0904 | KI-Werkstatt: Lokale Assistenten, Agenten und Video-Modelle

Lena Vogel: Hallo und willkommen zurück beim Podcast! Ich bin Lena Vogel.

Felix Hartmann: Und ich Felix Hartmann. Schön, dass du wieder dabei bist. Wir haben heute wieder einen Haufen neuer Produkte durchgesehen – und eines ist dabei richtig aufgefallen: Fast alle drehen sich um Kontrolle. Kontrolle über lokale KI, über Agenten, über Modell-Infrastruktur.

Lena Vogel: Genau, das war unser Auswahlkriterium diesmal. Wir haben bewusst eine kleine Auswahl getroffen – Produkte, die ein klares Nutzerproblem lösen, eine unterscheidbare Lösung haben, konkrete Funktionen benennen und bei denen Preis und Verfügbarkeit nachvollziehbar sind. Und wichtig: Alles, was die Macher über ihre Produkte sagen, ist zunächst mal eine Behauptung. Wir geben das so wieder und schauen, welche Fragen offen bleiben.

Felix Hartmann: Perfekt, dann legen wir los. Fangen wir bei einem Thema an, das viele anspricht: lokale KI am Mac, also Assistenzen ohne Cloud.

Lena Vogel: Da gibt es gleich drei interessante Dinge. Das erste heißt Tidy. Die Idee: Tidy korrigiert Grammatik systemweit – also in jeder App auf dem Mac – und nutzt dafür Apple Intelligence, also die KI, die lokal auf dem Gerät läuft. Und es gibt noch eine zweite Funktion, die ich richtig gut finde: einen sogenannten De-Slop-Shortcut.

Felix Hartmann: De-Slop, also für KI-generierte Texte, die nach diesem typischen, aufgeblähten KI-Sprech klingen.

Lena Vogel: Genau. Man lässt sich von einer KI einen Text schreiben, der klingt dann oft sehr generisch – und mit diesem Shortcut kann man den offenbar in einen natürlicheren Ton bringen. Das Problem dahinter kennen wir alle: Wir schreiben immer mehr mit KI-Hilfe, und die Ergebnisse klingen irgendwie alle gleich. Eine Korrektur, die direkt im System läuft, ohne Copy-Paste in ein anderes Tool, ist da praktisch.

Felix Hartmann: Und weil es über Apple Intelligence läuft, bleibt der Text auf dem Gerät. Das ist der Datenschutz-Aspekt – plus es ist vermutlich schneller, weil keine Daten erst in die Cloud müssen.

Lena Vogel: Richtig. Und was offen bleibt: Wie gut ist die Qualität der On-Device-Modelle wirklich im Alltag? Das ist die große Frage bei allem, was lokal läuft. Die Modelle sind kleiner als die großen Cloud-Modelle, und ob die für Grammatik-Korrekturen in jedem Kontext reichen, muss sich zeigen.

Felix Hartmann: Vom gleichen Thema, aber einem anderen Winkel: Grove. Das ist ein Terminal für macOS, kostet einmalig fünf Dollar, und die Idee ist interessant. Normalerweise arbeitest du im Terminal und ein Coding-Agent arbeitet irgendwo daneben – bei Grove sind Nutzer und Agent im selben Terminal vereint.

Lena Vogel: Und zwar so, dass beide dieselben Prozesse kontrollieren können. Über die Menüleiste, über die CLI und über MCP – das ist dieses Protokoll, über das Agenten an Tools angebunden werden. Du kannst also als Mensch eingreifen, wo der Agent gerade arbeitet, ohne die Sitzung zu verlassen. Es gibt auch eine Explain-Funktion, die wieder Apple Intelligence nutzt – vermutlich, um dir zu erklären, was da gerade im Terminal passiert.

Felix Hartmann: Das passt thematisch perfekt zu Tidy: lokale Apple-Intelligence, aber diesmal nicht für Text, sondern für die Zusammenarbeit mit einem Coding-Agent. Fünf Dollar Einmalpreis ist auch fair kommuniziert, kein Abo.

Lena Vogel: Ja, das Preismodell ist wenigstens konkret. Und der dritte im Bunde ist Omi. Das ist eine Open-Source-App für den Mac, die lokal deinen Bildschirm und deine Meetings erfasst – und du kannst sie dann hinterher fragen, was du gesehen oder gehört hast.

