7 min read · 11 sources

Gründer haben schon immer lange Stunden gearbeitet. Neu ist, dass das, was sie aufbauen, sie überholt. KI-Agenten bewegen sich so schnell - Fähigkeiten expandieren, Modell-Updates landen wöchentlich - dass Gründer sich gezwungen fühlen, Schritt zu halten oder wertvolle Arbeitsstunden zu verlieren. Das Ergebnis ist unregelmäßiger Schlaf, Unfähigkeit, sich auf anderes zu konzentrieren, und ein allgegenwärtiges Gefühl, dass das Tempo nicht nachhaltig ist, aber Anhalten keine Option ist. Dies ist die prägende Arbeitskultur-Geschichte von 2026, und sie hat Konsequenzen jenseits persönlichen Burnouts: Startups, die auf erschöpften Gründern laufen, treffen schlechtere Entscheidungen, verpassen Compliance-Verpflichtungen und liefern halbgetestete Features aus.

Die DOJ-Untersuchung könnte VCs dazu zwingen, Boardsitze aufzugeben oder ganz auf sie zu verzichten und damit Term Sheets für aktuelle Fundraiser zu verändern.

DOJ eröffnet Kartellverfahren gegen Andreessen Horowitz

Source: techcrunch.com ↗

Das Department of Justice hat knapp ein Jahr damit verbracht, Andreessen Horowitz wegen Boardsitzen zu untersuchen, die die Firma in konkurrierenden KI-Unternehmen hält, laut einem Bloomberg-Bericht, zitiert von TechCrunch. Ben Horowitz sitzt im Databricks-Board; Martin Casado hält einen Sitz bei Fivetran. Regulierungsbehörden fragen sich, ob eine VC-Firma, die Sitze auf beiden Seiten eines konkurrierenden Marktes hält, eine Kartellgrenze überschritten hat.

Die von TechCrunch interviewten VCs schienen genuin verwirrt. Eine Frage ist, warum dies auf die Prioritätenliste des DOJ gelangt ist, angesichts der dokumentierten Verbindungen von a16z zur Trump-Administration und der relativen Stille der Firma zu Policy während der Biden-Jahre. Niemand außerhalb der Untersuchung weiß, was die zugrundeliegenden Vorwürfe sind. Was Ingenieure in VC-finanzierten Startups beobachten sollten: Wenn Firmen reagieren, indem sie Sitze aufgeben oder ablehnen, ändern sich Board-Zusammensetzung, Informationsrechte und Term Sheets für jeden, der gerade Fundraising betreibt. Die Untersuchung könnte ein „Beispiel" setzen, das kleinere VC-Firmen unter Druck setzt, ihre eigenen Board-Konflikte zu prüfen - insbesondere in KI-Portfolios, wo Portfolio-Unternehmen zunehmend direkt konkurrieren.

Ein Semantic Layer bei PostHog aufbauen

Source: x.com ↗

PostHog veröffentlichte einen detaillierten Walkthrough eines Problems, das jedes datenaffine Unternehmen irgendwann trifft: Frage man Claude, Cursor und PostHog AI dieselbe Metrik-Frage - „Was war unser MRR im letzten Monat?" - und erhält drei verschiedene Antworten. Die Grundursache sind nicht die Modelle. Es ist, dass die Definition von MRR, welche Tabelle maßgeblich ist und welche Joins erforderlich sind, allesamt in Tribal Knowledge leben, anstatt in einer einzelnen Referenz.

Die Lösung ist ein Semantic Layer - eine wörterbuchartige Schicht, die auf dem bestehenden Data Warehouse sitzt, ohne Daten zu kopieren oder etwas zu ersetzen. Er kodiert Metrikdefinitionen, vertrauenswürdige Tabellen und Join-Semantik, sodass Agenten und Menschen aus derselben Informationsquelle lesen. PostHogs Beitrag durchläuft, wie sie ihren aufgebaut haben.

Für Ingenieure ist das relevant, weil agentische Analysen nur so zuverlässig sind wie die geteilten Definitionen, aus denen Agenten lesen. Ohne Semantic Layer produziert selbst ein besseres Modell plausibel, aber falsche Metrik-Antworten. Wenn AI-gestützte Daten-Tools ausgeliefert werden, ist dies das unspektakuläre Fundament, das bestimmt, ob Outputs vertrauenswürdig sind.

Build vs Buy, wenn Bauen gerade billig geworden ist

Source: kevingoldsmith.substack.com ↗

Kevin Goldsmith berichtet davon, einen Open-Source-Auth-Stack bei einem Early-Stage-B2B-Startup genehmigt zu haben, um Vendor-Kosten zu sparen. Eine einwöchige Verlängerung wurde zu ständigem Security-Patching, zum Bauen von Features, die ein Vendor ausgeliefert hätte, und zu langwierigen Security-Review-Gesprächen mit Enterprise-Interessenten. Ungefähr 30 Tage nach dem Umzug des Unternehmens auf eine Vendor-Lösung kompromittierte eine schwerwiegende Sicherheitslücke in der Open-Source-Komponente mehrere Sites, die noch nicht migriert waren.

