1112 | KI im Alltag: Von Sprache bis Agenten

Lena Vogel: Hallo und herzlich willkommen, hier ist Lena Vogel.

Felix Hartmann: Und Felix Hartmann. Schön, dass du wieder dabei bist. Heute schauen wir uns eine ganze Reihe neuer Tools und Modelle an – und wenn man sie nebeneinanderlegt, steckt hinter fast allen dieselbe Idee: KI soll nicht nur antworten, sondern konkret etwas tun. Zuhören, telefonieren, am Rechner arbeiten, Bilder bauen – immer mit dem Menschen irgendwo in der Schleife.

Lena Vogel: Genau, und wir gucken uns das Ganze nicht als reine Werbezeilen an, sondern fragen bei jedem Produkt: Wer soll das benutzen, was ändert es gegenüber dem, was es schon gibt, und wo sind die offenen Fragen? Fangen wir bei den Ohren an.

Felix Hartmann: Bei Sprache, ja. Da gibt es zwei ziemlich unterschiedliche Ansätze, die sich gut vergleichen lassen. Das erste ist Scribe v3 von ElevenLabs – deren dritte Generation der Spracherkennung. Die zentrale Zahl: Die Wortfehlerrate soll laut Hersteller 27 Prozent niedriger liegen als bei Version 2. Dazu kommen mehr als 90 Sprachen, und die Erkennung kann bis zu 32 Sprecher gleichzeitig auseinanderhalten – also bei einer Konferenz oder einem Podcast-Ausschnitt zuordnen, wer gerade was gesagt hat.

Lena Vogel: Und für den Live-Einsatz gibt es eine eigene Variante, die unter 150 Millisekunden Latenz arbeitet. Das ist der Punkt, der das Ding für eine bestimmte Sort Anwendung erst brauchbar macht – Untertitel in Echtzeit zum Beispiel, oder Übersetzung während jemand spricht. Wenn du da zwei Sekunden hinterherhinkst, fühlt sich das kaputt an.

Felix Hartmann: Und worin ist das relevant gegenüber dem, was es sonst gibt? Genau diese Kombination: niedrige Fehlerrate, viele Sprachen, Sprecher-Trennung und Live-Latenz in einem Paket. Viele Modelle können zwei davon gut, das volle Set ist der Unterschied. Wie immer gilt aber: Die 27 Prozent sind eine Herstelleraussage über einen Vergleich mit der eigenen Vorgängerversion. Wir haben keine unabhängigen Messungen vorliegen.

Felix Hartmann: Wie sich das im echten Alltag verhält – bei Akzenten, Fachjargon, Hintergrundlärm – ist offen.

Lena Vogel: Und dann das Gegenstück, und das finde ich eigentlich die spannendere Geschichte: Earlybird. Ein Spracherkennungsmodell, das komplett auf dem Endgerät läuft. Die Zahlen sind verrückt: 29 Millionen Parameter, 16,8 Megabyte groß. Zum Vergleich – das ist winzig. Es läuft nicht in irgendeinem Rechenzentrum, sondern direkt auf dem Gerät, und es ist streamingfähig.

Felix Hartmann: Und die eigentliche Party-Trick-Zahl: Das Modell sagt das Wort, das du gerade sagst, im Median 90 Millisekunden voraus, bevor du fertig gesprochen hast. Also es预测t – es produziert das Wort schon, während der Mensch noch spricht. Das klingt fast wie Zeitreisen, ist aber im Kern: Das Modell kennt die Sprachmuster so gut, dass es sehr früh das Ende eines Wortes richtig errät. Wichtig dazu: Es gibt pro Vorhersage einen Konfidenzwert mit – das Modell sagt quasi mit, wie sicher es sich ist.

Felix Hartmann: Und die Gewichte sind offen, man kann es also herunterladen und selbst nutzen.

Lena Vogel: Wenn man die beiden nebeneinanderhält: Scribe v3 ist die Server-Lösung für maximale Qualität über 90 Sprachen und 32 Sprecher, Earlybird ist die minimalistische On-Device-Lösung, wo Offline-Fähigkeit und null Server-Abhängigkeit zählen. Beide werfen dieselbe Frage auf: Wie stabil sind sie im Alltag? Die Herstellerzahlen sind beeindruckend, aber aus dem Labor in ein echtes Meeting mit vier Leuten, die sich überlappen und schreien – da sehen wir erst, was hält.

