Kategorie: Meinung

47 Überarbeitungen für einen datenlastigen Text, 3 für einen Essay über die Lebensdauer von Agenten – und trotzdem liegt die Zahl der Feinarbeit am einzelnen Satz in beiden Fällen bei rund 140. Wer diese Zahlen aus einem Selbstexperiment mit KI-Schreibwerkzeugen liest, erkennt schnell: Das Versprechen „weniger Arbeit“ wird zwar technisch eingelöst, aber die menschliche Anstrengung verschwindet nicht. Sie wandert.

Die Daten stammen aus einem Workflow, den der Autor über drei Jahre hinweg verfeinert hat. Das System arbeitet nach dem Prinzip einer geschlossenen Schleife: Vor dem Entwurf zieht der Agent Hintergrundrecherche und einen lokalen Gedächtnisspeicher mit erlernten Hausregeln heran, produziert in Sekunden einen Text und protokolliert jede menschliche Kritik in permanenten Dateien für den nächsten Durchlauf. Am Ende steht kein Einmal-Generator mehr, sondern ein System, das mit jedem Durchgang den eigenen Geschmack schärft.

Die überraschende Konstante der Feinarbeit

Auf den ersten Blick sieht der Vergleich nach einem klaren Produktivitätssprung aus. Ein datenlastiger Beitrag brauchte vor einer Woche noch 47 Entwurfsrunden, ein aktueller Essay über Agenten-Lebensspannen kam mit 3 aus. Wer an dieser Stelle aufhört zu rechnen, sieht das klassische Versprechen bestätigt: Die Maschine übernimmt, der Mensch tritt zurück.

Die Feinanalyse zeigt jedoch etwas anderes. Die Zahl der Zeilen- und Satzkorrekturen pro Beitrag bewegt sich konstant um einen Mittelwert von etwa 140, mit einem Median von 136. Statistisch ist kein signifikanter Rückgang erkennbar, obwohl die Zahl der Entwurfsrunden drastisch sinkt. Das heißt: Wenn der Agent besser wird, verschwindet die menschliche Bearbeitung nicht. Sie konzentriert sich auf das, was am Ende wirklich zählt – das einzelne Wort, die Satzspannung, die treffende Antithese.

Die Aufmerksamkeit verschiebt sich also, statt zu schrumpfen. Wer viel Zeit mit generischen KI-Ausgaben verbringt, kennt diesen Effekt: Man verwirft die ersten drei Vorschläge komplett, korrigiert dann aber den vierten Vorschlag zwanzigmal, bis er wirklich sitzt. KI ersetzt das grobe Gerüst – und genau dadurch wird der Anspruch an das Finish höher, nicht niedriger.

Vom strukturellen Mechaniker zum Scharfschützen

In der Frühphase eines KI-Deployments fließt fast die gesamte menschliche Energie in strukturelle Erste Hilfe. Der Agent liefert lange Literaturübersichten im akademischen Stil, die niemand braucht. Die These landet im dritten Absatz statt am Anfang, das narrative Rückgrat bricht unter der eigenen Last. Solche Makel schlucken Aufmerksamkeit, bis der Text überhaupt erst lesbar wird.

Sobald das lokale Geschmacksgedächtnis stabilisiert ist, fällt dieser Sog an Strukturaufgaben weg. Der Agent platziert die These im ersten oder zweiten Anlauf, der Argumentationsbogen steht. Was bleibt, ist Handwerk: Adverbien streichen, Satzlängen variieren, überflüssige Nebensätze amputieren, Antithesen schärfen. Das Verhältnis von Feinkorrekturen pro Entwurfsrunde steigt im beschriebenen Workflow von 4,4 auf 43,3 – ein Faktor, der die Verschiebung der Energie deutlich macht.

Sam Leith beschreibt in Words Like Loaded Pistols sehr treffend, warum diese Verschiebung alles andere als trivial ist. Worte sind demnach keine passiven Behälter für Informationen, sondern geladene Mechanismen, die auf den Leser zielen. Rhetorik ist das verborgene Uhrwerk, das einen Satz landen lässt. Wenn die Software den lästigen Teil des strukturellen Gerüstbaus übernimmt, kann der Schreibende endlich das tun, was eigentlich zählt: zielen.

Schach als Vorbild für den KI-Effekt

Das gleiche Muster zeigt sich in einer Domäne, die schon deutlich länger mit maschineller Unterstützung arbeitet: dem Schach. Als die ersten starken Engines aufkamen, war die verbreitete Annahme, dass menschliches Schach stagnieren oder an Bedeutung verlieren würde. Die Maschine übernimmt das Denken, der menschliche Vorsprung schrumpft. Die Daten aus fünf Jahrzehnten erzählen eine andere Geschichte.

Im Januar 1979 erreichte weltweit genau ein einziger Spieler einen Wert von 2700 oder mehr – Anatoly Karpov mit 2705. Heute liegen die Top 30 im Durchschnitt bei knapp 2750. Was früher die Schwelle zur Ausnahme war, markiert heute nur noch den Rand der absoluten Spitzengruppe. Die Zahl der Großmeister ist von 524 im Jahr 1993 auf rund 1750 heute gestiegen – mehr als eine Verdreifachung. Der Pool an Elitespielern ist nicht geschrumpft, sondern gewachsen. Das Werkzeug, das menschliche Expertise überflüssig machen sollte, hat mehr davon freigesetzt, und zwar kostenlos und allgemein verfügbar.

Und das geschah nicht durch mehr Trainingsstunden. Viktor Kortschnoi, einer der härtesten Arbeiter der Vorcomputerzeit, trainierte fünf Stunden am Tag; heutige Großmeister kommen mit etwa vier aus. Was früher zwei Wochen Materialsammlung und einen Monat Vorbereitung verschlang, erledigt heute eine halbe Stunde in einer Datenbank. Gleiche oder sogar weniger Stunden, höhere Decke an Fähigkeit – nicht weil die Spieler härter arbeiten, sondern weil das Werkzeug besser geworden ist.

Der Jevons-Effekt und die Frage nach dem Anspruch

Ökonomen kennen dieses Muster unter einem Namen: den Jevons-Effekt. Steigt die Effizienz eines Ressourceneinsatzes, steigt in der Regel auch sein Verbrauch, statt zu sinken. Eine sparsamere Dampfmaschine führte nicht zu weniger Kohle, sondern zu mehr Industrie. Auf KI-gestützte Schreibarbeit übertragen heißt das: Wer schneller gute Texte produzieren kann, produziert mehr davon, verlangt mehr Tiefe pro Stück und investiert die gewonnene Zeit in höhere Ansprüche.

