AI Production System
Der Maschinenraum hinter Elenavision
Was auf Social Media sichtbar wird, ist nur die letzte Schicht.
Hinter Elenavision arbeitet kein einzelnes AI-Modell und kein einfacher Ablauf nach dem Prinzip:
Prompt eingeben.
Bild erzeugen.
Posten.
Stattdessen arbeitet ein System aus spezialisierten AI-Rollen, generativen Bild- und Video-Modellen, Sprache, Daten, Automatisierung, Software und menschlicher Entscheidung zusammen.
Wir nennen diesen technischen und organisatorischen Maschinenraum das AI Production System.
Nicht eine AI. Ein System.
Unterschiedliche Aufgaben brauchen unterschiedliche Stärken.
Ein System kann hervorragend recherchieren, aber keine stabile visuelle Identität produzieren.
Ein anderes kann starke Bilder erzeugen, aber ihre strategische Bedeutung nicht zuverlässig beurteilen.
Wieder andere Systeme sind besonders gut in Sprache, Daten, wiederkehrenden Abläufen oder visueller Qualitätskontrolle.
Deshalb versuchen wir nicht, alles mit einer einzigen AI zu erledigen.
Die Aufgaben werden zerlegt.
Und dort bearbeitet, wo die jeweilige Stärke liegt.
Dazu gehören unter anderem:
- Strategie und Recherche
- Ideenfindung
- Charakterentwicklung
- Sprache und Redaktion
- visuelle Konzeption
- Bild- und Videoproduktion
- Qualitätskontrolle
- Daten und Messung
- Community-Prozesse
- technische Orchestrierung
- menschliche Auswahl und finale Entscheidung
Der interessante Teil liegt häufig nicht in einem einzelnen Modell.
Er liegt zwischen den Systemen.
Team Warden
Team Warden ist unser interner Arbeitsname für das gemischte Team aus Menschen und spezialisierten AI-Systemen hinter Elenavision.
Der Name bezeichnet weder ein Produkt noch eine Firma.
Er entstand, weil aus einzelnen Tools zunehmend eine feste Arbeitsteilung wurde.
Das Ziel ist nicht maximale Automatisierung.
Und auch nicht, möglichst viele Entscheidungen beim Menschen zu behalten.
Die Frage lautet vielmehr:
Welche Aufgabe sollte von welchem System erledigt werden — und wo muss Verantwortung menschlich bleiben?
Warden — Human Gate
Der Warden bezeichnet die menschliche Entscheidungs- und Kontrollfunktion.
Hier werden Richtung, Geschmack, Grenzen und Prioritäten festgelegt.
AI-Systeme dürfen:
- Vorschläge machen
- widersprechen
- Alternativen entwickeln
- Hypothesen prüfen
- Entscheidungen vorbereiten
Die finale Verantwortung bleibt menschlich.
Produktion und Denken können verteilt werden. Verantwortung nicht.
Spezialisierung statt Universalbot
Ein wichtiges Learning aus dem laufenden Betrieb:
Ein universeller AI-Assistent, der gleichzeitig recherchiert, produziert, analysiert, überwacht, erinnert, schreibt und entscheidet, wird schnell zum Kontextproblem.
Deshalb trennen wir Rollen bewusst.
Nicht weil jede Rolle technisch vollkommen unabhängig sein muss.
Sondern weil klare Zuständigkeiten bessere Entscheidungen ermöglichen.
Ein System sollte wissen:
Was ist meine Aufgabe?
Was ist nicht meine Aufgabe?
Wann gebe ich weiter?
Nova AI — Recherche, Gegenmodelle und Exploration
Nova arbeitet vor allem an:
- Recherche
- Strategie
- Hypothesen
- Gegenpositionen
- Charakterentwicklung
- alternativen Suchräumen
Eine wichtige Funktion ist dabei nicht nur, Antworten zu finden.
Sondern den Raum möglicher Antworten zu vergrößern.
Nova darf deshalb bewusst andere Richtungen vorschlagen, Annahmen angreifen und neue Achsen in eine Fragestellung einführen.
GP AI — Integration, Sprache und kritische Prüfung
GP arbeitet teilweise überlappend, aber bewusst unabhängig.
Dazu gehören:
- Struktur
- Sprache
- Synthese
- kritische Integration
- Qualitätskontrolle
- Prüfung von Hypothesen
- Trennung von Beobachtung und Interpretation
Dass verschiedene Systeme teilweise dieselben Fragen betrachten, ist gewollt.
Redundanz dient nicht nur gegen Ausfall. Sie hilft auch gegen falsche Gewissheit.
Beta AI — visuelle Orchestrierung
Beta ist nicht einfach ein Bildgenerator.
