# AI-Native Workflows Replace Rigid Automation Pipelines

**Podcast:** AI FIRST Podcast
**Published:** 2026-06-26

## Transcript

Herzlich willkommen zum AI First Podcast.
Heute zu Gast ist wieder Stammgast Elisabeth Laurent und wir haben wieder eine Doppelfolge für euch.
Heute im AI First Podcast, morgen bei Tech & Tales bei Elisabeth.
Und zwar sprechen wir jetzt über drei ganz konkrete Anwendungsfälle, wie Elisabeth KI für sich nutzt und sie wird uns erzählen, wie sie sich das gebaut hat.
Und morgen am Samstag bei Tech on Tales werde ich das Gleiche von mir erzählen.
Also schaltet dort auch unbedingt ein und abonnieren.
Elisabeth, schön, dass du da bist.
Hi Felix, freut mich sehr.
Ja, die Leisten des Schusters sind ja angeblich immer die schlechtesten.
Deswegen müssen wir jetzt auch mal irgendwie für unsere Kredibilität in der Szene sorgen und erzählen, wie wir tatsächlich Karrieren wenden.
Ich muss dazu sagen, dass noch vor, ich würde sagen, einigen Monaten habe die Dinge, die ich mit AI gemacht habe, mit entweder Make.com oder mit anderen Orchestratoren, wenn man so möchte, gebaut oder zusammengeschustert oder eben viel auf Azure, also Azure Foundry, weil das eben die technischen Voraussetzungen waren, die ich beim Kunden vorgefunden habe, beziehungsweise dann eben mit Make.com bei mir selber.
Und das heißt, typischerweise habe ich in der Vergangenheit, wenn ich Prozesse sozusagen erstellt habe, die einzelnen Schritte aneinandergereiht, wie so eine Perlenkette.
Ich meine, darüber haben wir jetzt auch schon zwei, dreimal gesprochen.
Und dann halt gelauncht.
So das Problem dabei war, also für mein Empfinden, dass die APIs immer wieder Probleme hatten.
Das heißt, man brauchte sehr viel oder diese Prozessketten brauchten immer.
sehr viel Zuwendung.
Das waren immer Automatisierungen, die sehr liebesbedürftig waren, wenn man so möchte.
Und jetzt bin ich komplett zu Anthropic geswitcht.
Also ich habe keinerlei Mac.com oder ähnliches mehr und möchte heute euch quasi drei folgende drei Use Cases erzählen oder erklären.
Und zwar der erste ist tatsächlich ein Newsletter-Summarizer-Tool oder ein Digest, glaube ich, würde man auf Englisch sagen.
Das heißt, ich bekomme wahnsinnig viele Newsletters während der Woche.
Was ist in der Plural eigentlich?
Newsletter wahrscheinlich, nicht Newsletters.
Egal.
Auf jeden Fall, ich bekomme sehr viele Newsletter und die haben sehr viel Content.
Und es ist, finde ich, relativ schwer, da Signal vom Noise zu trennen.
Also zu wissen, was ist da wirklich wichtig.
Und die Mast ist einfach ziemlich groß.
Das heißt, ich kann die 10 Newsletter lesen.
Und da habe ich mir eine Art Automatisierung oder ein Tool, wenn man so möchte, gebaut, das mir einmal am Montag eine E-Mail schickt mit den wichtigsten Inhalten quasi, was es so in der Woche passiert.
Das kann man auch daily machen, aber ich habe es jetzt wechseln nicht gemacht.
Und das zweite Tool, was ich euch vorstellen möchte, ist ein Marktbeobachtungstool.
Das heißt, ich arbeite ja in der Beratung und deswegen habe ich so ein Tool gebaut, was mir die verschiedenen Parameter innerhalb des Consultings, also der Beratung und innerhalb der Big Four und MBB, also McKinsey, Bain und BSD baut.
Das heißt, ich schaue, was die halt im Detail machen.
ist relativ spezifisch für den Podcast, aber es zeigt relativ gut, wo man da quasi anknüpfen kann.
Bevor du loslegst, habe ich noch eine Frage.
Und zwar war ich letzte Woche auf so einer Konferenz und dann wurde ich nach meinem Vortrag gefragt, wie ich denn Privat-KI nutze, weil ich vorher nur so über Business Cases und Adoption und so gesprochen habe.
Und dann habe ich kurz überlegt und habe gesagt, ja, dadurch, dass ich die ganze Zeit mit KI arbeite und nur darüber spreche, versuche ich eigentlich privat zu, nutze ich das gar nicht.
Also ich habe gar keinen Use Case irgendwie privat.
Nutzt du Privat-KI?
Ja, schon.
Also alltäglich für alles Mögliche.
Also ich benutze es für ...
Ich habe das, glaube ich, auch mal in der vergangenen Podcasts erzählt, zur Diagnostik von allen möglichen Kinderkrankheiten.
Ich nutze es permanent für alles.
Also ich nutze es wesentlich mehr als Google.
Ich nutze es, um Sachen zu recherchieren.
Ich nutze es, um Sachen zu verstehen.
Ich nutze es, um Rezepte zu generieren.
Also ich nutze es tatsächlich...
Stundenlang am Tag, würde ich sagen.
Und zwar die drei, also ich nutze die drei großen Systeme.
Ich nutze Anthropic für eigentlich alles, aber vor allen Dingen Dinge, die Code beinhalten, weil die ein sehr gutes Protokoll, dieses MCP haben mit den verschiedenen großen Anbietern wie Google.
