Zwei Menschen sprechen mit derselben KI. Keiner darf lesen, was der andere gesagt hat, und trotzdem sollen beide am Ende gemeinsam eine Lösung finden. Probier das mit ChatGPT, Claude oder Copilot aus. Die großen Systeme prüfen, ob du eingeloggt bist, aber nicht, wer in eurer Runde was sehen darf. Heute zu Gast: Prof. Dr. Harald Geißler Er ist einer der Pioniere des Online-Coachings in Deutschland. Bis zu seiner Emeritierung war er Universitätsprofessor in Hamburg und arbeitet seit Jahrzehnten als Organisationsberater und Coach. Er hat das Institut Online-Coaching-Lernen gegründet und das Buch „KI-Coaching“ (Springer) geschrieben. Mit aica05 hat er ein Konzept für KI-gestützte Konfliktmediation entwickelt. Intra.ID hat es technisch umgesetzt. Heute stellt er das Design vor: Hats: welcher Agent welche Rolle trägt Wissensräume: wer was sieht, wann und warum Der Clou: Personenbezogene Daten gehen gar nicht erst an die Sprachmodelle. Vertraulichkeit ist hier eine Frage der Bauweise und keine Bitte an die KI. Der Anlass war die Mediation. Gebraucht wird das Konzept aber überall: Werkstatt und Einkauf: Der Monteur fragt, die Marge bleibt im Büro. Bewerber und Personal: Gehaltswunsch und Feedback bleiben getrennt. Mandant und Berater: Vertrauliches bleibt beim Berater, der Fall bleibt gemeinsam. Käufer und Verkäufer: Jede Seite verhandelt mit ihrer eigenen Schmerzgrenze. Patient, Angehörige und Pflege: Jeder sieht, was ihm zusteht. Drei Befunde vorab: Ein Prompt ist keine Zugriffskontrolle. Ein Raum ist nur so offen wie sein schwächster Teilnehmer. Die Zahl der Agenten ist eine Designentscheidung, hier sind es drei statt vier. Vibe oder Vise? Heute siehst du, wie Wissenschaft und saubere Technik zusammen ein System ergeben, dem man Vertrauliches anvertrauen kann. 👉 Heute, 18:00 Uhr: https://www.skool.com/ki-coach Frage zum Mitbringen: In welchem deiner Abläufe sitzen heute zwei Parteien im selben Chatfenster?

AI.Connect Aufzeichnung vom 26.10.2026 Warum liefern manche KI-Agenten belastbare Ergebnisse — und andere nur plausible Texte? Ein wesentlicher Unterschied liegt oft nicht im Modell, sondern im Wissen, das dem Agenten zur Verfügung steht: kuratiert, aktuell, prüfbar und auf den konkreten Arbeitskontext zugeschnitten. Heute bei ai.connect schauen wir uns an, wie kuratiertes Wissen Agenten besser macht: ✅ Warum allgemeines Modellwissen für Fachaufgaben oft nicht reicht ✅ Wie Quellen, Regeln und Bewertungskriterien in einen Agenten kommen ✅ Wie sich Qualität, Nachvollziehbarkeit und Vertrauen erhöhen lassen ✅ Welche Fragen ihr stellen solltet, bevor ihr einem Agenten eine Entscheidung überlasst Wir sprechen nicht über „mehr Tools“, sondern über die Grundlage, auf der gute agentische Systeme erst entstehen: echte Kenntnis statt ungeprüfter Ausgabe.

Ihr seid genau die, die den Unterschied machen. Während andere noch über Benchmarks diskutieren, betreibt ihr echte Systeme, skalierst Agents und liefert täglich Wert. Und mit Luna habt ihr das richtige Werkzeug gewählt: schnell, stabil, kosteneffizient – und jetzt mit der neuen Preissenkung noch attraktiver. Warum ihr damit richtig liegt: - Luna ist für Volumen gemacht: Das Modell ist explizit für „cost‑sensitive, high‑volume workloads“ designed – also genau für das, was ihr heute baut. - Performance/Preis unschlagbar: Bei Coding‑ und Agenten‑Benchmarks liefert Luna solide Ergebnisse (z. B. ~74–84 Punkte in relevanten Tests) – bei einem Bruchteil der Kosten von Sol. - Skalierbare Architektur: 1,05 Mio. Token Kontext, Tool‑Support (Web Search, MCP, Code Interpreter, Computer Use, Functions) – perfekt für Agenten, RAG, Multi‑Step‑Workflows. - Jetzt 80% günstiger: Die Input/Output‑Preise für Luna sind von 1 $/6 $ auf 0,20 $/1,20 $ pro 1 Mio. Token gesenkt worden. Wer Luna produktiv nutzt, senkt sofort die Betriebskosten. Was das für euch bedeutet: - Ihr könnt mehr Requests, mehr Kontext, mehr Agenten fahren – bei gleichem Budget. - Ihr habt jetzt noch mehr Spielraum für Experimente, A/B‑Tests und neue Use Cases. - Ihr positioniert eure Lösungen wirtschaftlich robuster als viele Wettbewerber. Wenn ihr Luna bereits produktiv nutzt: Das ist kein Zufall, das ist Strategie. Ihr habt früh auf das richtige Preis‑Leistungs‑Verhältnis gesetzt und baut jetzt Systeme, die nicht nur funktionieren, sondern auch wirtschaftlich skalieren. Genau so gewinnt man.

