Ich habe KI gekauft, um Zeit zu sparen. Dann begann ich, ihre Grenzen zu umgehen.

Um 23:47 Uhr öffnete ich meinen Laptop wieder. Meine KI-Credits würden bald verfallen.

Ich hatte meine Zahnbürste wieder in den Becher gestellt und mein Handy angeschlossen. Ich war bereit, ins Bett zu gehen. Dann prüfte ich die Nutzungsseite und sah, dass ein von mir bezahltes Guthabenpaket um Mitternacht verfiel.

Ich blieb ein paar Sekunden stehen. Ich habe schon dafür bezahlt. Da kann ich es genauso gut nutzen.

Also nahm ich einen Ordner, den ich für den nächsten Nachmittag beiseitegelegt hatte, und zog ihn in den Chat. Darin waren mehrere Projektnotizen. Ich wollte nur einen groben Entwurf. Ich gab mir eine halbe Stunde.

Als ich das nächste Mal auf die Uhr schaute, war es zwei Uhr morgens.

Am nächsten Tag setzte ich mich mit kaltem Kaffee und der eigentlichen Arbeit hin, die ich erledigen wollte. Ich kam immer wieder auf dieselbe Frage zurück. Spart mir der Einsatz von KI Zeit, oder gebe ich meine Zeit dafür her, all die KI zu nutzen, für die ich bezahlt habe?

Anfangs ergab jedes Abo Sinn

Ich arbeite freiberuflich. Ich erstelle Websites, schreibe Angebote und arbeite mich durch die Materialberge, die mir Kunden vor Projektbeginn schicken. Schon bald öffnete ich für all das ein KI-Tool. Es konnte mir einen ersten Entwurf liefern, mir helfen, eine Fehlermeldung zu verstehen oder aus einer halben Seite Notizen etwas machen, womit ich tatsächlich arbeiten konnte.

Das erste Abo war eine einfache Entscheidung. Dann zahlte ich für Codex, weil ich es oft genug nutzte, um die Kosten zu rechtfertigen. Ein weiteres Tool behielt ich für die Tage, an denen ich mitten in einem Auftrag ans Limit stieß. Dazu kamen ein paar Aufladungen und gelegentlich eine API-Rechnung.

Ich hatte mir gesagt, dass ich unter 200 $ im Monat bleiben würde. Als ich schließlich alles zusammenzählte, lag ich schon darüber.

Mit der Rechnung hätte ich leben können, wenn mir die Tools geholfen hätten, rechtzeitig fertig zu werden. Was mich fertiggemacht hat, war, für alle zu bezahlen und mich trotzdem zu fragen, ob ich einen Auftrag morgen Nachmittag abschließen könnte.

Ich begann, Prompts wie abrechenbare Arbeitsstunden zu budgetieren

Montag war für die Anforderungsanalyse eingeplant. Dienstag fürs Programmieren. Am Mittwoch musste ich etwas Spielraum für Kundenänderungen haben. Ich erstellte eine Tabelle mit einer Zeile pro Tool und Spalten für mein verbleibendes Kontingent und den erwarteten Zeitpunkt der Zurücksetzung.

Es sah so aus, als hätte ich alles unter Kontrolle. In Wirklichkeit stand ich vor einem zweiten Satz Entscheidungen, bevor ich überhaupt die Arbeit öffnen konnte. Sollte ich jetzt das ganze Briefing schicken? Würde diese Überarbeitung mein restliches Kontingent aufbrauchen? Sollte ich Codex für den letzten Durchgang aufsparen?

Einmal habe ich einen Auftrag auf zwei Tools aufgeteilt, um mit meinem restlichen Kontingent länger auszukommen. Ich fügte das Briefing erneut ein, erklärte, was ich bereits versucht hatte, und öffnete denselben Diff. Als das zweite Tool auf dem aktuellen Stand war, hatte ich selbst schon den Faden verloren.

Ein anderes Mal blieb eine Antwort einfach aus. Ich konnte nicht sagen, ob ich durch Warten noch eine Antwort bekommen würde oder ob ein erneuter Versuch mehr von meinem Restkontingent verbrauchen würde.

Ein Kunde fragte, ob ich ihm noch am selben Tag eine überarbeitete Fassung schicken könnte. Bevor ich „Ich gebe mein Bestes“ schrieb, sah ich auf die Reset-Uhrzeit in meinem Codex-Nutzungsdashboard. Eine knifflige Änderung konnte ich einem Kunden erklären. Aber ich wusste nicht, wie ich erklären sollte, dass ich vor der Angabe eines Liefertermins erst den Nutzungszähler überprüfte.

Selbst ein Reset fühlte sich irgendwann wie eine Deadline an

Ich gewöhnte mir an, morgens, gegen Mittag und noch einmal vor dem Ausloggen nach Meldungen zum Reset zu suchen. Jemand auf X hatte sein Kontingent zurück. Jemand anderes wartete noch. Einmal erklärte Tibo, dass eine Änderung am Caching dazu geführt hatte, dass lange Codex-Sitzungen das Kontingent schneller aufbrauchten. Das Team machte die Änderung rückgängig und setzte die Nutzung zurück.