Dann nutze ich OpenAI, weil deren aktuelles Bildmodell, also das Chat-GPT-Bildmodell, ist einfach viel besser als alle anderen.
An der Stelle, ich muss unbedingt mal mit Journey-Abo kündigen, fällt mir gerade auf.
Und dann nutze ich Google und zwar, weil diese Integration mit Gmail einfach unfassbar gut ist.
Das heißt, wenn man zum Beispiel Steuerabrechnungen machen möchte und in seiner Cloud 100.000 Belege in einem Ordner hat, kannst du einen relativ gut suchen.
Also wenn du weißt, irgendwo muss dieser blöde Amazon-Beleg von 8,99 für ein Kabel sein.
Und du willst nicht 200 einzelne JPEGs aufmachen, dann kannst du einfach das befragen.
Und dann auch sagen, such mir alle anderen zusammen und so weiter.
Also das ist schon, das löst für mich persönlich in meinem privaten Alltag schon sehr viel.
Aber ich fühle es total und es gibt ja auch, wir haben besprochen darüber, glaube ich, beim letzten Mal auch, dass es ja dieses Symptom des Brain Fries gibt.
Das heißt, dass man je mehr man generative Tools nutzt, desto mehr verblödet man.
Und das ist anscheinend, also je mehr man auch einfach generiert.
Und das ist wohl bei drei, wenn man mehr als drei Tools zum Beispiel verwendet, dann findet dein Gehirn das sehr, sehr schwierig und hört dann auf zu denken.
Das möchte keiner.
Daher schlage ich vor, nur ein Tool zu nutzen.
Aber also meines Erachtens geht das halt mit Anthropic und Claude am besten.
Und dazu sei auch gesagt, die hatten ja diese wahnsinnig, also deren Marketingkampagnen sind ja unfassbar gut, dass sie jetzt verboten worden sind.
Was Besseres hätte denn gar nicht passieren können.
Und ich glaube, das ist einfach wahnsinnig gut orchestriert aus deren Perspektive oder von deren Seite, sagen wir mal so.
Also ich glaube nicht, dass man einen Waffenschein braucht für das Modell, so wie Trump das postulierte.
Aber gut.
Okay, dann gehen wir rein in deinen ersten Case, den Newsletter Digest.
Und wir wollen natürlich einmal wissen, wie funktioniert das?
Also wie läuft das dann konkret ab?
Und vor allem auch, wie und wo hast du das aufgesetzt?
Weil der Anspruch ist ja sowohl für diese als auch für die nächste Folge, dass alle, die hier zuhören und sagen, okay, finde ich interessant und kann ich auf mich irgendwie adaptieren, auf etwas, was ich tue, dass sie sich das nachbauen können.
Und wir gucken noch, dass wir euch die Templates und so irgendwie bereitgestellt bekommen.
Genau.
Also man braucht, also grundsätzlich für alles, was E-Mails involviert, kann ich persönlich stark dazu raten, sich eine eigene E-Mail-Adresse für KI-Agenten anzulegen.
Und am einfachsten geht das, wie gesagt, mit Gmail.
weil die Schnittstellen, also die MCPs mit den jeweiligen AI-Tools sehr gut funktionieren.
Also das heißt, die MCP-Server, das sind die Datenbanken sozusagen, die dahinter dann in beide Richtungen freigegeben werden.
Und das geht mit Gmail sehr gut so.
Das heißt, ich habe mir einen Gmail-Account angelegt, der heißt irgendwie newsletterelisabeth.gmail.com oder so.
Und mit diesem Gmail-Account habe ich mich bei sämtlichen...
die ich gerne lese, angemeldet.
Und ich kann ja mal ein paar nennen.
Ich habe auch dabei sind einige paid, also einige bezahlte.
Zum Beispiel The Information.
The Information ist relativ teuer.
Das sind 299 Dollar im Jahr kostet die einfache Version.
Muss man nicht machen.
Man kann auch die ganzen Unbezahlten nehmen.
Ich werde die alle in den Show Notes auf jeden Fall verlinken.
Aber meine absoluten...
Lieblings-Newsletter sind zum Beispiel von Mike Law at AI Secret.
Also AI Secret ist definitiv einer.
Dann natürlich der Doppelgänger-Newsletter von Philipp Klöckner ist einer.
Dann natürlich von Scott Galloway die Newsletter.
Also die sind unter Prof G Media, also Professor G.
Dann von A16Z.
Natürlich Felix Newsletter mit den absoluten, sehr, sehr handfesten Prompts.
Und vor allem, was ich dabei immer so cool finde, ist die Evolution zu sehen.
Also das heißt, bei dir ist nichts monoton, sondern ich weiß, dass du jede Woche was Neues hast, weil du ständig daran arbeitest.
Dann gibt es noch Newsletter, der heißt Not Boring.
Also es sind in Summe ungefähr zehn Stück, die wir auf jeden Fall verlinken werden.
Von diesen Newslettern habe ich alle Abonnements.
Das heißt, die kommen dann in deren jeweiligen Rhythmus, kommen die dann in meine Inbox.
Und was mache ich?
Ich habe dazu eine Cloud-Lizenz und ich habe auch eine Cloud-Pro-Lizenz.
Ich glaube, die kostet so 20 Euro im Monat.
Kann man auch halten, wie man möchte, aber ich denke, dass KI irgendwann Infrastruktur wird.
