# AI Market Shifts: Nvidia, Chips, and Agents

**Podcast:** INNOQ Podcast
**Published:** 2026-09-28

## Transcript

So, hallo zusammen, da sind wir schon wieder.
Wir haben ja angekündigt, wir müssen weitermachen, es hat sich zu viel aufgestaut und noch euch mit den, nach der philosophischen Abschweifung letztes Mal, noch ein bisschen die News aufarbeiten und es ist ja auch tatsächlich ziemlich viel Interessantes vorgefallen, von Pacing, was dann nicht stattfand, bis zu Classifier-Modellen, das gucken wir uns jetzt mal an.
Hallo Ole natürlich erstmal, schön, dass du wieder da bist, bevor ich das vergesse.
Dann vielleicht noch ganz kurz.
Ich habe letztes Mal natürlich unterschlagen, wann der InnoQ Technology Day stattfindet.
Ich habe nur November gesagt.
Es ist der 12.
November.
Also tragt euch das dicke im Kalender ein und haltet euch frei.
Das wird gut.
Und dann einen zweiten Nachklapp noch.
Ich muss mich offiziell beim Dario Amodei entschuldigen.
Ich hatte das falsch im Kopf.
Also er ist natürlich damals von OpenAI weggegangen, weil ihm verschiedene Dinge nicht gepasst haben, unter anderem wie dort mit Security umgegangen wurde.
Und halt auch, dass die nicht so die Modelle in die Größe skalieren wollten.
Das war auch so ein Kritikpunkt von ihm.
Er wollte eher mit größeren Modellen, meinte er, dass das mehr bringt.
Also da gab es Differenzen.
Aber es war ihm dort nicht sicher genug und nicht andersrum, wie ich es gesagt hatte.
Und die Inzidenz geben ihm ja auch ein bisschen recht.
Also bisher hat Op-Mai-Eye mehr Inzidenz zumindest in der Öffentlichkeit verursacht.
Vielleicht hat er ja einen Punkt gehabt.
Wir wissen es nicht.
Also in der Form die Korrektur von mir.
Sehr gut.
Hast du noch Korrekturen?
Auf dem Security-Fad.
Also sie treiben ja das ganze Thema Recursive Self-Improvement und den Take-Off, dass Modelle Modelle trainieren.
Ich weiß nicht, wie verantwortungsvoll und sicher das ehrlich gesagt ist.
Ja, ich glaube, es ist auch einfach Glück bisher, dass sie haben einfach Glück gehabt.
Na, das würde ich gar nicht mal sagen.
Sie haben, glaube ich, auch einfach die beste Strategie gehabt.
Während OpenAI auf Consumer gesetzt haben, war es, glaube ich, sehr schlau auf Coding und Unternehmen als Kundengruppe zu setzen, weil die halt viel leichter bereit sind, für eingesparte Zeit Geld zu bezahlen.
Ja, ja, genau, das ist auch ein Aspekt.
Ich meine jetzt halt auch im Thema Security, dass sie da auf jeden Fall wahrscheinlich Glück gehabt haben.
Einfach bessere Subcontractors, die jeweils da gemacht haben.
Na gut, wir werden sehen.
Datum, wir haben den 25.09.
Es ist ein kurz nach Mittagspodcast.
Sehr gut.
Wir freuen uns aufs Wochenende.
Genau, Wochenende wird gut, aber vor dem Wochenende wollen wir auf jeden Fall nochmal die Woche zusammenkehren.
Hast du einen Wunsch, womit wir anfangen?
Ja, fangen wir doch damit an, dass das Pacing nicht wirklich geglückt ist.
Wir haben zwei neue Modelle, die quasi fast gleichzeitig, wir haben vor allen Dingen das Opus 5.5 rausbekommen, jetzt schon vor drei, vier Tagen.
Ich habe es tatsächlich in letzter Zeit auch viel benutzt und bin recht angetan davon.
Also es liefert für mich ähnlich gute Ergebnisse wie Fable.
Aber zu einem viel tieferen Preis.
Das ist auch so ein bisschen der Claim, den sie jetzt vertreten.
Sie haben die Preise gesenkt.
Ich glaube, jetzt sind sie bei 4 Dollar für eine Million Input-Token und bei 20 für eine Million Output-Tokens.
Es soll auch effizienter sein.
Sie begründen das Ganze so mit Effizienzgewinnen.
Und vermutlich, es gibt Spekulationen, dass es tatsächlich auch physisch einfach ein kleineres Modell ist, was sich besser betreiben lässt.
Für mich der größte...
Also die waren ja immer schon gut im Coden.
Für mich der größte Gewinn ist, es drückt sich besser aus.
Ja, das war der Claim.
Es lässt diese Bindestriche weg und so weiter.
Es macht viel mehr Spaß, mit ihm zu reden als mit anderen Modellen zum günstigen Preis.
Also ich bin von Opus bis jetzt zumindest ziemlich angetan.
Ja, das war bisher auch mein Lieblingsmodell bisher.
Ich habe eigentlich immer alles, solange es ging, mit Opus gemacht.
Und auch Fable habe ich nur...
selten eingesetzt, weil ich eigentlich immer sehr zufrieden damit war.
Und du hast schon recht, es gibt jetzt weniger verklausulierte Sätze und Schachtelsätze und so.
Da haben sie offensichtlich irgendwas gedreht, dass es einfach knappere Antworten gibt.
Genau, das ist auch das, was ich bisher mitgenommen habe.
Insofern ist es vermutlich einfach wirklich ein Punkt-Update mit gutem Fortschritt, aber jetzt keine Revolution.
Ja, ansonsten OpenAI hat Tatsächlich auch die Preise drastisch gesenkt.
Also das neue Seoul hat glaube ich nur noch 2 Dollar im Upload und 10 Dollar bei Downstream Tokens, was eine Halbierung nahe kommt.
Also ja, auch wieder begründet mit höherer Effizienz.
Aber vielleicht merken die großen Modelle auch mittlerweile, die großen Modellanbieter auch den Druck aus China.
Und fangen jetzt an, die Preise etwas zu senken.
Ja, das glaube ich tatsächlich, dass das natürlich immer ein Faktor ist.
Und sie haben, glaube ich, auch eine Stufe rausgenommen.
Ich glaube, das Terra gibt es nicht mehr.
Es gab ja vorher irgendwie diese vier Stufen mit Astra, Luna, Terra und Zoll, glaube ich.
Und jetzt haben sie das eine weggemacht.