Die spannendere Frage ist allerdings nicht die nach dem Volumen. Sie lautet: Wo liegt die Messlatte? KI spart nicht nur Zeit. Sie hebt die Decke dessen, was der gleiche Aufwand hervorbringt. Die mechanische Arbeit verschwindet, die frei gewordene Aufmerksamkeit wandert auf der Wertschöpfungskette nach oben. Der Unterschied zwischen einem routinierten Text und einem treffenden Essay ist keine Frage der Tipparbeit mehr, sondern eine Frage der Fokussierung.

Wer KI als Werkzeug zur Aufwandreduktion versteht, misst ihren Erfolg daran, wie viele Stunden wegfallen. Wer sie als Hebel zur Anspruchserhöhung versteht, misst ihren Erfolg daran, wie viel mehr Qualität pro Stunde entsteht. Beide Sichtweisen führen in unterschiedliche Architekturen, und entsprechend unterschiedlich fallen die Ergebnisse aus.

Was das konkret bedeutet

Die praktische Konsequenz aus diesen Beobachtungen lässt sich in einem Satz zusammenfassen: Das Reifezeichen eines KI-Workflows ist nicht die Abwesenheit menschlicher Bearbeitung. Es ist die Verschiebung der Bearbeitung dorthin, wo sie den größten Hebel hat. Wer weiterhin jeden Absatz von Grund auf korrigiert, weil das System noch nicht gelernt hat, was ein guter Aufbau ist, hat vor allem ein Reifeproblem. Wer hingegen den fertigen Entwurf zwanzigmal auf Satzrhythmus, Wortwahl und argumentative Präzision trimmt, arbeitet bereits auf dem Niveau, das KI überhaupt erst zugänglich macht.

Die Konsequenz für den eigenen Umgang mit KI-Werkzeugen ist unangenehm ehrlich: Niemand sollte erwarten, dass mit besseren Modellen plötzlich weniger eigene Arbeit übrig bleibt. Stattdessen verschiebt sich die Frage von „Wie viel muss ich noch korrigieren?“ zu „Wofür lohnt sich meine Korrektur jetzt?“. Die Antwort darauf entscheidet, ob man KI als Bequemlichkeitswerkzeug oder als Hebel für höhere Ansprüche einsetzt – und damit, ob man am Ende wirklich produktiver wird oder nur schneller das Gleiche herstellt.

Quelle: tomtunguz.com

Wer bekommt Zugang zu den stärksten KI-Modellen? Das ist keine rein technische Frage mehr. Die leistungsfähigsten Modelle werden in geschlossenen Gruppen verteilt. Wer nicht als Partner gilt, bleibt außen vor – oder sieht nur einen Teil der Technologie. Es geht nicht mehr um den Preis pro Token, sondern um den Zugang selbst.

Die großen Labore setzen auf exklusive Partnerschaften, verteidigen sich gegen Konkurrenten und geben ihre stärksten Modelle nur begrenzt frei. Salesforce hat Anthropic zum KI-Partner gemacht; Claude wird Standard in Salesforce und Slack. OpenAI sperrt Cursor zum 12. November den API-Zugang, nachdem SpaceX das Unternehmen übernommen hatte – begründet mit früheren Vertragsverletzungen durch Elon Musks Firmen. Das ist kein Einzelfall, sondern ein Muster.

So entstehen Blöcke, Bündnisse und Sperrgebiete. Salesforce baut Claude fest in seine Plattform ein – ein übliches Vorgehen in der Softwarewelt. SaaS-Anwendungen integrieren Komponenten und geben sie gebündelt an Kunden weiter: nimm es oder lass es.

Partnerschaften statt Wahlfreiheit: Claude wird Standard bei Salesforce

Die Freiheit, KI-Anbieter beliebig zu wechseln, gab es vor allem bei Coding-Tools. Entwickler konnten zwischen verschiedenen APIs wählen. Das endet, wenn Plattformen die KI fest einbauen. Salesforce übernimmt die Entscheidung: Claude wird Standard in Agentforce und Slack, dazu ein Plugin mit 37 vorgefertigten Vertriebsfunktionen, das bislang im Pilotbetrieb läuft. Aus einem optionalen Dienst wird ein Teil des Software-Stacks.

Für Unternehmen ist das eine Governance-Frage. Zero Data Retention – die Zusage, Kundendaten nicht fürs Training zu verwenden – ist je nach Anbieter unterschiedlich geregelt. Dazu kommen Datenhoheit und die Sorge, geistiges Eigentum über Prompts nach außen zu geben. Wenn die Plattform einen festen KI-Anbieter vorschreibt, brauchst du als Kunde genug Verhandlungsmacht, um eine Abweichung durchzusetzen.

Die Zeiten, in denen man per API zwischen Modellen wechseln konnte, sind in der Unternehmens-KI vorbei. Statt eines offenen Marktes gibt es Allianzen. Du beziehst die KI als Teil des Pakets, nicht als unabhängige Ressource. Wer Salesforce nutzt, bekommt Claude mitgeliefert – samt Datenschutz- und Compliance-Fragen. Das schränkt die Wahlfreiheit ein.

Open Weights: Die Grenzen offener Modelle

Auch Open-Source-Modelle sind nicht mehr völlig offen. Z.ai veröffentlichte GLM-5.3-Flash unter MIT-Lizenz, ein Open-Weights-Modell mit 320 Milliarden Parametern. Zwei Tage später kam das Flaggschiff GLM-5.3 mit einer eigenen Lizenz. Wer als Modell-as-a-Service-Anbieter in zwölf Monaten mehr als zehn Milliarden US-Dollar Umsatz macht, muss vor der kommerziellen Nutzung eine Sicherheitsprüfung durchlaufen. Das nennt man ‚Open Source bis zur Skalierung‘.

Entwickler können frei experimentieren, aber wenn das Geschäft wächst, greifen neue Regeln. Die Anbieter wollen offene Innovation und gleichzeitig Kontrolle über die großen Vertriebswege. Dieser Spagat wird normal.