Das heißt, ich glaube, eine Pro-Lizenz in einem der Modelle, ob es jetzt Gemini, OpenAI oder Cloud ist oder Anthropicals, sollte man schon haben, weil das das Leben einfach viel, also zu großen Teilen erleichtert.
Und ich habe angefangen, indem ich als erstes Kloate geöffnet habe und ein Prompt geschrieben habe.
Mein Prompt war ganz einfach.
Ich habe geschrieben, I want to create an automated newsletter tool that sends me a summary of all the newsletters I have and the news that are there.
Also auf Deutsch, ich möchte gerne ein...
automatisierten Newsletter erstellen, der mir eine Zusammenfassung aller Newsletters, die ich habe und auch von den ganzen Neuigkeiten, die es ohnehin gibt.
Und das Erste, was er mich dann fragt, ist, ob ich einen Connector habe.
Das ist der MCP, diese Datenbank, die connected wird, von der ich sprach.
Und an der Stelle muss man dann seinen Gmail-Account mit dem Cloud-Account connectieren.
So, das heißt, man klickt dann, man wird durchgeleitet, man klickt auf Gmail und an der Stelle kann man dann verschiedene Zugriffe freigeben.
Und ich glaube, wenn man eine E-Mail hat, die nur dafür dediziert ist, diese Modelle quasi zu bedienen, dann kann man auch alles freigeben.
Also ich würde auf keinen Fall jemals confidential oder persönliche Dinge in diese E-Mails tun, aber solange es eben nur für Newsletter ist oder nur für relativ...
keine Ahnung, für relativ eingeschränkte Dinge, dann kann man auch alles freigeben, was ich getan habe.
Okay, und da hilft es natürlich, dass du diese eigene E-Mail-Adresse hast, weil da ist sowieso nichts anderes drin.
Korrekt.
Wo auch immer die Leute dann deine E-Mail-Adresse hinverkauft haben.
Korrekt.
Aber es ist, aber...
Ehrlicherweise, auch wenn es meine normale private Adresse wäre, dann würde er genauso in der Lage sein, die Newsletter rauszufiltern.
Weil die haben ja ein gewisses Haptik, aber ein gewisses Look und Feel.
Und das ist für ein AI-Modell nicht so schwierig zu sehen.
Aber wie gesagt, das ist jedem selbst überlassen, das zu machen.
Ich würde es nicht empfehlen.
Aber bei einer E-Mail-Adresse, die halt nur dieses eine Thema hat, ist es einfacher.
Und dann sage ich weiter.
oder spreche mit dem Modell, wie der Plan sein soll.
Das heißt, ich sagte, jeden Montagmorgen möchte ich es haben.
Dann sage ich, bitte suche in meinem Gmail für Newsletter, die die in den letzten sieben Tagen angekommen sind.
Dann soll Claude jedes Newsletter lesen und zusammenfassen und dabei gucken, von wem es kommt, was das Thema ist, was die Key Headlines sind und was es vor allem gibt.
Key Takeaways sind.
Das sind vier Punkte.
Dann sollen die von meinem eigenen Newsletter einen Draft in den E-Mails legen.
Und dann kann man am Ende nochmal einstellen, dass es gleich drausschickt.
Aber erst mal habe ich gesagt, sollen Draft machen.
Dann habe ich E-Mail in E-Mail konnektiert.
Und dann das Erste, was Claude macht, er testet es.
Das heißt, er guckt erstmal, ob er überhaupt die Newsletter in meiner Inbox findet, so damit er überhaupt eine gewisse Logik entwickeln kann.
Das Ganze hat dann funktioniert, hat sich dann eingeloggt, hat die E-Mails alle gefunden, hat ein paar Substacks gefunden.
Ich habe mir ganz am Anfang ein paar E-Mails von meiner privaten E-Mail weitergeleitet.
Das heißt, auch das hat er gesehen, dass es nicht von mir quasi war, sondern was eben in der E-Mail selber drin war.
dass der Body sozusagen bei vielen sehr HTML-heavy ist.
Das heißt, er muss quasi verschiedene Newsletter verschiedenartig lesen.
Was ich interessant finde, weil früher wäre es so gewesen, dass man die anders hätte quasi ansteuern müssen.
Also die HTML-artigen hätte man anders gelesen als quasi nur die textlastigen.
Ich weiß noch, ich habe mir sowas vor zwei Jahren oder so mal aufgesetzt, relativ aufwendig über so einen Workflow.
Ich weiß gar nicht mehr, welches Tool das damals war, NetN oder so.
Und da habe ich die ganzen RSS-Feeds rausgezogen, damit ich das alles in Text hatte.
Ja, ich weiß es auch.
Ja, genau.
Ich glaube dann irgendwie über diese RSS-Feeds mir die Zusammenfassung und Struktur erstellen lassen.
Aber ich weiß noch, dass das war nicht unlösbar, aber auf jeden Fall nicht so flawless wie heute.
Ja, genau.
So, und dann habe ich das quasi so zusammengestellt.
Dann habe ich ihm einmal den Befehl gegeben, run now.
damit er das Ganze einmal testet.
Dann habe ich gesehen, also er hat an der Stelle 14 Threads gefunden, also nicht nur 10 sozusagen.
Hat dann noch zwei, drei Confirmation-E-Mails da wieder rausgefiltert und hat dann alle zusammengefasst.
Und hier nochmal, um zu sehen, also welches in dieser Woche waren.
Das war The Information, dann war es Professor G.
