| Sonntag · 24. Mai 2026 |
Issue № 006 |
15 Min. Lesezeit |
|
|
Der wöchentliche FindSkill-Brief
The Skill
Nur für FindSkill Pro-Mitglieder. Die KI-News, die wirklich etwas an deinem Arbeitsalltag ändern.
|
|
Nur für Pro-Mitglieder
|
Ein privater Brief
|
Wird nirgendwo veröffentlicht
|
|
|
|
Mia
KI-Lern-Redakteurin · FindSkill.ai
|
Willkommen zu Ausgabe 006.
Ich bin Mia. Jeden Montag schlage ich in deinem Posteingang auf und erkläre dir, was die KI-News der Woche wirklich für deine Arbeit heißen. Kein Buzzword-Bingo, kein Hype, keine "10 Dinge, die du JETZT wissen musst"-Schlagzeile. Nur für Pro-Mitglieder. Wird nirgendwo sonst veröffentlicht.
Pfingstmontag, und du liest das vielleicht vom Sofa. Schönes langes Wochenende dir. Diese Ausgabe ist trotzdem kein leichter Brief, weil die Woche keine leichte war. Google hat am Dienstag auf der I/O den vollen Agent-Stack gelauncht. Anthropic hat am Sonntag davor die Firma gekauft, die die SDKs jedes größeren Labs baut. Beides ist laut und füllt die Tech-Presse die nächsten zwei Wochen. Die leisere Story darunter ist die, der ich den Großteil dieser Ausgabe widme: Anbieter liefern jetzt Evaluation als Produkt aus. Erst veröffentlichen sie den Benchmark, dann verkaufen sie die Beratung, die dir hilft, ihn zu treffen. OpenAI hat das diesen Monat zweimal gemacht. Anthropic mit Outcomes. HubSpot mit AEO Sensor. Das Muster ist die neue Form von KI-Go-to-Market. Und es ändert, wie dein Job im nächsten Quartal aussieht.
Kurze Notiz zu euren Antworten. Die Frage von letzter Woche (auf welches wöchentliche Deliverable lässt du den Zwei-Agent-Loop als Erstes los) hat 31 Antworten gebracht. Die Top drei: Status-Updates an Kund:innen (15), Absagen an Bewerber:innen (7), Vorstandsupdates (5). Ich schreibe diese Woche die rollenspezifischen Rubriken zur ersten Charge. Sie gehen an alle, die geantwortet haben. Antworte, wenn du in die nächste Charge willst.
— Mia
|
01 |
Diese Woche in KI
Drei Stories, die diese Woche eine Minute Aufmerksamkeit verdienen
|
Tool Launch
Google hat seinen vollen Agent-Stack auf der I/O gelauncht. Aber die Hälfte davon kommt für dich erst im Herbst — oder später.
Auf der Google I/O am 19. Mai hat Google in einer Keynote zwei Sachen vorgestellt. Gemini Spark ist die Konsumenten-Hälfte: ein 24/7-Persönlicher-Agent in der Gemini-App, der Tische bei OpenTable bucht, Warenkörbe füllt und Bilder bearbeitet. Drei Day-One-MCP-Connectoren: Canva, OpenTable, Instacart. Für dich heißt das erstmal: nichts. Heise schreibt es klar: Personal Intelligence und Spark bleiben im EWR, in der Schweiz und im UK gesperrt. DSGVO und EU AI Act stellen Fragen, die ein autonomer Cloud-Agent erst beantworten muss, bevor er hier launchen darf. Skill-Sprinters rechnet einen realistischen EU-Launch frühestens für Q3 oder Q4 2026 vor. Auf der Connector-Liste steht außerdem kein einziges deutsches Tool: kein DATEV, kein Personio, kein HRS, kein Quandoo. Für dich ist Spark beim Launch eine US-Demo, kein Werkzeug. Antigravity 2.0 dagegen ist die Entwickler-Hälfte: Desktop-App, CLI, SDK plus Managed Agents in der Gemini-API. Sofort weltweit verfügbar. TechCrunch nennt es Googles erste echte Antwort auf Claude Code und Cursor. Dazu kommt ein neuer AI-Ultra-Plan für 100 $/Monat (ca. 92 €) mit 5× höheren Antigravity-Limits als Pro. Den Connector-Gap habe ich am Samstag im Blog auseinandergenommen und den SaaS-PM-Entscheidungsbaum draufgesetzt.
