Doktrinärer Artikel von Addy Osmani (Google), der eine grundlegende Unterscheidung für die Debatte 2026 über KI und Kognition etabliert: **Cognitive Offloading** (gesund — Delegation des *Wie* bei gleichzeitigem Erhalt der Urteilsfähigkeit über die Ergebnisse) vs. **Cognitive Surrender** (toxisch — vollständige Übernahme von KI-Ausgaben ohne Bildung eines parallelen Denkprozesses, *„das Vertrauen des Modells als Ersatz für das eigene Verständnis zu leihen“*). Solide wissenschaftliche Fundierung: die Studie von **Shaw & Nave (Wharton/UPenn)** mit 1.372 Teilnehmern — **73% akzeptieren nachweislich falsche KI-Antworten**, wobei das Vertrauen trotz einer Fehlerquote von 50% steigt. **MIT *Your Brain on ChatGPT*** — reduzierte neuronale Konnektivität bei KI-unterstützten Autoren. **Anthropic Skill-Formation** — Ingenieure, die KI zur Code-Generierung nutzen, schneiden beim Verständnis **17% schlechter** ab als jene, die sie für konzeptionelle Untersuchungen einsetzen. Vier konkrete Beispiele für Surrender (Review von 600-Zeilen-PRs anhand oberflächlicher Signale, oberflächliches Debugging, architektonische Entscheidungen ohne Begründung, verschlechtertes Lernen). Fünf persönliche Heuristiken (Vorab-Formulierung von Erwartungen, Review nach dem Maßstab eines Junior-Ingenieurs, adversariales Prompting, Bewusstsein für Ermüdung, Überprüfung der Vertrauensquelle). Sechs strukturelle Schutzmechanismen (Verifikations-Exit-Kriterien, Anti-Rationalisierungstabellen, **PRs mit max. ~100 Zeilen**, interrogativer statt generativer Modus, gezielt eingebaute Reibung, **regelmäßige eigenständige Tastaturzeit**). Zwei neue Konzepte: ***Comprehension Debt*** (die wachsende Lücke zwischen dem Gesamtvolumen der Codebasis und dem menschlichen Verständnis) und ***Mutual Amplification*** (eine kooperative Prompt-Verfeinerungsschleife im Gegensatz zur Surrender-Delegation). Kernthese: ***„die Wahl zwischen Denken mit KI und gar nicht Denken bleibt vollständig menschlich“***. Ein strukturelles und operatives Gegengewicht zu *„coding is solved“* (Cherny 2026-05) und eine analytische Ergänzung zu Frizzo (2026-05-05).
Addy Osmani (Software Engineer at Google, Cloud + Gemini, ex-Chrome — déjà au dossier veille avec *Agent Harness Engineering* 2026-04-19, *How to write a good spec for AI agents* 2026-01-13, *Conductors to Orchestrators* 2025-11-01).
Medium-Meinungsbeitrag von **Hryhorii Tatsyi** (CTO, **Raiffeisen Bank Ukraine**, ~900 IT-Ingenieure), der eine **12-monatige Longitudinalstudie** (Mai 2025 → April 2026) über die reale Wirkung generativer KI in einer großen europäischen Bank vorstellt. Kernthese: ***„AI hat unsere Ingenieure nicht einfach nur schneller gemacht. Sie hat sie verändert.“*** Im Gegensatz zu individuellen Erfahrungsberichten (Frizzo, Cherny) oder Meta-Ebenen-Berichten (Curran/Intercom) handelt es sich hier um eine **quantifizierte organisationale Bewertung einer traditionellen, regulierten Bank** — ein 2026 noch seltener Korpus. Ergebnisse: **−75 Personen (−8 % Headcount, davon 64 Ingenieure)** innerhalb von 12 Monaten, dabei jedoch **mehr ausgelieferter Code, weniger Vorfälle, verbesserte Sicherheit**; KI-Adoption **62 % → 83 %**; **68 % der Ingenieure erhalten ≥50 % ihres Codes durch KI-Unterstützung**; **Einarbeitungszeit neuer Ingenieure 60-90 Tage → ~40 Tage** (konsistent mit Anthropic-Daten von 82→40 Tagen). Drei entstehende Archetypen: (1) **Copilot-only** +10-25 % bei PRs, gleicher Umfang; (2) **Multi-Tool** Story Points ×1,5-3, repoübergreifender Umfang +50-80 %; (3) **Claude auf dem Unternehmens-Stack** Codevolumen ×4,5, radikal erweiterter Umfang. **Sieben gebaute KI-Produkte**, die zuvor nicht existierten: Service Knowledge Hub (57 Microservices, 83 Releases/Monat), Mobile Android workflow CI Plan/Implementierung/Test, AI Agent Portal (2.085 Nutzer / 649 MAU in 87 Tagen, MCP-Generierung via OpenAPI-Spezifikationen), Shift-left Security Plugin (−82 % exponierte Secrets), DevPortal Backstage + Kubernetes-Diagnoseagenten (−68 % Lösungszeit kritischer Vorfälle), DRAIF MCP Text-to-SQL Data Lake mit 10.000 Tabellen (Embedding feinjustiert, 2× OpenAI), Call Evaluation (>97 % Transkriptionsgenauigkeit, zum besten Produkt der Raiffeisen-Gruppe gewählt). Stabilität: **blockierende Vorfälle −70 %, kritische Lösungszeit −68 %, gelöste Sicherheitswarnungen hoher Schwere +155 %**. Zentrale strategische Erkenntnis: ***„AI hat unsere Produktionsmöglichkeitengrenze erweitert, und wir haben die freigewordene Kapazität bewusst zugewiesen“*** — KI erledigt nicht dieselbe Sache schneller, sie verschiebt **das, was man zu tun entscheiden kann**. Die neu zu stellende Bewertungsfrage: nicht *„um wie viel Prozent sind die bestehenden KPIs gestiegen“*, sondern ***„was Ihre Ingenieure gebaut haben, das zuvor nicht existierte“***. KI hebt leistungsschwächere Ingenieure eher auf ein Grundniveau an, als dass sie Top-Performer beschleunigt; **Senior-Architekten kehren zur aktiven Entwicklung zurück**, nach Jahren der Abwesenheit davon. Von großer Relevanz für Vorstände/Geschäftsleitungen im Banken-, Versicherungs- und regulierten Sektor (Raiffeisen = Bank, Ukraine = Kriegskontext + operative Resilienz).