Markits, das ist von Professor Galloway, dann The AI Corner, Mike Law.
Philipp Klöckner, AI Secret, Bay Area Times.
Und dann sind die anderen fünf Subscriptions, das war Not Boring, A16Z und so weiter, die waren noch nicht in der Inbox.
Ich habe eine Zeit festgelegt, 8 Uhr morgens, und habe außerdem noch gesagt, dass bitte alle transaktionalen E-Mails automatisch rausgefiltert werden sollen.
Also irgendwie sowas wie ...
Confirmed Subscription oder irgendwie Marketing-E-Mails und so weiter, falls ich irgendwo aus Versehen mich angemeldet habe.
Das soll ja alles rausgehen.
So, und dann habe ich meine erste E-Mail bekommen.
So, diese erste E-Mail war natürlich ein sehr zusammengequetschter Text, der wenig lesbar war und so weiter.
Das heißt, ich habe dann noch ein zweites, habe diesen Prompt quasi oder diesen Workflow erweitert darum, dass ich gebeten habe, das in HTML zu formatieren, dass jeder Newsletter quasi einen kleinen Blog hat.
Mit einmal Summary, mit den Key Headlines und den Background sozusagen.
Und ich denke, man kann das beliebig erweitern, vor allen Dingen, indem man meinetwegen, wenn es fünf, sechs Firmen gibt, an denen man ein besonderes Interesse hat, kann man an der Stelle total einfach, glaube ich, sagen, hey, sollten die Wörter Anthropic, OpenAI, Google oder so.
erwähnt werden, dann bitte search gleichzeitig nochmal für Background-Infos zu den Themen und füge sie der ganzen Summary hinzu.
Und ich fand das sehr sinnvoll, weil an der Stelle natürlich, also ich wie gesagt nicht so viel lesen kann und weil ich damit quasi die Essenz, also das, was aus dem Ganzen, aus der Woche heraus distilliert wurde, auf einen Blick zu sehen habe und natürlich ist es noch schwieriger.
Relevanz an der Stelle festzulegen.
Ich habe selber, als ich mal so einen Workflow gebaut habe mit Azure's Foundry, damit sehr gestruggelt, wie man genau diese Separierung von Signal und Noise macht.
Das heißt, da muss man dem Modell, dann kann man das auch wiederum erweitern und dem halt nochmal sehr genaue Instruktionen geben, wie man genau Signal und Noise definiert.
Also man kann sagen, irgendwie Mac-7-Companies, Unternehmen von einer gewissen Größe und wie man auch alles Relevanz definiert.
Aber auch für diese Definition.
würde ich immer das Modell fragen, was es als Definition sieht und das dann selber mit den eigenen Gedanken ergänzen quasi.
Also, voilà.
Das heißt, ich habe jeden Morgen einen Tag gemacht, habe ich in meinem eigenen Newsletter.
Natürlich jetzt mit deinem zusammen, aber deiner ist ohnehin der, den ich immer lese und sehe.
Aber deiner kommt sonntags.
Yes, yes, genau.
Aber weißt du, was du gerade erklärt hast?
Das ist das wichtigste Prinzip, was wir auch jeder, jeder Person in den Kopf, Ein Pflanzen, mit der wir zusammenarbeiten.
Und zwar KI zu nutzen, um KI besser zu nutzen.
Also KI kann, wenn du weißt, was du willst und das erklären kannst, können die heutigen KI-Modelle mit den ganzen Schnittstellen und so, die sie haben, im Hintergrund die Workflows so aufbauen, dass KI diese Workflows immer wieder ausführen kann.
Und am Ende geht es nur darum, das zu iterieren und immer wieder Feedback zu geben.
Also genau das, was du beschrieben hast.
Ja, genau.
Und übrigens ein Anwendungsfall, über den ich nachgedacht habe, aber den ich noch nicht gebaut habe, aber den ich bauen würde, glaube ich, wäre, diese ganzen Daily Wirtschafts-Podcasts so zusammenzufassen, dass ich daraus Trading-Empfehlungen ableiten würde.
Also das heißt, wenn du wirklich so die smartesten Leute zusammen decidieren könntest.
Und das Ganze ist ja auch nicht schwer, weil man es über die Shownotes machen könnte.
Das heißt, du kannst ja ganz einfach bei Apple zum Beispiel, bei Apple Podcasts sind ja immer die Shownotes da.
Das heißt, ich habe es noch nicht probiert, aber irgendwie, oder es gibt ja noch andere Podcast-Plattformen, müsste es sehr möglich sein, sich die Shownotes als Texte zu ziehen.
Entweder per API oder per Scraper, keine Ahnung, was auch immer es gibt.
Und dann daraus quasi direkte Trading-Empfehlungen abzuleiten.
Also ich finde gerade nämlich diese marktbeobachtende...
Funktionen von KI oder die Fähigkeit finde ich so interessant, weil eben diese riesen Datenmengen gleichzeitig beobachtet werden können.
Und das ist eben, das ist auch mein zweiter Anwendungsfall.
Das heißt, was ich sagte, ich muss in meiner Industrie, das ist halt wahnsinnig mühsam, weil ich muss nicht nur die Sektoren quasi, in denen ich arbeite und das ist überwiegend Energie und Chemie, die ich will sagen überwachen.
Aber zumindest muss ich verstehen, was da passiert.
Ich mache viel AI oder überwiegende AI.
Das heißt, ich muss immer auf dem absoluten letzten Stand sein im Hinblick AIs.
