Brief „Dear friends“ von Andrew Ng in *The Batch* (DeepLearning.AI, Ausgabe 359) über **loop engineering**, angewendet auf die **0-to-1**-Produktentwicklung. Ng stellt seine **3 zentralen Loops** vor — agentic coding loop (~Minuten), developer feedback loop (~Stunden), external feedback loop (~Tage) — verschachtelt nach zunehmender Zeitskala, verbunden über *coding agent → product spec/evals → developer vision → external feedback*. Zentrale These: Menschen behalten einen **context advantage** (statt eines „taste“), der human-in-the-loop unverzichtbar macht; Ingenieure übernehmen eine partielle Rolle im Produktmanagement. Themenfeld: coding agents, Produktentwicklung, agentische Methodik.
Ausführlicher Meinungsbeitrag (Point of View), veröffentlicht auf **sfeir.com** am 24. Juni 2026 von **Didier Girard** (Managing Director, SFEIR). **Kernthese**: 2024 setzte man allgemein auf **AI4Business** (KI in Geschäftsprozessen) als das große Wertreservoir; 2026 hat sich das Bild **umgekehrt** — es ist **AI4IT** (KI zur Produktion des Informationssystems: Code, SDLC, Softwarefabrik), die **messbaren** Wert schafft. Der Artikel *untermauert* diese These mit der Technologiebeobachtung der Firma: Enttäuschung bei AI4Business (die MIT-Studie „95 % der Piloten ohne ROI“, umstritten, aber aufschlussreich; eine **organisatorische** Blockade / Mollicks Hayeksches Problem) versus quantifizierte AI4IT-Belege (Salesforce, Intercom, Raiffeisen, AWS/Bedrock, Atlassian, DORA). Mechanistische Erklärung: **Code verifiziert sich selbst** (Kompilierung, Tests, CI), während Geschäftsprozesse weder einen Compiler noch eine unmittelbare Feedbackschleife haben. **Konsequenz für das Budget 2027**: eine Verschiebung von **CapEx zu OpEx**, die Preisdynamik der Tokens (steigender Spitzenwert — Fable 5 bei 2× Opus — versus Inferenz ÷280 und Abwärtsdruck durch Open Weights/Desktop) sowie **AI FinOps**, gesteuert durch **Cost per Outcome**. Schließt mit **4 Empfehlungen für das COMEX**.
#AI4IT#AI4Business#Umkehrung
**Didier Girard** — Managing Director (CTO / DG) de **SFEIR** · ESN française (~1 000 personnes, France · Belgique · Luxembourg · Suisse). Auteur de l'article ; voix éditoriale du cabinet sur la transformation IA des DSI.
Benchmark-Ankündigung von **Artificial Analysis** (unabhängige Plattform zur Bewertung von KI-Modellen, via X/Twitter + Modellseite): **GLM-5.2** von **Z.ai** (Zhipu AI, @Zai_org) wird zum **führenden Open-Weights-Modell** und steigt auf **Platz 3 im Gesamtranking** von **GDPval-AA** auf, einem Real-World-Benchmark für *wirtschaftlich wertvolle Wissensarbeit* (long-horizon, multi-turn, agentische Aufgaben). GLM-5.2 erreicht **1524 Elo**, nur hinter **Claude Fable 5 (1783)** und **Claude Opus 4.8 (1615)**, und liegt gleichauf mit **GPT-5.5 (xhigh, 1509)**. Es führt mit deutlichem Abstand vor dem nächstbesten Open-Modell (**MiniMax-M3, 1408**) sowie vor zahlreichen proprietären Modellen: **Gemini 3.5 Flash (1357)**, **Qwen 3.7 Max (1289)**, **Muse Spark (1158)**. Die Aufgaben sind tatsächlich agentisch: durchschnittlich **~31 Turns pro Aufgabe** über **1.999 Matches**. Dasselbe Ranking bestätigt sich im **Artificial Analysis Intelligence Index** (Platz 1 unter Open Weights), im **Agentic Index** (Platz 3) und bei **AA-Briefcase** (Platz 3, vor GPT-5.5 xhigh, nur hinter Fable 5). Bemerkenswert: Ein **Open-Weights**-Modell unter **MIT-Lizenz**, **MoE mit 753 Mrd. Parametern / 40 Mrd. aktiv**, **1M-Token-Kontext**, mit einem Preis von **1,40 $/4,40 $ pro 1M Tokens** (Input/Output), das bei agentischer Arbeit mit der proprietären Spitze konkurriert — ein echter Fortschritt für offene Modelle.
