Ein ausgehungerter Agent, alles neu gemacht. Oder drei, die echte Arbeit fertigstellen.

Hier ist die Wand, gegen die ich immer wieder lief. Ein KI-Agent ist nur so gut wie das, was du ihm gibst. Für großartige Ergebnisse musst du ihn laufen lassen, lesen, was er getan hat, und ihm im Detail sagen, was falsch ist, was richtig ist und was du als Nächstes willst. Dieses Feedback ist die eigentliche Arbeit. Und ich kam nicht hinterher. So viel Kontext, so präzise, über alles hinweg, was ich an einem Tag tue: Dafür hatte ich schlicht nicht die Kapazität. Meine Agenten waren nicht schwach. Sie lieferten schlechter ab, weil mein Input zu dünn war. Meine Tastatur war die Obergrenze.

Also suchte ich nach Sprache-zu-Text, um einfach zu reden statt zu tippen. Was ich fand, zerfiel in zwei Haufen. Die kostenlosen und billigen Tools waren schlecht. Die bezahlten waren absurd: ein Dutzend Modelle, sieben Modi und ein Einstellungsfenster, das eine eigene Anleitung brauchte, nur um einen Satz zu diktieren. Ich sollte einen Aufpreis für einen Berg von Funktionen zahlen, die ich nie anfassen würde, dabei wollte ich genau eine Sache: schlichte, genaue Spracherkennung, die in der Sekunde funktioniert, in der ich sie öffne.

Und es musste privat sein. Ich wollte ein Tool für alles, nicht eine App für die Arbeit und eine andere für den Rest. In dem Moment, in dem ein Arbeitswerkzeug deine Daten in die Cloud schickt, landest du bei Beschaffung, Security-Review und Freigaben, und dort wollte ich nicht leben. Ich brauchte etwas, das auf meinem Rechner läuft und meine Stimme auf meinem Rechner behält, außer ich entscheide anders.

Nichts konnte alle drei Dinge. Also habe ich es gebaut.

Die Veränderung war nicht subtil. Ohne Details gaben mir meine Agenten Arbeit zurück, die ich neu machen musste. Jetzt rede ich einfach, jeder bekommt den vollen Kontext, das Ergebnis kommt beim ersten Mal besser zurück, und ich bringe drei Agenten ans Ziel, in der Zeit, in der einer früher mühsam auf 40% kroch. Nicht weil ich schneller tippe. Weil ich ihnen endlich alles geben kann.

Taste drücken. Sprechen. Deine Worte erscheinen am Cursor, in jeder App. Es läuft zu 100% auf dem Gerät, deine Stimme verlässt deinen Mac also nie. Es kostet einmalig $39, kein Abo. Und es gibt nichts zu konfigurieren: herunterladen, Taste drücken, sprechen.

Es macht einen Job und verschwindet. Genau das ist der Punkt.

Für Leute, die KI-Agenten einsetzen und an die echte Grenze gestoßen sind: nicht das Modell, sondern wie viel Kontext du ihm geben kannst. Wenn deine Agenten mit mehr Feedback schärfer wären, als du Zeit zum Tippen hast, hebt VoxTap dieses Limit auf. Du hörst auf zu rationieren, was du ihnen sagst. Die Ergebnisse werden besser, die Nacharbeit sinkt, und du hältst mehr Agenten gleichzeitig in Bewegung. Du bekommst keine schnellere Tastatur. Du schaffst mehr, besser, in denselben Stunden.

Ich habe es genau für die Art gebaut, wie ich arbeite. Wenn du auch so arbeitest, ist es für dich.

Ich baue beruflich Sprach-KI. Ich arbeite mit On-Device-Spracherkennung, ich leite Enterprise-KI-Projekte, die mit Datenschutz stehen und fallen (EU AI Act, DSGVO), und ich habe das erste TDT-Sprachmodell (Parakeet-Familie) in die Hugging-Face-Transformers-Bibliothek gebracht. VoxTap läuft auf genau dieser On-Device-Parakeet-Engine. "Deine Stimme verlässt deinen Mac nie" ist kein Slogan. Es ist der Grund, warum es die App gibt.