Aber dann ist Beratung ja selber noch ein Animal of its own.
Also das heißt, auch die Beratungsindustrie ist quasi ein kompletter Sektor.
Das heißt, ich muss diese drei Sektoren quasi permanent im Auge behalten.
Und das ist relativ zeitaufwendig.
Das ist jetzt nicht schwer, aber es ist halt zeitaufwendig.
Das heißt...
Mein nächster Prompt war, dass ich gesagt habe, now I would like to build a Market Watch Tool for what the big four consultancies and MBB, und das ist McKinsey, Bain, BCG, are doing in Germany also in form of a newsletter.
So, das heißt, und ich spreche immer mit dem Modell Englisch, weil mein Gefühl ist, dass es wesentlich besser auf Englisch funktioniert.
Das heißt, ich habe gesagt, ich möchte jetzt bitte ein Marktbeobachtungstool gebaut bekommen.
für die Big Four, also das ist KPMG, PwC, Deloitte und EY, und eben die anderen dreien und auch dazu ein Newsletter zu bekommen.
Und dann hat das Modell auch netterweise gesagt, so, got it, Monday is covering all angles.
Ich finde Claude Mann ziemlich witzig.
Und dann haben wir halt überlegt, so, was könnten die Also aus welchen Gesichtspunkten, aus welchen Blickwinkeln gucken wir uns das quasi an?
Und das heißt, wir haben dann geguckt, was sind sozusagen, also was sind quasi die Hebel?
Und da können wir sehen, dass die, was an persönlichen, also an Staff sozusagen, quasi passiert ist.
Das heißt, was sie an neuen Projekten haben, also was öffentlich ist.
Dann, was sie sehen, welche, ob es Layoffs gibt, also Restrukturierungsstils sind momentan sehr, sehr in den Medien dann das nächste, was wir geguckt haben oder was das Modell auch mit mir zusammen geguckt hat.
Ich habe selber überlegt und dann wieder das Modell überlegt, was wir halt in diesen Prompt selber, in diesen sehr langen Prompt dann reinschreiben.
Das heißt, wir haben geguckt, was gibt es für Partner Announcements.
Also gerade bei MBB, da ist immer die, also bei McKinsey Bain und PCG.
PCG, da sind immer die, da sind diese, haben die Partner Announcements sehr viel, sehr viel Tragweite.
Und dann haben wir nochmal geguckt, was ist, also haben diese Prompts beziehungsweise diese Unterkategorien quasi noch näher definiert.
Das heißt, wir haben das runterkaskadiert.
Was genau heißt das für diese sechs Firmen sozusagen bei den People Moves?
Das heißt, wir haben es noch mal runter und haben gesagt, das sind nicht nur Partner Appointments, das sind Leadership Changes.
Das sind Notable Hires and Exits.
Dann bei den Kunden und Deals und Projekten haben wir nochmal genau runter.
Das ist ebenfalls in neue Mandate, in größere Projekte, in Kundengewinne und so weiter.
Dann die nächste Kategorie war für mich Publications and Research.
Also das heißt Veröffentlichung und Forschung.
Und das heißt, wir haben da geguckt, was gibt es für Reports, Studies, Forecasts und so weiter.
Und dann eben noch die letzten zwei, das war einmal Strategie und Expansion.
Das heißt, wir haben geguckt, was gibt es für Office Openings, Restrukturierung, neue Büros grundsätzlich oder New Practice Areas.
Und dann eben in dem Bereich Headcounts und Layoffs gab es irgendwelche Job Cuts, Hiring Freezes.
Also das heißt, wurden Leute entlassen oder gab es oder hat man entschlossen, nicht neue Leute einzustellen.
Und so haben wir das.
quasi das Modell und ich, wir, ich rede schon so, haben wir das gemeinsam uns erarbeitet und dann gemeinsam in diesem Prompt quasi geschrieben.
Und dann haben wir dem Ganzen noch Colored Tags gegeben, also haben diese einzelnen Headlines in verschiedene Farben getönigt, um das Ganze ein bisschen übersichtlicher zu machen.
Und weil ja Newsletter meistens noch so eine Art Call to Action am Ende haben, habe ich noch so eine Box gemacht mit Trends to Watch.
Also was passiert gerade am Markt und dazu sollte jede Firma so ein bisschen die hauptsächlichen...
Oder da gibt es halt Beobachtungen zu den hauptsächlichen Trends bei den einzelnen Firmen.
So, und das Ganze wird wieder in Gmail quasi gedraftet.
Und dazu braucht das Modell des Gmail-MCP-Draft-Tool.
Also das heißt, da muss man selber nichts machen.
Aber dieser MCP-Server ist sozusagen die Connection zwischen den beiden Firmen Anthropic und Google, wenn man so möchte.
Und das Ganze wird als HTML formatiert.
Automatisch braucht man nichts mehr machen.
Man sagt so, run now, kann man da nochmal reinschreiben in den Prompt und dann wird das Ganze getestet und voila.
Also hat ebenfalls funktioniert alles super.
Und das hast du jetzt als so eine, ich glaube bei Claude heißt das ja Routine, oder?
Also so eine Routine, die dann immer zu einem bestimmten Zeitpunkt wiederholt abläuft.
Ja, es ist ein Scheduled Task.
Also bei mir ist es ein Scheduled Task.
Vielleicht heißt es bei der Routine.
I don't know.
Also ich habe so der Cowork sozusagen.
