"Alle gehen viel zu konservativ mit KI um!", der Leiter von Claude Code: Mein Ansatz ist weitaus ambitionierter~

Setze einige unvernünftige Ziele und sage dem Modell dann: Das ist absolut vernünftig!

Dies ist ein kleiner Trick für die Nutzung von KI, der von Felix Rieseberg, dem Leiter der Desktop-Version von Claude Code, geteilt wird.

Wie geht das genau?

Angenommen, du möchtest die Ladezeit einer Website von 10 Sekunden auf 5 Sekunden reduzieren. Er schlägt vor: Setze das Ziel direkt auf 0,2 Sekunden.

Das Modell sagt, das sei nicht machbar? Dann sag ihm weiter: Dieses Problem lässt sich vollständig lösen, versuche es noch einmal, versuche es noch einmal.

Aus Felix' Sicht können wir bei der Zuweisung von Aufgaben an KI noch mutiger sein.

Er hat noch einen weiteren kleinen Trick geteilt: Ersetze die Substantive in der Aufgabe durch Verben.

Zum Beispiel kann die ursprüngliche Aufgabe „eine Präsentations-PPT erstellen“ neu formuliert werden als:

Überzeuge innerhalb von 30 Minuten eine Gruppe beschäftigter Menschen von deiner Erklärung zu den Ursachen und Folgen der Dinge, und lass sie Entscheidungen treffen, wenn die Situation noch nicht klar ist.

Neben der absichtlichen Festlegung radikaler Ziele hat er noch mehrere konkrete Vorgehensweisen genannt:

Lasse die KI nicht nur „wie ein Experte denken“. Frage anschließend nach: Welche Originalquellen ein echter Experte einsehen würde, welche Werkzeuge er nutzen und welche Methoden er anwenden würde, und schreibe diese Anforderungen dann in die Aufgabe hinein.

Betrachte dein eigenes Urteil nicht direkt als Antwort. Übergebe es zur Prüfung an die KI, lass die KI zu den Originalmaterialien zurückkehren, um Beweise zu suchen, die es stützen, sowie Gegenbeispiele, die es möglicherweise widerlegen.

Lasse die KI nicht selbst über sich selbst urteilen. Führe Code tatsächlich aus, prüfe Vorhersageergebnisse mit neuen Daten und lass am Ende die tatsächlichen Ergebnisse sprechen.

Im Folgenden findest du die ausführliche, redigierte Anleitung von Felix zur Nutzung (und Schulung) von Claude.

Viel Spaß～

Bei der Nutzung von KI können wir noch ehrgeiziger sein

Ich arbeite im Claude-Team.

Das Interessante an dieser Arbeit ist: Fast jeden Tag erfahre ich, dass wieder eine Sache mit Hilfe von Claude erledigt wurde – sogar eine Sache, die Claude selbstständig erledigt hat.

Einige Dinge hätte ich nie für möglich gehalten, andere hielt ich ursprünglich für unmöglich; und wieder andere waren Dinge, für die ich selbst weder neugierig genug war, noch Zeit hatte, sie auszuprobieren.

Diesen Monat noch hat Claude möglicherweise bei der Entdeckung eines neuen Planeten geholfen; ich habe das erste KI-Musikvideo gesehen, das mir wirklich gefällt; wir diskutieren sogar, ob ein neues Zeitalter der Mathematik bevorsteht.

Die Fähigkeiten der Modelle entwickeln sich nicht gleichmäßig. Wie Terence Tao sagte, sind sie „in einigen Richtungen erstaunlich, in anderen Richtungen aber noch mangelhaft“.

Einige Menschen haben bereits gelernt, die erstaunlichen Fähigkeiten der Modelle zu beherrschen, als ob sie wirklich fliegen könnten. Es ist faszinierend zu sehen, wie sie mit dem Produkt, das ich selbst mit aufgebaut habe, solche Höhen erreichen.

Mehr Menschen tasten sich noch heran, wie sie diese neu gewachsenen Flügel gut nutzen können. Sie überlegen noch: Was kann KI außer der Beantwortung von Fragen wie „Was ist die Hauptstadt von Frankreich?“ oder „Kannst du den Ton dieser E-Mail etwas freundlicher gestalten?“ noch tun?

Viele KI-Praktizierende und ich sagen oft einen Satz: Bei der Nutzung von KI sollte man ehrgeiziger sein.

Dieser Satz ist fast zu unserem Aktionsmotto geworden. Immer wenn wir ein erstaunliches Ergebnis sehen, leiten wir es weiter und fügen hinzu: „Wir sind noch nicht ehrgeizig genug.“

Ich weiß auch, dass das leichter gesagt als getan ist. Deshalb gibt es hier eine Anleitung zum Thema „Wie man ehrgeiziger wird“.

