Warum meine Kaffeemaschine mich dazu brachte, einen KI-Task-Assistenten zu bauen (Teil 1)

Es fühlt sich an, als würde meine Kaffeemaschine jedes Mal, wenn ich in meine Küche komme und eine schnelle Tasse Kaffee möchte, etwas brauchen. “Hey, meine Bohnen sind leer”, “Ich brauche Wasser zum Brühen, füll mich auf”, “Die Auffangschale ist voll, reinige mich oder ich werde dreckig”. Immer muss irgendetwas erledigt werden.

Letzte Woche hatte ich eine Deadline vor mir und wollte einfach nur einen frischen Kaffee, um mit meiner Arbeit weiterzumachen. Aber nein – die Maschine brauchte erst alle drei ihrer Probleme gelöst.

Während ich darauf wartete, dass sich der Wassertank füllte, fragte ich mich: Sind die Aufgaben, die ich hier erledigen muss, wirklich so anders als der Rest des Lebens? Warum nervt mich das mehr als andere regelmäßige Aufgaben, die ich täglich oder wöchentlich erledige?

Als alles erledigt war und ich wieder an meinem Schreibtisch saß, wurde mir klar, dass das Gleiche bei meiner Arbeit passiert. “Schau dir diese E-Mail an und mach was damit”, “Ein neues Ticket wurde dir zugewiesen”, “Anruf vom Chef”. Genau wie die Kaffeemaschine verlangt meine Arbeitsumgebung ständig Aufmerksamkeit, bevor ich das tun kann, wofür ich mich eigentlich hingesetzt habe. Ich muss all diese Unterbrechungen bewältigen, bevor ich mich auf meine eigentliche Arbeit konzentrieren kann: die Programmierung und Projekte, die tatsächlich voranbringen.

Was kann ich dagegen tun?

Bei der Kaffeemaschine kann ich kurzfristig nicht viel machen. Bessere, unabhängigere Maschinen gibt es, aber ich habe keinen Platz in der Küche für ein weiteres Gerät.

Aber während ich über meine täglichen Routinen und meinen Wunsch, sie zu automatisieren, nachdachte, stieß ich auf eine relativ einfache Idee, die schon eine Weile in meinem Kopf herumgeköchelt hatte.

Das Problem

Die Arbeit in einer Agentur kann ziemlich unvorhersehbar sein. Lange Projekte brauchen dringende Aufmerksamkeit, aber kleinere alltägliche Aufgaben, Last-Minute-Änderungen und Notfälle unterbrechen ständig. Kollegen und Stakeholder brauchen permanent Informationen oder Anleitung. In 8 Stunden passiert eine Menge, und das größte Opfer ist mein eigener Zeitplan – ich verliere die Übersicht darüber, was gerade wirklich wichtig ist.

In solchen Zeiten kämpfe ich damit, den Überblick über all meine Todos und die wichtige Kommunikation drumherum zu behalten.

Meine Lösung

In meinem Arbeitsbereich nimmt KI jeden Tag mehr an Bedeutung zu. Hier eine schnelle Claude Code Session, um eine Abfrage zu optimieren, dort eine Frage an ChatGPT, um eine E-Mail besser zu verstehen. Mit all diesen wachsenden Fähigkeiten begann ich darüber nachzudenken, wie ich sie zu meinem Vorteil nutzen könnte.

Meine Idee: Einen einfachen Assistenten erstellen, der meine Tickets und E-Mails lesen kann, Zeitpläne vorschlägt und – am wichtigsten – Änderungen, meine Gedanken und die Beziehungen zwischen Aufgaben, Kunden, Stakeholdern und der sich ständig ändernden Arbeitslandschaft im Auge behält.

Meine Anforderungen waren:

• Markdown-basiert: Damit ich manuelle Änderungen an allen Inhalten vornehmen und alles auf Git legen kann, um es einfach zu übertragen
• Vollständige Kontrolle: Lokale LLMs für sensible Daten, interne Notizen usw.
• Einfach zu bedienen: Ich möchte eine kurze Nachricht an den Assistenten senden und meine aktuellen Aufgaben, wichtige Notizen oder Zeitplan-Ratschläge erhalten

Implementierung

Ich habe Claude Code verwendet, um eine einfache Projektstruktur für all diese Dateien und Notizen zu erstellen, zusammen mit einfachen Skripten, um meine offenen Tickets von der API unseres Ticketsystems herunterzuladen und zu konvertieren sowie meine E-Mails über IMAP zu laden.

