Chief AI AI Neanderthal The AI Cookbook Free: Chief AI · AI Cookbook · AI Neanderthal →
Media › The AI Cookbook › German episode 143Folge 143
The AI CookbookDas KI Kochbuch
Listen in:
German episode 143Folge 14318 June 202622 min 43 sec

Wie ich 94 Slides gebaut habe ohne zu prompten (Teil 2/2)Wie ich 94 Slides gebaut habe ohne zu prompten (Teil 2/2)

This episode is only available in German.

Wichtige Erkenntnisse

Teil 1 vom Montag war Theorie: Was ist ein Loop? Wie unterscheidet sich das von Agents und Workflows? Heute der konkrete Teil. Wir nehmen einen echten Use Case — meinen Workshop-Closeout bei Gärtner von Eden mit 94 Slides — und bauen ihn Schritt für Schritt mit Loops. Ihr seht, wie man konkret prompted, was die Done-Conditions sind, und warum dieselbe Logik bei Sales-Calls, F&E-Reports und Procurement-Audits funktioniert.

📍 Worum es heute geht: Loops am echten Workshop-Closeout — von 20 Workshop-Transkripten zum verifizierten 94-Slide-Deck. Mit konkreten Prompt-Mustern, der "linken Felge" und einer Einladung nach Wien.

🪙 Der Goldwäscher (Content-Extraction Loop). 20 Aufnahmen, Interviews, Toothbrush-Tests, Breakout-Rooms. Wie zieht ihr da raus, was wirklich drin ist? Ihr sagt der KI: "Extrahiere die Use Cases. Jeder Use Case braucht mindestens DREI Belege aus dem Transkript. Wenn nicht — raus. Wenn ja — drinnen." Und dann lasst ihr es laufen. Drei, vier Mal. Mit immer feinerem Sieb. Bis das Gold übrig bleibt. Das ist Loop Nummer eins.

🛠️ Die linke Felge (Personal Verify Loop). Mein Mechaniker weiß, wenn der Malcolm kommt — die linke Felge ist zerkratzt. Jedes Mal. Er muss nicht jeden Aspekt prüfen. Er prüft DAS eine, was bei mir IMMER schiefgeht. Genau das macht ein Verify Loop: er prüft NICHT alles, er prüft eure typischen Fehler. Wenn die KI bei euch immer Use Cases erfindet, die nie im Interview vorkamen — Verify Loop prüft genau das. Drei Mal. Vier Mal. Bis sicher.

📋 Memory Loop als Audit-Log. Ihr braucht keinen perfekten Mega-Prompt. Ihr braucht einen Memory Loop, der mitschreibt was passiert. Eine Zeile pro Schritt. Was wurde gebaut? Was wurde geprüft? Was war rot, was wurde gefixt? Wenn die KI in drei Stunden Arbeit vergisst, was sie gemacht hat — der Memory Loop weiß es noch. Audit-Log mit zwei Funktionen: erstens, lückenlos prüfbar. Zweitens, die KI selbst kann reinschauen und sich erinnern.

🏗️ Die 5 Templates aus der Nacht (im Detail im Listener Artifact unten):

  • T1 — Content Extraction Loop: Goldwäscher. Aus messy Sources (Transkripte, Calls, E-Mails) das Gold sieben.
  • T2 — Generation with Source-Pinning: Bauteil mit Prüfsiegel. Jede Behauptung muss auf eine Quelle zeigen, sonst FAIL.
  • T3 — Adaptation Loop: Heimwerker am Auto. Eine Schraube ändern, nicht den Motor.
  • T4 — Mechanical Verify: TÜV-Prüfer. Deterministisches Skript, keine LLM-Bewertung.
  • T5 — Self-Catch Loop: Prüfstatiker. Frischer QA-Subagent, ohne Build-Kontext, findet deine eigenen Widersprüche.

⚡ Der 03:42-Moment. Die Build ist durch. Mechanical Verify grün. Espresso #3. Ich starte den QA-Subagent (frischer Kontext, kennt den Build nicht). 4 Minuten später schreibt er mir: "Die Rubric sagt Modul 03 unangetastet. Aber Slide 27 hat eine neue Bildreferenz. Welche Version stimmt?" — und ich dachte: f*ck. Ich hatte beides geschrieben. In meiner EIGENEN Rubric. Eine andere KI hat MICH gefunden.

📌 Drei Take-aways für drei Rollen:

  • CTO/CDO: T4 zuerst. Mechanical Verify ist die einzige Schicht, die nicht lügt. Baut das vor allem anderen.
  • Head of Sales: T1 (Extraction). CRM-Notizen, Calls, E-Mails — Goldwäscher. Was bewegt sich? Wer signalisiert?
  • R&D-Lead: T2 (Source-Pinning). KI in Forschung MUSS Quellen pinnen, sonst halluziniert sie eure Reputation kaputt.

💼 Wo das in eurer Firma als Pattern auftaucht — die 10-Säulen Commercial Maturity bei werchota. Säule 9 Sales Ops & Performance Management = im Kern T4 + T5: eure Pipeline-Daten validieren sich selbst gegen die Pipeline-Regeln, ohne dass jemand wöchentlich im Forecast-Call alles abfragt. Wer wissen will, wo in der eigenen Commercial Engine Loops ansetzen können — Link unten.

