Was wir besser nicht mit KI automatisieren

Ich beobachte seit ein paar Monaten etwas Seltsames. Ich werde tagsüber schärfer. Meine Gedanken sind klarer. Ich komme schneller von einer losen Idee zu einer brauchbaren Struktur und kann Dinge bauen, die ich vor einem Jahr nicht gekonnt hätte. Und abends bin ich früher durch. Nicht ein bisschen müde. Sondern richtig durch.

Ich schlafe mehr, gehe öfter spazieren und muss besser darauf achten, wann mein Kopf voll ist. Ich war nie eine Abend- oder Nachtperson. Ich liebe die frühen Morgenstunden. Aber früher konnte ich abends noch etwas weiterarbeiten, lesen, schreiben und denken. Heute merke ich manchmal um 19 Uhr: Ende. Mein Gehirn fühlt sich frittiert an.

Mein Tag beginnt oft draußen. Ich gehe spazieren und spreche mit ChatGPT, nicht als Suchmaschine, sondern als Denkfläche. Ich spiele meine Gedanken über Bande.

Später am Schreibtisch arbeite ich tiefer mit Claude, Claude Code, Gemini und Codex. Für Bilder nutze ich Midjourney. In den letzten Monaten habe ich mir beigebracht, wie ich OpenClaw aufsetze und meinen Mac mini headless nutze, also ohne Bildschirm.

Klingt technisch, weil es das auch ist. Und es ist vor allem eines: Lernen unter Spannung. Es warten immer noch ein Feature, das man hinzufügen könnte, und ein Bug, den man entfernen müsste. So geht das für Stunden.

Das Ergebnis ist paradox. Ich weiß mehr, ich kann mehr, ich komme weiter. Und dafür zahle ich einen Preis.

Der Preis ist die Energie, die es mich kostet, all diese KI-generierten Ergebnisse zu prüfen.

Jeder Text, den mir ein Modell vorschlägt, muss gelesen werden. Jede Codeentscheidung verstanden. Jede Automatisierung kontrolliert. Jedes Bild beurteilt. Ich muss jede Zusammenfassung gegen mein eigenes Verständnis prüfen.

Ich produziere wesentlich schneller als früher, aber mein Gehirn muss hinterherkommen.

Das ist der Punkt, an dem die ganze KI-Debatte für mich plötzlich körperlich wird.

Reibung erzeugt Wärme. Reibung beim Denken erzeugt Bedeutung. Und Bedeutung gibt es nicht gratis.

„The story is not in the words; it’s in the struggle.”
— Paul Auster, The Locked Room

Die Geschichte liegt nicht in den Wörtern. Sie liegt im Ringen. Ein guter Satz für Autoren sowie für jede Wissensarbeiterin und jeden Wissensarbeiter.

Die Maschine kann Wörter, Code, Tabellen und Präsentationen liefern. Aber sie liefert keine Bedeutung. Bedeutung entsteht erst, wenn ein Mensch mit den Inhalten ringt, also prüft, auswählt, verwirft, verbindet, vereinfacht und erklärt.

Das ist der anstrengende Teil. Und dieser Teil wird noch unterschätzt.

Wir reden über Automatisierung, als wäre das Ziel klar: mehr davon. Mehr Agents, mehr Workflows, mehr n8n, mehr Codex, mehr Claude Code, MCPs, CLIs, APIs, mehr Tools, die Dinge für uns erledigen.

Der Gedanke ist nicht falsch, nur unvollständig. Natürlich wollen wir automatisieren. Keiner will auf der Stelle treten. Vollgas nach vorne.

Aber was genau wollen wir eigentlich automatisieren? Und vielleicht noch wichtiger: Was sollten wir auf keinen Fall automatisieren?

Was entsteht eigentlich in unserem Kopf, wenn wir den Informationen, die uns die KI ausspuckt, ihre Bedeutung abringen? Im besten Fall ein möglichst reichhaltiges mentales Modell des Sachverhalts, den wir uns gerade erarbeiten.

