Vor ein paar Tagen habe ich für einen Content-Workflow von nachmittags bis drei Uhr morgens herumgebastelt.
Anfangs war ich eigentlich ziemlich aufgeregt.
Weil in letzter Zeit viele neue Agenten, AI-Coding-Tools und allerlei „Zero-Barrier-Automation“-Produkte herausgekommen sind.
Wenn ich die Werbung sehe, habe ich immer ein bestimmtes Gefühl:
„Diesmal sollte ich endlich nicht mehr selbst mit dem Workflow herumhampeln müssen.“
Als ich es wirklich angefangen habe zu nutzen,
Der gewohnte Prozess kommt wieder.
Zuerst das Modell auswählen.
Claude ist eher für längere Texte geeignet.
Gemini hat in bestimmten Bereichen ein gutes Verständnis.
Codex ist besser für Code-Tasks.
Dann habe ich angefangen, den Prompt zu ändern.
Ein Satz reicht nicht.
Struktur weiter anpassen.
Einschränkungen hinzufügen.
Ausdrucksweise ändern.
Schritte aufteilen.
Kontext ergänzen.
Fängt man wieder an zu forschen:
Fähigkeiten,
MCP,
Toolaufrufe,
Betriebsumgebung,
Workflow-Orchestrierung.
Als alles erfolgreich lief, fiel mir plötzlich auf:
Die Zeit, die tatsächlich mit „Arbeit“ verbracht wird,
Vielleicht habe ich sogar weniger Zeit damit verbracht, „die KI richtig arbeiten zu lassen“.
Und das realistischere Problem ist:
Jetzt ist die Lücke der KI,
Es ist nicht mehr die Frage „Kann ich es benutzen“.
Sondern:
➡️ Kannst du Prompts schreiben?
➡️ Kannst du Claude Code / Codex benutzen?
➡️ Kannst du Workflows anpassen?
➡️ Kannst du MCP anpassen?
➡️ Kannst du Modelle und Tools kombinieren?
Mit jeder neuen Fähigkeit,
Das schafft eine zusätzliche Hürde.
Dasselbe Tool.
Manche haben die Aufgabe in 20 Minuten abgeschlossen.
Manche haben 2 Stunden herumprobiert und es nicht zum Laufen gebracht.
Manche erzielen Ergebnisse, die ihrem Arbeitsablauf entsprechen.
Manche erhalten immer nur allgemeine Antworten.
Manche kommen immer besser klar, je mehr sie es benutzen.
Manche werden immer müder, je mehr sie es benutzen.
Viele denken, das Problem der KI sei:
„Das Modell ist noch nicht schlau genug.“
Aber nach intensiver Nutzung wird man feststellen:
Jetzt ist das, was wirklich Menschen belastet,
Tatsächlich sind es die versteckten Betriebskosten hinter der KI.
Du musst forschen:
Welches Modell passt zu welcher Aufgabe?
Welcher Toolchain ist stabiler?
Wie man Illusionen reduziert
Wie man die Ergebnisvalidierung durchführt
Wie man Betriebskosten kontrolliert
Wie man Workflows wiederverwendet
Sogar viele Teams haben bereits begonnen, interne KI-Betriebsanleitungen zu schreiben.
Aber das Problem ist:
Bei jedem Modell-Update,
Viele Erfahrungen müssen wieder neu gelernt werden.
Im letzten Jahr habe ich selbst unzählige Tools gewechselt.
Habe viele Workflows aufgebaut.
Zahlreiche Prompts getestet.
Habe viele AI Coding Agenten ausprobiert.
Manchmal habe ich sogar plötzlich Zweifel:
Ist es wirklich die KI, die mir bei der Arbeit hilft,
Oder arbeite ich immer noch für die KI?
Gerade weil ich kürzlich gesehen habe, dass der führende DApp dappOS @dappOS_com sein eigenes KI-Produkt xBubble herausgebracht hat, fand ich den Ansatz ziemlich besonders.
Es geht nicht einfach darum, einen „intelligentesten KI“ zu schaffen.
Sondern versucht, ein anderes Problem zu lösen:
Kann ich die Nutzer dazu bringen, dass sie keine komplexen Prompts, Workflows oder Modellkombinationen erforschen müssen, sondern mit sehr einfachen Eingaben unter bestimmten Aufgaben relativ stabile Ergebnisse liefern?
Hier ist ein sehr entscheidender Punkt:
Der Kern von Low-Prompt (niedrigem Prompt) ist,
Das bedeutet nicht, dass die KI die Nutzer besser versteht.
Sondern:
Das System hat bereits im Voraus gelernt,
Wie sollte diese Aufgabe abgeschlossen werden?
xBubble hat zwei zentrale Teile.
Einer ist der Bubble Pilot.
Ein anderer ist der Bubble Engine.
In meinem eigenen Verständnis:
Bubble Pilot ähnelt einer Aufgabenverteilungsebene.
Müssen die Nutzer nur eine einfache Anfrage eingeben.
Zum Beispiel:
„Hilf mir, Forschungsunterlagen zu organisieren und einen Artikel zu erstellen, der veröffentlicht werden kann.“
Das System wird zuerst den Aufgabentyp identifizieren.
Und routet die Aufgaben zu den entsprechenden Ausführungswegen.
Wenn es im System bereits eine ausgereifte Lösung gibt,
Geht direkt in den bereits validierten Ausführungsprozess.
Hier ist das Kernkonzept, das xBubble tatsächlich vorschlägt.
