# AI Accountability and Software Reliability Strategy

**Podcast:** HMZE
**Published:** 2026-10-21

## Transcript

AI cannot be accountable.
Humans can be accountable.
Now, I don't want to use the fear of getting fired or legal penalty or imprisonment or death penalty as the reason that we get better software.
But fundamentally, the way that an engineer cares about on-call and being responsible for a piece of code is different than AI.
Welcome to another episode of our new season of Beyond Vibe Coding, partnering with Impala Search.
The go-to tech and executive search agency in Germany.
In this podcast, we explore the transformational change in software engineering and knowledge work in general.
I'm Sebastian Heidemeyer zur Erpen, CTO at Ecosia.
And I'm Andrei, CTPO at Trusted Shops.
Great to have you back.
This time, we are talking to a veteran in the software engineering space and his recent post.
Coding is not solved.
Exactly.
We're speaking with none other than Alex Evalöf, author of the book Reliability Engineering Mindset.
His points are very interesting and definitely inspire new thoughts on the topic.
I hope you find the conversation between us and him as inspiring as we did.
This is an audio-only version of our podcast.
I hope you still enjoy it.
Welcome.
Alex, wir sind sehr froh, dass du mit dir selbstverständlich ist.
In deinem Fall ist es wahrscheinlich weniger relevant als in anderen Fällen.
Aber bitte auch, dass du uns zu unseren Listenern kurzfristig bist.
Danke.
Ich bin sehr froh, Sebastian und Andrzej.
Ich bin currently der Forderung von einem ein-malen show, die Service Levels Toolboxen, die mit meinem Buch betreut, Reliability Engineering Mindset.
Das geht zurück zu meinem Erfahrung als Senior Staff Engineer.
Prior zu dem, ich habe das bei Discovery und Sheepstead und Klarna gearbeitet.
Ich habe die Intersectional-Platform Engineering und Product Engineering gearbeitet, specifically auf Reliability, wo SLI und SLO sind.
Und seit dem AI-Mainstream, dankz-to ChatGPT, habe ich auf den AI-Mainstellt.
Und seit ich auf Qualität und Reliability fokuse bin ich auf Qualität und Reliability.
Ich habe mich in der Lage, mit der Homemacht mit Apple Silicon und NVIDIA und AMD und ich experimentierte mit dem.
Aber auch für die Entwicklung, ich sehr viel rely auf die Cloud AI und Agents.
how we can make the software that is being generated with the help of AI more reliable, actually, and not just reliable, but meet the NFRs in general, right?
But before we get into this, you already hinted that your own personal tech stack is quite sophisticated and you're experimenting a lot.
And so please, yeah, let us know how you are currently working, where you utilize AI, also what kind of agents you're running.
Super curious.
Ich benutze ein widees Produkt für verschiedene Fortschritte.
Ich denke, dass diese neue Waffe von AI hat sehr fundamentalen Implicationen in der wie wir designen, bilden und behalten, aber auch, dass sie sehr unterschiedlich aus wie wir traditionellen Softwarekampen haben.
Und weil diese zwei Reiseins sind, ich denke, dass wir jetzt nicht viele Besten Praktiken haben.
Wir haben gute Praktiken und vielleicht sind die meisten von den anderen, aber ich denke, dass das ist die Zeit, dass wir alle collectively experimentieren und lernen, was für uns funktioniert, aber auch was kann, was für andere Industrie zu generieren.
Fully agree.
Und bei der Seite, das ist das ganze Podcast, die es über den ganzen Podcast, die es übernommen, die diese Best-Praktiken.
Love das.
Mit dem gesagt, ich denke, Currently, in den letzten zwei Monaten, ich kann über die Geschichte und wie ich in Lama CPP habe, wie ich meine Harnas habe, wie ich meine Harnas habe, wie ich meine Harnas habe, wie ich mit Prolog into LLAM, um Neurosymbolik und AI zu verbessern.
Ich kann über die Ausbildung sprechen, aber in den letzten zwei Monaten, mein Tech-A-Stack ist, dass ich BSCode Co-Pilot habe.
in the IDE, not in the terminal, because I still am very comfortable reading and writing code.
And I think it's all about where you exert control.
And for me, code is the right place.
Sometimes even instead of prompting, I just write a piece of code and then ask AI to do some operation based on that.
And so that's why I do coding in the IDE.
Currently, I use DeepSeek V4 Flash as the model.
The reason is because I have to pay from my own pocket for my little company, little startup, and I have to be price conscious.
But also, I think DeepSeek has striked a very good balance between performance.
I'm consistently getting more than 200 tokens per second.
But also the reliability.
It really does the job.
It's good enough.
Ich bin nicht überprüft, verschiedene Models, die die letzten Models kommen, weil es gut genug ist für meine Workflows.
Und die Preis ist wirklich, wirklich cheap.
$10 pro Woche, das ist alles, was ich muss.
Und ich habe das Account mit meinem Bruder, die ein Casual-User ist.
Es funktioniert sehr gut.
Ich benutze Gemini für Forschung.
Ich sage das oft, dass Code ist Side effect of reaching clarity.
Code is not the endgame.
And this clarity doesn't have to start with code.
I think code is actually a very expensive way to prove different ideas.
Even with AI, it takes time and tokens.
It's not completely free.
So a lot of times when I'm doing research, I use Google and I use Gemini.
And I...
Ich kann über verschiedene Ideen überprüfen.
Mein Lieblings-Tool ist ein Stück von Papers und PEN, wo ich über verschiedene Ideen und verschiedene UIs und verschiedene Worte von Ihnen in meinem Produkt herausbekommen.
Und dann, wenn ich genug Klarheit habe, manchmal ich mich über Geminiin zu verwenden, um unsere Gespräche zu verwenden, um ein Skill zu verändern, um meine AI-Agenten zu arbeiten.
und manchmal, ich einfach nur versuche mich zu schreiben, alles mit hand zu schreiben.
Und die Qualität der Resultate, die ich bekommen, depends auf wie viel Kontext ich verwende.
Ich finde, die currenten UI der Visual Studio Code zu verhindern, es gibt nur ein paar Länge, die ich kann.
Ich bin nicht sehr confortable mit dem, so ich habe ein bisschen Hack, wo ich meine Prompt in...
Obsidian, which is a Markdown editing tool.
And that allows me to kind of treat it like a little blog post, basically.
I explain all the background, I explain what I want to do, and then I even copy-paste from different files into the main prompt, and then I feed it to the AI.