Ein mentales Modell ist wie eine innere Landkarte. Sie zeigt uns, wie etwas funktioniert, was zusammenhängt, was wichtig ist und was nicht.

In der Kognitionswissenschaft beschreibt der Psychologe Philip Johnson-Laird mentale Modelle als kleine innere Simulationen, mit denen wir Konsequenzen durchspielen, ohne sie tatsächlich zu erleben. Aus neurowissenschaftlicher Sicht sind sie keine starren Speicher, sondern Vorhersagestrukturen: Das Gehirn nutzt das Modell, um Erwartungen zu erzeugen, gleicht es mit der Realität ab und korrigiert es bei Abweichungen.

Lernen ist nichts anderes als das Aktualisieren dieser Modelle.

Weil das anstrengend ist, holen wir Modelle aus dem Kopf heraus. Als Skizze, als Plan, als Visualisierung. Damit wir mit ihnen arbeiten können. Und damit andere mit uns arbeiten können.

Wenn ein Architekt ein Haus plant, beginnt er nicht mit dem Bagger. Er beginnt mit einem Modell, zunächst im Kopf, dann als Skizze, Plan oder Visualisierung. Sie helfen ihm, die Idee zu konkretisieren und mit allen Beteiligten ein gemeinsames mentales Bild davon zu entwickeln, was am Ende entstehen soll.

Hammer, Säge, Kran und Bagger sind für den Bau eines Hauses nötig. Aber das Haus entsteht nicht aus dem Werkzeug. Es entsteht aus dem Modell, das ganz am Anfang entwickelt wurde.

Dasselbe gilt für Wissensarbeit. Ein Text, eine Strategie, eine Präsentation oder ein Produktkonzept sind sichtbare Formen innerer Modelle, die im Kopf eines Menschen entstehen.

KI kann diese Formen schneller erzeugen. Aber sie kann nicht entscheiden, welches Modell trägt. Sie kann Varianten liefern. Wir müssen die Annahmen verstehen, die Logik prüfen und entscheiden, was wir wirklich sagen wollen.

Jede Generation hat ihren Entlastungskritiker. Sokrates warnte vor der Schrift, die Mathematiker vor dem Taschenrechner. Bisher wanderte Kompetenz immer eine Etage höher. Warum soll es diesmal anders sein?

Der Unterschied liegt in der Tiefe der Entlastung. Ein Taschenrechner nimmt uns die Multiplikation ab. Ein Agent nimmt uns die Formulierung der Frage ab. Das ist eine andere Größenordnung.

Denn die Frage ist die Stelle, an der das mentale Modell entsteht. Wer nicht mehr formulieren muss, baut auch kein inneres Modell mehr auf.

Werkzeuge skalieren das mentale Modell. Sie ersetzen es nicht. Die Gefahr besteht darin, dass KI die sichtbare Form erzeugt, bevor das mentale Modell existiert.

Die Bildungsforscherin Priya Lakhani beschreibt in ihrem TED-Talk, wie Kinder mit KI lernen sollten. Wenn KI einfache Antworten liefert, verwechseln Kinder Leichtigkeit mit Lernen. Gute KI ersetzt Lernen nicht. Sie macht schwierigeres Denken möglich. Das gilt nicht nur für Kinder. Erwachsene machen denselben Fehler, nur mit besseren Folien.

Verständnis heißt: Jemand benennt die Annahme, auf der alles beruht. Erkennt, wo die Logik wackelt. Hält einer Gegenposition stand. Erklärt die Sache in einfachen Sätzen, ohne sie zu verfälschen.

Früher war es einfacher zu erkennen, wer ein Thema noch nicht genau durchdrungen hatte. Man sah es an den Folien und spürte es an der wackeligen Argumentation. Heute kann jeder mit KI eine gute Präsentation über ein Thema erstellen, auch wenn er oder sie es nicht verstanden hat. Eine polierte Oberfläche schützt die darunterliegende Leere. Eine neue Form der Wissenssimulation.

Verständnis und Lernen bleiben anstrengend, auch mit KI.

