Dieser Beitrag nimmt »Shadowverse: Worlds Beyond« als Beispiel und fragt: Wie lassen sich KI-Agenten, Simulationen, robuste Optimierung und ein externes Gedächtnis so kombinieren, dass kein Mensch mehr alles auswendig lernen und alles selbst ausprobieren muss? Personenbezogene Daten kommen darin nicht vor.
1. »Ohne Fachwissen kann man nichts delegieren« stimmt nur noch halb
Wie wir heute mit KI arbeiten, hat mit früher kaum noch etwas zu tun, als man alles selbst recherchierte, selbst baute und selbst prüfte.
Zuerst entscheidet der Mensch:
- Wofür machen wir das überhaupt?
- Wie sieht das fertige Ergebnis aus?
- Was darf auf keinen Fall kaputtgehen?
- Woran erkennen wir, dass es ein Erfolg war?
Alles Weitere geht an die KI.
Recherchiere. Zeig mir Optionen. Vergleiche sie. Setz es um. Teste es. Bring mir das Ergebnis.
Und wenn die Ergebnisse zurückkommen, urteilt der Mensch:
»A fliegt raus. Wir nehmen B. Hier stimmt was nicht, nochmal testen.«
Das ist ziemlich genau der Job einer Führungskraft.
Wer dann auch noch entscheidet, welche Aufgabe Zeit und Rechenleistung bekommt, ob sich der Aufwand gerade überhaupt lohnt und wie die Abnahmekriterien aussehen, steht schon über dem mittleren Management: Das ist die Arbeit von Geschäftsführung und Produktverantwortung.
OpenAI stellt für Codex 2026 ebenfalls genau diesen Einsatz in den Vordergrund: Aufgaben an mehrere Agenten abgeben, sie parallel laufen lassen, die Änderungen prüfen und nachsteuern. Auch ein Leitfaden für KI-native Entwicklung teilt die Arbeit so auf: Bei risikoarmen Aufgaben »delegiert« man, bei wichtigen Ergebnissen »prüft« man (Review), und Gesamtstrategie, Standards und die Endverantwortung »besitzt« (Own) der Mensch.
Mit anderen Worten:
Früher hieß es
ich → Arbeit,
jetzt heißt es
ich → KI-Mitarbeiter → Arbeit.
Es gibt keine Angestellten.
Aber es gibt eine Firma.
2. Als Chef musst du nicht die Antwort kennen, sondern Gut von Schlecht unterscheiden
Fachwissen ist natürlich nicht plötzlich überflüssig.
Wenn die KI strahlend verkündet:
»Optimiert!«
und du nicht nachfragen kannst,
- warum das optimal sein soll,
- ob die Vergleichsbasis ausreicht,
- ob es bei geänderten Bedingungen zusammenbricht,
- ob der Test die Realität überhaupt abbildet,
- ob die Daten veraltet sind,
- was ein Fehlschlag kosten würde,
dann tagt gleich die Genba-Neko-Vorstandssitzung (Genba Neko ist die japanische Meme-Katze von den Arbeitssicherheitsplakaten, die jeden Pfusch mit »Yoshi!« abnickt).
KI: »Erledigt!«
Mensch: »Yoshi!«
Realität: »Ist kaputt.«
Es braucht also nicht mehr das Wissen, um alles selbst zu bauen, sondern das Wissen, um das Gelieferte zu bewerten.
Du musst nicht die Fähigkeiten aller Karten auswendig kennen.
Aber du solltest einwenden können: »Ignoriert dieses Ergebnis nicht die Abhängigkeit von den Top-Decks?« oder »Dieses Deck hat gegen eine bestimmte Klasse nur 25%, glänzt aber im Durchschnitt, oder?«
Weg von dem, der jedes Wie auswendig kann, hin zu dem, der Ziel, Bewertungsmaßstab und Risiko in der Hand hält.
Darin steckt der Kern des Chef-Werdens.
3. Bevor ich Shadowverse starte, baue ich erst mal eine Simulationsfabrik
Der normale Weg bei einem Kartenspiel sieht so aus:
Spiel starten.
Karten lesen.
Deck bauen.
Verlieren.
Anpassen.