Langform-Essay von **Shubham Saboo** (X/Twitter), der eine These zur Rolle des Product Managers im Zeitalter der Agenten vertritt: Die nächste entscheidende Fähigkeit ist **nicht Prompt Engineering**, sondern **Loop Engineering** — die Gestaltung eines *Systems, das sich mit jedem Durchlauf verbessert*, statt jedes Mal den perfekten Prompt zu schreiben. Ein **Loop** ist ein wiederholter Zyklus: das ändern, was das Verhalten des Agenten prägt → ausführen → das Ergebnis bewerten → die Änderung beibehalten, wenn die Qualität steigt, sonst zurücksetzen → **das Gelernte kumulieren**, sodass die nächste Version einen Vorsprung hat. Für einen PM ist der Einstiegspunkt nicht Code, sondern die **dauerhaften Artefakte**, die sein Urteilsvermögen kodieren: PRD-Review-Skill, *Summarizer* für Kundengespräche, Bewertungsraster, Launch-Checkliste, Research-Workflow, `CLAUDE.md`, Prompt-Vorlage, Priorisierungsrahmen. Da sie wiederverwendet werden, **kumulieren sich diese Artefakte in beide Richtungen** — und **driften** unbemerkt ab (eine CLAUDE.md, die immer weiter wächst, eine Checkliste, die ignoriert wird…): Das Modell hat sich nicht verschlechtert, die Artefakte sind unbeobachtet abgedriftet. Ein Loop besteht aus **5 Teilen**: Trigger, Aktion, **Nachweis**, Gedächtnis, **Abbruchbedingung** (die wichtigste). **Evals** werden zur PM-Arbeit (das Artefakt anhand bekannter Beispiele testen: 3 gute / 3 schlechte PRDs, 5 verstandene Gespräche, 2 vergangene Launches). Das **Gedächtnis** liegt auf **GitHub** (das Repo wird zum "Produktgedächtnis": Commits, Diffs, Eval-Ergebnisse, Entscheidungsprotokoll, Rollback). Empfohlener erster Loop: ein **wöchentlicher Product-Signal-Loop** (jeden Freitag). Der Geschmack bleibt zentral — braucht jetzt aber **Nachweis**. Zitiert Boris (Schöpfer von Claude Code): "er schreibt keine Prompts mehr, er schreibt Loops."
Podcast-Interview bei «À la French» (französischsprachiger Tech-Kanal, aufgezeichnet beim DevSummit) mit Mathieu Grymonprez, Global CDO der Adeo-Gruppe (Leroy Merlin, Obramat, Weldom). Wie eine jahrhundertealte Familien-Handelsgruppe die agentische KI-Welle aufgreift: Kultur vs. Struktur, Verantwortlichkeit, Token-Kosten und FinOps, Lock-in der Unternehmensintelligenz, Unternehmensgedächtnis und Agenten-Orchestrierung. Themenbereich: digitale Transformation, agentische KI, Einzelhandel, IT-Strategie.
#agentische KI#digitale Transformation#CDO
Mathieu Grymonprez (Global CDO, groupe Adeo) — invité ; Jean-Baptiste Kempf · Steeve Morin · Mehdi Medjaoui (hôtes du podcast « À la French »)
LinkedIn-Post von Fred Plais (CEO von Archie, ex-Platform.sh): KI hat Engineers so schnell gemacht, dass sich der **Engpass stromaufwärts verschoben** hat, an eine Stelle, die niemand im Blick hat. Da die Ausführung nicht mehr der langsame Teil ist, ist die Denkzeit verschwunden, die früher "während der Code gebaut wurde" existierte — die richtige Vision muss jetzt in einem Bruchteil der Zeit geformt und die richtigen Entscheidungen getroffen werden. Zwei seltene Profile entstehen: dasjenige, das eine **Vision präzise genug artikulieren kann**, damit ein Agent sie ausführt, ohne zu entgleisen, und dasjenige, das weiß, wie man **Agenten orchestriert** (ihre Fehler antizipiert, sie verkettet, einen Fehler abfängt, bevor er sich fortpflanzt). Für "Code-Output" einzustellen wird obsolet: das ist genau das, was aufgehört hat, selten zu sein. Kernthese: "klar zu denken war schon immer der Job — Geschwindigkeit hat es nur unmöglich gemacht, das vorzutäuschen".