In der Lernforschung gibt es einen Begriff dafür: productive struggle, produktive Anstrengung. Gemeint ist damit die Art von Schwierigkeit, die Lernen überhaupt erst ermöglicht. Abrufen statt nur Lesen. Verteilt üben statt vollstopfen. Eigene Antworten erzeugen statt bloßen Auswendiglernens.

Diese Methoden wirken anstrengender und sind wesentlich effektiver. Richtig eingesetzt wird KI zum Lernverstärker. Wenn sie die Anstrengung aus dem Lernprozess entfernt, löst sie die Kompetenz aus dem Menschen heraus, statt sie aufzubauen.

Das ist für Menschen gefährlich. Für Organisationen ist es existenziell. Denn jede Organisation besteht aus Lernprozessen. Transformation ist kein einfacher Software-Rollout. Transformation heißt, dass Menschen alte mentale Modelle loslassen und neue aufbauen. Dass sie verstehen, was sich ändert. Dass sie gemeinsam klären, was künftig als gute Arbeit gilt.

Das läuft nicht in Maschinenzeit. Das läuft in Neuroplastizitätszeit.

Der Neurowissenschaftler Andrew Huberman erklärt in einer Podcastfolge, warum Fehler und Frustration keine Störungen beim Lernen sind, sondern Treibstoff. Das Gehirn verändert sich, wenn es merkt: Meine Vorhersage stimmt nicht, ich muss mich anpassen. Fehler sind ein besonders starkes Lernsignal. Sie zeigen genau dort, wo das eigene Modell der Realität nicht standhält. Lernen kostet Kraft. Denken ist anstrengend. Es kostet Energie, im wörtlichen Sinn. Das Gehirn macht zwei Prozent unserer Körpermasse aus, verbraucht aber rund zwanzig Prozent unserer Energie.

KI-Arbeit erzeugt mehr Denkstoff, als wir gewohnt sind: Text, Code, Bilder, Varianten, Entscheidungen. Jedes Ergebnis fragt uns: Stimmt das? Passt das? Kann ich es vertreten? Das ist Wissensarbeit in Reinform. Deshalb so anstrengend. Experten nennen diese Form kognitiver Ermüdung „Brain Fry“. Ein Alltagssymptom der neuen Arbeitsweise.

Was sich bei mir am Schreibtisch wie Erschöpfung anfühlt, beschreibt die Forschung als ökonomisches Muster. Der Ökonom Christian Catalini und seine Ko-Autoren Xiang Hui und Jane Wu beschreiben in einem aktuellen Paper, was sie Verification Cost Disease nennen.

Den entscheidenden Engpass moderner Wissensarbeit nennen sie nicht Intelligenz, sondern menschliche Prüfkapazität. Früher war die Erstellung der Engpass. Wer schreiben, coden oder analysieren konnte, hatte einen Vorteil. Heute kann eine Maschine in Sekunden erzeugen, was früher Stunden in Anspruch genommen hätte.

Aber jetzt steht jemand davor und muss prüfen: Ist der Code sicher? Stimmen die Annahmen? Ist die Quelle belastbar? Führt diese Automatisierung zu einem Fehler, der sich später hundertfach wiederholt?

Nicht KI ist das Problem. Es sind das Tempo und der Umfang ihrer Ergebnisse.

In Unternehmen wird das Problem deutlich komplizierter. Denn dort muss nicht nur ein Mensch ein mentales Modell entwickeln, sondern viele Menschen ein gemeinsames.

Ein Beispiel. Ein Team arbeitet an einer neuen Positionierung, an einem neuen Produkt oder an einer Restrukturierung. Vor dem Meeting haben mehrere Personen mit ihren persönlichen KI-Tools daran gearbeitet:

• Eine hat eine Marktanalyse erstellt.

• Eine zweite hat Kundensegmente zusammengefasst.

• Eine dritte hat ein Finanzmodell vorbereitet.

Alle kommen mit ihren Ergebnissen in den Raum. Auf den ersten Blick ist das ein Fortschritt: mehr Vorbereitung, mehr Material, mehr Perspektiven.