|
Was das für dich bedeutet
Der Markt für Agent-Runtimes ist gerade zum Vierer-Rennen geworden. Claude, ChatGPT, Cursor und jetzt Gemini haben alle parallele Agent-Stacks bei echten Usern. Du musst diese Woche keine Entscheidung treffen. Du musst nur wissen, welche du wofür nehmen würdest, idealerweise einen Satz zu jeder. Genau das wird dein:e Chef:in dich im nächsten Monat fragen. Antigravity 2.0 ist die Hälfte, die du heute schon anfassen kannst. Zehn Minuten an einer echten Aufgabe diese Woche reichen. Auch wenn du es nie wieder benutzt, hast du danach eine konkrete Antwort, wenn jemand fragt, wie es im Vergleich aussieht. Spark schiebst du in den Q3-Slot deiner Tool-Übersicht.
|
Business
Anthropic hat die Firma gekauft, die die SDKs jedes größeren Labs baut. Der Infrastruktur-Layer hat sich gerade konsolidiert.
Am 18. Mai hat Anthropic Stainless übernommen, für über 300 Mio. $ (ca. 280 Mio. €). Stainless ist das vier Jahre alte Startup, das aus API-Specs idiomatische SDKs in sieben Sprachen baut. Hat die offiziellen SDKs für OpenAI, Google, Cloudflare, Cerebras, Perplexity und Anthropic selbst geschrieben. TechCrunch bestätigt: Die gehosteten Produkte für Nicht-Anthropic-Kund:innen werden eingestellt. Bestehende SDKs laufen weiter, die Auto-Maintenance-Pipeline, die sie mit API-Änderungen synchron hielt, nicht. Die DACH-Tech-Presse hat den Deal sofort als Vendor-Lock-in-Story aufgegriffen. dr.web und ad-hoc-news sagen es fast wortgleich: Wer ohne KI-Lieferantenstrategie ins Jahr 2026 geht, läuft 2027 in die Lock-in-Falle. Speakeasy und FERN haben innerhalb von 48 Stunden öffentliche Migrations-Angebote für Ex-Stainless-Kund:innen rausgeschickt.
|
Was das für dich bedeutet
Auch wenn du selbst kein SDK ausspielst, ist das wichtig. Die Lektion ist der Dependency-Graph-Audit, den der Stainless-Deal sichtbar gemacht hat: Wo sonst in deinem Stack kontrolliert eine einzige Firma die Infrastruktur, von der du abhängst, und was ist dein Plan, wenn die Firma die Richtung ändert? Eine konkrete Stunde mit deiner `requirements.txt` oder `package.json` ist der Audit für Code-Stacks. Im Mittelstand kommt noch ein zweiter Audit dazu, den die US-Presse nicht hat: Prüf, welcher SDK-Generator hinter deinen DATEV-, Personio-, Lexware- oder SAP-Integrationen sitzt. AnythingMCP (open-source, self-hosted, GitHub-Projekt HelpCode-ai) baut für genau diese deutschen Tools vorgefertigte Adapter. Sprich: Einen DACH-nativen Plan B gibt es bereits, falls du dich in einem US-Vendor wiederfindest. Eine Stunde diese Woche. Sortiert sich halt nicht von selbst.
|
Trend-Spotlight
Anbieter veröffentlichen jetzt den Benchmark und verkaufen den Service, der ihn dir näher bringt. Eval wird zum Produkt.
