Steine statt Roboter: Wie KI unser Logo in 15+ Iterationen neu designte

Mehrere Leute sagten mir, dass mein Logo gruselig aussieht.

Sie waren höflich dabei. „Es ist… markant.” „Sehr einprägsam.” Aber die Botschaft kam klar genug an: Das Klammer-Augen-Grinsen, das „freundlicher Entwickler” signalisieren sollte, wirkte in kleiner Darstellung deutlich weniger einladend.

Das Logo, das Leuten Angst machte

Das CodeWithAgents-Logo hatte bereits vier Iterationen beim ersten Seitenaufbau hinter sich — Code-Klammern, Textvarianten und schließlich ein Klammer-Brillen-Nerdgesicht mit < und > als Augen und einem Zahnpastegrinsen. In voller Größe sah es nerdig und sympathisch aus.

In kleiner Darstellung — Favicons, Navbar-Icons, Social-Media-Vorschauen — sah es aus, als wollte es einen auffressen. Die Klammern wurden zu wütenden Augenbrauen. Die Zähne wurden… Zähne. Die Art, die zubeißt. Mehrere Leute wiesen unabhängig voneinander darauf hin, immer sehr behutsam.

Ich hatte die Botschaft verstanden.

Warum Steine?

Die Idee für den Ersatz kam von einer unerwarteten Stelle: Cairn, dem KI-System, das ich gebaut hatte, um Wissen über Sessions hinweg zu speichern. Als ich diese Website zum ersten Mal mit KI baute, war Cairn bereits Teil des Prozesses. Der Name selbst trägt die Metapher — ein Cairn ist ein Steinhaufen, bei dem jeder Stein von einem Wanderer hinzugefügt wird, um den Weg für die Nachfolgenden zu markieren.

Genau das ist Agentic Engineering im Kern. Man baut Systeme, die inkrementell Wissen ansammeln, über die Zeit hinweg bestehen und den nächsten Wanderer leiten. Menschen machen das mit Steinen seit Zehntausenden von Jahren. Wir machen es jetzt mit Sprachmodellen. Gleiches Muster, anderes Material.

Also ja — eine KI-Beratungsmarke mit einem Logo aus Steinen. Die Ironie fiel mir erst auf, nachdem ich mich für das Konzept entschieden hatte. Alle anderen in diesem Bereich haben neuronale Netze, Platinen oder Roboterköpfe. Wir haben einen Steinhaufen.

Er passt besser als all das.

Das SVG-Problem

Ich beschrieb Cairn das Konzept: fünf gestapelte Steine, kantig und unregelmäßig, die an die Wegmarkierungs-Bedeutung erinnern. Das Ganze soll als SVG auf jeder Größe funktionieren, vom Favicon bis zur ganzen Seite.

Was ich in den nächsten Stunden lernte: KI kann bemerkenswert gut über visuelles Design nachdenken. Sie kann Komposition diskutieren, Layouts vorschlagen, verstehen, was „kantig” und „organisch” ästhetisch bedeuten. Aber wenn es darum geht, diese Ideen tatsächlich als reines SVG umzusetzen — Pfadkoordinaten, Polygon-Vertices, Gradient-Stops — ist es, als würde man jemanden bitten, ein Porträt zu malen, indem er GPS-Koordinaten diktiert.

Die Herausforderung ist nicht die Intelligenz. Es ist das Medium. SVG ist eine Reihe mathematischer Anweisungen, die zufällig Formen erzeugen. Es gibt keinen „Mach das natürlicher”-Parameter. Jede Kurve ist ein Bézier-Kontrollpunkt. Jeder Schatten ist ein separates Polygon mit einer sorgfältig gewählten Füllfarbe. Die Kluft zwischen „Ich verstehe, wie gutes Design aussieht” und „Ich kann die Koordinaten erzeugen, die es erstellen” ist gewaltig.