Felix Hartmann: Und wo die Erkennung gut genug wird, entsteht der nächste Schritt: Wenn die Maschine zuhören kann, kann sie auch handeln. Konkret: telefonieren. Da gibt es zwei Produkte, die fast dasselbe Problem lösen, aber auf unterschiedliche Art.

Lena Vogel: Das erste ist Mitra MCP. Die Idee: KI-Agenten können mit deiner persönlichen Nummer telefonieren. Und – das ist der Punkt, der es von einem simplen Anruf-Bot unterscheidet – während des Gesprächs kann dich das System zu dem Agenten dazuschalten. Also du hörst mit, oder du übernimmst, wenn es kompliziert wird. Das Ganze funktioniert mit Claude, ChatGPT und Grok, ist also an die gängigen Agenten-Umgebungen andockbar.

Felix Hartmann: Das zweite ist CALL-E, und da ist der Ablauf ein anderer. CALL-E zeigt dir zuerst einen Plan – was es tun will, wie der Anruf ablaufen soll –, du bestätigst, dann wird gewählt. Und dann hat es anscheinend gelernt, die typischen Hürden zu überwinden: Telefonmenüs durchklicken, in der Warteschleife warten, auf die Mailbox sprechen. Danach bekommst du eine Zusammenfassung plus Transkript zurück. Für neue Nutzer gibt es 100 Credits als Startguthaben.

Lena Vogel: Beide lösen also Telefonate delegieren – aber auf unterschiedliche Weisen. CALL-E macht erst Plan, dann Aktion, mit dokumentiertem Ergebnis. Mitra MCP setzt eher auf die personale Komponente: deine Nummer, du bist im Loop. Das ist auch der Punkt, wo ich denke, dass es mehr als nur Komfort ist. Wenn der Anruf von deiner Nummer kommt, verhält sich die Gegenseite anders, als wenn eine unbekannte Nummer anruft. Das kann Vor- und Nachteile haben.

Felix Hartmann: Und die offene Frage, die man bei beiden wirklich stellen muss: Datenschutz und Missbrauchsschutz. Wer hört da mit, was wird gespeichert, und was passiert, wenn so ein Agent bei einer kritischen Stelle etwas Falsches sagt oder gar absichtlich als Mensch durchgehen soll? Das ist in beiden Fällen nicht aus den Beschreibungen klar beantwortet. Und weil wir gerade bei Agenten sind, die anrufen – es gibt auch Agenten, die am Rechner arbeiten.

Lena Vogel: Und da gibt es ein Projekt, das mir wegen der Philosophie gefällt: Nod von n8n. Das ist ein Open-Source-Personal-Agent, der auf dem eigenen Rechner läuft – Mac oder PC –, und zwar mit eigener virtuellen Maschine und eigenem Browser. Der Agent kann also konkret Dinge tun, Websites öffnen, Aufgaben ausführen, aber in einem abgeschlossenen Bereich.

Felix Hartmann: Und der Kerngedanke ist: erst Erlaubnis, dann Ausführung. Der Agent schlägt vor, was er tun will, und du sagst ja oder nein. In den Tests hat er laut Angaben 98 Prozent der Aufgaben geschafft. Und die Lizenz ist Apache 2.0, also frei nutzbar, kostenlos.

Lena Vogel: Das Konzept – Autonomie mit Kontrolle – taucht an anderen Stellen nochmal auf. Da gibt es zum Beispiel Stiro, das ist ein KI-Führungsagent für SaaS-Produkte. Der Unterschied: Es geht nicht um autonome Aufgaben, sondern darum, dass die KI den Nutzer begleitet, während er durch ein echtes Produkt klickt. Der Clou: Bei Aktionen, die Konsequenzen haben – etwas senden, etwas bezahlen, etwas löschen – übergibt Stiro die Bestätigung zurück an den Menschen.

Lena Vogel: Die KI zeigt, wie es geht, aber die kritischen Klicks macht der Nutzer selbst.

Felix Hartmann: Und dann noch ein dritter Baustein in diesem Bild: Relay. Das ist eher ein kleines Protokoll-Ding. Wenn du jemandem ein Dokument schickst, hängt Relay Kontext an – für die KI der anderen Person. Und wenn dann Entscheidungsfragen entstehen, wie zum Beispiel Fristen oder Termine, wird die Frage an dich zurückgespielt. Das Schema ist übrigens quelloffen. Also nicht der Agent entscheidet allein, sondern die offene Frage wandert zurück zu der Person, die sie beantworten kann.

