Drei Updates in einem Monat, 3.8, 3.9 und 3.10, und alle drehen sich um dieselbe Frage: Wer hat das eigentlich gesagt, und was machst du danach damit? Der Kern der Neuerungen ist die Nemotron-Spracherkennung. Sie trennt Stimmen im Transkript sauber voneinander, und über den Speicherchips gibst du jeder Person mit einem Tipp den echten Namen. Hedy zieht dafür deinen Kalender und deinen Topic-Context heran und füllt Namen oft schon von selbst. Hört das System eine Person versehentlich als zwei, führst du die beiden Chips jetzt einfach zusammen, inklusive gemeinsamer Zusammenfassung. Richtig praktisch wird es beim Teilen. Du veröffentlichst eine Session als Webseite und schickst den Link an jeden, der ihn braucht, ganz ohne Hedy-Account auf der Empfängerseite. Du entscheidest dabei selbst, was sichtbar ist: Zusammenfassung, Notizen, To-dos, Transkript oder der komplette Chat mit Hedy. Auch die Linkdauer legst du fest, von sieben Tagen bis unbegrenzt, und der Link lässt sich jederzeit widerrufen. Für alle, die mit mehreren Projekten oder Kunden arbeiten, gibt es jetzt einen echten Sammelpunkt. Jedes Topic hat einen eigenen To-do-Tab, der die Aufgaben aus allen zugehörigen Sessions bündelt. Du sortierst nach Fälligkeit oder Ursprungs-Session, bearbeitest, hakst ab, exportierst. Der Status bleibt dabei überall synchron, egal ob du am Handy, im Topic-Tab oder direkt in der Session arbeitest. Auf Pro-Basis lässt sich das sogar per API oder über MCP steuern, du räumst To-dos also auch direkt aus Claude heraus ab. Auch beim Export hat sich einiges getan. Zusammenfassung, Notizen oder die komplette Session lassen sich jetzt als Text, Markdown, Word oder PDF herunterladen, und Überschriften, Listen und Tabellen bleiben dabei erhalten statt zu einer Textwand zu verschmelzen. Wer am Mac oder unter Windows arbeitet, kann Hedy zudem automatisch starten lassen, sobald ein unterstütztes Meeting-Tool das Mikrofon aktiviert. Und läuft noch eine alte, pausierte Session im Hintergrund, bietet Hedy jetzt aktiv an, sie zu beenden, statt sie versehentlich mit dem neuen Call zu vermischen.

Hallo zusammen, ich bin Ulf und neu hier in der Lounge! Ich arbeite im IT-Bereich und beschäftige mich schon eine Weile mit KI, bin aber gespannt, was andere hier für Erfahrungen gemacht haben. Was war für euch der größte Aha-Moment mit KI – privat oder beruflich?

Über Multi-Agenten-Systeme wird viel geschrieben, meist auf der Ebene von Architekturdiagrammen und Produktversprechen. Wie sich zwei unabhängige LLMs im Alltag tatsächlich koordinieren lassen, ohne dass Wissen driftet, Verantwortlichkeiten unklar werden oder am Ende niemand mehr weiß, welcher Stand gerade gilt, zeigt sich eher in der Praxis als in der Theorie. Der folgende Erfahrungsbericht stammt aus einem selbstgebauten, aber vollständig produktiven Fall: einer persönlichen Bewerbungspipeline, in der Claude und ChatGPT arbeitsteilig zusammenarbeiten – gekoppelt über Slack als Signalquelle und eine versionierte, dateibasierte Knowledge Base als gemeinsames Gedächtnis. Der Aufbau: Slack als Sensor, Dateien als Gedächtnis Slack übernimmt in diesem Setup nicht die Rolle einer Chat-Oberfläche für die Agenten, sondern die eines Sensors. Neue Stellenanzeigen landen in thematisch getrennten Kanälen; ein Agent scannt sie, erkennt Statuswechsel und wartet auf klar definierte menschliche Signale in Thread-Antworten – ein einfaches „GO“, „Freigabe“ oder „Sign-off“ genügt, um die Pipeline einen Schritt weiterzuschalten. Slack ist damit Ereignisquelle und Kommunikationskanal zugleich, aber ausdrücklich keine Wissensbasis. Das eigentliche gemeinsame Gedächtnis liegt in einer versionierten Dateistruktur, die beide Systeme lesen und – nach klaren Regeln – auch verändern dürfen. Zentral ist ein einziges Prinzip: Eine Datei ist die alleinige Faktenquelle für den Kandidaten, alle anderen Bestände (historische Bewerbungsunterlagen, Master-Lebensläufe, Slack-Kontext) liefern ausschließlich Kontext – Formulierungen, Gewichtung, Framing –, niemals neue Fakten. Jede Änderung an dieser Faktenbasis muss geschrieben werden, nie „nur im Kopf eines Modells“ bleiben. Genau das ist einmal schiefgegangen: Ein überarbeiteter Stand wurde nur intern in einem der beiden Systeme gepflegt und nie verteilt, sodass eine spätere Anfrage gegen einen veralteten Stand lief, ohne dass es zunächst auffiel. Die Konsequenz war keine neue Regel mit gutem Willen, sondern ein hartes Versionierungs- und Übergabeverfahren: durchgehend nummerierte Gesamtversionen, die je den vollständigen Stand aller Kategorien enthalten, plus eine bewusste Entscheidung gegen Mikro-Releases – kleine Einzeländerungen sammeln sich, bis ein inhaltlich abgeschlossener Block vorliegt, statt bei jeder Kleinigkeit einen neuen Stand zu erzeugen.