Wir standen kurz davor herauszufinden, wie gewaltig genau.

Version 1: Der Kuhfladen

Der erste Versuch waren drei abgerundete Steine, vertikal gestapelt.

Zuerst lachte ich. Dann stöhnte ich. Es sah exakt so aus wie etwas, das man an einer Spa-Rezeption findet — oder schlimmer, wie etwas, das man auf einer Wiese findet, nachdem ein großes Tier vorbeigegangen ist. Glatt, organisch, symmetrisch. Alles, was ein Cairn nicht ist.

Echte Cairns sind chaotisch. Unregelmäßig. Kantig. Die Steine schmiegen sich nicht aneinander — sie lehnen sich aufeinander, mit sichtbaren Lücken. Diese Spannung ist der ganze Punkt. Jeder Stein hängt von den darunterliegenden ab. Nimm einen weg und die Struktur verändert sich.

Die 15 Iterationen lang schleifen

Was folgte, war eine lange Reihe immer spezifischerer Anweisungen:

Versionen 2–5: Mehr Steine. Kantige Formen. Fünf Steine für fünf Buchstaben in „Cairn”. Die grundlegende Silhouette stimmte — ein breiter Basisstein, ein kleiner Keil, eine mittlere Platte, ein hoher Pfeiler und ein Deckstein, der sich oben schräg anlehnt und einen Bogen bildet. Die Formen waren gut. Aber sie waren flache weiße Umrisse auf Nichts.

Versionen 6–8: „Lass uns Schattierung hinzufügen.” Hier wurde es schwierig. Ich wollte drei oder vier Smaragdtöne, um Volumen anzudeuten — Licht von oben links, Schatten unter dem Deckstein. Die KI verstand das Konzept perfekt. Sie konnte exakt erklären, welche Flächen heller und welche dunkler sein sollten. Aber dieses Verständnis in Polygon-Koordinaten zu übersetzen, die tatsächlich den richtigen visuellen Effekt erzeugen? Stein für Stein kam falsch heraus. Schatten, die zu weit reichten. Lichtflächen auf der falschen Seite. Schattierungsstreifen, die auf jedem Stein identisch aussahen, trotz unterschiedlicher Ausrichtung.

Versionen 9–12: Wir versuchten, die Schattierung zu reparieren, indem wir jeden Stein in helle und dunkle Polygone aufteilten. Der Ansatz war in der Theorie solide. In der Praxis passten die Polygone nie ganz zusammen. Weiße Lücken tauchten zwischen den Flächen auf. Je mehr wir einen Stein reparierten, desto mehr ging ein anderer kaputt. Ich justierte einzelne Vertex-Koordinaten eine nach der anderen, und jede Korrektur erzeugte zwei neue Probleme.

Version 13: „Was, wenn wir den ganzen Stein zuerst mit dem dunkelsten Ton füllen und dann hellere Polygone darüberlegen?” Das funktionierte tatsächlich für das Geometrieproblem — keine Lücken mehr. Aber jetzt hatten wir ein anderes Problem: Die Farben sahen falsch aus. Kohärente Beleuchtung über fünf unregelmäßig geformte Steine in verschiedenen Winkeln ist wirklich schwierig. Die KI ließ Stein 5 immer so aussehen, als wäre er von unten beleuchtet, während Stein 3 von links beleuchtet wurde.

Das Gradient-Experiment: Wir versuchten lineare SVG-Gradienten statt flacher Polygone. Ein Gradient pro Stein, von hell nach dunkel. Es dauerte 30 Sekunden, um zu sehen, dass das eine Sackgasse war. Die Gradienten ließen jeden Stein wie einen Gel-Button aus dem Jahr 2005 aussehen.

