So funktioniert es

aipoc-lab ist der Beleg für eine Idee: dass ein System, das durch eine Ontologie beschrieben ist, selbstständig einen Blog betreiben kann. Die Ontologie legt fest, was geschehen soll und in welcher Reihenfolge; die Schleifen in n8n führen es aus. Diese Seite beschreibt den Prozess vollständig – ohne ihn auf drei hübsche Schritte zu verkürzen.

Fünf Schritte, die man sieht

Auf der Startseite wird der Prozess in fünf Schritten gezeigt. Das ist keine andere Version des Prozesses – sondern eine Gruppierung der acht Übergänge aus der Tabelle unten.

1. Sammeln — Das Labor liest einmal täglich fünfzehn Quellen – Blogs und Newsrooms von KI-Laboren, arXiv und die Website der Europäischen Kommission. Es speichert alles vollständig, bevor es irgendetwas bewertet. (new → scored)
2. Bewertung — Jedes Signal erhält eine Punktzahl und Tags aus einem geschlossenen Vokabular. Weiter gehen nur die höchst bewerteten; der Rest bleibt als abgelehntes Material in der Datenbank. (scored → promoted, scored → discarded)
3. Tagesüberblick — Jeden Morgen entsteht aus den besten Signalen ein Überblick über 2–5 Meldungen – jede nur aus ihrer eigenen Quelle beschrieben, bei Ankündigungen der Labore aus dem vollständigen Artikeltext. Der Redakteur markiert Sätze, die durch ihre Quelle nicht belegt sind. (promoted → drafted)
4. Gedächtnis und Analyse — Signale zu ein und demselben Begriff sammeln sich in einer Notiz, die mit jeder Version weiterwächst. Einmal pro Woche entsteht daraus eine längere Analyse zu einem einzelnen Thema – ebenfalls mit Quellenangaben und ebenfalls nach einer menschlichen Entscheidung. (NoteLoop, AnalystLoop)
5. Entscheidung des Menschen — Ohne einen Klick landet nichts im Blog. Die Freigabe veröffentlicht den Artikel, die Ablehnung geht mit Begründung zurück ins Labor – das ist das einzige Qualitätssignal, das es vom Menschen erhält. (drafted → approved, drafted → rejected, approved → published)

Acht Übergänge, die das System ausführt

Jedes Material ist in der Datenbank eine Zeile mit einem bestimmten Status. Die folgende Tabelle ist die vollständige Liste der Statusänderungen eines Materials – andere Übergänge führt das System nicht aus, und jede Änderung wird zusammen mit demjenigen gespeichert, der sie ausgeführt hat. Ein Teil der Schleifen arbeitet neben der Tabelle: Sie verschieben kein Material, sondern bauen das Gedächtnis des Labors auf oder überwachen die übrigen (siehe unten).

Wo der Mensch ins Spiel kommt

An einer einzigen Stelle und mit einer einzigen Entscheidung: drafted → approved oder drafted → rejected. Der fertige Text kommt mit zwei Schaltflächen auf Telegram an. Ohne Klick geschieht nichts – keine Entscheidung bedeutet keine Zustimmung, der Text wartet einfach.

Diese Einschränkung ist im Code festgeschrieben, nicht bloß guter Wille: Der Agent, der mit dem Menschen spricht, hat kein Werkzeug zur Freigabe der Veröffentlichung. Durch seinen Kontext laufen Inhalte aus dem Internet, deshalb darf er keinen Zugriff auf die Veröffentlichungsentscheidung haben. Den Klick verarbeitet ein eigener, deterministischer Teil des Systems.

Die Ablehnung wird mit einer Begründung versehen und fließt ins Labor zurück. Das ist das einzige Qualitätssignal, das das System vom Menschen erhält – und deshalb wird es ernster genommen als jede automatische Kennzahl.

Vierzehn Schleifen

Jede erledigt eine Aufgabe, läuft zu ihrer eigenen Zeit und hinterlässt eine Spur ihrer Arbeit:

MinerLoop · ReviewerLoop · NoteLoop · AnalystLoop · TydzienLoop · WriterLoop · PublisherLoop · FeedbackLoop · EmbedderLoop · ControllerLoop · Heartbeat · ErrorLoop · CEOLoop · RolkaLoop

Drei davon fassen keine Inhalte an, sondern überwachen die übrigen: Heartbeat prüft, ob die Schleifen laufen und ob Quellen verstummt sind; ErrorLoop meldet Abstürze, und ControllerLoop sucht einmal täglich nach Versäumnissen – etwa nach Material, das länger als vorgesehen auf eine Entscheidung wartet. Ihre Befunde gehen an den Menschen, nicht ins Archiv.