Lena Vogel: Wenn man die drei zusammenlegt, ist die gemeinsame Idee ziemlich klar: Agenten sollen mehr tun dürfen als nur chatten, aber an den Stellen, wo es ernst wird – senden, zahlen, löschen, Termine setzen – geht die Kontrolle zurück an den Menschen. Die offene Frage dabei, und die ist real: Wie zuverlässig sind solche Agenten in produktiven Umgebungen? 98 Prozent in Tests klingt gut, aber wie sieht das nach Wochen in der Praxis aus, wenn die Aufgaben komplexer werden und die Grenzfälle häufen?

Felix Hartmann: Genau, und die Philosophie der Kontrolle zieht sich noch weiter, sogar in ein Gebiet, wo man sie nicht erwartet: beim Bilderzeugen. Da sind in letzter Zeit zwei Modelle aufgefallen, die beide dieselbe Richtung einschlagen: schneller, präziser, besser kontrollierbar.

Lena Vogel: Das eine ist MiniMax H3-Image. Das ist ein Modell mit offenen Gewichten, also quelloffen wie bei Earlybird vorhin. Die Kernleistung: Sechs Diffusion-Schritte, nativ 16 Megapixel Auflösung, und ein 4K-Bild in unter 10 Sekunden. Es kann bis zu 16 Referenzbilder gleichzeitig verarbeiten – man gibt also 16 Bilder als Vorlage und bekommt ein neues, das darauf aufbaut. Der Haken: Wenn man es lokal laufen lassen will, braucht man rund 69 Gigabyte an Platz, also ordentlich Hardware.

Felix Hartmann: Das andere ist Seedream 5.5 von ByteDance. Und das löst ein anderes Problem: lokale Bearbeitung über viele Schritte hinweg. Du kannst 100 Runden Änderungen machen, und dabei bleiben die Bereiche, die du nicht anfasst, auf Pixelebene unverändert. Also du änderst eine Kleinigkeit, dann eine weitere, dann noch eine – und das Original-Layout verschiebt sich nicht jedes Mal. Dazu kommen native Transparenz als Ausgabeformat und besserer Text-Rendering im Bild.

Felix Hartmann: Text im Bild zu generieren ist seit jeher ein Neuralgpunkt, da hat sich laut Hersteller etwas getan.

Lena Vogel: Wichtig ist an beiden: Schnelle, kontrollierbare Bildbearbeitung wird alltagstauglich. Das war lange der Bereich, wo Bildgenerierung am schönsten versprach und am meisten frustrierte – man wollte eine Kleinigkeit ändern, und das ganze Bild kippte. Wenn die Modelle da zuverlässig werden, wird das Werkzeug ernst. Die offene Frage bleibt: die Hardware-Anforderungen für lokale Nutzung, gerade bei den großen Modellen.

Felix Hartmann: Und es gibt sogar noch eine dritte Baustelle in diesem Bereich: Shot.video. Das ist ein Werkzeug für Videoaufnahmen mit dem Handy. Du scannst einen QR-Code, und dann wird dein Handy Teil eines Multi-Kamera-Setups. Du musst keine App installieren. Die Aufnahmen werden synchronisiert, und eine KI macht daraus einen ersten Schnitt.

Felix Hartmann: Die Kamera-Wahl kann nach Blickrichtung erfolgen – also die Software entscheidet, welche Kamera gerade relevant ist, weil die Person dorthin schaut – und du kannst das manuell korrigieren.

Lena Vogel: Vom Bild zum fertigen Video – der Übergang ist da fast schon logisch. Aber jetzt kommen wir zu einem anderen Feld, das eher bei den Leuten ankommt, die selbst bauen: Werkzeuge für Entwickler.

Felix Hartmann: Da gibt es zwei Dinge, die unterschiedliche Reibungspunkte im Dev-Alltag angehen. Das erste ist Skillbox. Die Idee: eine einheitliche Bibliothek für KI-Fähigkeiten, die über verschiedene Tools synchron gehalten wird – Claude Code, Cursor, Codex. Du schreibst also eine Fähigkeit einmal, und sie ist in allen drei Umgebungen aktuell. Dazu kommt ein Sicherheits-Detail, das mir wichtig erscheint: Bei jeder neuen Version wird die Bibliothek auf Prompt-Injection gescannt.

Felix Hartmann: Das ist keine Kleinigkeit, wenn man externes Material in die eigene KI-Umgebung lädt. Und es gibt noch eine Funktion namens Trim, die die Ausgabe von Kommandos komprimiert – also weniger Rauschen, wenn die KI arbeitet.