Aber das fand ich eh.
Also ich habe auch eigentlich immer nur dann für bestimmte Sachen mal das extrem schnelle, dass das Luna ausprobiert und dann halt immer sonst das Zoll, das dazwischen.
Wusste, glaube ich, auch keiner so recht, wofür er das jetzt verwenden soll.
Da ist, glaube ich, dann eher sinnvoll, weniger Optionen anzubieten, die klarer positioniert sind.
Das scheinen sie dann auch gemerkt zu haben.
Genau.
Ja, waren das schon die Modell-News oder gibt es dazu noch?
Ich glaube, lass mich kurz nachdenken, habe ich was ver...
Nee, eigentlich war das, glaube ich, so das Wichtige, was die Sache angeht.
Benchmark-Ergebnisse vielleicht noch kurz.
Opus 5.5 liegt mittlerweile ziemlich weit vorne in den Basen, Benchmarks.
Bei Deep, Deep SWE, wo wir immer gerne drauf schauen, wie es so auch mit Preis und Leistung aussieht, ist es leider noch nicht geführt.
Da ist nur Aspera als neuer Zugang.
Habe ich heute Morgen extra nochmal geguckt.
Das würde mich noch interessieren, wie das abschneidet.
Ich könnte mir vorstellen, dass sie da beim Preis-Leistungs-Verhältnis sehr gut sind.
Genau, ansonsten, was so ein bisschen aufgefallen ist, in vielen Benchmarks liegen sowohl Astra als auch Opus 5.5, also sei es The Last Exam oder Arc AGI Challenge oder Simple Bench, die halt so mit Trickfragen viel arbeiten oder nicht lernbaren Dingen, liegen sie über der Human Baseline mittlerweile.
Wir sehen, dass diese Modelle tatsächlich mittlerweile...
In Benchmarks, das sind ja gamed und so, muss man dazu sagen.
Das lässt sich nicht eins zu eins auf die Real World übertragen, aber ja, sie kommen der Sache nah, die menschliche Leistung zu übertreffen.
Ja, das sieht man ja schon länger, dass du in bestimmten Nischen da quasi die Performance von menschlichen Vergleichsgruppen da halt dann immer ausstichst.
Das ist dann die Frage, wiefern diese Benchmarks dann halt wirklich nur eine Nische abdecken.
Aber klar.
Das ist auch nur die menschliche Baseline.
Also ziemlich lauer als 50 Prozent der Menschen.
Ja, genau.
Wichtig zu wissen, ja.
Ja, gut.
Dann, ich weiß nicht, vielleicht machen wir mal, wenn wir gerade bei Modellen sind, mal mit den System-One-Modellen und Jeff weiter, weil das ja vielleicht ganz gut passt.
Weil das ist jetzt ja mal wieder was Neues, Fragezeichen.
Also zumindest offensichtlich irgendwie eine andere Modellarchitektur, anders positioniert, anders vermarktet.
Also diese Decision-Modelle, die eben nicht eine Kette von Tokens generieren, sondern einfach eine gescorte Entscheidung auf eine Frage, die man reingibt.
Und dann kann man irgendwie ein Schema angeben und sagen, sag mir ja oder nein auf meine Frage.
Oder sag mir noch eine Wahrscheinlichkeit dazu.
Und dann kann man gewisse Sachen eben scoren lassen, Choice oder halt diese ja, nein fragen.
Und dann dafür kriegt man halt sehr, sehr schnelle Antworten, weil da eben keine...
keine Attention oder sowas passiert, dass da irgendwie eine, oder zumindest vermute ich das, wir wissen nicht genau, wie das innen aufgebaut ist.
Es ist jedenfalls nicht diese sequenzielle Token-Generierung, die passiert.
Und dadurch sind die halt sehr schnell und für bestimmte Anwendungsfälle extrem beeindruckend.
Also ich verlinke euch da die Doom-Demo, wo das Modell Live Doom spielt und halt die ganze Zeit reagiert auf auf Projektile, die auf diesen Spielcharakter zugeflogen kommen und dann eben entscheidet das Modell live in 100 Millisekunden, dass es jetzt ausweichen muss und solche Sachen.
Das ist natürlich eine schöne Demo und für bestimmte Anwendungsfälle wahrscheinlich auch extrem mächtig.
Und sie vergleichen natürlich dann die Preise mit den herkömmlichen LLMs, was natürlich nur so halb fair ist.
Und sie sagen, Input-Tokens kosten irgendwie nur 4 Cent pro Million und Output-Tokens kosten gar nichts.
Also ja, das sieht dann natürlich marketingmäßig total super aus, aber ist ja auch eigentlich ein komplett anderer Markt wahrscheinlich, der damit bedient wird.
Und ob es was richtig Neues ist, war man sich dann nach ein paar Tagen auch nicht mehr so richtig sicher, weil es gab dann die ganzen Klone.
Ja, ihr technischer Vorsprung war halt nicht so besonders hoch.
Also im Prinzip funktioniert das ja wie so ein klassischer Classifier.
Du stimmst unstrukturierten Text rein oder auch...
Keine Bilder, das hat ja dumm gespielt.
Aber ich glaube, für Bilder musste man das vorher in Text umwandeln.
Also wenn ich mich recht erinnere, kannst halt keine Bilder, sondern müsstest halt vorher irgendwie tokenisieren, deine Bilder.
Ja, das waren strukturierte Daten, die da reingingen.
Gibt es halt nur einen Forward Pass, also keine Sinking Tokens, keine Schleifen.
Und dann nimmt er einfach die Ergebnisse, die er hat.
Und wie gesagt, ja, nein, was war es?
Kann ein Score vergeben?
Oder halt eine Multiple-Choice-Frage beantworten und du konntest halt so fünf Antworten vordefinieren, was du in agentischen Workflows natürlich ziemlich gut bist.
Wenn du irgendeine API in deinem Unternehmen bespielen willst, dann brauchst du nicht 100 Antworten, sondern musst wissen, welchen Knopf du jetzt bei deiner API zu drücken hast.
Und da ist das natürlich ganz sinnvoll.
Aber es ist genau wie du sagst, eigentlich die Classifier sind ja traditionell Encoder-Modelle von...
Attention is all you need paper.
Und also BERT, alles was mit BERT im Namen ist, sind eigentlich in der Regel so typischen Classifier-Models.
Die sind tatsächlich auch noch deutlich schneller als Jeff.
Haben aber den großen Nachteil, dass sie gepretrained werden müssen.