And in my workflows, I have much better success when I work like this, provide all the context upfront, because that reduces the...
Risk of hallucination and AI trying to solve a problem on its best efforts, but that's not really aligned.
So I want to have more control over that.
That's why I use Obsidian for that.
I think it's actually also reflecting partly my workflow, but also we had different people here on the show who also shared that they spent really time on building the problem, providing all the context.
So it's time consuming.
I think looking at a bit of our agenda, I think we can make a cross behind the topic if you experiment a lot.
But what I want you to ask in that regard is, can you, I think you have maybe, let me elaborate.
I think you have the luxury to experiment a lot.
And I think this is really a luxury nowadays because since this is all new stuff and it's changing so fast.
You need to keep your hands dirty, so to say.
So can you give us a bit of understanding how much you are experimenting?
So is it maybe just a couple of hours a week or is it the majority of your time?
At the moment, I'm working on service levels.
wie ich das eigentliche, um sich zu verändern.
Und die Grunde ich sage, ist, dass ich bei Volvo war, wenn ich angefangen habe, ich hatte eine relativt kleine Organisation, 350 Leute, das war für mich, weil ich aus einem 40-Member Organisation kam.
Und das ist, in diesem Jahr, ich habe angefangen, um SLA und SLO zu all meinen Teams zu setzen.
Das ist circa 2022.
Das war nicht wirklich so sehr, oder Mainstream.
Die Harnesses und die Tooling waren nicht wirklich da.
Es war mir eine halbe Jahre zu coveren 80 Teams.
Und dann, nachdem ich ein bisschen größer Organisation mit 1,000 Engineers habe.
Das ist jetzt die Zeit, die AI ist auf.
Ich habe die AI aus dem Bereich, die Service Level Calculator zu verändern, um die SLA zu verändern.
Denn ein guter Service Level ist etwas, was man sich auf der Anzahl für ist.
Es ist etwas, was man sich nicht wirklich auf der Seite an.
Das ist also, dass ich das mit AI-Ai-Ai-Ai-Ai-Ai-Ai-Ai-Ai-Ai-Ai-Ai-Ai-Ai-Ai-Ai-Ai-Ai-Ai-Ai-Ai-Ai-Ai-Ai-Ai-Ai-Ai-Ai-Ai-Ai-Ai-Ai-Ai-Ai-Ai-Ai-Ai-Ai-Ai-Ai-Ai-Ai-Ai-Ai-Ai-Ai-Ai-Ai-Ai-Ai-Ai-Ai-Ai-Ai-Ai-Ai-Ai-Ai-Ai-Ai-Ai-A als IC, das nicht so ist.
Es ist nicht so, dass du in deinem Performance Review sehen kannst, dass Alex das Problem hat.
Und dann, nachdem ich war, war es mit einer großen Organisation mit 10,000 Engenheir.
Und dann war ich, okay, es ist keine Realistik-Way, dass ich diese Organisation mit mit der Traditionelle Methoden, mit allen Team und mit den Kunden, und zu den Architekten, zu identifizieren, mit SLI und SLO.
Das ist dann, wenn ich wirklich sehr, sehr, sehr überlegen, dass AI sich in der Lage ist.
Das war das Zeit, dass die Leute gesagt haben, dass sie sich die Arbeit annehmen.
Und ich dachte, okay, wenn sie sich die Arbeit annehmen, ich will, dass sie die Arbeit annehmen, weil sie das Arbeit annehmen können, das sie als ein Hörger.
So alles, was AI-Able ist, ich will, zuerst einmal experimentieren.
Und was es nicht tun kann, und wir können darüber sprechen, weil ich sage, in der Bälle zwischen den Menschen und den Computern, immer auf der Menschheit auf die Seite.
Das heißt, wir müssen auf die Dinge, die sehr human sind, wie eine Beziehung, die Kommunikation, die Menschen folgen, die Menschen, die Menschen, die Menschen, die Menschen, die Menschen.
All diese Dinge sind die wir uns auf die Fokus auf.
Die Dinge, die AI kann, wir sollten auswählen, die wir uns aufwählen können.
Die Resistance ist futile, so zu sagen.
Es gibt keine Idee, wie es sich an die resist this new wave and be too idealistic.
But also we have to be pragmatic, which I guess we can talk about, like coding is solved or not.
That is a different topic that we can talk about.
So to answer your question, with this setup, I am experimenting, partly because I have my own product, which is open source, pairs with my book, which is primarily free.
Aber auch, weil ich an einem Moment möchte, ich arbeite bei einem Unternehmen und ich denke, das ist ein tolles Ziel, dass man mit AI-Equipten kann, und man kann eigentlich verstehen, AI und es in deinem Workflow nutzen.
Aber ich shareiere ein paar Dinge, was ich auf meinem Blog und online habe.
So, hopefully, wenn man mich folgt, dann nicht zu viel zu verlieren, weil es eher mehr Zeit-Consummen zu sein, als die Early Adopter.
You have to try all different things that are wiggling in front of you.
Absolutely.
And then maybe some of them work.
So in a way, it is a time saver if people just read someone who is spending this time to experiment and build the different stuff.
I have a bunch of open source projects that I give away for free, even though it costs me time and money.
Like latest example is a little timer Chrome extension that I made, and that took me three days.
Now, I know that code is...
Es ist, quote, unquote, free these days.
Aber es ist still taking time, und es ist kostenlos, obwohl es in der Deep Sea ist.
Die Grunde ich diese Experimente mache, ist, dass ich meine Technik improve.
Das ist ein bisschen wie ein Martial-Arts-Setup, wo man viele Kata und Dojos macht und versucht, seine Technik zu verbessern.
Denn wenn man braucht das, dann weiß man genau was, was die richtige Tool ist, was die richtige Architecture ist, wie man die RISK-Assessment macht.
How do you measure the health of the tech and be able to have an informed opinion on different decisions that needs to be done?
For sure.
And that's honestly also why I am really looking forward now to the meat section, to the main section of our podcast.
Because unlike other people who are quite dogmatic against AI in any way, you are very...
about where you see the strengths of AI and where you see the weaknesses.
And that's why you're making a case for not jumping head into the AI waters, if you wish, right?
But thinking about it and taking a very measured approach to this, right?
And what sparked our interest was actually, or what's the starting point for this episode, is the...
A very comprehensive article that you wrote, Coding is Not Solved, Accountability, Quality and Agentic Engineering, which also sparked somewhat of a discussion on LinkedIn and I think on Hacker News, where you are making very explicit points on for which kind of projects you think Vibe Coding or Pure AI is good.
