Ein Detail aus diesem Sommer beschreibt den Wandel besser als jede Erklärung: Anthropic hat rund 80 Prozent des Systemprompts von Claude Code gelöscht. Also der Anweisungen, die das Modell bei jeder einzelnen Nachricht automatisch mitbekommt. Und laut Anthropic ist das Ergebnis dadurch nicht schlechter geworden, sondern besser.
Wer jahrelang gelernt hat, dass ein guter Prompt möglichst genau beschreibt, wie sich die KI verhalten soll, muss an dieser Stelle kurz innehalten. Weniger Anweisung, besseres Ergebnis. Das ist kein Zufall, sondern die Folge davon, dass die Modelle inzwischen etwas anderes brauchen als früher.
Die Punkte in diesem Beitrag stammen aus einem Video von Julian Ivanov zu den neuen Best Practices für Claude Code und der Dokumentation, auf die er sich bezieht. Ich habe sie sortiert und auf die Frage übersetzt, die für einen Betrieb zählt: Was heißt das für die Art, wie ihr mit diesen Werkzeugen arbeitet?
Was aufgehört hat zu wirken
Der klassische Prompt beginnt mit einer Rolle. „Du bist ein exzellenter Newsletter-Autor mit jahrelanger Erfahrung." Danach kommt die Aufgabe, oft garniert mit Nachdruck: „Das ist extrem wichtig." „Ich brauche deine volle Konzentration."
Diese Sätze tragen bei aktuellen Modellen nichts mehr zum Ergebnis bei. Das Modell ignoriert sie weitgehend. Das Einzige, was aus einer Rollenangabe noch ankommt, ist der Stil: „Du bist ein Autor aus der Romantik" verändert die Sprache, „mit jahrelanger Erfahrung" verändert gar nichts. Das Modell versucht ohnehin, dir das bestmögliche Ergebnis zu liefern. Es zusätzlich anzufeuern, ist verlorene Mühe.
Damit fällt der Teil des Promptens weg, den die meisten für den eigentlichen Trick gehalten haben.
Was an die Stelle tritt
Anthropics Prompt-Bibliothek lässt sich auf drei Punkte eindampfen. Keiner davon ist Formulierungskunst. Alle drei sind Informationen, die vorher fehlten.
Erstens: nie nur die Anweisung, immer auch Grund und Ziel. Die Dokumentation zu Fable 5 sagt es direkt: Das Modell arbeitet besser, wenn es die Absicht hinter der Aufgabe kennt, weil es die Aufgabe dann mit dem verbinden kann, was es sonst noch weiß, statt deine Absicht zu erraten. Die Vorlage lautet sinngemäß: Ich arbeite an dieser Aufgabe, für diese Zielgruppe, sie brauchen dieses Ergebnis, hier sind die Informationen, führe bitte Folgendes aus.
Zweitens: zeigen statt beschreiben. „Schreib in meinem Stil, locker und nicht zu lang" ist für ein Modell kaum verwertbar, solange dieser Stil nirgends existiert. Drei echte frühere Ausgaben als Referenz mitzugeben, funktioniert um Größenordnungen besser als jeder Versuch, die eigene Schreibweise zu beschreiben.
Drittens: was heißt fertig, und woran prüft das Modell das? „Nicht zu lang" ist keine Größe. „500 Wörter, drei bis vier Absätze, am Ende ein umsetzbarer Tipp" ist eine. Und dann kommt der Teil, den fast alle auslassen: Es reicht nicht, „prüf dein Ergebnis" zu schreiben. Du musst sagen, wogegen geprüft werden soll. Also: vergleiche Ton und Länge mit diesen drei Ausgaben.
Dazu kommt ein vierter, neuer Punkt: sag auch, was du nicht willst. Opus 5 und Fable 5 neigen dazu, sich zusätzliche Aufgaben auszudenken, die niemand beauftragt hat, weil sie annehmen, das sei nützlich. Wer das nicht will, muss es hinschreiben.
Schau dir an, was diese vier Punkte gemeinsam haben: Es sind keine Anweisungen an das Modell. Es sind Informationen über deine Situation. Genau das ist der Unterschied zwischen Prompt Engineering und Context Engineering.
Alles ist Kontext
Der zweite Teil des Wandels ist noch wichtiger, und er wird selten verstanden. Ein Sprachmodell unterscheidet nicht zwischen Anweisung, Regel, Dokument und Gesprächsverlauf. Für das Modell ist alles dasselbe: Zeichen im Kontextfenster.
Im Video wird das an einer Simulation gezeigt. Bevor du in Claude Code auch nur ein Wort geschrieben hast, sind bereits geladen: der Systemprompt, das automatische Gedächtnis, Umgebungsinformationen, angebundene Werkzeuge, Skills und die Projektdatei mit deinen Regeln. Schreibst du dann „behebe diesen Fehler", kommt dein Prompt dazu und jede Datei, die das Modell daraufhin liest. Nach dieser einen Nachricht sind rund 20.000 Tokens verbraucht.