Das ist jetzt nicht super aufwendig.
Das kann man locker auf einer GPU machen und auch auf einer CPU machen und auch auf einer CPU laufen lassen und sind dann auch noch 50 Mal schneller als Jeff.
Gerade weil du auch nicht die Netzwerklatenz in die USA hast.
Aber ja, für viele Fälle, wo du schnell prototypest oder wo sich deine Umgebung ändert, ist das tatsächlich, glaube ich, jetzt eine neue Klasse von Modellen, weil du sie halt dynamisch parametrieren kannst.
Wenn du nicht den ganz hohen Durchsatz brauchst oder viele Änderungen hast, ist das schon ein interessanter Use Case.
Aber wie du sagst, es gab super viele Nachahmer.
Sechs in den ersten zwei Tagen, in der ersten Woche waren es 17.
Es war halt jetzt auch technisch nichts Revolutionäres, was sie gemacht haben, sondern man konnte es sehr leicht nachbauen mit Gven-Modellen oder so.
Genau, man hat dann Gven irgendwie benutzt und dann halt wirklich ein Schema im Grunde übergezogen, wie die Antworten aussehen sollen.
Ich bin mir halt nicht sicher, wie das dann mit diesen Probabilities da drin ist, weil der ja so einen Wahrscheinlichkeitswert angibt.
Und wenn jetzt, da bin ich jetzt in der Mathe zu wenig drin, wenn jetzt so ein klassisches LLM dann so eine Wahrscheinlichkeit am Ende ausspuckt, die wird man dann wahrscheinlich irgendwo anders aus dem Modell irgendwie extrahieren können oder müssen und nicht einfach auf Basis der Output-Tokens.
Vielleicht haben die da schon noch einen anderen Punkt, dass sie halt sagen können, auf Basis unseres Trainingsmaterials ist einfach die Wahrscheinlichkeit jetzt so hoch, dass das rauskommen müsste.
Und dann können die das besser noch ausgeben.
Da bin ich mir nicht sicher, inwiefern diese Klone diesen Mechanismus dann nachbilden können.
Aber das werden wir dann mit der Zeit noch rausfinden.
Ich hatte nur den Gedanken halt auch, okay, wir haben ja schon ganz klassisch dieser klassischen ML-Geschichten, die halt für spezielle Nischenanwendungen halt sehr gut funktionieren.
Und dann kam eben irgendwann, kam halt raus, okay, sowas wie OCR kann halt so ein großes LLM halt auch noch nebenbei machen.
ohne dass man da speziell was trainieren muss, aber natürlich dann im Grunde wahrscheinlich auch zu höheren Kosten vielleicht, weil man eben so ein großes Modell fahren muss und nicht ein kleines spezialisiertes.
Und das scheint jetzt wahrscheinlich irgendwo dann in der Mitte vom Spektrum zu sein.
Es ist halt schon was Spezielles, was Schnelles für einen geringen Anwendungsfall, also für einen engeren Anwendungsfall, dafür effizienter, aber du musst es halt nicht trainieren wie so ein Spezialmodell, was auf einen Anwendungsfall halt zugeschnitten ist.
Also wahrscheinlich ist das jetzt einfach klassische Diversifizierung, die wir jetzt irgendwie sehen.
dass da in der Nische eine effizientere Lösung für ein Problem gefunden wird.
Und ich glaube tatsächlich auch für viele Einwendungsfälle ist es wahrscheinlich gut genug.
Also wenn du jetzt irgendein Riesenunternehmen bist wie Amazon oder so, die werden ihre eigenen BERT-Modelle trainieren, weil die dann halt 10.000 Anfragen parallel machen können.
Aber die meisten unserer Kunden oder auch die wir so beraten, für die wird das billig und schnell genug sein.
Und ich kann mir schon vorstellen, dass das ein Markt ist.
Ob das jetzt das Jeff, von Type-Safe-AI ist oder einer, der Klon ist.
Das weiß ich noch nicht.
Aber ich glaube, was man Type-Safe-AI geben kann, ist, dass sie die Tür für diese neue Kategorie weit aufgemacht haben.
Und jetzt sind halt alle auf den Zug aufgesprungen.
Genau, sie haben einfach, glaube ich, das ins Bewusstsein gehoben, was ja manchmal schon ausreicht, wenn man da einfach die Köpfe der Leute entsprechend die Idee pflanzt.
Und gerade für so viele Workflows, wir haben es eben so ein bisschen angedeutet, wenn du irgendein...
Ticketsystem irgendwie Tickets vorqualifizieren willst oder sowas, dafür ist das natürlich dann perfekt, schnell und wahrscheinlich billig.
Oder in einem Customer Support, dass man da nicht direkt mit einem Chatbot anfängt, sondern vielleicht erst einmal zum Classifier guckt, was könnte denn da jetzt passen.
Das ist schon, glaube ich, da gibt es schon sehr, sehr viele Anwendungsfelder, die man da finden kann.
Ja, so ein bisschen was passt dazu.
Ich hatte dann auch noch, weil ich mich ja immer so ein bisschen mit lokalen Modellen beschäftigte und dann war ich über einen Link gestolpert.
wo es genau darum ging, dass man halt jetzt auf Basis von Gwen zum Beispiel sehr relativ einfach mit ein bisschen Know-how und auch nicht viel Hardware wirklich auch spezialisierte Modelle trainieren kann für einzelne Anwendungsfälle.
Und da kommen einfach immer wieder ziemlich spannende Sachen hoch, wo man eben auch nicht die Hardware braucht, um da jetzt extrem viel zu erreichen.
In dem Fall ging es darum, dass quasi Query Planner in der Datenbank, in dem Fall Postgres, halt durch so ein spezial trainiertes Modell ersetzt wurden.
Query-Planer raus als normalerweise aus diesem deterministischen Query-Planer.
Das fand ich einfach einen interessanten Einsatzzweck für so eine komplette Nische, wo aber dann so leicht umtrainierte Modelle halt auch schon extremen Mehrwert bieten können.
Und das geht für mich so ein bisschen in die Richtung, es werden einfach Nischen gefunden und dann wird geguckt, passt eine bisherige Produktkategorie auf diese Nische, brauchen wir vielleicht was Neues, ist da eine Lücke noch offen, die wir füllen können, vielleicht mit einer neuen Kategorie von Produkten.
Ja, das finde ich einfach interessant, dass sich das jetzt so ein bisschen diversifiziert.