#Hryhorii Tatsyi#Raiffeisen Bank Ukraine#Bank-CTO
**Hryhorii Tatsyi** — CTO de **Raiffeisen Bank Ukraine** (filiale ukrainienne du groupe bancaire autrichien Raiffeisen Bank International, RBI). Auteur Medium @milhibisidek. Profil discret côté visibilité publique (25 followers Medium au moment de la publication) · mais position institutionnelle de premier plan : il dirige une organisation IT d'environ 900 ingénieurs dans une banque systémique opérant en contexte ukrainien (économie de guerre depuis 2022, résilience opérationnelle critique). L'article est sa première contribution publique d'envergure documentée sur cette plateforme.
GitHub-Repo `techygarg/lattice`, das ein Framework **komponierbarer Skills** formalisiert, um eine *Engineering-Disziplin* in KI-Coding-Assistenten (Claude Code, Cursor) zu installieren. Markante dreistufige Architektur: **Atoms** (Guardrails zu Einzelprinzipien: Clean Code, DDD, Security, Testqualität, Design-First), **Molecules** (mehrstufige Workflows, die die Atoms kombinieren: Design, Implement, Refactor, Fix, Review), **Refiners** (geführte Interviews, die projektspezifische Standards erzeugen, die das Verhalten der Atoms anpassen). Operative Pipeline `lattice-init` → `design-blueprint` → `code-forge` → `review`, mit `refactor-safely` und `bug-fix` als Ablegern. Drei zentrale Prinzipien: *"Skills over prompts"*, *"Composability over monoliths"*, ***"Living context over static config"*** — der Ordner `.lattice/` wird mit jedem Feature-Zyklus intelligenter. MIT, reines Shell, 18 Stars / 52 Commits, eine Artikelserie auf martinfowler.com, die fünf *Collaboration Patterns* erläutert. Starke Konvergenz mit Vincent *Superpowers* (2026-04-02), Habert *PROJ-AI* (2026-05-05), Wescale *Usine Logicielle Augmentée* (2026-05-03) und — die höchste doktrinäre Konvergenz ohne erklärte Abstammung — **Compound Engineering** von Every (Shipper/Klaassen 2025-12-11): isomorphe Pipelines (lattice-init→design-blueprint→code-forge→review ↔ ce:brainstorm→ce:plan→ce:work→ce:review), lebendige Kontextschicht (`.lattice/` ↔ `docs/plans/+solutions/+brainstorms/`), eine gemeinsame Design-First-Haltung, verpflichtendes Review am Ende. Die *Coding-Agent-Harness*-Doktrin von 2026 konvergiert auf ein stabiles Vokabular, ohne direkte Einflussnahme.
#lattice#techygarg#composable AI skills
techygarg (auteur GitHub, identité réelle non précisée dans le README ; auteur d'une série d'articles publiée sur martinfowler.com).
**Jessica Talisman MLS** (Semantic Engineer + Information Architect, über 25 Jahre Erfahrung, zuvor RDF-Wissensgraphen bei Adobe + zuvor Informationsarchitektur bei Amazon, Gründerin des **Ontology Pipeline Framework** + von **Contextually LLC**) veröffentlicht am **4. Mai 2026** auf **Modern Data 101** (Substack, ~20.000 Mitglieder) eine grundlegende Überarbeitung ihres ursprünglich im Januar 2025 veröffentlichten **Ontology Pipeline™**-Frameworks. **Zentrale These**: Seit November 2022 (ChatGPT) ist die Nachfrage nach *semantischer Infrastruktur* explodiert, hat aber **massive Verwirrung** geschaffen — *"vendors offering shortcuts that bypass essential foundational work, creating liabilities disguised as assets"*. Die ursprüngliche **fünfstufige** Pipeline (kontrolliertes Vokabular → Metadatenstandards → Taxonomie → Thesaurus → Ontologie → Wissensgraph) bleibt gültig, **muss jedoch um 2 kritische Ergänzungen erweitert werden**: **(1) Governance** als fortlaufende Engineering-Praxis (nicht als Dokumentation nach Projektabschluss); **(2) AI Partnership** mit einer klaren Unterscheidung zwischen Unterstützung (augment) und Ersetzung (replace). **Marktdiagnose**: *"a structurally invalid taxonomy is not a taxonomy"*, *"lists are not knowledge infrastructure"*, KI-generierte Taxonomien, die als Strategie verkauft werden, Anbieter, die den Begriff *"ontology"* missbrauchen, Einheitslösungen, die als Methodologie präsentiert werden. **Bildungskrise**: Die Nachfrage nach Semantic Engineers übersteigt das Angebot an ausgebildeten Praktikern bei Weitem; die Lücke wird von Personen gefüllt, *"who know vocabulary without methodology"*. **Explizite normative Position**: *"AI that generates a taxonomy wholesale is producing a liability disguised as asset; AI that assists trained engineers is just plain smart."