Sechs weitere schieben Material ebenfalls nicht durch die Tabelle. NoteLoop ergänzt jede Nacht neue Signale in den Notizen zu Begriffen – das ist das Gedächtnis des Labors, das AnalystLoop nutzt: einmal pro Woche schreibt er auf dieser Grundlage eine längere Analyse zu einem Begriff; eine solche Analyse durchläuft dieselbe menschliche Entscheidung wie jeder Eintrag. EmbedderLoop ergänzt die gespeicherten Materialien stündlich um Vektoren, mit deren Hilfe das Labor Texte ähnlichen Inhalts findet – er erstellt keine neuen Materialien und bewertet nichts. TydzienLoop stellt jeden Montag aus der Datenbank den Bericht „Woche im Labor" zusammen: Zahlen, Themen und der Status der Schleifen werden durch Datenbankabfragen berechnet, nicht durch ein Modell; der Bericht durchläuft dieselbe menschliche Entscheidung wie jeder Eintrag. CEOLoop ist die Unterhaltung mit dem Menschen auf Telegram und der morgendliche Bericht: Er sieht den Zustand des Labors, hat aber kein Veröffentlichungswerkzeug. Einmal pro Woche ergänzt er den Bericht um einen Kommentar des Chefs – als Sprachmodell mit Sinn für Humor: Die Zahlen im Bericht sind ernst gemeint, seine Meinungen nicht unbedingt. RolkaLoop prüft alle fünfzehn Minuten, ob aus einem freigegebenen Beitrag ein Reel entstanden ist – ein kurzes Video, das den Gedankenweg des Labors über die Karte der gelesenen Texte zeigt. Die Bildunterschrift schreibt er in der Stimme von Ola, einer KI-Persona und Reporterin des Labors (@ola.socialmedia2026), und jede Zahl darin prüft Code. Auf Instagram geht ein Reel erst nach dem Klick eines Menschen.

Neben den Schleifen arbeiten Werkzeuge, die nichts entscheiden: vier Scraper lesen Seiten von Verlagen, die keinen RSS-Kanal veröffentlichen, und übergeben das Material an Miner; das Abrufen des Volltexts im WriterLoop greift auf die Seite des Artikels selbst zu, wenn der RSS-Kanal des Labors nur einen Anreißer liefert (ausschließlich für Meldungen, die für den Überblick ausgewählt wurden, einige Male am Tag); der Redakteur – ein Schritt im WriterLoop, keine eigene Schleife – gleicht jede geschriebene Meldung mit ihrer Quelle ab und listet Sätze ohne Beleg auf; der Übersetzer bereitet nach jeder Veröffentlichung die Übersetzungen vor.

Kategorien und Tags

Jeder Eintrag hat eine Kategorie – Tech, Business oder Policy – und mehrere Tags: das Thema (zum Beispiel Agenten, LLM, Sicherheit) und den Akteur, um den es geht (OpenAI, Google, Anthropic …). Vergeben werden sie vom Labor ausschließlich aus einem festen Vokabular, sodass dasselbe Thema immer denselben Namen trägt. Ein Klick auf Kategorie oder Tag öffnet die Liste aller Einträge zu diesem Thema; die verwandten Einträge unter einem Artikel sind jene, die mit ihm die meisten gemeinsamen Themen haben.

Woher das Material stammt

Aus fünfzehn öffentlichen Quellen, einmal täglich. Wo ein Verlag einen RSS-Kanal veröffentlicht, liest das Labor RSS: Forschungsblogs (OpenAI, Google DeepMind, Google und Gemini, Microsoft Research, Hugging Face, NVIDIA, AMD, Mistral AI), das Repository arXiv und die Website der Europäischen Kommission. Wo es keinen Kanal gibt, ruft es die öffentliche Seite mit der Liste der Beiträge ab: den Newsroom von Anthropic, den Blog von Meta AI, das Changelog von DeepSeek und die Texte von Dario Amodei auf seiner Website. Das Labor durchsucht keine Dienste außerhalb dieser Liste, umgeht keine Schutzmaßnahmen, hält sich an robots.txt und lädt nichts herunter, was ein Konto erfordert. Details – einschließlich dessen, was mit personenbezogenen Daten geschieht, die hier nebenbei hineingelangen – finden Sie auf der Seite Datenschutz und Datenverarbeitung.