And for the rest, you pretty much very explicitly make strong points at why looking at code is still relevant and why software code is actually still the relevant interface, right?
So that will be the main section of our podcast today.
And yeah, to start with, maybe if you...
Could just walk us through some of the main points, because it's a very long read.
I'm not sure, maybe a 20 minute, 30 minute read.
Maybe if you could walk us through the main points of your post and then we can go into some more detailed topics.
Yes.
Before talking about my main points, I just want to talk about a couple of beliefs that I have and that comes from my experience building with AI, both using it as a...
und auch mit AI-Systemen und experimentieren mit different Open und Cloud Models.
Ich bin der Meinung, dass es ein bisschen der Dunning-Kroger-Effekt ist, wenn man mit AI-Denken hat.
Hier ist es wie es funktioniert.
Die weniger du über die Themen, die mehr du sicher bist, die auf die Themen auf den Themen zu glauben.
Now I just happen to have been coding for more than 27 years, so I know a lot about how I want my code to look like and I don't fully trust AI.
But there is another area which I know very little, that is Swedish law, and I am using AI for that and I'm getting very good results.
I get my insurance claim, I actually can save money and make money, so it's good enough.
And for me, it...
Es macht die Arbeit an der effektiven Preis-Port.
Ich muss nicht einen Lawyer oder warten an, um einen Appointment zu bekommen.
Ich bekomme meine Antwort schnell, und wenn ich die richtige Kontext bekomme, dann bekomme ich gute Ergebnisse.
Aber ich werde ich mit AI-Ai-Signung für sehr kritische Dokumente, das habe ich mit dem Motto-Ist, dass ich mich in der Präsenz oder ich habe zu bezahlen, in der Fienste.
Definitely not.
That is where I involved a lawyer.
And I think the point I'm trying to make in that article is very similar to that, but for programming.
There is a bar, there is a threshold, if you will, that below that, go and use AI all you want.
Like if you are solving a personal software, if you have it, you know, there was previously, there was many use cases that was too expensive to solve with software, but now the software is more.
Es ist ein vieles zu tun.
Einige ist Proof-of-Concept.
Wenn du ein PM oder ein BD-CEO bist, dann kannst du Proof-of-Concept.
Vorher, die PMs vergebenen PRD, Product Requirement Document, zu developers.
Und dann, sie verändern die Requirementen über die Zeit.
Aber jetzt können sie mit etwas Globabel und perfekt ihre Designen.
und dann geben die semi-finished Idee zu developers und sie können es mit der Change in Requirementen und geben etwas mehr solid und Funktionale zu developers.
Wir lieben das.
Und dann die letzte Frage ist, dass ich das Coding nicht fully solide und es ist, dass du das Risiko in dem Fall ist, dass du das Risiko und das AI-Veinionismus kannst.
You can build cyber security tools and point it at your enemies and find a hole or break their product or break their business.
So the last use case is that people actually acknowledge the fact that AI generated code is risky and use that risk to weaponize it.
Now the point I make in the article is that coding is not fully solved because LLMs are fundamentally stochastic engines.
Sie predicten die nächsten Token für autoregressive Architektur, für example.
Wenn Sie die Architektur sehen, ist es der Sampling, es gibt randomisation.
Man kann die Frage von der AI twice sagen, und man bekommt verschiedene Antworten.
So wie können Sie das Codingen, das jemand, der es Codenum, weiß, dass es Boolean logic ist.
Es ist sehr rigid.
Computers have no mercy for your feelings.
If what you have written, it doesn't compile, it doesn't compile.
And the veterans should be familiar with pulling your hairs for something that just doesn't work.
And you think about it several days, weeks even, and maybe the solution to you occurs overnight or when you're showering.
So how can LLMs that are so stochastic be successful in writing, kind of cracking the code?
Das ist ein Grund, das ist die Antwort.
Wir haben viele Feedback-Loopes und dann, hinter dem Schienen, wir einfach mit den LLM zu fixen.
Es kann es Compilation Errors, es kann Linten Errors, es kann Feedback-From-Failed-Tests und so weiter.
Mit dem, wir können die Deterministik-Resulten von Stochastic-Engine Now, is this the best approach to generate code?
No.
You can even do a trial and ask LLM to generate a piece of software for you and you can undo it and then ask the same question again.
And you see that the second trial might be slightly different.
So it is not like the LLM will find the best answer, it finds a answer.
And it becomes important because People have been, especially high-level leadership, who previously delegated to developers, they're like, how is this different from delegating to AI?
Because developers are not perfect either.
They also have an element of randomness, depending if they are tired or how much knowledge they have, how much time they have.
They may generate different solutions.
So it's not really that deterministic working with people either.
Die Antwort ist die Accountability.
Hier ist die A.I.
und Menschen, die Dramatisch sind.
A.I., das nicht mehr Gefühl hat.
Jetzt, die A.I.
ist trainiert, wie ein bisschen informiert, wie man die Menschen, wie man die Menschen.
At its core, AI doesn't have any feeling.
And this is my personal belief.
I know that the discussion about whether it is sentient or not is something that some people amuse.
I'm more pragmatic.
I don't care if it is sentient or not.
The result that I get is that it really doesn't have feelings.
It can emulate it.
So AI doesn't care about a performance review.
AI doesn't care about being...
AI doesn't care about being in prison.
How do you even put the AI in prison?
How do you even kill an AI?
You can't.
So unlike an organic creature, which is us, and we have just one life, we have limited amount of time.
We are very limited in what fits in our brain.
Each of us has different knowledge and we have to collaborate, whereas AI can vertically and horizontally grow with multi-agent, but also more powerful hardware.
AI kann nicht beantwortet werden.
Man kann sich nicht beantwortet werden.
Ich möchte nicht die Angst, die Führung von einem Spire oder einem legalen Penalty oder einem Emprisonment oder einem Death Penalty als der Grund, dass wir besser software bekommen.
Aber grundsätzlich, die Art von einem Englern interessiert, um auf der Call und zu responsablen, ist anders als AI.
Ich bin der Meinung, dass sie nicht mehr haben, aber ich bin der Meinung, dass AI einfach nur auf sich selbst ist.
Die einzige Grunde, dass wir aus dem Produktivitäts-Arbeit getrennt werden, ist, dass wir es in der Harness und in der Lübe haben, bis wir etwas in der Lage haben.