* **Akzeptable KI-Rollen**: Entitätsextraktion, Lückenanalyse, Entwurf von Kandidaten-Vokabularen zur Überprüfung, Unterstützung bei Befüllung/Validierung. **Inakzeptable KI-Rollen**: *wholesale taxonomy generation without human validation against standards*. **Referenzierte Standards**: SKOS, OWL, RDF, SPARQL. **Glaubwürdigkeit**: Framework validiert an **6 Institutionen über 10 Jahre**. **Empfehlungen für 3 Zielgruppen**: (a) Organisationen — in formale Ausbildung investieren, Wissensinfrastruktur als Rückgrat der KI behandeln, Governance als fortlaufenden Prozess, KI als Beschleuniger, nicht als Ersatz; (b) Praktiker — Kompetenzfragen vor der Modellierung, Validierung gegen SKOS/OWL/RDF, definitorische Schwierigkeiten signalisieren eine Pause, Wartung ist kontinuierlich; (c) Führungskräfte — Weiterbildung der Belegschaft ohne Selbstfinanzierung, Ressourcen für Wissensinfrastruktur als strategische Notwendigkeit bereitstellen, Governance vor der Einführung. **Prägnante Zitate**: *"the work cannot be skipped"*, *"governance is the engineering practice that keeps an ontology coherent across change"*, *"teaching this is hard. Learning it is harder."* **Hohe Relevanz** für Data Leader / CDOs / Architekten, die die semantischen Grundlagen ihrer KI-Agenten aufbauen. Ergänzend zu lesen: Seale Semantic Agent (2026-04-17) — *(Model+Harness)+(Ontology+Data) — ontology as the only moat*; Foundation Capital Context Graphs (2025-12-22); Bain Teil 2/5 *redesign data foundations for agent readiness* (2026-05); DORA ROI 2026 *AI-accessible internal data + healthy data ecosystems* (2026-04-21); Habert PROJ-AI Sechs-Zonen-Doktrin (2026-05-05). Konvergenz mit dem 2026er-Korpus zu *"data foundations as moat"*.
#Jessica Talisman MLS#Ontology Pipeline Framework#Modern Data 101
**Jessica Talisman MLS** — Semantic Engineer et Information Architect avec **25+ ans d'expérience** en enterprise architecture · e-commerce systems et knowledge management. Fondatrice de l'**Ontology Pipeline Framework** et de **Contextually LLC**. Roles précédents : **Adobe** (RDF-based knowledge graphs) · **Amazon** (information architecture). Auteure de la newsletter **Intentional Arrangement** (Substack) et d'un **livre éponyme à paraître en 2026**. Le framework initial *Ontology Pipeline* a été publié en janvier 2025 et **validé sur 6 institutions sur 10 ans**.
Präsentation von Wescale (Frankreich), die die Doktrin der ***Augmented Software Factory*** formalisiert: eine Software-Wertschöpfungskette, die vollständig von spezialisierten KI-Agenten über sechs Produktionslinien orchestriert wird (Intent/PRD-ADR → Plan/User Stories → **human sign-off** → 24/7-Produktion → unabhängige Audit-Verifikation → DevOps-Deployment), wobei Menschen nur an zwei präzisen Momenten eingreifen. Starke Thesen: die Rückkehr des **vorhersagbaren V-Zyklus** gegen Scrum, realistische **3-4x**-Gewinne (nicht 10x), der Wandel vom *Code-Produzenten* zum ***Strategic Judge*** und vom *Solo-Entwickler* zum ***Agent Manager***, DORA-Metriken, die die Velocity ersetzen, maximaler ROI bei der Modernisierung von Legacy-Systemen und dem Ersatz kostspieliger SaaS-Lösungen, und vor allem ***injizierte Governance*** als „nahezu militärische Schicht“, die die zentrale Innovation und die eigentliche Eintrittsbarriere darstellt. Aufgebaut, indem man sein eigenes Dogfood isst: *„Was wir beim Bau von Solario auf Solario gelernt haben.“*
Bericht von **Bain & Company**, **Mai 2026** (David Crawford, Chris McLaughlin, Greg Fiore — Teil einer **fünfteiligen Serie über die Softwarebranche im Zeitalter der KI**), der die noch ungenutzte SaaS-Chance in der *cross-system labor* — der menschlichen Arbeit der Koordination zwischen Systemen, die KI-Agenten nun automatisieren können — auf **~100 Mrd. USD in den USA (~200 Mrd. USD einschließlich Kanada/Europa/AU/NZ)** beziffert. **Aktuelle Erfassung: 4-6 Mrd. USD (10 % der Chance)** — somit sind **>90 % noch zu erschließen**. Pivot-These: Die größte Chance in agentischer KI besteht **nicht darin, bestehende SaaS zu ersetzen**, sondern darin, **die Koordinationsarbeit über Systeme hinweg zu automatisieren** (Mitarbeiter, die Daten aus ERP-Systemen ziehen, den Lagerbestand in einer Tabelle prüfen, Freitextantworten interpretieren, Ermessensentscheidungen treffen). Verteilung: Vertrieb (20 Mrd. USD) + COGS/Betrieb (26 Mrd. USD) + F&E/Engineering (6-12 Mrd. USD) + Support (6-12 Mrd. USD) + Finanzen (6-12 Mrd. USD). **Sechs Automatisierungsfaktoren**: