Die Pipeline

Die Grundeinheit ist der Scheduled Task — ein Claude-Code-Agent, der zu festen Rhythmen läuft: wöchentlich für News und Briefings, monatlich für Benchmarks und Investitionen, quartalsweise für tiefgreifende Stats wie den AGI Proximity Index. Jeder Task hat einen klaren Auftrag und einen definierten Quellen-Pool.

Der Agent nutzt WebSearch und arbeitet gegen die Primärquellen aus dem Register weiter unten — nicht gegen aggregierte Drittseiten, soweit möglich. Bei widersprüchlichen Angaben (etwa WAU vs. MAU für Consumer-Apps) wird das im Output explizit markiert und nicht harmonisiert. Die Ausgabe ist strikt strukturiert: eine oder mehrere .json-Dateien im Repo, die vom Build-Prozess direkt gerendert werden.

Das heißt: Zwischen der Primärquelle und der Darstellung im Dashboard liegen maximal zwei Schritte (Agent-Lookup + JSON-Schreibung). Keine Datenbank, keine ETL-Pipeline, keine Caches. Das macht die Kette überschaubar — und jeder Schritt ist im Git-Commit nachvollziehbar.

1. 1
   Quellen-Match. Jeder Wert muss auf eine URL aus dem Register unten (oder auf eine gleichwertige Primärquelle) zeigen. Sekundärquellen werden als solche markiert.
2. 2
   Zeit-Stempel. Jeder Datensatz hat ein stand-Feld. Das Dashboard zeigt einen farbigen Dot (fresh / current / aging / stale), damit veraltete Widgets sofort erkennbar sind.
3. 3
   Plausibilitäts-Check. Bei Zahlensprüngen >30% Q/Q oder bei Werten, die neue Größenordnungen erreichen (z.B. Frontier-Model-Parameter), vergleicht der Agent explizit gegen 2 zusätzliche unabhängige Quellen.
4. 4
   Methodik-Transparenz. Wo Daten heterogen kommuniziert werden (WAU vs. MAU, Gemini App vs. AI Overviews, ChatGPT Free vs. Plus), werden die Metriken nicht ineinander umgerechnet, sondern getrennt gelabelt — inklusive Kontextbox für relevante Alternative (z.B. AI Overviews 2 Mrd.).

Alle Änderungen landen zunächst auf dem internen Gitea-Server als regulärer Commit. Das Public-Repo auf GitHub und damit das Live-Deployment wird nie automatisch aktualisiert — zwischen „Agent hat Daten geschrieben" und „Dashboard zeigt neue Zahlen" steht immer ein manuelles release.sh-Kommando.

Warum so umständlich? Weil AI-basierte Recherche bei aller Sorgfalt Fehler produzieren kann, die nur ein Mensch mit Projektkontext erkennt. Ein offensichtliches Beispiel: Wenn ein Agent liest „OpenAI hat 900 Mio. Nutzer" und dabei nicht klar macht, ob das WAU oder MAU ist, merkt das ein Reviewer sofort — ein automatisierter Pipeline-Schritt nicht. Die Freigabe ist also kein Verzögerer, sondern das Qualitäts-Gate.

Jeder Commit enthält eine klare Message (typischerweise feat: oder fix:), die Git-History ist öffentlich auf GitHub einsehbar. Wer eine konkrete Zahl hinterfragen will, kann per git blame sehen, wann und in welchem Commit sie gesetzt wurde.