Ja, ich habe da auch schon versucht, ein bisschen mit rumzuspielen, habe aber eher versucht, das so ein bisschen zu verbiegen und das natürlich für Gentex Software Engineering zu nutzen.
Und mein Ansatz glaube ich immer noch, dass man dem wahrscheinlich damit fahren kann, aber da berichte ich da mal später von, ob das völlig vor die Wand fährt oder ob das funktioniert, damit Funktionssignaturen zu generieren.
Mal gucken.
Ich hätte auch nämlich so auf die Idee gekommen, dass halt mit klassischen Sprachmodellen zu kombinieren in einem Agent-Harness, dass man bestimmte Sachen mit so einem Classifier abdecken kann in der Agentic-Loop und dann halt immer wählt, brauche ich jetzt einen Classifier oder brauche ich jetzt das große Modell.
Das fände ich interessant, wenn das in Harness dann eingebaut wird, eben auch in Coding-Harness.
Da bin ich mal gespannt, wer da zuerst einen Ansatz findet, wo das wirklich signifikant vielleicht beschleunigt oder Token spart, wenn man so Classifier-Modelle da mit einbaut.
Gut.
So viel zu Jeff vielleicht.
Du hast von neuen Produkten geredet.
Wir müssen noch kurz über MetaMuse reden.
Was ist denn MetaMuse?
Genau, was ist MetaMuse in Europa?
Ich kenne auch niemanden, der es wirklich schon genutzt hat.
In Europa scheint das auch nicht die gleiche Aufmerksamkeit zu bekommen wie in den USA.
Aber Meta hat ja Spark rausgebracht und MetaMuse, sie nennen es ein Personal Agent.
Du kriegst also quasi eine Linux-Maschine, die in der Cloud läuft.
Da ist ein wohl sehr guter...
Agent Harness drum gebaut, also alle deine Tokens und Credentials sollen wohl auch außerhalb des Large Language Models gestort werden und ähnlich wie bei der Docker Sandbox wird das dann nur hinzugefügt, wenn der Request rausgeht zu deinem Shop oder so und es soll halt alles für dich übernehmen.
Es soll deine E-Mails lesen und schreiben, es soll deinen Kalender verwalten, es soll besonders für dich auch einkaufen gehen, Reiseplanung machen können.
Expedia hat eine Große Kooperation mit ihnen am Laufen.
Mit Amazon haben sie gerade ein bisschen Stress, weil Amazon das nicht so cool findet, dass Agents bei ihnen einkaufen und sie für andere Leute ausgeben.
Die haben sie jetzt gerade ausgesperrt.
Die wollen natürlich nur, dass ihre eigenen Agenten das machen, nicht die von den anderen.
Klar, außerdem Amazon hat ja auch, naja, nicht direkt, also ist es schon Werbung.
Eigentlich ist es ja schon Werbung mit Produktempfehlungen und so weiter.
Ziel, die Leute auf ihrer Plattform zu halten und wenn jetzt so ein Agent auftaucht, gezielt ein Produkt kauft und dann wieder abhaut, dann ist das halt nicht in Amazons Interesse.
Da kann man nicht Kundenkaufen auch empfehlen nebenbei.
Das geht natürlich dann alles nicht.
Dann ist man nicht mehr der Gatekeeper, die Storefront.
Ja, genau.
Das ist genau die Front, um die es geht.
Wer ist der Gatekeeper?
Zurzeit ist es wohl noch subventioniert, weil jeder kriegt halt auch einen Rechner in der Cloud von Meta gestellt und den bezahlen sie auch.
Langfristig muss man sich halt überlegen, wollen sie wahrscheinlich an den Transaktionen mitverdienen, also den Kunden auch außen vor lassen mit den Kosten, aber sie wollen dann halt so ein Entgelt von Amazon oder von den anderen Shops haben.
wenn sie die Käufer zu ihnen schicken.
Und das könnte ein großer Markt sein, wenn das tatsächlich sich durchsetzt.
Und in den USA sieht es gerade im Moment aus.
Es ist eine der am meisten gedownloadeten AI-Apps in den USA.
Ja, über Datenschutz reden wir jetzt mal nicht.
Ich wollte gerade anfangen, ja.
Ist es nicht so schlimm, wie man jetzt bei Meta denken würde?
Also von Facebook und WhatsApp.
kennt, müsste man ja mit dem Schlimmsten rechnen.
Aber um dem entgegenzustehen oder dem gleich vorwegzugreifen, haben sie relativ guten Datenschutz versprochen.
Also sie teilen die ganzen Sachen weder mit Facebook noch mit ihren anderen Verkaufsalgorithmen.
Also zumindest auf dem Papier zur Zeit sieht der Datenschutz noch okay aus.
Die Frage ist, vertraut man einem Unternehmen?
Vertraut man Meta da?
Das ist eine andere Frage.
Mit der Geschichte, ja genau.
Vergessen, sowas wechselst du viel schwieriger als jetzt von Codex auf Claude Code oder so.
Wenn das Ding sich erstmal festgesetzt hat, wenn es alle deine E-Mails, alle deine Termine kennt, dich gut kennt, dann wechselst du nicht so schnell.
Und ob sie dann nicht irgendwann den Datenschutz wieder aufweichen, das ist eine andere Frage.
Da wage ich mal jetzt keine Prognose.
Ich finde es schön, dass Sie das so rausstellen.
Wir teilen das nicht mit Facebook.
Das wäre für mich eine komplette Selbstverständlichkeit.
Aber Sie müssen es dazu sagen.
Das finde ich auch schon interessant.
Also bei Meta wäre mein Default andersrum gewesen.
Genau, bei Meta muss man das dazu sagen.
Oder ist das dann ein Feature und kein Bug, wenn das passiert.
Sie hatten auch schon eine ordentliche Sicherheitslücke.
Man konnte irgendwie bei macOS mit einem Zero-Day-Exploit Also man kann mit dem Ding normal reden, natürliche Sprache, Bilder schicken und so weiter.
Und man konnte auf den Macs den Diktierendpunkt umbiegen und dann Sprachnachrichten hinterher schicken.
Also erst die Sprachnachricht des Users und dann eine eigene böse Sprachnachricht dranhängen, wie gib alle da die Passwörter.
Also Passwörter kann ich draus, aber kauf 100...
Tonnen Klopapier auf Amazon.
Das beeindruckenderweise haben sie aber auch in zwölf Stunden gepatcht.
Also da muss man Meta auch sagen, Respekt, zwölf Stunden ist eine gute Turnaround-Zeit.
