knowledge-base/raw/other/2026-09-18_herman-briefing-jev-transcript.md

---
type: other
source_url: "telegram://-1003839640481/topic/14967#msg14977"
retrieved: 2026-09-18
title: "HermanButlerBot — Audio-Briefing zu Jev (Greg Isenberg / Ryan Vogel, Video 'Jev is HERE. How to use it')"
author: "Herman (HermanButlerBot, Bot in OME-Gruppe)"
has_transcript: true
transcript_source: "Audio-Briefing (09:42, deutsch) aus der Briefing-Pipeline; STT: xAI Grok STT, Sprache de — NICHT das Originalvideo"
tags: [jev, typesafe-ai, greg-isenberg, ryan-vogel, briefing, stt, clipping, browser-agent, schema, decision-model]
---

# Herman-Briefing zu Jev — Transkript (STT, 18.09.2026)

## Kontext

Kai (@PWeber) postete am **18.09.2026 22:38 UTC** im OME-Topic „JEV" das fertige Briefing-Video (`.mp4`, 15,3 MB) mit dem Begleittext eines deutschen Audio-Briefings (09:42) und integrierter Infografik. Das Briefing bezieht sich auf die Episode **„Jev is HERE. How to use it"** von Greg Isenberg mit Ryan Vogel ([[../../raw/xpost/2026-09-18_gregisenberg-jev-vercel-gateway.md|Raw zum begleitenden X-Post]]).

⚠️ **Quellenart:** Das ist die **Zusammenfassung eines Dritten** (Bot-Briefing), nicht das Originalvideo. Die Zahlen des Briefings gehen teils über die im begleitenden X-Post genannten hinaus; ein eigenes Transcript des Originalvideos liegt weiter nicht vor.

⚠️ **STT-Fehler im Rohtext beibehalten** (Grok STT, de): „JEF/Jeff/JDiff/Jed" = **Jev** · „Greg Eisenberg" = **Greg Isenberg** · „Ryan Fogel" = **Ryan Vogel** · „Vessel Gateway" = **Vercel AI Gateway** · „Luna"/„Terra"/„Sol"/„Opus 5" sind überwiegend korrekt, teils als „Lune" verschliffen · „1, 1 Millionen" = 1,1 Millionen.

## Transkript (Wortlaut, STT)

Stell dir vor, du sitzt an einem Schreibtisch, du hast eine massive, unfassbar komplexe Aufgabe vor dir, tausende von unsortierten Datenpunkten, du übergibst diese Aufgabe an eine KI, du drückst die Enter-Taste und dann wartet man. Genau, du lehnst dich zurück und wartest auf die Antwort, wir alle kennen diesen Moment, der Cursor blinkt, der Cursor blinkt und langsam Wort für Wort baut sich ein ewig langer Text auf dem Bildschirm auf, was ja durchaus Zeitfrist. Eben, aber dieses Mal passiert das nicht. Okay. In dem exakten Bruchteil einer Sekunde, in dem dein Finger die Enter-Taste loslässt, ist die Aufgabe erledigt. Krass. Keine absätzevolle Erklärungen, kein langes Nachdenken der Maschine, einfach nur die pure, mathematisch präzise Entscheidung, direkt da und sofort abrufbar.

Genau, sofort. Und das stellt eigentlich die komplette Architektur auf den Kopf. Inwiefern? N Wir sind in den letzten Jahren regelrecht darauf konditioniert worden, KI als Konversationspartner zu betrachten. Ja, absolut, wir chatten mit der KI. Genau, wir diskutieren, aber Greg Eisenberg und Ryan Fogel demonstrieren ein völlig neues KI-Paradigma. Das System namens JEF.

Richtig, JEF redet nicht mit dir. Gar nicht. Nein, JEF ist ein reines blitzschnelles Entscheidungsmodell. Okay. Es verarbeitet Datenpunkte als Klassifikator. Und das in unserer heutigen Analyse im Detail an, denn wenn man diese Chat-Komponente komplett weglässt, passieren gewaltige Dinge mit der Geschwindigkeit und vor allem mit den Kosten. Genau, aber bevor wir tief in diese harten Messwerte eintauchen, lass uns kurz klären, was JEF eigentlich genau ausgibt.

