Moin AInauten,
Willkommen zur neuen Ausgabe deines Lieblingsnewsletters.
Diese Woche wieder weniger News, mehr zum Lesen, Anschauen, Nachdenken und natürlich auch etwas direkt für dich zum Umsetzen und Ausprobieren.
Hier die Themen im Detail:
💣 Warum AI-Slop-Granaten für uns alle gefährlich sein können
🧭 Kontext schlägt Modell: Wie Growth Teams mit den richtigen Tools AI einsetzen
⌨️ Prompt-Tipps Teil 2: Zwei Techniken, die heute funktionieren
Los geht's!
Diese Ausgabe wird dir präsentiert von:
💣 Warum wir alle auf AI-Slop-Granaten aufpassen sollten
Lass uns mit einem etwas philosophischen Thema einsteigen, das dennoch große Relevanz für unsere täglichen Ergebnisse mit AI hat.
Wenn du uns schon eine Weile liest, weißt du: Wir sind Fanboys von Tobi Lütke, dem Shopify-Gründer. Wenn es ein neues Interview mit ihm gibt, sind wir all-in.
Diese Woche war es wieder so weit, und die Inhalte passen perfekt zu einem Thema, über das wir schon länger nachdenken. Titel: "Most Businesses Are Using AI Wrong."
Ein Konzept daraus, über das wir heute schreiben wollen:
Faul zu arbeiten hieß früher: zu wenig Output. Mit AI heißt faul sein heute: zu viel Output.
Im Internet und bei Shopify nennen sie das “Slop Grenades”. Slop-Granaten, die sich Kollegen gegenseitig zuwerfen.
Hier auch noch einmal der konkrete Ausschnitt aus dem Interview:
Eine Slop-Granate ist, wenn du die AI etwas produzieren lässt und es ungelesen weiterwirfst. Ohne selbst Wert dazuzugeben, nicht mal einen Blick.
Klassisches Beispiel: Du sagst der AI "mach mal", sie baut irgendwas (viel Text), du sagst "passt" und schickst es an Kollegen, Partner, Kunden.
Oder du bekommst eine lange Mail, die wichtig sein könnte. Du liest sie, es ist AI-Geschwurbel, also lässt du sie von deiner AI beantworten. Mit viel Geschwurbel.
Klar, wir alle sparen Zeit. Wirken produktiv. Bezahlen tun die, die Verantwortung haben und alles prüfen müssen.
Warum das auch für die eigene Produktivität so gefährlich ist
Wir sehen das gerade überall. Bei Kunden, in der Community, bei uns selbst.
AI produziert, wir delegieren, und in den Projektordnern stapelt sich Output.
Reports über Reports. Zusammenfassungen von Zusammenfassungen. Nicht alles davon ist genial.
Im Gegenteil: Oft schleichen sich Fehler ein, die keiner mehr so richtig prüft. Und die AI von morgen arbeitet mit den Fehlern der AI von gestern.
Und irgendwann hat keiner mehr den Überblick, weil keiner mehr selbst denkt.
Dann werden die Ergebnisse schlechter und schlechter. Und wir wissen nicht, warum.
Bei zwei Second-Brain-Setups, die wir aufgebaut haben, ist genau das passiert. Zu viel drin, zu viel produziert, dann Fehler, und irgendwann wurde die Output-Qualität schlecht.
Wir sind auf das Ding angewiesen, also haben wir angefangen, es zu fixen.
Dann die komplette Ordnerstruktur verschlankt.
Projekte liegen jetzt draußen - das Brain weiß nur noch, wo. Meeting-Recordings werden verarbeitet, eingeordnet, aber woanders gespeichert.
Und die AI hat Regeln bekommen: weniger produzieren, klarer sein.
Drei Regeln, die wir uns gerade selbst beibringen
Nichts weitergeben, was du nicht gelesen hast. Der Test: Kannst du es in zwei Sätzen mündlich wiedergeben? Verstehst du, was gerade gemacht wurde?