Anthropic hat das Muster im Sommer eingeführt. Mythos 5, das stärkste Modell, gibt es nur über das Projekt Glasswing für vertrauenswürdige Partner; bestimmte Fähigkeiten sind rationiert. Fable war drei Wochen außerhalb der USA nicht verfügbar, nachdem eine Exportorder der Handelsbehörde die Prüfung ausländischer Staatsangehöriger verlangt hatte. Seit der Rückkehr läuft die Inferenz nur in den USA und kostet zehn Prozent mehr. So wird auf Modell-Ebene festgelegt, wer Zugang bekommt.

Staaten bestimmen mit: Spitzen-KI wird Infrastruktur

OpenAI hat den gleichen Weg gewählt, nur mit Fokus auf Regierungen. Die Modelle GPT-5.6 Sol, Terra und Luna sind zunächst für eine kleine Gruppe vertrauenswürdiger Partner entstanden, noch bevor die öffentliche API folgte. Diese Varianten sind offenbar auf staatliche Anforderungen zugeschnitten. Dieselbe Modellfamilie geht also in unterschiedlichen Versionen an unterschiedliche Kundengruppen – je nach Vertrauensstatus.

Regierungen behandeln Spitzen-KI inzwischen wie kritische Infrastruktur, vergleichbar mit Stromnetz oder Satellitenkommunikation. Exportrestriktionen, Prüfungen der Nationalität und abgestufte Modellversionen entscheiden, wer die Systeme betreiben darf. Selbst offene Gewichte können dadurch in ihrer praktischen Nutzung eingeschränkt werden – nicht durch Lizenzen, sondern durch die Kontrolle über Rechenzentren und Genehmigungen.

Für Unternehmer bedeutet das: Spitzen-KI gibt es nicht mehr frei. Du musst sie dir durch Kooperation erarbeiten oder erkaufen. Ein transparenter Markt mit vielen Anbietern ist nicht in Sicht. Wer Zugang zu den stärksten Modellen bekommt, entscheidet sich in der Regulierung. Zugang ist zum entscheidenden Faktor geworden.

Nvidia investiert in die Gegenbewegung

Gegen diese Schließung formiert sich Widerstand, und er kommt aus einer überraschenden Ecke. Nvidia, mit einer Marktkapitalisierung von rund fünf Billionen Dollar, investiert viel in offene Ökosysteme. 13 Milliarden Dollar sind in Hugging Face geflossen, sieben Milliarden in die Modellfabrik von Poolside und 26 Milliarden in ein Fünfjahresprogramm für Open-Weight-KI und Infrastruktur.

Warum tut ein Chip-Hersteller das? Offene Gewichte sind seine strukturelle Verteidigung. Wenn große Labore ihre Modelle proprietär halten, hängt die Nachfrage nach Nvidias neuesten Chips von geschlossenen Partnerschaften ab. Bleiben Modelle offen, bleibt die Rechennachfrage vielfältig und hoch – unabhängig davon, welches Labor gerade führt. Genau deshalb finanziert Nvidia gezielt Open-Source-Projekte.

Ob das Ökosystem davon profitiert, wird sich zeigen. Nvidia hält das Feld der Zugangskontrolle offen. Der Konzern braucht kein eigenes großes Sprachmodell, um Einfluss zu haben, sondern eine offene Modelllandschaft. Das verbindet Hardware-Interessen mit Open-Source-Idealen.

Der Zugang entscheidet

Was bedeutet das konkret für Entwickler, IT-Verantwortliche und Entscheider? Die Zeiten, in denen man sich die besten Modelle aus einem offenen API-Markt zusammenstellen konnte, sind vorbei. Du musst häufiger eine langfristige Bindung eingehen, bevor du Spitzenmodelle nutzen darfst. Die Auswahl des KI-Anbieters wird zur Grundsatzentscheidung, nicht nur zur technischen.

Gleichzeitig bleibt Zugang verhandelbar. Große Kunden können sich mit Sicherheitsnachweisen, Datenlokalität und Schulungen durchsetzen. Kleinere Teams profitieren davon, dass Open-Weights-Modelle bis zu einer gewissen Skalierung frei bleiben. Man muss den Punkt erkennen, an dem die Regeln umschlagen: bei Umsatzschwellen, bei bestimmten Geografien oder bei besonders sensiblen Fähigkeiten.

Wer frühzeitig auf Standards setzt und sich nicht von einem einzigen Anbieter abhängig macht, hat mehr Spielraum. Spitzen-KI wird weder ein öffentliches Gut noch ein geschlossener Club. Entscheidend sind Vertrauen, Compliance und die Bereitschaft, Allianzen einzugehen. Davon hängt ab, wer die stärksten Modelle nutzen kann.

Quelle: tomtunguz.com

Die Dominanz von VMware im Virtualisierungsmarkt bröckelt. Der Prozess dauert bis Oktober 2027 und folgt einem festen Zeitplan. Drei Stichtage zwingen zehntausende Kunden, ihre IT-Strategie zu überdenken. Broadcom nimmt die Zersplitterung des Marktes bewusst in Kauf. Eine Revolution ist das nicht, aber eine schleichende Neuverteilung.

Zwanzig Jahre lang floss der Virtualisierungsmarkt durch ein einziges breites Flussbett. Jetzt teilt Broadcom es in viele kleine Rinnsale. Keines wird so mächtig wie das alte, aber zusammen führen sie mehr Wasser. Broadcom, der neue Eigentümer von VMware, schaut gelassen zu. Die Konkurrenz sieht ihre Chance.

Was Broadcom mit VMware vorhat

Klassische VMware-Produkte gibt es nicht mehr zu kaufen. vSphere und vCenter, einst die Herzstücke der Server-Virtualisierung, sind nur noch Teil von VMware Cloud Foundation (VCF). Das Paket bündelt Rechenleistung, Speicher und Netzwerk-Virtualisierung zu einer privaten Cloud. Es kostet meist deutlich mehr als die letzte Rechnung vor der Übernahme. Wer nicht alle Komponenten nutzt, zahlt trotzdem den vollen Preis.

Broadcom konzentriert sich auf etwa 10.000 bis 30.000 Großkunden, die VCF als künftige Infrastruktur- und DevOps-Plattform einsetzen wollen. Die übrigen der ehemals rund 350.000 VMware-Kunden gehören nicht mehr zur Zielgruppe. Sie sollen ihren VMware-Einsatz reduzieren oder die Plattform ganz verlassen. Broadcom hat das nie laut gesagt, aber auch nie verheimlicht.

