Einleitung: Wenn KI anfängt, sich selbst zu konsumieren
Ich glaube, viele, die gerade anfangen, mit KI zu experimentieren, haben ein ähnliches Gefühl. Das Erste, was ich morgens mache, ist nicht die Nachrichten oder den Marktcheck, sondern sicherstellen, dass die KI keine Fehler gemeldet hat. Nach und nach merkt man, dass die KI eigentlich dazu gedacht war, den Menschen zu dienen, aber es immer mehr so aussieht, als würden die Menschen der KI dienen.
Denn viele Jobs heute, wie: Forschungsberichte schreiben, PPTs erstellen, Videos schneiden, Webseiten generieren, Daten organisieren, Skripte schreiben... theoretisch hätte das Erscheinen von KI die Arbeit viel einfacher machen sollen!
Doch je mehr ich es tatsächlich nutze, desto mehr habe ich das Gefühl: Je stärker die KI, desto schwieriger wird es für den normalen Menschen!
Der Grund ist ganz einfach - egal wie stark das Modell ist, es kann deine echten Bedürfnisse nicht auf Anhieb verstehen. Daher wurde viel Zeit mit dem Anpassen von Prompts, dem Wechseln von Modellen, dem Ändern von Workflows, dem Beheben von Bugs und dem Neugenerieren verbracht! Das Endergebnis ist, dass die Arbeit tatsächlich an AI übergeben wurde, aber die eigene Arbeitszeit wurde länger.
Selbst viele Menschen, die AI nicht nutzen können, beginnen, eine Art von Angst zu empfinden: "Wenn andere AI nutzen können und ich nicht, werde ich ersetzt?"
Erstens, in der AI-Branche entstehen neue "Fähigkeitsebenen".
Die gegenwärtige AI-Branche hat bereits deutliche Fähigkeitsebenen entwickelt. Die erste Ebene sind die Leute, die Prompts schreiben können. Sie wissen, wie sie Anforderungen beschreiben, kontextualisieren und wie sie vermeiden, dass AI vom Thema abweicht.
Die zweite Ebene sind die Leute, die Tools wie Codex und Claude Code verwenden. Sie fragen AI nicht nur Fragen, sondern lassen AI am Entwicklungsprozess teilnehmen. Sie können Aufgaben zerlegen, Agenten steuern und automatisierte Prozesse aufbauen.
Die dritte Ebene sind die Leute, die Skills und SOPs schreiben können. Sie sind nicht mehr nur "AI-Nutzer", sondern trainieren AI, wie sie arbeiten soll und beginnen, ihr eigenes AI-Arbeitsystem aufzubauen.
Das realistischste Problem ist, dass jede neue Modellveröffentlichung eine neue Lernschwelle hinzufügt. Heute ist es das Studium von Prompt Engineering, morgen MCP, übermorgen Agent Routing.
Die Fähigkeiten der AI entwickeln sich weiter, aber die Lernkosten für normale Menschen steigen parallel dazu. Daher gibt es in der gesamten Branche eine subtile Veränderung: Der Faktor, der die Menschen wirklich unterscheidet, ist nicht mehr der Fleiß, sondern wer besser versteht, wie man "AI steuert".
Zweitens, was die Menschen oft wirklich belastet, ist nicht die Arbeit selbst, sondern das Debuggen.
Ich selbst bin schon in viele Fallen getappt. Einmal wollte ich ein komplettes Video-Inhalt erstellen, also war meine Anforderung an AI ganz einfach: "Hilf mir, ein 1-minütiges Xiaohongshu-Produktvideo zu generieren."
In den nächsten Stunden habe ich fast nur debugged. Die Kamera stimmt nicht, der Rhythmus passt nicht, die Untertitel sind kaputt, die Sprachausgabe stockt... Später begann ich, Modelle, Workflows, Skills und Prompts wie verrückt zu wechseln. Am Ende lief das Video tatsächlich, aber in diesem Moment hatte ich kein Gefühl von "Effizienzsteigerung".
Weil ich plötzlich realisierte, dass es nicht die "Arbeit selbst" ist, die Zeit verbraucht, sondern die Debugging-Kosten, die entstehen, um sicherzustellen, dass AI ordnungsgemäß funktioniert.
Oft bist du nicht dabei, AI zu nutzen, sondern du bist der Produktmanager, Tester oder sogar der Betrieb. Früher war die Kernlogik der menschlichen Nutzung von Werkzeugen: "Werkzeuge senken die Kosten"; aber jetzt verlagern viele AI-Produkte die ursprünglich nicht existierenden Lern- und Debugging-Kosten wieder auf die Benutzer.
Drittens, AI-Workflows werden zu einer neuen Art von "unsichtbarer Arbeit".
Viele AI-Workflows sind im Grunde eine neue Art von "digitaler körperlicher Arbeit". Du musst wissen, welches Modell für welche Aufgabe geeignet ist, welche Skills man kombinieren kann, wie man Prompts schreibt, MCP konfiguriert, Agenten steuert, Workflows verknüpft und warum das Ergebnis fehlschlägt.
Das Problem ist, dass AI nicht wie traditionelle Werkzeuge funktioniert. Es genügt nicht, einfach auf einen Knopf zu klicken, um stabile Ergebnisse zu erhalten. Oft musst du die Logik so klar erklären, dass AI weiß, was es tun soll.
Das ist auch der Grund, warum viele Menschen festgestellt haben, dass das, was jetzt wirklich rar ist, nicht die "Macher" sind, sondern die "Fragesteller".
