Warum Claude das Falsche tut: 3 Prompts

Weitere Informationen zur Nutzung des Dienstes findest du in der Ailoot-Dokumentation.

Warum macht Claude das Falsche?#

Du schreibst: „Füge Filter zur Produktseite hinzu.“ In deinem Kopf bedeutet das ein paar Kontrollkästchen und eine aktualisierte Liste. Claude hört dasselbe und beschließt, eine vollständige Filter-Engine zu bauen: mit eigenem State-Store, separater Logik für Eingabeverzögerungen, URL-Synchronisierung und einem Dutzend Hilfsfunktionen. Hunderte Zeilen Code, obwohl ein paar URL-Parameter gereicht hätten.

In einem solchen Fall ist die Schlussfolgerung klar: Der Agent hat keinen Fehler gemacht, sondern einfach ein viel größeres Problem als nötig gelöst. Der Fehler lag darin, das gewünschte Ergebnis nicht kurz und präzise genug zu beschreiben.

Das entscheidende Wort ist „Absicht“. Du hast sie im Kopf, Claude nicht. Es sieht den Text deiner Anfrage und alles in seinem Kontext bis zu dieser Anfrage. Dann füllt es die Lücken mit Vermutungen. Je kürzer die Anfrage, desto mehr Vermutungen stellt es an – und desto weiter entfernt sich das Ergebnis von dem, was du wolltest.

Anthropic sagt es in der Claude-Code-Dokumentation ganz offen:

Das ist mir bei meinem eigenen Projekt passiert. Ich bat um eine Korrektur auf einem Autorisierungsbildschirm und bekam ein Diff, das die Hälfte eines benachbarten Moduls betraf. Claude war nicht schuld: Ich gab ihm eine Zeile, und es ergänzte den Rest selbst. Seitdem beginne ich jede Aufgabe, die über einen Tippfehler hinausgeht, mit Fragen – mit den Fragen, die Claude mir stellt.

Liegt es wirklich am Modell – und warum verfehlen selbst die stärksten Modelle das Ziel?#

Jede Woche erscheint ein Modell, das „intelligenter“ ist als das vorherige, und jedes Mal fühlt es sich an, als wäre jetzt der Moment gekommen, in dem KI uns endlich mit wenigen Worten versteht. Wird es nicht. Ein stärkeres Modell schreibt Code schneller und bewältigt komplexe Logik besser, kann aber trotzdem keine Gedanken lesen. Ist die Aufgabe schlecht formuliert, bekommst du etwas, das wunderschön geschrieben und dennoch falsch ist.

Die Schlussfolgerung für dich ist einfach. Dem neuesten Modell hinterherzujagen, damit es besser rät, führt in eine Sackgasse. Es ist günstiger und zuverlässiger zu lernen, wie du ihm Aufgaben gibst, bei denen es nicht raten muss. Darum geht es im Folgenden.

Was ist Grilling, und wie behebt es die fehlende Abstimmung mit KI?#

Das klingt widersinnig. Wir wenden uns an KI, um Dinge schneller zu erledigen, und jetzt heißt es, wir sollen sie bremsen und zuerst Fragen stellen lassen. Doch fünf Minuten Fragen vor dem Programmieren können eine Stunde Korrekturen danach ersparen.

Das Problem besteht nicht nur darin, dass du Claude etwas schlecht erklärt hast. Oft hast du die Aufgabe selbst noch nicht durchdacht: welche Fälle zu berücksichtigen sind, wo die Grenzen liegen und was am wichtigsten ist. Beim Grilling arbeitest du das mit Fragen heraus. Am Ende des Gesprächs hast du nicht nur eine Aufgabe, die die KI versteht, sondern auch deine eigene Aufgabe endlich detailliert ausformuliert.

So funktioniert Context Engineering: Die Hauptarbeit findet vor dem Prompt statt, nicht währenddessen. Du suchst nicht nach einer magischen Prompt-Formulierung, sondern hältst vorher fest, was Claude wissen muss, bis es alles ohne zusätzliche Erklärung versteht.

Wie bringst du Claude dazu, dir zuerst Fragen zu stellen?#

Anthropic erlaubt diesen Ansatz nicht nur, sondern empfiehlt ihn. In der Dokumentation gibt es einen Abschnitt namens „Lass Claude dich interviewen“ mit einem fertigen Prompt. Hier ist eine praktische Version:

Ich möchte [kurze Aufgabenbeschreibung] umsetzen.

Führe mit mir ein ausführliches Interview, bevor du Code schreibst. Stelle Fragen zur Implementierung, zur Benutzeroberfläche, zu Grenzfällen, Risiken und Zielkonflikten. Stelle keine offensichtlichen Fragen – gehe auf die kniffligen Punkte ein, die ich möglicherweise nicht bedacht habe.

