WeChat packt einen KI-Diktierer in die Tastatur

Das interessanteste KI-Produkt, das letzte Woche in China erschienen ist, war kein Modell. Es war eine Taste auf einer Tastatur.

Am 27. Oktober hat der offizielle Kanal von WeChat angekündigt, dass die WeChat-Eingabemethode – die Tastatur, mit der sehr viele chinesische Handynutzer ohnehin tippen – jetzt einen „KI-Diktierer“ enthält. Du nimmst auf. Es transkribiert in Echtzeit. Und dann bekommst du keine Textwand, sondern eine strukturierte Webseite: Tippfehler korrigiert, Füllwörter entfernt, die Logik des Gesprächs neu geordnet, Kernpunkte herausgezogen.

Und dann der Teil, bei dem ich aufgesessen bin. Laut Ankündigung kann es dem Gesagten Diagramme, Schaubilder und interaktive Prototypen zuordnen.

Warum die Tastatur der interessante Teil ist

Jede Produktivitätsfirma der Welt hat einen Meeting-Recorder ausgeliefert. Die meisten verlangen, dass du etwas installierst, Berechtigungen erteilst, einen Workspace wählst und daran denkst, auf Aufnahme zu drücken. Die Verbreitung bleibt im einstelligen Bereich, weil die Reibung genau in dem Moment liegt, in dem du am wenigsten Aufmerksamkeit übrig hast.

WeChats Version hat kein Verbreitungsproblem zu lösen. Die Tastatur ist bereits installiert, hat bereits Mikrofonzugriff und ist bereits die Fläche, auf der hundert Millionen Menschen zu schreiben beginnen. Die Einstiegspunkte spiegeln das: Auf dem Handy öffnest du es über die Tastaturleiste oder die App der Eingabemethode. Auf dem Desktop gibt es einen Hotkey, dazu die Mac-Menüleiste und die Windows-Toolbar.

Das ist ein Distributionsvorteil, den kein Startup kaufen kann, und der Grund, warum sich das überhaupt zu schreiben lohnt. Das Feature selbst ist nicht neu. Der Ort ist es.

Was „strukturierte Webseite“ tatsächlich bedeutet

Transkription ist ein halbwegs gelöstes Problem. Sprache in etwas zu verwandeln, das man freiwillig liest, nicht.

Wer ein Meeting durch ein ASR-Modell geschickt hat, kennt die Ausgabe: korrekte Wörter, keine Form. Leute wiederholen sich, brechen Sätze ab, sagen vierzehnmal „also, genau, ja“, und begraben die Entscheidung in der Mitte eines Exkurses über Parkplätze. Das Aufräumen ist der Wert, und genau dort geben die meisten Werkzeuge still auf und reichen dir das Transkript mit einer Zusammenfassung oben drauf.

Die angekündigten Verhaltensweisen – Tippfehler korrigieren, bedeutungslose Füllwörter filtern, Logik und Höhepunkte mit Kontext ordnen – beschreiben eine Pipeline, die die Aufnahme als Rohmaterial behandelt und nicht als Ergebnis. Die Ausgabe ist eine Seite, das heißt: Abschnitte, Hierarchie und wahrscheinlich eine Überschrift, die du nicht laut gesagt hast.

Chinesische Eingabemethoden haben hier einen Vorteil, der leicht unterschätzt wird. Pinyin-Eingabe bedeutet, dass die Tastatur ohnehin den ganzen Tag ein Sprachmodell über alles laufen lässt, was du tippst, korrigierend und vorhersagend. Dieselbe Modellklasse auf Sprache anzuwenden ist ein kürzerer Sprung als für einen westlichen Tastaturhersteller, weil die Korrekturschicht schon tragende Infrastruktur ist und kein Nice-to-have.

Die Diagramm-Behauptung verdient Prüfung

Diagramme, Illustrationen und interaktive Prototypen einer Aufnahme zuzuordnen ist eine große Behauptung in einem kleinen Satz, und sie zerfällt in zwei sehr unterschiedliche Fähigkeiten.

Die bescheidene Variante: Du sprichst über einen Dreischritt, und das Werkzeug rendert ein Drei-Schritt-Diagramm, weil es „erst, dann, schließlich“ gehört hat. Das ist Template-Auswahl, es ist wirklich nützlich, und es ist gut erreichbar.

Die ambitionierte Variante: Du beschreibst einen Produktfluss, und das Werkzeug erzeugt einen klickbaren Prototyp. Dafür muss das Modell Zustand, Übergänge und Layout aus unstrukturierter Sprache ableiten – und oft genug richtig liegen, dass der Nutzer es nicht sofort löscht.