Drei Stichtage setzen den Zeitplan

Drei Daten bestimmen die Übergangsphase. Der erste ist der 22. November 2026 – der dritte Jahrestag der Broadcom-Übernahme. Viele Kunden hatten vor dem Abschluss der Akquisition Mehrjahresverträge abgeschlossen, um steigenden Preisen zuvorzukommen. Diese Verträge laufen nun aus. Neuverhandlungen finden zu Broadcoms Konditionen statt.

Der zweite Stichtag ist der 31. März 2027. An diesem Tag enden die Verträge mit den Mitgliedern des VMware Cloud Service Provider-Programms. Partner, die bisher VMware-basierte Cloud-Dienste anboten, dürfen dann keine VCF-gestützten VMs mehr bereitstellen. Kunden, die ihre Workloads in solchen Clouds laufen lassen, brauchen eine neue Umgebung. Meist kaufen sie direkt bei Broadcom eine VCF-Lizenz oder folgen ihrem bisherigen Partner zu einer alternativen Plattform.

Der dritte Termin ist der 11. Oktober 2027. An diesem Tag endet der Support für Version 8 von VMware Cloud Foundation. Wer weiterhin Unterstützung für seine virtuellen Maschinen will, muss auf VCF 9 upgraden oder die Plattform wechseln. Bis dahin müssen die Weichen gestellt sein.

Die Stimmung bei Partnern und Kunden

Ärger und stille Resignation dominieren. Rimini Street, ein Anbieter von Drittanbieter-Support, meldet: VMware-Support ist das am schnellsten wachsende Geschäftsfeld. Das Niveau ist allerdings niedrig. Cisco hat einen eigenen Hypervisor entwickelt, um Kunden eine Alternative zu bieten. Der australische Dienstleister Centorrino ist vor dem März-2027-Termin von VMware auf SUSE gewechselt und nimmt seine Kunden mit. Sein CEO Adam Centorrino versteht Broadcoms Entscheidung als nüchternen Geschäftsschnitt. Dass das Unternehmen Behördenkunden als Partner verliert, kann er nicht nachvollziehen.

Tesco und Allstate haben Broadcom verklagt. Ob aus Verärgerung oder Kalkül, bleibt offen. Fest steht: Wer sich von VMware löst, muss nicht lautlos gehen.

Was die VMware-Rivalen ehrlich zugeben

Die Konkurrenten wissen: Keiner kann VMware technisch vollständig ersetzen. Red Hat, Acronis, Sangfor, Nutanix und SUSE geben auf Nachfrage zu, dass ihre Produkte nicht in jedem Detail mithalten. Es fehlt ihnen die Gruppe von Virtualisierungs-Spezialisten, die VMware über Jahrzehnte aufgebaut hat. Im unteren Marktsegment genügt eine solide Plattform für grundlegende Server-Virtualisierung – von einem Unternehmen, das langfristig bleibt. Kleine Anbieter setzen auf Linux KVM und versorgen damit 10- bis 20-Personen-Betriebe, die von VMware geflohen sind.

Acronis und Parallels zielen auf ehemalige VMware-Partner und vermieten Cloud-VMs an VMware-Aussteiger. Sangfor punktet mit Memory-Tiering, das mit VMware vergleichbar ist. Über die eigene Herkunft aus China spricht das Unternehmen ungern. Am anderen Ende des Spektrums setzen die Großen auf Kubernetes-Distributionen. Sie sehen Virtualisierung als ausgereifte Technik, die sich für moderne Workloads – vor allem KI – fit machen lässt. SUSE, Nutanix und Red Hat versprechen, künftige Lasten zu tragen und bestehende virtualisierte Anwendungen problemlos zu hosten.

Wer tatsächlich gewinnt

Die Zahlen zeigen die Verschiebung. Nutanix gewinnt pro Quartal Hunderte ehemalige VMware-Kunden. Red Hat hat seit dem Start seines Virtualisierungsangebots Aufträge über 680 Millionen Dollar hereingeholt – VMware registriert das aufmerksam. HPE ist mit VM Essentials in den Markt eingestiegen, einem Produkt näher an vSphere als an einer privaten Cloud, und meldet „hohe zweistellige Wachstumsraten bei neuen Kunden“. Proxmox ist die Lieblingsmarke der Tüftler. Das Projekt drängt mit Kubernetes-Integration in größere Rechenzentren und begeistert Administratoren nach dem ersten Test.

All diese Anbieter kämpfen um Hunderte bis Tausende meist kleinerer Kunden. Nutanix tritt bei Großkunden direkt gegen VMware an und gewinnt auch dort vereinzelt. Red Hat gilt als der Rivale, den VMware am ernsthaftesten fürchtet – weil die Plattform als ausgereift für Kubernetes gilt und gleichzeitig VMs kompetent hosten kann.

Was am Ende übrig bleibt

VMware wird die meisten Kunden behalten, die es behalten will – möglicherweise sogar die größte Anzahl insgesamt. Aber mehr Nutzer werden auf konkurrierender Technik sitzen als auf ESXi, und die meisten davon werden KVM in irgendeiner Form einsetzen. Bei den lukrativen Großkunden wird VMware weiterhin präsent sein, dort aber nicht mehr alleine die IT-Landschaft dominieren. Stattdessen tritt die Firma als einer von mehreren Infrastrukturanbietern auf. Jeder von ihnen muss seinen Teil des Stacks im Griff haben.

Die Position, die Broadcom anstrebt, ist damit erreicht: ein fokussiertes Geschäft mit margenstarken Großkunden, weniger Komplexität, weniger Supportfälle. Auf der Konferenz dieser Woche dürfte es keine dramatische Kursänderung geben. Stattdessen sind weitere Verbesserungen zu erwarten, die VCF zu einer stärkeren Container- und KI-Plattform machen. Memory-Tiering wird als Antwort auf hohe Hardwarepreise positioniert, möglicherweise ergänzt durch bessere Unterstützung für ältere Hardware oder ARM-basierte Server in Hyperscale-Clouds. Die drei Stichtage wird Broadcom wohl nicht erwähnen. Das Unternehmen ist überzeugt, dass kein Konkurrent VMware technisch überflügeln kann.