Der berechnete Ansatz: Ich ließ die KI ein Node.js-Skript schreiben, das das SVG programmatisch generieren sollte — Steinumrisse als Koordinaten-Arrays, Helligkeitswerte pro Fläche, eine Funktion, die Helligkeit auf Smaragdtöne abbildet. Die Idee war solide: Daten und Rendering trennen, schneller iterieren, indem man Zahlen anpasst statt SVG von Hand zu bearbeiten. Das Skript überlebte tatsächlich bis zur finalen Version (es rendert heute das Produktionslogo). Aber die Helligkeits-zu-Farbe-Zuordnung war beim ersten Durchlauf invertiert — jede hervorgehobene Fläche kam dunkel heraus und jeder Schatten hell. Nach der Korrektur waren wir wieder beim gleichen fundamentalen Problem: 3D-Beleuchtungsintuition auf 2D-Polygon-Mathematik abzubilden. Das Skript war das richtige Werkzeug. Der Schattierungsansatz war immer noch falsch.

Der Durchbruch: Nicht mehr hinzufügen, sondern weglassen

Nach all diesen Iterationen war ich frustriert, aber nicht bereit, das Konzept aufzugeben. Die Steinformen stimmten. Die Komposition funktionierte. Nur der Rendering-Ansatz arbeitete gegen uns.

Ich ging zu Google und suchte nach Stein-Illustrationen — Cairns, Steinhaufen, geologische Zeichnungen. Nicht weil ich etwas kopieren wollte, sondern weil nichts, was die KI produziert hatte, dem entsprach, was ich im Kopf hatte. Die meisten Ergebnisse waren entweder fotorealistisch (unbrauchbar für SVG) oder zu cartoonhaft (nicht die richtige Stimmung). Aber ein paar Illustrationen im Tusche-Stil fielen mir ins Auge. Schlicht. Kräftig. Zweifarbig.

Das war der Wendepunkt. Statt 3D mit mehreren Schattierungen und berechneter Beleuchtung zu simulieren, einfach die Flächigkeit annehmen. Smaragd-Füllung. Dunkle Umrisse. Ein paar helle Smaragd-Halbmonde als Highlights auf den oberen linken Flächen. Dünne Detaillinien für Textur. Das war’s.

Die KI traf diesen Stil in zwei Iterationen. Nicht fünfzehn. Zwei.

Die Erkenntnis war im Nachhinein offensichtlich: Wir hatten gegen das Medium gekämpft. SVG ist kein 3D-Renderer. Es ist nicht einmal ein 2D-Malwerkzeug. Es ist ein Präzisions-Geometrieformat. Die Ansätze, die in SVG funktionieren, sind diejenigen, die Präzision umarmen — saubere Formen, kräftige Striche, bewusste Einfachheit. In dem Moment, als wir aufhörten, etwas vorzutäuschen, das SVG nicht kann, und akzeptierten, was es gut macht, klickte alles zusammen.

Womit KI bei SVG wirklich kämpft

Diese Erfahrung kristallisierte etwas heraus, das ich schon bei vielen KI-erstellten visuellen Assets geahnt hatte: Es gibt eine spezifische Kluft zwischen räumlichem Denken und Koordinaten-Produktion, die aktuelle KI-Modelle noch nicht überbrückt haben.

Die KI konnte fließend über Komposition diskutieren. Sie verstand „mach es kantiger” und „der Schatten ist auf der falschen Seite”. Sie konnte den ganzen Tag an der Struktur iterieren — Steine hinzufügen, Proportionen ändern, den Bogen anpassen. Und als wir den zweifarbigen Tusche-Stil definiert hatten, setzte sie ihn sauber um. Das Denken war nie das Problem.

Das Problem war die Übersetzung von räumlicher Intuition in Zahlen. „Diese Fläche sollte heller sein, weil sie Sonnenlicht einfängt” ist ein Konzept. Dieses Konzept in die acht Polygon-Vertices zu übersetzen, die den korrekten visuellen Eindruck an den richtigen Koordinaten erzeugen, ohne benachbarte Polygone zu überlappen oder Lücken zu hinterlassen — das ist eine grundlegend andere Fähigkeit. Die KI produzierte Koordinaten, die plausibel waren, aber um 10 oder 20 Einheiten daneben lagen. In den Daten sieht man den Fehler nicht. Im Rendering ist er sofort offensichtlich.