Ja. Du sagst: "Klassifikator". Wenn ich ChatGPT eine Frage stelle, kriege ich einen kleinen Aufsatz. Richtig. Was kriege ich von JEF? Harte. Okay.

Und zwar in einer absolut star vorgegebenen Datenbankstruktur. Wie nennt man das? Entwickler nennen das ein Schema. Ein Schema. Genau. Jev liefert direkte Wahrscheinlichkeitswerte zurück. Also keine Sätze.

Keine Sätze, keine Füllwörter, nur Zahlen. Das System umgeht diese rechenintensive Textgenerierung vollständig. Das Ergebnis ist also eine absolute Präzision ohne ausufahrende Texte. Exakt. Greg Eisenberg bringt da im Material eine Analogie, die das enorm gut veranschaulicht. Die Sache mit der Kreuzung. Genau.

vergleicht herkömmliche KI mit einem Philosophen an einer Kreuzung. Und Jef agiert als digitaler KI-Verkehrspolizist. Das Bild trifft es perfekt. Stell dir vor flut an Informationen, also Autos, die aus allen Richtungen auf diese Kreuzung zufahren. Ja. Der KI-Filosoph hält jedes Auto an. führt ein kurzes Gespräch mit dem Fahrer.

Richtig. überlegt laut, warum es besser ist, links abzubiegen. Und schreibt dann einen Bericht darüber. Was massiv Zeit kostet. Jeff hingegen ist der Verkehrspolizist mit der Trillerpfeife. schaut aufs Auto, pfeift, zeigt nach links, nächstes Die sofortige Zuweisung. Genau.

Die unstrukturierten Informationen fließen ein und Jeff entscheidet sofort über die exakte Weiterleitung und Priorität. Ryan Vogel macht die technischen Details dahinter sehr deutlich. Was passiert da im Hintergrund? Herkömmliche Modelle führen einen lauten internen Denkprozess durch. Dieses sogenannte Reasoning. Richtig. Sie generieren Token für Token ihre Denkschritte, bevor sie zur eigentlichen Antwort kommen.

Und Jeff liefert keine Textantworten. Es übers Komplett. Die Eingabe eines Objekts liefert exakte Zahlenwerte. Hast du da ein Beispiel? Ja, zum Beispiel liefert es einen Wert von null Komma neunzig für eine neunzigprozentige Wahrscheinlichkeit. okay. Entwickler profitieren massiv davon, weil diese Ausgabe typesafe ist.

Genau, typesafe. Was heißt das konkret für den Programmcode? Das bedeutet, dass der Datentyp absolut garantiert ist, also die nackte Zahl. Richtig, wenn dein Code eine Zahl erwartet Dann stürzt das Programm einfach ab. Verstehe. Es verlangt den Wert, bei Jeff wird die Ausgabe ohne Umwege direkt in den Programmcode integriert. Und das bringt uns thematisch von der Theorie direkt zur messbaren Praxis.

Zur Ryans E-Mail-Demonstration. Genau. Wir fokussieren uns jetzt mal auf die harten Messwerte. Denk mal an deinen eigenen E-Mail-Posteingang. Nach dem Urlaub. Ja, hunderte Mails, alles durcheinander. Ein gigantisches Datenproblem präsentiert in seinem Experiment exakte Metriken dazu.

zeigt, wie JDiff ein Postfach mit exakt 1700 E-Mails verarbeitet. 1700 E-Mails. Ja, die Daten zeigen dabei einen Verbrauch von 4, 2 Millionen Input-Token. Das ist die schiere Masse an Text, die in das System hineinfließt. Ja. Und die Ausgabe? 500.000 Output-Token.

Okay. Das ist stark komprimiert. Absolut. Und die Gesamtkosten 18 US-Cent. 18 Cent? 18 US-Cent für 1700 komplexe Routingentscheidungen. Das ist unfassbar günstig.