Auf den zweiten Blick beginnt das eigentliche Problem.

Wer prüft das alles? Wirklich, nicht oberflächlich? Wer versteht, welche Annahmen in der Marktanalyse stecken? Wer erkennt, ob die Kundensegmente aus echten Daten oder aus plausibler Sprache stammen? Wer merkt, dass die Präsentation eine Entscheidung nahelegt, die das Finanzmodell gar nicht zulässt? Wer verantwortet am Ende das Ergebnis?

Das ist keine Meetingfrage, sondern eine Frage des Organisationsdesigns. Denn Entscheidungen in Organisationen entstehen selten allein. Auch CEOs stützen ihr Urteil auf das, was um sie herum entsteht. Ein gutes Urteil entsteht durch geteiltes Verständnis: durch Widerspruch, Abgleich und das langsame Herausarbeiten dessen, was alle meinen, wenn sie dieselben Wörter benutzen.

Genau diese Reibung wirkt in vielen Unternehmen wie Zeitverlust. Sie ist aber der Prozess, in dem das Urteil entsteht. Wenn jetzt alle mit KI noch mehr Material in den Raum bringen, steigt die kognitive Last. Das Meeting wird nicht automatisch besser vorbereitet. Es wird einfach voller: mehr Dokumente, mehr Charts, mehr Links, mehr scheinbare Klarheit.

Selbstverständlich automatisieren Unternehmen, wo es geht. Niemand baut ein Urteil auf, indem er Rechnungsnummern abgleicht oder eine Standardmail manuell formatiert.

Aber Automatisierung ist da kontraproduktiv, wo sie einen Lern- und Entscheidungskreislauf entscheidend schwächt. Deshalb stehen vor jeder Automatisierung zwei Fragen.

Gemeint ist, ob ein Mensch durch sie eine Fähigkeit aufbaut, die später wichtig wird. Wer ein Angebot schreibt, lernt, wie man Wert verkauft. Wer eine Marktanalyse erstellt, lernt, ein Geschäftsfeld zu verstehen. Wer einen Code debuggt, lernt, wie das System funktioniert.

Hier entscheidet sich, in welche Richtung KI wirkt. Wer KI als Sparringspartner einsetzt, um sein eigenes mentales Modell möglichst effizient weiterzuentwickeln, hat das beste Upskilling-Werkzeug an der Hand, das es je gab. Mit KI kann man sich heute fast alles selbst beibringen.

Manche Aufgaben sind leicht überprüfbar. Wenn aus einer Excel-Datei eine PDF erstellt wird, ist sofort ersichtlich, ob sie korrekt ist. Wenn ein Code-Test grün ist, weiß man, dass die Funktion funktioniert.

Andere Aufgaben sind schwer prüfbar. Wenn KI eine vierstündige Strategiediskussion zusammenfasst, kann niemand das Original gegenhören. Wenn KI eine Bewerbung bewertet, kann niemand mehr nachvollziehen, warum die Person aussortiert wurde.

Aus den beiden Fragen ergibt sich ein einfaches Raster.

Niedrige Lernrelevanz, hohe Verifizierbarkeit.

Hier kann automatisiert werden. KI sortiert Standardanfragen, erstellt Vertriebsreports aus klaren Datenquellen oder formatiert und konvertiert Dokumente. Das sind Tätigkeiten, die nach klaren Regeln ablaufen und deren Ergebnis sich schnell prüfen lässt. Der Mensch bleibt im Prozess, aber nicht bei jedem Einzelfall, sondern über Stichproben und klare Eskalationsregeln. Wichtig ist: Überprüfbarkeit allein reicht nicht. Eine Rechnung ist überprüfbar; ein halluzinierter Betrag kann trotzdem teuer werden. Das Prinzip lautet: Automatisieren, wenn Fehler erkennbar, reversibel und im Schaden begrenzt sind.

Hohe Lernrelevanz, hohe Verifizierbarkeit.