Wieder verlieren.
100 Matches spielen.
Endlich einen Überblick über das Meta bekommen.
Der Mensch macht alles selbst.
Wenn man aber einen Rechner hat, lässt sich die Reihenfolge umdrehen:
- Alle Karteninformationen abrufen
- Gewinnerdecks aus Turnieren und öffentliche Decklisten sammeln
- Regeln und Karteneffekte implementieren
- Mulligan, Spielstrategie und Gegnermodell festlegen
- Die Decks zigtausend bis hunderttausende Male gegeneinander spielen lassen
- Eine Gewinnraten-Matrix erstellen
- Schwache Matchups, Streuung und Fehlstartquote herausziehen
- Nur die besten Kandidaten fasst der Mensch selbst an
So schiebt man die 5000 Matches, die man sonst für 100 Decks mit je 50 Partien selbst spielen würde, vorab auf die Maschine.
Der Mensch fasst am Ende nur noch fünf Decks an.
Ich will den Strategieführer veröffentlichen, bevor ich das Spiel überhaupt gestartet habe.
Zugegeben, es besteht das Problem, dass die Simulation so lange dauert, dass das nächste Kartenset schneller kommt.
Der Fabrikbau ist einfach zu groß geraten.
4. Wer kurz vor dem neuen Set optimiert, bekommt »Bestes Deck, fünf Tage später tot«
Stand 22. August 2026 ist das 9. Kartenset »Revenants of Azvaldt« für den 27. August angekündigt.
Wer also kurz vor dem neuen Set die aktuelle Umgebung bis aufs Letzte optimiert, erlebt vielleicht Folgendes:
August:
»Das optimale Deck ist fertig!«August:
»Neue Karten kommen dazu.«
Das optimale Deck:
»Sayonara …«
Deshalb sollte man in der Phase kurz vor dem Release keine Decks bauen, sondern die Fabrik fertigstellen.
Pipeline für den Kartenabruf.
Regel-Engine.
KI-Matches.
Auswertung.
Gewinnraten-Matrix.
Robustheitsbewertung.
Bericht.
All das lässt sich auch beim nächsten Set wiederverwenden.
Man kippt die neuen Karten als Rohstoff hinein, und die Fabrik läuft wieder.
Ich bin Fertigungsunternehmer geworden, bevor ich eine einzige Karte gekauft habe.
5. Nicht der Durchschnitt zählt, sondern: Das Deck überlebt auch, wenn das Meta abweicht (robuste Optimierung)
Hier kommt die robuste Optimierung ins Spiel.
Wer einfach den Erwartungswert maximiert, wählt
»das Deck mit der höchsten durchschnittlichen Gewinnrate im Meta, das ich gerade vorhersage«.
Aber Meta-Prognosen liegen daneben.
| Deck | gegen Dragon | gegen Witch | gegen Royal | gegen Elf |
|---|---|---|---|---|
| A | 70% | 65% | 60% | 25% |
| B | 57% | 56% | 55% | 54% |
Wenn gerade wenig Elf gespielt wird, sieht A im Durchschnitt unschlagbar aus.
Nächste Woche wird aber mehr Elf gespielt, und dann:
A ist tot.
B ist nicht spektakulär, geht aber auch dann nicht kaputt, wenn die Meta-Prognose ein wenig danebenliegt.
Robuste Optimierung geht davon aus, dass man die Parameter nicht genau kennt. Man legt eine Unsicherheitsmenge fest (»bis hierhin kann es abweichen«) und sucht eine Lösung, die auch die schlechten Bedingungen in diesem Bereich übersteht.
Beim Kartenspiel variiert man dafür zum Beispiel:
- die durchschnittliche Gewinnrate
- die schlechteste Matchup-Gewinnrate
- die Gewinnrate bei veränderter Meta-Verteilung
- den Unterschied zwischen Anspielen und Nachziehen
- Mulligan-Pannen
- Fälle, in denen eine bestimmte Karte nicht kommt
Und manchmal wählt man
höchstens 80 Punkte, mindestens 65 Punkte
statt
höchstens 95 Punkte, mindestens 20 Punkte.