Sobald mein Kontingent zurückgesetzt wurde, suchte ich nach etwas, wofür ich es nutzen konnte. Einmal zog ich ein Wochenendprojekt auf Freitagabend vor, weil ich es endlich ausführen konnte. Ein anderes Mal sagte ich meiner Familie, ich käme zum Abendessen, sobald ich noch einen letzten Prompt abgeschickt hätte.

Aus einem Prompt wurden zwei. Dann musste ich das Ergebnis prüfen. Ich fand etwas, das ich ändern wollte, und schickte es zurück.

Als ich zum Tisch kam, war das Abendessen kalt. Niemand hatte mich gebeten, lange zu arbeiten. Ich hatte mich einfach so sehr daran gewöhnt, den Zähler im Auge zu behalten, dass es sich wie Verschwendung anfühlte, den Laptop wegzulegen, solange noch Spielraum war.

Ich hatte angefangen, Aufgaben danach auszuwählen, womit ich die Credits aufbrauchen würde

Eines Abends warf ich einen Blick auf meine Aufgabenliste und sah etwas Wichtiges, das ich seit drei Tagen vor mir herschob. Gerade hatte ich zwei Stunden damit verbracht, einen Stapel Material aufzuräumen, den ich erst später in der Woche brauchte. Es war eine einfache Aufgabe, die ich dem Tool geben konnte, solange ich noch Credits hatte.

Ich schob meinen Stuhl zurück. Wenn mein Kontingent knapp wurde, verschob ich Dinge auf morgen. Wenn ich mehr Nutzung bekam, zog ich sie auf heute Abend vor. Ich hatte angefangen, den Zähler darüber entscheiden zu lassen, welche Aufgabe zuerst kam.

Was mich an KI von Anfang an begeistert hat, war, dass ich eine Idee ausprobieren konnte, solange sie noch frisch war. In letzter Zeit stand neben der Hälfte meiner Ideen derselbe Hinweis. Nach dem Reset noch einmal versuchen.

In der CasaOS-Community fand ich einen anderen Ausgangspunkt

Ich suchte nach einer besseren Möglichkeit, Projektdateien zu organisieren, als ich mich mit CasaOS und Self-Hosting-Threads beschäftigte. Die Leute führten kleinere Modelle auf ihren eigenen Rechnern aus und gaben ihnen jeweils eine Aufgabe. Manche bewahrten die Dateien und die Tools zu ihrer Verarbeitung auf demselben Server auf. So begann ich, mich mit dem ZimaCube 2 zu beschäftigen.

Ich ging meine jüngsten Aufgaben durch und erstellte eine kurze Liste mit Dingen, die ich zuerst lokal ausprobieren wollte.

• Mach aus einem Ordner mit groben Notizen eine Gliederung.
• Entwirf Antworten auf die gleichen Arten von E-Mails, die ich jede Woche beantworte.
• Extrahiere einige Felder aus Text, den ich bereits vorbereitet habe.
• Entwirf ein kurzes Skript, das ich selbst ausführen und überprüfen kann.
• Erstelle einen ersten Entwurf für routinemäßige Texte.

Jede dieser Aufgaben für sich genommen klingt nach nicht viel. Doch sie fallen die ganze Woche über an. Und sie beanspruchten einen Teil des Kontingents, das ich verfügbar haben wollte, wenn eine knifflige Änderung an einem Repository anstand.

Zum ersten Mal musste ich herausfinden, welche Hardware ich brauchte

Mit einem Abonnement wusste ich, wo ich auf die Upgrade-Schaltfläche klicken musste. Jetzt versuchte ich herauszufinden, wie viel Arbeitsspeicher ein Modell benötigen würde, wie viel davon in den GPU-Speicher passen musste und ob es für mich in Ordnung wäre, bei einer Hintergrundaufgabe etwas länger zu warten. Ich begann, mir die ZimaCube 2-Konfigurationen mit konkreten Aufgaben im Hinterkopf anzusehen.

Es dauerte länger, ein Modell lokal auszuführen, als ein weiteres Konto zu eröffnen. Ein Container ließ sich nicht starten, also las ich die Protokolle. Ein Modell lieferte mir eine Gliederung, mit der ich nichts anfangen konnte. Also probierte ich einen kleineren Teil des Ausgangsmaterials aus und änderte meine Anfrage. Bei manchen Aufgaben musste ich trotzdem lange warten.

Wenigstens hatte ich etwas Konkretes, an dem ich mich orientieren konnte. Verwendete ich das falsche Modell für die Aufgabe? Hatte ich ihm zu viel auf einmal gegeben? Stieß ich an eine Hardwaregrenze? Jede Antwort gab mir eine bessere Vorstellung davon, was ich ausprobieren konnte, bevor ich mehr Geld ausgab.