Hier wird KI interessant. Dazu gehören Angebotsentwürfe mit Review-Schleife, Code-Entwürfe mit Tests oder Recherche-Synthesen mit Quellenprüfung. Das sind Tätigkeiten, in denen Menschen durch das Tun Urteilsvermögen aufbauen und deren Ergebnis sich am Ende prüfen lässt. Entscheidend ist die Reihenfolge. Erst formuliert der Mensch seine These. Dann liefert KI Sparring: Gegenargumente, Varianten, Lücken, bessere Formulierungen. Wer zuerst die KI fragt und danach nur noch prüft, verankert sich am ersten Entwurf. Aus eigenem Urteil wird Nachbearbeitung. Das Prinzip lautet: Eigene These zuerst, KI danach als Verstärker. Wer hier zu viel automatisiert, spart heute Zeit und verliert morgen Kompetenz.

Niedrige Lernrelevanz, niedrige Verifizierbarkeit.

Hier wird es gefährlich. CRM-Notizen aus Calls, die niemand anhört, Lead-Scoring ohne nachvollziehbare Herleitung oder automatisch befüllte Wissensdatenbanken sehen nach Routine aus. Aber Herkunft, Qualität und Wirkung lassen sich später kaum noch prüfen. Genau darin liegt die Gefahr: Plausibilität ersetzt Nachvollziehbarkeit. Noch gefährlicher wird es, wenn Aufgaben fälschlich als Routine behandelt werden, obwohl sie eigentlich in Feld 02 oder 04 gehören: Vertragsprüfung, Bewerbungsbewertung, Eskalationskommunikation. Das Prinzip lautet: Nachvollziehbarkeit einbauen, die Aufgabe neu zuschneiden oder stoppen.

Hohe Lernrelevanz, niedrige Verifizierbarkeit.

Hier liegen die Kernentscheidungen einer Organisation. Ein Vorstand bewertet ein neues Geschäftsfeld. Eine Führungskraft trifft eine Personalentscheidung in einem Grenzfall. Ein Vertriebsleiter verhandelt mit einem Schlüsselkunden. Natürlich kann man später anhand von KPIs sehen, ob eine Strategie aufgegangen ist. Aber zur Zeit der Entscheidung gibt es keine saubere Gewissheit. Und wenn die Zahlen in zwei Jahren schlecht aussehen, ist die Entscheidung längst getroffen. Genau deshalb braucht dieses Feld Reibung. Hier entstehen Urteil, Verantwortung und ein gemeinsames mentales Modell. KI darf Perspektiven liefern. Aber sie entscheidet nicht. Das Prinzip lautet: Reibung schützen. Urteil entsteht im Ringen.

Die Matrix hat bewusst nur zwei Achsen. Eine dritte Frage gehört aber zu jeder Einordnung: Wie hoch ist der Schaden, wenn das Ergebnis falsch ist? Diese Frage liegt quer zu allen vier Feldern. Sie entscheidet, wie viel Kontrolle, Prüfung und menschliches Urteil nötig sind. Die Reibungs-Matrix ist deshalb kein Ampelsystem. Sie ist ein Gesprächswerkzeug.

Wir sollten das automatisieren, was geringe Lernrelevanz hat und gut prüfbar ist. Verstärken, wo Lernen wichtig ist und Prüfung möglich bleibt. Stoppen, wo weder Lernen noch Prüfung gegeben sind. Und Reibung erhalten, wo das Urteil entsteht.

Für Unternehmen in der KI-Transformation steht eine Frage im Vordergrund: Welche KI-Werkzeuge führen wir ein?

Die wichtigere Frage steht dahinter: Welche menschlichen Fähigkeiten schützen und welche bauen wir bewusst auf?

Maschinen lassen sich beschleunigen. Menschliches Lernen läuft in Neuroplastizitätszeit. Wer das Ringen wegautomatisiert, nimmt sich das Verstehen. Wer es schützt und mit KI gezielt verstärkt, hat den größten Upskilling-Hebel der nächsten Jahre.