Lena Vogel: Das zweite ist Skipbox, und das geht einen ganz anderen Weg. Skipbox bietet Warm-Runner für GitHub Actions an – mit eigener virtueller Maschine. Der Preis ist 39 Dollar pro Monat für 4 vCPU und 8 GB RAM, mit unbegrenzten Minuten. Das Wort „Warm" ist der Kern: Die Maschine ist vorgewärmt, also ohne die typischen Wartezeiten, die man sonst bei CI-Runs hat. Der Cache bleibt erhalten, und Credentials werden nach Gebrauch gelöscht.

Felix Hartmann: Also zwei Ansätze, die Reibung reduzieren – einmal in der KI-Tooling-Schicht, einmal in der CI-Schicht. Und dazu gibt es noch ein drittes Tool namens RigSpark, das eine Frage beantwortet, die viele von uns kennen: Welches lokale KI-Modell läuft eigentlich auf meinem Rechner? Das ist ein Open-Source-Tool, in Rust geschrieben. Es prüft Arbeitsspeicher, GPU und Disk, und sagt dir dann, ob ein bestimmtes Modell auf deiner Hardware laufen kann und wie schnell es ungefähr wäre.

Felix Hartmann: Das ist praktisch, wenn man Modelle wie das MiniMax-Modell von vorhin lokal testen will und vorher wissen will, ob die Maschine das überhaupt packt.

Lena Vogel: Die offene Frage bei den Entwickler-Tools ist: Langzeit-Stabilität und Preisentwicklung. 39 Dollar klingen fair, aber was passiert, wenn sich die Nutzung ändert oder die Konkurrenz billiger wird? Und bei so jungen Tools ist die Frage, wie gut der Support und die Wartung über Jahre laufen.

Felix Hartmann: Von den schweren Dev-Tools kommen wir zu einem etwas leichteren Thema: den kleinen Tools, die den Mac-Alltag verschönern. Und da gibt es zwei, die beide kostenlos sind und beide ganz unterschiedliche Ecken des Alltags anfassen.

Lena Vogel: Das erste ist Padrail. Das ist eine Mac-App, die die vier Kanten des Touchpads zu Schiebereglern macht. Die Aufteilung ist durchdacht: Rechts Lautstärke, links Helligkeit, unten die Tastaturbeleuchtung. Und die obere Kante ist das Interessante: Die passt sich der jeweiligen App an. Also je nachdem, was du gerade offen hast, passiert etwas anderes. Kostenloser Download, Mac-App.

Felix Hartmann: Das zweite ist Binqo, und das ist eher charmant als praktisch zu beschreiben. Es wohnt in der Notch des MacBooks, also dem Display-Kerben oben. Darin lebt eine Punktfigur namens Mielo. Und um Mielo herum gibt es eine Sammlung von Mini-Apps: Musik, Kalender, Clipboard, Sprachfragen und Meeting-Notizen. Also eine kleine Community im Mac-Design, die vom Look her wie eine Figur in einem Spiel wirkt. Kostenlos.

Lena Vogel: Und dazu gibt es noch ein paar weitere Mac-Dinge in derselben Ecke. StableBar zum Beispiel ist ein quelloffener Menübar-Ersatz für macOS, geschrieben in Swift, den man entweder über ein Settings-Fenster oder über eine JSON-Datei konfigurieren kann. Er unterstützt Workspaces von AeroSpace und yabai und kommt mit sieben Themes. Und dann noch nizima ACTION!!

Lena Vogel: , das ist ein offizieller Browser-Video-Editor von Live2D – man kann PSD-Dateien mit Ebenen importieren, verschachtelte Szenen bauen, Keyframe-Animation machen. Das ist aktuell Beta und kostenlos.

Felix Hartmann: Was verbindet das alles? Kleine, kostenlose Mac-Tools, die den Alltag verfeinern – einmal in der Hardware-Interaktion, einmal im Interface, einmal im Bereich kreatives Arbeiten. Nichts davon ist weltbewegend, aber zusammen ergibt das ein Bild: Der Mac wird zunehmend als lebendige Oberfläche behandelt, nicht nur als Arbeitsplatz.

Lena Vogel: Und wenn wir einmal bei den Werkzeugen sind, die einem den Alltag leichter machen, dann kommen wir zum Thema Geld. Und da gibt es zwei Tools, die sich von zwei Richtungen demselben Thema nähern: KI, die dein Geld schützt.