Felix Hartmann: Also quasi ein Gedächtnis für den Arbeitstag.

Lena Vogel: Genau, und die Antworten kommen mit Zitaten. Das ist wichtig, weil du nachprüfen kannst, woher die Information kommt. Und es gibt zwei Kontrollmechanismen, die ich erwähnenswert finde: Man kann die Erfassung pausieren, und man kann eigene API-Schlüssel verwenden. Also nicht unbedingt darauf angewiesen, dass alles über die Server des Herstellers läuft.

Felix Hartmann: Der Aufnahme-Aspekt ist natürlich heikel. Eine App, die ständig Bildschirm und Audio mitzeichnet, will man wirklich unter Kontrolle haben. Dass sie open source ist und pausierbar, sind gute Anzeichen – aber wie die lokale Verarbeitung im Detail funktioniert, bleibt eine der offenen Fragen.

Lena Vogel: Und der rote Faden aller drei: Lokale KI reduziert Datenschutzrisiken und Latenz. Ob die Qualität reicht, entscheidet der Alltag. Behalten wir das im Kopf, denn auch beim nächsten Thema geht es um Kontrolle – nur nicht über lokale Modelle, sondern über Agenten im Browser.

Felix Hartmann: Da gibt es zwei sehr unterschiedliche Ansätze, die sich gegenseitig gut beleuchten. Der erste: Tabbit AI. Das ist ein agentyischer Browser mit einem GUI Agent, der Websites bedienen kann – und zwar mit eingeloggten Sitzungen. Er übernimmt also Aufgaben auf Seiten, auf denen du normal angemeldet bist.

Lena Vogel: Was heißt das konkret? Der Agent klickt sich durch Webseiten wie ein Mensch. Die Zahl, die genannt wird: 64 Prozent Erfolg bei BrowserBench – das ist ein Benchmark für Browser-Agenten. Außerdem gibt es wiederverwendbare Skills, also vordefinierte Fertigkeiten, die man wieder einsetzen kann, und Anbindung über CLI und MCP.

Felix Hartmann: Und jetzt die Gegenposition: Airtop Agent Builder. Die nehmen einen völlig anderen Weg. Statt einen LLM-Agenten bei jedem Schritt live entscheiden zu lassen, kompilieren sie Workflows in deterministischen Code, der selbstheilend sein soll.

Lena Vogel: Deterministisch heißt: Der Ablauf ist jedes Mal gleich, kein Freilauf. Und die Zahlen, die Airtop nennt – und das sind Behauptungen der Macher, das müssen wir deutlich sagen – sind rund ein Prozent der Kosten und sechs Mal schneller als ein LLM-Agent pro Schritt. Das klingt fast zu gut, aber die Logik dahinter ist nachvollziehbar: Ein LLM, das bei jedem einzelnen Schritt ein Modell aufruft und nachdenkt, ist teuer und langsam. Kompilierter Code nicht.

Felix Hartmann: Selbstheilend bezieht sich vermutlich darauf, dass sich der Code anpasst, wenn sich eine Website ändert. Und genau da liegt die entscheidende offene Frage für beide: Wie robust bleibt das, wenn sich Websites ändern? Buttons wandern, Layouts werden umgebaut – ein deterministischer Workflow kann brechen, und ein GUI-Agent kann sich verlaufen.

Lena Vogel: Und der dritte Akteur in diesem Feld, der als Ergänzung gut passt: MagiCrew. Das ist eine Open-Source-Plattform für Unternehmens-Agenten mit einem geteilten Workspace – Agenten arbeiten also zusammen, liefern fertige Deliverables ab, und es gibt Kontrolle über Kosten und Freigaben.

Felix Hartmann: Das ist ein guter Übergang, denn MagiCrew gehört eigentlich ins nächste Thema: Agenten im Unternehmen. Denn wenn Agenten aus dem Experiment in die Organisation kommen, werden Kontrolle und Kosten zum Kernfeature, nicht zum Nice-to-have.