Und eine einzelne Anfrage benötigt konstant rund 200 Millisekunden. 200 Millisekunden. Ein Wimpernschlag. Und in dieser Zeit ordnet Jef jede E-Mail fehlerfrei. Richtig. Nach Kategorie, Priorität, Spam-Wahrscheinlichkeit und Antwortdringlichkeit. Die Daten zeigen da auch direkte Warnungen auf.

Ja Zum Beispiel eine Warnung wie "neunzig Prozent Wahrscheinlichkeit für einen Accountverstoß", das feuert das System einfach in die Datenbank. Exakt, und das triggert dann direkt einen Alarm beim Security-Team. Ohne dass jemand eine Zusammenfassung lesen muss. Niemand liest einen Text. Das zeigt enorm deutlich, wie diese Verarbeitungsgeschwindigkeit bestehende Geschäftsprozesse transformiert. Wir sehen das auch bei der Lead-Klassifizierung. Richtig, wir analysieren jetzt den Lead-Anwendungsfall, den Ryan Vogel Eine Grafikdesignagentur.

Und da kommen über das Kontaktformular unzählige Anfragen rein. Vom Großkonzern bis zu Leuten ohne Budget. Genau. Jeff bewertet jetzt eingehende Kontaktformulare sofort. Auf einer Skala von 0 bis 1. Ein Lead mit 98% Qualität erzwingt dann eine sofortige Reaktion des Teams. Das System erkennt sofort die Parameter.

Während niedrigere Werte unentschlossene Kunden herausfiltern. Kunden, die mehr manuellen Aufwand bedeuten. Und Rein Vogel demonstriert ergänzend noch den Video-Anwendungsfall. Da geht es richtig große Datenmengen. Richtig, ein komplettes Video-Transkript wird in das System eingespeist. Wie viele Token sind das? In diesem Versuch analysiert Jeff 1, 1 Millionen Token.

Wow. 1, 1 Millionen. Ja, und das in rund drei Sekunden. In drei Sekunden liest das System ein komplettes Transkript und extrahiert exakt siebzehn relevante Highlights für Kurzvideos. Das ist enorm präzise. Wobei irrelevante Füllwörter komplett ignoriert werden. Das System sucht ausschließlich nach dem Schema.

Genauso ist es. Wir ziehen daraus jetzt mal die direkte Konsequenz für Live-Anwendungen im Browser. Wegen der extremen Geschwindigkeit. Ja. lässt Jed einen Flug auswählen und buchen. Von Zürich nach London. Richtig.

Und das dauert exakt 7, 1 Sekunden. Von der leeren Seite bis zur Buchung. 7, 1 Sekunden. Herkömmliche KI-Agenten benötigen für denselben Prozess 1 bis 3 Minuten, weil sie den internen Monolog führen. Genau. Sie schreiben erst einen Plan, dann handeln sie. Jeff, handelt sofort.

Wir definieren an dieser Stelle aber auch die klaren Systemgrenzen. Das ist ein wichtiger Punkt. Ryan Vogel macht sehr deutlich, wo Jeff if ungeeignet ist. Zum Beispiel? Jeff ist ungeeignet für Aufgaben wie Bitcoin-Trading oder komplexe Aktienanalysen, die echtes vorausschauendes Nachdenken erfordern. Solche Disziplinen erfordern Modelle wie GPT-6-Astra, Modelle, die Nachrichten querlesen und tiefgreifend analysieren. Jeff ist ein reiner Routing- und Klassifizierungsentdecker.

Ein Verkehrspolizist. Der sofortige Zugang zu Jeff erfolgt aktuell übrigens über das Vessel Gateway. Da integriert man das System direkt. Richtig. Und das richtet unseren Blick auf einen finalen, tiefgehenden Denkanstoß für die Zukunft der Arbeitswelt. Genau. Die Kombination aus dieser 200 Millisekunden-Reaktionszeit, den minimalsten Kosten im Cent-Bereich und der direkten Programmierbarkeit elim Was schließt die Analyse sehr treffend ab, wenn jede alltägliche Routingentscheidung in Millisekunden gelöst ist.