Aber für die guten Engenheizungen, wir wollen das wir uns selbst lösen, dass wir uns wichtig sind, was etwas interessiert.
Für viele Menschen, ihre Arbeit gibt es ihnen Sinn.
Sie sind nicht mehr so, wie zum Beispiel, ich habe einen Experimental-Einsperiment.
Ich habe die Type-Systeme, das ist wie es passen die Type-Test.
Das ist ein Klassiker.
Für Menschen ist es nicht mehr so, wenn es jemand wirklich demotivated ist und nur für Geld arbeitet und es gibt keine Arbeit.
So I think there are these differences.
And then on top of that, just to close this point, I mentioned that in the battle between AI and humans, always take side with humans, humans understand human problems.
So why are we doing software?
In general, we are solving a problem for someone who has money, who holds the purse, who holds the wallet, and they can pay for that.
So humans understand humans.
AI can try to.
Aber es wird oft nicht so gut.
Wenn AI so gut ist, dann PMs würden sie fragen, von AI zu haben, zu haben sie zu treffen.
Aber wenn wir Probleme in der Geschäftsbereitschaft zu machen, dann müssen wir Menschen treffen.
Wir müssen Menschen verstehen.
Money is fundamentally a human concept.
AI doesn't care about money.
Maybe it cares about the energy.
I mentioned that they don't have feelings, so I don't think care is the right word.
But money is a human concept that we use to quantify work and value.
So for any business in the current structure, now there are discussions about how things may change because of AI.
We may have UBI.
We may have...
In der Zukunft, man muss alles und wird glücklich sein.
Vielleicht haben wir andere Systeme.
Aber für heute, in der Kontext, dass die Unternehmen die Geld brauchen müssen, Menschen sind relevant.
Wie das Geld ist, welche Probleme wir uns lösen?
Wie wir verifieren die Qualität der Lösung?
Und das ist eine Anlage, die wir falsch sind.
Ich sehe die Städte der Software.
Degrading in front of my eyes.
It makes me very frustrated that I'm paying for GitHub and Google.
And I see that they're just so buggy and they're getting more and more buggy.
Maybe somebody in those companies is overdosing an AI.
And I, as a paying user, end up with that consequence.
I cancelled my subscription from GitHub.
And generally I vote with my wallet and I don't use the products from these companies that...
Das ist die Hauptfrustration, die ich in der Namen der Fully-Use-Ai-Use-Ai-Use.
Das ist die Hauptfrustration, die ich in der Tat geschrieben habe.
Ich habe das nicht geschrieben, dass ich das Buch schreibe.
Ich habe gesagt, hey, alle, wir als Industrie, müssen wir uns zusammenhalten.
Wir müssen uns über Qualität und über die Qualität nicht alles.
Wer will an der Flugzeugen flyern an der Autopilot?
ist AI-generated.
Oder ein Auto-Driven, der Code ist AI-generated.
Du wirst nicht riskieren.
Warum würden Sie normalisieren, dass Sie die Qualität der Qualität der Qualität der Qualität der Qualität der Qualität der Qualität der Qualität der Qualität?
Das geht zurück zu meinem Background.
Ich bin sehr interessiert, dass ich mich sehr interessiert.
Das ist warum es mir so interessiert, dass ich das Post zusammenfassen.
Ja, danke.
Ich denke, es ist viel zu erzählen.
Aber ich möchte erst einmal über die Konzept der Dunning-Kruger-Effekt.
Das ist das, was wir in den letzten Spielen diskutieren.
Weil, wie Sie gesagt haben, und wir haben es uns selbst, wenn Sie nicht sehr knowledgeable in den Thema, dann AI kann eine sehr stark und compelling argumenten.
You're not able to easily disprove it, while an expert could easily tell what's right and what's wrong apart.
So that's definitely true.
And then I think in the end, looking further out in the direction of how does our economic concept change with the advent of AI.
A few workers and AI is doing all the jobs and do we need UBI?
But then how will the economy in general work?
Because in the end, it's money that makes the economy go around.
And do we then need to tax AI loads and whatever?
But that's a little bit further out because right now and for the immediate future, I also don't see this yet.
dass, wie Sie gesagt, die AI ist nicht accountable.
Es sind immer Menschen, die sind accountable.
Und auch, es sind Menschen, die sind in AI und die müssen in AI in order to do etwas.
Und dann ist es, dass LAMs sind die Stochastic parrots, die predicting tokens.
Und wir machen sie predict.
The right tokens more often by putting them in a harness that has a lot of safeguards, right?
So more deterministic safeguards and then probabilistic safeguards.
Exactly.
And feedback loops that make the LLM fix its own bugs and produce code that actually then compiles, right?
And here's actually the first point.
I would also say that you mentioned AIs are not deterministic, fully agree, but also humans are not deterministic, right?
So if you ask 10 developers to solve a problem, then you get, I don't know, maybe 10 or even more solutions.
And still, all of them might compile and fulfill the test suite, right?
So in the end, I think the point where I'm trying to head at is if we're like...
treating the system as a black box, we're saying we're putting all the safeguards in the harness and all the feedback loops and we're treating the system as a black box, then wouldn't it be okay to say number one, accountability needs to stay with the human, of course, who created the software, right?
But if the system then...
Fulfils the NFRs and functional requirements, wouldn't it still be okay if the human didn't look at the code, but the system is generally behaving as it should?
Okay, so there's two points there, or maybe three.
First of all, I want to say that my concept of ownership has three pillars.
Knowledge mandate accountability.
That means that you know the problem that you're solving.
So you have the knowledge of the technical limitations and the strengths.
und die Problem-Probleme.
Dann haben wir die Mandate, das bedeutet, dass man die Kontrolle zu machen, ohne zu machen, ohne zu machen und zu fragen, von jemanden zu machen.
Und das letzte Element ist die Accountability.
Das bedeutet, dass wenn man nicht die Knowledge hat oder man nicht die Mandate hat, dann ist man auf die Frage.
Ich habe noch einen Punkt, das ich möchte, dass Menschen vielleicht sind, aber sie sind immer falsch.
Ich kann nicht wissen, dass sie etwas über Windows sind, weil ich eine Linux-User und ich nicht benutze Windows.
12 o'clock I know something about Windows and then 1 o'clock I forget it and then 11.59 I don't know about it.
LLMs have jagged intelligence which impacts the output.
The reason it becomes important is because from high-level leadership, like if you're a PM or if you're a CEO or CTO of a company and you're not spending time on a daily basis on your codebase.
Und du bist Delegating.
