenze erweitert, und wir haben die freigewordene Kapazität bewusst zugewiesen“*** — KI erledigt nicht dieselbe Sache schneller, sie verschiebt **das, was man zu tun entscheiden kann**. Die neu zu stellende Bewertungsfrage: nicht *„um wie viel Prozent sind die bestehenden KPIs gestiegen“*, sondern ***„was Ihre Ingenieure gebaut haben, das zuvor nicht existierte“***. KI hebt leistungsschwächere Ingenieure eher auf ein Grundniveau an, als dass sie Top-Performer beschleunigt; **Senior-Architekten kehren zur aktiven Entwicklung zurück**, nach Jahren der Abwesenheit davon. Von großer Relevanz für Vorstände/Geschäftsleitungen im Banken-, Versicherungs- und regulierten Sektor (Raiffeisen = Bank, Ukraine = Kriegskontext + operative Resilienz).
#Hryhorii Tatsyi#Raiffeisen Bank Ukraine#Bank-CTO
**Hryhorii Tatsyi** — CTO de **Raiffeisen Bank Ukraine** (filiale ukrainienne du groupe bancaire autrichien Raiffeisen Bank International, RBI). Auteur Medium @milhibisidek. Profil discret côté visibilité publique (25 followers Medium au moment de la publication) · mais position institutionnelle de premier plan : il dirige une organisation IT d'environ 900 ingénieurs dans une banque systémique opérant en contexte ukrainien (économie de guerre depuis 2022, résilience opérationnelle critique). L'article est sa première contribution publique d'envergure documentée sur cette plateforme.
Präsentation von Wescale (Frankreich), die die Doktrin der ***Augmented Software Factory*** formalisiert: eine Software-Wertschöpfungskette, die vollständig von spezialisierten KI-Agenten über sechs Produktionslinien orchestriert wird (Intent/PRD-ADR → Plan/User Stories → **human sign-off** → 24/7-Produktion → unabhängige Audit-Verifikation → DevOps-Deployment), wobei Menschen nur an zwei präzisen Momenten eingreifen. Starke Thesen: die Rückkehr des **vorhersagbaren V-Zyklus** gegen Scrum, realistische **3-4x**-Gewinne (nicht 10x), der Wandel vom *Code-Produzenten* zum ***Strategic Judge*** und vom *Solo-Entwickler* zum ***Agent Manager***, DORA-Metriken, die die Velocity ersetzen, maximaler ROI bei der Modernisierung von Legacy-Systemen und dem Ersatz kostspieliger SaaS-Lösungen, und vor allem ***injizierte Governance*** als „nahezu militärische Schicht“, die die zentrale Innovation und die eigentliche Eintrittsbarriere darstellt. Aufgebaut, indem man sein eigenes Dogfood isst: *„Was wir beim Bau von Solario auf Solario gelernt haben.“*
Les-Echos-Reportage (Florian Dèbes) aus San Francisco: KI-Agenten bereits als Kollegen in Start-ups integriert, „Petrischale“ (Aaron Levie / Box), Claude-Reflex vor jedem Meeting, persönlicher Jarvis, 5 parallele Agenten-Tabs, „der limitierende Faktor ist die menschliche Kognition“ (Patrick Joubert / Rippletide), „Brain Fry“ / kognitive Überhitzung, BCG/HBR-Studie mit 14 % überforderten Angestellten, „Token-Max“-Ranking-Modus für die größten KI-Nutzer, Aussagen von Sinaï/Bangay/Allali/Hodjat/Pantera/Chapeau sowie ein Echo von Siddhant Khare („KI senkt die Produktionskosten, erhöht aber die Koordinationskosten“).