Drei Datenpunkte aus diesem Monat, keiner zufällig. Am 6. Mai hat OpenAI B2B Signals veröffentlicht: der Report, der die 3,5× und 16× Frontier-Firm-Zahlen in jedes CTO-Deck dieses Quartals gebracht hat. Vier Tage später, am 10. Mai, hat OpenAI die Deployment Company gelauncht, einen Beratungs-Arm, dessen Pitch davon lebt, dass Unternehmen sich beim Chart, den OpenAI gerade veröffentlicht hat, zurückliegend fühlen. Anthropic hat den Parallel-Move gemacht: Outcomes am selben 6. Mai in Public Beta. Entwickler:innen können Agent-Output gegen eine eigene Rubrik benoten lassen, gemeldete Verbesserung 10 Punkte direkt aus der Box. Plus die Case Studies. HubSpot hat am 14. Mai AEO Sensor gelauncht, ein kostenloses Dashboard, das KI-Suchzitate trackt. Und HubSpot verkauft eben auch die AEO-Services, die fixen, was das Dashboard anzeigt. Drei Firmen, drei Wochen, dasselbe Muster. Der Benchmark ist der Lead-Funnel für die Beratung. In DACH bekommst du noch eine zweite Lesart oben drauf: Ab 2. August 2026 greifen die Hochrisiko-Pflichten des EU AI Act mit voller Wucht. Konformitätsbewertung, technische Dokumentation, Risikomanagement, Daten-Governance, menschliche Aufsicht. Bußgelder bis 35 Mio. € oder 7 % des weltweiten Jahresumsatzes (Sage rechnet das für den Mittelstand durch). Eval ist hier also nicht nur Marketing-Lead-Funnel. Es ist gleichzeitig gesetzliche Pflicht. Bitkom hat im Februar 2026 die KI-Studie veröffentlicht (41 % nutzen aktiv KI) und verkauft die Branchenberatung dazu. MHP zusammen mit der LMU München hat das Industry 4.0 Barometer 2026 veröffentlicht und verkauft die Transformations-Beratung. Selbes Muster, deutsche Variante.
|
Was das für dich bedeutet
Das ist die Linse, durch die du jede Vendor-Ankündigung der nächsten zwei Quartale lesen solltest. Wenn jemand einen Benchmark veröffentlicht: Frag, was sie an Firmen verkaufen, die schlecht abschneiden. Die Information bleibt nützlich. B2B Signals ist real, der 10-Punkte-Lift bei Outcomes ist real, die Zitate von AEO Sensor sind real. Neutral ist sie aber nicht, und die Fußnote unter der Vorstandsfolie ist nicht optional. Die interne Version dieses Shifts wiegt mehr als die externe. Dein Team-Burggraben nächstes Jahr ist die interne Rubrik. Und in DACH hat das einen zweiten Vorteil: Die Rubrik, die du diesen Sommer baust, ist gleichzeitig der erste Baustein für deine AI-Act-Compliance ab August. Abschnitt 03 ist die Rolle, die daraus entsteht. Abschnitt 04 ist der kleinste mögliche Startzug.
---
|
|
02 |
Begriff der Woche
Das eine Konzept, das du diese Woche verstehen solltest
|
| |
|
Begriff №006
Evals
< Evals — kurz für *evaluations* (im DE-Tech-Sprachgebrauch: Evals; offiziell: Evaluierung; bei TÜV und Behörden: Konformitätsbewertung) >
Ein Eval ist ein wiederholbarer Test, der KI-Output gegen eine Rubrik benotet. Du definierst in 5 bis 8 Zeilen, wie "gut" aussieht. Du sammelst eine feste Menge an Inputs, die dir wichtig sind (ein "Golden Set" aus 20 bis 50 Beispielen). Du lässt die KI auf jedem laufen und scorest die Outputs gegen die Rubrik. Lass das wöchentlich laufen, und du weißt, ob deine KI besser wird, schlechter wird oder driftet.
|
Think of it like this →
Stell dir eine TÜV-Prüfung vor. Bevor der Sachverständige die Bremsanlage anfasst, gibt es eine Prüfliste: bremst das Fahrzeug auf einer 50-Meter-Distanz innerhalb der Toleranz, ja oder nein? Greift die Handbremse beim Anfahren am Berg, ja oder nein? Liegt der ABS-Bremsweg unter dem Grenzwert, ja oder nein? Die Liste ist die Rubrik. Die 30 Fahrzeuge, die im Halbjahr durchlaufen, sind dein Golden Set. Und weil jedes Mal nach derselben Liste geprüft wird, kannst du nach sechs Monaten sagen, ob dein Modell in der Werkstatt schlechter wird oder nicht. Eine ISO-Audit-Checkliste funktioniert nach demselben Prinzip. Eval ist Prüf-Disziplin in Software-Form.
|
|
⚠ Common misconception
"Evals sind was für KI-Labs, die neue Modelle benchmarken. Sind nichts für jemanden wie mich." Nein. Die MMLU- und SWE-bench-Leaderboard-Evals sind eine winzige Ecke des Feldes. Der Eval, der in deinem Job zählt, ist der interne: fünf konkrete Zeilen, die den KI-Output benoten, von dem du jede Woche abhängst. Die Labs nutzen Rubriken, weil Rubriken funktionieren. Dieselbe Logik trägt eine Marketerin, die E-Mail-Drafts benotet, oder eine Rechtsanwaltsfachangestellte, die Recherche-Memos prüft. Rubrik-Design ist die Fertigkeit, und sie skaliert runter auf eine einzige wiederkehrende Aufgabe.