Felix Hartmann: Das eine ist Subscriptrack, und das ist ein klassisches Problem-Produkt. Du gibst ihm Zugriff auf deine E-Mails, und die KI findet dann alle Abos raus, die du irgendwo abgeschlossen hast. Dann zeigt sie dir eine Liste mit der Gesamtsumme pro Monat, erinnert dich an anstehende Verlängerungen und Testphasen, und listet dir für 213 Dienste die konkreten Schritte auf, wie man sie kündigt. Und das Entscheidende: Du brauchst keine Bank-Login-Daten anzugeben, nur den Mail-Zugang.

Lena Vogel: Das andere ist ScroogeFrog AI, und das richtet sich eher an Leute, die Werbung schalten. Es trainiert Modelle auf deinen Conversion-Daten, um Klickbetrug zu erkennen – also Bots oder people, die auf deine Anzeigen klicken, aber niemals konvertieren. Es prüft Website-Traffic und Google Ads und liefert Empfehlungen, was man konkret tun kann. Also derselbe Schutzmantel-Gedanke, nur auf ein anderes Budget-Segment gerichtet.

Felix Hartmann: Beide zusammen: KI schützt Geld. Einmal im Abo-Dschungel für Privatleute, einmal im Werbebudget für Unternehmen. Bei beiden lohnt sich die kritische Frage nach der Genauigkeit – bei ScroogeFrog vor allem, denn Betrugserkennung hat immer zwei Fehlerarten: man übersieht echten Betrug, oder man klassifiziert echte Kunden fälschlich als Betrüger und schneidet legitimen Traffic ab. Wie gut das Modell da kalibriert ist, ist aus der Beschreibung nicht ersichtlich.

Lena Vogel: Und damit sind wir beim letzten Themenblock, der ein bisschen eine andere Tonlage hat. Es geht um Wissen aus Communities und um Gefühl – und zwar in einer ziemlichen Bandbreite.

Felix Hartmann: Fangen wir mit Mister Blocks an. Das ist ein Service, der aus einem Foto von verstreuten LEGO-Steinen einen konkreten Bauplan macht – inklusive 3D-Schritt-für-Schritt-Anleitung. Es ist kostenlos und basiert auf Claude. Also du legst deine Steine auf den Tisch, machst ein Foto, und bekommst gesagt, was du daraus bauen kannst.

Lena Vogel: In einem ähnlichen Geist, aber einem anderen Kontext: Reddit Reviews. Das ist ein Feature, bei dem Reddit die Produkt-Diskussionen aus seinen eigenen Communities aufbereitet und in Testberichte-Seiten sortiert. Am Anfang sind das rund 10.000 US-Produkte in vier Kategorien, und ab 2027 soll das expandiert werden.

Lena Vogel: Der Gedanke dahinter: In den Communities wird ehrlich über Produkte gesprochen, mit echtem Erfahrungs-Kontext – und Reddit bringt das jetzt in eine Form, die man als Kaufberichte nutzen kann. Beide Projekte – Mister Blocks und Reddit Reviews – drehen Wissen, das irgendwo verstreut liegt, in konkrete, nutzbare Hilfestellung.

Felix Hartmann: Und dann noch etwas ganz anderes: Xolace. Das ist eine emotionale Support-App, gemacht von einem Team in Ghana. Die App arbeitet mit einem Konzept namens „The Fire" – dabei hilft sie, unter den Gefühlen, die man nach außen zeigt, die realen, die darunterliegen, ehrlich auszudrücken. Die Reflexion ist kostenlos. Es gibt über 350 Nutzer und bereits mehr als tausend Sitzungen.

Felix Hartmann: Das ist eine andere Sorte KI-Anwendung – nicht Produktivität, sondern emotionale Begleitung, und das aus einer Region, die nicht immer im Fokus solcher Tools steht.

Lena Vogel: Wenn man das alles von heute einmal Revue passieren lässt: KI hilft beim Bauen – Mister Blocks mit den LEGO-Plänen, MiniMax und Seedream beim Bilderzeugen. KI hilft beim Kaufen – Reddit Reviews bei der Entscheidung, Subscriptrack und ScroogeFrog beim Schutz des Geldes. Und KI hilft beim Fühlen – Xolace. Dazu die Werkzeuge, die all das antreiben: bessere Sprache, auf dem Server und auf dem Gerät.

Felix Hartmann: Das war heute diese Ausgabe. Wir haben versucht, nicht nur die Features vorzulesen, sondern zu fragen, was wirklich neu ist, wofür es gebaut wurde und wo die Lücken sind. Vielen Dank, dass du dabei warst.

Lena Vogel: Bis zum nächsten Mal – und pass auf deine Abos auf.