Moin AInauten,

Willkommen zur neuen Ausgabe deines Lieblingsnewsletters.

Diese Woche geht’s tief in die Welt der neuen Generation von AI-Modellen.

Ach, und Apple hat mal wieder eine ganze Reihe AI-Funktionen fürs iPhone vorgestellt, die angeblich Ende des Jahres kommen sollen. Für uns in Deutschland und der EU sowieso auch dann noch nicht, wenn überhaupt... Also kümmern wir uns darum, sobald wir es wirklich nutzen können.

Heute haben wir lieber das im Gepäck, was du sofort anwenden kannst:

Los geht's!

Wir schreiben mittlerweile nicht mehr so gerne über neue Modell-Updates. Klar, alle paar Wochen kommt ein neues, besseres AI-Modell. Daran haben wir uns gewöhnt.

Dieses Mal könnte es aber so ausgehen, dass wir Normalos die neuen Modelle bald nicht mehr bezahlen können.

Aber first things first.

Anthropic hat Claude Fable 5 rausgehauen. Ein Modell der neuen Generation, eine Stufe über dem bisherigen Top-Modell.

Wie immer "State of the Art” auf fast allen Benchmarks. Das ist cool, aber das erwarten wir auch.

Fable 5 ist eine Variante des Mythos-Modells, das schon seit einer Weile Schlagzeilen macht. Es findet kritische Lücken in Software, die bislang über Jahre nicht aufgedeckt worden sind.

Fable ist eine Version davon, mit Safety-Guardrails, die es für die breite Masse anwendbar machen. Nach wenigen Stunden gilt es als das beste Coding-Modell, das je erschienen ist.

Stripe sagt, das Ding habe Monate an Arbeit auf Tage zusammengeschrumpft.

Oder du wirfst ihm den Screenshot einer Web-App hin, und es baut sie dir nach.

Seit einigen Monaten spüren wir schon eine enorme Veränderung in unserer täglichen Arbeit mit den neueren AI-Modellen.

Es ist unglaublich, was die Dinger leisten - wenn man sie richtig anwendet. Und auch, wie lange sie autonom arbeiten, wenn man sie lässt.

Ein Beispiel aus unserer Woche: Wir definieren mittlerweile einfach ein Ziel mit genauer Ergebnisbeschreibung und die AI fängt sofort an zu analysieren, dynamische Workflows zu bauen und zwischen 10 und 30 Subagents zu launchen. Jeder mit einem eigenen Auftrag. Aber alle laufen sie parallel.

Ein paar Millionen Token und ne Stunde später steht das Ergebnis.

In unserem Fall eine komplette Analyse eines neuen AINAUTEN-Ansatzes inkl. Wettbewerbsanalyse, Webseiten, Strukturen, E-Mails, Wirtschaftlichkeitsbetrachtungen usw.

Was mit Opus schon gut war, funktioniert mit dem neuen Fable noch besser.

Wir denken uns gerade mehr denn je: Die meisten Menschen da draußen haben überhaupt kein Gefühl dafür, was hier gerade Woche für Woche möglich wird!

Aber so viel Power kostet. Fable 5 ist pro Token glatt doppelt so teuer wie das bisherige Spitzenmodell Opus 4.8.

Und der eigentliche Aufreger: Ab dem 23. Juni fliegt es wieder aus den normalen Abos raus. Wer es danach nutzen will, zahlt pro Token extra.

Im Netz wird daraus sofort das große Drama gemacht. "Das Ende der bezahlbaren AI", "die Abos waren eh ein Schneeballsystem", "bald baut nur noch reich gegen arm", ...

Und ja, das kann schon eine Weile so sein. Klar ist, dass diese Modelle enorme Rechenkapazität brauchen und bei 20 Euro-Abos im Monat haben Anthropic und Co. bisher draufgezahlt.

Wir sehen es aber deutlich entspannter. Anthropic sagt selbst, dass der Grund dafür schlicht Kapazität ist.

Das Ding ist einfach aktuell so gefragt, dass die Server nicht hinterherkommen. Und sie wollen es zurück ins Abo holen, sobald es geht.

Aber wir glauben schon, dass es in Zukunft so sein wird, dass die Top-Modelle halt richtig, richtig viel Geld kosten werden.

Weil die Aufgaben, die stundenlange Arbeit erfordern und mittlerweile zuverlässig erledigt werden können, eben auch wirklich teuer sind.

Wenn du ein Claude-Abo hast, probiere Fable unbedingt aus.

Am besten mit dem /goal-Befehl oder einer wirklich komplexen Aufgabe. Du musst es selbst erleben, was diese Modelle mittlerweile leisten. Die Zeiten vom smarten Chatbot sind vorbei - heute sind Agenten gefragt, die aktiv für dich arbeiten.

Und wenn die neuen Modelle so teuer werden, wird eine Fähigkeit für dich immer wichtiger: wann brauche ich welches Modell, wie spare ich Token, wie kann ich meine Arbeit mit AI effizient organisieren?

Das wird uns mit Sicherheit noch lange beschäftigen.

Diese Woche ging wieder einmal etwas viral in der AI-Bubble.

Nämlich Peter Steinberger, der sinngemäß sagt: "Reminder: Du solltest Coding-Agents nicht mehr prompten. Du solltest Loops bauen, die deine Agents prompten."

Über 8 Millionen Views. Und die treffendste Antwort darunter war keine Erklärung, sondern: "Es weiß keiner, was er meint. Außer ihm und Boris."

Mit Boris ist Boris Cherny gemeint, der Kopf hinter Claude Code.