|
Wo du es hören wirst: Anthropics Outcomes (Rubrik-Grading zur Inference-Zeit, 6. Mai). OpenAIs Evals-Plattform (und PromptFoo, das OpenAI im März übernommen hat, bleibt MIT-lizenziert). Braintrust, die eval-first Observability-Plattform, die im Februar 80 Mio. $ Series B eingesammelt hat. Inspect AI, das Open-Source-Framework der UK-Regierung, jetzt bei Anthropic und DeepMind im Frontier-Safety-Bereich im Einsatz. In DACH läuft der Begriff in zwei Formen: in der Tech-Presse als Loanword (Heise hat ein Praxis-Tutorial mit dem Titel "Large Language Models testen mit EVALs" veröffentlicht) und in der Compliance-Welt als Konformitätsbewertung (TÜV AI.Lab, Bundesnetzagentur, EU AI Act). Beide Wörter meinen dasselbe Konzept, aber mit unterschiedlichem Gewicht. Und in jedem Wochen-Meeting, in dem jemand sagt "die KI war hier doch mal gut und jetzt nicht mehr", ist gemeint: Wir haben keinen Eval, also haben wir es zu spät bemerkt.
Evaluating AI Models — der Praxiskurs →
|
|
03 |
Tiefe Einsicht
Die Rolle, die noch keiner einstellt — und auf die deine Karriere als Nächstes zeigt
|
Ein Berufsbild ist in den letzten 90 Tagen auf StepStone und Indeed aufgetaucht, das praktisch niemand in deinem Team im Lebenslauf hat. In zwei der Stellen, die ich beim Schreiben dieses Briefs gelesen habe, lag die obere Spanne über 100.000 € Jahresgehalt. Die Rolle existiert wegen des Shifts aus Abschnitt 01 Story 3. Und du kannst dich darauf positionieren, ohne den Job zu wechseln.
Beim ersten "AI Evaluation Engineer"-Posting mit über 400 k $ Cap dachte ich an einen Ausreißer. War keiner. Such heute auf StepStone "KI-Prompt-Engineer" und du bekommst 4.686 offene Stellen (Mai 2026, Hubs Berlin, Hamburg, München) mit einem Schnitt von 55.800 €/Jahr (Spanne 48.100 € bis 66.700 €). Für die Engineering-Variante meldet Turing College einen Schnitt von 92.409 €/Jahr, Spitze bis 150.000 €, München führt mit 94.713 €, Berlin bei 65.200 €. Die Rolle hat keinen Computer-Science-Engpass. Sie hat einen Rubrik-Urteilskraft-Engpass. Gute Nachricht für dich: Rubrik-Urteilskraft ist eine übertragbare Fertigkeit, die sich mit Übung verdichtet. Kein Zertifikat, für das du nochmal zurück an die Uni musst.
The role. Nenn sie die KI-Qualitätsmanagerin oder den KI-Auditor: die Person im Team, deren Job ist, zu wissen, ob der KI-Output tatsächlich gut ist. Sie schreibt nicht die Prompts (das macht inzwischen jede:r). Sie trainiert nicht das Modell (das macht das Lab). Sie baut die Rubrik, lässt sie wöchentlich gegen ein festes Set an Beispielen laufen, prüft die Samples, an denen die Rubrik grenzwertig ist, und sagt dem Team "das ist gut genug zum Ausspielen" oder "das ist es nicht, und hier ist genau das Kriterium, das gerissen ist". Die Frontier-Firms-Erkenntnis aus B2B Signals (dass 64 % der Produktivitätslücke aus Tiefe kommt, nicht aus Volumen) ist die Statik unter der Rolle. Ein Team, das wöchentlich Tausende von Agent-Workflows fährt, hat keine Chance zu wissen, welche davon funktionieren, ohne jemanden, dessen Job genau das ist. In DACH kommt der zweite Hebel dazu: Artikel 4 des EU AI Act verlangt seit Februar 2025, dass Anbieter und Betreiber von KI-Systemen "geeignete KI-Kompetenz" beim Personal sicherstellen. Heißt: Dieselbe Rolle, die der US-Markt aus Effizienz-Gründen erfindet, wird in DACH zusätzlich gesetzlich gestützt. Marktlogik und Compliance-Logik zeigen aufs gleiche Berufsbild.