Was das für eure IT-Planung bedeutet

Setzt ihr VMware ein, solltet ihr eure Plattform jetzt neu bewerten. Prüft zunächst, welche VMs wirklich auf VCF angewiesen sind und welche auch auf einem schlanken KVM-Host laufen würden. Damit bekommt ihr Verhandlungsspielraum. Schaut euch die Vertragslaufzeiten an: Viele Mehrjahresverträge laufen bis Ende 2026 oder 2027 aus, danach greifen die neuen Konditionen. Plant eine Migration oder zumindest eine Reduzierung des VMware-Einsatzes, bevor der Support für VCF 8 im Oktober 2027 endet.

Ein Wechsel ist keine einfache Kopie. Wer auf Proxmox, Nutanix oder Red Hat Virtualization setzt, muss ehrlich prüfen, ob die eigenen Admins das Know-how mitbringen. Ein Dienstleister mit VMware-Erfahrung kann den Übergang abfedern. Die Konkurrenz nimmt VMware-Aussteiger auf, aber nicht überall ist sie gleich gut aufgestellt. Die Virtualisierungswelt wird nicht zusammenbrechen, sie verteilt sich nur neu. Wer den Wechsel vorausschauend plant, steht in der fragmentierten Landschaft besser da.

Quelle: theregister.com

Warum reicht ein Monat Post-Training für einen Leistungssprung? Eine aktuelle Release-Welle gibt darauf eine klare Antwort: nicht in neuen Architekturen. Wer die Entwicklung großer Sprachmodelle verfolgt, erlebt gerade einen kleinen Paradigmenwechsel. Der Blogger @adlrocha beschreibt in seinem Artikel „Base Models Stopped Being the Bottleneck“, wie GLM-5.3 und Qwen3.8-27B am 14. August erschienen sind – ohne grundlegende architektonische Neuerungen. Trotzdem schaffen es die Modelle in kurzer Zeit an die Spitze relevanter Benchmarks. Für viele Beobachter liegt der Engpass nicht mehr im Base Model, sondern darin, wie man es nachtrainiert.

Ein Monat Training, kein neues Gehirn: Was GLM-5.3 anders macht

Z.ai, das Unternehmen hinter GLM, fasst die Veröffentlichung von GLM-5.3 in einem knappen Satz zusammen: „Scaling post-training is all we did.“ Das Modell nutzt das gleiche Fundament wie GLM-5.2, gleiche Größe, gleiche Parameteranzahl. Hinzu kam ein zusätzlicher Monat Post-Training. Der Autor erklärt, dass dieser Monat reichte, um das Modell in den Top-Rankings von CyberGym und GDPval zu platzieren. In einigen Benchmarks schlägt es deutlich größere offene Modelle wie Kimi K3.

Auch subjektiv nimmt der Autor einen Unterschied wahr. Er schreibt, GLM-5.3 wirke schneller, intelligenter und direkter als die Vorgängerversion. Das klingt unspezifisch, ist im Alltag aber relevant: Weniger Geschwätz heißt weniger Tokens pro Aufgabe, also geringere Kosten. Reine Destillation kann diesen Sprung nach Einschätzung des Autors nicht erklären. Bei der Destillation dienen Antworten und Denkprozesse stärkerer Modelle als Trainingsdaten – ein gängiger Weg, um schwächere Modelle zu verbessern.

Vom Pretraining bis zum Feinschliff: Die Etappen des LLM-Trainings

Um den Unterschied zu verstehen, lohnt ein Blick in die Trainingspipeline großer Sprachmodelle. Zuerst kommt das Pretraining. Das Modell liest einen erheblichen Teil des Internets, lernt, den nächsten Token vorherzusagen, und entwickelt dabei latente Fähigkeiten. Es erkennt die Muster von Python, C, Stack Overflow und gutem Englisch, ohne je explizit darauf trainiert worden zu sein. Dieser Schritt ist teuer und dauert lange. Bei GLM-5.3 blieb er unangetastet – Z.ai hat das Pretraining nicht wiederholt.

Danach folgt das Mid-Training, ein Zwischenschritt, den viele übersehen. Das Base Model wird mit kuratierten Daten weitertrainiert: lange Kontexte, Code, domänenspezifische Bestände. Auch diese Stufe blieb bei GLM-5.3 unangetastet. Erst danach beginnt das Post-Training, das aus mehreren Teilen besteht.

Der erste Teil ist das überwachte Feintuning. Das Modell bekommt Demonstrationen guten Verhaltens und ahmt diese nach. Hier entstehen Befehlsfolge, Antwortformat und die Fähigkeit, unerwünschte Anfragen abzulehnen. Das Signal stammt von Menschen oder anderen Modellen – ein passender Punkt für Destillation.

Der zweite Teil ist die Präferenzoptimierung, etwa RLHF oder DPO. Menschen vergleichen Antwortpaare, ein Belohnungsmodell lernt aus den Rangfolgen, die Politik des Modells wird gegen diese Belohnung optimiert. Der Autor erinnert daran, dass dieser Schritt für den Qualitätssprung von GPT-4 entscheidend war. Auch hier lässt sich das Signal aus Modellausgaben ableiten.

Der dritte und wichtigste Teil ist das Reinforcement Learning mit überprüfbaren Belohnungen, kurz RLVR. Das Modell agiert in einer Umgebung, führt Aktionen aus und erhält eine Belohnung aus der Ausführung: Tests bestehen, Abstürze reproduzieren sich, oder eben nicht. Das Signal ist objektiv, unabhängig von menschlichem Geschmack. Genau hier setzt Z.ai an.

Umgebungsfabriken: Warum der Engpass nicht mehr im Modell liegt

Z.ai hat für GLM-5.3 die Umgebungen im RLVR-Schritt verbessert. Die meisten bisherigen Umgebungen ähneln Programmieraufgaben: in sich geschlossene Rätsel mit Prüfprogramm. Die neuen Umgebungen bilden reale Expertenarbeit ab. Ein Beispiel ist eine ML-Infrastrukturaufgabe, in der das Modell auf Rechencluster, Speicher, interne Dokumentation, Codebasis und Experimentergebnisse zugreifen kann. Es muss Engpässe diagnostizieren, Optimierungen implementieren, eigene Experimente fahren und am Ende eine messbare Beschleunigung liefern.

Der Autor zitiert einen Satz aus dem Bericht von Z.ai: „As agent capability improves, much of the difficulty in scaling post-training moves from the model to the environment.“ Übersetzt: Je besser die Agentenfähigkeiten werden, desto stärker verlagert sich der Engpass beim Skalieren des Post-Trainings vom Modell auf die Umgebung. Um nicht Tausende solcher Aufgaben von Hand zu bauen, haben die Entwickler eine Umgebungsfabrik geschaffen. Forschungsagenten sammeln Aufgabenmuster aus realer Arbeit und verwandeln sie in langwierige Umgebungen mit verstecktem Zustand und mehrstufigen Abhängigkeiten.