Aber dieses SOP,
Sind keine normalen Prompt-Vorlagen.
Es ist mehr wie:
Ein bereits im Voraus trainiertes Aufgabenausführungsschema.
Es enthält nicht nur Prompt.
Das umfasst auch:
Modellauswahl,
Fähigkeiten,
Betriebsumgebung,
MCP,
Toolaufrufe,
Kombinationen von Drittanbieterdiensten usw.
In gewissem Maße,
Ein ausgereiftes SOP,
Ist in der Tat schon sehr nah an einem unabhängigen Agenten-Produkt.
Der Unterschied ist nur:
Früher mussten die Nutzer das selbst erforschen.
Jetzt hilft das System dir im Voraus beim Training.
Und die Rolle der Bubble Engine,
Es ähnelt eher einem kontinuierlichen Lernsystem im Hintergrund.
Es wird auf spezifische Aufgaben abzielen:
Automatisch verschiedene Lösungen generieren,
Testen verschiedener Modellkombinationen,
Testen verschiedener Toolchains,
Testen verschiedener Betriebsumgebungen.
Und dann basierend auf:
Ergebnisqualität,
Stabilität,
Kosten,
Anwendungsbereich
Optimalen Weg auswählen.
Und schließlich wird es zu SOP verfestigt.
Dieser Prozess ähnelt eigentlich der Logik vieler aktueller KI Coding Agenten.
Es ist nur:
AI Coding ähnelt der einmaligen Code-Generierung.
Und xBubble ähnelt eher der Generierung von:
„Wiederverwendbare Aufgaben-Execution-Fähigkeit“.
Natürlich,
Dieser Vortraining-Aufwand ist tatsächlich nicht gering.
Und die Kosten sind nicht stabil.
Weil das System ständig verschiedene Kombinationen testen muss,
Überprüfen, ob die Ergebnisse stabil sind.
Aber sobald ein SOP abgeschlossen trainiert ist,
Viele ähnliche Aufgaben,
Wird die nachfolgende Ausführungskosten schnell sinken.
Bei der erneuten Ausführung,
Wird es allmählich das Verbrauchsniveau eines normalen Agenten erreichen.
Also aus der Betriebstheorie heraus,
Das System tendiert auch dazu, Nutzer mit ähnlichen Anforderungen zu aggregieren.
Weil die Anforderungen ähnlicher werden,
Der Wiederverwendungswert von SOP wird immer höher.
Und die ganz besonderen,
Besonders maßgeschneiderte Aufgaben,
Dann könnte es notwendig sein, ein neues SOP separat zu generieren,
Entsprechend steigen die Kosten natürlich auch.
Ich finde diese Richtung eigentlich ziemlich interessant.
Weil es die KI dazu bringt, von:
„Jedes Mal das Problem neu überdenken“
Langsam wird es zu:
„Ständig Fähigkeiten sammeln“.
Früher:
Die Nutzer erforschen selbst die Arbeitsabläufe.
Jetzt:
Das System forscht im Voraus an Workflows.
Früher:
Die Nutzer passen selbst die Prompts an.
Jetzt:
Das System trainiert die Ausführungswege im Voraus.
Früher:
Die Nutzer kombinieren selbst Modelle und Tools.
Jetzt:
Das System erledigt die Planung automatisch.
Was die Nutzer wirklich tun müssen,
Es bleibt nur noch eine Sache:
Ziele beschreiben.
Ein weiterer Punkt, der mich interessiert, sind die beiden Betriebsumgebungen von xBubble.
Bubble Computer ähnelt einem vollständigen Projektarbeitsbereich.
Wenn das System komplexe Aufgaben erkennt,
Es wird automatisch die entsprechende Umgebung starten,
Die benötigten Fähigkeiten laden,
Bearbeitung der Zwischenschritte.
Forschung, Schreiben, Design, Überprüfung,
Kann alles in einem einzigen Durchlauf erledigt werden.
Ein anderer ist Bubble Personal.
Es ist mehr auf lokale Umgebungskooperation ausgerichtet.
Kann Dateien bearbeiten,
Browser,
Anwendungen,
Termine und lokale Ressourcen.
Viele systematische Operationen werden in Cloud-Containern ausgeführt,
Aufgaben werden nach der Fertigstellung automatisch gelöscht.
Der Nutzer führt nur eindeutig autorisierte Aktionen aus,
Es ist nicht notwendig, komplexe Umgebungen selbst zu installieren.
Dieser Gedanke zielt im Grunde darauf ab, die KI von einem „Chat-Tool“ langsam in ein echtes System zur Aufgabenausführung zu verwandeln.
Wenn ich an die Szene am Anfang des Artikels zurückdenke.
Wenn es damals schon xBubble gegeben hätte.
Vielleicht muss ich nicht ständig das Modell wechseln,
Prompts ändern,
Workflows aufbauen,
MCP erforschen.
Vielleicht brauchst du nur einen Satz:
„Hilf mir, diese Aufgabe zu erledigen.“
Was übrig bleibt,
Lass die KI selbst lernen,
Selbst aufrufen,
Selbst optimieren.
KI sollte von KI lernen.
KI sollte KI nutzen.
Die Nutzer müssen nur das Ziel formulieren.
Ich denke, das wirklich Wichtige an Low-Prompt-KI ist,
Es geht nicht darum, die KI cooler aussehen zu lassen.
Sondern:
Kann es die immer komplexer werdende KI-Welt,
Zurück zu etwas, das auch normale Menschen nutzen können.