Also warum Kaonomi ?

Jarvis bauen: Warum ich noch immer dem Traum von 1956 nachjage (und warum du mitmachen solltest)

"Spulen wir über 45 Jahre zurück, als ich mich mit 11 Jahren in die KI verliebte... Heute haben wir riesige neuronale Netze, die Gedichte schreiben, über Quantenphysik debattieren und mit absoluter Überzeugung erfundene Zitate halluzinieren."

Im Jahr 1956 kamen einige der brillantesten Köpfe am Dartmouth College mit einer herrlich optimistischen Idee zusammen: Sie glaubten, dass sie die künstliche Intelligenz in etwa zwei Monaten weitgehend lösen könnten.

Doch eine echte Allgemeine Künstliche Intelligenz (AGI) — dieser nahtlose, kontextbewusste und logisch denkende Co-Pilot, den man sich in Dartmouth vorstellte — bleibt bis heute unerreichbar.

Sind wir einer echten AGI nahe? Ehrlich gesagt? Nein, nicht einmal ansatzweise.
Kümmert mich das? Kein Stück. Denn es trotzdem zu versuchen, ist das faszinierendste Ingenieursabenteuer unserer Zeit.

Von der Bildverarbeitung bis in die Tiefen der Enterprise-IT

Meine Geschichte mit der KI verlief nicht geradlinig. Ich habe Anfang der 90er Jahre direkt in der Praxis begonnen und mich auf Computer Vision spezialisiert. Doch dann kam der KI-Winter: Übertriebene Versprechungen wichen der Realität, und die Branche verfiel in einen Dämmerschlaf. Also schlug ich den Weg der Enterprise-Architektur ein und erkundete über zwei Jahrzehnte lang große Informationssysteme — SAP, SharePoint, ECM.

Dieser Umweg war keine verschwendete Zeit. Er hat mir gezeigt, wie Unternehmen wirklich funktionieren, wie Daten-Governance abläuft und wie kritische Architekturen im großen Maßstab aufgebaut werden. Als ich 2014 in Vollzeit zur KI zurückkehrte, brachte ich diese Doppelperspektive mit: die Theorie komplexer Systeme und die operative Realität der Praxis (Finanzen, Verteidigung, Energie und heute Swift).

Da ich im Autismus-Spektrum liege (Asperger), habe ich einen sehr direkten und unverfälschten Blick auf Technologie. Hype interessiert mich wenig; mir geht es um Systeme, Architektur und solide Ausführung. Auf meinem YouTube-Kanal (Le Lab IA) analysiere ich lokale LLMs, Agenten-Frameworks und Enterprise-Architekturen. Aber tief im Inneren verfolge ich seit jeher eine ultimative Geek-Fantasie: einen echten, voll funktionsfähigen Jarvis zu bauen.

> Nicht einfach nur ein weiteres Chatbot-Fenster, in das man tippt: "Bitte formatiere dieses JSON."

Ich träume von einem persönlichen, hochgradig fähigen und kontextbewussten KI-Assistenten — einem, der reale Aufgaben steuert, komplexe Schnittstellen bedient, effizient (oft lokal) läuft und als echte Erweiterung der menschlichen Intelligenz agiert.

Das Abenteuer Kaonomi & M-A-R-I

Um über theoretische Diskussionen hinauszugehen, baue ich an offenen, praktischen Fundamenten für dieses Ökosystem:

• ➔ Kaonomi : Ein Projekt zur Strukturierung, Vernetzung und Orchestrierung moderner KI-Module, Enterprise-Tools und lokaler Modelle in einer kohärenten Architektur.
• ➔ M-A-R-I : Eine kollaborative Erforschung modularer Agenten-Intelligenz und der Mensch-KI-Interaktion.

Diese Projekte entstehen nicht, um das nächste proprietäre SaaS-Abo zu verkaufen. Sie existieren, um eine fundamentale Frage zu beantworten: Wie fügen wir all diese fragmentierten KI-Puzzleteile zu einer echten persönlichen Assistenten-Plattform zusammen?

Warum wir eine Community brauchen (und warum du dabei sein solltest)

Einen Jarvis auf Iron-Man-Niveau zu bauen, ist kein Wochenendprojekt für eine einzelne Person — es ist eine Herausforderung für ein ganzes Ökosystem. Es erfordert:

1. Lokale & hybride Kontrolle : Sensible Daten lokal behalten, während Cloud-Modelle nur für schwere Rechenlasten eingebunden werden.
2. Kontext & Gedächtnis : Weg von starren Context-Dumps, hin zu semantischem Caching, dynamischem RAG und zustandsbehaftetem Speicher.
3. Sichere Werkzeugnutzung : Agenten sichere, gut überwachte Ausführungsgrenzen geben, um mit realen APIs und Workflows zu interagieren.