AI zum Verdichten, nicht zum Aufblasen. Jedes Mal, wenn etwas produziert wird, noch einmal verdichten und entschlacken lassen.
Output-Regeln ins Setup. "Kurz antworten, klar, keine Prosa, keine Zusammenfassung der Zusammenfassung, nichts anlegen, was keiner braucht." Einmal in die AGENTS.md / CLAUDE.md.
Und die wichtigste Regel von allen: so viel wie möglich selbst denken. Selbst kreativ sein. Nicht einfach einen Plan von der AI akzeptieren und weiterklicken.
Selbst im Driver Seat bleiben.
Das hält auch unser Gehirn frisch.
Unser Take: Gib die Verantwortung nicht aus der Hand
Im Juli haben wir hier geschrieben: Lies AI-Texte trotzdem, AI-Stil sagt nichts über Qualität. Das gilt weiter.
Aber die andere Seite ist: Lesen: ja. Ungelesenen AI-Output weitergeben: nein.
Lass uns alle Respekt vor der Zeit unserer Kollegen und Partner haben und sie nicht mit Geschwurbel bombardieren.
Ein wichtiger Satz noch aus dem Interview, den wir so unterschreiben: Maschinen können keine Verantwortung übernehmen.
Nutz AI nicht fürs Urteil, sondern um die Umgebung fürs Urteil zu bauen.
Die AI darf produzieren. Aber in welche Richtung und was rausgeht, ist dein Part.
Mit unserem Partner HubSpot
🧭 Kontext schlägt Modell: Wie Growth-Teams mit den richtigen Tools AI einsetzen
Kommen wir jetzt zu einem Thema speziell für Unternehmen.
Diese Woche findet in Boston UNBOUND statt. Kennst du vielleicht noch unter dem alten Namen INBOUND.
Wir schreiben seit drei Jahren drüber. Nicht nur, weil HubSpot ein Partner von uns ist, sondern weil dort immer sehr gute Marketing-Strategien und echte Praxiserfahrung in Sachen AI geteilt werden.
Warum heißt das Ding heute UNBOUND statt INBOUND? Inbound Marketing war eine Marketing-Methode, die HubSpot quasi erfunden hat und die die letzten Jahre extrem populär war.
Hier kannst du die Spotlight-Keynote mit den Neuerungen anschauen:
Wir sind jetzt ein paar Jahre im AI-Thema drin, und natürlich hat sich während dieser Zeit sehr viel verändert. Wachstum (Kunden, Umsatz) passt nicht mehr in eine Abteilung, weil AI jetzt über Marketing, Sales und Service gleichzeitig läuft.
Heute geht es nicht mehr darum, ob du AI im Unternehmen nutzen solltest. Es geht darum, wie AI wirklich effektiv und vor allem auch sicher genutzt werden kann.
Ein Thema, das hier gerade für Unternehmen so entscheidend ist: Kontext
AI ohne Kontext produziert Output ohne Wert. Klar, das ist für uns alle schon lange ein No-Brainer, dank Second Brain, Skills, Memory, Files over Tools.
Alles Dinge, die du hoffentlich schon nutzt.
Als Unternehmen ist die Sache nicht ganz so leicht. Wie stelle ich welche Daten welcher AI zur Verfügung? Welche will ich überhaupt zur Verfügung stellen, welche nicht usw.
HubSpot baut dasselbe, nur fürs CRM.
Drei Learnings, auch wenn du kein HubSpot nutzt
Die Modelle sind gleich, der Kontext nicht
Dharmesh Shah, Co-Founder von HubSpot, hat seine Keynote genau darum herum gebaut: gleiche AI, komplett unterschiedliche Ergebnisse.
Für Unternehmen ist es absolut essenziell, dass die AI immer die neuesten und relevantesten Infos vom eigenen Unternehmen hat. (Auch wenn das oft nicht leicht umzusetzen ist.)