Eines Abends scrollte ich durch YouTube, als ich auf ein Video von Zero to MVP stieß. Darin führte er kleine Modelle auf einem ZimaCube 2 aus. Eines extrahierte Text aus Bildern, andere nutzte er zum Zusammenfassen und Übersetzen. Ich hatte die ganze Zeit über Hardware gelesen, und hier zeigte jemand Anwendungen, die ich mir tatsächlich darauf vorstellen konnte. Das brachte mich dazu, nach weiteren Setups zu suchen, darunter einem privaten Assistenten und einem NAS, das mit Fotos und Dokumenten arbeiten konnte.

Ein Zima-Nutzer meint

Zero to MVP@ZeroToMVP

★★★★★

Kleine Modelle. Alltägliche Arbeit.

Zeigt kompakte Modelle auf der ZimaCube 2 für OCR, Artikelzusammenfassungen und die Übersetzung von Dateien – mit eigenen lokalen Workflows für konkrete, wiederholbare Aufgaben.

Alpha Nerd Tech@alphanerdtravels

★★★★★

Eine private Cloud mit einer AI-Ebene.

Kombiniert Nextcloud und einen lokal gehosteten Alpha AI-Assistenten auf der ZimaCube 2 und bringt Projektdateien und einen individuell angepassten Assistenten in einer selbstverwalteten Umgebung zusammen.

野市零 / Zero Noichi@zero-onech

★★★★★

Gib gespeicherten Informationen eine neue Aufgabe.

Experimente mit einer AI NAS auf der ZimaCube 2: Fotobeschriftungen, Textextraktion aus Dokumenten und Suche in natürlicher Sprache. Ein fortlaufendes Creator-Projekt, bei dem weitere Feinabstimmungen Teil der Arbeit bleiben.

Ich behielt die ersten Aufgaben bei, die lokal funktionierten

Für die Arbeit, bei der sie sich bewährten, nutzte ich weiterhin Cloud-Tools. Wenn ich mich intensiv mit einem schwierigen Coding-Problem beschäftigte oder ein unübersichtliches Projekt durchdenken musste, griff ich weiterhin auf sie zurück.

Für Notizen, Textextraktion und eine erste Überarbeitung probierte ich zuerst ein lokal gehostetes Modell aus. Ich verglich das Ergebnis mit dem Original. Manche Aufgaben dauerten länger als erwartet, und die wichtigen mussten weiterhin sorgfältig geprüft werden. Aber wenn eine Aufgabe vollständig auf meiner eigenen Hardware lief, wurde mein Codex-Kontingent nicht beansprucht.

Das veränderte ein wenig, wie ich mit der Arbeit anfing. Wenn ich nur eine Gliederung aus einer Sammlung von Notizen wollte, konnte ich den Ordner öffnen und dort anfangen. Ich musste nicht erst eine Nutzungsseite öffnen.

Was es lohnenswert erscheinen ließ, war ein ganz gewöhnlicher Feierabend

Eines Abends stellte ich einen Vorschlag fertig und sah, dass noch ein paar Dinge auf meiner Liste standen. Ich war müde. Sie konnten warten.

Ich speicherte die Datei. Ich schloss den Laptop. Es kam mir nicht in den Sinn, nachzusehen, ob eines meiner Kontingente zurückgesetzt worden war, oder Notizen zu suchen, die ich vor dem Schlafengehen noch durch ein Tool laufen lassen könnte.

Ich hatte erledigt, was ich erledigen wollte. Zum ersten Mal seit einer Weile war das ein guter Grund aufzuhören.

Gib der alltäglichen Arbeit einen anderen Ort zum Ausführen

Wenn Sie schon einmal den Laptop wieder aufgeklappt haben, weil Ihre Nutzung zurückkam, beginnen Sie mit dem, was Sie an dem Abend eigentlich tun wollten. Vielleicht war es ein Notizenordner oder ein Stapel Dokumente, den Sie in einer Sitzung durchsehen konnten. Wählen Sie eine Aufgabe, die Sie oft genug erledigen, um zu merken, wenn sie lokal ausgeführt werden kann, und behalten Sie die Cloud-Tools bei, auf die Sie zurückgreifen, wenn die Arbeit anspruchsvoller wird.

• Standard for files and occasional CPU-based AI. Start here if your main job is storing project files and you only want to try small models for tasks like outlines or simple text extraction. Check that the model fits in memory and that CPU speed suits the job.
• Pro für einen stärker ausgelasteten Heimserver mit Erweiterungsmöglichkeiten. Wählen Sie diese Variante, wenn Sie neben Speicherplatz mehrere selbst gehostete Apps betreiben oder später eine eigene kompatible GPU auswählen möchten. Das Pro wird ohne dedizierte GPU geliefert.
• Creator Pack (SKU ZCU084-R2) für regelmäßige lokale KI mit GPU-Unterstützung. Wählen Sie diese Variante, wenn kompatible Modelle von Anfang an auf dem Server laufen sollen. Sie enthält eine NVIDIA RTX PRO 2000 mit 16 GB VRAM und 64 GB Arbeitsspeicher. Prüfen Sie, ob Ihr Modell und Ihre Arbeitslast zu dieser Konfiguration passen.