Ein Richteragent muss jede Aufgabe zunächst selbst lösen, bevor sie in den Trainingspool aufgenommen wird. Eine Prüfung, die niemand besteht, wird nicht gestellt. Anschließend sucht ein weiterer Agent nach Schlupflöchern in den Umgebungen und schließt sie. Das Ergebnis ist ein Trainingsplan, der sich selbst schreibt und selbst benotet – Menschen prüfen nur noch die Ränder. Der Autor zieht eine Verbindung zu seinem eigenen Ansatz „Spec-Test-Lint“. Je vollständiger die Spezifikation und je enger die Tests an dieser Spezifikation liegen, desto autonomer kann ein Agent arbeiten. Im Kleinen hat er damit dasselbe getan, was Z.ai im Großen tut: eine klare, objektive Rückkopplungsschleife für eine bestimmte Aufgabe gebaut.

Vom Fehlerfinder zum Angreifer: Der Cyber-Effekt von GLM-5.3

Wer beim Training auf das Finden von Schwachstellen abzielt, darf sich nicht wundern, wenn das Modell auch angreifen lernt. Z.ai hat Daten aus Vulnerability-Discovery ins Training gemischt. Erwartet wurde eine bessere Fähigkeit, Schwachstellen zu finden und zu analysieren. Die Cyberfähigkeiten entwickelten sich schneller als gedacht. Das Modell begann, über mehrere Angriffsstufen hinweg zu denken und ganze Exploit-Ketten zu planen.

Im Praxistest mit Sicherheitsteams identifizierte das Modell 2.436 Schwachstellen in 269 Open-Source-Projekten. 1.097 davon gelten als mittelschwer bis schwerwiegend. Die älteste Lücke stammt aus dem Jahr 1981, im Schnitt lag eine Schwachstelle 26,6 Jahre unentdeckt im Code. Z.ai veröffentlicht die Offenlegung über ein öffentliches Ledger: 53 Fälle sind bereits offengelegt, 2.383 befinden sich unter Embargo. Diese Zahlen beeindrucken und beunruhigen gleichermaßen.

Was als Training für defensive Sicherheit gedacht war, erzeugt ein Modell mit offensiven Fähigkeiten. Der Autor sieht darin eine direkte Folge des verbesserten Reasoning. Wer die Fähigkeit stärkt, über mehrere Schritte hinweg zu denken, bekommt zwangsläufig auch bessere Angreifer. Open-Source-Modelle lassen sich nicht zurückrufen. Damit wird der verantwortungsvolle Umgang mit solchen Trainingsmethoden zur zentralen Frage der kommenden Monate.

Qwen3.8-27B: Post-Training als Hebel für den Hausgebrauch

Am selben Tag wie GLM-5.3 erschien Qwen3.8-27B. Für den Autor ist dieses Modell besonders spannend, weil es sich auf Hardware unter 10.000 Dollar betreiben lässt. Ein Mac mit genug einheitlichem Speicher, ein DGX Spark oder eine RTX 3090 reichen. Damit gibt es unbegrenzte Token-Kontingente für zu Hause. Der Autor nennt das ein Upgrade der „Hausintelligenz“ – und jeder Entwickler weiß, wie wertvoll ein lokal laufendes Modell sein kann.

Ein 27B-Modell ist kein direkter Konkurrent für die größten Frontier-Modelle. Qwen wagt in der Ankündigung trotzdem den Vergleich mit Opus 4.6 Max. Ob das Modell im Alltag wirklich mithält, muss sich zeigen. Allein die Möglichkeit, dass ein lokal betreibbares Modell in solche Nähe kommt, ist bemerkenswert. Mit den neuen Flash-Modellen von Qwen und GLM bekommt der Vergleich zwischen kompakten und riesigen Systemen zusätzliche Dynamik.

Die technischen Details von Qwen3.8-27B zeigen, dass auch hier die Architektur weitgehend gleich blieb. Das Modell basiert auf Qwen3.5, identische Layeranzahl, identische Dimensionen, native Kontextlänge. Allerdings hat Qwen im Gegensatz zu Z.ai auch das Pretraining erneut durchlaufen. Damit unterscheiden sich die beiden Releases in einem Punkt: GLM-5.3 setzt konsequent auf Post-Training, Qwen nutzt zusätzlich eine Retraining-Runde. Der Vergleich zeigt: Die größten Hebel liegen zunehmend auf der Post-Training-Seite.

Was diese Entwicklung für Open-Source-LLMs bedeutet

Die beiden Releases erlauben eine klare Schlussfolgerung. Weltwissen skaliert mit der Parameteranzahl, aber langfristige Zuverlässigkeit entsteht im Post-Training. Ein kleines Modell mit gutem Post-Training kann bei bestimmten Aufgaben größere Modelle schlagen, selbst wenn es weniger über die Welt weiß. Der Engpass wandert von der Modellarchitektur zur Umgebungskonstruktion. Die GLM-5.3-Verbesserungen lassen sich präzise verorten: nicht im Base Model, sondern in der Trainingsumgebung.

Für Entwickler und Unternehmen heißt das: Man muss nicht immer ein größeres Basismodell abwarten. Wer die richtigen Umgebungen baut, kann mit gezieltem RLVR deutlich mehr aus einem bestehenden Modell herausholen. Das senkt die Einstiegshürde für spezialisierte Anwendungen. Gleichzeitig steigt der Bedarf an Menschen, die solche Umgebungen entwerfen, bewerten und absichern können. Der Autor kündigt weitere Beiträge an, etwa zur Frage, wie Labore ihre Reasoning-Spuren vor Destillation schützen.

Am Ende bleibt eine nüchterne Erkenntnis: Die nächste Stufe der LLM-Entwicklung findet nicht unbedingt im Datenzentrum statt, sondern in den Trainingsumgebungen. Wer diese Umgebungen beherrscht, kann auch mit einem unveränderten Base Model erhebliche Leistungssprünge erzielen. Das hilft der Open-Source-Gemeinschaft, weil es den Fokus auf Methodik legt. Und es warnt, weil dieselbe Methodik auch für Angriffe genutzt werden kann. Warum Base Models nicht mehr der Flaschenhals sind, zeigt sich also in beide Richtungen: als Chance und als Risiko.