Artikel von **Paul Sawers**, veröffentlicht in **The New Stack** am **16. Juni 2026**, über die **Aussetzung durch Anthropic** — *"on the very day it was scheduled to go live"* — der Abrechnungstrennung, die die Nutzung des **Agent SDK** von den Limits des Claude-Abonnements trennen sollte. **Von Anthropic zitierte Botschaft**: *"We're pausing the changes to Claude Agent SDK usage described below. For now, nothing has changed."* **Der Beitrag des Artikels liegt nicht in der Ankündigung, sondern im umgebenden Kontext**, in drei konzentrischen Kreisen. **Kreis 1 — Anthropics Woche**: am 9. Juni die Veröffentlichung von **Fable 5 und Mythos 5**, den ersten allgemein verfügbaren Modellen der Mythos-Klasse mit verschärften Cybersicherheits-Schutzmaßnahmen; wenige Tage später zwingt eine **Exportkontroll-Anordnung der US-Regierung** Anthropic, **beide Modelle weltweit für alle Kunden zurückzuziehen**. Die Aussetzung der Preisänderung wird in diesem Kontext als *"a little good news"* gelesen. **Kreis 2 — Kollateralschaden durch das Timing**: Unternehmen, die die Änderung bereits an ihre eigenen Kunden weitergegeben hatten, sehen sich überrumpelt; **Conductor**, ein auf dem Agent SDK aufbauendes Multi-Agenten-Coding-Tool, muss ein Dementi veröffentlichen (*"Anthropic has delayed the subscription updates to Claude plans"*). **Kreis 3 — die zugrunde liegende Spannung, die über Anthropic hinausreicht**: ein Zitat von **Boris Cherny** (Leiter von Claude Code) vom April, während einer früheren Einschränkung, wonach Abonnements *"weren't built for the usage patterns of these third-party tools"* — ein Eingeständnis, dass sich **Pauschalpreise und uneingeschränkte agentische Nutzung nicht vertragen**; **GitHub** hat die Frage auf dieselbe Weise geregelt und im Juni das Pauschalpreismodell der *premium requests* von **Copilot** zugunsten einer **tokenbasierten Abrechnung** abgeschafft, trotz Protesten. Hinzu kommt, dass **in derselben Woche** vor einem kalifornischen Bundesgericht eine **vorgeschlagene Sammelklage** eingereicht wurde, die behauptet, dass die **Max**-Stufen deutlich hinter den für intensive Coding-Sitzungen beworbenen Nutzungsmultiplikatoren zurückbleiben. Anthropic nennt keinen Zeitpunkt für einen überarbeiteten Ansatz und erklärt lediglich, man *"works to update the plan to better support how users build with Claude subscriptions."* **Schlussfolgerung des Autors**: zwischen dem staatlichen Druck rund um Fable und Mythos, einem geplanten **Börsengang** und **Gerüchten über Preissenkungen bei OpenAI** versucht Anthropic, **seine Entwicklerbasis auf seiner Seite zu halten** — und die Aussetzung ist vorerst ein Mittel zu diesem Zweck.
#Anthropic#Claude Agent SDK#Claude-Abonnement
**Paul Sawers** — journaliste tech · signe ici pour **The New Stack**. Registre de **presse spécialisée** : l'article ne relaie pas seulement l'annonce · il la replace dans une série (les changements de facturation successifs d'Anthropic) · la compare à un précédent sectoriel (GitHub Copilot) et l'articule à trois pressions concomitantes (export control, IPO, concurrence). Sourçage explicite et attribué — le billet de Zed · l'analyse de Matthew Diakonov · le post de Conductor · une déclaration antérieure de Boris Cherny.