Goldsmiths Rahmen ist ein Team-Mantra - „Lass uns keine Dinge erfinden, die bereits existieren" - mit bewusstem Absolutismus, um eine hohe Messlatte zu setzen. Die Lektion ist nicht, dass Open Source schlecht ist; es ist, dass Build-vs-Buy-Mathematik, die laufende Wartung, Security-Patching und Sales-Enablement-Kosten ignoriert, routinemäßig bestenfalls unentschieden ausgeht. Glück ist keine Strategie.

X Ads MCP: KI-Agenten schalten Werbekampagnen

Source: threadreaderapp.com ↗

X launchte ein Ads MCP, das es Grok, Grok Build, Claude Code und anderen KI-Agenten ermöglicht, sich direkt mit X Ads-Konten zu verbinden und Kampagnen durch normale Konversation zu verwalten. Agenten können Echtzeit-Kampagnendaten abrufen, Ergebnisse analysieren, Kampagnen erstellen und verwalten, Interessen und Standorte für Targeting durchsuchen, Targeting hinzufügen oder entfernen, Anzeigen erstellen, bestehende Posts bewerben, Performance prüfen und Kampagnen aktualisieren und aktivieren. Es gibt 23 X Ads-Tools, die über das MCP verfügbar sind.

Dies ist ein konkretes Beispiel dafür, dass das MCP-(Model Context Protocol-)Muster mainstream wird: Statt sich in ein Dashboard einzuloggen, wird einem Agenten gesagt, was gewünscht wird, und er erledigt die API-Aufrufe. Für Ingenieure, die agentische Workflows bauen, wächst die MCP-Oberfläche schnell, und zu verstehen, wie das eigene Produkt über MCP exponiert werden kann, ist zunehmend relevant.

Notion veröffentlicht TypeScript-Workspace-API - und stellt fest, dass die meisten Teams KI noch oberflächlich nutzen

Source: threadreaderapp.com ↗

Notion kündigte „Notion as Code" in Beta an: Definieren eines gesamten Workspace - Teamspaces, Datenbanken, benutzerdefinierte Agenten - in TypeScript und Deployment über API für git-versionierte, reproduzierbare Setups. Das Unternehmen veröffentlichte außerdem einen neuen HTML-Block zum Einbetten interaktiver Prototypen, Dashboards und Erklärungen direkt in Pages.

In derselben Ankündigung veröffentlichte Notion Umfragedaten von 6.000 Fachleuten aus 10 Märkten: Nur 2 % der Organisationen arbeiten auf dem höchsten Level der KI-Adoption, während 88 % sie noch oberflächlich nutzen. Der Bericht rahmt KI-Maturität als Level ein, die sich vertiefen, anstatt zu graduieren.

Für Ingenieure verändert die TypeScript-definierte Workspace-API, wie Notion-Setups codiert, versioniert und geteilt werden können. Wenn ein Multi-Team-Notion-Deployment verwaltet wird, ist dies ein echtes Infrastruktur-Upgrade. Die Umfragedaten sind nützlicher Kontext, wenn intern für tiefere KI-Investitionen argumentiert wird.

Warum das lokale LLM dümmer wirkt, als es ist

Source: forum.level1techs.com ↗

Der Level1Techs-Forenbeitrag, der argumentiert, dass lokale LLMs „dümmer" wirken als Referenz-Benchmarks, ist wegen der Daten lesenswert. Jemand führte 44,8 Terabyte Tests am selben Modell, derselben Frage durch: Richtige Antwort auf einer GPU, falsche Antwort auf zwei aufgeteilt, wieder richtig auf vier. Eine gängige Kompressionseinstellung brach leise die Fähigkeit des Modells, externe Tools aufzurufen; eine etwas größere funktionierte einwandfrei.

Das Grundproblem sind implementierungsspezifische Inferenz-Risiken. Unterschiedliche GPU-Generationen, Befehlssätze und Software-Stacks berechnen Logits und Token-Wahrscheinlichkeiten unterschiedlich. Standard-Prompt-and-Pray-Evaluation ist ein schlechter Proxy für agentische Workloads. Der Autor empfiehlt, repräsentative Benchmarks auszuführen - terminal-bench, HLE, SWE-bench-Style, MMLU, Long-Context-Tool-Calling, domänenspezifische Evals - anstatt Zero-Shot-Test-Prompts, und warnt davor, stark quantisierte GGUF-Runs als repräsentativ für Modellqualität zu bewerten.

Cloudflare Bot Preference Sync auf allen Tarifen verfügbar

Source: blog.cloudflare.com ↗

Cloudflare launchte Bot Preference Sync, verfügbar für alle Kunden von Free bis Enterprise. Es spiegelt die KI-Bot-Konfiguration, die im Cloudflare-Dashboard gesetzt wird, automatisch in die robots.txt der Site, und kann jederzeit ein- oder ausgeschaltet werden. Das Feature adressiert eine gängige Diskrepanz: robots.txt verbietet einen Crawler, aber Durchsetzungsregeln blockieren ihn nicht - eine Lücke, die manche Crawler als Lizenz betrachten, deklarierte Präferenzen zu ignorieren.