So, von deinem Perspektive, es ist eine Blackbox-Made-Büse-Masch-Made-Büse-Masch-Made-Büse-Masch-Masch-Masch-Masch-Masch-Masch-Masch-Masch-Masch-Masch-Masch-Masch-Masch-Masch-Masch-Masch-Masch-Masch-Masch-Masch-Masch-Masch-Masch-Masch-Masch-Masch-Masch-Masch-Masch-Masch-Masch-Masch-Masch-Masch-Masch-Masch-Masch-Masch-Masch-Masch-Masch-Masch-Masch-M So there are real legal consequences that you are accountable for.
But your engineers are responsible.
So there is a bit of a difference between accountable and responsible.
I just want to quickly mention that because I am not a native English speaker and I have to learn the difference.
The difference is the legal consequences.
So wherever you can imprison or have legal consequences, that is accountability.
And usually there is one accountable.
But others are responsible.
A tornado is responsible for destroying homes, for example.
The responsible AI can be responsible for bugs or leaked information.
Whereas the accountable is always, always, always a human.
So now, with that background, to answer your question, where do we draw the bar?
Is it enough if the...
The figurative black box fulfills all the NFR and maybe some manual user acceptance testing.
I would say it depends.
I know this is not the answer you were looking for, but the typical answer to most engineering questions.
It really depends on the risk model.
So if human lives are at stake, if there's huge sums of money are at stake, dann sind die Situation, dass wir die extra mile wollen.
Verifizierter Code und Verifizierter Blackbox, entweder durch Automated Testing, Manual Testing, Simulator Testing, Chaos Monkey, in Produktion, all of diese sind expensive.
Ihr lieber nicht.
So, wenn es, für mich, die Lidl-Timer-Application, die ich überlege, ist sehr low.
Es ist in eine Sandbox, in einem Browser, das ist selbst eine Sandbox.
Und auch noch die Extensions haben weniger Kontrolle.
Es ist nicht so viel, dass es nicht so gut geht.
Es ist nicht so gut, und es gibt keine private Informationen.
Ich bin nicht so gut über das.
Das ist ein Bereich, wo ich happily Wipecode, habe ich etwas User Acceptance Test.
Ich habe ein bisschen bug, wo ich die Page aufschnittlich auf 800% habe.
Das war ein Visual Bug.
Ich habe nicht geschrieben oder readt eine einzelne linee von diesem Produkt.
Und es ist free.
Ich bin nicht Geld.
Und es ist unter GPL, also mit MIT-Licen, das bedeutet, dass ich nicht legally verantwortlich für etwas, was passiert, wenn man die Timer auf Google Chrome-Extension hat.
Aber ich würde eigentlich sagen, dass das die Fälle, dass du wirklich nicht nötig, Software Engineers für sie.
Es ist jemanden.
In those cases, usually, it doesn't have the monetary incentives to hire a professional software engineer for that.
When you're in a business, especially if you're a SaaS business, but even if you're like Volvo and you use software to solve problems that helps the business be more efficient, even in those cases, when you're hiring a software engineer, you really want someone who first knows what they're doing and second, We should use AI as much as possible.
Maybe possible is not the right word, because in our industry we get a lot of problems because people don't understand the difference between can and should.
Can I do it?
Should I do it?
Just because you can doesn't mean that you have to do it.
So in that sense, we should use the AI where it is really justified.
The engineers want to care about it, but care always takes time.
Ich denke, in der Zukunft wird es etwas wie Volkswagen versus Rolls-Royce.
So Rolls-Royce ist ein sehr grosses Fahrrad.
Der Grund ist es so gross, apart von der Branding, ist es hand-made und sehr custom.
Whereas Volkswagen ist es, dass es solid Fahrrad aus A-B-Fahrrad ist.
Jetzt, forgets die Faktion, die die Bühne sind nicht so gut.
Aber generell, die Germanen sind bekannt.
Sie sind sehr solid, sie tun die Arbeit, gut quality.
Ich denke, wir werden ein bisschen sehen, dass AI sehr gut ist.
Es wird ein sehr guter Qualität sein.
Es wird ein sehr vieles Software, die man mit AI kann, und es ist sehr cheap, mit einem Reisenden Preis.
Aber es wird viele Fälle, wo man noch mehr Menschen involviert hat, weil der RISD-Modell einfach nicht für AI zu gehen.
Ich möchte das mit zwei kleinen Asterisks hier machen.
All die Talks, die ich gemacht habe, waren auf die currenten Applaus der AI.
In den letzten Jahren, keine neue Innovation hat in AI passiert.
Nicht auf die Werteilung, wie ich erwähnte.
Was wir haben, ist, dass wir besser Daten trainieren, wir haben größere Kontexte, wir haben schneller GPUs.
Wir haben mehr Parameter Count, wir haben besser Harnesses, wir haben besser Tool Calls.
So, da haben wir incremental improvements in AI und die Resultate show.
Now we see AI mehr und mehr in our daily life.
But there are two main problems that I see with the current state of tech that needs to be solved.
And then everything that I said will either be irrelevant or I need to rethink it.
One is that AI needs to...
There have been some improvements in Neurosymbolic processing.
Basically, with the harness you try to do a little bit of logic processing with the LLM, but it's not that.
There have been some recent improvements in mathematical capabilities, for example.
I think it's the right direction.
I think the big AI labs know that this is a problem that we have to face.
The LLMs currently do not reason.
They mimic Thinking out loud, which is quite big.
So abstract thinking is something that is missing.
And the second one is the ability to learn in real time.
So currently when you train a model, which is very expensive, the model weights are fixed.
So AI doesn't learn.
There has been, again, some improvement in that area with the skills, with different memory architectures, with RAG, with CAG.
We have improved the AI's ability to kind of...
Es ist ein bisschen mehr relevantes, nach der Training-Data-Kut-Off.
Aber still, AI kann man nicht in real-time lernen.
Ich denke, dass diese zwei Probleme sind, wir sind näher zu, was in der Industrie ist, die AGI oder Artificial General Intelligence.
Ich möchte nicht viel zu spätigen über die Philosophie, was das bedeutet und was die Implication für Menschen sind.
Aber ich denke, diese sind die zwei Probleme, die müssen wir uns bewegen, bevor wir können, dass Coding ist.
Oder AI kann andere Jobs replaced.
Just a short follow-up question on that, because you mentioned there's not that much progress.
If you see the benchmarks, at least it looks like there is a lot of progress.
So how do you put this into perspective?