Daraus folgt etwas Unbequemes: Eine Regeldatei ist kein Regelwerk. Wer hineinschreibt „schreibe deutsche Texte immer mit Umlauten", bekommt das meistens, aber nicht immer. Die Anweisung steht irgendwo in einem Fenster, das sich mit jedem Arbeitsschritt weiter füllt, und irgendwann geht sie darin unter.
Warum ein volles Kontextfenster dümmer macht
Das ist keine Vermutung, das ist gemessen. Anthropic prüft es mit einem Benchmark namens MRCR: Mehrere Informationen werden in einem sehr langen Text versteckt, dann wird geprüft, wie viele davon das Modell wiederfindet.
Die im Video genannten Werte: Bei rund 256.000 Tokens findet das Modell 93 Prozent der abgefragten Informationen wieder. Bei einer Million Tokens nur noch 76 Prozent.
Ein randvolles Kontextfenster heißt also im Schnitt: Jede vierte Information geht verloren. Und dazu gehören auch deine Regeln und Anweisungen. Das große Kontextfenster ist eine Obergrenze, keine Empfehlung.
Nebenbei: Die verbreitete Umrechnung „eine Million Tokens sind etwa 750.000 Wörter" gilt für englischen Text. Für deutsche Fachprosa sind es eher 650.000 bis 700.000, weil unsere Komposita in mehr Tokens zerfallen. Das habe ich in meinem Beitrag zu RAG nachgemessen.
Was daraus praktisch folgt
Wenn alles Kontext ist und voller Kontext schadet, ändern sich vier Dinge im Arbeitsalltag.
- Kontext regelmäßig leeren. Neuen Chat starten, den Verlauf löschen oder zusammenfassen lassen, statt eine Sitzung endlos weiterlaufen zu lassen. In Claude Code zeigt der Befehl
/context, wie voll das Fenster gerade ist. Ein Blick darauf erklärt oft, warum die Ergebnisse im Lauf des Tages schlechter wurden. - Sagen, wo nachzuschauen ist. Wer die KI selbst suchen lässt, bekommt das, was Anthropic Infinite Exploration nennt: Sie liest Datei um Datei, auch solche, die nichts mit der Aufgabe zu tun haben, und jede davon landet vollständig im Kontextfenster. Der konkrete Ordner im Prompt spart Zeit, Tokens und Qualität.
- Für Verlässliches keine Anweisung, sondern einen Mechanismus. Eine Regel in einer Datei ist eine Empfehlung. Wenn etwas garantiert jedes Mal passieren muss, gehört es in einen automatisch ausgeführten Schritt, nicht in einen Satz, den das Modell überlesen kann. Der Unterschied ist derselbe wie zwischen einer Arbeitsanweisung an der Wand und einem Prüfschritt, an dem der Vorgang sonst stehenbleibt.
- Was du wiederholst, wird eine Vorlage. Sobald ein Ablauf einmal gut funktioniert hat, gehört er festgehalten, statt ihn jede Woche neu zu formulieren. Aus dem gelungenen Prompt wird ein wiederverwendbarer Baustein.
Was das für deinen Betrieb heißt
Hier wird es für alle relevant, die nie eine Zeile Code schreiben werden.
Solange die Kunst darin bestand, den perfekten Satz zu formulieren, war KI eine persönliche Fähigkeit. Einer im Team konnte es gut, die anderen nicht. Jetzt verschiebt sich die Aufgabe: Es geht darum, welche Information zur richtigen Zeit verfügbar ist und welche bewusst draußen bleibt.
Und das ist keine KI-Aufgabe mehr, sondern eine, die du kennst. Liegen eure Angebotsvorlagen an einem definierten Ort oder verstreut? Ist beschrieben, wie ein Vorgang abläuft, oder weiß es nur eine Person? Gibt es Beispiele für „so machen wir das", die man vorlegen kann, statt sie zu beschreiben?
Wer diese Fragen beantworten kann, bekommt mit denselben Modellen deutlich bessere Ergebnisse als jemand, der sie nicht beantworten kann. Deshalb ist die Arbeit an geordnetem Firmenwissen keine Vorbereitung auf KI. Sie ist inzwischen der größte Teil der Arbeit mit KI.
Und sie zahlt doppelt: Kontext, den das Modell nicht verarbeiten muss, kostet auch kein Geld. Wie stark das durchschlägt, steht im Beitrag zu den Token-Kosten.
Fazit
Dass Anthropic 80 Prozent der eigenen Anweisungen streichen konnte und ein besseres Ergebnis bekam, ist die kürzeste Zusammenfassung dieser Entwicklung: Die Modelle brauchen weniger Erziehung und mehr Zusammenhang.
Für dich heißt das: Hör auf, an Formulierungen zu feilen. Gib stattdessen Absicht, Beispiele und ein überprüfbares Ziel, halte das Kontextfenster sauber und sorge dafür, dass die Information, auf die es ankommt, überhaupt existiert und auffindbar ist.
Der Rest ist Handwerk, das du aus deinem Betrieb ohnehin kennst. Wenn du wissen willst, wo bei euch dafür der größte Hebel liegt, rechne den KI-Potenzial-Check durch oder sprich mit mir in einer KI-Beratung.