Meine Vermutung, und es ist eine Vermutung, ist, dass die ausgelieferte Version näher an der ersten liegt. Das ist keine Kritik. Ein generiertes Diagramm, das ungefähr stimmt, ist ein guter erster Entwurf; ein generierter Prototyp, der ungefähr stimmt, ist eine Debugging-Session.

Die Datenschutzfrage, die in China niemand laut stellt

Eine Tastatur sieht alles. Passwörter, Banknachrichten, Streit mit der Familie, die Suche, die du getippt und dann gelöscht hast. Einen Recorder auf dieser Fläche hinzuzufügen macht das Vertrauensverhältnis dichter, nicht einfacher.

Die Ankündigung geht nicht auf den Umgang mit Daten ein, was für einen Produktbeitrag normal und für eine Produktentscheidung nicht beruhigend ist. Die vernünftigen Annahmen: Die Transkription läuft auf dem Gerät oder über WeChats eigene Cloud, die entstehende Seite wird im WeChat-Ökosystem gespeichert, und die Aufbewahrung folgt denselben Bedingungen wie alles andere dort.

Für einzelne Nutzer in China ist dieser Handel vertraut und weitgehend akzeptabel. Für ein Unternehmen ist „unsere Meeting-Notizen liegen in WeChat“ ein Compliance-Gespräch, kein Produktivitätsgespräch. Das Feature wird sich über private Nutzung verbreiten und in Unternehmen blockiert werden – der übliche Weg für Consumer-KI in diesem Markt.

Wie es gegen einen dedizierten Recorder abschneidet

Auf dem Papier gewinnen die Spezialisten-Apps: bessere Sprechersortierung, längere Sessions, Integration in Kalender und CRMs, ordentlicher Export. In der Praxis verlieren die meisten an der einzigen Metrik, die zu Beginn eines Meetings zählt: ob du daran gedacht hast, sie zu öffnen.

Der Preis dafür ist weniger Kontrolle. Ein dedizierter Recorder lässt dich wählen, wohin das Audio geht. Eine Tastatur nicht, und die Ankündigung sagt es nicht. Für eine persönliche Notiz ist das ein fairer Tausch. Für einen Kundentermin unter NDA ist es kein Tausch, den du einseitig entscheiden kannst.

Die realistische Aufteilung ist also: Tastatur für die Dinge, die du sonst schlecht mitgeschrieben hättest, Spezialisten-App für die Dinge, die in einem Vertrag landen. Beides wird existieren, und die Tastatur wird sehr viel mehr Volumen tragen.

Die strategische Lesart

WeChat wird seit einem Jahrzehnt dafür kritisiert, KI-Features nicht schnell genug auszuliefern. Das hier ist die Gegenbewegung: statt einen Chatbot zu bauen, kleine Modelle in die Flächen zu setzen, die Leute hundertmal am Tag anfassen. Eine Tastatur. Eine Sprachnachricht. Eine Datei.

Das ist eine schwerer zu demonstrierende und viel besser zu verteilende Strategie. Ein Chatbot verlangt, dass du chatten willst. Ein Recorder in der Tastatur ist da, wenn du ohnehin tippen wolltest.

Es erklärt auch das Ausgabeformat. Eine strukturierte Seite lässt sich in WeChat teilen. Ein Transkript ist eine Datei, die du exportierst und vergisst. Indem das Artefakt nativ im Ökosystem ist, erzeugt das Feature Inhalte, die dort zirkulieren, wo WeChat schon herrscht.

Worauf man achten sollte

Ob die strukturierte Seite Bearbeitung übersteht. Wenn du einen Satz korrigieren kannst und das Layout hält, ist es ein Dokumentwerkzeug. Wenn Bearbeitung die Struktur zerbricht, ist es ein Screenshot.

Ob die Diagramme als Objekte bearbeitbar sind oder als flache Bilder ankommen. Das erste ist ein Workflow. Das zweite ist Dekoration.

Und ob der Recorder eine API bekommt. Wenn ja, sind die interessanten Produkte keine Notiz-Apps mehr, sondern Werkzeuge, die ein Gespräch in ein Ergebnis verwandeln, ohne dass jemand einen Laptop öffnet.

Das Feature selbst wird innerhalb eines Quartals kopiert. Baidu, iFlytek und Alibaba haben alle die Bausteine. Was nicht schnell kopiert wird, ist der Ort, weil niemand sonst die Tastatur besitzt, auf der ein halbes Land tippt.

Das ist die Lehre aus diesem Release, und sie hat nichts mit Modellqualität zu tun. Der beste Distributionskanal für ein KI-Feature ist das, was deine Nutzer ohnehin in der Hand haben.