Moin AINAUTEN,

willkommen zum Deep-Dive diese Woche.

Heute ein sehr praktisches Thema, was uns die letzten Tage beschäftigt hat.

Vielleicht ist es dir auch aufgefallen. Obwohl die letzten Wochen viele coole neue Modelle veröffentlicht wurden, sowohl von OpenAI als auch von Anthropic, sind einige unserer Skills und unserer Workflows schlechter geworden.

Die Antworten in unseren Projekten wurden zum Teil schlechter und nicht besser.

Wir verstehen endlich warum und wollen die Hintergründe und die Lösung heute mit dir teilen.

In dem Deep-Dive geht es also darum, wie sich die neuen Modelle verändern und warum du vieles Bestehende löschen solltest, um den maximalen Nutzen herauszuziehen.

Selbst wenn du aktuell in deinen Workflows keine Probleme siehst, kannst du mit Sicherheit auch ein paar Best Practices mitnehmen und noch mehr aus Opus 5 & Co. herausholen.

Das haben wir heute dabei:

Los geht's!

Stell dir vor, du hast vor zwei Jahren einen neuen Mitarbeiter eingelernt.

Damals war er unerfahren. Also hast du alles aufgeschrieben. Prüf deine Arbeit nochmal. Denk in Schritten. Hier ist die Ordnerstruktur. Hier sind alle Kollegen mit Namen. Vergiss nicht, den Report zu formatieren.

Sinnvoll. Genau richtig für damals.

Jetzt ist derselbe Mitarbeiter seit zwei Jahren dabei und richtig gut geworden. Und du legst ihm immer noch jeden Morgen denselben Zettel hin.

Was passiert?

Er prüft seine Arbeit doppelt, weil da steht, er soll prüfen. Er arbeitet in deinen drei Schritten, obwohl er längst einen besseren Weg kennt.

Und er schaut auf deine Ordnerliste, die seit einem halben Jahr nicht mehr stimmt.

Der Zettel hilft ihm nicht mehr. Der Zettel bremst ihn.

Genau das passiert auch mit den AI-Modellen. Jedes neue Modell wird schlauer, macht mehr Dinge alleine und agiert besser, wenn man ihm mehr Freiheit gibt.

Trotzdem wollen uns die Modelle natürlich weiterhin glücklich machen und sich an unsere Regeln halten.

Unsere Prompts, Claude.mds, Agent.mds, Custom Instructions und Skills sind in der Regel voll mit Unmengen Do's & Don'ts und Prüfschleifen.

Weil es die alten, nicht so smarten Modelle eben auch gebraucht haben, um wirklich gute Ergebnisse zu erzielen.

Dadurch verbrennen wir nicht nur unnötig Token, sondern machen die Ergebnisse mit den neuen Modellen oft sogar schlechter als vorher.

Bei jedem neuen Modell wirklich vorher testen, wie es sich verhält. Ist irgendetwas anders? Braucht es vielleicht noch weniger Instruktionen?

Jedes neue Modell hat wieder andere Verhaltensweisen. Wir müssen uns daran anpassen und allenfalls bestehende Prozesse und Workflows komplett über den Haufen werfen.

Klingt nervig, aber weil die neuen Modelle so smart sind, ist es gar nicht so schwer. Mehr dazu später.

Dass es nicht nur uns so geht, zeigen auch Hinweise der AI-Companies selbst.

Anthropic hat es dokumentiert, in einem eigenen Post über die neuen Regeln des Context Engineering.

Die Kurzfassung:

Sie haben über 80 Prozent des System-Prompts von Claude Code gelöscht. Und dabei keinen messbaren Abfall in der Performance gesehen.

Ihre eigene Formulierung: Sie hätten Claude Code überconstrained. Zu viele Leitplanken.

Die oft mit anderen Modellen übersorgfältig formulierten Regeln wie "lösche keine Dateien", "schreib keine mehrzeiligen Kommentarblöcke", "behandle Sonderfall X so".

Alles Sätze, die mal nötig waren, jetzt aber sinnlos sind. Die Modelle sind smart genug.

Noch deutlicher wird es im offiziellen Migrations-Leitfaden. Dort steht schwarz auf weiß:

Übersetzt: Wenn in deinem Prompt noch "prüf deine Arbeit" steht, prüft das Modell jetzt doppelt. Es wird nicht besser. Es wird nur langsamer und teurer.

Und dazu passt ein Satz von Boris Cherny, dem Erfinder von Claude Code, im Y-Combinator-Podcast: "At Anthropic, we don't build for the model of today, we build for the model of six months from now."

Er sagt das über das Bauen von Produkten. Aber es gilt genauso für deine Anweisungen. Was du heute schreibst, sollte auch noch funktionieren, wenn das Modell in sechs Monaten deutlich schlauer ist.

Und die einfachste Art, das zu erreichen, ist: weniger vorschreiben, mehr zutrauen.

PS: Das Y-Combinator-Interview von Boris ist wirklich gut, auch für Nicht-Techies erträglich. Das Ganze ist Anthropic-lastig, gilt aber sinngemäß auch für die neuen Modelle von OpenAI & Co.

Ok, wir haben es verstanden: wir müssen etwas tun, um unsere bestehende Struktur fit zu machen für die neuen Modelle.

Die Frage, die sich jetzt nicht nur uns gestellt hat: “Wie mache ich das am besten?”

Wir wollten das live bei uns machen und haben dafür gleich einmal unser Herzstück ausgewählt: die Claude.md unseres Second Brains auf Obsidian.