Nur noch Tools mit Schnittstellen
Damit das überhaupt möglich wird, muss das AI-Tool der Wahl - egal ob Claude, ChatGPT, Langdock oder was auch immer - Zugang zu den anderen Tools haben, in denen die Daten liegen.
Wir setzen daher schon lange nur auf Tools, die MCPs anbieten oder zumindest eine sehr starke API haben.
Den Mitarbeitern einen sicheren Rahmen geben
Das wahrscheinlich gerade wichtigste Thema ist die sichere Nutzung. Mitarbeiter müssen zum einen enabled werden. Aber wenn jeder einfach Claude Code und irgendwelche Pakete installieren darf, können schnell große Probleme entstehen.
Ein möglicher Schutz: Wir lassen unsere AIs oft in Systemen und Tools arbeiten, die aufgrund ihrer Architektur gar nicht so viele kritische Fehler zulassen.
Klar, auch in den besten Tools können Probleme entstehen. Aber es ist zumindest ein Puffer.
Selbstredend erfüllen Tools wie HubSpot diese Punkte und sind deshalb für viele so nützlich. Trotzdem finden wir: Das gilt ganz allgemein.
Live sehen, wie AI integriert arbeiten kann
Im August ging es um die Frage, warum die AI-Effizienz nicht in den Zahlen ankommt. HubSpots Antwort: weil die AI neben den Daten sitzt, statt auf ihnen drauf.
Am 30. September zeigt HubSpot in einem kostenlosen Live-Webinar, wie das aussieht, wenn Agenten auf echtem Kontext arbeiten.
Zwei Szenarien, live durchgespielt:
Ein Marketing-Lead sieht eine Lücke in der Pipeline, und das System baut in Minuten die Kampagne inklusive Strategie, Assets und Nurture-Flows.
Und ein Sales-Rep bekommt eine priorisierte Prospect-Liste mit Ansprache auf Basis der Deal-Historie und früheren Einwänden.
Die Details:
📅 Mittwoch, 30. September 2026, 10 Uhr
🎬 Echte Live-Demo im Marketing Hub, Sales Hub und Agent Hub auf Deutsch
📼 Wer nicht live kann: Aufzeichnung gibt's für alle Angemeldeten
Wenn du im Marketing oder Vertrieb arbeitest, ein Team führst oder einfach sehen willst, was Agenten mit echtem Kontext machen: schau rein. Ganz unabhängig davon, ob du HubSpot nutzt oder nicht.
Es ist immer cool zu sehen, wie andere arbeiten.
⌨️ Prompt-Tipps Teil 2: Maximal 3 Regeln und warum Beispiele bremsen
Zum Abschluss noch einmal kurz was Praktisches.
Vor zwei Wochen haben wir die ersten zwei Prompt-Tipps mit Studie dahinter gebracht. Kein "oder?" am Ende, Rolle statt "Schritt für Schritt".
Neue Modelle ändern alte Prompt-Techniken. Daher heute zwei weitere, die du sofort umsetzen kannst.
1. Nicht mehr als 3 Regeln pro Prompt
Meta hat 15 Modelle (GPT-5.5, Claude 4.7 Opus, Gemini 3.1 Pro und zwölf weitere) mit Prompts gefüttert, die 1 bis 12 Regeln gleichzeitig enthalten.
Regeln wie: genau 3 Absätze, unter 150 Wörter, keine Emojis.
Bei 8 Regeln hält ein Modell jede einzelne nur noch zu 41 Prozent ein. Alle acht zusammen: 5,7 Prozent.
12 von 15 Modellen kippen schon bei drei Regeln unter 50 Prozent.
Und ein Detail, das uns auch nicht bewusst war:
Zahlen-Regeln (Wortzahl, Absatzzahl) machen deutlich mehr Probleme als Wort-Regeln (Pflichtwörter, verbotene Wörter).
"Unter 150 Wörter" ist also eher schlecht.