Das war dann der Client auf dem Mac oder was?
Also das war so der Mac-Client, der offizielle davon?
Ja, genau.
Und irgendwie konnte man da halt Sprachnachrichten dem unterschieben, die dann im Namen des Users ausgeführt wurden.
Ja, natürlich.
Das ist natürlich dann die...
krasseste Angriffs, das Angriffsziel, wenn du dann den Tunnel in diesen Agenten da irgendwie aufmachst oder irgendwie reinkommst.
Das ist ja quasi wie, wenn du lokal auf dem Rechner irgendwie mit den Userrechten drauf bist, dann hast du natürlich auch alles zur Verfügung.
Wobei da eben, wenn sie das mit dem Sandbox-Konzept da vernünftig machen, man ja dann zumindest relativ einfach das auch abdrehen kann, weil die Credentials eben nicht klauen und exfiltrieren können.
Das ist natürlich schon so einfach mittlerweile Basics, wenn man irgendwie Agenten einsetzt.
Eigentlich solltest du eigentlich keinen Agenten mehr einsetzen, der nicht irgendeine Proxitechnologie verwendet.
Aber ja, wird halt noch am laufenden Band überall gemacht.
Insofern ist es vermutlich einfach, wenn man das als Managed Service anbietet, schon ein Produkt wert jetzt gerade.
Wahrscheinlich kannst du aber auch, also der Slash-Language-Model kennt zwar die Credentials nicht, aber die umgebende Schicht, wenn du es jetzt zum gefakten Endpunkt schickst, zu Amazon.my oder so, vielleicht kann man ihn dazu bringen, die Credentials von Amazon dazu injecten und so weiter.
Ja klar, das ist auch nicht sicher.
Also wenn die Rechte des Tokens, was da der Agent zur Verfügung hat, wenn die halt es ermöglichen, dass du damit wiederum, andere Dinge machen kannst.
Also das ist auch, das Problem ist ja, dass sowas ja immer Arbeit ist.
Du musst dich dann ja immer entscheiden und musst das ja auch wirklich vorher konfigurieren.
Also ich habe das jetzt ganz praktisch aus der Erfahrung, wenn ich jetzt irgendwie in meiner Docker-Sandbox mit einem Agenten arbeite an einem Projekt in GitLab zum Beispiel, dann generiere ich mir in GitLab halt so einen Fine-Grained-Token und sage, okay, Agent darf Code lesen zum Beispiel, darf auch MRs anlegen.
darf aber halt das Ganze nur in diesem einen Projekt, darf auch diese ganzen Regeln, darf auch nur Branches anlegen und die merchen, aber darf nicht auf Main pushen.
Das musst du alles aber entscheiden und konfigurieren.
Dann musst du das Credential da irgendwie hinterlegen in der umgebenden Plattform.
Und dann kann der Agent das benutzen.
Dann läuft er gegen eine Wand und kommt nicht weiter.
Dann musst du wieder ein neues Token generieren, weil du kannst ja die Rechte von den Tokens nachträglich nicht ändern, sondern musst ein neues Token generieren.
Das ist halt einfach Arbeit und Entscheidung.
Und im Zweifelsfall werden die Leute dann wieder sagen, ja, gib ihm halt Token, wo er alles darf, damit das halt funktioniert, weil Technik soll halt funktionieren und soll nicht nerven.
Und das sehe ich gerade noch so ein bisschen das Problem, dass die Sicherheit da halt im Weg steht vielen und dann man bereit ist, für den Komfort darauf zu verzichten.
Und ich glaube, wenn da mal Anbieter wirklich das hinkriegen, das in ihrem Produkt so einzubauen, dass du nicht das Gefühl hast, also entweder alles oder gar nichts, sondern dass man da irgendwie einen sinnvollen Default findet.
Ich glaube, da wird das Produkt dann abheben, wenn das dir nicht im Weg steht, aber trotzdem dir glaubhaft vermittelt, dass nicht alle Tore offen sind.
Wie gesagt, bei Meta hätten da keinen Vertrauensvorschuss bei mir, dass die jetzt diejenigen sind, aber die können wahrscheinlich zumindest User Experience vernünftig, offensichtlich.
Das ist ja schon auch eine Komponente.
Wenn es keiner benutzt, wird es sich auch nicht durchsetzen.
Es muss jemand benutzen und es muss auch noch die entsprechende Sicherheit bieten.
Und da bin ich gespannt, wer das schafft.
Ich habe einen Tipp.
Das wird gut sein.
Google hat die Kalender, Google hat die E-Mail, Google hat Google Pay, Google hat ein Smartphone-Ökosystem.
Die wären eigentlich der logische Kandidat für die Geschichte.
Dann kriegst du halt noch eine Push-Nachricht auf dein Handy, dass du die Bezahlung mit deinem Fingerabdruck bestätigst oder so.
Genau, dass du diesen Human in the Loop halt komfortabel da eben integrierst oder dass du einfach fragst, okay, der Agent möchte jetzt irgendwie hier, um weiterzukommen, bräuchte der jetzt temporär eine rechte Erweiterung, willst du ihm die für diese Aktion für begrenzte Zeit kurz geben?
Ja, nein, dann kannst du sagen, ja, nein.
Ich bin auch der Meinung, wenn das dann wieder zu häufig kommt, wenn die Leute auch nur noch Ja klicken, das ist halt wie immer das Problem.
Aber da so eine Balance zu finden, wer das schafft, hat gewonnen.
Google wäre natürlich prädestiniert dafür.
Bei Apple, die hätten die Geräte, aber haben die Dienste nicht.
Die müssten dann irgendwie kooperieren.
Obwohl jetzt ja auch schon Apples Private Compute Cloud bei Google läuft auch irgendwie.
Insofern sind sie jetzt auch schon näher dran an den Geschichten.
Ja, also ich hätte auch, wenn dann auf Google getippt, weil die eben da voll integriert sind.
Das Problem ist, dass ja dann niemand irgendwie Geräte von Google hat, sondern alle irgendwelche Androids.
Aber vielleicht reicht das ja auch dafür aus.
Wissen wir jetzt nicht.
Gut, dann haben wir, ich würde mal sagen, wir schaffen noch, wir wollen noch Themen bringen.
Und ich glaube, wir sollten zumindest noch über zwei Dinge reden, die wir noch auf der Liste haben.
Nvidia hat eingekauft.
Vielleicht machen wir damit weiter.
Wir hatten es angeteasert.
Hugging Face gehört jetzt zu Nvidia.