Kann sein, dass es, aber ja, also Weekly Consulting Market Watch ist bei mir auf jeden Fall jetzt als Task scheduled.
Kurz in eigener Sache.
Wenn dir der AI First Podcast gefällt und du mehr spannende Inhalte und hochkarätige Gäste hören möchtest, dann freue ich mich über deine Unterstützung.
Mit einer Fünf-Sterne-Bewertung und einem Abo für den Podcast hilfst du uns, sichtbarer zu werden und AI First weiterzuentwickeln.
Für dich und die gesamte Community.
Ich danke dir.
Ich meine, das ist ja schon sehr spannend, wenn wir mal überlegen, mal auch nur zwölf Monate zurück, wie aufwendig das teilweise noch war, sich solche Workflows zusammenzubauen.
Man musste die ganzen Datenfelder mappen.
Du musst es halt...
ein Tool haben, was die ganzen Schnittstellen hatte.
Wenn es die Schnittstellen nicht hatte, musstest du irgendwelche Webhooks oder APIs selbst einrichten und, und, und.
Ich meine, gut, du nutzt jetzt relativ viel Standard-Tooling, aber trotzdem ist es total faszinierend, wie KI diese ganze Komplexität wegabstrahiert hat, indem KI einfach umdrauf gesetzt wird und du nur noch mit natürlicher Sprache beschreiben musst, was du haben willst und alles, was dann technisch zusammengeknüpft werden muss, damit das funktioniert, halt mittlerweile schon von KI.
übernommen wird.
Und das wird ja wahrscheinlich bei allen möglichen Interfaces so sein.
Absolut.
Ja, und vor allen Dingen, was ich besonders begrüße, ist eben der Wegfall der Schnittstellen, wie du gesagt hast.
Also jede API ist immer anfällig für Probleme.
Also APIs sind wie so die, ich glaube, beim Klempnern sagt man die Muffen, oder?
Also zumindest die Verteilung, das sind so diese kleinen, wenn du so möchtest, diese kleinen Ringe, die zwei Rohre zusammenbringen.
Und aus dem einen Rohr kommen quasi die Daten der einen Seite und am anderen die anderen Seite und die wollen halt entweder durchfließen oder was mitnehmen, wie auch immer.
Auf jeden Fall ist das der Zugang.
Und wie so ein Schlüssel und ein Schlüsselloch.
Und es gibt immer Probleme und Theater mit den APIs und den Schnittstellen und irgendwas hat nicht funktioniert.
Und das Ganze, diese MCP-Protokolle machen das wirklich...
viel einfacher.
Und dadurch, dass die Verantwortung für das Funktionieren dieser Schnittstellen eben bei den jeweiligen Modellen beziehungsweise Google liegt, ist das natürlich, funktioniert es dann reibungslos so.
Naja, und mein dritter Anwendungsfall war für meine Shownotes beim Podcast, weil ich muss sagen, ich verbrauche wirklich, also wenn ich mir Wenn ich realistisch bin, brauche ich für einen Podcast bestimmt, also ich brauche immer anderthalb Stunden sowas zum Aufnehmen in Summe, dass dann brauche ich bestimmt anderthalb Stunden Nachbereitung, bestimmt anderthalb Stunden Vorbereitung.
Also wenn ich die Socials und so weiter mit einberechne und den LinkedIn-Post und so weiter dazu.
Das heißt, ich komme also mit viel Liebe auf fünf, sechs Stunden Arbeit pro Podcast, würde ich sagen.
Fünf, sechs, sieben Stunden.
Also es ist fast ein Tag Arbeit, ja.
Und ich habe natürlich überlegt, was kann ich da automatisieren?
Und ich finde, man kann wenig automatisieren, ehrlich gesagt, außer jetzt eben die Shownotes.
Und wie mache ich das so?
In dem Kontext war es so, wir nehmen immer bei Riverside auf.
Und Riverside hat unter Settings, haben die den API-Key.
Das ist das, was ich eben sage.
Das heißt, das ist die Dokumentation, wie man diese beiden Systeme konnektiert.
Und ich habe ebenfalls bei Anthropic...
haben eben den Prompt gegeben, dass ich bitte meine Show, dass ich bitte Shownotes generieren möchte und zwar mit einmal dem Titel, dann dem Untertitel, dann dem Beschreiben, dann den Timemarks, also den Timestamps.
Das steht ja unter jedem Podcast, steht dann irgendwie bei, keine Ahnung, Minute 32, Felix sagt das.
Und dann eben mit den entsprechenden Links und den Quellen.
Und das heißt, man muss auch das relativ gut ausdefinieren, was man sehen möchte.
Und ich habe dann den API-Key connected mit Claude und ziehe mir darüber den Text-File.
Also das heißt, der Text-File ist bei, die Transkription ist bei Riverside hinterlegt.
Ich ziehe mir den Text-File und mache daraus dann relativ einfach die Show und so.
Und jetzt muss ich sagen, das hat nur bedingt gut funktioniert.
Ich habe es probiert und war semi-begeistert.
Womit es aber gut funktioniert hat, und das war auch ein großes Learning für mich, war, dass wenn ich mir einfach selber diese scheiß Text-File-Datei runterlade und die einmal kopiere und bei Gemini reinkopiere, das heißt, dass ihr das Fenster, was eh schon offen ist, neben meinem eigentlichen Vorbereitungssheet, dann das da einmal nur Copy-Paste zu machen mit meinem existierenden Prompt, es ist viel schneller.
das so zu machen, als wenn ich das Ganze über die API mir ziehe.