Aber die tiefste Limitation war nicht die Koordinatengenauigkeit. Es war die Wahl der richtigen Abstraktionsebene. Die KI schlug nie von sich aus vor: „Vielleicht sollten wir den Ansatz vereinfachen.” Sie generierte fröhlich immer komplexere Schattierungssysteme, fügte mehr Polygone hinzu, mehr Farbstopps, mehr Helligkeitsberechnungen — jede einzelne technisch nachvollziehbar, keine davon löste tatsächlich das Problem.

Der visuelle Refiner, der nicht aufhören wollte war ein Muster, das ich schon vorher in der Multi-Agent-Orchestrierung gesehen hatte. Agenten, die in Verfeinerungsschleifen feststecken und Dinge komplexer machen, anstatt einen Schritt zurückzutreten. Das Logo-Redesign war die gleiche Dynamik, nur mit einem Menschen in der Schleife. Ich war derjenige, der sagen musste „dieser Ansatz funktioniert grundlegend nicht” — und selbst ich wartete zu lange, um es auszusprechen.

Das finale Logo

Fünf kantige Steine. Ein Bogen, geformt durch den Deckstein, der sich an den Pfeiler lehnt. Dunkle Smaragd-Umrisse, dick genug, um die Lücken zwischen den Steinen selbst in Favicon-Größe zu zeigen. Helle Smaragd-Highlights auf drei Steinen, die gerichtetes Licht andeuten. Detaillinien, die beim Reinzoomen Textur erzeugen, aber in kleinen Darstellungen elegant verschwinden.

Es ist nicht fotorealistisch. Es versucht es auch nicht zu sein. Es ist eine Markierung — wie die Cairns, die es repräsentiert. Klar genug zum Erkennen, einfach genug zum Skalieren, bedeutsam genug zum Erinnern.

Steine statt Roboter

Eine KI-Beratungsmarke mit einem Steinhaufen als Logo. Klingt wie ein Widerspruch.

Aber jedes neuronale-Netz-Icon und jedes Platinen-Logo sagt dasselbe: „Wir sind Technologie.” Der Cairn sagt etwas anderes: „Wir bauen Dinge, die Bestand haben.” Steine, gestapelt von Wanderern, die vor uns kamen, markieren den Weg für die, die nach uns kommen. Das ist der ursprüngliche Funke hinter diesem ganzen Projekt — nicht nur mit KI bauen, sondern Systeme bauen, die Wissen über die Zeit hinweg ansammeln.

Vergleicht man das mit dem Rebranding eines Kunden-Farbschemas, bei dem die KI in 20 Minuten autonom eine komplette visuelle Überarbeitung durchführte, wird der Unterschied klar. Farben austauschen ist mechanisch — Hex-Code finden, Hex-Code ersetzen. Logo-Design ist räumlich und ästhetisch. Ersteres kann die KI ohne menschliches Eingreifen. Für Letzteres brauchte sie 15+ Runden menschlichen Urteilsvermögens, um bei etwas zu landen, das funktioniert.

Dieser Kontrast — und die Tatsache, dass das Logo selbst durch genau diese Iterationen entstanden ist, komplett mit Fehlschlägen, Sackgassen und einem entscheidenden Moment, in dem der Mensch den Ansatz der KI überstimmen musste — fühlt sich wie das ehrlichste Markenstatement an, das ich machen konnte.

So sieht Agentic Engineering wirklich aus. Keine Magie. Keine autonome Perfektion. Ein Mensch und eine KI, die gemeinsam Steine stapeln, jeder ein bisschen besser platziert als der letzte.