In meinem Newsfeed stiess ich kürzlich auf einen Hinweis der Firma PrismML zur Quantisierung von Sprachmodellen, einem technischen Thema, zu dem ich mir noch kein Grundlagenwissen angeeignet hatte. Statt mich durch Fachartikel zu arbeiten, wollte ich es anders versuchen und liess mir das Thema von einem KI-Modell erklären. Nicht als Chat-Antwort, sondern als kleine Lernseite.
Herausgekommen ist «Quantisierung verstehen — Warum 1 Bit reicht». Die Seite erklärt, warum sich die Genauigkeit der Modellgewichte drastisch senken lässt, bis hinunter auf ein einziges Bit, und das Modell trotzdem funktioniert. Der Kern, der oft missverstanden wird: Es geht nicht darum, Gewichte wegzulassen, sondern ihre Auflösung zu vergröbern. Interessant fand ich am Ende aber nicht nur das Thema, sondern auch den Weg dorthin.
Erst OpenAI, dann Anthropic
Den ersten Versuch machte ich mit dem neuen OpenAI-Modell GPT 5.6 Sol. Das Ergebnis war brauchbar. Dann gab ich dieselbe Aufgabe Anthropics Fable 5. Für diese Aufgabe war der Unterschied deutlich. Fable 5 baute die klarere Struktur, erklärte verständlicher und traf den einfacheren Ton. Ein einzelner Vergleich ist noch kein Urteil über die Modelle. Aber für das, was ich hier wollte, war die Wahl schnell klar.
Wie die Seite entstand
Der Auftrag startete mit einem diktierten Text von 1’174 Zeichen. Mehr Vorgabe gab es nicht. Daraus formulierte der Agent zuerst einen ausführlichen eigenen Master-Prompt. Dann recherchierte er die aktuelle Forschung, stützte sich auf die Primärquellen auf arXiv und hielt dort fest, wo Angaben von Firmen, auch jene von PrismML, nicht unabhängig zu belegen waren. Er legte mir einen Plan vor, ich gab ihn frei, und dann baute er die Seite.
Lektionen mit Quizzes und einem Abschluss-Test, interaktive Simulationen zum Ausprobieren, Illustrationen mit Google Nano Banana Pro, kurze Audiozusammenfassungen mit ElevenLabs, zwei knappe Erklärvideos mit hyperframes, dazu ein Glossar und ein Quellenverzeichnis. Der Lernstand bleibt lokal im Browser: kein Tracking, kein Server, keine Anmeldung. Meine Rolle dabei: der Auftrag, die Freigabe des Plans und ein paar Runden Feedback zu Gestaltung und Aufbau. Den Rest machte der Agent.
Was ich daraus mitnehme
Was bis vor Kurzem ein kleines Team und mehrere Tage gebraucht hätte, war innerhalb weniger Stunden fertig, angestossen von einer einzelnen Person mit einer klaren Idee. Die Fähigkeit, etwas zu bauen, verlagert sich damit weiter an die Ränder und verschafft der einzelnen Person mehr Freiheitsgrade. Gerade für kleinere Organisationen verschiebt sich ein vertrauter Engpass: dass gute Vorhaben oft schon daran scheitern, dass die Hände zur Umsetzung fehlen. Das ist im Kern eine emanzipatorische Entwicklung: Wer eine Idee und ein Urteil hat, ist weniger darauf angewiesen, dass eine grössere Organisation sie umsetzt.
Zugleich zeigt das Experiment, wo der Mensch gebraucht wird, und das ist nicht dort, wo Maschinen inzwischen gut sind. Der Agent ist ein bemerkenswert fähiger Handwerker. Aber er hat nicht entschieden, dass diese Seite entstehen soll, wozu sie taugt, ob sie inhaltlich stimmt und wann sie fertig ist. Diese Urteile lagen bei mir. Je mehr die Ausführung an Maschinen übergeht, desto mehr Gewicht bekommt das, was sich nicht auslagern lässt: der Auftrag, das Urteil, die Verantwortung.
Selbst anschauen
Wer nachprüfen will, wie das zustande kam, findet auf der About-Seite beide Prompts im Wortlaut: den diktierten Auftrag und den daraus generierten Master-Prompt, dazu Methodik, Werkzeuge und die Grenzen des Experiments. Diese Offenheit ist mir wichtig, gerade weil über KI-Ergebnisse viel behauptet und wenig gezeigt wird.
Am besten machst du dir selbst ein Bild und klickst dich durch die Lektionen. Was das für die eigene Arbeit bedeutet, darüber diskutiere ich gern.