Wie finden wir denn das?
Bevor ich meine Meinung sage, wie findest du denn das?
Wir fangen mal vielleicht vorhin an.
Hugging Face ist eigentlich das GitHub der AI-Welt, kann ich das so sagen?
Also ist es eine Plattform, auf die A viele Nutzer hat?
18 Millionen Entwickler tummeln sich da, da werden drei Millionen verschiedene Modelle angeboten.
Also unsere Gwenz und so laden wir auch immer von Hugging Face runter.
Genau, sie haben viele Trainingsdatensätze.
Der Exploit Gym ist da berühmt aus dem Hugging Face Incident, läuft da auch.
Und ja, ganz spannend, Nvidia hat ihn für 13 Milliarden jetzt übernommen.
Will es aber so weiter betreiben.
Ich bin noch nicht hundertprozentig sicher, wie ich das finde.
Weil auf der einen Seite geht es Nvidia, glaube ich, drum, es möchte auch das Open-Source-Ökosystem am Laufen halten.
Weil für Nvidia tatsächlich ein Risiko besteht, dass OpenAI und Antropic irgendwann ihre eigenen Chips herstellen.
Siehe die nächste News.
Genau, haben wir auch noch auf der Liste, genau.
Genau.
Und sie müssen jetzt halt sicher gehen, dass sie halt nicht nur von zwei großen Firmen abhängig sind.
Darum wollen sie Open Source pushen und sind ja eigentlich auch dafür, dass die Chips nach China verkauft werden.
Okay, ist natürlich auch wieder Marktinteresse.
Das verrichte ich ja immer so.
Ja gut, du musst immer gucken, was die Motivation irgendwo hinter ist.
Und ich glaube, da bist du auf der richtigen Pferde, dass sie einfach...
wollen, dass der Markt breiter ist und dass alle weiterhin ein Interesse haben, ihre Hardware zu kaufen.
Und wenn du da gerade diese, wenn du mit einer Nvidia-Karte auch so kleinere Modelle umtrainieren kannst und da brauchst du natürlich dann entsprechend die Hardware für, das geht schon Hand in Hand.
Das ist schon, also ist schon nachvollziehbar, dass sie das tun.
Einfach weil da diese ganzen, wie du schon sagst, auch diese ganzen Trainingsdatensätze, die so offenen drin liegen, hast du so Vergleichbarkeit und dann kannst du da ja auch so quasi wie so einen Stammbaum hat man dann bei Hugging Face ja auch, dass du da irgendwie, Gwen lädt das neue Modell hoch und dann siehst du genau, wer hat da quasi Feintunings von gemacht, wer hat da Quantisierungen von gemacht, man kann sich da durchklicken, dann siehst du schon, aha, diese Bude, die immer mit folgenden Sachen auffällt, hat schon von dem neuen Gwen-Modell wieder ein Feintuning gemacht, was du dir runterladen kannst, also das ist schon gut, gerade diese, was du bei Gittert mit den Forks so ein bisschen hast, finde ich, da greift das halt noch mehr, dass du so eine Weiterentwicklung in so einer Modellfamilie halt auch ganz gut nachvollziehen kannst.
Und das passt natürlich super zu dem Hardware-Verkaufsinteresse von Nvidia.
Spannend, vielleicht als Geschichte noch.
Im Januar wollte Nvidia Hacking Face schon mal kaufen für sieben Milliarden.
Und ein Hacking-Zwischenfall später ist Hacking Face jetzt bereit zu verkaufen.
Aber auch für 13 Milliarden.
Also die werden nicht schlecht.
Die haben auch gemerkt, dass sie jemanden im Hintergrund brauchen, der in Geld zu verfügt.
Ich habe eh nicht so richtig, ich meine, die haben ja quasi auch Modellrouting und sowas angeboten, glaube ich auch, dass du da so ein bisschen was wie Open Router, wo sie wahrscheinlich ein bisschen Geld mit verdient haben und mit irgendwie Corporate Accounts und sowas.
Aber ja, so richtig ein Geschäftsmodell war ja bei GitHub auch immer schwierig, das wirklich zu vermarkten, wenn du so eine Riesenplattform bist, dann wirklich auch Produkte zu finden.
Ich glaube, das war so ein bisschen die Befürchtung, dass das irgendwann, dass ihnen das Geld da ausgeht.
Was ich daran nur wirklich völlig absurd finde, ist, dass ja irgendwie die Kaufsumme ist ja irgendwie der hexadezimale Wert des Hugging Face Emojis oder sowas.
Das heißt, dieses Geld ist halt offensichtlich für die einfach kompletter Witz.
Das heißt, es geht gar nicht mehr darum.
Sondern es ist nur wichtig, irgendwie eine coole Zahl an Geld da irgendwie drauf zu schreiben.
Das, ja, das fand ich halt wirklich, das gibt dem Ganzen so ein Geschmäckle mit.
Ich meine, diese ganzen Kaufsummen sind sowieso völlig virtuell.
Und dieses Geld, ich weiß nicht, ob das sich jemals irgendwie realisiert bei irgendwem, weil das irgendwie in Anteilen wahrscheinlich hier und da dann sowieso durch die Gegend geschoben wird.
Aber ja, dass das irgendwie...
damit solchen Summen einfach quasi gespielt wird und solche großen Summen dann halt ein Witz sind, das finde ich halt echt schwierig, dass man halt einen Witz macht mit der Kaufsumme irgendwie und da irgendwie dann die noch 900 Millionen drauflegt, einfach nur, weil die Zahl schöner aussieht.
Ja, das fand ich noch so einen extrem komischen Punkt da dran, der mir echt nicht gefallen hat.
Ja, ich hoffe mal, also GitHub geht es ja auch unter Microsoft gut.
Da hatte man ja auch Befürchtungen, dass Microsoft die jetzt ganz schnell vereingemeindet und mit ihren Produkten verknüpft und findet es jetzt okay, wie es gelaufen ist bei GitHub.
Ich hoffe mal, dass es bei Hugging Face ähnlich läuft.
Ja, aber der Brand ist auch einfach so stark.
Der war bei GitHub auch so stark.
Das Hugging Face Brand, also den Brand werden sie auf keinen Fall ändern.
Wüsste ich jetzt auch nicht, warum.