Die Zukunft gehört nicht denen, die die meisten Inhalte erzeugen. Sie gehört denen, die am besten prüfen, am klarsten verstehen und am präzisesten entscheiden, welche Reibung bleiben muss.

Quellen: Priya Lakhani, „This Is How Kids Should Be Learning with AI", TEDNext 2025, November 2025; Andrew Huberman, „Essentials: How to Learn Faster by Using Failures, Movement & Balance", Huberman Lab, 2024; Christian Catalini, Xiang Hui, Jane Wu, „Some Simple Economics of AGI", arXiv, Februar 2026; Armin Ronacher, Cristina Poncela Cubeiro, „The Friction is Your Judgment", AI Engineer Conference, 2026; Harvard Business Review / BCG, „When Using AI Leads to Brain Fry", 2026; Paul Auster, „The Locked Room", The New York Trilogy, 1986; Philip Johnson-Laird, „Mental Models", Harvard University Press, 1983.

OpenAI bringt GPT-5.5, NVIDIA macht Codex zum Belegschaftswerkzeug. OpenAI bringt GPT‑5.5, NVIDIA macht Codex zum Werkzeug für die breite Masse. Am 23. April hat OpenAI GPT‑5.5 vorgestellt – mit spürbar besseren Coding‑, Computer‑Use‑ und Recherchefähigkeiten, die schrittweise in die kostenpflichtigen ChatGPT‑Stufen einziehen. Das Modell ist der Anlass; die eigentliche Nachricht liegt daneben: NVIDIA wird in Zusammenarbeit mit OpenAI den Code-Agenten Codex für zehntausende Entwicklerinnen und Entwickler im Unternehmen bereitstellen. In wenigen Wochen hat der Dienst im Millionenbereich an aktiven Nutzerinnen und Nutzern zugelegt. Die plastischste Anekdote in den Demos: Ein mehrstündiger Trainingslauf, den ein Forscher dem System in natürlicher Sprache übergab – und der ohne weitere Eingriffe durchlief. Parallel dazu führt OpenAI teamweite Agenten ein, die als geteilte Assistenten Aufgaben über mehrere Tools hinweg für ganze Arbeitsbereiche übernehmen. Sichtbar wird weniger ein einzelnes neues Modell als vielmehr ein Muster: Die ersten Agentensysteme beginnen, im Unternehmensalltag anzukommen.

DeepSeek V4 wurde veröffentlicht. Am 24. April hat das chinesische Labor DeepSeek seine neuen Modelle V4 Flash und V4 Pro freigegeben, mit offen dokumentierten Schnittstellen und sehr starken Ergebnissen in den Coding‑Benchmarks. Entscheidend ist nicht nur die Leistung, sondern auch der Preis: V4 Flash bietet Token‑Kosten, die nur einen Bruchteil der Tarife von GPT‑5.5 ausmachen, bei ähnlichen Ergebnissen in vielen Standardaufgaben. Die genauen Trainingskosten sind umstritten, doch verfügbare Schätzungen deuten darauf hin, dass DeepSeek deutlich unter den dreistelligen Millionenbeträgen liegt, die bisher für Spitzenmodelle als Referenz galten. Für europäische Mittelständler ermöglicht das Anwendungsfälle, die vor Kurzem noch an den Preisen von OpenAI oder Anthropic gescheitert sind, rechnerisch in Reichweite zu rücken. Eine politische Note liefert Replit‑CEO Amjad Masad, der darauf hinweist, dass die öffentliche Debatte im Westen oft von Angst vor „chinesischer Distillation“ geprägt ist, während chinesische Forscher parallel echte architektonische Neuerungen im offenen Publikationsraum vorstellen.