Ich unterteile Ehrgeiz in vier Kategorien: Geschwindigkeit, Höhe, Tiefe und Breite.

△

Geschwindigkeit: Erledige die gleiche Arbeit in weniger Zeit. Das ist die grundlegendste Art, wie KI wirtschaftlichen Wert schafft.

Zum Beispiel kann ich mit Claudes Hilfe beim Schreiben eines Codes schneller fertig werden. Diese Nutzung ist bereits sehr ausgereift und erfordert keine komplizierteren Vorgehensweisen, deshalb überspringe ich sie hier vorerst.

Höhe: Erhöhe die Abstraktionsebene der Aufgabe und konzentriere dich auf das Endergebnis, das du erreichen willst, statt auf einzelne konkrete Aufgaben.

Tiefe: Denke über die Aufgabe wie ein Spitzenexperte nach und gehe tiefer zu den zugrundeliegenden Daten, Werkzeugen und Problemen.

Breite: Suche nach Lösungsansätzen für das Problem in mehreren Bereichen und nutze Wissen, Werkzeuge und Methoden, mit denen du normalerweise nicht in Berührung kommst.

Obwohl ich hauptsächlich Claude nutze, gelten diese Vorschläge nicht für ein bestimmtes Modell.

Höhe: Lasse das Modell auf einer höheren Abstraktionsebene arbeiten

Wir nennen diese Vorgehensweise oft beiläufig „das Modell auf einer höheren Abstraktionsebene arbeiten lassen“. Wenn du dem Modell eine Aufgabe zuweist, führt es eigentlich deine optimale Vorstellung davon aus, wie das erwartete Ergebnis erreicht werden kann.

Wenn du auf einer höheren Ebene denken möchtest, frag dich selbst – was soll als Nächstes passieren? Was ist das Ziel hinter dem Ziel?

Anfang letzten Jahres ließ ich Claude noch einzelne Programmabsturzprobleme für mich beheben, später verlangte ich direkt von ihm, dass unsere Anwendung immer absturzfrei läuft.

Schauen wir uns eine alltägliche Büroaufgabe an (um ehrlich zu sein, sie ist sogar etwas langweilig).

Angenommen, du arbeitest bei der Firma Acme und musst eine PPT für das vierteljährliche Geschäftsreview (QBR) vorbereiten. Wenn du Claude einen Haufen Daten gibst, wird er sie gerne für dich erstellen; vielleicht hast du schon eine Vorlage, und er muss nur den Inhalt ausfüllen.

Das kann man mit der Entdeckung eines neuen Planeten nicht vergleichen. Aber bei derselben vierteljährlichen Präsentation, was kann die KI noch mehr tun? Du kannst von den grundlegendsten Anforderungen ausgehen und den Ehrgeiz Schritt für Schritt erhöhen:

△

Erster Schritt: Lasse es verstehen, was im Geschäft passiert ist.

Die meisten Reviews müssen diese Fragen beantworten: Welche Veränderungen gab es in diesem Quartal? Warum? Was ist als Nächstes zu tun?

Wenn du nur die Zahlen in der Vorlage aktualisieren möchtest, widerstehe diesem Drang – gib dem Modell so viele Daten wie möglich, die du bekommen kannst, lass es dein Geschäft wirklich verstehen und frag es dann:

Sag mir, welche Veränderungen es in diesem Quartal gab, warum sie passiert sind und welche Maßnahmen wir ergreifen sollten.

Zweiter Schritt: Lasse es die zu treffenden Entscheidungen herausfinden.

Eine Sitzung – zumindest eine gute Sitzung – sollte idealerweise mit einigen Entscheidungen enden. Du kannst Claude so fragen:

Beurteile anhand aller dir bekannten Fakten, welche die drei dringendsten Entscheidungen sind, die jetzt anstehen, analysiere die möglichen Handlungsrichtungen und liste jeweils die Argumente dafür und dagegen auf.

Dritter Schritt: Lasse es den Arbeitsmechanismus neu gestalten.

Früher mussten Menschen für ein gutes vierteljährliches Geschäftsreview die Daten sorgfältig auswählen, die Bedeutung der Daten verstehen und dann beurteilen, ob das Geschäft angepasst werden muss.

Jetzt kannst du versuchen, Claude zu fragen:

Der Sinn eines Reviews besteht darin, dass das Management Probleme frühzeitig erkennt und Geld und Personal an die richtigen Stellen verteilt.