Es baut auf Cloudflares Launch am 1. Juli 2026 auf, das separate Präferenzkontrollen für Search-, Agent- und Training-Traffic einführte, plus früheren verwalteten robots.txt-Einträgen und Edge-erzwungenen Blocks gegen Training-Crawler. Für Ingenieure ist das Synchronisieren von robots.txt und WAF/Bot-Management-Regeln jetzt auf jedem Tarif automatisierbar, und KI-Search/Agent-Traffic wird als First-Class-Kategorie behandelt, die sich von Training-Crawlern unterscheidet.

Is Agentic: Ein öffentlicher Site-Scanner für KI-Agenten

Source: is-agentic.com ↗

Is Agentic ist ein öffentlicher Site-Scanner, der bewertet, wie „agentisch" eine Website ist, basierend darauf, was KI-Agenten entdecken, abrufen, verstehen und nutzen können. Der Score teilt sich in Essential-Checks (Server-gerenderter Content, korrektes HTTP-Verhalten, klare Dokumentstruktur, behebbare Fehler, nutzbare Controls), die das meiste Gewicht tragen, und Recommended-Checks (API, OAuth, GraphQL, MCP-Server, Developer Portal, Commerce-Surfaces), die nur aktiviert werden, wenn zutreffend. Berichte enthalten eine beobachtete Agent-Journey, sind über eine öffentliche JSON-API und einen MCP-Server verfügbar und werden serverseitig unter stabilen URLs gerendert, sodass Crawler kein JavaScript benötigen.

Für Ingenieure bietet das Tool eine konkrete, maschinenlesbare Checkliste, um Sites agent-freundlich zu machen, und zeigt pro Finding Beweis für die Behebung. Wenn Site-Entdeckbarkeit verantwortet wird oder agentische Workflows gebaut werden, die von Site-Scraping abhängen, ist dies ein nützlicher Benchmark.

Man war nie der eigene Kunde

Source: sixteenventures.com ↗

Ein scharfer Beitrag von Sixteen Ventures argumentiert, dass Unternehmen konsistent scheitern, eigene Customer-Experience-Probleme zu finden, weil niemand im Unternehmen tatsächlich der End-to-End-Kunde der Systeme war, die in ihrem Namen laufen. Zwei Beispiele: Ein angstbasiertes Offenlegungsformular um einen Versicherungs-Upsell gewickelt, das einen Makler-Kunden zu einem langsameren Prozess verängstigte, und eine Augenklinik, deren Online-Buchung durch eine E-Mail aufgehoben wurde, die einen Telefonanruf innerhalb eines bereits abgelaufenen Fensters erforderte, was eine No-Show produzierte, die dem Patienten in Rechnung gestellt wurde.

Die Erkenntnis: Vendor-geschönte Software mit dem eigenen Logo darauf ist funktional man selbst, und der Schritt der Indirektion ist genau das, was den Schaden unsichtbar macht. Für Ingenieure und Product Owner trifft der Punkt hart: Ein Feature ausliefern ist nicht dasselbe wie es persönlich als Kunde durchgespielt zu haben. Nicht durchgespielte Systeme produzieren weiterhin selbstverschuldete Churn, die das Unternehmen nie sieht.

Das GTM-Playbook hat sich in zwei Jahren mehr verschoben als im Jahrzehnt davor

Source: growthunhinged.com ↗

Kyle Poyars „Growth Unhinged"-Field-Guide katalogisiert sechs Kern-GTM-Motions - Inbound, Outbound, Product-Led, Account-Based, Paid Digital, Partner - mit Inbound derzeit am populärsten laut einem State of B2B GTM Report. Die Terminologie hat sich verschoben: AEO (Answer Engine Optimization), Context Engineering, MCP, FDE und Token Economics sind jetzt tragende Begriffe. Inbound ist mit 23 % am stärksten adaptiert, Product-Led dominiert weiterhin unter 1 Mio. USD ARR und unter 5.000 USD ACV, und 47 % der Teams testen KI-Discovery-Kanäle. Hybrid-Pricing liegt bei 37 %, und KI-Credit-Modelle sollen in zwölf Monaten um 114 % wachsen. Bei Einstellungen füllen 39 % der führenden KI-Unternehmen Forward-Deployed-Rollen mit 213.000 bis über 370.000 USD.

Für Ingenieure, die GTM-Tooling oder Pricing-Infrastruktur bauen, entsprechen die Terminologie-Verschiebungen konkreten Produkt- und Pricing-Änderungen - insbesondere rund um agentische Oberflächen (MCP) und KI-bewusste Entdeckbarkeit (AEO). Wenn etwas im Go-to-Market-Tooling-Bereich ausgeliefert wird, ist dieser Field-Guide eine nützliche Landschaftskarte.