SFEIR-Artikel (auf Französisch), das einen **KI-gesteuerten SDLC in 11 Phasen (0 bis 10)** formalisiert und argumentiert, dass sich die Branche darauf zubewegt. Ausgangsbeobachtung: 2025 fügten Organisationen KI-Tools hinzu, ohne ihr Betriebsmodell zu transformieren — was ein Paradox erzeugt: « alles ändert sich… und nichts ändert sich » (die Ausführungsgeschwindigkeit vervielfacht sich ohne proportionalen Gewinn). Die eigentliche Antwort liegt nicht in der Wahl der Tools, sondern in der **Neugestaltung des Zyklus** für die maschinelle Ausführung. Der SFEIR-Zyklus stützt sich auf **drei unveränderliche menschliche Gates** (Define, Plan, Ship), automatische Phasen dazwischen sowie **zwei Kapitalisierungsmomente** (Compound-1 vor der Bereitstellung, Compound-2 in Produktion), die Lehren in wiederverwendbare Regeln umwandeln. Drei Prinzipien: **KI führt aus** (vollständige Artefakte + Ausführungsnachweis, ohne den eigenen Angaben des Agenten je zu vertrauen), der **Mensch behält die Kontrolle über die Absicht**, das **System lernt kumulativ**. Gemessene Ergebnisse (Neugestaltung 6 Monate→1 Tag, **−30 % der Iterationen** nach zehn Zyklen) sowie eine behauptete Konvergenz mit ADLC, Google und DORA 2025.
**Skill**-Eintrag (kein Artikel): `grill-with-docs` von Matt Pocock ist eine strukturierte Interviewtechnik, die einen Architekturplan „grillt“, indem sie ihn methodisch mit dem Fachvokabular des Projekts (dem `CONTEXT.md`-Glossar) und bereits dokumentierten Entscheidungen (ADRs) konfrontiert. Statt vorschnell in die Implementierung zu gehen, hinterfragt sie Annahmen einzeln in einem Frage-Antwort-Dialog, bereinigt die Terminologie, prüft die Konsistenz mit dem tatsächlichen Code und hält Entscheidungen laufend in den passenden Artefakten fest. Ein Upfront-Design-Skill, inspiriert vom Domain-Driven Design.
Fallstudie, veröffentlicht vom **Cornell AI Innovation Hub** (15. Juni 2026): wie eine zweisemestrige Zusammenarbeit zwischen dem AI Hub, Doktoranden und dem Treasury-Team von Cornell eine zeitaufwendige manuelle Recherche in ein KI-Tool verwandelte, das bei einer ersten Charge **100.000 $** an nicht identifizierten Zahlungen **zurückgewann**. Ein erfolgreicher **AI4Business**-Anwendungsfall (Finanzprozess), der das **Leader-Lab-Crowd**-Framework von **Ethan Mollick** nahezu punktgenau veranschaulicht: Der **AI Hub** übernimmt die Rolle des **Lab** (ein zentrales, beidhändiges Team aus Technologen und Studierenden); **Treasury** (Cheryl Barnes, Marie Graves…) ist die **Crowd**, die das Fachwissen und den eigentlichen Schmerzpunkt einbringt; und die **100.000 $** stellen die **sichtbare Belohnung** (vivid win) dar, die die Akzeptanz verankert — genau der Anreizhebel, den Mollick als entscheidend erachtet. Zentrale Methode: **„context first, then plan, then build“** über **Claude Code Plan Mode**, eine Kette aus **Fuzzy Matching → Gemini Enterprise Web Search → Claude-Synthese**, alles innerhalb des kontrollierten **Cornell AI Gateway**. *„Die 100.000 Dollar sind ein Anfang.“*
#Cornell AI Innovation Hub#nicht identifizierte Zahlungen#Zahlungsabgleich
**Pete Stergion** — Desktop Engineer au Cornell AI Innovation Hub · co-tech lead du projet (avec Phil Williammee). Article institutionnel signé de l'AI Hub.