SpaceX greift nach dem Cursor; Google teilt seine Chips auf. Am 21. April hat SpaceX eine weitreichende Partnerschaft mit dem Coding‑Werkzeug Cursor geschlossen – inklusive der Option, das Unternehmen mittelfristig zu übernehmen oder die Kooperation gegen zweistellige Milliardenbeträge zu verlängern. Investorinnen und Investoren fassen die Lage inzwischen in griffige Bilder: Ein großer Modellanbieter nach dem anderen baut sich seine eigene vertikale Werkzeugkette aus Coding‑Tools, Design‑Plattformen und Office‑Oberflächen. Die Phase, in der unabhängige Werkzeuge in diesen Feldern als eigenständige Akteure auftreten konnten, geht sichtbar zu Ende. Auf seiner Cloud‑Konferenz hat Google parallel seine spezialisierten KI‑Chips klarer getrennt – mit Varianten für das Training großer Modelle und solchen für deren Einsatz im Alltag. Anthropic hat zugesagt, bis zu einer siebenstelligen Zahl dieser Chips zu nutzen. Google‑Chef Sundar Pichai betont, dass inzwischen ein Großteil des neuen Codes im Unternehmen AI‑unterstützt entsteht, deutlich mehr als noch im Vorjahr.

T minus 99: Der EU AI Act tritt in Kraft. Am 2. August 2026 – in 99 Tagen – treten die zentralen Regeln des EU AI Acts in Kraft, einschließlich der Pflichten für Hochrisiko‑Systeme und eines Sanktionsrahmens mit Bußgeldern von bis zu sieben Prozent des weltweiten Jahresumsatzes. Studien zu real eingesetzten Unternehmens‑KI‑Systemen zeigen, dass ein erheblicher Teil der Anwendungen noch nicht sauber einer Risikoklasse zugeordnet ist; viele C‑Level‑Entscheiderinnen nennen regulatorische Non‑Compliance inzwischen als eines ihrer wichtigsten KI‑Risiken. Besonders betroffen sind Unternehmen, die KI in Bewerbungsverfahren, Kreditentscheidungen, biometrischer Identifikation oder Personalsteuerung nutzen – hier bleibt ein Quartal für Inventarisierung, Dokumentation und die Schließung der größten Lücken. Der politische Subtext aus Berlin: Bundeskanzler Merz plädiert für weniger Regulierung und eine Entlastung industrieller KI‑Anwendungen, während Medienhäuser und Verlage strengere Schutzregeln gegen ausbeuterische Trainingspraktiken fordern.

Quellen: OpenAI, „Introducing GPT-5.5”, openai.com, 23. April 2026; CNBC, „OpenAI announces GPT-5.5”, 23. April 2026; Aidan McLaughlin und Sam Altman, Posts auf X, 21.–24. April 2026; DeepSeek, Hugging Face Release Notes V4 Flash und V4 Pro, 24. April 2026; Bloomberg, „DeepSeek Unveils Newest Flagship AI Model”, 24. April 2026; Simon Willison, simonwillison.net, 24. April 2026; Anthropic, „Expanding our compute partnership with Amazon”, 20. April 2026; Boris Cherny, Postmortem zu Claude Code, 23. April 2026; Gergely Orosz und Jeremy Howard, Posts auf X, 21.–22. April 2026; Cursor und Michael Truell, cursor.com, 21. April 2026; TechCrunch, „SpaceX is working with Cursor”, 21. April 2026; Google Cloud, „Announcing TPU 8t and TPU 8i”, blog.google, 22. April 2026; Andrew Curran, Posts auf X, 22.–24. April 2026; Yahoo Finance und CNBC, Berichterstattung zu Meta- und Microsoft-Layoffs, 23.–24. April 2026; Aaron Levie, Post auf X, 24. April 2026; AI Act Service Desk, „Timeline for the Implementation of the EU AI Act”, ec.europa.eu; Finanznachrichten, „Bundesregierung nimmt Medienappell gegen KI-Ausbeutung zur Kenntnis”, 22. April 2026.

Nächste Ausgabe: Samstag, 02.05.2026

Über diesen Newsletter: Dieser Newsletter basiert auf meiner eigenen Recherche, Lektüre und Einordnung. KI unterstützt mich bei der Strukturierung, beim Entwurf und bei der Dokumentation. Themenauswahl, Bewertung, Texte und die finale Redaktion liegen bei mir.