#Silicon Valley#San Francisco#KI-Agenten als Kollegen
Florian Dèbes (Les Echos, rubrique Travailler mieux / Vie au travail)
Überarbeitung des technischen Einstellungsprozesses bei Sierra im Zeitalter der Coding-Agenten: KI-natives Onsite-Interview (Plan/Build/Review), Abschaffung des algorithmischen Coding-Tests, Ersatz des Telefon-Screenings durch ein System-Design-Interview, Pilotprojekt eines Debugging-Interviews an einer bestehenden Codebasis.
Gemeinsamer **DORA × delta**-Bericht (Google Cloud Professional Services), 60 Seiten, Version **v. 2026.1** (Zitate Februar 2026, PDF erstellt am 21. April 2026), Lizenz **CC BY-NC-SA 4.0** — das erste offizielle **DORA-ROI**-Framework für KI im SDLC, mit einem **interaktiven Rechner** unter dora.dev/ai/roi/calculator. Kernthese: ***„AI is an amplifier"*** — KI **verstärkt** gleichzeitig die Stärken leistungsstarker Organisationen und die Dysfunktionen schwacher Organisationen; sie erzeugt keine Leistung, sondern **vervielfacht sie dort, wo sie bereits vorhanden ist**. Neues zentrales Konzept: die ***J-Curve of AI value realization*** — jede KI-Einführung durchläuft einen **vorübergehenden Produktivitätseinbruch** (Lernkurve + Verifizierungssteuer + Pipeline-Anpassung), bevor **exponentielles Wachstum** einsetzt, eine Metapher für die *„tuition cost of transformation"*, die **explizit einzuplanen** ist. Referenzberechnung: Organisation mit 500 Vollzeitäquivalenten / vollbelastetem Gehalt von 176.000 $ / 12,5 % eingesparter Zeit pro Entwickler (≈ 1 Std./8-Std.-Tag) → **Wert 11,6 Mio. $ / Investition 8,4 Mio. $ / ROI 39 % / Amortisationszeit 8 Monate (0,7 Jahre)**. Modellierte Kosten: Lizenzen (250 $/Nutzer/Jahr), zusätzliche API (80 $/Nutzer/Jahr), Schulung (9.600 $/Nutzer/Jahr), Infrastruktur (100.000 $/Jahr), J-Curve-Kosten (3,3 Mio. $ für einen Rückgang von 15 % über 3 Monate). Modellierter Wert: **Kapazität zur Personal-Reinvestition** (11 Mio. $ — freigesetzte Kapazität zur Reinvestition, **KEIN Personalabbau**), Umsatz aus zusätzlichen Feature-Deployments (990.000 $, basierend auf einer Erfolgsquote von 33 % bei Ideen, Larsen 2023), **negative Auswirkung von Ausfallzeiten** (−344.000 $, „instability tax"). **Explizite Reinvestitionsstrategie**: ***„we strongly recommend organizations do not adopt a headcount-reduction strategy"*** — reinvestieren in Innovation, Talente halten, institutionelles Wissen nutzen. Fünf Wertsäulen: Productivity / User Experience / Cost Efficiency / Developer Experience / Business Growth (vom direktesten zum indirektesten, *kumulierter Geschäftswert*). Fünf systemische Schlüssel der Einführung: **Trust + Platform + Data + Users + Guardrails**. Zweiphasige Roadmap: (1) **Build context layer (CapEx)** — hochwertige IDP + gesunde Datenökosysteme; (2) **Empower human in loop (OpEx)** — context engineering + Vertrauen in KI. Indikatoren: Frühindikator = Experimentierfrequenz + Deployment-Frequenz; Stabilitätsmessgröße = Change Failure Rate + Nacharbeit. Drei zu modellierende Szenarien (Conservative 0,8 Wert × 1,5 Kosten / Realistic 1,0 / Optimistic 1,2 × 0,8). Herangezogene externe Daten: 78 % der Führungskräfte berichten von ROI bei ≥1 Gen-AI-Use-Case (Google Cloud), 88 % der frühen Anwender agentenbasierter KI verzeichnen positiven ROI, **35–40 % Produktivität bei Greenfield vs. ≤10 % bei Brownfield/Legacy** (Stanford), Inferenzkosten ÷280 zwischen November 2022 und Oktober 2024 (Stanford AI Index 2025), **727 % ROI über 3 Jahre** für Google-Cloud-KI-Kunden, durchschnittliche