Entwirf eine bessere Umsetzungsmethode als die vierteljährliche PPT, beweise mit unseren eigenen historischen Daten, welche Probleme sie früher hätte erkennen können, und lass sie dann ein Quartal lang parallel zur bestehenden Methode laufen.

Wenn du wirklich nach einem Endergebnis strebst, funktioniert die Methode zur Erhöhung der Zielebene am besten; bei kreativen Aufgaben ist ihre Anwendbarkeit allerdings relativ begrenzt.

Ein gutes Anzeichen dafür ist: Wenn du nach der Erledigung deiner aktuellen Sache noch eine Sitzung zur Diskussion brauchst, lohnt es sich, das Ziel eine Ebene weiter nach oben zu legen.

Natürlich gibt es immer noch Grenzen – zumindest im Jahr 2026 funktioniert es für die meisten Unternehmen noch nicht, einfach zu sagen „Claude, mach Geld verdienen“ und zu erwarten, dass die Dinge automatisch ablaufen.

Aber meine allgemeine Beobachtung ist: Mit zunehmender Fähigkeit scheinen die Modelle immer besser auf höheren Abstraktionsebenen arbeiten zu können.

Die Erhöhung der Zielebene hilft Menschen auch, nachhaltige Arbeitsabläufe zu finden, die keine ständige menschliche Eingriff erfordern, sodass du nicht eine Aufgabe nach der anderen an das Modell verteilen musst.

Um das gut zu machen, muss oft der bestehende Arbeitsprozess geändert werden.

Zum Beispiel musste ich, damit Claude sicherstellen kann, dass unsere Anwendung nicht abstürzt, ihm zuerst den einfachen Zugriff auf Absturzberichte ermöglichen, ihm verständlich machen, welche Git-Commit zu welcher Anwendungsversion gehört, und ihm Zugriff auf Windows-, macOS- und Linux-Computer gewähren. Nur so kann er Probleme wirklich selbstständig reproduzieren und prüfen, ob die Korrektur wirksam ist.

Tiefe: Nutze die Methoden von Spitzenexperten, um das Problem gründlich zu bearbeiten

Manchmal möchtest du nur, dass eine Aufgabe besonders gut erledigt wird.

Bei der Erhöhung des „Tiefen“-Ehrgeizes geht es darum, das Modell dazu zu bringen, die Werkzeuge, Techniken, Medien und Kenntnisse zu nutzen, die die besten Fachleute in diesem Bereich verwenden, und die Anforderungen ständig zu erhöhen – bis selbst diese Experten möglicherweise Neues aus deinen Ergebnissen lernen können.

Schauen wir uns weiter das vierteljährliche Geschäftsreview der Firma Acme an. Angenommen, das Unternehmen steht vor dem Problem der Kundenabwanderung, also dass Kunden im Laufe der Zeit das Unternehmen verlassen.

Ich habe festgestellt, dass die Kombination der folgenden Methoden sehr hilfreich ist:

△

Halte dich an die Werkzeuge, die die Spitzenkräfte der Branche nutzen

Wenn du das Modell aufforderst, „wie ein Fachmann zu arbeiten“, nutzt es oft nur eine Reihe von Fachvokabeln, ohne dass sich die tatsächliche Vorgehensweise ändert.

Um das Problem wirklich gründlich zu untersuchen, musst du die Werkzeuge nutzen, die Spitzendatenwissenschaftler und Statistiker verwenden. Wenn Claude nach Markdown-Tabellen greifen möchte, bestehe darauf, dass er stattdessen Datenbanken und statistische Modelle verwendet.

Du musst nicht im Voraus wissen, welche Werkzeuge Experten nutzen – Claude weiß das normalerweise.

Setze „unvernünftige“ Ziele und sage dem Modell dann, dass sie sehr vernünftig sind

Du möchtest die Ladezeit einer Website von 10 Sekunden auf 5 Sekunden verkürzen? Fordere direkt 0,2 Sekunden.

Das Modell findet etwas unmöglich? Betone ihm gegenüber noch einmal, dass dieses Problem vollständig gelöst werden kann und er weiter versuchen muss.

△

Fordere die Schlussfolgerungen heraus, die du bereits für richtig gehalten hast

Besonders im Geschäftsbereich sind viele Dinge, die wir für wahr halten, nur grobe Näherungen an die Realität.

Lasse das Modell auf Originalinformationen und -daten zugreifen und diese Annahmen mit kritischer Haltung prüfen.

Zum Beispiel:

Wir gehen davon aus, dass die Kundenabwanderung ein Problem im Onboarding-Prozess für neue Nutzer ist. Versuche, diese Schluss