Ich bin sehr interessiert daran, wie die kommende Ära hochgradig maßgeschneiderter Software aussehen könnte. Beispiel von heute Morgen - Ich habe in letzter Zeit ein wenig nachgelassen mit meinem Cardio, also habe ich beschlossen, ein ernsthafteres, regimentiertes Experiment zu machen, um meine Ruheherzfrequenz von 50 auf 45 zu senken, über eine Experimentdauer von 8 Wochen. Der Hauptweg, dies zu tun, besteht darin, ein bestimmtes Gesamtminuten-Ziel im Zone 2 Cardio und 1 HIIT pro Woche anzustreben. Eine Stunde später habe ich dieses super maßgeschneiderte Dashboard für dieses sehr spezifische Experiment erstellt, das mir zeigt, wie ich vorankomme. Claude musste die Woodway-Laufband-Cloud-API reverse-engineeren, um Rohdaten abzurufen, zu verarbeiten, zu filtern, zu debuggen und eine Web-UI-Frontend zu erstellen, um das Experiment zu verfolgen. Es war nicht ganz reibungslos und ich musste Fehler bemerken und um deren Behebung bitten, z.B. hat es die metrischen und imperialen Maßeinheiten durcheinandergebracht und es gab Probleme mit dem Kalender, der Tage mit Daten abgleicht usw. Aber ich habe immer noch das Gefühl, dass die allgemeine Richtung klar ist: 1) Es wird niemals (und sollte niemals) eine spezifische App im App Store für so etwas geben. Ich sollte nicht nach einer "Cardio-Experiment-Tracker"-App suchen, herunterladen und verwenden müssen, wenn dieses Ding ~300 Zeilen Code hat, die dir ein LLM-Agent in Sekunden geben kann. Die Idee eines "App Stores" mit einer langen Liste diskreter Apps, aus denen man wählen kann, fühlt sich irgendwie falsch und veraltet an, wenn LLM-Agenten die App sofort und nur für dich improvisieren können. 2) Zweitens muss die Branche sich in eine Reihe von Diensten von Sensoren und Aktuatoren mit agentennativen Ergonomien umkonfigurieren. Mein Woodway-Laufband ist ein Sensor - es verwandelt den physischen Zustand in digitales Wissen. Es sollte kein menschlich lesbares Frontend haben und mein LLM-Agent sollte es nicht reverse-engineeren müssen, es sollte eine API/CLI sein, die von meinem Agenten leicht genutzt werden kann. Ich bin ein wenig enttäuscht (und meine Zeitpläne sind entsprechend langsamer) darüber, wie langsam diese Entwicklung in der Branche insgesamt voranschreitet. 99% der Produkte/Dienstleistungen haben noch keine AI-native CLI. 99% der Produkte/Dienstleistungen haben .html/.css-Dokumente, als würde ich nicht sofort nachsehen, wie ich das Ganze kopieren und in meinen Agenten einfügen kann, um etwas zu erledigen. Sie geben dir eine Liste von Anweisungen auf einer Webseite, um diese oder jene URL zu öffnen und hier oder dort zu klicken, um etwas zu tun. Im Jahr 2026. Was bin ich, ein Computer? Mach es selbst. Oder lass meinen Agenten es tun. Jedenfalls bin ich heute beeindruckt, dass dieses zufällige Ding 1 Stunde gedauert hat (es hätte vor 2 Jahren ~10 Stunden gedauert). Aber was mich noch mehr begeistert, ist der Gedanke, dass das wirklich höchstens 1 Minute hätte dauern sollen. Was muss vorhanden sein, damit es 1 Minute dauert? Damit ich einfach sagen könnte: "Hi, kannst du mir helfen, mein Cardio über die nächsten 8 Wochen zu verfolgen?", und nach einer sehr kurzen Q&A wäre die App bereit. Die KI hätte bereits viel persönlichen Kontext, sie würde die zusätzlichen benötigten Daten sammeln, sie würde auf verwandte Skill-Bibliotheken verweisen und suchen und all meine kleinen Apps/Automatisierungen verwalten. TLDR: Der "App Store" mit einer Reihe diskreter Apps, aus denen man wählen kann, ist ein zunehmend veraltetes Konzept an sich. Die Zukunft sind Dienste von AI-nativen Sensoren & Aktuatoren, die über LLM-Kleber in hochgradig maßgeschneiderte, flüchtige Apps orchestriert werden. Es ist nur noch nicht hier.

Ich denke, es muss eine sehr interessante Zeit sein, um in Programmiersprachen und formalen Methoden tätig zu sein, da LLMs die gesamte Landschaft der Softwarebeschränkungen völlig verändern. Hinweise darauf sind bereits zu sehen, z.B. im wachsenden Momentum, C nach Rust zu portieren, oder im zunehmenden Interesse an der Aktualisierung von Legacy-Codebasen in COBOL usw. Insbesondere sind LLMs *besonders* gut im Übersetzen im Vergleich zur Neugenerierung, weil 1) die ursprüngliche Codebasis als eine Art hochdetaillierter Prompt fungiert und 2) als Referenz dient, um konkrete Tests zu schreiben. Das gesagt, ist selbst Rust bei weitem nicht optimal für LLMs als Zielsprache. Welche Art von Sprache ist optimal? Welche Zugeständnisse (falls vorhanden) werden noch für Menschen gemacht? Unglaublich interessante neue Fragen und Möglichkeiten. Es scheint wahrscheinlich, dass wir große Teile aller jemals geschriebenen Software viele Male neu schreiben werden.

Herzlichen Glückwunsch zum Launch @simile_ai! (und ich freue mich, als kleiner Engel dabei zu sein.) Simile arbeitet an einer wirklich interessanten, meiner Meinung nach unterexplorierten Dimension von LLMs. Normalerweise haben die LLMs, mit denen man spricht, eine einzige, spezifische, ausgeklügelte Persönlichkeit. Aber prinzipiell ist die native, urtümliche Form eines vortrainierten LLM, dass es eine Simulationsmaschine ist, die über den Text einer hochdiversen Bevölkerung von Menschen im Internet trainiert wurde. Warum nicht in diese statistische Kraft eintauchen: Warum eine "Person" simulieren, wenn man versuchen könnte, eine Bevölkerung zu simulieren? Wie baut man eine solche Simulation? Wie verwaltet man ihre Entropie? Wie treu ist sie? Wie kann sie nützlich sein? Welche emergenten Eigenschaften könnten aus Similes in Schleifen entstehen? Meiner Meinung nach sind das sehr interessante, vielversprechende und unterexplorierte Themen, und das Team hier ist großartig. Alles Gute!