Das größte Feedback der Community in diesem Jahr betraf ein und dasselbe Problem:. Hedy hat Aussagen der falschen Person zugeordnet. Die Zusammenfassung schrieb eine Entscheidung Person A zu, die detaillierten Notizen derselben Sitzung nannten Person B. Genau dieses Problem löst 3.9. Sprechererkennung, einmal geklärt und überall übernommen Hedy bekommt eine neue Intelligenzschicht, deren einzige Aufgabe darin besteht, herauszufinden, wer gerade spricht. Sie läuft, bevor irgendetwas anderes generiert wird, und liest das Gespräch auf echte Hinweise hin. Stellt sich jemand vor? Wird jemand namentlich angesprochen? Dazu kommen dein Kalendereintrag und dein Themenkontext als zusätzliche Quellen. Ist sich Hedy sicher, nennt sie den Namen. Ist sie es nicht, bleibt die Person nummeriert, statt geraten zu werden. Die Kontrolle bleibt bei dir: Jedes Transkript zeigt jetzt eine Zeile mit Sprecher-Chips. Ein Tap genügt, um jemanden umzubenennen. Ein Name, den du selbst setzt, wird nie wieder von Hedys eigener Einschätzung überschrieben und begleitet die Sitzung in Kopien, geteilten Versionen, Downloads und auf deine anderen Geräte. Ein wichtiger Punkt für die Praxis: Diese Funktion setzt Nemotron als Sprachmodell voraus. Sitzungen mit Whisper oder einem Cloud-Anbieter erzeugen keine Sprecherzuordnung und zeigen deshalb auch keine Sprecherliste. Wer noch nicht umgestellt hat, findet den Schalter unter Settings → Speech & AI. Julien kündigt an, dass Nemotron perspektivisch zum Standard werden soll, damit diese Funktion künftig ohne Umstellung für alle da ist. Was 3.9 sonst noch bringt Jedes Topic bekommt einen eigenen To-Dos-Tab: alle Aufgaben aus allen Sitzungen eines Themas an einem Ort, sortierbar nach Fälligkeit oder Sitzung. Hakst du eine Aufgabe dort ab, aktualisiert sich das direkt in der ursprünglichen Sitzung. Sitzungen lassen sich jetzt als fertige Dokumente herunterladen, egal ob Zusammenfassung, detaillierte Notizen oder der komplette Export, wahlweise als Text, Markdown, Word oder PDF, Formatierung inklusive. Auch das Zusammenführen von Sitzungen wurde nachgeschärft: Ein Merge übernimmt jetzt auch Chatverlauf und Sitzungsnotizen, nicht nur Transkript und Audio.

Meine Erfahrungen mit KI und Präsentationen war bisher "mehr Schein als Sein". Im Marketing werden Fallbeispiele aufgezeigt, in denen alles wunderbar funktioniert, aber nach der Installation dann die Ernüchterung: Die Nacharbeit und das Umgewöhnen machen es ähnlich aufwendig wie das manuelle Anlegen der Folien. Nur Recherche und Bildgeneration funktioniert gut und verlässlich, bei mir mit Gemini. Ich stelle mir die Frage alle 6 Monate erneut und schaue, was der volatile KI-Markt inzwischen neues ausgespukt hat. Wie geht es euch damit? Habt ihr einen Workflow mit KI entwickelt, der gut zu eurem Stil passt und wirklich Arbeitszeit einspart im Vergleich zu vorher? Ich bin gespannt auf eure Best Practise Beispiele.