Und das ist auch eines der großen Learnings grundsätzlich rund um KI, fand ich immer, dass man viele Dinge gar nicht automatisieren muss, weil wir ohnehin so schnell sind.
Ich muss keine 30 Sekunden E-Mail mit einem anderthalbstündigen Setup automatisieren, wenn es gar nicht möglich ist.
Verstehst du?
Das heißt, da habe ich zwei verschiedene Wege zur Automatisierung probiert, gesucht, gefunden.
Das ist automatisiert, aber eigentlich völlig unnötig, weil so geht es am schnellsten.
Ja, meine Workaround-Lösung.
Was sagst du?
Ja, also was ich vor allem interessant finde, ist, dass die eingebauten KI-Funktionen in sämtlichen Produkten, wie jetzt zum Beispiel so eine Podcast-Nachbereitung, wo du ja auch Shownotes und so weiter rausbekommen könntest aus Podcast-Tools, also in meinem zum Beispiel, sind immer wieder so unfassbar schlecht gemacht.
Ja, ich weiß.
Weißt du, weil eigentlich würde ich aber erwarten, das ist ja genau das Tool, in dem ich halt die ganze Zeit das mache und ich habe da mein Transkript und ich will eigentlich, dass automatisch da der Workflow weitergedacht wird und die Assets rausputzen, die man normalerweise nach so einem...
Video, Audio, Aufnahme, was auch immer es ist, benötigt.
Und dass ich das vielleicht noch da drin direkt so ein bisschen customisen kann.
Aber es ist halt immer wieder in extrem vielen Produkten so schlecht gemacht, diese KI-Integration, dass sie fast nicht brauchbar ist.
Und auch wenn man sich das dann woanders nicht automatisieren muss, aber zumindest die Notwendigkeit, dass man es woanders sich nochmal bauen muss, das finde ich schon immer wieder verrückt.
Es ist auch verrückt, aber es ist teuer, Felix.
Ich will gar nicht wissen, die haben einfach, ich glaube, die Marge, auch gerade bei Riverside und so weiter, gibt es nicht her, dass jeder User dann irgendwie 20 verschiedene Shownotes-Variationen irgendwie, ich will sagen, rendert, aber generiert und dann am Ende kommt vielleicht doch nichts Probates raus.
Also ich glaube, dass einfach diese kleineren Unternehmen wie Riverside und so weiter, die können das gar nicht.
die können das gar nicht leisten, mit diesen großen Modellen zu konkurrieren, weil die Vorgänge, die ja im Hintergrund passieren, sind ja doch relativ komplex.
Und man braucht schon, also es hat sich ja auch wahnsinnig verbessert.
Ich meine, erinnere dich mal an die ersten Variationen.
Vor einem Jahr konnten wir es nicht machen.
Also da hat es nicht funktioniert.
Inzwischen kannst du bei Gemini die gesamte, alle Links, alles, worüber man gesprochen hat, werden automatisch rausgesucht.
Du kannst ja auch aus HTML exportieren.
Ziemlich gut geworden, finde ich.
Nur man muss eben wissen, wie man es am besten einsetzt sozusagen.
An welchen Stellen lohnt es sich, an welchen Stellen lohnt es sich nicht.
Im Prinzip, finde ich, muss KI so sein, dass du sie gar nicht merkst, dass sie im Hintergrund irgendwie vollautomatisch funktioniert, dass du sie kaum siehst, dass alle möglichen Prozesse, die nervig sind, dass die automatisiert werden.
Aber an sich nicht, dass du dich damit irgendwie groß rumärgern musst.
Das ist meine Empfindung.
Wenn man sich rumärgert mit der KI, also wenn die Modelle nicht funktionieren, dann sollte man es, glaube ich, sehr schnell sein lassen, weil es wird nicht besser.
Also der zweite Prompt wird nichts Besseres rausbringen.
Rein statistisch ist es so, dass die Wissenschaft sagt, dass wenn es am Anfang nicht funktioniert, dann wird es von dort aus nur noch schlechter.
Können wir auch gerne verlinken.
Auf jeden Fall mein Learning.
Nein, aber das ist tatsächlich so, dass die Wahrscheinlichkeit, dass ein Modell halluziniert, steigt ab dem zweiten Prompt.
Ich glaube, ich habe das in deinem letzten Podcast auch gesagt.
Können wir auch verlinken.
Also man kann es auch positiv phrisen, dass die Zuverlässigkeit der Modelle immer weiter steigt.
Aber es ist immer noch so, dass der zweite Prompt eine, ich glaube, 112-prozentige, also höhere Wahrscheinlichkeit hat, zu...
Halluzinier als der Erste.
Aber wenn ich einen Punkt eingebe, irgendwie mit fünf Wörtern da irgendwas hinrotze und ich bekomme nicht das raus, was ich raus haben möchte und dann reflektiere ich vielleicht, vielleicht ist das Problem ja nicht die KI, sondern doch das, was davor sitzt und ich schreibe einen besseren Prompt, wo ich etwas mehr Kontext gebe und vielleicht meine Anweisungen spezifiziere, dann steigt doch die Wahrscheinlichkeit, dass ein besseres Ergebnis rauskommt oder nicht.
Ja, wahrscheinlich bei dir, weil du dann so weit reflektierst.
Aber der Standardnutzer hat wahrscheinlich nicht die Fähigkeit, im zweiten Punkt das wesentlich besser zu machen, weil sonst hat er es wahrscheinlich im ersten gemacht.