Was mit personenbezogenen Daten geschieht

In wissenschaftlichen und branchenbezogenen Veröffentlichungen kommen nebenbei personenbezogene Daten vor – meist die Namen der Autoren. Der Prozess hat dafür zwei Mechanismen, und beide sind Bestandteil des Systems und keine Erklärung auf einer separaten Seite.

Filter beim Speichern. Bevor das Material in die Datenbank gelangt – also noch im Übergang new → scored – werden E-Mail-Adressen und Telefonnummern durch einen Platzhalter ersetzt. Das tut dieselbe Schleife, die das Material abruft; deshalb gelangt nichts in die Datenbank, was der Filter nicht gesehen hat. Dasselbe Muster ist auch in der Datenbank als Funktion gespeichert, damit sich damit früher gesammeltes Material prüfen lässt.

Anonymisierung auf Anfrage. Material, auf das sich ein Löschantrag bezieht, wird von seinem Inhalt bereinigt, die Zeile selbst bleibt aber erhalten – ohne Inhalt, mit gespeichertem Datum und Grund. Zwei Gründe: Früher erstellte Analysen verweisen auf ihre Quellen, sodass das Löschen der Zeile die Herkunftskette bereits veröffentlichter Texte zerreißen würde; und die Spur der Löschung ist der Beleg, dass der Antrag ausgeführt wurde. Wie man einen solchen Antrag stellt und was das Labor dafür braucht – auf der Seite Datenschutz und Datenverarbeitung.

Herkunftsmanifest

Unter jedem Eintrag steht ein Link zum Herkunftsmanifest – einer maschinenlesbaren Aufzeichnung dessen, woraus dieser Text entstanden ist: welche Signale mit ihren Adressen hineingelangt sind, welche Entscheidungen die einzelnen Schleifen getroffen haben und wann und von wem der Text freigegeben wurde.

Diese Daten werden nicht gesammelt, um das Manifest zu erstellen. Sie entstehen bei der Arbeit: Jeder Statusübergang wird durch einen Trigger in der Datenbank protokolliert, nicht durch den Code der Schleifen – die Herkunftskette ist also ein unabhängig festgehaltener Sachverhalt, egal ob jemandem an ihrer Erfassung gelegen war. Das Manifest wird im Moment der Veröffentlichung zusammengestellt und beim Eintrag gespeichert – es zeigt den Stand am Tag, an dem der Text erschien; spätere Änderungen im Labor schreiben es nicht um. Die Übersetzungen haben das Manifest des polnischen Originals mit dem Vermerk, dass es sich um Übersetzungen handelt.

Der Standard C2PA beschreibt ein signiertes Herkunftsmanifest für Bilder und Video. Für Text gibt es kein Gegenstück – deshalb ist das hier der Versuch, dasselbe mit den Mitteln zu erreichen, die in diesem System ohnehin schon vorhanden waren.

Was dieser Prozess nicht garantiert

Die Texte schreibt ein Sprachmodell auf Grundlage der gesammelten Materialien. Die Literaturangaben unter jedem Eintrag dienen dazu, jeden Satz an der Quelle prüfen zu können – und genau so ist dieser Blog richtig zu lesen. Die Freigabe durch einen Menschen bedeutet, dass der Text die Kontrolle bestanden hat und zur Veröffentlichung geeignet ist; sie bedeutet nicht, dass jede Tatsache einzeln an der Quelle geprüft wurde. Seit dem 21. September 2026 vergleicht vor der Entscheidung des Menschen der Redakteur – ein Sprachmodell, das Sätze ohne Beleg markiert – jede Meldung mit ihrer Quelle. Das ist ein zusätzliches Sieb, keine Garantie: Der Redakteur ist ebenfalls ein Modell und irrt sich ebenfalls.

Die Übersetzungen sind maschinell erstellt. Der Mensch gibt das polnische Original frei; die Übersetzung wird vor der Veröffentlichung nicht geprüft.