Verifizierbarkeit des Outputs, Schwere der Konsequenzen bei Fehlern, Verfügbarkeit digitalisierten Wissens, Integrationskomplexität, Prozessvariabilität, Abhängigkeit von der physischen Welt. **Automatisierungspotenzial nach Funktion**: Kundensupport & F&E **40-60 %**, Finanzen & HR **35-45 %**, Vertrieb & IT **30-40 %**, Recht **20-30 %**. **Strategischer Wandel**: Der Wettbewerbsvorteil verschiebt sich vom *Besitz des system of record* (Salesforce, SAP, Workday) hin zum ***cross-workflow decision context*** — der Fähigkeit, über mehrere integrierte Systeme hinweg zu sehen und zu handeln. **Beispiele**: Sierra (autonome Lösung von Kundenanliegen), Glean (funktionsübergreifende Koordination von Mitarbeiteranfragen), GitHub Copilot (erweitert über Versionskontrolle hinaus), **Cursor** (ARR verdoppelte sich in einem Quartal auf 2 Mrd. USD). **Dauerhafter Burggraben**: *„accumulated execution data that grows more valuable over time and becomes harder for competitors to replicate“*. **Dreiphasiges Playbook**: Assessment (sechs Faktoren + Marktgrößenbestimmung) → Strategic Positioning (Datenassets + angrenzende Workflows + tatsächliche operative Landkarten) → Execution (Build/Buy/Partner + Reorganisation + Neugestaltung der Datengrundlagen für Agent Readiness). Hohe Relevanz für CIOs/CDOs/Strategy Leaders in B2B-SaaS und Enterprise-Kunden: Rahmt die Debatte *„AI vs SaaS“* neu als ***„AI = SaaS, die endlich Koordinationsarbeit automatisiert“***. Ergänzend zu lesen: DORA ROI (finanzieller Rahmen), Tatsyi/Raiffeisen (Bank-Fallstudie mit 7 beispiellosen KI-Produkten), Wescale (realistisches 3x-4x), MIT NANDA (95 % der Pilotprojekte scheitern), Foundation Capital *Context Graphs trillion-dollar opportunity* (2025-12-22), Menlo Ventures *State of Generative AI Enterprise* (2025-12-09).
**David Crawford · Chris McLaughlin · Greg Fiore** — partners et experts Bain & Company spécialistes industrie logicielle / SaaS. Article publié en **mai 2026** sur bain.com/insights · partie 2/5 d'une série sur *"the software industry in the age of AI"* (la partie 1 traite du Rule of 40, fiche `bain-ai-rule-of-40-headwinds-tailwinds-saas-2026-04.md`).
Google-Whitepaper (die Folge „Day 1“ einer Reihe von Addy Osmani, Shubham Saboo und Sokratis Kartakis), das den Wandel des Software-Entwicklungszyklus (SDLC) im Zeitalter von Coding-Agenten nachzeichnet. These: Der grundlegende Wandel ist keine neue Sprache, sondern der Übergang vom Schreiben von Code zum **Ausdrücken von Absicht**. Das Dokument entwirft ein Spektrum, das von *vibe coding* (Prompten und Akzeptieren) bis zu *agentischem Engineering* reicht (die KI setzt unter von Menschen entworfenen Einschränkungen, Tests und Feedback-Schleifen um), mit **context engineering** als zentraler Fähigkeit, dem Modell der **Software-Fabrik** (das eigentliche Liefergut der Entwickler ist das System, das den Code produziert), **Harness Engineering** (Agent = Modell + Harness) sowie einer CapEx/OpEx-Wirtschaftlichkeitsanalyse der Gesamtbetriebskosten.
Bewertung der offensiven Cybersicherheitsfähigkeiten von GPT-5.5 durch das britische AISI — 95 CTF-Aufgaben, 32-stufige Cyber Range, universeller Jailbreak — AISI Blog
#offensive Cybersicherheit#Bewertung von KI-Modellen#GPT-5.5
Umfangreicher investigativer Meinungsbeitrag von Jasmine Sun (NYT Opinion, 30. April 2026) zum *San Francisco consensus*: die Angst vor der *permanent underclass* — einer viral verbreiteten Theorie, wonach KI die wirtschaftliche Mobilität einfrieren und eine durch Automatisierung nutzlos gewordene Klasse schaffen könnte. Der Artikel dokumentiert die interne Dissonanz der Labs (Amodei zum "white-collar blood bath" und 50 % der Junior-White-Collar-Jobs verschwunden bis 2030; Altman 2021 → Schweigen von Lehane → Whitepaper *Industrial Policy for the Intelligence Age* April 2026; Anthropic Institute März 2026 unter Leitung von Jack Clark), die Benchmarks, die die F&E in Richtung menschlicher Ersetzung lenken (A.I. Productivity Index, OpenAIs GDPVal: *"over 80% win rate compared to human professionals"* innerhalb weniger Monate), Unternehmensmaßnahmen (Block/Dorsey -50 % Personalstand mit Opus 4.6 + Codex 5.3, Anthropic ARR 30 Mrd. $ gegenüber 9 Mrd. $ Ende 2025) sowie die politische Strategie von Shor (79 % der Wähler besorgt, jobs guarantee > UBI, *"They work for the bots. We work for you."*). Referenz für das Dossier *AI labor 2026*.