Make it ten times better.
Ja.
Naja, aber wir werden sehen.
Also wir werden sehen, wie sich das entwickelt.
Auf jeden Fall.
Das sind so, das sind meine Hauptanwendungsfälle und wie gesagt, arbeite ich gerade oder überlege Spiele mit dem Gedanken, eins für eine wirtschaftliche Marktbeobachtung zu machen.
Also das heißt, sich aus den von den Sort-Liedern sozusagen die Empfehlung machen lassen.
Ich meine, es gibt einen anderen guten Anwendungsfall, ist natürlich, dass man sich zum Beispiel so Beraterboards zusammenschustert, indem man verschiedene Personas einen beraten lässt.
Das mache ich häufig auch, dass ich sage, nehme an, du bist so und so, was würdest du dazu sagen?
Und es ist ein bisschen so, je nachdem, wer man auswählt, weiß man schon eigentlich, welche Meinung man bekommt, aber es ist so ein bisschen um den eigenen Gusto oder auch den Duktus zu bestätigen, dass man in die richtige Richtung läuft.
Aber ich denke auch, das ist eine super sinnvolle Anwendung.
Sehr cool.
Also wir hatten den Newsletter Digest, die Wettbewerbs- oder Marktbeobachtung und dann am Ende die Podcast-Nachbereitung.
Ich meine, alle haben gemeinsam, dass du große Mengen an unstrukturierten Daten für dich so aufbereiten lässt, dass du daraus schneller Schlüsse ziehen und Entscheidungen treffen kannst.
Oder ich meine, beim Podcast ist es vor allem Routine, Nachbearbeitung, das auf das Wesentliche zusammenfassen.
Da war jetzt aber nichts dabei, wo du dir irgendwie groß neue Sachen generieren lässt.
Nee, weil auch da sehe ich, habe ich ähnliche Probleme wie alle anderen auch, dass ich die Stabilität relativ schwer finde.
Also mit den kommerziellen...
verfügbaren, zum Beispiel Videomodellen oder beziehungsweise Bildmodellen, ist es sehr schwer, immer wieder das Gleiche zu bekommen.
Auch wenn es, klar, Nano, Banana und so weiter, es gibt da schon kleine Tipps und Tricks in der Stabilität, aber dann muss man wirklich die sehr teuren Modelle einkaufen und das geht dann irgendwann, finde ich, ins Geld.
Also ich gebe jetzt schon Hunderte jeden Monat für irgendwie AI-Modelle und Newsletter-Subscriptions aus.
Also irgendwann ist der Mehrwert auch nicht mehr da, wenn man das selber dann auch einfach schnell fixen kann.
Liz, vielen, vielen Dank.
War sehr spannend, dir zuzuhören.
Und ich will es nochmal allen sagen, die sich solche Sachen noch nicht gebaut haben.
Ihr habt es jetzt gerade von Liz gehört.
Es geht vor allem darum, die KI seines Vertrauens aufzumachen, der zu erklären, was man bauen möchte.
dann durch den ganzen Prozess sich durchführen zu lassen, immer wieder zu testen und Feedback zu geben, was man angepasst haben möchte.
Und die KI nimmt die ganze technische Komplexität und Arbeit mittlerweile von euch ab.
Also es gibt keine Ausrede mehr, sich sowas nicht zu bauen.
Vielen Dank, dass du da warst und uns da mal Einblicke gegeben hast.
Jetzt noch zu Tech & Tales rübergehen.
Einmal auf Abonnieren klicken, denn am Samstag...
Morgen, wenn du jetzt heute am Freitag diesen Podcast hier hörst, werde ich dort noch drei geheime Anwendungsfälle von mir teilen.
Ich freue mich sehr.
Ich hoffe, dass sie so ein bisschen mehr exciting sind als meine.
Meine sind schon sehr basic.
Aber ich glaube, es ist auch wichtig, einfach in das Selbstverständnis zu kommen und in den Alltag das zu integrieren.
Ich finde das gut.
Ja, sehr basic.
Also ich hoffe, dass deine Hörer nicht zu viel erwartet haben oder nicht zu komplexe oder viel komplexere Use Cases erwartet haben.
Ich glaube nur, dass manchmal so die Schönheit in der Einfachheit liegt.
Ja, und ganz ehrlich, es wird immer über diese, ich bin ja da auch Weltmeister drin, über so große...
Begriffe irgendwie zu nutzen für so, wie wir KI nutzen, KI-Betriebssystem, da spreche ich ständig drüber.
Und die Frage ist immer, was ist das eigentlich?
Wie kann ich das nutzen?
Wie hilft mir das jetzt halt ganz konkret?
Und das waren halt drei ganz konkrete Anwendungsfälle.
Und es hat mich auch auf ein paar Ideen gebracht, weil ich nutze das zum Beispiel noch gar nicht.
Ich lese mir keine KI-News mehr durch, weil es so viel geworden ist.
Und gleichzeitig denke ich manchmal, jetzt hier und da doch schon mal einen Überblick zu bekommen, was so abgeht, wäre doch nicht verkehrt.
Also ich werde mir sowas wahrscheinlich jetzt auch mal aufsetzen.
Ja, sehr basic.
Okay.
Magdeobacht und mag ich, der kriege ich nur FOMO.
AI-FOMO.
Sehr gut.
Also hat mich sehr gefreut.
Vielen Dank und bis bald.
Bis zum nächsten Mal.