Schlecht:
Schreib einen LinkedIn-Post zu unserem Launch. Genau 3 Absätze. Unter 150 Wörter. Keine Emojis. Nutze "AI-native", "Workflow" und "shippen". Keine Wettbewerber. Ende mit einer Frage. Lesbar für Sechstklässler. Triff meinen Ton.Besser, erster Durchgang:
Schreib einen LinkedIn-Post zu unserem Launch. Muss drin sein: "AI-native", "Workflow", "shippen". Keine Emojis. Ende mit einer Frage.Zweiter Durchgang:
Prüf deinen Entwurf gegen diese Punkte, einen nach dem anderen, und überarbeite: 3 Absätze, unter 150 Wörter, keine Wettbewerber.Fairerweise: Der Kontroll-Durchgang holt laut Paper ein bis zwei Regeln zurück, nicht alle. Aber es macht Sinn, viele Vorgaben nacheinander durchzuspielen.
2. Ziel statt Beispiele
Wir haben jahrelang gepredigt: Gib der AI Beispiele! Few-Shot-Prompting. Zeig ihr, wie es aussehen soll.
EPFL, Apple und Mistral haben das an Matheaufgaben getestet. Mit acht gelösten Beispielen im Prompt: 74 Prozent richtig. Ohne Beispiele: 84 Prozent.
Die Erklärung im Paper: Feste Beispiele zwingen das Modell, Stil und Format zu kopieren, statt zu denken.
Mittlerweile sind die Modelle aber deutlich schlauer und können super denken. Sprich: Je besser das Modell, desto mehr stören die Beispiele.
Wichtig: Das gilt nur für die Top-Modelle. Opus, Fable, GPT 5.6 & 6 usw. Ein schwächeres Modell im Test wurde mit Beispielen tatsächlich besser.
Schlecht:
Du bist ein Weltklasse-Newsletter-Stratege. Hier zwei Beispiele von guten Newslettern.
Beispiel 1: [gelöster Fall].
Beispiel 2: [gelöster Fall].
Mach einen Plan und antworte Schritt für Schritt: Wie verbessere ich meinen Newsletter?Besser:
Meine Open Rate ist in drei Monaten von [X] auf [Y] Prozent gefallen. Ich sende jeden Dienstag, Format, Uhrzeit und Betreff-Stil sind gleich geblieben. Was sind die wahrscheinlichsten Ursachen? Frag mich vorher nach den Daten, die du brauchst.Kein Beispiel. Dafür ein klares Ziel und echter Kontext.
Wichtig bei der Studie: Getestet wurde mit kleinen 7B-Modellen und ausschließlich anhand von Matheaufgaben.
Trotzdem sind die Ergebnisse aus unserer Sicht plausibel. Wir sehen es selbst in der täglichen Arbeit: den starken Modellen ruhig Freiraum geben, sich Dinge mit einem klaren Ziel selbst zu erarbeiten.
Unser Take: Prompting verändert sich immer noch
Ja, super ausgefeiltes Prompting ist nicht mehr ganz so wichtig wie früher. Trotzdem kann man sehr viel mehr rausholen, wenn man ein paar Regeln und Eigenheiten kennt.
Gleichzeitig bleibt es ein Feld, das sich mit jedem neuen Modell immer etwas ändert.
Gut für uns, dann haben wir immer Content und Dinge zum Ausprobieren. 😉
So, das war's für heute. Eine Ausgabe über weniger Output, die selbst wieder zu lang geworden ist. Wir arbeiten dran 😁.
Tausend Dank wie immer!
Bis nächste Woche.
Reto & Fabian von den AInauten
Du willst tiefer einsteigen? Die AInauten Community.
Der Newsletter hält dich auf dem Laufenden.
Die Community ist der Ort für alle, die es selbst umsetzen wollen!
Praxisvideos, Deep Dives mit Setup-Anleitung, 50+ Use Cases, alle Trainings (AI Mitarbeiter Bootcamp, Zapier, Make, n8n, Vibe Coding, Claude Code), Austausch mit 1000+ Mitgliedern und unsere Hilfe. 12 Monate, kein Abo.