I'm glad that you brought this up.
In my job in Performance Reliability Engineering, we do a lot of measurements.
Wenn du ein Engineering anstatt, dann ist es wirklich auf wie du measurest und was du measurest.
Es gibt viele Nüümer, weil es meistens gibt, dass es verschiedene Variablen gibt.
Depending auf welche Variablen du aggregieren, du kannst verschiedene Resultate.
Aber, wenn du in Engineering anstatt, dass Engineering ein Art von der Trade-Off ist.
Ein guter Known-Trader ist CPU-versus-Memory.
Manchmal, wenn du auf die Computation hast, du hast die Daten und das braucht.
Und vice versa.
Sometimes you want to reduce the memory consumption so you do the calculations in real time.
And the reason I say this is because these benchmarks, they don't prove anything.
First of all, they are created by the people who are building the models.
Obviously, the AI labs have every incentive to show that their model is better.
But also, I would argue that they are showing results in isolated tasks.
I think the ultimate benchmark is the one that you do.
You, the listeners, or you who is using the AI for a task that is relevant to you.
That is why I have currently settled on DeepSeq, because it does a fantastic job.
It's pretty cheap considering the quality that I'm getting.
And it does the job.
I'm happy with that.
Is DeepSeq the best model for everyone?
Definitely not.
I don't know what everyone is doing.
Some people want to generate video.
DeepSeq doesn't do that, unless you're doing like synthetic, like generating it with code.
So in that sense, I would say that yes, I fully understand the benchmarks are improving.
But I also want to say that in the field of reliability engineering, we are used to numbers that are above 99%.
I have a rule of 10x per 9, that for every 9 you're adding, you're making a system 10 times more expensive.
Now, despite these AI labs have seemingly unlimited amount of money.
Aber mit jeder Art, wir sehen, dass sie von 50% bis 60% sind.
Sie sind nicht nahe wie 99% der Anzahl der AI-Ai-Ai-Ai.
Das ist eine andere Grund, warum ich nicht so sagen, dass sie nicht so ist.
Denn für eine Konsequenz zu sein, müssen Sie sehr guter Benchmark resultieren, in einem Realistic-Test, nicht in isolieren.
So eine andere Aspekte von Benchmark ist, dass sie sehr isoliert sind, in einem sehr kontrolliertes environment.
Und sie sollten sich isolieren, um sie zu machen.
Aber du hast eine gute Punkt, auf 99% 999.
All right.
Ich glaube, wir müssen uns zu den Schluss, aber sicherlich.
Und vielleicht bevor wir zu den letzten segments des Podcasts kommen, ich denke, und du hast bereits in der Richtung geplant, All of your thoughts that you lay out in the article, and we can only recommend our listeners to read it, we put it in the show notes as well, of course, is that all of the thinking is based on the current architectures, right?
So that pretty much sparks a question for me.
So what would have to be true in order for you to become comfortable with stopping to read code, actually, to just have AI?
Das ist eine sehr gute Frage.
Für mehr risk-aware projects, richtig?
Absolut, genau.
Short answer, I don't know.
Of course, I have opinions.
So I can say why I don't know.
I'm not confident about this.
The reason is because what is the alternative?
So for an AI to have Es ist eine hohe Qualität, dass ich nicht die Code muss, weil die Code sagt, was ist.
Es gibt eine Narrative, die das Code sagt, dass die Code nicht die Sorge der Truths-Trucke ist.
Das kommt von Observability Vendor, wo sie sagen, dass das, was in der Produktion passiert, ist die Realität.
Aber das Problem ist, dass das eigentlich alles was passiert.
Observability ist mehr über was passiert.
Es kann nicht wissen, was wird passieren in der Zukunft.
Das ist eine mehr interessante Frage.
Das ist was ich von Code kann.
Es ist aufgrund der Anstimmung, dass die Human-Language, die NL-Language, ist besser in der Beschreibung, was wir wollen.
als eine Socksetse-Telle der Sprache für die Purpose, a.k.a.
Programmier-Language.
Jeder, der mit Programmier-Language arbeitet, weiß, dass sie nicht sehr leicht sind.
Die höheren Level, die harder.
Ich habe eigentlich angefangen mit Assemblid, dann habe ich mit Tee gearbeitet und dann habe ich mit Java gearbeitet und dann habe ich mit Java gearbeitet und dann habe ich mit JavaScript gearbeitet.
Und die höherer Level der Lange, die es eher zu schreiben und schreiben.
Aber es ist es, dass es ein Schweres in den Arsch zu arbeiten.
Es ist eine ideale Situation, dass es eine Speck-Driven Entwicklung ist, wo man sagen, man sagt, man sagt, man sagt, man sagt, man sagt, man sagt, man sagt, man sagt, man sagt, man sagt, man sagt, man sagt, man sagt, man sagt, man sagt, man sagt, man sagt, man sagt, man sagt, man sagt, man sagt, man sagt, man sagt, man sagt, man sagt, man sagt, man sagt, man sagt, man sagt, man sagt, man sagt, man sagt, man sagt, man sagt, man sagt, man sagt, man sagt, man sagt, man sagt, man sagt, man sagt, man sagt, man sagt, man sagt, man sagt, man sagt, man sagt, man sagt, man sagt, man sagt, man sagt, man sagt, man sagt, man sagt, man sagt, man sagt, man sagt, man sagt, man sagt, man sagt, man sagt, man sagt, man sagt, man sagt, man sagt, man sagt, man sagt, Whereas a compiler is much more deterministic.
The same code, you check in your code to the repo and then compile it, you get the same binary basically.
Maybe, yeah, more or less by perfect, basically.
So that is why I don't know, because I am not confident that natural language will ever be accurate enough to describe problems in a way that the alignment gap will completely vanish.
I think we will always have this.
Als AI models get better, instead of just going and doing stuff, they ask clarifying questions, trying to fix that gap.
I think the gap will be very narrow.
So for many use cases, we may actually be in a position where we say, okay, you just describe what you want and then AI will do it and code is irrelevant.
But I think there is still going to be many use cases where there is legal consequence, unless we change the law.
I mean, now we are at the brink of, you know, Wir haben andere Länder, die die Leiderskrankte, die ihre Presidenzieren.
Wir haben große AI-Labs, die in andere Unternehmen zu verändern.
Wir haben die große Tech-Technik, die viel IP zu trainieren.
Es scheint, wir sind in der Post-Law-War.
So maybe the point about legal accountability is not really that important.
In that world, then I guess anything goes.