Quelle: adlrocha.substack.com

Wie übertrifft man KI-Modelle als Softwareentwickler? Genau darum geht es in einem vielbeachteten Essay von Sean Goedecke, den er Ende August 2026 veröffentlicht hat. Der Autor argumentiert, dass die alte Formel für den Wert eines Ingenieurs – nämlich der Vergleich mit einem durchschnittlichen Ersatzspieler – unter den Bedingungen moderner KI eine neue, viel radikalere Bedeutung bekommt.

Früher war ein durchschnittlicher Entwickler seinen Lohn wert, weil das Schreiben von Code schlicht teuer war. Die Einstiegshürde für Software lag in der Komplexität der Werkzeuge, der Einarbeitungszeit und den Fehlern, die ein Neuling erst mühsam lernen musste. Heute kostet ein KI-Agent, der Code produziert, etwa hundert Dollar im Monat. Damit stellt sich die unbequeme Frage: Was kannst du, was ein Modell wie GPT-5.6-Sol oder Claude Opus 5 an deiner Stelle nicht auch könnte? Und warum sollte dich ein Unternehmen dafür zwei oder drei Größenordnungen teurer bezahlen?

Diese Frage ist unangenehm. Aber sie ignoriert – so Goedecke – nur, wer sich in Illusionen flüchtet. Die Vorstellung, dass LLMs eigentlich gar keinen Code schreiben können und der ganze Hype bald zusammenbricht, hält einer Prüfung nicht stand. Wir werden im Jahr 2027 nicht aufwachen und wieder alles von Hand programmieren. Stattdessen lohnt es sich, genauer hinzusehen: Welche Fähigkeiten von Entwicklern sind auch für die besten Modelle schwer zu erreichen? Der Autor nennt zwei zentrale Bereiche: tiefe Vertrautheit mit der Codebase und technische Kommunikation.

Wert über Ersatz: Die neue Messlatte für Softwareentwickler

Goedecke hat den Begriff „Value over Replacement“ bereits 2025 in einem Aufsatz geprägt. Damals war die Idee noch einfach: Ein Entwickler sollte nicht danach bewertet werden, wie viel Geld sein Produkt eingebracht hat, sondern wie viel besser er im Vergleich zu einem durchschnittlichen Ingenieur auf derselben Position war. Ein JIRA-Ticket abzuarbeiten, das einem zugewiesen wurde, ist eben keine eigene Leistung, sondern bloß Erfüllung einer Rolle.

Im KI-Zeitalter wird diese Messlatte jedoch drastisch höher gelegt. Ein durchschnittlicher Ersatz ist heute kein Mensch mehr, sondern ein Modell. Und das Modell kostet nicht sechsstellig, sondern dreistellig im Jahr. Wer sich also auf seiner Position halten will, muss nachweisen, dass er mehr liefert als das, was ein LLM in derselben Umgebung liefern würde. Das ist eine ernüchternde Rechnung, aber sie hat einen Vorteil: Sie zwingt dazu, ehrlich zu inventarisieren, wo der eigene Mehrwert liegt.

Die meisten Entwickler fallen dabei auf zwei Säulen zurück, die sie vermutlich für selbstverständlich halten: Sie kennen den Code, und sie können über den Code reden. Genau diese scheinbar banalen Fähigkeiten sind es, die Modelle strukturell nicht beherrschen – und vielleicht auch nie ganz beherrschen werden.

Codebase-Vertrautheit: Der entscheidende Kontext, den Modelle nicht haben

Frontier-LLMs machen längst keine simplen Halluzinationen oder Off-by-one-Fehler mehr. Was sie stolpern lässt, sind Fehler aus Unwissenheit und aus Paranoia. Ein Modell kennt nicht das interne Modul, das genau die Logik bereits enthält, die es gerade neu implementiert. Es weiß nicht, dass System X in der Firma der Standardort für genau diese Funktionalität ist. Und es passt seinen Codestil nicht an die Konventionen des Teams an.

Die andere Fehlerklasse ist die Paranoia. Das Modell baut dreifach redundante Checks für einen Wert ein, der in der Praxis einmal aus einer Config geladen und nie wieder geändert wird. Es entwirft ein komplexes Caching-System, weil es zehn Millisekunden Stale Data für inakzeptabel hält, obwohl niemand im Unternehmen das Problem hat. Es fügt fallback-Logik und Graceful Degradation in ein CLI-Tool ein, das im Fehlerfall einfach crashen sollte. Das sind typische Fehler eines kompetenten Neulings, der die Risiken und Gewohnheiten des Systems noch nicht verinnerlicht hat.

Goedecke betont: Diese Fehler sind kein Zufall, sondern eine direkte Folge der Architektur von KI-Agenten. Ohne kontinuierliches Lernen oder wirklich massive Kontextfenster bleiben Agenten strukturell ignorant. Und genau hier liegt deine Chance. Wer die Codebase kennt, kann diese Fehler erkennen und korrigieren. Noch wichtiger: Er kann dem Modell selbstbewusst widersprechen. KI-Agenten sind überzeugend, wenn sie einen riskanten Sonderfall argumentieren. Sie neigen dazu, sich in einer Schleife zu verfangen und immer mehr defensive Systeme einzubauen, statt die einfache Lösung zu wählen. Ein Mensch, der den Code seit Jahren pflegt, muss den Mut haben zu sagen: „Das ist Quatsch, wir brauchen X und Y gar nicht, lass uns Z machen.“

Dabei hilft es nicht, andere KI-Agenten als Reviewer einzusetzen. Derselbe Model-Typ reproduziert dieselben Annahmen. Aber selbst verschiedene Modelle neigen zu denselben strukturellen Fehlerarten – Unwissenheit und Paranoia –, weil sie mit den gleichen Trainingsmethoden optimiert wurden. Ein KI-Review-Loop läuft sogar Gefahr, noch paranoidere Systeme zu produzieren, weil moderne Modelle darauf trainiert sind, unbedingt irgendeinen Nitpick zu finden. Das Ergebnis ist dann eine Codebase mit zehntausend Zeilen defensivem Müll.