Amortisationszeit von KI am Markt **8 Monate**. Anerkannte Schwächen: *„all models are wrong"* — das Modell muss kontextualisiert, der Rechner angepasst werden; Risiko der Doppelzählung von Wert (eingesparte Zeit → sowohl vermiedene Neueinstellung ALS AUCH Zusatzumsatz); ein „loser" Zusammenhang bei der User Experience, daher aus dem Rechner ausgeschlossen. **Deontologische Einsicht**: ***„We don't measure AI by the code it writes but by the bottlenecks it clears"*** — gemessen an beseitigten Engpässen, nicht am Codevolumen. **Hohe Relevanz** für CIOs/CTOs, die einen belastbaren KI-Business-Case für CFO/Board erstellen müssen; für Frankreich/Europa in Bezug zu setzen zu Wescale (realistisch X3–X4), Tatsyi/Raiffeisen Bank Ukraine (Bankfallstudie, −75 Stellen, aber bewusste Reinvestition), Frizzo (3–5× Median), Curran/Intercom (3× F&E über 16 Monate), DORA Report 2025 (auf dem dieser ROI aufbaut).
#DORA ROI KI-unterstützter Softwareentwicklung#Google Cloud DORA-Bericht 2026.1#J-Curve of AI value realization
Rapport conjoint **DORA team × delta team** (Google Cloud Professional Services). Auteurs principaux : **Eva Dong** (AI Value Realization Americas, ex-McKinsey 8 ans, Master Financial Engineering Michigan) · **Andre Ellis Jr.** (Cloud Financial Operations Lead, Morehouse + Wharton MBA) · **Nathen Harvey** (DORA team lead, co-auteur multiples DORA reports + 97 Things Every Cloud Engineer Should Know) · **Vivian Hu** (10X Technology Consultant, contributrice DORA 2025 State of AI-assisted Software Development) · **Ursula Lübbert-Passing PhD** (AI Value Realization EMEA, 20 ans benchmarking + value advisory, PhD effort estimation software projects) · **Eric Maxwell** (lead 10X Technology consulting, ex-Chef Software, contributeur DORA) · **Aaron Wanjala** (cloud developer advocate Spring Boot/Angular). Conseillers et contributeurs : **Ben Jose · Eric Lam · Matt Orr · Allison Park · Ryan J. Salva · Jerome Simms · Dave Stanke · Cedric Yao**. Design : Human After All (humanafterall.studio). Document publié sous licence **CC BY-NC-SA 4.0** · version v. 2026.1 · citations retrieved February 2026.
Episode #351 des französischsprachigen Podcasts **If This Then Dev** (Bruno) mit **Julien Lépine**, Chief Technology Officer von **AWS France** (13 Jahre bei Amazon), aufgezeichnet am Rande des **AWS Summit Paris** (1. April 2026, ca. 10.000 Teilnehmer). Kernthese: Im agentischen Zeitalter wird das Schreiben von Code zweitrangig, und der Wert verlagert sich auf **das Verständnis von Kontext, architektonischen Kompromissen und menschlicher Verantwortlichkeit**. Zentraler Beleg: die **Neuentwicklung von Amazon Bedrock** — einer kritischen Plattform, die Tausende Milliarden Anfragen verarbeitet — durch ein Team von **6 Personen in 72 Tagen** (gegenüber geschätzten 30 Personen / 18 Monaten), **Code vollständig von KI generiert**, ohne Vibe Coding. AWS **standardisiert intern auf Kiro** (IDE + CLI, läuft auf Claude Sonnet/Opus) für ca. 30.000 Entwickler (angekündigt von Matt Garman auf der re:Invent). Roter Faden: **die Kontrolle behalten**, ohne alles zu überprüfen — durch **formale Modellierung (TLA+)** und **Raisonnement automatisé**, um Invarianten zu beweisen und Agenten zu begrenzen, **blameless Post-Mortem**, sowie das Prinzip, dass „die Verantwortung für die Handlung eines Agenten bei der Person liegt, die ihn betreibt.“ Aufkommen des **AI DLC** (Sprints → mehrere tägliche **Bolts**) und das Risiko von **kognitiver Überlastung / Burn-out**.