Ein pädagogischer Artikel von **MindStudio Team** (dem Blog der MindStudio-Plattform, Orchestrierung von Multi-Modell-Workflows), der **modèles de langage par diffusion** (*Diffusion Language Models*) am Beispiel von **Diffusion Gemma** erklärt, Googles erster Implementierung mit **open weights** (2 Mrd. Parameter, abgeleitet von Gemma 2). Die These: Während **autoregressive** Modelle (GPT-4, Claude, Standard-Gemma) Text **Token für Token von links nach rechts** generieren (kausale Aufmerksamkeit, jedes Token nach der Erzeugung eingefroren), gehen **Diffusions**-Modelle von einer **maskierten/verrauschten** Sequenz aus und **verfeinern sie iterativ** (masked diffusion / *absorbing diffusion*), mit **bidirektionaler Aufmerksamkeit**: Das Modell kann **jede Position in jedem Schritt überarbeiten**. Konsequenzen: hohe **Parallelität** (ein 500-Token-Text würde 50-100 Denoising-Schritte statt 500 sequenzieller Durchläufe benötigen), natives **Infilling** und **constrained generation** (Vorlagenausfüllung, Codevervollständigung mit umgebendem Kontext) sowie integrierte **Überarbeitungs**-Fähigkeit. Doch im aktuellen Maßstab (2B) **erreicht** Diffusion Gemma die großen autoregressiven Modelle (GPT-4o, Gemini 1.5 Pro) bei Reasoning, Instruction-Following und Allgemeinwissen **nicht**: Die Lücke „schließt sich“, ohne geschlossen zu sein. Die Inspiration stammt aus der Bildgenerierung (Stable Diffusion, DALL-E haben die autoregressive Generierung vor Jahren verlassen); ob dasselbe Prinzip auch für Text gilt, bleibt eine offene Frage. Diffusion Gemma wird über Hugging Face (Google DeepMind), AI Studio und Vertex AI verteilt.
#modèles de langage par diffusion#Diffusion Gemma#Google DeepMind
Satya Nadella (Microsoft) entwirft eine Theorie zur "Zukunft des Unternehmens" in einer KI-getriebenen Wirtschaft: Jedes Unternehmen wird neben seinem Humankapital (Urteilsvermögen, Beziehungen, Mustererkennung) ein "Token-Kapital" aufbauen müssen — seine proprietäre KI-Fähigkeit. Der eigentliche Wert liegt nicht in der Wahl des besten Modells, sondern in einer Lernschleife (private Evals, RL-Umgebungen, base de connaissances), die institutionelles Wissen kodiert und sich im Laufe der Zeit potenziert. Ein Plädoyer für ein "Frontier-Ökosystem", nicht bloß ein "Frontier-Modell", damit sich der Wert verteilt, statt von einer Handvoll Modelle vereinnahmt zu werden.
Polemischer Essay-Thread von Ahmad Osman (@TheAhmadOsman) auf X, *„Anthropics Krieg gegen Open-Source-KI“* (1,7 Mio. Views). Kernthese: Anthropic wandelt „Sicherheit“ systematisch in einen **Kontrollmechanismus** um (Berechtigungsregime, regulatorische Vereinnahmung, wettbewerbswidrige Zugangsbeschränkungen, Verhaltensopazität), um Entwickler, Startups und Open-Source-Communities **nachgelagert** zu einer Handvoll Frontier-Labs zu halten. Zentraler Ankerpunkt: der **Fable-Vorfall** (stille Degradierung von Anfragen konkurrierender KI-Entwicklung). Plädoyer für Open Source / lokale KI als einzig tragfähige „politische Ökonomie der Intelligenz“. Bereich: KI-Politik, Open Source vs. geschlossene Labs, Souveränität, Governance.
Chris Williams (@voodootikigod) eröffnet seine ADLC-Serie mit der These, dass die Anwendung des menschlichen SDLC auf Modelle ein Kategorienfehler ist: Der klassische Zyklus wurde entwickelt, um menschlichen Fehlermodi (Ego, Ermüdung, Vergessen) entgegenzuwirken, die bei LLMs nicht vorhanden sind. Er katalogisiert acht tragende Fehlermodi (F1-F8) und fünf ausnutzbare Eigenschaften (E1-E5) und legt das Gründungsprinzip dar: Jede Phase eines agentischen Zyklus muss auf einen Fehlermodus, gegen den sie sich richtet, oder eine Eigenschaft, die sie ausnutzt, zurückführbar sein.
Zweiter Teil von Chris Williams' ADLC-Serie: Er entfaltet den Zyklus, der sich aus dem „ersten Gesetz" ergibt — acht Phasen (P0 Triage → P7 Distill), ein deterministisches Gate zwischen jedem Phasenpaar und genau zwei verpflichtende menschliche Momente (Spezifikationsfreigabe bei P1, Verhaltensabnahme bei P6). Kernprinzip: eine LLM→LLM-Übergabe ohne deterministischen Kontrollpunkt vervielfacht die Fehlerquote; hinzu kommt eine „Barbell"-Kostenverteilung (schwer an beiden Enden, leicht in der Mitte), die die Ökonomie von Agile umkehrt.