#Jasmine Sun#NYT Opinion#permanent underclass
Jasmine Sun (Ms. Sun écrit sur l'IA et la culture Silicon Valley sur Substack)
Analystennotiz von **Mitch Ashley**, VP und Practice Lead für *CIO & Technology Buyers* sowie *Software Lifecycle Engineering* bei **The Futurum Group**, veröffentlicht am **29. April 2026** in der Rubrik *Market Coverage News*: Kurzformat, rund **9.500 Zeichen**, beginnend mit fünf zusammenfassenden Stichpunkten und schließend mit fünf Punkten auf einer Watch-List. Thema: der am **21. April 2026** angekündigte Deal, unter dem **SpaceX** das Recht erhält, **Cursor** innerhalb eines Jahres für **60 Milliarden US-Dollar** zu übernehmen, oder **10 Milliarden US-Dollar** für eine Compute-Partnerschaft zu zahlen, die auf dem **Colossus**-Cluster von **xAI** in Memphis basiert und als Äquivalent von **1 Million H100-GPUs** beschrieben wird. (A) Die Lesart der zwei Bedürfnisse: Cursor trug sowohl eine Compute-Obergrenze als auch eine Margenkompression — das Unternehmen zahlt Marktpreise für die Modelle von **Anthropic** und **OpenAI**, die es an seine Kunden weiterreicht, während es mit ihnen über seine **Composer**-Reihe konkurriert; SpaceX suchte KI-Umsatz und ein Narrativ im Vorfeld eines für Juni angepeilten Börsengangs. (B) Die Lesart der Struktur: ein Sockelbetrag von 10 Milliarden US-Dollar und eine Kaufoption über 60 Milliarden US-Dollar, ausübbar in börsennotierten Aktien nach dem Listing, was, so Ashley, *„das Risiko ehrlicher verteilt als eine direkte Übernahme.“* (1) Für Käufer setzt dies ein **sechsmonatiges** Zeitfenster, um Zero-Data-Retention-Klauseln und die Anbieteridentität erneut zu prüfen. (2) Für Anbieter unterscheidet es drei Expositionen — **Google**, abgeschirmt durch **Antigravity**, **AWS**, abhängig von Anthropic, **IBM**, leicht exponiert, aber beim Governance-Aspekt gut positioniert. Der Korpus enthält bereits [[beck-starving-genies-usage-limits-ai-coding-2026-04-03]] zur Ressourcenbeschränkung, die Coding-Tools auferlegt wird, sowie [[nyt-musk-promises-spacex-ipo-track-record-2026-06-02]] zu den Ankündigungen von SpaceX.
#SpaceX#Cursor#Anysphere
Mitch Ashley · VP et responsable des pratiques CIO & Technology Buyers et Software Lifecycle Engineering chez The Futurum Group · ancien CIO et CTO.
Produktankündigung, veröffentlicht im **Stripe**-Blog am **29. April 2026** von **Dan Hill** (Product Manager, Link Consumer Product), im Anschluss an die Keynote von **Stripe Sessions 2026**: die Einführung von **Link's wallet for agents**, aufgebaut auf einem neuen Baustein, **Issuing for agents**. **Die Diagnose passt in einen Satz, und es ist der wichtigste im Text**: *"While machine payments protocols are still gaining adoption, agents need to work with the payment options sellers and consumers use today."* → **Stripe räumt ein, dass maschinennative Zahlungsprotokolle noch nicht bereit sind, und liefert eine Umgehungslösung für bestehende Rails statt einer Wette auf neue.** **Der Mechanismus**: Ein Verbraucher gewährt einem Agenten Zugriff auf sein Link-Wallet über einen **standardmäßigen OAuth-Flow**; der Agent stellt daraufhin eine *spend request* aus und erhält entweder eine **Einmalkarte**, oder ein **Shared Payment Token** — gedeckt durch die bereits im Wallet hinterlegten Karten und Bankkonten. Kardinalpunkt: *"The agent never gets access to your raw payment credentials."* Die Credential ist **scoped** (Betrag, Währung, Händler), und der Agent muss den **Transaktionskontext** liefern, damit der Mensch versteht, was er genehmigt — das in der CLI gegebene Beispiel ist explizit: `amount 3500`, `merchant-name "Powdur"`, `context "Purchasing the Powdur Glow Renewal Vitamin C Serum as a gift for $35."`. **Die strukturierende Einschränkung ist zeitlicher Natur, und sie wird als solche eingestanden**: *"Today, each request requires the person's review before the credential is shared with your agent"* — **menschliche** Freigabe, **Transaktion für Transaktion**, im Web oder in den **neuen Link-Apps für iOS und Android**. Ausgabenlimits und Fälle, in denen der Agent **ohne zusätzliche Freigabe** handeln würde, sind angekündigt, nicht ausgeliefert. **Die zweite Schicht ist das eigentliche Infrastrukturprodukt**: **Issuing for agents** öffnet die gesamten Issuing-APIs für jeden, der sein eigenes agentisches Wallet bauen will — virtuelle Einmalkarten, Guthabenverwaltung, Ausgabenkontrollen, Berechtigungen auf Kartenebene, Betrugsschutzkontrollen **bei der Autorisierung**, Echtzeit-Transparenz. Vier Anwendungsfälle werden genannt: interne Ausgabenautomatisierung, agentische Karten eingebettet bei **Fintechs**, **vertikale SaaS**-Plattformen, die Karten an KMU unter eigener Marke ausgeben, **Marktplätze**, deren verkaufende Agenten Lieferanten und Logistik bezahlen. **Distributionsargument**: Link beansprucht **mehr als 200 Millionen Verbraucher**, und der Artikel nennt **OpenClaw** als Beispiel eines persönlichen Agenten, der davon profitiert. **Zwei Vorbehalte, die vorab zu benennen sind**: Die Freigabe pro Transaktion wird als Design-Bequemlichkeit dargestellt, obwohl sie in Wirklichkeit **ein Eingeständnis ist, dass die delegierte Autorisierung von Agenten nicht gelöst ist**; und Stablecoin, *agentic tokens* sowie „andere Zahlungsmethoden" stehen allesamt im **Futur** (*"coming soon"*).
