Know How Archive

Prompting-Guide

Dem Praktikanten jeden Handgriff erklären? Der neue Prompting-Guide von OpenAI rät dazu, damit aufzuhören: Ziel, Kontext, Format, Grenzen. Kein starres Schema, keine Rollendefinition, keine Prompt-Formel.

Und ganz wichtig: Beschreibe einen Prozess nur dann, wenn der Prozess selbst zählt.

Das ist keine neue Erkenntnis. Anthropic dokumentiert dasselbe Prinzip. “Think of Claude as a brilliant new employee who needs explicit context” – dieser Satz steht schon lange im Zentrum der Prompting-Empfehlungen.

Kontext liefern, Ziel benennen, Erfolgskriterien definieren. Nicht Schritt für Schritt diktieren. Auch die Empfehlung, dem Modell Denkraum zu lassen statt eine Schrittfolge vorzugeben, ist dort seit Langem beschrieben.

Und nun rät auch OpenAI explizit zu dieser Vorgehensweise beim Prompting.

Mikromanagement schadet

Warum ausgerechnet jetzt diese Empfehlung? Weil die Modelle stark genug geworden sind, dass Mikromanagement schadet. Wer jeden Schritt vorgibt, verhindert genau das, was das Ergebnis besser macht. Das war in den Anfängen der generativen KI anders. Heute ist der Prompt eine Zielbeschreibung.

Was bleibt: Grenzen. Ein bis zwei präzise Regeln: Stellen, an denen Kontrolle wirklich zählt. Der Rest ist Vertrauen in ein System, das man verstanden hat.

Dazu gehört auch der Selbstcheck:

Bei wichtigen Aufgaben das Modell explizit um eine Prüfung des eigenen Ergebnisses bitten – gegen ein Kriterium, das man selbst vorgibt. Nicht “Ist das gut?”, sondern “Prüfe, ob jeder Punkt belegt ist.”

Der erste Prompt muss ohnehin nicht perfekt sein. Iterieren ist der reguläre Weg, nicht das Eingeständnis eines Fehlers.

In meinen Trainings sehe ich beides: Manche schreiben dem Modell jeden Schritt vor und andere, die “mach mal was Schönes” schreiben und sich über das Ergebnis wundern. Die Kunst liegt dazwischen – und sie ist erlernbar.

Was ist dein Verhältnis zum Prompt: Regieanweisung oder Zielbeschreibung?

Hier geht es zum Beitrag auf LinkedIn: Prompting-Guide

22. Juli 2026

Allgemein, Know How, News

Kennzeichnungspflicht KI generierte Inhalte

Ich kann es nicht mehr hören… Hohe Strafen, ALLES muss gekennzeichnet werden, Ausnahmen fallen weg.

Ab 2. August 2026 müssen bestimmte KI-Inhalte gekennzeichnet werden. Mein Feed ist voll mit Posts, die Panik machen, als müsste ich künftig unter jeden Post schreiben: “erstellt mit KI”.

Muss ich nicht. Und die meisten von euch auch nicht.

❓Muss ich alles kennzeichnen?

Nein. Für KI-generierte Texte gilt die Kennzeichnungspflicht nur, wenn zwei Bedingungen gleichzeitig erfüllt sind:

1. Der Text behandelt ein Thema von öffentlichem Interesse: Politik, Gesundheit, gesellschaftliche oder wissenschaftliche Fragen, alles, was öffentliche Meinungsbildung berührt.

2. Es gibt keine menschliche redaktionelle Kontrolle.

Fehlt eine der beiden, entfällt die Pflicht.

Auch ob die KI 10 % oder 90 % beigetragen hat, ist für die Kennzeichnungspflicht egal. Artikel 50 des EU AI Act knüpft an keinen Prozentsatz an.

❓Was bedeutet redaktionelle Verantwortung?

Entscheidend ist die redaktionelle Verantwortung. Diese Redaktions-Ausnahme greift, wenn:

– der Text vor Veröffentlichung einer menschlichen Prüfung/Überarbeitung unterzogen wird, und

– eine natürliche oder juristische Person die redaktionelle Verantwortung für die Veröffentlichung trägt.

Wer also einen Text mit KI entwirft, ihn überarbeitet und unter eigenem Namen veröffentlicht, trägt die redaktionelle Verantwortung. Damit ist der Text nicht kennzeichnungspflichtig – auch bei starker KI-Unterstützung.