#AWS Summit Paris#Amazon Web Services#Code-Agenten
**Julien Lépine** — Directeur de la technologie (CTO) d'Amazon Web Services France · 13+ ans chez Amazon ; ses équipes accompagnent les clients AWS sur le cloud · la data et l'IA. **Hôte** : Bruno (créateur et animateur du podcast *If This Then Dev*).
BCG-HBR-Studie (Bedard, Kropp, Hsu, Karaman, Hawes, Kellerman) mit 1.488 US-Angestellten, Januar 2026: formale Definition von ***AI brain fry*** (akute kognitive Erschöpfung im Zusammenhang mit KI-Überwachung), 14 % der KI-nutzenden Beschäftigten betroffen (Marketing 26 %, Recht 6 %), Produktivität erreicht ihren Höhepunkt bei 3 gleichzeitig genutzten Tools, +33 % Entscheidungsmüdigkeit / +39 % gravierende Fehler / +39 % Kündigungsabsicht bei den „brain fried"-Beschäftigten, empirische Unterscheidung zwischen **Burnout** (emotional, durch KI bei Routineaufgaben um -15 % gemildert) und **brain fry** (akut kognitiv, durch Überwachung verschlimmert). 5 Empfehlungen für Führungskräfte, „AI orphan tax" (+5 % Erschöpfung, wenn die Führungskraft erwartet, dass die Mitarbeitenden allein zurechtkommen), organisationale Work-Life-Balance -28 %. Zentrale akademische Quelle, zitiert von Les Echos und in der Debatte 2026.
Adoption der KI durch IT/Recht in Unternehmen blockiert, Kluft zwischen innovativen und vorsichtigen Unternehmen, Führung und Risikomanagement - LinkedIn
Thoughtworks-Retreat zur Zukunft der Softwareentwicklung mit LLMs — Überlegungen zu organisatorischen Auswirkungen, kognitiver Schuld und beaufsichtigter Programmierung
Menlo Ventures Jahresbericht 2025 zu generativer KI im Unternehmenseinsatz - 37-Mrd.-USD-Markt, Adoption, Startups vs. etablierte Anbieter, PLG - menlovc.com
#generative KI#Unternehmens-KI#KI-Adoption
Tim Tully · Joff Redfern · Deedy Das · Derek Xiao (Menlo Ventures)
Ethan Mollick – KI-Entwicklung in 3 Jahren: Von GPT-3 zu Gemini 3 – Von Chatbots zu Agenten – Code als universelle Schnittstelle – Intelligenz auf Doktorandenniveau – Human-in-the-Loop Antigravity
Entwicklung der Entwicklerrolle im Zeitalter generativer KI, Transformation der IT-Rollen, Systems Engineering, orchestration agentique - Yves Caseau - Michelin - LinkedIn
#Entwickler#generative KI#Codegenerierung
Yves Caseau (Group Chief Digital & Information Officer chez Michelin)
Deep Research – AI4*-Revolution – 6 Säulen der Softwareproduktion – Übergang von Copilots zu Agenten – Vibe-vs-Check-Paradoxon – FinOps-for-AI-Krise – Governance als kritischer Pfad – GenAI Landing Zone
Praktischer Leitfaden zur KI-Nutzung, Modellauswahl, Jagged Frontier, Centaurs vs. Cyborgs, OpenAI-Nutzungsdaten, Claude/Gemini/ChatGPT - Ethan Mollick
#KI-Modellauswahl#ChatGPT vs. Claude vs. Gemini#Jagged Frontier
