Eine Stimme, zehn Lanes: ein Tag im Diktat

Zwei Kinder, drei Startups, eine Stimme hat die Entstehungsgeschichte erzählt: parallele Startup-Lanes mit hohem Einsatz, ein zweites Kind unter sechs Monaten und eine Tastatur, die still zum einzigen Ausfallpunkt für alles geworden war. Jener Beitrag erklärte, warum Keebye existiert. Danach kam immer wieder eine praktischere Frage: Wie sieht so ein Tag eigentlich aus?

Also hier ist dieser Tag. Kein typischer Tag, denn so etwas gibt es nicht, aber eine echte Form, die sich wiederholt. Zahlen lasse ich bewusst weg. Ich habe nie eine prozentuale Verbesserung gemessen, und ich würde ihr auch nicht trauen, wenn ich es getan hätte. Was ich beschreiben kann, ist, wo der Sprachkanal zum Einsatz kommt, wo nicht, und was sich an der Textur der Arbeit verändert hat.

Eine Anmerkung zu „zehn Lanes“. Das ist keine Angeberei. Eine Lane ist alles, was durch einen Satz von mir vorankommt: ein Coding-Agent mitten in einer Aufgabe, ein Review, auf das jemand wartet, ein Slack-Thread, eine E-Mail an die Anwältin eines Investors, ein Dokumententwurf. An einem geschäftigen Tag sind wirklich etwa so viele offen. Die meisten liegen in jedem Moment still. Das Problem ist, dass die, die aufwachen, es nach ihrem eigenen Zeitplan tun, nicht nach meinem.

Früher Morgen: ein Arm, drei Agents

Der Tag beginnt, bevor das Haus beginnt, was heißt, dass er mit einem Baby auf einem Arm beginnt. Das ist die Stunde, in der die Stimme von einer Annehmlichkeit zur Notwendigkeit wurde.

Drei Agent-Lanes laufen schon von der Nacht davor, jede in ihrem eigenen Terminal, jede in einem anderen Repository. Das Erste, was ich tue, ist zu lesen, was sie getan haben. Lesen braucht Augen, nicht Hände, dem Baby geht es also gut. Das Zweite ist, die zu korrigieren, die aus dem Ruder gelaufen sind, und genau da hat die Tastatur immer verloren.

Jetzt: ins Terminal klicken, rechte ⌘-Taste halten, die Kurskorrektur sagen, loslassen. „Die Migration ist in Ordnung, aber du hast die Tabelle im Modell umbenannt und nicht im Seed-Skript. Reparier das Seed und lass die Tests noch mal laufen.“ Der Text landet im Prompt. Enter. Nächste Lane.

Ich habe eine kleine Gewohnheit, die eine Weile gebraucht hat: in vollständigen Sätzen sprechen. Agents kommen damit besser zurecht, und Diktieren erzeugt sie von selbst, weil Menschen so reden. Der telegrafische Stil, den ich früher tippte („Seed fixen, Tests neu“), war ein Tastaturartefakt, keine Vorliebe.

Diese Stunde legt auch die eine Eigenheit des ersten Diktats offen, die man kennen sollte. Das Mikrofon läuft nach dem ersten Diktat einer Sitzung warm und hält von da an einen Pre-Roll von 500 ms. Das allererste Halten am Morgen kann eine Stream-Start-Latenz zahlen und ein Wort abschneiden, wenn ich zu früh zu sprechen anfange. Ich habe gelernt, einen Takt zu warten. Warum Diktier-Apps Ihr erstes Wort fressen erklärt die Mechanik; die Kurzfassung ist, dass es ein Kategorieproblem mit einer teilweisen Lösung ist, kein gelöstes.

Vormittag: die Review-Lane

Bei zwei der Startups, mit denen ich arbeite, warten an den meisten Morgen Code-Reviews auf mich. Reviewen ist der bestmögliche Diktat-Anwendungsfall: Es ist Lesen mit gelegentlicher kurzer Prosa-Ausgabe, und die Prosa richtet sich an einen Menschen.

Ich lese den Diff in einem Browser-Tab. Wenn etwas einen Kommentar braucht, klicke ich ins Feld, halte, spreche, lasse los. Das eigene Wörterbuch trägt die Identifier des Projekts, sodass reconnectBackoff als reconnectBackoff herauskommt und nicht als drei englische Wörter. Die Bereinigung ist standardmäßig regelbasiert: Füllwörter und Wortdopplungen fallen weg, meine Formulierung bleibt. Die optionale Politur durch ein lokales LLM lasse ich bei Review-Kommentaren aus, denn die Absicherung dahinter ist eine Heuristik gegen starken Token-Verlust, Aufblähung oder Wiederholung, keine Garantie, dass eine Verneinung überlebt hat — und in einem Review ändert ein gekipptes „nicht“ das Urteil.

Eines dieser Teams reviewt auf Rumänisch. Keebyes Engine mit 25 Sprachen erledigt das auf dem Gerät; ich pinne die Sprache in der Menüleiste, und die nächste Äußerung wird als Rumänisch dekodiert, englische Identifier inklusive. Code-Reviews in Ihrer eigenen Sprache diktieren hat die Details, samt der ehrlichen Liste, welche Sprachen abgedeckt sind und welche nicht.

Späterer Vormittag: die menschlichen Lanes

Nicht jede Lane ist ein Agent. Um diese Zeit brauchen die Slack-Threads und E-Mails, die über Nacht gealtert sind, Antworten, und hier verlor der Tag früher still seine Stunden. Nicht weil die Antworten schwer waren, sondern weil jede Antwort hieß, eine Lane zu verlassen, und eine Lane zu verlassen hat Wiedereinstiegskosten.

