Hallo zusammen, ich bin Ulf und neu hier in der Lounge! Ich arbeite im IT-Bereich und beschäftige mich schon eine Weile mit KI, bin aber gespannt, was andere hier für Erfahrungen gemacht haben. Was war für euch der größte Aha-Moment mit KI – privat oder beruflich?

Über Multi-Agenten-Systeme wird viel geschrieben, meist auf der Ebene von Architekturdiagrammen und Produktversprechen. Wie sich zwei unabhängige LLMs im Alltag tatsächlich koordinieren lassen, ohne dass Wissen driftet, Verantwortlichkeiten unklar werden oder am Ende niemand mehr weiß, welcher Stand gerade gilt, zeigt sich eher in der Praxis als in der Theorie. Der folgende Erfahrungsbericht stammt aus einem selbstgebauten, aber vollständig produktiven Fall: einer persönlichen Bewerbungspipeline, in der Claude und ChatGPT arbeitsteilig zusammenarbeiten – gekoppelt über Slack als Signalquelle und eine versionierte, dateibasierte Knowledge Base als gemeinsames Gedächtnis. Der Aufbau: Slack als Sensor, Dateien als Gedächtnis Slack übernimmt in diesem Setup nicht die Rolle einer Chat-Oberfläche für die Agenten, sondern die eines Sensors. Neue Stellenanzeigen landen in thematisch getrennten Kanälen; ein Agent scannt sie, erkennt Statuswechsel und wartet auf klar definierte menschliche Signale in Thread-Antworten – ein einfaches „GO“, „Freigabe“ oder „Sign-off“ genügt, um die Pipeline einen Schritt weiterzuschalten. Slack ist damit Ereignisquelle und Kommunikationskanal zugleich, aber ausdrücklich keine Wissensbasis. Das eigentliche gemeinsame Gedächtnis liegt in einer versionierten Dateistruktur, die beide Systeme lesen und – nach klaren Regeln – auch verändern dürfen. Zentral ist ein einziges Prinzip: Eine Datei ist die alleinige Faktenquelle für den Kandidaten, alle anderen Bestände (historische Bewerbungsunterlagen, Master-Lebensläufe, Slack-Kontext) liefern ausschließlich Kontext – Formulierungen, Gewichtung, Framing –, niemals neue Fakten. Jede Änderung an dieser Faktenbasis muss geschrieben werden, nie „nur im Kopf eines Modells“ bleiben. Genau das ist einmal schiefgegangen: Ein überarbeiteter Stand wurde nur intern in einem der beiden Systeme gepflegt und nie verteilt, sodass eine spätere Anfrage gegen einen veralteten Stand lief, ohne dass es zunächst auffiel. Die Konsequenz war keine neue Regel mit gutem Willen, sondern ein hartes Versionierungs- und Übergabeverfahren: durchgehend nummerierte Gesamtversionen, die je den vollständigen Stand aller Kategorien enthalten, plus eine bewusste Entscheidung gegen Mikro-Releases – kleine Einzeländerungen sammeln sich, bis ein inhaltlich abgeschlossener Block vorliegt, statt bei jeder Kleinigkeit einen neuen Stand zu erzeugen.

Hi zusammen! Ich arbeite an zwei parallelen Projekten mit KI: 1) Einer Photo-DB, die mir hilf digitale Fotos aus verschiedenen Jahrgängen zu systematisieren und zu kategorisieren. Diese Kategorien werden sobald sie final sind (der Drift entsteht durch neue Bilder) in Sidepockets gepackt und sollen dann in das Repository fließen (bei mir Lightroom Classic). Kernanforderung dabei: - Datenintegrität, - Datensicherheit, - Systematische Reproduzierbarkeit der Kurationsentscheidung über einzelne Fotos - Konnektivität zwischen Klassifizierung und zugrunde gelegter Entscheidung, - Und strategisch, die Ableitung einer Gesamtwerkschau als Fotograf mit konkreten historisch gewachsenen Portefeuille Hier arbeiten zwei LLMs und verschiedene Agenten zusammen an einem gemeinsamen Projekt, ohne direkt miteinander verbunden zu sein. 2) Einem Bewerbungs-Katapult. Hier schicke ich neue Stellen als Text zu Slack und ChatGPT schaut jeden Morgen um 08:00 nach, was neu ist und macht einen Intake-File. Dort wird mein Profil aus einem Repository und domain-spezifischen Anpassungen dagegen gehalten und eine erste Einschätzung über Matching und ATS-Score gemacht. Ferner wird eine Bewerbung als "strong-fit", "aggressiv-stretch", "defensive-stretch" und "not advisable" klassifiziert und Argumentationsanker vorgegeben. Ich prüfe und gebe das "go" oder auch nicht. Claude übernimmt dann baut einen ersten CV lokal auf der Festplatte. Dabei greift er die "Anker" von ChatGPT auf und kombiniert dies mit meinem Candidate.md und den Domain-Anpassung für verschieden Adressatenkreise. Ich passe die Formatierung an, ChatGPT macht materiellen Check mit ATS-Score und Matching sowie Bewerbungsstrategie, Claude macht Machine-Review, ob Parser funktionieren, Schriften, Dateigröße, etc. alles passt und fertig. Kernidee und Anforderung: - Schnelle Produktionspipeline (aktuell 10-12 Bewerbungen pro Tag nebenbei machbar) - Hohe Qualität (wurde von HR-Beratern und auch HR-lern bestätigt - die das kaum fassen konnten) - Gute Interaktion von zwei Systemen (ChatGPT für Argumentation und Einschätzung, Claude für Daten- und Dateimanagement) und Claude-Code für Prozesse und Architektur.