The skill stack. Vier Fertigkeiten, in der Reihenfolge, in der sie zurückzahlen. Eins — Rubrik-Design. Verwandle das unscharfe "ist das gut?" in 5 bis 8 konkrete Zeilen, jede eine Ja/Nein-Frage, die ein Fremder genauso bewerten würde wie du. ("Nennt den Termin" schlägt "ist klar"). Zwei — Golden-Set-Kuratierung. Such die 20 bis 50 Inputs aus, die die Bandbreite der echten Fälle abdecken. Langweiliges Beispiel, schräger Edge Case, der eine, der letztes Quartal gerissen ist. Drei — kalibriertes Scoring. Wisse, wann LLM-as-Judge reicht (objektive Kriterien, niedriges Risiko) und wann nur ein Mensch das Versagen sieht (Tonalität, Urteilskraft, alles Regulierte). Vier — Eval-Ops. Lass die Harness im gleichen Wochentakt laufen. Tracke Drift. Mott die Rubrik aus, wenn sie nichts mehr fängt, und schreib eine neue. Die Hälfte davon ist redaktionelles Urteil. Die andere Hälfte ist Operations-Disziplin. Keine der beiden Hälften ist "Machine Learning".
The TÜV path. Hier hat DACH einen Vorteil, den der US-Markt nicht hat: einen formal qualifizierten Weg in die Rolle. TÜV AI.Lab (das Joint Venture von TÜV Hessen, NORD, SÜD, Rheinland, Thüringen, gegründet 2023) baut bereits die AI Assessment Matrix und den AI Act Risk Navigator. Die TÜV-Akademie bietet inzwischen die Zertifikatslehrgänge "Interner KI-Auditor (TÜV)" und "KI-Beauftragte:r (TÜV)" an, blockchain-gesichertes Zertifikat, ISO/IEC 17024-konform. Die Bundesnetzagentur ist seit August 2025 die notifizierende Behörde für Konformitätsbewertungsstellen. Das ist nicht nur ein Berufsbild. Das ist ein Karrierepfad mit klarem Stempel am Ende. Wer Anfang 2026 mit dem Zertifikat startet, ist beim August-2026-Stichtag eine der wenigen Personen in DACH mit formal nachgewiesener KI-Audit-Qualifikation.
How to position. Drei konkrete Moves, die unabhängig davon funktionieren, ob du Marketerin bist, Lehrerin, Anwältin oder Entwicklerin. Eins: Such dir die eine KI-Aufgabe raus, die du am häufigsten wiederholst, weil der Output immer schief liegt. Das ist die Aufgabe mit dem höchsten ROI auf eine Rubrik. Zwei: Schreib die Rubrik diese Woche, fünf bis acht Zeilen, nutz sie zwei Wochen. Lass sie auf den tatsächlichen Outputs laufen. Zieh sie fest. Du hast jetzt ein arbeitendes Artefakt, das du vor zehn Tagen nicht hattest. Drei: Mach es sichtbar. Ein kurzer Blogpost, eine interne Wiki-Seite, ein Loom-Recording, in dem du zwei Outputs gegen die Rubrik benotest. Das Artefakt ist das, was die Fertigkeit übertragbar macht: Die Rubrik in deinem Kopf ist unsichtbar, die in einem Doc ist deine Bewerbungszeile. Die stärkste Interview-Antwort in sechs Monaten ist nicht "ich mache Prompt-Engineering". Sie ist: "Ich evaluiere KI-Outputs bei $current_company gegen die Rubrik, die ich gebaut habe. Hier ist sie." Und falls die Rolle in DACH ausgeschrieben ist: Häng den Halbsatz "TÜV-Lehrgang in Vorbereitung" dazu, falls du in der Richtung gehst.
Diese Woche machen Such dir die eine wöchentliche KI-Aufgabe raus, die du am häufigsten neu startest, weil der erste Output nicht passte. Mach ein leeres Doc auf. Schreib fünf Zeilen, jede ein Ja/Nein-Kriterium, das der Output erfüllen muss. Lass es auf dem Output dieser Woche laufen. Notier, an welcher Zeile die KI durchgefallen ist. Diese Notiz ist die erste Überarbeitung deiner Rubrik. Und das Erste, was du in einem Bewerbungsgespräch zu Evals zeigen würdest. |
|
04 |
Der Workflow
Eine Art, KI diese Woche bei deiner Arbeit einzusetzen
|
| |
Hör auf, Prompts neu zu schreiben. Fang an, sie zu benoten.