Stelle jeweils eine Frage und warte auf meine Antwort. Schlage zu jeder Frage sofort deine empfohlene Antwort vor.

Fahre fort, bis wir alles abgedeckt haben. Erstelle dann eine vollständige Spezifikation in einer Datei namens SPEC.md.

Drei Details machen diesen Prompt nützlich statt bloß dekorativ. Erstens: „jeweils eine Frage“. Wenn die KI dir zehn Fragen auf einmal stellt, bist du überfordert und antwortest oberflächlich. Zweitens: „Schlage deine Antwort vor“: Du musst dir nicht alles von Grund auf selbst ausdenken, sondern kannst zustimmen oder korrigieren. Drittens: „Erstelle eine Spezifikation in einer Datei“: Die herausgearbeitete Absicht wird zu einem Dokument, das nicht verloren geht.

Anthropic beschreibt den Nutzen im Hinblick auf den Aufwand:

Öffne nach dem Interview eine neue Sitzung und gib ihr die fertige Spezifikation. Aufgeräumter Kontext plus klar formulierte Absicht – und Claude trifft beim ersten Versuch ins Schwarze.

Die Technik „Beweise mir, dass das der beste Plan ist“#

Beim Grilling arbeitest du deine Absicht heraus. Doch KI hat noch eine zweite Angewohnheit: Sie greift nach der ersten Lösung, die plausibel aussieht. Anthropic nennt das die Lücke zwischen „Vertrauen und Überprüfen“: Claude liefert eine plausible Umsetzung, die Grenzfällen nicht standhält. Die Lösung ist, vor dem Code Belege zu verlangen.

Ich füge meinem Prompt fast immer einen Abschnitt „Beweise es“ hinzu. Der genaue Wortlaut:

Analysiere die Aufgabe vor dem Schreiben von Code kritisch.

Finde 2-3 Möglichkeiten, sie zu lösen. Beweise mir für jede, dass sie meine Aufgabe wirklich löst, statt um ihrer selbst willen zusätzliche Komplexität einzuführen. Schreibe keinen Code nur um des Codes willen.

Wähle anschließend eine Möglichkeit aus und beweise, dass sie die beste Lösung ist und mehrere Schritte vorausgedacht wurde. Was wird kaputtgehen, wenn das Projekt wächst? Was übersehen wir gerade?

Schlage erst dann eine Umsetzung vor.

Ohne diesen Abschnitt liefert Claude die erste brauchbare Möglichkeit. Mit ihm schließt Claude Sackgassen selbst aus, erklärt seine Wahl und lässt dich die Überlegungen sehen, bevor auch nur eine Datei angefasst wird. Du liest einen kurzen Text, der zwei Minuten dauert, statt eine Stunde damit zu verbringen, herauszufinden, warum der fertige Code anders als erwartet funktioniert.

Pre-Mortem: Lass die KI vor dem Start 10 Gründe für ein Scheitern finden#

Das ist meine Lieblingstechnik, und sie ist psychologisch. Wenn du die KI bittest, „gute Arbeit zu leisten“, ist sie auf Erfolg eingestellt und übersieht die Lücken. Bittest du sie, sich ein Scheitern vorzustellen, erkennt sie plötzlich, was sie zuvor übersehen hat. Der Prompt ist kurz:

Stell dir vor, es ist ein Jahr später. Das Projekt, das wir planen, ist gescheitert.

Notiere 10 Gründe, warum das passiert ist. Was haben wir zu Beginn nicht bedacht, was haben wir unterschätzt, wo haben wir Abstriche gemacht und welche Annahmen haben sich als falsch erwiesen?

Nenne mir dann zu jedem Grund, was wir jetzt ändern können, um das Problem zu beheben.

Ich führe diesen Prompt aus, bevor ich den Plan genehmige. Die Hälfte der Gründe erweist sich als Unsinn, aber die andere Hälfte sind echte Fallstricke, in die ich eine Woche später geraten wäre. Sie in der Planungsphase zu beheben dauert zehn Minuten. In einem fertigen Projekt auf sie zu stoßen kostet mehrere Tage Recherche.

Die Kombination ist einfach: Grilling arbeitet die Absicht heraus, „Beweise es“ verteidigt die Entscheidung, und das Pre-Mortem findet die Lücken. Drei kurze Texte, die du vor dem Schreiben von Code einfügst. Sie machen aus Claude einen Mitarbeiter, der erst nachdenkt, statt sich sofort in die Ausführung zu stürzen.

Warum lässt ein überladenes Kontextfenster Claude dumm handeln?#

Selbst eine perfekt formulierte Aufgabe scheitert, wenn du sie in einem überladenen Kontext bearbeitest. So funktioniert es: Jede neue Anfrage bringt den gesamten Chatverlauf in Claudes Arbeitskontext. Je länger die Sitzung, desto schneller füllt sich das Fenster. Lass es höchstens halb voll werden; darüber hinaus handelt die KI zunehmend dumm und verliert wichtige Dinge, die ihr zu Beginn besprochen habt.