⏱️ Timestamps

  • 00:00 — 30-Sekunden-Recap aus Teil 1 (Fable 5, US-Handelsministerium, Loops)
  • 02:00 — Der konkrete Use Case: Gärtner von Eden Workshop-Closeout
  • 05:00 — Content-Extraction Loop: der Goldwäscher
  • 09:00 — Generation-with-Source-Pinning: das Bauteil mit Prüfsiegel
  • 12:00 — Adaptation Loop: nur die linke Schraube, nicht der Motor
  • 14:30 — Mechanical Verify: warum LLM-as-judge nicht funktioniert
  • 17:00 — Self-Catch Loop: der 03:42-Moment, der QA-Subagent fängt MICH
  • 19:30 — Die linke Felge: personalisierter Verify auf eure typischen Fehler
  • 21:30 — Memory Loop als Audit-Log + Einladung nach Wien

🎙️ ÜBER DEN HOST

Malcolm Werchota leitet KI-Adoptionsprogramme für Unternehmen in ganz Europa.
Nach über 15 Jahren bei Novartis und Schlumberger hilft er heute Führungsteams, KI-Hype von realem operativem Impact zu trennen.
Dozent an der ESADE und HSLU.

Um auf das vollständige Transkript zuzugreifen, treten Sie unserer Community bei!

Zur Community

Wichtige Erkenntnisse

Teil 1 vom Montag war Theorie: Was ist ein Loop? Wie unterscheidet sich das von Agents und Workflows? Heute der konkrete Teil. Wir nehmen einen echten Use Case — meinen Workshop-Closeout bei Gärtner von Eden mit 94 Slides — und bauen ihn Schritt für Schritt mit Loops. Ihr seht, wie man konkret prompted, was die Done-Conditions sind, und warum dieselbe Logik bei Sales-Calls, F&E-Reports und Procurement-Audits funktioniert.

📍 Worum es heute geht: Loops am echten Workshop-Closeout — von 20 Workshop-Transkripten zum verifizierten 94-Slide-Deck. Mit konkreten Prompt-Mustern, der "linken Felge" und einer Einladung nach Wien.

🪙 Der Goldwäscher (Content-Extraction Loop). 20 Aufnahmen, Interviews, Toothbrush-Tests, Breakout-Rooms. Wie zieht ihr da raus, was wirklich drin ist? Ihr sagt der KI: "Extrahiere die Use Cases. Jeder Use Case braucht mindestens DREI Belege aus dem Transkript. Wenn nicht — raus. Wenn ja — drinnen." Und dann lasst ihr es laufen. Drei, vier Mal. Mit immer feinerem Sieb. Bis das Gold übrig bleibt. Das ist Loop Nummer eins.

🛠️ Die linke Felge (Personal Verify Loop). Mein Mechaniker weiß, wenn der Malcolm kommt — die linke Felge ist zerkratzt. Jedes Mal. Er muss nicht jeden Aspekt prüfen. Er prüft DAS eine, was bei mir IMMER schiefgeht. Genau das macht ein Verify Loop: er prüft NICHT alles, er prüft eure typischen Fehler. Wenn die KI bei euch immer Use Cases erfindet, die nie im Interview vorkamen — Verify Loop prüft genau das. Drei Mal. Vier Mal. Bis sicher.

📋 Memory Loop als Audit-Log. Ihr braucht keinen perfekten Mega-Prompt. Ihr braucht einen Memory Loop, der mitschreibt was passiert. Eine Zeile pro Schritt. Was wurde gebaut? Was wurde geprüft? Was war rot, was wurde gefixt? Wenn die KI in drei Stunden Arbeit vergisst, was sie gemacht hat — der Memory Loop weiß es noch. Audit-Log mit zwei Funktionen: erstens, lückenlos prüfbar. Zweitens, die KI selbst kann reinschauen und sich erinnern.

🏗️ Die 5 Templates aus der Nacht (im Detail im Listener Artifact unten):

  • T1 — Content Extraction Loop: Goldwäscher. Aus messy Sources (Transkripte, Calls, E-Mails) das Gold sieben.
  • T2 — Generation with Source-Pinning: Bauteil mit Prüfsiegel. Jede Behauptung muss auf eine Quelle zeigen, sonst FAIL.
  • T3 — Adaptation Loop: Heimwerker am Auto. Eine Schraube ändern, nicht den Motor.
  • T4 — Mechanical Verify: TÜV-Prüfer. Deterministisches Skript, keine LLM-Bewertung.
  • T5 — Self-Catch Loop: Prüfstatiker. Frischer QA-Subagent, ohne Build-Kontext, findet deine eigenen Widersprüche.

⚡ Der 03:42-Moment. Die Build ist durch. Mechanical Verify grün. Espresso #3. Ich starte den QA-Subagent (frischer Kontext, kennt den Build nicht). 4 Minuten später schreibt er mir: "Die Rubric sagt Modul 03 unangetastet. Aber Slide 27 hat eine neue Bildreferenz. Welche Version stimmt?" — und ich dachte: f*ck. Ich hatte beides geschrieben. In meiner EIGENEN Rubric. Eine andere KI hat MICH gefunden.