Such dir die KI-Aufgabe raus, die du in einer normalen Woche am häufigsten wiederholst: das wöchentliche Status-Update an Kund:innen, die Absage an Bewerber:innen, das Meeting-Prep-Brief, die Kalt-Mail-Überarbeitung. Mach ein leeres Doc auf und schreib eine Fünf-Zeilen-Rubrik dafür. Jede Zeile ein Ja/Nein-Kriterium: Nennt der Output den spezifischen Wunsch der Kundin? Ja / Nein. Zitiert er mindestens einen Datenpunkt? Ja / Nein. Ist die Schlussfrage konkret (nicht "Gedanken dazu?")? Ja / Nein. Trifft die Tonalität das Register der letzten E-Mail der Kundin innerhalb eines Schritts? Ja / Nein. Ist die Länge unter 180 Wörter? Ja / Nein. Mach jede Zeile so konkret, dass eine fremde Person sie genauso scoren würde wie du. Jetzt für eine Woche: Jedes Mal, wenn du diese Aufgabe laufen lässt, kopier die Rubrik unter den KI-Output und score ja/nein. Du änderst den Prompt nicht. Du führst ein Log. Bis Freitag siehst du eines von zwei Mustern: Entweder fällt jedes Mal dieselbe Zeile durch (der Prompt hat ein Loch, das du fixen kannst) oder unterschiedliche Zeilen fallen zufällig durch (dein Golden Set ist zu klein, du brauchst drei weitere Beispiele). So oder so: Du weißt genau, was als Nächstes ansteht.
Warum es funktioniert: Der Grundfehler bei One-Shot-KI ist nicht der schlechte Prompt. Es ist der unsichtbar schlechte Prompt: Du hast diese Woche gemerkt, dass der Output schief liegt, aber du kannst nicht artikulieren, welcher Teil. Fünf konkrete Ja/Nein-Zeilen zwingen das Versagen, sich selbst zu benennen. Sobald es einen Namen hat, fixt du den Prompt mit einer Bearbeitung statt mit drei Überarbeitungen. Es ist derselbe Trick, den Anthropics Outcomes-Feature zur Inference-Zeit anwendet: Die Rubrik schmälert die Freiheitsgrade des Modells. Du wendest ihn manuell auf eine Aufgabe an. Die Fertigkeit verdichtet sich: Die zweite Rubrik dauert halb so lange wie die erste.
|
Diese Woche machen
Such die Aufgabe heute aus. Schreib die fünf Zeilen heute Abend. Lass den Loop eine ganze Woche laufen. Die Fertigkeit, die sich verdichtet, ist Rubrik-Design. Nicht die Rubrik für diese spezifische Aufgabe. Bei der zweiten, die du schreibst, bist du kalibriert.
|
|
|
05 |
Der Nebenverdienst
Eine Art, mit KI diese Woche Geld zu verdienen
|
| |
| ◆ Income Idea · Play №006 |
Verkauf die Prüfliste, nicht den Prompt.
Wähl eine Rolle, die du selbst gemacht oder aus der Nähe beobachtet hast: Personalreferent:in, Rechtsanwaltsfachangestellte:r, Immobilienmakler:in, freie:r Lektor:in, Key-Account-Manager:in, Schulleiter:in, Junior-PM, Finanzberater:in. Bau eine einzelne PDF- oder Notion-Seite mit dem Titel "Rubrik-Kit für [Rolle]: benote die KI, bevor du sie rausschickst." Da rein kommen vier Sachen: (1) acht Rubriken, eine für jedes wiederkehrende KI-Deliverable in der Rolle (eine Recruiter-Outreach-E-Mail, eine Beweisaufnahme-Zusammenfassung der Rechtsanwaltsfachangestellten, eine Immobilien-Exposé-Beschreibung); jede Rubrik 5 bis 8 Ja/Nein-Kriterien, konkret statt generisch ("nennt den Termin" schlägt "ist klar"); (2) zwei ausgearbeitete Beispiele pro Rubrik, eins, das besteht, eins, das fällt, mit der exakten Zeile, die gerissen ist, markiert; (3) ein One-Pager "Wann LLM-as-Judge, wann Mensch" für diese Rolle spezifisch, weil Beweisaufnahme-Arbeit andere Zeilen hat, die Menschen-Urteil brauchen, als Marketing-Texte; (4) ein kurzes Setup-Skript, um die gleiche Rubrik wöchentlich in einem Google Doc, einer Notion-Database oder einer freien PromptFoo-Config laufen zu lassen. Preis 39 bis 79 €. Plattform: Digistore24 oder CopeCart (deutsche Mehrwertsteuer-konforme Rechnung inklusive, Käufervertrauen ist im DACH-Raum deutlich höher als bei Gumroad). Positionierung schlicht: "Du brauchst keine schlauere KI. Du brauchst zu wissen, ob die, die du hast, gut genug ist."