Die Stimme hat die Ökonomie einer Antwort verändert. Eine zweisätzige Slack-Antwort ist ein Halten des Hotkeys, gesprochen ins Nachrichtenfeld, während meine Augen halb noch auf dem Terminal daneben sind. Investorennahe E-Mails sind länger, und ich schreibe sie weiterhin mit Sorgfalt, aber der erste Entwurf ist jetzt gesprochen und wird dann bearbeitet. Einen Entwurf zu sprechen bringt die Form schnell zu Papier; ihn getippt zu bearbeiten ist der Ort, an dem die Präzision entsteht.

Das ist auch die Stunde, in der die Datenschutzanforderung am meisten zählt. Was ich hier diktiere, ist das Innenleben fremder Firmen: unveröffentlichte Produkte, Sicherheitsdiskussionen, Geld. Keebye transkribiert auf dem Gerät, funktioniert nach dem Modell-Download mit ausgeschaltetem WLAN, hält einen reinen Textverlauf lokal, der sich nach 30 Tagen selbst löscht, und sendet keine Telemetrie. Wohin Ihre Stimme geht ist die längere Fassung, warum das für mich nicht verhandelbar war.

Nachmittag: Tiefarbeit und die Lanes, die aufwachen

Nachmittage gehören der Lane, die echtes Nachdenken braucht: ein Entwurf, ein harter Bug, ein Dokument, das stimmen muss. Das wird getippt. Die Stimme ist ein Steuerkanal, kein Denkkanal, und ein hartes Problem wird nicht leichter, wenn man es ausspricht.

Aber die anderen Lanes wissen nicht, dass Tiefarbeitszeit ist. Ein Agent wird fertig und stellt eine Frage. Ein Reviewer antwortet auf meinen Kommentar mit einem Gegenargument. Früher war jedes davon eine Entscheidung: Fokus brechen und Fenster wechseln oder es altern lassen. Jetzt sind die meisten davon ein Blick und ein Satz. Auf die Frage des Agents schauen, hineinklicken, „ja, aber halte den alten Endpunkt am Leben, bis der Client ausliefert“ sagen, zurückklicken. Das Tiefarbeitsfenster bleibt größtenteils intakt, weil die Unterbrechung ein paar Sekunden Sprechen ist und kein voller Kontextwechsel in das Problem eines anderen.

Ich will hier präzise sein. Die Stimme macht Unterbrechungen nicht kostenlos. Sie macht die mechanischen Kosten des Antwortens klein genug, dass die restlichen Kosten nur der Gedanke sind — und der war ohnehin immer die eigentlichen Kosten.

Abend: die terminalschwere Lane

Eines der Startups betreibt viel seiner operativen Arbeit über SSH, in tmux, auf Servern, auf denen Einfügen aus der Zwischenablage als Konzept nicht existiert. Hier kippen Diktierwerkzeuge üblicherweise um, denn die meisten fügen Text durch Einfügen ein.

Keebye fügt standardmäßig auch ein, mit terminalbewusster Portionierung für Shells. Für SSH und tmux schalte ich den optionalen Typing-Modus ein, der den Text als Unicode-Tastenanschläge injiziert, statt sich auf eine Zwischenablage zu verlassen. Er funktioniert mit Nicht-QWERTY-Layouts, was für die rumänische Tastatur auf einer der Maschinen zählt. Diktat, das das Terminal überlebt behandelt die Einrichtung, und der Terminal-Leitfaden die Abwägungen.

Keebye verweigert außerdem das Einfügen in sichere Eingabefelder, wenn also ein Server nach einer Passphrase fragt, tut der Hotkey nichts. Das ist gelegentlich ärgerlich und vollkommen richtig.

Was sich nicht geändert hat

Ein Tag wie dieser kann klingen, als hätte die Stimme das Problem gelöst, zu viele Lanes zu haben. Hat sie nicht. Sie hat einen spezifischen Engpass gelöst: die körperlichen Kosten, einen Satz an die Lane zu liefern, die ihn brauchte. Alles andere ist gleich.

Denken ist bei harter Arbeit weiterhin der Engpass. Lesen dauert weiterhin so lange, wie es dauert. Agents laufen weiterhin aus dem Ruder und brauchen weiterhin Korrektur, und eine genuschelte Korrektur produziert ein genuscheltes Ergebnis, gesprochen wie getippt. Die Stimme ist eine Ergänzung zu den Händen, kein Ersatz; ich tippe viel, nur nicht mehr als der eine Nadelöhr, hinter dem jede Lane wartet.

Und die App hat die rauen Kanten früher Software. Identifier werden falsch gehört. Das erste Wort des Tages wird manchmal abgeschnitten. Es gibt kein Sprachbefehls-Vokabular, die Navigation zwischen Fenstern ist also weiterhin ein Klick. Sie läuft nur auf macOS.

Die Form der Sache

Das alte Bild eines 10x-Entwicklers war eine Person, die schneller tippt. Angekommen ist das Bild einer Person, die dirigiert: mehrere Lanes, manche automatisiert und manche menschlich, jede wartend auf einen Satz. In dieser Welt ist der Hebel nicht die Tippgeschwindigkeit. Es ist, wie günstig Sie Absicht an die Lane liefern können, die sie braucht, in welcher körperlichen Lage Sie auch stecken — auch mit einem vollen Arm.

Wenn Ihr Tag diese Form hat, ist der Leitfaden für Entwickler der praktische Startpunkt, und wenn Sie dafür Diktier-Apps abwägen, ist die Übersicht der Keebye-Alternativen ein ehrlicher Vergleich, der sagt, wo welche besser passt. Die Testphase läuft 14 Tage und beginnt mit Ihrer ersten Anmeldung in der Desktop-App — für genau so eine echte Woche voller Lanes ist sie gedacht.