---
type: other
source_url: https://notebooklm.google.com/notebook/af76321e-164d-4765-ba00-c3b1ccc883b7?authuser=1
retrieved: 2026-07-02
title: "OME23 — Evolution der KI-Workflows: Vom Chatbot zum Agenten-System (NotebookLM-Infografik)"
tags: [event, ome, ome23, notebooklm, agent-system, harness, model-split, local-sovereignty, wiki-gardening, cultural-prompting, efficiency]
---

# OME23 — "Evolution der KI-Workflows: Vom Chatbot zum Agenten-System"

**Datum:** 02. Juli 2026 (Ingest)
**Format:** NotebookLM-generierte Infografik
**Autor:** NotebookLM (automatisiert)
**Quelle:** [NotebookLM Notebook](https://notebooklm.google.com/notebook/af76321e-164d-4765-ba00-c3b1ccc883b7?authuser=1)
**Geteilt von:** Pit Weber in OME-Gruppe, Topic "OMe virtuelle Stammtische" (Topic 406), 02.07.2026

## Überblick

Die Infografik zeigt die Weiterentwicklung von KI-Systemen — von einfachen LLMs hin zu komplexen, agentenbasierten Systemen. Auf Deutsch. Vier Thememblöcke werden abgedeckt: Infrastruktur & Modell-Strategie, zentrale Illustration, Modell-Vergleich, sowie Produktivität & Automatisierung.

## Content Blocks (Infografik-Extrakt)

### Block 1: Infrastruktur & Modell-Strategie (linke Seite)

1. **Der "Harness" ist entscheidender als das LLM** — nicht das Sprachmodell selbst, sondern die umgebende Agenten-Schicht bestimmt Intelligenz und Nutzbarkeit
2. **Lokale Souveränität durch High-End Hardware** — Mac Studios (M3 Max) mit SSD-Streaming für lokalen Betrieb von Top-Modellen wie GLM 2.2
3. **Strategischer Modell-Split:**
   - Planung: Anthropic/Claude (Spezifikation & Planung)
   - Implementierung: Codex/DeepSeek (Coding & Bug-Hunting)

### Block 2: Zentrale Illustration

Ein großer, futuristischer KI-Kern (Zentralrechner mit Gehirn-Symbol) verbindet alle Komponenten — symbolisiert das Agenten-System als zentrale Schaltstelle. Viele kleine Roboter und KI-Symbole, Datenleitungen und Verbindungen, NotebookLM-Logo in der unteren rechten Ecke.

### Block 3: Vergleich der neuen Modell-Alternativen (Mitte unten)

| Modell | Kategorie | Aufgabe |
|--------|-----------|---------|
| **GLM 5.2 / DeepSeek** | Coding & Bug-Hunting | Implementierung |
| **Anthropic Opus** | Spezifikation & Planung | Strategie |
| **NotebookLM** | Quellen-Analyse | Wissensmanagement |

### Block 4: Produktivität & Automatisierung (rechte Seite)

1. **93× Faktor 93: Radikale Effizienzsteigerung** — systematische KI-Integration in Software-Architektur führt zu massiven Zeitersparnissen
2. **Autonomes "Wiki Gardening"** — Roboter strukturieren, indexieren und pflegen eigenständig Wissensdatenbanken
3. **Überwindung des kulturellen "Blinden Flecks"** — Vergleich "Tourist" (oberflächliche, generische Antworten) vs. "Local" (tiefes, lokal relevantes Wissen durch gezieltes fremdsprachiges Prompting)

## Visuelle Elemente

- Viele kleine Roboter und KI-Symbole
- Datenleitungen und Verbindungen
- NotebookLM-Logo in der unteren rechten Ecke
- Futuristischer KI-Kern als zentrales Motiv

## Wiki-Kontext & Querverweise

- **Harness > LLM:** Siehe `[[concepts/llm/spec-driven-development-harness.md]]` — Harness-Konzept aus Tielke's 5-Phasen-Modell
- **Modell-Split (Claude/DeepSeek):** Siehe `[[architecture/model-routing.md]]` — Model-Split-Pattern in der Routing-Architektur
- **Lokale Souveränität (Mac Studio M3 Max):** Siehe `[[concepts/hardware/cloud-exit-and-local-superiority.md]]` — Cloud-Exit und lokale Überlegenheit
- **GLM 5.2:** Siehe `[[concepts/llm/glm-5.2-zai-coding-model.md]]` — GLM 5.2 als Implementierungs-Modell
- **Wiki Gardening:** Siehe `[[tools/openclaw.md]]` — autonome Wissenspflege durch Agenten
- **93× Effizienz:** Siehe `[[concepts/llm/vibe-coding-vs-enterprise.md]]` — Tielke's Enterprise-KI-Experiment als Beleg
- **Cultural Prompting (Tourist vs Local):** Siehe `[[concepts/llm/ai-search-language-blind-spot.md]]` — Language Lens Bias und Local Sources
- **NotebookLM:** Siehe `[[concepts/llm/hyper-summaries-notebooklm.md]]` — NotebookLM als Wissensmanagement-Tool
- **Agenten-Wandel:** Siehe `[[concepts/agents/ai-agents-2026.md]]` — Wandel zu autonomen Agenten
- **plur1bus Memory:** Siehe `[[concepts/agents/plur1bus-memory-model.md]]` — Memory Layer für Agenten

## Key Takeaways

1. **Harness als entscheidende Schicht:** Nicht das LLM, sondern die Agenten-Schicht darumherum bestimmt die Qualität — eine Vertiefung des Pluribus-Prinzips aus OME22
2. **Model-Split als pragmatische Lösung:** Claude für Planung, DeepSeek/GLM für Implementierung — umgeht das Guardrail-Dilemma durch Aufgabentrennung
3. **Lokale Souveränität konkretisiert:** Mac Studio M3 Max mit SSD-Streaming als praktische Umsetzung der Cloud-Exit-These
4. **93× Effizienz-Faktor:** Systematische KI-Integration bringt radikale Produktivitätssteigerungen — bestätigt Tielke's Experiment
5. **Wiki Gardening als neue Disziplin:** Autonome Roboter pflegen Wissensdatenbanken — das RamaDama-Wiki als Musterbeispiel
6. **Cultural Prompting:** Fremdsprachiges Prompting als Heuristik für tiefes Wissen — erweitert den Language Lens Bias um eine aktive Strategie