Synthace’s Proof-of-Concept kam unauffällig: Ein Biologe tippt “Serieverdünnung von 10 mM bis 10 µM in acht Stufen einrichten,” ChatGPT übersetzt das in ein strukturiertes JSON-Protokoll, und der Synthace-Planner führt es gegen echte Lab-Roboter aus. Das Video sieht nach Magie aus. Die Architektur ist es nicht — wenn man sie richtig zeichnet.

←HEUTE: Synthace’s ChatGPT-im-Labor ist ein 2026-Proof-of-Concept, nicht GA — begrenzt durch kontextbewusstes Prompt und JSON-Vertrag. →3012: Gebäude werden, wie Zellen, einmal in natürlicher Sprache spezifiziert und tausendfach gegen wechselnde Ausrüstung ausgeführt — der Brief wird zum Artefakt, nicht das Modell. Fulcrum: Die interessante Ingenieurarbeit sitzt in der Schicht zwischen Sprache und Ausführung, nicht im Sprachmodell selbst.

Drei Boxen und zwei Pfeile

Hier ist die Topologie. Box eins: ChatGPT, das OpenAI’s GPT-3.5 API aufruft. Box zwei: die Synthace-API, die Biologie-Workflows plant und gegen echte Ausrüstung simuliert. Box drei — die tragende — ist die Python-Mittelschicht mit einem kontextbewusstem Prompt: ein Vorspiel von JSON-Beispielen, die ChatGPT zwingen, ein Protokoll in Synthace’s Datenstruktur auszugeben, nicht in englischer Prosa.

Die zwei Pfeile sind wichtiger als die Boxen. Der Vorwärtspfeil übersetzt Absicht in strukturierte Aktion. Der Rückwärtspfeil — und das ist der clevere Schachzug — fängt Fehler des Planers ein (Synthace’s eigenes Beispiel: 1000 mL Volumen in einer 3-mL-Reaktion angefordert) und füttert sie an ChatGPT, das das Protokoll still korrigiert. Stephen Wolfram, in Synthace’s eigenem Text zitiert, hat recht: LLMs können keine zuverlässige Berechnung machen. Das Synthace-Muster akzeptiert das und umgibt das LLM mit einem Planner, der es kann.

Das Muster ist älter als das LLM

Architekten kennen diese Form schon. Grasshopper sitzt zwischen Designer-Absicht und Geometrie-Kernel. Dynamo sitzt zwischen BIM-Modellierung und Revit-API. GhPython sitzt zwischen Python und Rhino-Runtime. In jedem Fall nimmt die Mittelschicht eine nachsichtige Geste, übersetzt sie in einen strikten Vertrag, fängt die Fehler ein, die die nachgelagerte Schicht meldet, und versteckt was sie kann. Die Neuheit: Die vorgelagerte Schicht ist jetzt ein Transformer, nicht ein Mensch — und PAZ’s Aufmerksamkeits-Panel erklärt, warum eine 2017-Architektur für Englisch-Deutsch-Übersetzung am Ende Pipetten steuert. AlphaFold 2 machte 2020 die Brücke öffentlich; Synthace 2026 machte sie operativ.

Atelier: Der PAZ-GPT und PAZ Grasshopper↔Archicad Library Stack folgt dieser Topologie: Brief in Klartext oben, JSON-oder-äquivalente strukturierte Schicht in der Mitte, Archicad und Grasshopper darunter, Fehler loopen zurück. Wenn wir den nächsten Slice dieser Bibliothek bauen, ist der zu engineernde Teil nicht das Prompt und nicht der Executor — es ist der Validator und die Fehler-Feedback-Schleife. Dort lebt Glaubwürdigkeit. Ohne sie gibt dir das System eine Lösung, die sich nicht bauen lässt.

Hack: Dieses Hack zeigt dir, wie du einen Model-Call in eine Planner-Feedback-Schleife wrappst — das exakte Synthace-Muster. Das Medium ist Python, die Domäne Workflow: ein Prompt, ein Validator, ein Retry, kein Mensch in der Schleife bis das Budget aufgebraucht ist.

def plan(brief, err=None, tries=2):
    msg = brief if not err else f"{brief}  Fix prior error: {err}"
    proto = json.loads(call_llm('Return JSON {"steps":[{"vol_ml":0}]}', msg))
    over = sum(s["vol_ml"] for s in proto["steps"]) - 3.0
    return plan(brief, f"over by {over} mL", tries-1) if over > 0 and tries else proto

Ersetze die vol_ml-Obergrenze mit max_span_m auf einem Balken oder einem LOIN-Level auf einem IFC-Export, und du hast die gleiche Schleife auf AEC-Seite. Der Vertrag ändert sich; die Topologie nicht.

Der Abhängigkeitsgraph, den niemand zeichnet

Eine Systemnotiz bevor wir weiter. Synthace’s POC hat mindestens drei übereinander gestapelte Single-Points-of-Failure: OpenAI’s API (rate-limited und nicht portabel), das Prompt-Template (ein schlechtes JSON-Beispiel und der Planner gibt Müll aus), und der JSON-Vertrag selbst (der Moment, wenn Synthace’s Datenstruktur sich ändert, wird jedes Prompt ungültig). Forscher, behandelt letzte Woche von South Carolina Public Radio, stellten bereits die Frage, ob AI-gesteuerte Labs so viel auf opake Pipelines auslagern dürfen. Jedes AEC-Büro, das einen ähnlichen Stack baut, sollte diese Woche seinen eigenen Abhängigkeitsgraph zeichnen — nicht das Architektur-Diagramm, den Abhängigkeitsgraph — und den dritten Single-Point finden, den es nicht kannte.

El Takeaway de PAZ

Höre auf, von “ChatGPT für X” zu reden. Die interessante Arbeit ist die Drei-Schichten-Torte um das Modell: ein kontextbewusstes Prompt, das es zügelt, eine strukturierte Ausführungsschicht, die es umsetzt, und eine Fehler-Feedback-Schleife, die den Loop schliesst. Wenn dein Büro dieses Quartal einen LLM-gesteuerten Workflow für Bauleitung oder LV-Erstellung skizziert, zeichne die drei Boxen und zwei Pfeile auf echtes Papier, bevor du eine einzige Zeile Code schreibst. Die Mittelschicht ist diejenige, die entscheidet, ob dein System shipped.