Denn die Essenz von AI ist nicht, das Denken zu ersetzen, sondern die Denkleistung zu erweitern. Wenn eine Person ihre Bedürfnisse nicht genau ausdrücken kann, wird das Ergebnis, das AI liefert, mit hoher Wahrscheinlichkeit nur immer chaotischer. Viele Menschen glauben, sie lernen AI, stellen jedoch fest, dass sie tatsächlich lernen, wie sie sich an AI anpassen.
Viertens, die meisten AI-Produkte werden letztendlich zu "fortgeschrittenen Werkzeugen".
Angesichts der Komplexität von AI gibt es in der Branche derzeit ungefähr drei Hauptlösungen. Die erste ist, selbst nach Skills zu suchen. Das Problem dabei ist, dass hoch bewertete Skills oft nur allgemeiner sind.
Sobald es in das eigene Geschäftsszenario fällt, ist es oft schlichtweg unbrauchbar. Am Ende muss man immer noch selbst testen, selbst modifizieren und selbst debuggen. Im Grunde genommen machst du immer noch die Arbeit eines "AI-Operators".
Die zweite Lösung besteht darin, direkt Leute einzustellen, die AI nutzen können. Aber das ist für viele kleine und mittlere Teams nicht realistisch. Die Leute, die wirklich AI-Workflows verstehen, sind nicht billig, und die Arbeitslast vieler Teams reicht nicht aus, um einen "AI-Spezialisten" langfristig zu beschäftigen. Realistischer ist, dass manchmal die Kosten für die Kommunikation deiner Anforderungen mit einem Mitarbeiter nicht einmal niedriger sind als die direkte Kommunikation mit AI.
Die dritte Gruppe besteht darin, selbst zu lernen. Daher beginnen viele Menschen, Claude Code, Agenten, Skills, Vibe Coding usw. zu lernen... Das Problem ist, dass viele Menschen es schon schwer haben, ihre Anforderungen genau auszudrücken, geschweige denn, ihre Anforderungen in einen stabil ausführbaren Workflow für AI zu strukturieren. Viele Menschen haben am Ende ein starkes Gefühl der Erschöpfung: Sie nutzen nicht AI, sondern passen sich ständig an AI an.
Fünftens, xBubble möchte eigentlich das Problem lösen: "Wie können normale Menschen AI wirklich nutzen?"
Später begann ich, xBubble zu erforschen. Was mich wirklich anzieht, ist nicht die Modellfähigkeit, sondern dass es versucht, ein grundlegendere Frage zu lösen: Wie können normale Menschen die Produktivität von AI wirklich nutzen?
Denn die überwiegende Mehrheit der AI-Produkte ist im Grunde genommen nur ein Eingabefeld, und die restlichen Aufgaben müssen die Benutzer selbst erledigen. Aber die Logik von xBubble ist etwas anders. Es gibt zwei zentrale Systeme: Bubble Engine und Bubble Pilot.
Die Kernlogik der Bubble Engine ist es, "AI lernen zu lassen, wie man AI lernt". Sie erforscht, welches Modell für welche Aufgabe am besten geeignet ist, welche Toolchains stabilere Ergebnisse liefern, welche Workflows eine höhere Erfolgsquote haben und welche Ausgaben besser den Benutzerbedürfnissen entsprechen. Diese optimalen Wege werden dann in SOPs verankert.
Die Kernlogik von Bubble Pilot ist: "Lass AI AI für den Benutzer anrufen". Der Benutzer braucht nur einen Satz: "Hilf mir, ein 1-minütiges Produktvideo zu machen." Das System erkennt automatisch den Aufgabentyp, passt die entsprechenden SOPs an, ruft das geeignete Modell auf, verteilt den Ausführungsweg und gibt schließlich das Ergebnis aus. Der Benutzer muss sich nicht mehr mit Prompts, Skills, MCP, Workflows oder Agent-Routing auseinandersetzen.
Viele Menschen verstehen SOP als Skill, aber die beiden sind völlig unterschiedlich. Skill ist eher wie ein Werkzeug, während SOP mehr wie ein ganzes Set von bereits validierten AI-Workflows ist. Es umfasst nicht nur Skills, Modellwahl, Runtime, API, MCP, Ausführungslogik, Testmechanismen, Rückfallwege, sondern auch "wie diese Aufgabe stabil abgeschlossen werden kann".
Und genau das ist die Fähigkeit, die vielen AI-Produkten derzeit fehlt. Denn die echte Herausforderung ist nicht, ob "AI es kann", sondern ob "AI es stabil, kontinuierlich und kostengünstig gut machen kann".
Zusammenfassung und Ausblick
In den letzten Jahren hat die gesamte AI-Branche ihre Modellparameter hochgeschraubt. Wer größer, schneller und mit längeren Kontexten ist. Aber ich habe immer mehr das Gefühl, dass es in der zweiten Hälfte von AI darum geht, wer benutzerfreundlicher ist und wer niedrigere Einstiegshürden hat!
Denn die überwiegende Mehrheit der normalen Menschen interessiert sich eigentlich nicht einmal für Modellarchitekturen, Agenten, MCP, Vibe Coding oder Prompt Engineering.
Im Vergleich zu den aktuellen AI-Produkten, die dir ein Eingabefeld geben und den Rest musst du selbst erledigen, ist es entscheidend, ob AI mir wirklich helfen kann, meine Anforderungen gut zu erfüllen!
Und das ist vielleicht die wahre Verbreitung von AI!