Öffne karpathy.ai und du findest kein Produkt. Du findest einen Abhängigkeitsgraph. Andrej Karpathy listet die Herkunft klar auf: ein Doppelstudium in Informatik und Physik in Toronto 2005–2009, Geoff Hintons Lesegruppen, eine Doktorarbeit unter Fei-Fei Li im Stanford Vision Lab, und die Deep-Learning-Vorlesung — CS 231n — die von 150 Studierenden 2015 bis 750 im 2017 wuchs. Jeder Knoten auf der Seite verweist rückwärts auf den Knoten, von dem er abhing.

Das ist der Ankerpunkt für ein Architekturbüro. Der meistzitierte AI-Lehrer des Jahrzehnts baut seinen Lehrplan genau so auf, wie du deine Toolchain lesen solltest: von den Primitiven aufwärts. Seine gepinnten GitHub-Repositories sind keine Demos — sie sind die kleinste ehrliche Version eines Systems, auf das du dich gleich verlässt. nanoGPT (62k Stars) trainiert ein GPT in ein paar hundert Zeilen; llm.c dasselbe in reinem C/CUDA; nanochat wird lapidar als «das beste ChatGPT, das $100 kaufen kann» angepriesen. Jedes ist ein Bau-von-Grund-auf, dessen ganzer pädagogischer Sinn ist: du siehst jeden Rand im Graph.

←HEUTE: 2026: das AEC-Büro läuft auf LLMs, die es nicht gebaut hat und nicht einsehen kann. →3012: Die Praktiken, die überleben, sind die, die eine Person hielten, die das Modell von Grund auf neu zeichnen konnte. Drehpunkt: Du kannst eine Abhängigkeit nicht regieren, die du nie einmal von Hand gebaut hast.

Warum das jetzt möglich ist und nicht vor fünf Jahren: die Frontier ist komprimiert. Als raris viral-geteilter Thread Karpathys kostenlose zwei-Stunden-Vorlesung — Agents → Loops → Graphs → Self-Improving Systems — hervorhob, war die Lesart: «$15K-Bootcamps lehren weniger». Hype streichen und das Argument darunter stimmt: die Referenzimplementierung eines funktionierenden Agenten passt jetzt in einen Nachmittag. Bei Sequoia im April 2026 ersetzte Karpathy seine eigene 2025er-Wortschöpfung «vibe coding» durch «agentic engineering» — per StartupHubs Bericht — ein Signal vom Feldlehrer selbst, dass die Phase des Prompt-and-Pray ausklingt.

Auf dem Schreibtisch gilt das direkt. Ein Architekt, der ein LLM in einen Ausschreibungs-Analyse- oder Code-Compliance-Workflow bindet, erbt einen Abhängigkeits-Stack — Model-Gewichte, API-Endpoint, Kontextfenster, Retrieval-Index — die meisten unsichtbar, bis einer unter Last fehlschlägt. Die Systems-Cartographer-Regel gilt: der einzelne Ausfallpunkt ist leise, bis er es nicht mehr ist. Karpathys Bau-von-Grund-auf-Stack ist das Gegenmittel — nicht weil du llm.c shippen wirst, sondern weil das einmalige Bauen der kleinsten Version zeigt, wo Queues entstehen und welcher Knoten kein Fallback hat.

Atelier: Für ein Büro, das AI dieses Quartal übernimmt, bedeutet der Schritt von Vibe Coding zu Agentic Engineering eine Governance-Entscheidung, nicht zehn. Dein Move für Montag: wähle eine wiederkehrende Aufgabe — sag, Mengen aus einem PDF-Leistungsverzeichnis ziehen — und verlange, dass wer immer sie automatisiert, jede externe Abhängigkeit benennen kann, bevor es ein Live-Projekt berührt. Können sie den Graph nicht zeichnen, ist der Workflow nicht bereit.

Hack: Baue das kleinste ehrliche Sprachmodell, damit der Mechanismus nicht länger wie Magie liest. Ein Bigram-Modell ist eine Zähltabelle: Für jeden Charakter — wie oft der nächste folgt? Karpathy eröffnet seine «Neural Networks: Zero to Hero»-Serie hier aus gutem Grund — es ist die ganze autoregressive Idee in fünf Zeilen. Starte es mit irgendeiner Textdatei auf deinem Schreibtisch und sieh die Wahrscheinlichkeiten, die ein volles LLM nur skaliert, nie ersetzt.

import torch
text = open("brief.txt").read(); chars = sorted(set(text))
stoi = {c:i for i,c in enumerate(chars)}; C = torch.zeros(len(chars), len(chars))
for a, b in zip(text, text[1:]): C[stoi[a], stoi[b]] += 1
print((C / C.sum(1, keepdim=True))[stoi["e"]])  # P(next char | 'e')

Der PAZ-Move ist nicht, dein eigenes Modell fine-tunen. Es ist, einen Nachmittag in nanoGPT zu verbringen, bis der Abhängigkeitsgraph des Systems, das du einsetzen willst, lesbar ist. Ein Büro, das diesen Graph einmal gezeichnet hat, verhandelt seine AI-Verträge anders: es weiss genau, was es mietet, und was es nie zurück kriegt.