#Stripe#Link#Wallet für Agenten
**Dan Hill** — Product Manager · **Link Consumer Product** chez Stripe. Auteur de l'annonce sur le blog Stripe · rubrique *Product*. Le rattachement au produit *Link Consumer* est significatif : l'annonce est écrite depuis le **portefeuille grand public** · pas depuis l'équipe protocole ni depuis Issuing — ce qui explique que le consentement de l'utilisateur final structure tout le texte.
Interview mit Andrej Karpathy (Mitgründer von OpenAI, ehemals Tesla Autopilot) über den Übergang von *vibe coding* zu *agentic engineering*: December 2025 transition als Wendepunkt – „noch nie so sehr als Programmierer hinterhergehinkt“ –, die Taxonomie Software 1.0/2.0/3.0, das Beispiel openclaw (Bash-Skript → Text zum Kopieren in den Agenten) und MenuGen, das durch Geminis Nanobanana obsolet wird, die *Verifiability*-Theorie, die erklärt, warum LLMs *jagged* sind (Spitzenwerte bei Mathematik/Code, aber Scheitern bei „50 m zu Fuß zur Autowaschanlage“), die Unterscheidung zwischen *vibe coding* (die Einstiegshürde senken) und *agentic engineering* (den Qualitätsanspruch wahren), die Metapher „animals vs ghosts“, die Neuausrichtung der Personalauswahl über Agent-gegen-Agent-Projekte sowie die Kernformel: ***„You can outsource your thinking but you can't outsource your understanding.“***
#Andrej Karpathy#vibe coding#agentic engineering
Andrej Karpathy (co-fondateur OpenAI, ex-Tesla Autopilot, créateur du terme "vibe coding")
Manifestartiger X-Thread von Rohit (@rohit4verse), der die *2026 AI engineer roadmap* entfaltet: eine Gehaltslücke von 150.000 $ zwischen Prompt Engineer und Systems Architect, das Ende generischer *Wrapper*, die "sherlocked by big tech" seien, sowie 5 Portfolio-Projekte, gestaffelt nach Komplexitätsgrad (Offline-Mobile-SLM, selbstverbessernder Coding-Agent, multimodaler *Cursor für Videoeditoren*, Privacy-First-Agent für ein persönliches Life-OS, autonomer Agent für Enterprise-Workflows). Jedes Projekt beschreibt seine *zentralen architektonischen Entscheidungen* (Lazy Loading, Sliding Window, Sandboxing, Szenenerkennung, persönlicher Knowledge Graph, ereignisgesteuertes Multi-Agent-System, Audit Trail, RBAC, Observability). Strukturierender Slogan: *"the replaceable: building wrappers / the unfireable: shipping autonomous systems"*. Auffordernder, viraler Ton, typisch für X im Jahr 2026.
#2026 AI engineer roadmap#Rohit#rohit4verse
Rohit (@rohit4verse) — créateur de contenu IA sur X · vulgarisateur d'architecture et roadmaps de carrière en ingénierie IA.
Beitrag aus dem **Ahrefs-Blog**, veröffentlicht am **28. April 2026** von **Ryan Law** (Director of Content Marketing, Ahrefs), der ein internes **Content-Engineering**-System rund um **Claude Code** beschreibt: eine redaktionelle Pipeline, die **publikationsreife Entwürfe in 6 bis 12 Minuten** erzeugt. **Kernthese**: ***« AI content is not, by default, good. This process works well because it mirrors our existing human editorial process »*** — Qualität entsteht nicht durch das Modell, sondern durch die **getreue Nachbildung eines menschlichen Redaktionsprozesses**, der sich über Jahrzehnte bewährt hat. Architektur: **~23 skill files**, jede entspricht einem redaktionellen Schritt (Keyword-Recherche, Themenlücken-Analyse, strukturelle Gliederung, Recherche-Zusammenstellung, Entwurfserstellung, Formatierung), **orchestriert von einem übergeordneten Skill `blog-pipeline`**, der sie verkettet, um einen vollständigen Artikel zu erzeugen. **Sieben Gestaltungsprinzipien**: (1) **menschliche Arbeitsabläufe nachahmen**, indem Skills aus vorhandener Ahrefs-Redaktionsdokumentation abgeleitet und verkettet werden; (2) **jeden Schritt einzeln ausgeben** zur Fehlersuche (*« if you get an article at the end of a ten minute run, and it's bad, it's hard to diagnose precisely where and why the process went wrong »* → Zwischenergebnisse speichern); (3) **Testfälle erstellen** über Anthropics Skill `skill-creator`, um Anweisungen zu bewerten und zu verbessern; (4) **hochwertige Datenquellen einbinden** — den **Ahrefs MCP** (Keyword-Metriken, Parent Topic, Long-Tail-Themen, SERP-Übersichten, Wettbewerbsanalyse), Wettbewerbsanalysen und Produktdokumentation; (5) **menschliche Vorgaben vorab einbringen** über Kontextparameter, die redaktionelle Steuerung ermöglichen; (6) **interaktive Vorschauen** im HTML-Format zur Prüfung vor der Veröffentlichung erstellen; (7) **Anpassung erlauben** (jedes Teammitglied kann das System forken und modifizieren). **Umfang**: ~**15 veröffentlichte Artikel** und ~**30 aktualisierte Artikel** über diesen Workflow; die Entwicklung begann im **Februar 2026** (der vorherige Prozess vom **August 2025** benötigte mehrere Tage und manuelle Eingriffe). **Explizite Vorbehalte** (Anti-Übertreibung): *« experience matters »* — der Prozess spiegelt jahrzehntelange redaktionelle Expertise wider; die Themenauswahl konzentriert sich auf **informationelle SEO-Inhalte**, die der Autor gut kennt; Ahrefs **plant kein „Scaling“ der Inhalte im großen Stil**, sondern pflegt eine **evergreen** Bibliothek. Philosophie: *« the formulaic parts of work »* automatisieren, um Routinearbeit zu eliminieren und Zeit für Recherche, Thought Leadership, Webinare und Systemoptimierung freizusetzen — **nicht** menschliche Arbeit ersetzen. Als kanonische Referenz von Pasquale Pillitteri zitiert (*Opus 4.8 SEO workflow*) als Feldbeweis für den Gewinn von „6-12 min/Entwurf“. Direkte Konvergenz mit der Doktrin **skills-over-prompts** (Lattice, PROJ-AI), **Systeme rund um das Modell** (Dropbox/Okumura) und der Verwendung von **HTML als Review-Artefakt** (Shihipar).