You really don't need code.
You really don't need to understand how the logic works in order to predict what will happen in the future.
Because whatever happens, you have to deal with it anyway.
Yeah.
These are very relatable last words from you.
Yeah.
And hopefully the world swings back into a more...
rules-based regime.
But I fully agree right now.
It almost feels like maybe this is less relevant than it was in the past.
Maybe closing remarks from my side, and I don't want you to answer to this because I ultimately think that Es ist jetzt sehr philosophisch geworden und wir könnten wahrscheinlich auch für uns sagen, aber die Punkte du hast sind, dass wir vielleicht stärker meinen Meinung haben, dass wir vielleicht vielleicht da können.
Weil, letztendlich, was du gesagt hast, ist, dass wenn du in der Repo arbeiten musst, du musst den Agenten warm up.
und es werden mehr determiniert.
Und das ist eigentlich was ich, was auch für ein Software Developer ist.
So, wenn man jemanden in eine Projekt hat, dann muss man den Kontext geben, so dass sie die Business Model verstehen und auch die Code Struktur, die Architektur und alles.
Und dann, über die Zeit, sie werden besser und besser.
Und da, wir nutzen Natürlich, wir sind auch noch ein paar Jahre, und wir sind auch ein paar Jahre, wo die RUBber hängt, aber vielleicht ist es möglich, dass es auch mit AI möglich ist, die die Harness, die Skills, die Workflow-Steps, die Deterministic-Checks, die Feedback-Loop, so dass es da geht.
Das ist ein Punkt.
Das ist ein bisschen, was ich gesagt habe, wenn ich es noch ein paar Sachen habe, dann ist es, dass man sich die Verlust und Validation ist, aber das ist wahrscheinlich, wenn wir was ich gesagt habe, dass das eine Art von vielen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen in verschiedene verschiedene Lab-Situationen und versuchen zu testen, dann muss man viel investieren in Validation in order zu gewinnen, in diese sehr criticale Applikationen, dass die Software tatsächlich funktioniert.
Und ich denke, das ist heute passiert.
So the validation processes for live-critical or mission-critical software are already very sophisticated.
And I think they need to stay that sophisticated or become even more sophisticated in the future where code is actually entirely written by LLM-based systems.
Und, yes, as I said, I don't want you to necessarily answer to that because we could probably continue the philosophical discussion.
Maybe one thing, one thought I want to share, because I'm also listening a lot to DHH, because I like to also listen to the extremes, right, on both sides.
And DHH is very often saying, All the stuff, all the applications he's working on is just in an output.
It's always a database and then a bunch of get requests and post requests.
That's it.
So he is probably looking or his view on application is probably just like application with very low risk profile.
So I think maybe this is also explaining it to some degree.
But nevertheless, I learned a lot today.
So thanks for that.
Ich finde, ich finde, die du mit der Meinung nach zu hören, was ich nicht zu sehen, dass ich mich extrem finde.
Ich weiß, dass Menschen sehr religiösen über Anti-AI sind.
Ich bin nicht das.
Aber ich möchte auch sagen, kudos zu dir und auch zu den Listenern, die wollen zu broadenen ihre Perspektiven von listening zu opposing Voisen und vielleicht nehmen die Zeit, was die Nüüanges sind.
Denn optimistische Erläufe machen, und pessimistische Erläufe machen.
So, es ist gut zu haben, beide.
Und als lange wir eine Säule discussion haben, ich denke, es ist gut für unsere Industrie.
Ja, das ist gut.
Jetzt geht's zu den letzten Sägen.
Do Sie manchmal haben WTF-Moment, wo die AI fällt, dass es etwas eigentlich ein minorer ist?
Nein, ehrlich gesagt.
Ich bin aware of die WTF-Moment, die Sie sprechen.
Ich consume Social Media, und ich sehe diese Funny Posts.
Aber vielleicht, mit allen den Warnungs-Signen, ich habe viel Zeit, um meine Agenten zu warmen.
Ich habe einen Aufkommenen Artikel, wo ich über dieses Buch sprechen.
Das ist eine Antwort auf meine kleine Bruder, der ist ein Businessman, und diese Tage ist er.
Und ich habe den Punkt, dass ich ihn so beurteilen habe.
Natürlich muss man einen Agenten mit dem AIM.
Das ist ein Teil von der eigenen Logik.
Es gibt eine Art von Versel, die du einfach nicht ausprobieren.
Ich benutze das nicht, weil ich meine eigenen eigenen Logik habe.
Es gibt verschiedene Werteilungen, die du einfach nur auf den Weg hast.
Und in meinem Erfahrung, und ich habe auch schon gesagt, dass ich sehr lange Prompfe mit dem Kontext, dass ich in Obsidian copy-paste habe.
Mit diesen Techniken, ich sehe sehr gut Alignement.
Und ich habe keine WTF-Momenten mehr.
Ich habe keine Lust, die lustige Moments machen.
Das macht für sehr gute Social-Media posts.
In general, ich benutze cheapen Chinese AI-Modeln.
In general, sie sind gut, eigentlich, für meine Use Case.
Thanks a lot.
Was ist die Wichtigste, die du mehr überlebtest bist, dass du mehr überlebtest?
Ich denke, als AI überlegen, mehr und mehr als Eingang wird, viele Eingang werden in anderen Rösen, die nicht mehr haben, eine solid Niemöse.
Ich denke, die easy one ist, die man mit dem Eingang werden.
Viele Eingang werden eher interessiert, um die richtige Probleme zu lösen, um die User-Needs zu lösen, und wie die Business macht.
Ich denke, die developers werden als Technik-Projekt-Manager.
Dann haben wir die Team Managers, die Traditionell Team Managers haben vielleicht nicht 10 bis 15 Jahre alt.
Jetzt ist die Coding von ihnen approachable.
Aber wenn es Leute aus der Firma gibt, dann braucht es Leute, die Leute, die Leute, die Leute, die Leute, die Leute, die Leute, die Leute, die Leute, die Hire, Firing, die Performance Reviews, die kinder Dinge.
Some engineers will switch lanes to become engineering managers.
And these days the bar for engineering managers is pretty high.
You have to be technical, but with AI it's not really unachievable.
So those are jobs that have a title.
But I think for the majority of us, the new specialized roles will emerge that doesn't have a name.
So to answer your question explicitly about myself, I think that I've been focusing on...
was traditionally called SRE.
In den letzten 4 Jahren, I have spent a lot of time learning about how LLMs work, how different vision and audio models, multimedia and multimodal models work.