Zwei der smartesten Menschen in AI sagen: Prompting ist over, Looping ist das neue Prompting. Wenn du die ganze virale Geschichte nachlesen willst (sehr technisch), hier eine gute Zusammenfassung.

Aber uns interessiert vor allem, was solche Trends für Auswirkungen für Leute wie dich und uns haben.

Manche nennen es schon "Loop Engineering".

Ein Loop ist im Kern simpel: ein kleines Programm, das den Agenten promptet, sein Ergebnis liest, entscheidet, ob es passt - und wenn nicht, neu promptet.

Du bist nicht mehr der Akteur im Loop, das tippt. Stattdessen schreibst du den Loop. Oder, wie manche radikal einfach sagen: "Ein Loop ist ein Cronjob mit einem Entscheider im Bauch."

Ein Loop in seiner einfachsten Form ist ein simpler Prozess, der in regelmäßigen Abständen automatisch läuft.

Wahrscheinlich läuft bei dir längst einer im Hintergrund mit. Wenn du dir irgendwo in Claude oder Codex eine Routine eingerichtet hast oder einen Scheduled Task, hast du bereits die einfachste Form eines Loops im Einsatz. Für viele ist das schon Alltag unter dem Feature-Namen Routine oder Automation. So viel zur Mystik.

Klar, die Loops der Profis können mehr.

Für uns Nicht-Techies ist die nützliche Frage gar nicht unbedingt "wie baue ich Loops", sondern: Welche Teile meiner Arbeit sind überhaupt loop-bar?

Loop-bar ist Arbeit, die du auflisten kannst UND bei der du prüfen kannst, ob ein Stück fertig ist.

Noch konkreter: Loop-bar sind z. B. Skills bei Claude oder Codex, die du regelmäßig manuell triggerst.

Es gibt auch Dinge, die schwerer loop-bar sind:

In solchen Bereichen ist deine Einschätzung der Wert, und ein Loop liefert dir nur selbstbewusste Entwürfe.

Die einfachste Form ist super simpel. Zum Beispiel einfach in Claude Code eingeben:

Sprich: Die Struktur ist /loop, dann das Zeitintervall - und dann was eigentlich passieren soll. In unserem Beispiel soll der Skill memory-audit alle 5 Minuten ausgeführt werden.

Das ist aktuell das praktikabelste Setup eines Loops: gut definierte Skills regelmäßig ausführen lassen.

Die eigentliche neue Fähigkeit für uns ist also noch nicht unbedingt "Loops bauen".

Sondern zu erkennen, welche 20 Prozent der Arbeit loop-bar sind - und den Rest in Ruhe lassen.

Für die meisten ist Prompting auch noch nicht “tot” oder durch Looping zu ersetzen.

Aber klar, die besten der besten - und vor allem Coder - nutzen das Framework auf einem ganz anderen Level.

Spannend wird es dann auch beim sog. /goal-Befehl. Dieser richtet die Modelle auf ein Ziel aus, und in diesem /goal sind meist mehrere /loops enthalten.

Das ist aber für viele noch nicht sooo relevant und kann auch schnell komplex werden.

Im morgigen Deep-Dive gehen wir tiefer in das Thema rein:

Ideal für alle, die tiefer einsteigen wollen. Wir bleiben am Ball!

Nachdem wir jetzt bereits über Modelle der neuen Generation geschrieben und festgestellt haben, dass Prompting noch nicht tot ist, wollen wir dir wieder einmal ein paar Prompt-Tipps von Anthropic liefern, speziell für die neue Generation der Modelle.

Du kannst diese sofort anwenden.

Der größte Wandel: Die neuen Modelle folgen kurzen, klaren Anweisungen besser als je zuvor.

Heißt im Klartext: Die riesigen, verschachtelten Mega-Prompts, die wir alle über Jahre gehortet haben (wir haben sogar eine eigene Prompt-Bibliothek, schuldig), machen das Ergebnis bei den neuen Modellen teilweise sogar schlechter.

Anthropic schreibt, dass zu detaillierte alte Prompts "can degrade output quality".

Kurz und klar schlägt lang und kompliziert.

Statt einfach "Schreib mir X" zu sagen, lieber kurz erläutern, worum es eigentlich geht:

Das Modell verbindet deine Aufgabe dann mit dem Kontext, statt zu raten, was du eigentlich willst. Klingt banal, ist aber einer der größten Hebel überhaupt.

Die meisten testen die neuen Modelle mit Mini-Aufgaben ("Schreib mir eine E-Mail") und denken sich dann: Joa, ganz nett.

Falsch. Die Top-Modelle glänzen bei den harten, langen, kniffligen Sachen.

Gib ihm genau das Problem, das du seit Wochen vor dir herschiebst. Da wirst du wirklich überrascht!

Direkt aus den Anthropic-Tipps für Fable, sinngemäß:

Heißt: weniger Hand-Holding, weniger Rückfrage-Schleifen. Sag dem Modell ruhig, es soll die Aufgabe end-to-end durchziehen und dir am Ende ein Ergebnis liefern, statt bei jedem Schritt nachzufragen.

Wir nutzen genau diese Ansätze und sehen geniale Ergebnisse. Unser Rat: einfach ausprobieren. Wenn du nur eine Sache mitnimmst: Mach deine Prompts kürzer und gib ihnen mehr Kontext zum Warum.

So, das war's für heute. Hoffentlich nicht zu technisch. Falls doch, schreib uns bitte.

Bis zur nächsten Ausgabe,
Reto & Fabian von den AInauten