Andrej Karpathy hat gerade eine der wichtigsten Beobachtungen über KI im Jahr 2026 geteilt: Es gibt jetzt zwei grundlegend verschiedene Gruppen von KI-Nutzern, und sie reden vollständig aneinander vorbei.

Sein Tweet (3,6 Millionen Aufrufe und weiter steigend) beschreibt eine wachsende Kluft, die jeder verstehen muss, der mit KI arbeitet.

Gruppe 1: „KI ist ein Spielzeug”

Diese Gruppe hat ChatGPT ausprobiert — meist die kostenlose Version — irgendwann im letzten Jahr. Sie sahen Halluzinationen, lachten über virale Videos, in denen der Sprachmodus an einfachen Fragen scheiterte, und kamen zu dem Schluss, dass KI überhypt ist.

Sie liegen nicht falsch mit dem, was sie erlebt haben. Die kostenlosen Modelle von 2025 sind wirklich begrenzt. Aber hier liegt das Problem: Sie haben ihr mentales Modell von KI an diesem Punkt eingefroren und nie aktualisiert.

Wie Karpathy sagt, spiegeln diese alten, veralteten Modelle nicht die Fähigkeiten aktueller Frontier-Modelle wider.

Gruppe 2: „AI Psychosis”

Diese Gruppe nutzt modernste agentische Modelle — Claude Code, OpenAI Codex — professionell in technischen Bereichen. Sie zahlen 200 Dollar pro Monat. Sie geben diesen Modellen ein Computer-Terminal und beobachten, wie sie Probleme lösen, die normalerweise Tage oder Wochen Arbeit erfordern würden.

Karpathy sagt, diese Gruppe erlebt, was er „AI Psychosis” nennt — nicht weil sie delusional sind, sondern weil die Verbesserungen so überwältigend waren, dass es schwer zu kommunizieren ist, was sie sehen, an jemanden, der es nicht selbst erlebt hat.

Warum die Kluft besteht

Karpathy identifiziert zwei strukturelle Gründe, warum KI-Fähigkeiten ungleichmäßig voranschreiten:

1. Reinforcement Learning funktioniert am besten mit verifizierbaren Belohnungen.

Aufgaben wie Coding, Mathematik und Forschung haben klare Erfolgskriterien — kompiliert der Code? Bestehen die Tests? Ist der Beweis korrekt? Diese Bereiche sind natürlich für RL-Training geeignet, wo das Modell konkretes Feedback darüber erhält, ob es erfolgreich war.

Aufgaben wie Schreiben, Beratung und Konversation sind viel schwieriger objektiv zu bewerten, weshalb sie langsamer voranschreiten.

2. B2B-Wert steuert die Ressourcenallokation.

Die größten Umsatzmöglichkeiten liegen in technischen und professionellen Bereichen. Dort konzentrieren KI-Unternehmen ihre besten Teams. Verbraucherorientierte Funktionen wie Sprachmodus erhalten weniger Investment verglichen mit den B2B-Produkten, die den meisten Umsatz generieren.

Das Übersetzungsproblem

Das Ergebnis ist eine bizarre Diskonnexion. Folgendes ist gleichzeitig wahr:

Ein kostenloser KI-Sprachassistent stolpert über grundlegende Fragen in deinen Instagram-Reels
Eine bezahlte agentische KI verbringt eine Stunde damit, kohärent eine gesamte Codebase umzustrukturieren

Beides passiert im Jahr 2026. Aber Leute in Gruppe 1 sehen nur das Erste. Leute in Gruppe 2 sehen nur das Zweite. Und wenn sie versuchen, miteinander über „KI” zu reden, beschreiben sie vollständig verschiedene Technologien.

Wie man die Kluft überbrückt

Wenn du in Gruppe 1 bist, geht der Weg zu Gruppe 2 nicht darum, 200 Dollar pro Monat für einen anderen Chatbot auszugeben. Es geht darum, zu ändern wie du KI nutzt — von gelegentlichem Q&A zu strukturierter Wissensarbeit.

Hier ist, was die beiden Gruppen in der Praxis trennt:

Verhalten von Gruppe 1:

Öffnet ChatGPT, stellt eine Frage, liest die Antwort
Kein persistenter Kontext zwischen Sitzungen
KI fängt jedes Mal bei null an
Beurteilt KI an ihrem schlimmsten Versagen

Verhalten von Gruppe 2:

Baut Wissensdatenbanken auf, die KI referenzieren kann
Gibt KI Zugang zu Projektdateien, Dokumentation und Forschung
Nutzt KI als Kollegen mit Gedächtnis, nicht als Suchmaschine
Beurteilt KI an ihrer besten Fähigkeit

Die Schlüsselerkenntnis: Die Qualität der KI-Ausgabe ist direkt proportional zur Qualität des Kontexts, den du ihr gibst.