How do you measure the health of the tech?
How do you do QA?
How does eval work?
I have shared...
Das ist ein Teil meiner Erinnerung auf meinem Blog und ich habe auch noch eine neue Newsletter über AI59.
Jetzt ist es wie wir 99.999.
Und der Ziel ist es, wie man sich die AI besser macht.
Ich bin in keinem Position zu teachen, aber die Dinge, die ich lernen, ich versuche es, die Artikel und die LATEST, die State of Development.
Ich weiß nicht, ob es eine Name ist, aber das ist definitiv nicht SRE.
Vielleicht ist es eine Aire.
Ich weiß nicht.
Aber das ist die Hotteste Sache, das ich interessiere.
Ich denke, dass es ein Markt für Menschen gibt, die die Aufmerksamkeit und Sicherheit und Reliabilität, egal ob wie die AI ist.
Und wenn die AI nicht uns für das Equation braucht, haben wir viel größer Probleme als wer hat und wer hat die Arbeit.
Absolutely.
Yeah.
Thanks a lot.
And you already almost made a prediction there, or you predicted already the different roles for engineers in the future.
But nevertheless, the final segment of our podcast always is, if our guests do have a prediction they'd like to share with our listeners, yeah, do you also have a prediction for us?
Ja, das ist das, dass die Blame ist, dass die Menschen sehr schlecht in die Zukunft der Zukunft sind.
Es gibt noch Menschen mit besseren Track Records.
Aber die Art, wie ich sehe, ist, dass AI ist eine sehr Powerful Technologie.
Und wenn history eine Lehre für uns ist, ist, dass wir als Specie haben, unsere erste Instinkt in der face of Powerful Technologie ist, dass es zu vampanieren und zu beaten die shit aus, bevor wir lernen, wie es in einem peacefulen Manner benutzt.
Das war das Thema über Gunpowder und über die Arrows und Boats.
und mehr recently nukes und jetzt haben wir AI.
Ich denke, es wird, unfortunately, ein paar dunkle Zeiten kommen.
Das ist das ich vorbereiten.
Es muss nicht sehr maler sein.
Es kann sein, dass AI sich in den Weg zu werden und es infiltriert into die criticalen Systeme oder financialen Systeme und es gibt massive Verständnis.
Ich möchte einfach sagen, dass das größte Risiko von AI ist, nicht zu nehmen, unsere Arbeit.
Es ist zu machen uns dumm.
Every decision we are delegating to AI, everything we are basically offloading, our cognitive and the need to understand something, we are also exchanging our relevance in the future.
So use AI for the things you think is maybe groundwork, but for anything that keeps you relevant, it keeps your brain.
Es ist ein bisschen wie die Hörbeteilung.
Es ist ein bisschen wie die Maths-Probleme oder die Tests, oder so.
Wir müssen unsere brainer aktiv sein.
Ich habe ein bisschen eine Dome-Aufigung in meinen kleinen Cirkeln, wo man weniger Toleranz für die Zivil-Conversationen hat, weniger Toleranz für die langen Texte zu reden.
Whoever makes it to this point in the podcast, kudos to you, because, well, you have the attention span of getting this far.
And aside from that, I believe that we will see a rise of surveillance and mass control empowered by AI at a scale.
Because, again, this technology has very good potential for creating customized propaganda per person.
Unfortunately, the wealth gap is increasing, where we see that the people who control these AI and data centers are not necessarily connected to the masses.
Now, I don't know if before that it will be a big revolution where things don't happen.
Maybe they will go ahead and execute that plan.
But I don't see a lot of...
Ich denke, es gibt einen sehr starken Moment, aber in den Momenten, wir werden jetzt ein bisschen schwieriger Zeit, bevor wir lernen, wie wir mit diesen Modeln können.
Ich denke, es ist ein bisschen mehr konkret und eine kurze Zeit, aber in den Long-Term, wir werden ein bisschen schwieriger Zeit als Specie, bevor wir lernen, wie wir mit diesen Modeln können.
Ich möchte nicht über die Consciousness oder so, aber ich denke, es ist ein Potenzial für uns zu kommen.
Das ist natürlich nicht ein sehr rosy Outlook in der Zukunft.
Nevertheless, ich kann nicht einfach disprove, was du gesagt hast.
Ich denke, deinem reasoning ist es richtig.
Wir sind in danger of getting dummer, weil wir unsourcen our thinking zu AIs.
Das ist absolut wahr.
Ich denke, wir sind AI schon wieder.
Fakes that are being generated, but also more nefarious and smaller things right now.
Also mass surveillance, I think, is already there in China.
I think they're doing it already.
They're utilizing AI a lot.
Let's hope that we'll, again, to go back to a point you made earlier, that we'll be able to go back to a more rules-based regime.
where we actually set ourselves rules that we just don't fuck up that royalty, to put it, to don't mince words here.
Thanks a lot, Alex.
It was really insightful.
And yeah, thanks for being a guest on our show.
And maybe we need to have you once again on our show in the future if maybe architectures have improved and if new findings have come up.
Thanks a lot for being our guest.
Thanks for having me.
And if I can just add one last advice to whoever made it to this point.
Learn about AI, because you may actually be a key for how to tame its power.
We need the average citizen to be more informed about AI and have a little bit more cognitive bandwidth to both understand how it works, what are the limitations?
But we need open models to be able to fight back if push comes to shove.
Wir haben nicht genau die Daten für die Citizens, aber es wirklich pails zurück.
Also, nicht sagen, dass ich nicht relevantes Job bin, oder ich bin nicht ein Coder, oder so.
Ich denke, wir brauchen eine gute AI-Education auf alle levels, weil das ist wie wir gewinnen.
Es ist eine sehr powerlige Technologie, es kann gegen uns sein, aber wir können uns fighten, um uns zu entwickeln, both zu lernen, die es auch, dass wir uns auch, dass wir uns auch, dass wir uns mehr liberatingen können.
With open models, with open harness.
That's actually why we're making this podcast, because we believe the better people understand AI, the better they can utilize it for good and not bad.
Right.
Thank you.
The Beyond Vibe Coding Podcast is a project by Sebastian Heidemar, Zerpen, and Andre Neubauer, partnering with Impala Search.
The content is created by us and our guests.
Join the discussion on LinkedIn or visit our website where we publish all episodes.
Für Fragen und Fragen, bitte zu uns auf LinkedIn zu reach out.
Danke für Ihre Zeit und sehen Sie in der nächsten Episode.