Technische Kommunikation: Das menschliche Gegengift zur KI-Sprache

Der zweite Bereich, in dem Menschen Modelle schlagen, ist die Kommunikation. Ironischerweise werden die Modelle immer besser im Programmieren, aber paradoxerweise immer schlechter im Schreiben. Die frühen GPT-Modelle hatten gelegentlich einen fast menschlichen Tonfall. Mit GPT-4o kam der moderne Slop-Dialekt, und die neueren Anthropic-Modelle sprechen ein seltsames „Claudish“ – eine Mischung aus barock und abgehackt, die niemand freiwillig liest. Goedecke vermutet einen mechanistischen Grund: Die internen Reasoning-Tokens der Modelle sind zu einer Art Telegrammstil mutiert, der fast unverständlich ist. Wenn dieser Stil dann in die normale Ausgabe übersetzt wird, klingt er immer noch fremdartig.

Dahinter stecken zwei strukturelle Probleme. Gutes Schreiben ist kein verifizierbarer Bereich. Bei Mathematik oder Code kann man Aufgaben automatisch erzeugen und auswerten. Bei Schreibstil nicht. Wenn man Menschen beauftragt, Texte zu bewerten – etwa durch RLHF –, entsteht genau dieser Aufsatz-Stil, der in Einzelabsätzen beeindruckend wirkt, aber auf Dauer ermüdet. Und zweitens: Die Labore konzentrieren sich fast ausschließlich auf Fähigkeiten statt auf Kommunikation. Diese Priorität ist verständlich, aber sie hat zur Folge, dass Sprachmodelle für technische Inhalte zunehmend unleserlich werden.

Goedecke zieht dafür einen interessanten Vergleich: In Peter Watts’ Roman „Blindsight“ gibt es „Synthesisten“, die als Übersetzer zwischen kognitiv augmentierten Genies und normalen Menschen arbeiten. Die Genies kommunizieren in Abkürzungen und Gesten; die Synthesisten machen ihr Wissen für andere zugänglich. Diese Idee – dass Kommunikationsfähigkeit unabhängig oder sogar negativ mit Intelligenz korreliert sein kann – wirkt im KI-Kontext geradezu prophetisch. Ein „Land der Genies“ braucht trotzdem Menschen, die erklären können, was die Genies meinen.

Dazu kommt ein psychologischer Effekt, den viele im Berufsalltag bereits spüren: KI-Blindheit. Immer mehr Menschen haben einen Reflex entwickelt, bei KI-generierten Inhalten sofort abzuschalten. Das ist vergleichbar mit dem Ausblenden von Werbebannern. Wenn du also eine technische Strategie als KI-Text verteilst, müssen sich deine Kollegen zwingen, das Dokument wirklich zu lesen. Wenn du sie selbst schreibst, hast du eine viel größere Chance, dass deine Argumente ankommen.

Nicht zum Fleisch-Proxy werden: Die Gefahr der puren Durchreichung

Die bisherigen Fähigkeiten nützen nur, wenn du sie tatsächlich einsetzt. Goedecke warnt eindringlich vor dem „Meat Proxy“ – also dem Menschen, der nur noch Anfragen in den KI-Agenten tippt und dessen Output als eigene Arbeit weitergibt. Das ist die sicherste Methode, entlassen zu werden, denn definitionsgemäß fügst du keinen Wert hinzu. Auch ausgefeilte Multi-Agenten-Systeme – sogenannte „Software-Factorys“ – sind keine Rettung. Sobald diese Muster in die Enterprise-AI-Werkzeuge einziehen, bist du ersetzbar.

Konsequenterweise bedeutet das nicht, dass man KI meiden sollte. Im Gegenteil: Wer KI gar nicht nutzt, ist zwar besser als ein Fleisch-Proxy, weil er zumindest ein paar Dinge besser macht als das Modell. Aber er verschenkt das Potenzial, sich gerade auf die Bereiche zu konzentrieren, die Modelle nicht abdecken. Die Strategie sollte sein: Verstehe, was KI gut kann, und positioniere dich genau in die Lücken, die sie offen lässt. Aktuell sind das vor allem die tiefe Kenntnis des Systems und die Fähigkeit, klar und überzeugend darüber zu schreiben.

Diese Lücken könnten sich verschieben. Goedecke räumt ein, dass Bereiche wie „grobe Änderungen an großen Codebases“ noch vor kurzem menschliches Können erforderten – heute übernehmen das Modelle bereits. Der Versuch, sich in ein „hartes Ingenieurgebiet“ zurückzuziehen, in dem es tiefe Expertise braucht, funktioniert vielleicht kurzfristig, aber nicht dauerhaft. Wenn ein Modell erst einmal die Riemannsche Vermutung knackt, wird es bald auch solide Treiber oder GPU-Shader schreiben. Die einzige stabile Strategie ist, genau die Aufgaben zu suchen, bei denen Modelle strukturell nicht besser werden können.

Was das für deine Karriere im Jahr 2026 bedeutet

Die gute Nachricht ist: Diese beiden Fähigkeiten – Codebase-Vertrautheit und technische Kommunikation – sind übungsfähig. Du kannst sie in deinem aktuellen Job gezielt aufbauen. Nimm dir Zeit, das System wirklich zu verstehen, nicht nur die Tickets abzuarbeiten. Lies alte Requests, frage nach den Hintergründen von Designentscheidungen. Und schreibe nicht nur Doku, sondern auch Mails, Design-Dokumente und Kommentare, die ein Mensch gerne liest. Das sind Investitionen, die sich auszahlen.

Die schlechte Nachricht ist: Der Druck wird nicht nachlassen. Die Modelle verbessern sich kontinuierlich. Was heute dein Vorsprung ist, könnte morgen schon Standard sein. Deshalb solltest du dich nicht auf einer bestimmten Technologie ausruhen, sondern die Fähigkeit selbst pflegen: die Vertrautheit mit einem komplexen System und die Fertigkeit, darüber zu kommunizieren. Das sind keine statischen Skills, sondern dynamische. Jedes neue Projekt, jede neue Codebase verlangt, dass du beide erneut unter Beweis stellst.

Am Ende geht es um eine geerdete Einordnung. KI wird nicht verschwinden, und der Beruf des Softwareentwicklers wird sich grundlegend verändern. Wer die Modelle nutzt, aber gleichzeitig die Lücken füllt, die sie offen lassen, wird nicht nur überleben, sondern auch in zehn Jahren noch gefragt sein. Die eigentliche Kunst ist nicht, schneller als die KI zu programmieren, sondern zu wissen, was sie nicht weiß – und das in Worte zu fassen, die Menschen überzeugen.

Quelle: seangoedecke.com