Ambral (@ambral_ai) baut das erste Kunden-Missionskontrollzentrum. Es ist ein KI-Account-Management-Team, das Ihnen hilft, den Umsatz aus jedem Kunden zu maximieren. Herzlichen Glückwunsch zum Launch, @Sambrickman_ & @JackStettner!

Wir werden wissen, dass AGI verschoben wurde, sobald die Labore damit beginnen, Funktionen zu entwickeln, um unsere eigenen Hintergrundfarben und Schriftarten auszuwählen.

Es gibt einen riesigen Vorteil, jetzt ein persönliches Startup in SF zu sein: Nähe zu den KI-Labors, früher Zugang zu Modellen, Nähe zu Menschen an der Spitze, Zugang zu Kapital. Wenn ein neues Modell veröffentlicht wird und dein Team schneller integriert, könnte das leicht den Unterschied ausmachen, ob man an einem einzigen Tag Hunderte neuer Nutzer gewinnt oder nicht.

Waymo für Bagger!

Figma-Mitbegründer und CEO Dylan Field (@zoink) darüber, wie KI das Design transformieren wird und warum Handwerk und Liebe zum Detail die ultimativen Unterscheidungsmerkmale sein werden. Bei der AI Startup School in San Francisco. 01:38 – Wie Dylan und Evan Figma gegründet haben 02:58 – WebGL: Von Spielen zu Werkzeugen 04:10 – Zeit kaufen, um zu bauen 05:48 – Motiviert bleiben durch frühe Erkundung 06:10 – Kalte E-Mails, frühes Feedback & erste Nutzer 08:24 – Launch-Zeitpunkt und Lektionen über frühes Versenden 10:08 – Kultur der Einschränkungen & kreatives Problemlösen 10:50 – Erkennen von Produkt-Markt-Pull 13:32 – Warum Design im KI-Zeitalter das Unterscheidungsmerkmal ist 16:34 – Figma’s KI-Produktlaunches & Expansion über Design hinaus 18:56 – Die Verwischung von Design, Entwicklung und Produkt 21:00 – Die „MS-DOS-Ära“ der KI-Schnittstellen & zukünftige Oberflächen 23:26 – Die Rolle des Designs in der KI-Forschung & die Zukunft der Designer 27:36 – Publikum Q&A: KI-Tools, Open Source, Prinzipien und Ratschläge

Es ist manchmal schwer, die Bedeutung der Aktualisierungen von Argumentation und Logik zu erfassen, die in leistungsstarken Modellen wie GPT-5 zu entstehen beginnen. Hier ist ein *sehr einfaches* Beispiel dafür, wie leistungsstark diese Modelle werden. Ich habe ein aktuelles Transkript eines NVIDIA-Ergebnisgesprächs genommen, das 23 Seiten lang war und 7.800 Wörter hatte. Ich nahm einen Teil des Satzes "und die Bruttomarge wird sich verbessern und zurück in die mittleren 70er bewegen" und änderte "mittlere 70er" in "mittlere 60er". Für einen finanziellen Analysten, der remote zugeschaltet ist, würde dies fehl am Platz wirken, da die Margen sich nicht "verbessern und zurückkehren" können zu einer niedrigeren Zahl als der, die anderswo als höhere Zahl beschrieben wird. Aber wahrscheinlich würden 95% der Personen, die diese Pressemitteilung lesen, die Änderung nicht bemerken, da sie sich leicht in die anderen 7.800 Wörter einfügt, die erwähnt werden. Mit Box AI, bei dem verschiedene KI-Modelle getestet werden, fragte ich dann eine Reihe von Modellen: "Gibt es logische Fehler in diesem Dokument? Bitte geben Sie eine ein Satz Antwort." GPT-4.1, GPT-4.1 mini und eine Handvoll anderer Modelle, die vor etwa 6 Monaten auf dem neuesten Stand waren, kamen im Allgemeinen zurück und gaben an, dass es keine logischen Fehler im Dokument gab. Für diese Modelle scheint das Dokument wahrscheinlich kohärent und folgt dem, was sie von einem Ergebnisprotokoll erwarten würden, sodass nichts wirklich heraussticht, worauf sie achten sollten - eine Art umgekehrte Halluzination. GPT-5 hingegen entdeckte schnell das Problem und antwortete mit: "Ja - das Dokument enthält eine interne Inkonsistenz bezüglich der Bruttomargenprognose, indem es an einer Stelle sagt, dass die Margen "in die mittleren 60er zurückkehren" und später sagt, dass sie "in den mittleren 70ern" später in diesem Jahr sein werden." Erstaunlicherweise geschah dies mit GPT-5, GPT-5 mini und bemerkenswerterweise *sogar* mit GPT-5 nano. Beachten Sie, dass die Ausgabetoken von GPT-5 nano zu 1/20 des Preises der Tokens von GPT-4.1 angeboten werden. Also, intelligenter (in diesem Anwendungsfall) für 5% der Kosten. Jetzt, während die Überprüfung von Fehlern in Geschäftsdokumenten nicht oft eine tägliche Angelegenheit für jeden Wissensarbeiter ist, treten diese Arten von Problemen auf verschiedene Weise auf, wenn man mit großen unstrukturierten Datensätzen arbeitet, wie Finanzdokumenten, Verträgen, Transkripten, Berichten und mehr. Es kann darum gehen, eine Tatsache zu finden, einen logischen Fehlschluss herauszufinden, ein hypothetisches Szenario zu durchspielen oder anspruchsvolle deduktive Schlussfolgerungen zu ziehen. Und die Fähigkeit, mehr Logik und Argumentation auf Unternehmensdaten anzuwenden, wird besonders kritisch, wenn KI-Agenten im Unternehmen eingesetzt werden. Es ist also erstaunlich, die Fortschritte in diesem Bereich gerade jetzt zu sehen, und das wird eine Menge weiterer Anwendungsfälle für Unternehmen eröffnen.

Neues Kochbuch in Zusammenarbeit mit @llama_index ist draußen! Wir erklären, wie man einen leistungsstarken Parse-Retrieve-Rerank-Workflow über komplexe PDFs aufbaut. Schau es dir an!

Wir veranstalten ein Context Engineering-Event in SF! ​Erfahren Sie, wie führende angewandte KI-Teams ihre Kontextfenster gestalten. Hören Sie von: Jake Heller, CEO @Casetext ​Beyang Liu, CTO @Sourcegraph Sam Bhagwat, CEO @Mastra_ai Jeff Huber, CEO @trychroma RSVP:

Anytrace () ist Ihr KI-Support-Ingenieur. Es kann technische Tickets von Anfang bis Ende lösen, indem es mit Kunden spricht, Probleme untersucht und den gesamten Ticketlebenszyklus verwaltet. Herzlichen Glückwunsch zum Start, @samgoldman0 & @tairabun!

Ein neues KI-Forschungslabor namens @blankbio_ wurde heute gegründet. Sie entwickeln neue Fundamentmodelle für mRNA und gehören zu den stärksten technischen Teams, mit denen ich gearbeitet habe. Ich bin besonders gespannt auf die Ergebnisse ihres neuen Modells und die breite Palette an Anwendungsbereichen dafür.