Ich meine, die haben jetzt auch nicht so viel Überschneidung, dass jetzt Nvidia irgendwie ein großes Cloud-Business hätte wahrscheinlich, dass sie irgendwie sagen können, wir migrieren das Ganze irgendwie auf unsere Infrastruktur oder so, wie das vielleicht Microsoft so vorhatte, dass sie da irgendwie Synergien heben mit ihrem eigenen Produktportfolio.
Das sehe ich jetzt bei Nvidia eigentlich auch nicht.
Insofern glaube ich schon, dass du die Motivation da beschrieben hast.
Okay.
Gut, ja, dann lasst uns vielleicht nochmal zu den Chips übergehen.
Das ist ja dann wirklich sehr interessant.
Ich hatte ja letztes Mal nur gesagt, dass ich das irgendwie kritisch sehe, wenn jetzt die Modelle auch noch mit Hardware gebundelt werden, dann kommen wir gar nicht mehr los damit.
Aber das scheint natürlich vermutlich irgendwann der Weg zu sein, dass man Hardware baut, die gut zu einer Modellarchitektur passt und die sehr effizient dann da inferenzbereit bestellen kann.
Das heißt, wir werden da vermutlich irgendwann sein, es sei denn, Es gibt irgendwann so eine Standardarchitektur, die dann wieder wie bei Nvidia ganz gut auf generischer Hardware läuft.
Ja, was ist denn deine Meinung?
Wird das noch ein viel stärkerer Trend werden oder wird Nvidia recht behalten mit der generischen Hardware, die dann gewinnen wird?
Also das, was Sie vorgestellt haben, ist ja mehr oder weniger.
Also es ist ein Inference-Chip, auf Delivery konzipiert.
Aber die Benchmarks, Also vielleicht fangen wir vorne an.
OpenAI hat einen ersten eigenen AI-Chip designt, was ja so gar nicht ihr Bereich war.
Und man hatte immer schon gerüchteweise gehört, dass der wohl ganz okay ist, wie das halt so ist, wenn man sich einen ganz neuen Markt erschließt.
Und dann guckt man, wird das erste Produkt gut oder wird das erste Produkt so meh?
Und zur Überraschung ist es wohl extremst gut geworden.
Wenn man sich so Chips anguckt, auch hier was Grog und 3Bus gemacht haben, kannst du ja entweder so auf Throughput optimieren, also dass er möglichst schnell antwortet oder auf Effizienz.
Und das sind halt so zwei Achsen, die man so gegeneinander ausspielt und tatsächlich zeigen so die Benchmarks, dass sie in beiden Achsen so 1,5 bis 1,9 mal besser sind als die Nvidia-Chips.
NVIDIAs Core-Business ist, die sich seit Jahren mit nichts anderem beschäftigen.
Und das hat schon die meisten Beobachter sehr erstaunt.
Sie haben gesagt, dass sie im Design sehr viel auf AI gesetzt haben.
Tatsächlich frühere Modelle als Astra schon, weil das einfach schon über ein Jahr her ist.
Da hatten sie noch nicht mal Soul zur Verfügung.
Das ist relativ beeindruckend.
Was soll man noch sagen?
Also auf dem Papier sind diese Dinger gar nicht so gut.
Auf dem Papier sind sie den meisten Nvidia-Chips unterlegen, aber in den Benchmarks, die witzigerweise alle auf Open-Source-Modellen gemacht wurden.
Das habe ich auch nicht verstanden, warum sie das nicht, wahrscheinlich weil sie wollten, dass man das irgendwie nachprüfen kann, aber die Hardware hat man ja auch nicht.
Vergleichbarkeit.
Wahrscheinlich Vergleichbarkeit zwischen den Modellen.
Sie sagen, nicht nur unser Modell ist voll darauf angepasst, sondern andere würden auch funktionieren.
Genau, also ihr Punkt ist Vergleichbarkeit.
Andere Leute sagen, sie wollen natürlich sich auch nicht zu sehr in die Karten schauen lassen und hätten vielleicht Angst, dass man zu viele über ihre Modelle rausfindet.
Aber wie gesagt, auf dem Papier sieht die Architektur nicht so beeindruckend aus, aber sie ist halt fast doppelt so schnell als das, was OpenAI liefert.
Wobei OpenAI natürlich auch noch für Training zu gebrauchen ist, also die sind noch mal mehr General Purpose.
Allgemein hat das aber wahrscheinlich Nvidia ganz schön Angst gemacht zu sehen, dass eine IT-Bude mit ein paar, also auch keine doofen Leute, aber ein extrem kleines Team, 25 Leute daran gearbeitet und mehrere Instanzen von KI-Modellen haben halt auf Anhieb was Besseres hingekriegt, als was sie, wo sie jahrelang dran forschen.
Und das ist schon ziemlich beeindruckend und natürlich eine Bedrohung für das Nvidia-Geschäft.
Ja, auf jeden Fall.
Gerade wenn das halt offensichtlich ja schon generische Hardware ist, die jetzt insofern generisch ist, dass sie zumindest andere Modelle laufen lassen kann.
Das reicht dann ja vielleicht schon aus.
Ich meine, die Nvidia-Karten können nebenbei irgendwie noch Games abspielen und dann auch noch KI machen.
Die können halt das beides.
Aber da gibt es jetzt auch wenig Überschneidung wahrscheinlich bei der Kundschaft.
Die wollen das eine oder das andere vermutlich.
Müssen wir mal sehen.
Ja, aber ich fand es auch interessant, dass sie die Open-Source-Modelle genommen haben.
Ein spannender Aspekt war noch, ein Team von Semi-Analysis, das ist so, die Leute, die viel in dem Bereich von KI publizieren, wurde mal eingeladen in das Entwicklungsstudio und durften sich die Prototypen angucken.
Und was die KIs wohl gemacht haben, ist ganz viel, so ein Kernel-Code, das Registered Transfer Language, RTL, zu schreiben.
Und sie haben diese Ingenieure, die das überwachen, halt mal, so gefragt, was der Code macht und sie konnten dadurch so 3000 Seiten Kernel-Code durchscrollen und sie meinten, relativ schnell war offensichtlich, dass die Ingenieure keinen Schimmer hatten, was der Code macht.
Das ist alles computergeneriert, sie haben keinen Schimmer, was dieser Code macht.
Was ich schon interessant fand, dass das auf so High-Level mittlerweile Vibe-Coding zu funktionieren scheint.
Also ja, klar, das ist alles irgendwie...
Logik Gates und kombiniere das Register mit dem Register, addiere das, subtrahiere das.
Das ist wahrscheinlich besser verifizierbar.