Nach einigen Wochen lag der Schreibtisch voller Notizen und markierter Papers. Ich suchte immer noch nach einer Antwort. Nicht nach einem besseren Modell. Auch nicht nach einem besseren Prompt. Mich beschäftigte nur noch eine Frage: Wie lässt sich das Verhalten eines Enterprise-KI-Systems beurteilen? Beim Durchblättern der Unterlagen fiel mir auf, dass überall dieselben Begriffe auftauchten. Genauigkeit, Reasoning, Halluzinationen oder Antwortqualität – alles wichtige Eigenschaften. Aber keine beantwortete meine eigentliche Frage. Also zog ich einen Strich unter die Liste und schrieb: Woran würde ich einem KI-System vertrauen? Der Satz blieb nur wenige Sekunden stehen. Dann strich ich ihn wieder durch. Er war zu ungenau. Beim zweiten Versuch formulierte ich die Frage anders: Was muss erfüllt sein, damit ein KI-System im Unternehmen zuverlässig arbeiten kann? Diesmal blieb der Stift liegen. Plötzlich ging es nicht mehr um die Fähigkeiten eines Modells. Sondern um die Eigenschaften eines Systems. Hält es sich an definierte Regeln? Sind Entscheidungen nachvollziehbar? Lässt sich überprüfen, was tatsächlich passiert ist? Ich hatte noch keine Antworten. Aber zum ersten Mal stellte ich die richtige Frage. Mir wurde klar, dass ich die ganze Zeit nach einem Qualitätsmerkmal gesucht hatte, über das in der KI-Diskussion erstaunlich selten gesprochen wird. Nicht Intelligenz. Sondern Verlässlichkeit. Und Verlässlichkeit entsteht nicht zufällig. Sie entsteht durch Architektur. Als ich an diesem Abend den Schreibtisch aufräumte, wanderte fast alles zurück in den Stapel. Nur dieses Blatt blieb liegen. Weil ich spürte, dass dort etwas begonnen hatte. Nur einen Namen hatte es noch nicht.

Guten Morgen Community! ☕️ Hand aufs Herz: Wie viel Zeit geht bei euch drauf, bis aus einer Idee ein halbwegs vorzeigbares Design wird? Canva aufmachen, Template suchen, Farben angleichen, Schrift anpassen — und am Ende wirkt es trotzdem nicht wie euer eigenes CI. Anthropic hat still und leise eine Antwort darauf gebaut. Claude Design ist kein Bildgenerator, der einen schicken Screenshot ausspuckt. Darunter steckt echter Code — klickbar, exportierbar, übergabefähig. Und der entscheidende Satz dazu lautet: Es ersetzt nicht den Designer. Es ersetzt das leere Blatt. Und dann ist da noch was: Nach dem KI Mastery Workshop „KI Marketing 3.0" zeigen uns morgen einige Teilnehmer live, was in zwei Workshoptagen entstanden ist — Landingpages, LinkedIn-Content, Videos, Fotos. Echte Ergebnisse, echte Menschen auf der Bühne. Genau das ist das Thema fürs KI-Café heute Nachmittag (Mittwoch, 16:30 Uhr). ✅ Claude Design live — aus einer einfachen Beschreibung entsteht ein erstes Design, das wir im Dialog verfeinern ✅ CI-Übernahme — Website rein, Landingpage raus, automatisch in euren Kundenfarben ✅ Angebots-One-Pager, Prozess-Swimlane, Pitchdeck — welche Anwendungsfälle sich im Alltag wirklich lohnen ✅ Ehrlicher Blick auf die Beta-Grenzen — was funktioniert, was noch nicht 🔥 Show us your best result — KI Marketing 3.0 Teilnehmer präsentieren ihre stärksten Ergebnisse aus dem Workshop 📅 Heute, Mittwoch (19.08.) um 16:30 Uhr Den Link zum Zoom-Raum findet ihr wie immer im Kalender. 👇 Jetzt seid ihr dran — ab in die Kommentare! Habt ihr Claude Design schon ausprobiert? Und wenn ja: Wo war das leere Blatt bei euch bisher der größte Zeitfresser — im eigenen Business oder bei Kundenprojekten? Kommentiert mit **„DESIGN"**, wenn ihr morgen dabei seid! 🎨 Wir sehen uns beim Kaffee und Kuchen um 16:30 Uhr! Euer Torsten