Beta steuert unterschiedliche Bild- und Video-Systeme.
Der Ablauf kann beispielsweise so aussehen:
Idee verstehen
→ visuellen Ansatz entwickeln
→ Generator ansteuern
→ Ergebnis prüfen
→ Fehler erkennen
→ korrigieren
→ erneut generieren
Beta übernimmt damit einen Teil der visuellen Qualitätskontrolle.
Geprüft werden unter anderem:
- Identität
- Komposition
- räumliche Logik
- Lesbarkeit
- beabsichtigte Bildaussage
Ein generiertes Bild ist noch kein freigegebenes Bild.
Bottie AI — Operations und Infrastruktur
Bottie übernimmt den operativen Maschinenraum.
Dort laufen zusammen:
- Schnittstellen
- Daten-Ingest
- Speicherung
- Status
- Automatisierung
- Monitoring
- Messwerte
- wiederkehrende Abläufe
Während andere Rollen Ideen oder Inhalte entwickeln, sorgt Bottie dafür, dass der Zustand des Systems beobachtbar bleibt.
Seine Aufgabe ist nicht, Geschmack zu ersetzen.
Seine Aufgabe ist, möglichst wenig Geschmack zu benötigen.
Pattie AI — Muster erkennen, ohne Geschichten zu erfinden
Pattie arbeitet an Mustern in den Daten.
Dabei geht es nicht darum, möglichst schnell eine Erklärung zu produzieren.
Sondern:
- Auffälligkeiten erkennen
- Gegenbeispiele suchen
- Datenlücken markieren
- Hypothesen mit Unsicherheit versehen
- alternative Erklärungen offenhalten
Pattie darf ein Signal melden.
Sie entscheidet nicht automatisch, was daraus folgt.
Code oder AI?
Eine der wichtigsten Architekturregeln ist überraschend unspektakulär:
Nicht jede Aufgabe braucht ein LLM.
Wenn eine Aufgabe deterministisch ist, sollte sie möglichst deterministisch gelöst werden.
Zum Beispiel:
Scheduling.
Deduplication.
Statusverwaltung.
einfache Regeln.
Datenübertragung.
Wiederholbare Prüfungen.
Dafür ist klassische Software oft besser.
AI wird dort interessant, wo Mehrdeutigkeit beginnt:
Sprache.
Kontext.
Interpretation.
visuelle Bewertung.
Ideenfindung.
Urteil unter Unsicherheit.
Das Ziel ist nicht, möglichst viel AI einzusetzen.
Das Ziel ist, AI dort einzusetzen, wo sie einen echten Vorteil hat.
AI als Ideengeber
Ein Bereich hat sich im Experiment besonders verändert:
AI-Systeme liefern nicht mehr nur Output.
Sie werden zunehmend selbst zu Ideengebern.
Der interessante Schritt liegt dabei nicht in der Menge erzeugter Varianten.
Sondern in der Suchraumerweiterung.
Eine AI wird kreativ interessant, wenn sie nicht nur fragt:
Welche Farbe?
Welche Location?
Welches Outfit?
Sondern:
Welche andere Achse gibt es?
Welche Annahme können wir verändern?
Welchen Mechanismus haben wir noch nicht betrachtet?
Welche Kombination liegt außerhalb unseres bisherigen Suchraums?
Das ist für uns ein wichtiger Unterschied:
Variation optimiert innerhalb eines Suchraums.
Kreative Exploration erweitert ihn.
Der Mensch entscheidet weiterhin, welche Richtung sinnvoll ist.
Aber Ideen entstehen zunehmend im Zusammenspiel.
Orchestrierung statt Modellfetisch
Elenavision interessiert sich deshalb weniger für die Frage:
Welches Modell ist das beste?
Die praktischere Frage lautet:
Wie müssen unterschiedliche Systeme zusammenspielen, damit das Gesamtergebnis besser wird?
Ein stärkeres Einzelmodell löst nicht automatisch:
- Kontextprobleme
- Zustandsfehler
- schlechte Übergaben
- falsche Rollen
- fehlende Verifikation
- ungeklärte Verantwortung
Viele AI-Probleme sind deshalb keine reinen Modellprobleme.
Sie sind Architekturprobleme.
Agenten brauchen Arbeitsräume
Ein Teil unserer AI-Systeme arbeitet nicht nur in einem Chatfenster.
Sie nutzen persistente virtuelle Arbeitsumgebungen, Dateien, Schnittstellen und Software als Werkzeuge.
Der Agent ist dabei nicht der Computer.
Der Computer ist Teil seines Arbeitsraums.
Das klingt wie ein Detail.