Warum es funktioniert: Der Markt ist voll mit Prompt-Packs und wird jeden Monat billiger. Die meisten haben dieselben Claude- und ChatGPT-Prompts neu verpackt. Rubriken sind die marktstrategische Umkehrung: das, wonach du greifst, nachdem du die Prompts versucht hast und der Output sich immer noch schief anfühlt. Fast niemand produktisiert sie für Nicht-Entwickler:innen. Die Käuferin zahlt dich, weil du die rollenspezifische Arbeit gemacht hast, herauszufinden, was "gut" für ihren Job heißt. Also genau der Skill-Stack aus Abschnitt 03, verpackt. Realistische Einnahmen: 400 bis 2.500 €/Monat ohne Audience (10 bis 60 Verkäufe à 39 bis 69 €, machbar in den ersten acht Wochen); 2.000 bis 6.000 €/Monat, wenn du es direkt in dein bestehendes LinkedIn-Netzwerk in der Zielrolle reinspielst. In DACH kommt ein Compliance-Bonus dazu: Ab August 2026 brauchen Firmen Belege für interne KI-Bewertung, und dein Rubrik-Kit ist genau der Beleg, den eine Audit-Abteilung im Onboarding sehen will. Das Zeitfenster ist ungefähr zwei Quartale breit, bevor die Kategorie kippt. Genauso, wie es 2024 mit Prompt-Packs gelaufen ist.
|
Diese Woche machen
Wähl die Rolle heute. Schreib die ersten drei Rubriken heute Abend aus dem Kopf — was muss eine gute Outreach-E-Mail leisten? Die restlichen fünf kommen nach dem ersten Verkauf. List es auf Digistore24 mit drei Rubriken und einer "mehr folgt"-Notiz. Das Listing ist das Artefakt, nicht das fertige Kit.
|
|
|
06 |
The Stack
Drei Tools, die ich diese Woche wirklich teste
|
01 |
Braintrust
Eval-first Observability-Plattform · Free Tier; Team-Plans ab ca. 229 €/Monat
Die Managed-Eval-Option für Teams, die die Harness nicht selbst hosten wollen. Braintrust hat im Februar 80 Mio. $ Series B bei 800 Mio. $ Bewertung eingesammelt, geführt von ICONIQ mit a16z, Greylock und Elad Gil. Die Kundenliste umfasst Notion, Replit, Cloudflare, Ramp, Vercel und BILL, was dir sagt, wer das schon in Produktion fährt. Warum es in diese Ausgabe gehört: Braintrust macht für Evals, was Datadog für Server-Metriken gemacht hat. Du instrumentierst den Agent-Call, du shipst die Rubrik, du bekommst ein Dashboard, das dir sagt, welcher Prompt wann regrediert ist. Free Tier reicht für deinen ersten wöchentlichen Eval. Ein Dienstagnachmittag wert, um zu sehen, ob die Trace-View zu deiner Arbeit passt. DSGVO-Hinweis: SaaS-gehostet in den USA. Für Banken, Gesundheit oder Behörden ein Showstopper. Dann self-host über den Enterprise-Plan oder eine der lokalen Alternativen weiter unten.
|
02 |
PromptFoo
Open-Source-CLI für Prompt- und Agent-Evals · Free (MIT)
Das erste Tool, das ich auf einer neuen Maschine für diese Arbeit installiere. PromptFoo ist eine YAML-Config-CLI: Du schreibst deine Prompts und Testfälle in eine Config-Datei, du läufst `promptfoo eval`, und du bekommst Side-by-Side-Vergleiche über GPT, Claude, Gemini, DeepSeek und jedes lokale Modell. OpenAI hat es im März 2026 übernommen, MIT-lizenziert bleibt es trotzdem. Die zitierte Nutzung deckt rund ein Viertel der Fortune 500 plus internen Einsatz bei OpenAI und Anthropic ab. Warum du das auch ohne Code-Hintergrund kennen solltest: Eine Nicht-Entwicklerin kann `promptfoo init` gegen einen API-Key laufen lassen und hat in zehn Minuten einen funktionierenden Eval. Heise hat im Februar ein deutschsprachiges Tutorial dazu veröffentlicht. Das Tool ist im DE-Tech-Mainstream angekommen. Der erste harte Teil ist die Rubrik (also genau die Fertigkeit aus Abschnitt 03). Der zweite harte Teil ist, das Testset frisch zu halten. PromptFoo deckt alles dazwischen ab.
