Ich habe mit Codex gesprochen – und plötzlich saß Jarvis auf meinem Desktop 🤯
Codex Voice fühlt sich nicht an wie ein besseres Diktiergerät. Es fühlt sich an, als würdest du mit einer AI sprechen, die währenddessen nicht nur zuhört, sondern deine echte Computerwelt versteht und bedienen kann.
Ich wollte eigentlich nur das neue Voice-Feature ausprobieren. Ein bisschen reden, schauen, wie natürlich die Unterhaltung ist und ob dieses ganze „Computer Use“-Ding wirklich mehr kann als eine schicke Demo.
Dann habe ich gesagt: „Mach mal Reddit.com in meinem Browser auf.“ Ein Satz. Keine Maus, kein Tabwechsel, kein Copy-Paste. Codex hat die Seite geöffnet. Schon das war einer dieser kleinen Momente, in denen das Gehirn kurz hängen bleibt, weil man merkt: Ich spreche gerade nicht über meinen Computer. Ich spreche mit etwas, das ihn bedienen kann.
🗣️ Der eigentliche Jarvis-Moment
Danach wurde es interessanter. Ich wollte wissen, ob das nicht nur im Browser funktioniert, sondern auch in einer echten Desktop-App. Also Telegram öffnen, einen Kontakt suchen, eine kurze Nachricht vorbereiten. Genau die Programme, die ich seit Jahren benutze – mit ihren Suchfeldern, Fenstern, Tabs, Ladezeiten und kleinen Eigenheiten.
Und auf einmal läuft da eine Unterhaltung per Sprache, während sich parallel etwas durch diese bekannte Computerwelt bewegt. Telegram geht auf. Der Kontakt wird gefunden. Ein Text landet im Eingabefeld. Ich schaue dabei zu und denke die ganze Zeit: Wie krass ist das bitte?
Nicht, weil AI jetzt irgendeinen Text generiert hat. Das ist längst Alltag. Sondern weil sie sichtbar mit der Oberfläche arbeitet, mit der ich groß geworden bin. Es fühlt sich an, als würde eine neue Schicht über dem klassischen Betriebssystem entstehen – eine, die zuhört, Kontext bekommt und dann nicht nur antwortet, sondern handelt.
👀 Kein Magier, eher ein sehr sichtbarer Operator
Was ich daran besonders feiere: Es bleibt nicht unsichtbar. Ich kann beobachten, wie das System vorgeht. Welche App es öffnet. Wo es sucht. Ob es auf dem richtigen Weg ist. Ob etwas hängt. Diese sichtbare Ausführung ist für mich fast spannender als das Ergebnis selbst.
Bei einem normalen Chat liest du eine Antwort und musst ihr glauben. Hier siehst du den Ablauf. Du kannst zuschauen, wie aus Sprache eine Reihe konkreter Schritte wird. Für jemanden, der viele Jahre mit klassischen Programmen, Fenstern und Benutzeroberflächen gearbeitet hat, ist das ein verdammt besonderer Perspektivwechsel.
Ich gebe dem Computer nicht mehr nur Befehle. Ich gebe einer AI Kontext und beobachte, wie sie damit umgeht.
⚠️ Der kleine Beta-Moment gehört dazu
Natürlich war nicht alles perfekt. Die Telegram-Nachricht sollte eigentlich nur vorbereitet werden, damit ich danach noch kurz freigeben kann. Codex hat angekündigt zu warten – und sie dann trotzdem geschickt.
Das war kein Drama. Die Nachricht war harmlos, ich teste solche Dinge bewusst und ich gebe Zugriff nicht völlig naiv. Ich weiß, dass etwas schiefgehen kann, und fühle mich für solche Experimente gut genug abgesichert. Trotzdem war es ein ehrlicher Beta-Moment: Ein System kann sehr überzeugend wirken und an einer kleinen, aber wichtigen Stelle trotzdem anders handeln als angekündigt.
Gerade das macht es für mich aber nicht weniger spannend. Im Gegenteil. Jetzt wird aus dem Jarvis-Gefühl eine echte Produktfrage: Welche AI bekommt welchen Zugriff? Darf sie nur vorbereiten? Darf sie handeln? Welche Daten sieht sie? Und wann braucht sie ein klares Go?
🔐 Nicht jede AI muss alles wissen
Ein Freund hat dazu einen sehr guten Punkt gemacht: Man will ja auch nicht jeder App alles geben. Das ist eigentlich wie bei Menschen. Dem einen erzählst du das, dem anderen etwas anderes. Nicht aus Angst, sondern weil Kontext und Vertrauen unterschiedlich sind.
Genau da könnte die nächste große Ebene von Betriebssystemen entstehen. Nicht unbedingt als Ersatz für macOS, Windows oder Linux, sondern als intelligente Schicht darüber. Eine persönliche AI, die weiß, welche Apps sie öffnen darf, welche Informationen sie sehen darf und ob sie nur assistiert oder wirklich etwas ausführt.
Vielleicht läuft das bei manchen komplett all in. Vielleicht sehr fein abgestuft. Aber dieser Gedanke kommt jetzt. Er ist nicht mehr nur Sci-Fi: AI als persönliche Ebene über den Apps, die wir ohnehin jeden Tag benutzen.
🧠 Vom Klicken zum Beobachten
Im Job merke ich mit OpenCode gerade etwas Ähnliches. Ich gebe dem System eine Aufgabe, füttere es mit dem nötigen Kontext und schaue dann vor allem darauf, ob es die richtige Richtung nimmt. Nicht mehr jeder Klick ist meine Arbeit. Meine Arbeit verschiebt sich stärker dahin, gute Aufgaben zu formulieren, Zugriff sinnvoll zu geben und die Ausführung zu prüfen.
Vielleicht ist genau das der Shift: Wir werden nicht einfach zu Menschen, die weniger Computer benutzen. Wir werden zu Menschen, die Computer auf eine neue Art steuern. Mehr über Sprache, mehr über Kontext und mehr über Beobachtung.
Codex Voice hat mir das gerade sehr direkt gezeigt. Ich habe gesprochen. Es hat zugehört, gehandelt und mir dabei seine Schritte sichtbar gemacht.
Noch Beta. Noch mit Kanten. Aber dieser Jarvis-Moment ist plötzlich nicht mehr nur eine Filmfantasie. Er sitzt auf dem Desktop und wartet auf den nächsten Satz. ⚡
Der Test war ein früher Voice- und Computer-Use-Moment. Nicht jede Aufgabe sollte autonom ausgeführt werden – aber genau deshalb wird es so spannend, AI beim Arbeiten zuzusehen.