Gesucht ist nicht der One-Trick-Pony-Champion, sondern der Gorilla, der egal wohin man ihn wirft, ordentlich zuschlägt.
6. Aber selbst der stärkste Simulator hilft nichts, wenn ich mich beim Spielen verzocke
Jetzt kommt die traurige Wahrheit.
Selbst wenn die KI das stärkste Deck liefert und man dann fragt:
»Moment, welches von beiden spiele ich auf diesem Board zuerst?«
verliert man ganz normal.
Tja. Da gewinnt man nicht.
Trotzdem muss man dafür nicht 100 Stunden bei null anfangen zu üben.
Aus den Simulationen lassen sich folgende Dinge herausziehen:
- Mulligan-Tabellen für jedes Matchup
- häufige Boardsituationen
- typische Lethals
- Verzweigungen, die man auf keinen Fall wählen darf
- übliche Antworten des Gegners
- Entscheidungen mit großem Einfluss auf Sieg oder Niederlage
Dann ist das Übungsfeld des Menschen nicht
»das ganze Spiel«,
sondern
»die 20% der Situationen, die über Sieg und Niederlage entscheiden«.
Deck-Suche macht die Maschine.
Das Verdichten der Spielsituationen macht die Maschine.
Nur die letzte Entscheidung im echten Match trifft der Mensch.
Auch Chefs bekommen ein Training vor Ort.
Aber keine 100 Stunden Einarbeitung, sondern On-the-Job-Training nur für die entscheidenden Arbeitsschritte.
7. Alle Karteninfos im Kopf zu speichern: Ist das als Speicherarchitektur nicht ziemlich schräg?
Und dann fällt einem das Letzte auf:
»Ist es nicht ziemlich teuer, alle Karteninfos im Kopf zu lagern?«
Ja, ist es.
In der Kognitionswissenschaft heißt es cognitive offloading (kognitive Entlastung), wenn man Informationen nicht nur im Kopf behält, sondern nach außen verlagert: in Notizen, Geräte, Erinnerungen.
Eine Studie von 2024 modelliert diese Entscheidung so: Das Gedächtnis im Kopf hat begrenzte Kapazität, und je mehr man darin hält, desto mehr Opportunitätskosten entstehen. Ein externer Speicher kostet dagegen Aufwand beim Nachschlagen, ist aber praktisch unbegrenzt groß.
Aufs Kartenspiel übertragen heißt das:
Man muss nicht alle Karten dauerhaft im RAM des eigenen Kopfes halten.
GitHub oder eine Datenbank wird zum Speicher.
Im Kopf bleibt nur der Cache:
- die wichtigsten Archetypen
- die eigenen Siegwege
- häufig gespielte gefährliche Karten
- die Lethal-Reichweite
- der Mulligan
- häufige Verzweigungen
Die genaue Fähigkeit einer Karte mit 3% Spielrate?
Lies sie von der SSD.
8. Die WB-Karteninfos lassen sich tatsächlich automatisch abrufen
Auf dem inoffiziellen GitHub gibt es ein öffentliches Projekt, das die Karteninfos von Shadowverse: Worlds Beyond automatisch abruft und als JSON speichert.
mariokart761/ShadowverseWB_card_data holt die Karteninfos per Crawler in fünf Sprachen und legt Kartendetails, Fähigkeitstexte, Evolve-Infos, verwandte Karten, Set-Infos und mehr als JSON ab.
Es sitzt also niemand da und tippt 327 Karten einzeln ab:
»So, diese Karte kostet 3 … Angriff 2 … Leben 3 …«
In der Abteilung Crawler arbeitet der Abteilungsleiter.
Eine weitere öffentliche Datenbank, ParticleG/shadowverse-wb-db, hält in einer cards.json ebenfalls Kartennamen, Fähigkeiten, Kosten, Angriff, Leben, Seltenheit, Set, Bilder und mehr.
Wichtig ist hier:
Das Kartenverzeichnis zu beschaffen und
die Kartenfähigkeiten als Spielregeln tatsächlich ablaufen zu lassen
sind zwei verschiedene Dinge.
Den Text »Fanfare: 4 Schaden« zu holen, ist vergleichsweise leicht.