📌 Drei Take-aways für drei Rollen:

  • CTO/CDO: T4 zuerst. Mechanical Verify ist die einzige Schicht, die nicht lügt. Baut das vor allem anderen.
  • Head of Sales: T1 (Extraction). CRM-Notizen, Calls, E-Mails — Goldwäscher. Was bewegt sich? Wer signalisiert?
  • R&D-Lead: T2 (Source-Pinning). KI in Forschung MUSS Quellen pinnen, sonst halluziniert sie eure Reputation kaputt.

💼 Wo das in eurer Firma als Pattern auftaucht — die 10-Säulen Commercial Maturity bei werchota. Säule 9 Sales Ops & Performance Management = im Kern T4 + T5: eure Pipeline-Daten validieren sich selbst gegen die Pipeline-Regeln, ohne dass jemand wöchentlich im Forecast-Call alles abfragt. Wer wissen will, wo in der eigenen Commercial Engine Loops ansetzen können — Link unten.

⏱️ Timestamps

  • 00:00 — 30-Sekunden-Recap aus Teil 1 (Fable 5, US-Handelsministerium, Loops)
  • 02:00 — Der konkrete Use Case: Gärtner von Eden Workshop-Closeout
  • 05:00 — Content-Extraction Loop: der Goldwäscher
  • 09:00 — Generation-with-Source-Pinning: das Bauteil mit Prüfsiegel
  • 12:00 — Adaptation Loop: nur die linke Schraube, nicht der Motor
  • 14:30 — Mechanical Verify: warum LLM-as-judge nicht funktioniert
  • 17:00 — Self-Catch Loop: der 03:42-Moment, der QA-Subagent fängt MICH
  • 19:30 — Die linke Felge: personalisierter Verify auf eure typischen Fehler
  • 21:30 — Memory Loop als Audit-Log + Einladung nach Wien

🎙️ ÜBER DEN HOST

Malcolm Werchota leitet KI-Adoptionsprogramme für Unternehmen in ganz Europa.
Nach über 15 Jahren bei Novartis und Schlumberger hilft er heute Führungsteams, KI-Hype von realem operativem Impact zu trennen.
Dozent an der ESADE und HSLU.

Um auf das vollständige Transkript zuzugreifen, treten Sie unserer Community bei!

Zur Community

More episodes

#142DE

Loops statt Prompts: Was sich gestern Nacht verändert hat (Teil 1/2)Loops statt Prompts: Was sich gestern Nacht verändert hat (Teil 1/2)

Codewort: Fable 5. Am 9. Juni 2026 hat Anthropic zwei neue Modelle rausgebracht — Fable 5 und das Schwestermodell Mythos 5. Wir hatten drei bis vier Tage Zugang. Dann hat Amazon-CEO Andy Jassy das US-Handelsministerium kontaktiert, ein Notfall-Export-Kontroll-Order wurde erlassen, und die Modelle wurden weltweit abgeschaltet.…Codewort: Fable 5. Am 9. Juni 2026 hat Anthropic zwei neue Modelle rausgebracht — Fable 5 und das Schwestermodell Mythos 5. Wir hatten drei bis vier Tage Zugang. Dann hat Amazon-CEO Andy Jassy das US-Handelsministerium kontaktiert, ein Notfall-Export-Kontroll-Order wurde erlassen, und die Modelle wurden weltweit abgeschaltet.…

15 June 202632 min
#128#141EP

How ChatGPT Cracked an 80-Year-Old Math Problem for $1,000Wie ChatGPT ein 80 Jahre altes Mathe-Problem für 1.000 Euro gelöst hat

Picture Dr. Katharina Hess — she runs the Computational Chemistry Group at one of the big pharma companies in the Novartis corridor. 11 postdocs and data scientists under her. Not 3 projects — 30 open projects, research cycles of 5, 10, 20 years.Stellt euch Dr. Katharina Hess vor. Sie leitet die Computational Chemistry Group bei einer der großen Pharmafirmen im Novartis-Korridor. 11 Postdocs und Data Scientists unter sich. Nicht drei Projekte — 30 offene Projekte. Forschungszyklen von 5, 10, 20 Jahren.

11 June 202627 min
#127#139EP

[Quickbite] - Chief AI Academy — Sneak Peek into Session 1Wie mich meine eigene KI vor 30 Leuten blossgestellt hat — 4 Insights aus der Academy

People keep asking: "What are you actually teaching in the Werchota Chief AI Academy?" So here's a Quickbite sneak peek into Cohort 1, Session 1 — the four moments that made the room go silent.Dienstagabend, 13. Mai 2026, kurz vor sieben. Zwei Stunden Live-Session sind grad zu Ende. Dreißig fremde Menschen aus elf Ländern, Zoom-Kacheln auf dem Bildschirm. Letzte Runde: was hat euch heute am meisten umgehauen?

8 June 202621 min

All 156 episodes →

Join Chief AI (free)