|
03 |
Inspect AI (plus eine DACH-Alternative)
Open-Source-LLM-Eval-Framework der UK-Regierung · Free (MIT, Python)
Die ernsthafte Option für alle, deren Evals einer regulatorischen Prüfung standhalten müssen. Inspect AI wurde vom UK AI Security Institute gebaut und wird inzwischen von Anthropic und Google DeepMind für Frontier-Safety-Evaluationen genutzt. Die Library liefert 200+ vorgefertigte Evaluierungs-Tasks und läuft gegen jede größere API plus lokale Modelle. Warum es in den Stack dieser Ausgabe gehört: Der Stil an Eval, den Inspect AI erzwingt (Datasets, Scorer, Sandboxed Execution, reproduzierbare Logs) ist exakt das, wie auditierbare KI-Arbeit in regulierten Branchen aussieht. Für Gesundheit, Recht, Finanzdienstleistungen oder alles, wo jemand die Eval-Methodik später per Subpoena anfordern könnte, lautet die Wahl zwischen Braintrust und Inspect grob "managed/proprietary vs. self-hosted/audit-fest". Die Interoperability-Dokumentation der EU ist die diplomatische Form, in der Brüssel signalisiert: Das ist das Framework, dem öffentliche Beschaffer vertrauen werden. DACH-Bonus: Wenn du eine in DE entwickelte Alternative suchst, schau dir Langfuse (Berlin/SF, MIT-lizenziert, self-hostbar) an, die meistgenutzte Eval/Observability-Plattform in der deutschen Tech-Szene. Für regulierte Branchen mit DE-Hosting-Pflicht ist außerdem Aleph Alpha PhariaAI (Heidelberg) relevant: dediziertes Eval-Modul, DE-Jurisdiktion, von Baden-Württemberg bereits im Einsatz. Asterisk: Cohere (Kanada) hat Aleph Alpha im Mai 2026 übernommen, das Branding "rein-deutsche Souveränität" hat seither einen Fußnoten-Hinweis. ---
|
|
07 |
Aus FindSkill
Was diese Woche neu für Mitglieder ist
|
| New |
KI für Lehrkräfte: Die 5-Prompt-Routine zum Schuljahresende
Acht Lektionen, die durch die Zeugnis-Narrative, Elternbriefe, Förderplan-Absätze, Sommerlese-Listen und Dankeschön-Notizen gehen, die jede Lehrkraft in den letzten zwei Schulwochen schreibt. Pfingst-Wochenende-tauglich, vor den nächsten Brückentagen. Zum Kurs →
|
|
| New |
Gemini Spark für Selbstständige
Direkter Story-1-Tie-in. Was Spark heute schon kann, was beim EU-Launch im Q3/Q4 dazukommt, und wie du den 100-$-AI-Ultra-Plan auf €/Monat-Mathematik runterbrichst. Inklusive AI-Act-Tauglichkeit für Solo-Selbstständige. Zum Kurs →
|
|
| New |
Claude für Excel
Begleitkurs zur Workflow-Sektion. Excel-Abweichungsanalyse plus KI-Prüfroutine ist die einfachste Form von Mini-Eval, die du am Finanzteam-Reporting diese Woche probieren kannst. Zum Kurs →
|
|
|
|
Wenn du diese Woche eine Fünf-Zeilen-Rubrik schreibst — auf welcher wöchentlichen KI-Aufgabe lässt du sie als Erstes los?
Antworte mit der Aufgabe und einer Skizze deiner fünf Zeilen, und ich schick dir die Version zurück, die ich schreiben würde, kalibriert für deine Rolle, nicht generisch. Im schlimmsten Fall wird deine Rubrik halt eines der fünf ausgearbeiteten Beispiele im Pro-Leitfaden.
↵ Auf diese Mail antworten
|
|
The Skill · by FindSkill.ai
|
|