Lena Vogel: Genau. Schauen wir uns MagiCrew nochmal im Unternehmenskontext an: Ein geteilter Workspace heißt, mehrere Agenten sehen, was die anderen tun. Fertige Deliverables heißen, am Ende kommt etwas Herausnehmbares raus, nicht nur Text im Chat. Und Freigabekontrolle heißt, ein Mensch muss absegnen, bevor etwas passiert oder veröffentlicht wird.

Felix Hartmann: Die offene Frage, die ich mir stelle: Wie reif sind solche Freigabe-Workflows in der Praxis? Das klingt auf dem Papier gut, aber ob die Granularität stimmt – wer gibt wofür frei, was passiert automatisch – muss sich zeigen.

Lena Vogel: Und der Gegenentwurf dazu im Unternehmensalltag: Nex. Das ist kein generischer Agenten-Workspace, sondern sehr spezialisiert auf GTM-Workflows in hohem Volumen – also Go-to-Market, Vertrieb und Marketing. Konkret genannt werden CRM-Bereinigung und Qualifizierung von Listen.

Felix Hartmann: Das sind klassische, ehrlich gesagt unsexy, aber massenhafte Aufgaben. Tausende Kontakte im CRM aufräumen, Listen durchgehen. Dafür braucht man keinen kreativen Freilauf-Agenten, sondern einen zuverlässigen Batch-Prozess.

Lena Vogel: Zum Team: Es stammt von Ex-HubSpot-Leuten, und als Investor wird Dharmesh Shah genannt – der HubSpot-Mitgründer. Das ist eine Maker-bezogene Angabe aus der Quelle, die ein bisschen Substanz signalisiert, aber natürlich kein Beweis dafür ist, dass das Produkt funktioniert.

Felix Hartmann: Und damit sind wir bei der Infrastruktur, die all das braucht – denn Enterprise-Setups brauchen auch Modell-Routing. Das führt uns direkt zu ARBR.

Lena Vogel: ARBR ist ein Open-Source-Gateway unter MIT-Lizenz, das OpenAI-kompatibel ist. Das heißt: Du kannst es zwischen deine Anwendungen und die Modell-Provider setzen, weil es dieselbe API-Schnittstelle spricht wie OpenAI.

Felix Hartmann: Und was macht es dann? Drei Dinge: Routen – also entscheiden, welche Anfrage an welches Modell geht. Govern – also Regeln durchsetzen, wer welches Modell nutzen darf. Und Observability – also beobachten, was passiert. Es ist self-hosted, läuft also auf deiner eigenen Infrastruktur.

Lena Vogel: Das Feature, das mich am meisten interessiert: ARBR schlägt Modellwechsel vor, basierend auf Evals – also automatisierten Tests – und bietet Rollback an. Du kannst also probieren, ein Modell durch ein billigeres zu ersetzen, die Evals laufen lassen, und wenn es schlechter wird, zurückrollen.

Felix Hartmann: Das ist genau die Kontrollebene, über die wir vorhin bei MagiCrew gesprochen haben, nur auf Modell-Ebene statt auf Agenten-Ebene. Die offene Frage: Wie viel Aufwand ist der Betrieb eines selbst gehosteten Gateways? Wartung, Updates, Verfügbarkeit – das zahlt man bei Eigenhosting selbst.

Lena Vogel: Und dann noch ein Baustein, der in dieselbe Kategorie fällt, aber eine ganz andere Ebene: Fillo. Das ist headless Formular-Infrastruktur für Produkte. Headless heißt: keine fertige Benutzeroberfläche, du baust die Formulare in dein eigenes Produkt ein.

Felix Hartmann: Was bietet es? Validierung der Eingaben, direkte Uploads zu S3, Google Drive oder Box – also Dateien gehen direkt in den Speicher, ohne Umweg – und kein iframe. Das ist wichtig, weil Formulare in iframes oft hässlich aussehen und sich schlecht ins Design integrieren lassen.

Lena Vogel: Und ein Detail, das ich bemerkenswert finde: Fillo wurde selbst per Coding-Agent gebaut. Das ist eine interessante Meta-Ebene – die Leute, die Infrastruktur für Produkte bauen, nutzen selbst die neuen Werkzeuge dafür. Passt auch zu dem, was wir über Coding-Agenten gesprochen haben.