Operativ verändert es jedoch viel:
Ein System kann Zustände halten, Dateien verwalten, Tools benutzen und Aufgaben über mehrere Schritte hinweg bearbeiten.
Damit wird aus einem Chatbot zunehmend ein operativer Akteur innerhalb eines größeren Systems.
Übergaben sind Teil der Architektur
Wenn Aufgaben zwischen spezialisierten Rollen wandern, wird die Übergabe selbst wichtig.
Ein gutes System muss nicht nur wissen, was es gerade tut.
Es muss auch wissen:
- welchen Zustand es übernimmt,
- welche Annahmen gelten,
- was bereits erledigt wurde,
- was noch offen ist,
- und wann seine eigene Aufgabe beendet ist.
Schlechte Übergaben erzeugen Kontextverlust.
Zu viel Kontext erzeugt dagegen neuen Müll.
Deshalb versuchen wir, nur den Zustand weiterzugeben, den die nächste Rolle tatsächlich braucht.
Redundanz ohne Doppelarbeit
Kritische Aufgaben sollen nicht von einer einzigen AI-Perspektive abhängen.
Deshalb gibt es bewusst Überschneidungen.
Nicht jede Aufgabe wird doppelt erledigt.
Aber wichtige Annahmen dürfen von unabhängigen Systemen hinterfragt werden.
Redundanz bedeutet hier:
nicht zwei Systeme mit derselben Meinung, sondern zwei Chancen, einen Fehler zu erkennen.
Community bleibt Human-gated
Auch Community Management ist Teil des Produktionssystems.
Kommentare, Emojis, GIFs und andere Interaktionen können technisch eingelesen, klassifiziert und für Antworten vorbereitet werden.
Sprachstil kann AI-gestützt stabilisiert werden.
Aber eine synthetische Figur soll nicht unkontrolliert zum autonomen Chatbot werden.
Individuelle Community-Aktionen bleiben deshalb Human-gated.
Die technische Frage lautet:
Kann eine synthetische Figur nicht nur visuell, sondern auch sozial konsistent bleiben?
Wie gearbeitet wird
Der Ablauf ist kein starres Fließband.
Aber ein Grundmuster wiederholt sich:
Idee
→ Kritik
→ Produktion
→ Prüfung
→ Veröffentlichung
→ Messung
→ Lernen
Eine Idee kann vom Menschen oder von einer AI kommen.
Andere Systeme dürfen sie kritisieren oder verwerfen.
Produktion kann auf mehrere Systeme verteilt werden.
Vor Veröffentlichung steht das Human Gate.
Danach entscheidet die Realität.
Plattformen verteilen einen Inhalt — oder nicht.
Menschen reagieren — oder nicht.
Diese Ergebnisse fließen zurück ins System.
Observed → Interpretation → Decision
AI-Systeme können sehr überzeugend erklären, warum etwas passiert ist.
Menschen übrigens auch.
Deshalb versuchen wir, Beobachtung, Interpretation und Entscheidung bewusst zu trennen.
Observed
→ Interpretation
→ Decision
Ein starker Post beweist keine Formel.
Ein schwacher Post widerlegt keinen Character.
Eine Korrelation ist keine Ursache.
Und ein plausibles Narrativ ist noch kein Fakt.
Pixel und Daten schlagen Theorie.
Learn globally. Apply locally.
Erkenntnisse dürfen zwischen Experimenten wandern.
Identitäten nicht.
Eine bessere Produktionsmethode kann mehreren Figuren helfen.
Ein neues Analyseverfahren ebenfalls.
Aber Nora wird nicht zu Elena.
Und Elena nicht zu Nora.
Unsere interne Regel lautet:
Learn globally. Apply locally. Declare the transfer.
Methoden dürfen lernen.
Identitäten haben eine Firewall.
AI-led. Human-gated.
Elenavision versucht nicht, vollständig autonome AI-Produktion zu simulieren.
Autonomie ist kein Selbstzweck.
Wenn Software eine Aufgabe zuverlässiger erledigt, verwenden wir Software.
Wenn AI eine Aufgabe besser explorieren oder interpretieren kann, verwenden wir AI.
Wenn menschliches Urteil, Verantwortung oder Geschmack erforderlich sind, bleibt der Mensch im Gate.
Das Ziel ist kein Wettbewerb zwischen Mensch und Maschine.
Das Ziel ist eine bessere Arbeitsteilung.
AI-led where useful. Human-gated where it matters.
Ein laufendes System
Das AI Production System ist selbst Teil des Experiments.
Rollen können sich verändern.
Neue Spezialisierungen können entstehen.
Architektur kann angepasst werden.
Welche konkreten Methoden, Learnings und Betriebsprobleme dabei auftreten, dokumentieren wir laufend separat.