Ethan Mollick (Associate Professor, Wharton School, University of Pennsylvania ; Auteur "Co-Intelligence: Living and Working with AI" ; TIME 100 Most Influential People in AI 2024)
Josh-Bersin-Panorama zur zentralen Rolle der CHROs in der KI-Transformation: Interview mit Patricia Frost (Seagate) „Leave No One Behind“, Zitate von Peers (Jacqui Canney/ServiceNow, Tracey Franklin/Moderna, Helen Russell/HubSpot, Kathleen Hogan/Microsoft), 4 Strategien (AI Readiness, Plattformen, Einstellung/Umverteilung, Supermanager), These „AI transformation is not about technology: it's about work, jobs, and people.“
#CHRO#Josh Bersin#AI transformation
Josh Bersin (analyste RH et consultant, fondateur de The Josh Bersin Company) · citations de Patricia Frost (CHRO Seagate)
Weiterverbreitung der MIT-NANDA-Studie "The GenAI Divide: State of AI in Business 2025" durch Legal.io: 95 % der Unternehmens-KI-Pilotprojekte erzielen trotz Investitionen von 30-40 Mrd. USD keinen messbaren ROI. Konzept der "GenAI Divide", der "Schatten-KI-Ökonomie", vier strukturelle Ausfallfaktoren, Empfehlung für Back-Office und Build-vs-Buy. Empirische Begründung für den personalwirtschaftlich-organisatorischen Wandel.
#MIT NANDA#GenAI Divide#95 % Scheitern der Pilotprojekte
Legal.io (relais et synthèse) — étude MIT NANDA "The GenAI Divide: State of AI in Business 2025"
Valence-Zusammenfassung des virtuellen Gipfeltreffens „AI & the Workforce: The Adoption Gap“: Ethan Mollick stellt das Leader-Lab-Crowd-Framework vor, prägt den Begriff „HR ist jetzt R&D“ und argumentiert, dass die KI-„Schattenwirtschaft“ und der Zusammenbruch des Ausbildungsmodells die CHROs zwingen, zu den Architekten der Transformation zu werden. Fünf umsetzbare Experimente zur Erarbeitung des KI-HR-Playbooks.
#HR ist jetzt R&D#Leader-Lab-Crowd-Framework#Ethan Mollick
Alex McMurray (Valence) — synthèse de l'intervention de Ethan Mollick au sommet Valence "AI & the Workforce: The Adoption Gap"
Exklusivinterview mit Tracey Franklin (Chief People and Digital Technology Officer bei Moderna) über die Fusion von HR und IT zu einer einzigen Abteilung: den Übergang von getrenntem „Workforce Planning" und „Technology Planning" zu integriertem „Work Planning", die Metapher „den Arbeitsfluss gestalten", 3.000+ custom GPTs, 5.000 Mitarbeiter und eine Vision für 2030 einer adaptiven Organisation aus Mensch und Agent.
#HR-IT-Fusion#Moderna#Tracey Franklin
Allie Nawrat (UNLEASH) · interview de Tracey Franklin
Offizielle Fallstudie von OpenAI zum Einsatz von ChatGPT Enterprise bei Moderna: 750 GPTs in 2 Monaten, 100 % Akzeptanz in der Rechtsabteilung, das Dose-ID-GPT für klinische Studien, Stéphane Bancels Zitat zu den „100.000 Mitarbeitern", ein Rahmenwerk für organisatorischen Wandel (mChat, Generative AI Champions, ein internes Forum mit 2.000 Teilnehmern).