Hier ist die Regel, die mir am meisten Frust erspart: eine Aufgabe, ein Chat. Eine Funktion fertiggestellt? Schließe den Chat und öffne für die nächste Aufgabe einen neuen. Ja, manchmal ist es bequemer, alles in einem Fenster zu erledigen, aber dafür zahlst du mit verlorenem Kontext und Antworten, die am Thema vorbeigehen.

Anthropic nennt diesen Fehlermodus eine „Ramschschubladen-Sitzung“. Die Lösung ist einfach: Verwende /clear zwischen nicht zusammenhängenden Aufgaben, um das Fenster zu leeren und keinen Ballast aus der vorherigen Aufgabe in die neue mitzunehmen.

Wenn du lange Sitzungen durchführst und nicht weißt, wo Geld und Aufmerksamkeit der KI hingehen, behandle ich das separat in der Anleitung dazu, wohin die Claude-Code-Tokens gehen. Die Grundlagen des dauerhaften Kontexts, den Claude bei jedem Start liest, habe ich in der Anleitung zur Einrichtung von CLAUDE.md zusammengestellt.

Grilling oder Plan Mode – worin liegt der Unterschied, und wie ergänzen sie sich?#

Diese beiden Techniken werden oft verwechselt, oder es wird angenommen, dass nur eine davon nötig ist. In der Praxis gehören sie an unterschiedliche Stellen im Ablauf.

Anthropic beschreibt einen üblichen Ablauf in vier Phasen: zuerst Explore (Claude untersucht und stellt Fragen), dann Plan (erstellt einen Plan, ohne Änderungen vorzunehmen), dann Implement (schreibt Code gemäß dem Plan) und schließlich Commit (hält das Ergebnis fest). Grilling findet in der ersten Phase statt, Plan Mode in der zweiten. Eine ausführliche Erläuterung der zweiten Phase findest du in der Anleitung zu Plan Mode in Claude Code.

Anthropic selbst weist auf einen wichtigen Vorbehalt hin: Kleine Aufgaben solltest du damit nicht belasten.

Bei einem Tippfehler, einer Umbenennung oder einer Änderung an einer Zeile schreibst du die Anweisung einfach direkt, ohne Interview oder Plan. Grilling lohnt sich bei Aufgaben mit Unklarheiten und hohen Fehlerkosten. Bei trivialen Aufgaben bremst es dich nur aus.

5 Fehler bei der Aufgabenformulierung, durch die KI das Falsche tut#

Ich habe die häufigsten Fallstricke in einer Tabelle zusammengefasst. Links steht, was viele tun und dabei falsch machen; rechts, was sie stattdessen tun sollten.

Sieh dir den letzten Prompt an, bei dem die KI falsch geantwortet hat. Mit ziemlicher Sicherheit war einer dieser fünf Fehler im Spiel. Am häufigsten ist es der erste: Du hast ihr eine kurze Formulierung gegeben und erwartet, dass Claude den Rest richtig ergänzt. Den Rest hat es ergänzt – nur nicht so, wie du es gemeint hast.

Wie geht es weiter: Baue ein System, damit die KI dich mit wenigen Worten versteht#

Die drei Prompts in dieser Anleitung – Grilling, „Beweise es“ und das Pre-Mortem – behandeln die jeweilige Aufgabe. Das ist schon viel: Du bekommst keinen 14-Dateien-Diff mehr, wenn du nur eine Änderung an einer Zeile wolltest.

Doch Grilling hat seine Grenzen. Jedes Mal deine Absicht von Grund auf herauszuarbeiten dauert lange. Der eigentliche Wandel kommt, wenn ein Teil des Kontexts immer vorhanden ist: in einem Ordner mit Wissen über dein Projekt, in einer CLAUDE.md-Datei, die Claude bei jedem Start liest, und in deiner Methodik, die in Skills festgehalten ist. Dann kommt die KI zur Aufgabe und kennt dein Geschäft, deine Ziele und deinen Stil bereits – und versteht dich mit wenigen Worten, weil du die Hälfte des Kontexts im Voraus festgehalten hast.

Anthropics jüngste Analyse zeigt, wie viel Arbeit darin steckt: Entwickler nutzen KI bei etwa 60% ihrer Arbeit, können ihr aber nur bei 0-20% der Aufgaben vollständig vertrauen. Für den Rest braucht es dein Verständnis, deine Aufsicht und deine Fähigkeit zu erklären, was gebaut werden soll. Genau diese Fähigkeit lohnt es sich zu entwickeln – statt dem intelligentesten Modell hinterherzujagen.

Lerne Ailoot kennen.