Felix Hartmann: Genau, und das leitet über zum nächsten Thema: Mensch und Agent gemeinsam. Denn dort geht es genau um diese Zusammenarbeit – und darum, aus ihr zu lernen. Das Stichwort ist Blume.codes.

Lena Vogel: Blume.codes ist eine Desktop-App, die Agent-Sessions beobachtet – konkret Claude Code, Codex und Cursor werden genannt. Und sie macht Folgendes: Wenn sie sieht, dass du einem Agenten immer wieder dieselbe Korrektur gibst, verwandelt sie das in Rules und Skills.

Felix Hartmann: Also das Wissen, das sonst in deinem Kopf und im Chatverlauf steckt, wird als dauerhafte Anweisung extrahiert. Damit musst du dem Agenten das nächste Mal nicht wieder dasselbe erklären.

Lena Vogel: Und es ist kostenlos und läuft lokal. Auch hier wieder das Datenschutz-Muster vom Anfang. Die entscheidende offene Frage: Wie gut generalisieren die extrahierten Rules? Eine Korrektur, die du in einem Projekt gegeben hast, passt vielleicht nicht in ein anderes – oder schlimmer, sie schadet dort.

Felix Hartmann: Und das Gegenstück auf der Planungsseite: Causal. Ein unendlicher Canvas mit räumlicher KI zum Planen kreativer Projekte. Du arbeitest also auf einer Fläche, ordnest Ideen räumlich an, und die KI hilft dabei.

Lena Vogel: Und entscheidend: Es gibt einen MCP-Handoff an Agenten. Du planst also auf dem Canvas, und der Plan wird an einen Coding-Agenten übergeben, der ihn umsetzt. Außerdem gibt es customisierbare Widgets, und der Pro-Plan kostet acht Pfund im Monat.

Felix Hartmann: Das Muster ist schön: Der Mensch denkt und plant visuell, der Agent führt aus. Wissen teilen wie bei Blume, Arbeit übergeben wie bei Causal – der gemeinsame Arbeitsraum zwischen Mensch und Maschine ist das eigentliche Produkt.

Lena Vogel: Und bei kreativer Planung auf dem Canvas liegt der Gedanke nahe: Was passiert mit den Ergebnissen? Führen wir sie weiter zu den Medien-Tools – denn auch dort geht es um Steuerung und Kontrolle, nur auf Ausgabeseite.

Felix Hartmann: Zwei Produkte, die das sehr unterschiedlich zeigen. Das erste: Higgsfield Genjutsu. Das macht Video-zu-Video mit zwei Kernfunktionen: Motion Transfer und Object Swap.

Lena Vogel: Erklär das kurz, das ist wirklich spannend.

Felix Hartmann: Motion Transfer heißt: Du hast ein Video mit einer bestimmten Bewegung – ein Tanz, eine Kamerafahrt, was auch immer – und kannst die Person darin austauschen, wobei die Bewegung erhalten bleibt. Object Swap analog für Objekte. Du tauschst also Charaktere und Orte aus, während der Bewegungsablauf gleich bleibt. Bis zu 40 Referenzen können verwendet werden, und die Clips sind 3 bis 30 Sekunden lang.

Lena Vogel: Das ist eine Antwort auf ein echtes Problem: Bei generiertem Video ist die Bewegung meist das schwer Kontrollierbare. Wenn du Bewegung aus einem existierenden Video übernehmen kannst, hast du ein viel präziseres Werkzeug als reine Text-zu-Video-Prompts.

Felix Hartmann: Die Grenzen liegen auf der Hand: 3 bis 30 Sekunden sind kurze Clips. Konsistenz über längere Sequenzen hinweg ist die große offene Frage im ganzen Bereich.

Lena Vogel: Und dann der große Bruder, wenn man so will: Atlas von World Labs. Das ist ein Omni World Model – also ein Modell, das eine Vorstellung von der 3D-Welt hat, nicht nur von Pixeln. Es generiert Video in 1440p bis zu einer Minute Länge, mit Kamerasteuerung.

Felix Hartmann: Kamerasteuerung heißt: Du bestimmst, wie die Kamera durch die Szene fährt, statt zu hoffen, dass das Modell es zufällig richtig macht. Und die zweite Fähigkeit: Atlas rekonstruiert 3D-Szenen aus wenigen Fotos. Zugriff gibt es vorab, also in einer Early-Access-Phase.