#Moderna#OpenAI#ChatGPT Enterprise
OpenAI (étude de cas officielle, citations Stéphane Bancel, Brad Miller, Brice Challamel, Shannon Klinger, Kate Cronin, Meklit Workneh)
Debattenbeitrag von **Olivier Rafal** (Consulting Director Strategy bei **WeNvision**), veröffentlicht am **23. Februar 2024** auf **CIO-Online** (Rubrik *Tribune*), der eine damals noch kontraintuitive These vertritt: **generative KI ist eher eine Frage des Technologieprodukts als ein KI-/Data-Science-Projekt**. **Argument 1 — Data Science ist nicht der Kern des Problems**: Der Aufbau eines *Foundation Model* von Grund auf erfordert *„mehrere Monate, Millionen von Euro und Zugang zu enormen Datenmengen“* — vorbehalten Akteuren mit spezifischen, monetarisierbaren Datensätzen (z. B. **Bloomberg** mit **BloombergGPT** für den Finanzbereich). Für nahezu alle Unternehmen ist es daher nicht der richtige Reflex, Data Scientists einzustellen. **Argument 2 — Kompetenz-Mismatch**: Hauptsächlich benötigt werden **Entwicklungs- und Integrationsingenieure** (Backend/Frontend), **solide Cloud-Kenntnisse** und **DevOps**. Kundenzitat: *„Man muss nicht unbedingt Data Scientist sein, aber man muss die Grundkonzepte verstehen, Backend-Entwicklungskenntnisse und solide Cloud-Kenntnisse mitbringen.“* **Argument 3 — Plattformarchitektur (Orchestratoren + APIs)**: Der Aufbau einer unternehmensinternen **plateforme d'IA générative** über Orchestratoren und APIs macht es *„möglich, mit den besten am Markt verfügbaren LLMs zu arbeiten und zwischen ihnen zu wechseln, sobald sich ihre jeweiligen Fähigkeiten weiterentwickeln, ohne die Anwendungen überarbeiten zu müssen“* (Anti-Vendor-Lock-in). **Argument 4 — vom Projekt zum Produkt**: *„Die Plattform […] muss als eigenständiges Produkt betrachtet werden“*; statt einer einmaligen Investition ist ein **monatlicher Finanzierungsstrom** einzuplanen (kontinuierliche Iteration, fortlaufende Innovation). **Argument 5 — Governance & Shadow AI**: Die beispiellose Demokratisierung generativer KI erzeugt *„ebenso viel Shadow AI wie starke Erwartungen an die CIO-Organisation“* → Governance, um Business-Bedarfe zu erfassen, **Produkte nach Wert zu priorisieren** und den ordnungsgemäßen Betrieb zu überwachen. Angekündigter **Paradigmenwechsel**: *„der Wandel führt von der klassischen algorithmischen Programmierung zu agents Langchain, die einen Teil der Entscheidungen übernehmen“*. **Relevanz für die Veille**: ein **Gründungstext (2 Jahre vorausschauend)** der WeNvision-Doktrin (Produkt > Projekt, Plattform/API, flussbasierte Finanzierung, Governance, Shadow AI), später erweitert durch [[wenvision-ai-agents-enterprise-deployment-2025-10-01]], [[habert-ia-agentique-production-2025-10-29]], und rafal-wenvision-tokenomics-foundation-finops-ia-2026-06-04 (FinOps/Token, flussbasierte Finanzierung → finanzielle Governance). Er nimmt zudem den *Harness/die Plattform rund um das Modell* vorweg (Dropbox/Okumura: *systems around the model*) sowie die durch eine Orchestrierungsschicht erreichte **Modellunabhängigkeit**.
#generative KI#Technologieprodukt#Produkt vs. Projekt
**Olivier Rafal** · *Consulting Director Strategy* chez **WeNvision** (cabinet de conseil FR). Tribune publiée dans la rubrique *Tribune* de **CIO-Online**. Auteur déjà présent dans la veille (cf. fiches WeNvision/Atlas/Tokenomics). Publié le **23 février 2024**.