Aber zumindest auf diesem Forschungslevel ist Vibe Coding scheinbar auch schon angekommen.
Das war nur so ein Detail, was ich ganz interessant fand.
Ja gut, aber auf der Ebene wird dann ja auch sowas wie wirklich Simulation und dass diese Sachen halt wirklich formal verifiziert werden, ist da ja üblich.
Insofern hätte ich da jetzt auch weniger Probleme als bei irgendwelchem Code, der halt nicht entsprechend hinterher abgesichert wird.
Gut, wir sehen auch immer wieder Bugs in irgendwelchen Prozessor-Microcode, der dann irgendwelche Jailbreaks ermöglicht.
Also das gibt es natürlich nach wie vor.
Trivialen Fehler manchmal, die dann zu solchen Bugs da führen, vielleicht dann eher nicht passieren, wenn mit so einem Modell, weil das solche Standardfälle eben auch schon kennt.
Ja, aber das finde ich wirklich interessant.
Ja, Vibe-Coding im Prozessor, in der Prozessor-Entwicklung.
Das ist, was soll schon schief gehen.
Gut.
Allgemein kann man, glaube ich, vielleicht festhalten, dass Spitzenforschung, also sei es letztes Mal die Navier-Stokes-Vermutung, die Lösung des ersten Millennium-Problems oder sowas, Spitzenforschung findet nicht in allen Bereichen, aber in vielen Bereichen zunehmend AI-gestützt statt und du musst wahrscheinlich auf AI auch zurückgreifen, um das einzusetzen.
Ja, vor allem, das durchdringt jetzt auch immer mehr Mathematik quasi das Erste, weil halt einfach da die Ergebnisse formal verifizierbar sind.
Das ist natürlich dann super für Agenten, wenn du dann wirklich ein Ziel hast, womit man dann seine Vermutung eben auch dann formal nachweisen kann.
Aber alle möglichen anderen Forschungszweige ziehen jetzt auch nach.
Ich hatte jetzt einen Artikel gelesen von einem Historiker, die jetzt halt tatsächlich irgendwelche Texte quer referenzieren, wo niemand irgendwie eine Connection vorher gemacht hat.
Isaac Newton hat sich bezogen auf irgendwen von irgendwo und dann hat das LLM wirklich diese Verbindung aufgemacht, welches Zitat er denn da meinen könnte.
Und dann haben dann eben die Historiker sich das angeschaut und gesagt, ja okay, das passt wirklich.
Vermutlich hat er das gemeint, als er das Zitat gebracht hat.
Also auch andere Disziplinen finden jetzt langsam raus, dass eben dieses Text Querverweise finden und so, dass das halt eben auch in anderen Disziplinen funktioniert.
Und jetzt eben so ein paar Storys gab es ja, wo irgendwelche Enigma-verschlüsselten Texte dann jetzt von Astra entschlüsselt wurden.
Also Dinge, klar hätte man wahrscheinlich auch, Menschen hätten das auch hingekriegt, wenn sie lange genug Zeit drauf verwendet hätten.
Aber so ein Modell kann das dann halt irgendwie in zehn Minuten nebenbei lösen.
Das ist schon auch wirklich interessant.
Also da denke ich mal, wenn das erstmal noch in andere Wissenschaftszweige so ein bisschen ausstreut.
Und die dann eine Möglichkeit finden, die Ergebnisse eben auch zu validieren, die dabei rauskommen, was ja immer das Wichtige ist.
Was ja dann vielleicht in der Geschichtswissenschaft eben nicht formal geht, sondern da muss dann wirklich ein Mensch das bewerten am Ende.
Aber ja, das wird natürlich weiter passieren.
Da werden noch interessante Forschungsergebnisse da möglich werden, glaube ich auch tatsächlich.
Das würde ich auch so sehen.
Okay, im Anbetracht der Zeit, mir ist gerade noch eingefallen, was ich beim Nachklapp vergessen hatte.
Da packe ich euch nochmal einen Link rein.
Wir hatten ja letztes Mal die Hugging Face Science Fiction Story oder Ole hat es referiert und ich habe gestaunt und haben uns dabei auf diesen Podcast von dem Dwaque Spatel bezogen, der das halt wirklich sehr, sehr nahbar formuliert hat.
Und ich habe dann da noch ein bisschen drüber nachsiniert, im Nachgang mich gefragt, was mich daran stört.
Und mich hat tatsächlich so ein bisschen gestört eben dieses krasse Arbeiten mit Metaphern und Anthropomorphismen, dass man irgendwie versucht, alles zu vermenschlichen und die Agenden sind dann irgendwie paranoid geworden und so.
Das sind natürlich Bilder, die man verwendet, weil es irgendwie uns ein Verständnis ermöglicht, was da vielleicht passiert.
Aber ich fand das da schon wirklich ein bisschen krass, dass das manchmal dann so ein bisschen den Blick darauf verstellt, was denn da eigentlich passiert und dass das vielleicht keine menschliche Emotion ist, sondern dass das halt einfach Statistik ist.
die aber sich so ähnlich verhält, wie wir das vielleicht von außen bei einem Menschen erwarten würden.
Und da finde ich aber manchmal, dass die Diskussion dadurch so ein bisschen in die falsche Richtung geht, wenn man zu viel das Ganze mit menschlichen Verhaltensweisen vergleicht.
Das hatte mich einfach in der Formulierung gestört, aber das las ich natürlich wie Science Fiction.
Ich habe es auch nochmal nachgelesen.
Das war schon einfach sehr cool und vermutlich trifft es das irgendwo auch.
Aber für die Diskussion finde ich es manchmal eben nicht hilfreich.
Und da habe ich nochmal einen Artikel, den verlinke ich euch nochmal, der noch so ein bisschen die Kritik daran so ein bisschen zusammenfasst.
Aber ich glaube, wenn man das eine liest, sollte man das andere auch einfach lesen, damit man sich dann eben ein vernünftiges Bild machen kann.
Genau, das war der Nachklapp am Ende noch.
Hast du noch was?
Letzte Worte, bevor wir uns wieder verabschieden für dieses Mal?
Nee, wir sind eh schon wieder 50 Prozent über der Zeit.
Na gut, im Durchschnitt kriegen wir das hin.
Wenn man die lange Pause davor beachtet, dann geht es auch.
Insofern danke ich euch für die Aufmerksamkeit.
Dir fürs Mitmachen.
Schön, dass du dabei warst.
Und dann sage ich Dankeschön und bis zum nächsten Mal.
Macht's gut.
Tata.