Lena Vogel: Was hier zusammenkommt: Video und 3D verschmelzen. Aus Fotos wird eine Szene, aus der Szene wird Video mit gesteuerter Kamera. Der durchgängige Gedanke der heutigen Folge – Steuerbarkeit statt Zufall – gilt hier genauso wie bei Motion Transfer.

Felix Hartmann: Die offenen Fragen sind die gleichen wie überall im Bereich: Wie zugänglich wird das, und bleibt die Konsistenz über eine Minute Video und darüber hinaus erhalten? Eine Minute ist lang für KI-Video, aber es ist noch kein Film.

Lena Vogel: Und zum Abschluss kommen wir zu einer Kategorie, die manchmal untergeht, aber für den Alltag vielleicht am wichtigsten ist: Open-Source-Werkzeuge, die einfach nützlich sind. Da gibt es drei.

Felix Hartmann: Fangen wir mit Readr an. Ein kostenloser, quelloffener Ebook-Reader – und hier kommt wieder KI ins Spiel, aber auf lokale, kontrollierte Weise: Die KI antwortet auf deine Fragen in der Margine, also am Rand des Textes, und zwar mit Zitaten.

Lena Vogel: Zitate sind auch hier das Vertrauensmerkmal – die Antwort zeigt dir, aus welcher Stelle im Buch sie kommt. Und es gibt lokale Narration, also das Vorlesen des Buches, über ein Modell namens Kokoro, das lokal läuft. Formate: EPUB und PDF, ohne DRM.

Felix Hartmann: DRM-frei heißt: Es liest Bücher ohne Kopierschutz. Das schränkt die Bibliothek praktisch ein, aber wer seine Bücher offen vorliegen hat, bekommt hier einen Reader, der nichts nach außen schickt.

Lena Vogel: Das zweite ist Thaw. Das ist ein Fork – also eine Abspaltung – des Menübar-Managers Ice für macOS, lizenziert unter GPL-3.0. Wer Ice kennt: Damit versteckt und organisiert man Icons in der Menüleiste. Thaw ist die Weiterentwicklung ohne Tracking.

Felix Hartmann: Mit einigen Extras: Triggern – also automatische Aktionen, die Icons ein- oder ausblenden – einem Zen-Modus, und Support für macOS 26 und 27, also die aktuellen und kommenden Versionen.

Lena Vogel: Und das dritte ist wieder sehr klein und sehr konkret: CodeLook. Eine Quick-Look-Erweiterung für macOS – also wenn du im Finder auf eine Datei drückst und die Vorschau siehst – die da 700-plus Themes aus dem Editor Zed und Tree-sitter-Syntax-Highlighting reinbringt. Unterstützt 17 Dateitypen, kostet 4,99 Dollar einmalig, und läuft zu 100 Prozent offline, ohne Netzwerk.

Felix Hartmann: Das ist der perfekte Abschluss, weil es das Thema der ganzen Folge auf einen Punkt bringt: ein kleines Werkzeug, das eine Sache gut macht, komplett lokal, ohne Telefon nach Hause. Egal ob Coding-Agent, Video-Modell oder Ebook-Reader – überall geht es darum, dass du die Kontrolle behältst.

Lena Vogel: Die offene Frage bei den Open-Source-Forks wie Thaw bleibt natürlich die langfristige Pflege: Ein Fork lebt davon, dass jemand ihn weiterentwickelt. Das gilt generell für dieses ganze Ökosystem.

Felix Hartmann: Damit sind wir am Ende. Der rote Faden heute: KI wird alltagstauglicher, indem sie kontrollierbarer wird – lokal auf dem Mac, deterministisch im Browser, mit Freigaben im Unternehmen, mit Gateways in der Infrastruktur, mit Regeln aus Agent-Sessions, mit gesteuerter Kamera im Video und ohne Tracking im Alltag.

Lena Vogel: Danke fürs Zuhören! Wenn dir die Folge gefallen hat, erzähl es weiter – und wir hören uns beim nächsten Mal. Bis dann!

Felix Hartmann: Bis dann!