OpenAI hat die Preise für seine GPT-5.6-Modellfamilie deutlich gesenkt. Dahinter steckt selbstverständlich eine Marktstrategie. Nutzen wir die KI, um unsere Ideen zu verwirklichen! Besonders spannend ist GPT-5.6 Luna. Der Mensch strebt zwar zu den Sternen, aber fangen wir doch erst einmal mit dem Mond und der Erde an. La Luna kostet ab sofort 80 Prozent weniger und wurde für schnelle, skalierbare Arbeitsabläufe mit KI-Agenten, Werkzeugen und mehrstufigen Prozessen entwickelt. Daher lohnt es sich, bei großen, vielfältigen Aufgaben, bei denen viele Daten gelesen werden müssen, auch mal an Luna zu denken. Die neuen Preise (STAND 31.07.2026) 🔹 GPT-5.6 Luna 0,20 US-Dollar pro Million Eingabe-Token 1,20 US-Dollar pro Million Ausgabe-Token 🔹 GPT-5.6 Terra 2 US-Dollar pro Million Eingabe-Token 12 US-Dollar pro Million Ausgabe-Token Terra wurde damit ebenfalls um 20 Prozent günstiger. Zusätzlich gibt es für GPT-5.6 Sol einen neuen Fast Mode. Dieser ermöglicht bis zu 2,5-mal schnellere Antworten bei unveränderter Intelligenz des Modells. Damit wird die Aufgabenteilung innerhalb der GPT-5.6-Familie immer klarer 🌙 Luna für hohe Stückzahlen, Automatisierungen und KI-Agenten 🌍 Terra für die tägliche produktive Arbeit ☀️ Sol für besonders anspruchsvolle Aufgaben Warum ist diese Entwicklung so wichtig? Bisher waren viele komplexe KI-Arbeitsabläufe technisch möglich, wirtschaftlich jedoch nur begrenzt sinnvoll. Mit den neuen Preisen verändern sich die Voraussetzungen. Plötzlich kannst du Dinge bauen, an die du noch nicht einmal gedacht hast. Wenn du die Large Language Modelle optimal untereinander einsetzt und die Familien sowie die Denktiefe explizit auswählst – oder lass das einfach die KI für dich machen. KI-Agenten können mehr Aufgaben übernehmen. Mehrstufige Arbeitsabläufe lassen sich in größerem Umfang automatisieren. Unternehmen können spezialisierte Modelle gezielter einsetzen, anstatt für jede Aufgabe das leistungsstärkste und teuerste Modell zu verwenden.

Wenn dein Agentenprompt so aufgebaut ist, dass der unveränderliche Kern immer gleich bleibt, bleibt auch die Cache-Hitrate hoch — und genau das spart Zeit, Tokens und damit Geld. Der Trick ist simpel: Alles, was sich NICHT von Run zu Run ändert, gehört ganz nach vorne. Dazu zählen Rollenbeschreibung, Tonalität, Regeln, Tool-Logik, Compliance-Vorgaben und wiederkehrende Wissensblöcke. Ganz ans Ende kommt nur das, was sich wirklich ändert: die konkrete Nutzerfrage, aktuelle Daten oder dynamische Parameter. Warum das so wichtig ist? Weil ein sauber strukturierter Prompt nicht nur günstiger wird, sondern auch zuverlässiger. Der Agent arbeitet konsistenter, du vermeidest unnötige Prompt-Duplikate, und dein System wird leichter wartbar. Gerade bei längeren Agenten-Setups mit Policies, Spezialwissen oder mehrstufigen Workflows ist das ein echter Hebel für Skalierung. Die Botschaft ist klar: Wer seinen Agenten prompt-architektonisch sauber baut, optimiert nicht nur Kosten, sondern Qualität. Gute Prompt-Struktur ist kein technisches Detail — sie ist ein Wettbewerbsvorteil für AI.Creator.