Dritte Folge der ADLC-Serie: Williams macht das Testen zur Spezifikation in der einzigen Sprache, die der Builder nicht bestreiten kann. Während TDD bei von Menschen geschriebenem Code eine optionale Qualitätspraxis ist, wird es zum tragenden Vertrauensmechanismus des gesamten Lebenszyklus, sobald Agenten den Code schreiben. Drei „Rail-Discipline“-Regeln: getrennte Autoring-Kontexte (nur Spezifikationen vor der Implementierung), mechanisches Einfrieren auf Tool-Ebene (nicht im Prompt) und adversariale Audits („schlägt ein Test fehl, wenn das Feature entfernt wird?“). Mutationstests werden dem Coverage-Prozentsatz vorgezogen, der sich bei maschineller Geschwindigkeit leicht dem Goodhart-Effekt unterwerfen lässt.
Vierter Teil der ADLC-Reihe: Williams definiert Code-Review nicht als kollaborative Bewertung, sondern als adversarielle „Anklage“ neu. Er beauftragt Agenten mit Widerlegung („finde, was falsch ist“), setzt Single-Lens-Reviewer mit frischen Kontexten ein (Korrektheit, Sicherheit, Vertragskonformität, Spezifikationstreue, Testqualität), handelt nur bei verifizierten Befunden (durch einen fehlschlagenden Test reproduziert) und wiederholt den Zyklus, bis zwei aufeinanderfolgende Durchläufe null Befunde ergeben. Die Kalibrierung wird gemessen, indem bekannte Bugs im Stil von Mutationstests platziert werden. Exit-Kriterium: null offene Befunde, zwei trockene Durchläufe, grüne Tests, leerer Test-Diff.
Fünfte Folge der ADLC-Serie: Orchestrierung paralleler Agenten ohne „Merge Hell“. Williams stellt drei gekoppelte Stellschrauben vor — Kosten (Modellwahl), Durchlaufzeit (Parallelisierungsbreite) und Genauigkeit (Vertragsqualität) — sowie ein architektonisches Prinzip: „Kontrollfluss ist Code, Urteilsvermögen sind Modelle“ (deterministische Skripte orchestrieren, Modelle liefern nur das Urteilsvermögen). Vier Spuren (Frontier-Contract-Desk, Single-Writer-Builder-Pool, gemeinsam genutzter Prosecution Pool, sequenzieller Integrator), eine Merge-Konflikt-Prognose aus vier Signalen (zertifizierte Breite typischerweise 3-5 Agenten) sowie konsensbasierte Disambiguierung über N günstige Agenten anstelle von Klärungsfragen.
Sechste Folge zum ADLC: Williams beschreibt die P7-Phase „Distill“ als die Komponente, die bei jedem Durchlauf die Kosten senkt. Zwei Hälften: Vereinfachung nach dem Merge (Ableitung, nachdem der Code existiert, nicht vorher — „vor dem Entstehen des Codes zu deduplizieren ist spekulativ“) und Lessons Mining (eine „Lesson Foundry“ verwandelt wiederkehrende Befunde in Lint-Regeln, Skills und neue Interrogation-Fragen). Jede Lektion wird einmal bezahlt und danach von teurer probabilistischer Erkennung zu kostenloser deterministischer Prävention degradiert. Die richtige Recheneinheit ist „Kosten pro gemergter, verifizierter Änderung“, und „flache Kosten sind ein Scheitern“.
Siebte und letzte Folge der ADLC-Serie: Williams stellt ein Open-Source-Toolkit aus achtzehn Tools vor, das *mit* dem Zyklus selbst gebaut wurde (Build-Prosecute-Fix-Loop, parallele Agenten, ein eingefrorener `@adlc/core`-Kern, gefolgt von Fan-out — „pinned means merged"). Der doktrinäre Kern ist „frontier-free": Präzisionsziele werden mit Modellen der mittleren Klasse (Opus/Sonnet/Haiku-Klasse) statt mit Frontier-Modellen erreicht, über fünf Substitutionen (Suche ersetzt Einsicht, Zerlegung ersetzt Horizont, Banking ersetzt Präsenz, Messung ersetzt Metakognition, die Generator-Verifier-Lücke hält die Maschine am Laufen), wobei der Mensch an den beiden Spezifikations-Gates die „Frontier"-Ebene bleibt. Roter Faden der Serie: „Vertrauen durch Struktur ersetzen, und Struktur durch Messung."