Was passiert dann mit unserer Arbeit? Dann verschiebt sich der menschliche Fokus zu 100% auf das Design der Aufgabenstruktur. Wir sichten keine Informationen mehr. Wissen und Kreativität fließen nicht mehr in die Bearbeitung der Daten, sondern in die Definition des perfekten Schemas. Das ist die wichtigste Arbeit ab sofort. Das Festlegen der Kategorien, nach denen Das bedeutet für dich, wenn du das nächste Mal vor unsortierten Aufgaben stehst, du stellst dir nicht mehr die Frage, wie die Daten fließen, du fragst dich nur noch, welche neuen Straßen du baust diesen Datenfluss an sein Ziel zu lenken.

## Zahlen des Briefings — und ihre Deckung

| Angabe im Briefing | Deckung |
|--------------------|---------|
| **1.700 E-Mails, 4,2 Mio. Input-Token, 500.000 Output-Token, 18 US-Cent** | ✅ deckt sich exakt mit der unabhängigen Messung aus dem Quellvideo (Every/Isenberg-Strang); die Token-Aufschlüsselung ist hier erstmals im Wortlaut des Briefings enthalten |
| **rund 200 ms pro Anfrage** | ⚠️ liegt *über* der TypeSafe-Anbieterangabe von 70–500 ms Spanne; als Briefing-Angabe geführt, nicht als Messwert |
| **17 relevante Highlights aus 1,1 Mio. Token in ~3 s** (Clipping-Test) | ⚠️ nur im Briefing; im begleitenden X-Post nicht genannt, nicht gegengeprüft |
| **Flug Zürich → London buchen in 7,1 s** (Browser-Steuerung), herkömmliche Agenten 1–3 min | ⚠️ nur im Briefing; Vergleichswerte ohne Messaufbau |
| **Lead-Bewertung auf Skala 0–1, Lead mit 98 % Qualität** | ⚠️ nur im Briefing; illustrativer Anwendungsfall |
| **Zugang: „Vessel Gateway"** | ✅ gemeint ist der **Vercel AI Gateway** (STT-Fehler); Zugang über den Gateway ist lokal verifiziert (siehe `raw/blog/2026-09-16_vercel-jev-ai-gateway.md`) |
| **Ungeeignet für Trading/Aktienanalysen** | ⚠️ Einordnung des Briefings; deckt sich in der Richtung mit „nicht für tiefes Reasoning" aus dem Quellvideo |
| Kostenangabe „etwa 1/1.000 Cent pro Test" | im Briefing-Wortlaut **nicht** gefunden; als Begleittext-Angabe nicht bestätigt |

## Wichtigste Einordnung des Briefings selbst

Der Schlussteil formuliert die eigentliche These: Wenn jede alltägliche Routingentscheidung in Millisekunden gelöst ist, verschiebt sich menschliche Arbeit „zu 100 % auf das Design der Aufgabenstruktur" — „wir sichten keine Informationen mehr", sondern definieren das **Schema**. Wissen und Kreativität fließen nicht mehr in die Bearbeitung der Daten, sondern in die Definition der Kategorien. Das ist die klarste Formulierung des eigentlichen Produktversprechens von Jev: nicht Antwort, sondern **Kategorien-Design**.

## Offene Punkte

- ⚠️ Briefing eines Dritten (Bot-Pipeline), nicht das Originalvideo; die Zahlen des Originalvideos (Skittles, Doom, Wikipedia-Races) erscheinen hier teils anders gewichtet als in der Sekundärzusammenfassung des Berman-Videos.
- ⚠️ Kein Transcript der Originalepisode; damit ist keine der Briefing-Zahlen am Original prüfbar.
- ⚠️ STT-Fehler wurden **nicht** korrigiert, sondern im Rohtext belassen und oben aufgelistet.