**Ryan Law** — Director of Content Marketing chez **Ahrefs**. Praticien senior du content marketing SEO ; le billet est un retour d'expérience personnel (*« How I do… »*) publié sur le **blog Ahrefs** (ahrefs.com/blog) le **28 avril 2026**.
FinOps für KI-Agenten: Ein vierstufiges Allokations-Framework für die Kosten von Coding-Assistenten (Claude Code, Cursor, Copilot) und weshalb klassisches Cloud-Tagging versagt - Finout
Das Editorial von Andrew Ng in The Batch #350 stellt eine Beschleunigungshierarchie für Coding-Agenten nach Art der Softwarearbeit auf: Frontend (maximal) > Backend (moderat) > Infrastruktur (gering) > Forschung (minimal). Die Begründung stützt sich auf die implizite Verifizierbarkeit (Beherrschung von TypeScript/JavaScript plus eine autonome Agent-Browser-Testschleife im Frontend) sowie auf die blinden Flecken der LLMs (Grenzfälle / Sicherheit / DB-Migrationen beim Backend, undurchsichtige Netzwerk-Tradeoffs bei der Infrastruktur, irreduzible Hypothesenbildung bei der Forschung). Die Ausgabe wird durch 4 einordnende Nachrichten abgerundet: GLM-5.1 (Z.ai), ein Modell mit 754B/40B aktiven Parametern unter MIT-Lizenz, das autonome Aufgaben von bis zu 8 Stunden Dauer bewältigt (Spitzenreiter bei SWE-Bench Pro mit 58,4 %); Digit (Agility Robotics) bei Schaeffler, der erste industrielle Einsatz von Humanoiden (1,75 m/65 kg, 10–25 $/h gegenüber 20 $/h für einen Menschen); die Anti-Rechenzentren-Revolte (~64 Mrd. $ blockiert zwischen Mai 2024 und März 2025, Moratorium in Maine für Anlagen ab 20 MW, Molotow-Cocktail am Wohnhaus von Sam Altman); sowie die „Assistant Axis" (Christina Lu, MATS / Oxford / Anthropic), die Persona-Drift und Jailbreaks reduziert (Qwen3 32B: 83 %→41 %; Llama 3.3 70B: 65 %→33 %), ohne IFEval/GSM8k/MMLU-Pro/EQ-Bench zu verschlechtern.
#Andrew Ng#The Batch#DeepLearning.AI
Andrew Ng (édito principal — fondateur DeepLearning.AI, Stanford, ex-Google Brain, ex-Baidu) ; rédaction The Batch (DeepLearning.AI) pour les sections actualités
Les-Echos-Reportage (Florian Dèbes) aus San Francisco: KI-Agenten bereits als Kollegen in Start-ups integriert, „Petrischale“ (Aaron Levie / Box), Claude-Reflex vor jedem Meeting, persönlicher Jarvis, 5 parallele Agenten-Tabs, „der limitierende Faktor ist die menschliche Kognition“ (Patrick Joubert / Rippletide), „Brain Fry“ / kognitive Überhitzung, BCG/HBR-Studie mit 14 % überforderten Angestellten, „Token-Max“-Ranking-Modus für die größten KI-Nutzer, Aussagen von Sinaï/Bangay/Allali/Hodjat/Pantera/Chapeau sowie ein Echo von Siddhant Khare („KI senkt die Produktionskosten, erhöht aber die Koordinationskosten“).
#Silicon Valley#San Francisco#KI-Agenten als Kollegen
Florian Dèbes (Les Echos, rubrique Travailler mieux / Vie au travail)
Überarbeitung des technischen Einstellungsprozesses bei Sierra im Zeitalter der Coding-Agenten: KI-natives Onsite-Interview (Plan/Build/Review), Abschaffung des algorithmischen Coding-Tests, Ersatz des Telefon-Screenings durch ein System-Design-Interview, Pilotprojekt eines Debugging-Interviews an einer bestehenden Codebasis.