Aber diese 4 Schaden korrekt zum Laufen zu bringen, ist die Hölle:
- Was darf als Ziel gewählt werden?
- Wann wird der Effekt ausgelöst?
- Wie wirkt er mit Buffs und Schadensminderung zusammen?
- Was passiert, wenn das Board voll ist?
Die Abteilung Kartenverzeichnis lässt sich automatisieren.
In der Abteilung Regel-Engine werden Überstunden gemacht.
9. Das menschliche Gehirn wird keine »Datenbank«, sondern eine »Entscheidungsmaschine«
Wenn man alles verbindet, sieht die Rollenverteilung so aus:
GitHub / Datenbank
→ Langzeitgedächtnis. Karteninfos, Verlauf, Decks, Prüfergebnisse.
Crawler
→ zuständig für Informationsbeschaffung.
Simulator
→ zuständig für virtuelle Erfahrung. Stirbt zigtausendmal, um zu lernen.
Codex / KI-Agent
→ zuständig für Recherche, Umsetzung, Tests und Berichte.
Mensch
→ Zielsetzung, Bewertungsmaßstab, Prioritäten, Endentscheidung.
Das ist ziemlich elegant.
Früher galt:
»Um stark zu werden, muss ich alle Karten kennen und hunderte Matches spielen.«
Heute geht:
»Die Maschine spielt zigtausende Matches, und ich bekomme nur die verdichtete wichtige Information.«
Schluss damit, das menschliche Gehirn als Kartenlexikon zu benutzen.
Stell kein Kartenlager ins Chefbüro.
Lass dir die nötigen Unterlagen von deinen Leuten bringen.
10. Das ist weniger Spielstrategie als das »Betriebssystem einer Ein-Mann-Firma«
Das Spannende daran: Die Methode ist nicht auf Shadowverse beschränkt.
Ziel festlegen.
Soll-Zustand festlegen.
Rahmenbedingungen festlegen.
Die KI recherchieren lassen.
Mehrere Varianten vergleichen lassen.
Simulieren.
Eine Variante wählen, die auch unter schlechten Bedingungen hält.
Umsetzen lassen.
Das Ergebnis ansehen.
Nachbessern.
Wissen extern speichern.
Das lässt sich eins zu eins auf Softwareentwicklung, Anlageprüfung, Prozessverbesserung, Content-Produktion, Recherche, Produktvergleiche und Spielstrategie übertragen.
Gebaut wird also nicht nur das »stärkste Shadowverse-Deck«.
Es ist eine Fabrik für Entscheidungen.
Und die Angestellten sind KI.
Der Chef merkt sich nicht jedes Detail.
Aber
was erreicht werden soll,
was ein gutes Ergebnis ist,
wem man nicht traut
und wo man das Go gibt,
das behält er in der Hand.
Das Ergebnis: Ich wollte nur ein Spiel anfangen, und
bevor ich auch nur eine Karte richtig gelernt hatte, war ich CEO.
11. Fazit: Lieber entwerfen als auswendig lernen. Lieber laufen lassen als selbst laufen.
Nur weil man in einem Kartenspiel stark werden will, muss man nicht von Anfang an alle Infos in den Kopf stopfen.
Man muss auch nicht alles selbst ausprobieren.
Erst die Maschine ranlassen.
Recherche → Datenaufbereitung → Simulation → Robustheitsbewertung → Kandidaten verdichten → echte Matches des Menschen
In dieser Reihenfolge geht es.
Und beim Gedächtnis ist es genauso.
Alle Karten auswendig lernen → × Dafür sorgen, dass man nachschlagen kann, wenn es nötig ist → ○ Nur das Häufige als Cache im Kopf → ◎
Die Endform sieht so aus:
Die KI spielt 1 Million Matches.
GitHub merkt sich alles.
Der Mensch entscheidet nur an den wichtigen Stellen.
Das ist es.
Ich wollte nur Shadowverse anfangen, und meine Strategie ist zu einem
»Organisationsentwurf«
geworden.
Aber vermutlich geht es so schneller.
Bevor ich Sturm-Karten spiele und »Bumm« mache,
gibt es erst mal ein Vorstandsmeeting. Bumm.