Kontext aufbauen: Die fehlende Schicht

Hier bleiben die meisten Leute stecken. Sie hören „gib der KI besseren Kontext” und denken, das bedeutet längere Prompts schreiben oder mehr Zeit damit verbringen, Dinge zu erklären. Das ist der Brute-Force-Ansatz. Der klügere Ansatz ist, eine persistente Wissensschicht aufzubauen, auf die KI automatisch zugreifen kann.

So sieht das in der Praxis aus:

Web-Recherche als strukturiertes Markdown erfassen — Statt Seiten als Lesezeichen zu speichern oder Ausschnitte in ein Dokument zu kopieren, konvertiere den vollständigen Inhalt in sauberes Markdown. Das bewahrt die Information in einem Format, das jedes KI-Tool verarbeiten kann.
In durchsuchbaren Wissensdatenbanken organisieren — Gruppiere deinen gespeicherten Inhalt nach Projekt, Thema oder Forschungsbereich. Das gibt der KI die Möglichkeit, relevanten Kontext zu finden, ohne dass du dich erinnern musst, was du gespeichert hast.
KI mit deinem Wissen verbinden — Tools wie MCP (Model Context Protocol) ermöglichen es Claude, deinen gespeicherten Inhalt direkt zu durchsuchen und zu referenzieren. Wenn du eine Frage stellst, prüft Claude zuerst deine Wissensdatenbank und verankert Antworten in deiner kuratierten Forschung statt in generischen Trainingsdaten.

Das ist der Workflow, den Save ermöglicht. Jede Webseite, die du speicherst, wird zu einer Markdown-Datei in deiner lokalen Wissensdatenbank. Der eingebaute MCP-Server von Save Vault verbindet sie mit Claude. Dein KI-Assistent hat jetzt Zugang zu allem, was du gelesen und recherchiert hast.

Der Compounding-Effekt

Die Kluft zwischen Gruppe 1 und Gruppe 2 geht nicht nur darum, welches Modell du nutzt. Es geht um den akkumulierten Kontext, den du über die Zeit aufgebaut hast.

Ein Entwickler, der sechs Monate Dokumentation, Stack Overflow-Antworten und Architektur-Artikel gespeichert hat, hat einen KI-Assistenten, der seine Codebase, seinen Stack und seine spezifischen Probleme versteht. Ein gelegentlicher Nutzer, der ChatGPT jedes Mal neu öffnet, hat ein generisches Tool, das nichts über seine Arbeit weiß.

Deshalb ist Karpathys Beobachtung über den KI-Hype-Zyklus hinaus wichtig. Die Fähigkeitslücke schließt sich nicht — sie weitet sich aus. Und die Trennlinie ist nicht technische Fähigkeit oder Budget. Es ist, ob du eine strukturierte Wissenspraxis rund um KI aufbaust oder sie als glorifizierte Suchmaschine behandelst.

Heute anfangen

Du musst nicht 200 Dollar pro Monat ausgeben, um mit der Überbrückung der Kluft zu beginnen. Du musst anfangen, das Wissen, das du bereits jeden Tag begegnest, zu erfassen und zu organisieren:

Save installieren und anfangen, nützliche Webseiten beim Surfen in Markdown zu konvertieren
Wissensdatenbanken erstellen für deine Hauptarbeits- oder Interessengebiete
Claude verbinden über den MCP-Server von Save Vault, damit dein KI-Assistent auf deinen gespeicherten Inhalt zugreifen kann
Konsequent bleiben — 2-3 Seiten pro Tag speichern und dabei zusehen, wie deine Wissensdatenbank durch Compounding wächst

Innerhalb eines Monats hast du eine persönliche Wissensschicht, die jede KI-Interaktion grundlegend besser macht. Das ist der Unterschied zwischen Gruppe 1 und Gruppe 2 — und es beginnt damit, wie du Wissen erfasst, nicht welches Modell du bezahlst.

Save konvertiert jede Webseite mit einem Klick in sauberes Markdown und speichert sie in deiner lokalen Wissensdatenbank. Mit dem MCP-Server von Save Vault durchsucht Claude deinen gespeicherten Inhalt vor dem Antworten. Save kostenlos testen.