Gemeinsamer **DORA × delta**-Bericht (Google Cloud Professional Services), 60 Seiten, Version **v. 2026.1** (Zitate Februar 2026, PDF erstellt am 21. April 2026), Lizenz **CC BY-NC-SA 4.0** — das erste offizielle **DORA-ROI**-Framework für KI im SDLC, mit einem **interaktiven Rechner** unter dora.dev/ai/roi/calculator. Kernthese: ***„AI is an amplifier"*** — KI **verstärkt** gleichzeitig die Stärken leistungsstarker Organisationen und die Dysfunktionen schwacher Organisationen; sie erzeugt keine Leistung, sondern **vervielfacht sie dort, wo sie bereits vorhanden ist**. Neues zentrales Konzept: die ***J-Curve of AI value realization*** — jede KI-Einführung durchläuft einen **vorübergehenden Produktivitätseinbruch** (Lernkurve + Verifizierungssteuer + Pipeline-Anpassung), bevor **exponentielles Wachstum** einsetzt, eine Metapher für die *„tuition cost of transformation"*, die **explizit einzuplanen** ist. Referenzberechnung: Organisation mit 500 Vollzeitäquivalenten / vollbelastetem Gehalt von 176.000 $ / 12,5 % eingesparter Zeit pro Entwickler (≈ 1 Std./8-Std.-Tag) → **Wert 11,6 Mio. $ / Investition 8,4 Mio. $ / ROI 39 % / Amortisationszeit 8 Monate (0,7 Jahre)**. Modellierte Kosten: Lizenzen (250 $/Nutzer/Jahr), zusätzliche API (80 $/Nutzer/Jahr), Schulung (9.600 $/Nutzer/Jahr), Infrastruktur (100.000 $/Jahr), J-Curve-Kosten (3,3 Mio. $ für einen Rückgang von 15 % über 3 Monate). Modellierter Wert: **Kapazität zur Personal-Reinvestition** (11 Mio. $ — freigesetzte Kapazität zur Reinvestition, **KEIN Personalabbau**), Umsatz aus zusätzlichen Feature-Deployments (990.000 $, basierend auf einer Erfolgsquote von 33 % bei Ideen, Larsen 2023), **negative Auswirkung von Ausfallzeiten** (−344.000 $, „instability tax"). **Explizite Reinvestitionsstrategie**: ***„we strongly recommend organizations do not adopt a headcount-reduction strategy"*** — reinvestieren in Innovation, Talente halten, institutionelles Wissen nutzen. Fünf Wertsäulen: Productivity / User Experience / Cost Efficiency / Developer Experience / Business Growth (vom direktesten zum indirektesten, *kumulierter Geschäftswert*). Fünf systemische Schlüssel der Einführung: **Trust + Platform + Data + Users + Guardrails**. Zweiphasige Roadmap: (1) **Build context layer (CapEx)** — hochwertige IDP + gesunde Datenökosysteme; (2) **Empower human in loop (OpEx)** — context engineering + Vertrauen in KI. Indikatoren: Frühindikator = Experimentierfrequenz + Deployment-Frequenz; Stabilitätsmessgröße = Change Failure Rate + Nacharbeit. Drei zu modellierende Szenarien (Conservative 0,8 Wert × 1,5 Kosten / Realistic 1,0 / Optimistic 1,2 × 0,8). Herangezogene externe Daten: 78 % der Führungskräfte berichten von ROI bei ≥1 Gen-AI-Use-Case (Google Cloud), 88 % der frühen Anwender agentenbasierter KI verzeichnen positiven ROI, **35–40 % Produktivität bei Greenfield vs. ≤10 % bei Brownfield/Legacy** (Stanford), Inferenzkosten ÷280 zwischen November 2022 und Oktober 2024 (Stanford AI Index 2025), **727 % ROI über 3 Jahre** für Google-Cloud-KI-Kunden, durchschnittliche Amortisationszeit von KI am Markt **8 Monate**. Anerkannte Schwächen: *„all models are wrong"* — das Modell muss kontextualisiert, der Rechner angepasst werden; Risiko der Doppelzählung von Wert (eingesparte Zeit → sowohl vermiedene Neueinstellung ALS AUCH Zusatzumsatz); ein „loser" Zusammenhang bei der User Experience, daher aus dem Rechner ausgeschlossen. **Deontologische Einsicht**: ***„We don't measure AI by the code it writes but by the bottlenecks it clears"*** — gemessen an beseitigten Engpässen, nicht am Codevolumen. **Hohe Relevanz** für CIOs/CTOs, die einen belastbaren KI-Business-Case für CFO/Board erstellen müssen; für Frankreich/Europa in Bezug zu setzen zu Wescale (realistisch X3–X4), Tatsyi/Raiffeisen Bank Ukraine (Bankfallstudie, −75 Stellen, aber bewusste Reinvestition), Frizzo (3–5× Median), Curran/Intercom (3× F&E über 16 Monate), DORA Report 2025 (auf dem dieser ROI aufbaut).
#DORA ROI KI-unterstützter Softwareentwicklung#Google Cloud DORA-Bericht 2026.1#J-Curve of AI value realization
Rapport conjoint **DORA team × delta team** (Google Cloud Professional Services). Auteurs principaux : **Eva Dong** (AI Value Realization Americas, ex-McKinsey 8 ans, Master Financial Engineering Michigan) · **Andre Ellis Jr.** (Cloud Financial Operations Lead, Morehouse + Wharton MBA) · **Nathen Harvey** (DORA team lead, co-auteur multiples DORA reports + 97 Things Every Cloud Engineer Should Know) · **Vivian Hu** (10X Technology Consultant, contributrice DORA 2025 State of AI-assisted Software Development) · **Ursula Lübbert-Passing PhD** (AI Value Realization EMEA, 20 ans benchmarking + value advisory, PhD effort estimation software projects) · **Eric Maxwell** (lead 10X Technology consulting, ex-Chef Software, contributeur DORA) · **Aaron Wanjala** (cloud developer advocate Spring Boot/Angular). Conseillers et contributeurs : **Ben Jose · Eric Lam · Matt Orr · Allison Park · Ryan J. Salva · Jerome Simms · Dave Stanke · Cedric Yao**. Design : Human After All (humanafterall.studio). Document publié sous licence **CC BY-NC-SA 4.0** · version v. 2026.1 · citations retrieved February 2026.