Nachdem alles erstellt und getestet war, wechselte ich zu einem lokalen LLM – ich verwendete das qwen3:8b-Modell, das auf meiner Maschine das leistungsstärkste Modell (zeitlich gesehen) war – mit Claude Router.

Warum Claude Router?

Ich verwende Claude Router, weil ich die Flexibilität haben möchte, je nach Aufgabe zwischen Anthropics Modellen und anderen zu wechseln. Für die tägliche Programmierung oder persönliche Projekte, die nicht erfordern, dass Daten lokal oder privat bleiben, kann ich Cloud-basierte Modelle verwenden. Aber für Arbeitsdaten muss alles lokal bleiben.

Man könnte sich fragen, warum das wichtig ist – es wird doch nichts Kompromittierendes in den Daten sein? Aber unsere Kunden erwarten, dass ihre Daten nicht außerhalb unserer Räumlichkeiten geteilt werden. Manchmal werden uns sogar Zugangsdaten über Tickets geschickt (das sollte nicht passieren, aber es passiert), und in diesen Fällen möchte ich nicht dafür verantwortlich sein, dass diese Daten irgendwohin gesendet werden und möglicherweise in Trainingsdaten verwendet oder, noch schlimmer, später von einem LLM halluziniert werden.

Ich erinnere mich nicht genau wann oder wo, aber ich erinnere mich, einen Beitrag gesehen zu haben, in dem ChatGPT Analysen von medizinischen Diagrammen an einen Benutzer gesendet hat, der diese gar nicht eingereicht hatte. Es gibt keinen handfesten Beweis dafür, dass diese echt waren oder die beschriebene Person überhaupt existierte, aber es sah so aus. Ich möchte wirklich nicht für einen solchen Datenschutzfehler verantwortlich sein.

Das ist der einfache Grund, warum ich diesen Ansatz gewählt habe.

Ergebnisse

Nachdem ich meine neuesten E-Mails und aktuellen offenen Tickets importiert und eine Reihe von Fragen im Terminal beantwortet hatte, war mein Assistent bereit.

Mein erster Prompt: “Worauf sollte ich mich heute konzentrieren?”

Die Antwort:

Konzentriere dich heute auf diese 5 Aufgaben: [Liste der Aufgaben] Der Kunde wartet schon lange, und diese scheinen an einem Arbeitstag machbar zu sein.

Es war ein bisschen daneben, aber insgesamt hat es funktioniert.

In den nächsten Tagen fügte ich neue Funktionen hinzu, wie einen “end day”-Befehl, der alle täglichen Aufgaben abschließt, Fragen zu unerledigter Arbeit beantwortet und den nächsten Tag plant. Ich bemerkte eine verbesserte Konzentration auf meine Arbeit und mehr Klarheit über Zeitpläne, was mich insgesamt produktiver machte.

Dann kam Donnerstag – der “große Test”. Viele Dinge liefen schief und ich musste mich auf drei Dinge gleichzeitig konzentrieren. Ich erzählte meinem Assistenten davon, und wir entwickelten einen Plan, um alles zu planen, in kleinere Aufgaben aufzuteilen und zu bestimmen, wie wir den Kunden mitteilen, wie wir vorgehen werden.

Und es hat funktioniert! Wie am Schnürchen sogar. Am Ende der Woche waren alle Aufgaben ordentlich verpackt und geplant, alle waren auf dem gleichen Stand, und am wichtigsten: Ich wusste, woran ich arbeiten musste, um die schnellsten Ergebnisse zu erzielen, ohne andere Projekte zu beeinträchtigen – etwas, womit ich immer zu kämpfen hatte und das ich zuvor mit Todo-Listen und langem Suchen darin gelöst hatte.

Ausblick

Im nächsten Teil werde ich die Details teilen: die Skripte, die die KI und ich geschrieben haben, und wie du das auch in deinem täglichen Workflow verwenden kannst.

Bis dahin nimm dir Zeit, atme tief durch und leg los mit dem Coding!