Zu beachten ist: Die EU-Leitlinien setzen die Schwelle bewusst hoch: “Kurz drüberlesen” reicht nicht. Es braucht eine echte inhaltliche Prüfung und eine Person, die verantwortet. Wer ohnehin sorgfältig redigiert, erfüllt das mühelos. Wer KI-Texte ungeprüft durchreicht, nicht. Aber das ist auch aus vielen anderen Gründen kein guter Plan 😉

Für die typischen Formate heißt das:

– LinkedIn-Post, selbst fachlich überarbeitet → keine Pflicht

– Newsletter, redaktionell verantwortet → keine Pflicht

– Ungeprüfter Blogartikel zu einem ernsten Thema (z.B. Politik, Gesundheit) → Pflicht

❓Und bei Bildern?

Hier geht es v.a. um den Deepfake-Begriff. Realistische KI-Bilder von echten Personen, Orten oder Ereignissen müssen gekennzeichnet werden. Stilisierte Grafiken, Comics oder abstrakte Illustrationen nicht.

Also:

– Ein Bild von einem harmlosen Baum oder einem putzigen Hund → keine Pflicht

– Eine Infografik mit redaktionell geprüftem Inhalt → keine Pflicht

Wichtig sind saubere Prozesse: Wer prüft? Wer verantwortet? Punkte, die ohnehin sinnvoll sind, verantwortungsvoll durchzuführen und ggf. zu dokumentieren.

Wir lernen – mal wieder – Finger weg von Copy & Paste AI Slop! Dann ist es DEIN Inhalt, den du weiterhin als deinen Inhalt veröffentlichen darfst. Ohne Kennzeichnung, die ohnehin selten weiterhilft.

Hinweis: fachliche Einordnung, keine Rechtsberatung.

Hier geht es zum Beitrag auf LinkedIn: Kennzeichnungspflicht KI generierte Inhalte

13. Juli 2026

Allgemein, Know How

Vibe Coding mit Claude Code: Schritt-für-Schhritt

Heute löse ich mein Versprechen ein und zeige Schritt für Schritt, wie du Claude Code einrichtest und dein erstes eigenes Tool baust.

Vibe Coding: Die Hürde ist nicht das Programmieren

Das Programmieren übernimmt Claude. Was wichtig ist, ist das perfekte Setup von Claude Code. Unter Windows braucht Claude Code zum Beispiel Git. Solche Details kosten viel Zeit, wenn man sie nicht kennt.

5 Schritte, vom Download bis zum fertigen Tool. Als Beispiel baue ich ein kleines Programm, das einen Ordner überwacht und Bilder automatisch verkleinert und sortiert, also automatisiert immer wieder denselben Handgriff abnimmt.

Keine Standard-Anleitung

Ich habe dir in das Carousel alles gepackt, was du brauchst, um ohne Vorkenntnisse loszulegen, neben der reinen Anleitung findest du daher auch wichtige Infos wie z.B.:

💡 Welcher Modus dir wie viel Kontrolle lässt

💡 Welches Modell sich fürs Programmieren eignet

💡 Eine kleine Funktion, die du aus dem normalen Chat nicht kennst und die das parallele Arbeiten ermöglicht, u.v.m.

Also Stellen, an denen du als Einsteiger oft raten musst. Ich nehme dir das Raten ab.

Wer loslegen kann

Du brauchst kein Programmiervorwissen. Ein bezahltes Abo, eine wiederkehrende Aufgabe aus deinem Alltag – mehr ist es nicht.

💬 Wenn du es ausprobierst, schreib mir in die Kommentare, welches Tool du als erstes gebaut hast. Mich interessiert, welche Alltagsaufgaben ihr damit löst.

📥Speichere dir den Post, wenn du das Setup demnächst angehen willst.

Hier geht es zum Beitrag auf LinkedIn: Vibe Coding mit Claude Code: Schritt-für-Schhritt

24. Juni 2026

Allgemein, Know How

Vibe Coding mit Claude

Vor Vibe Coding habe ich lange zurückgeschreckt. Inzwischen liegen immer mehr nützliche Python-Tools auf meinem Rechner, alle via Vibe Coding von Claude erstellt.

Das erste ist in einem normalen Chat entstanden, weil Claude mir selbst vorgeschlagen hat, ein eigenständiges Tool für meine Aufgabe zu bauen. Weitere habe ich in Claude Cowork und Claude Code erstellt.

Es sind z.B. ein Zertifikat-Generator für meine Schulungen, ein Foto-Sortierer mit visueller Erkennung und ein WordPress-Beitrag-Generator. Die Tools laufen lokal auf meinem Rechner und ersparen mir viel Zeitaufwand. Alle sind von Claude erstellt und in normaler Sprache entstanden, ohne dass ich jemals Python gelernt habe.

Das ist Vibe Coding

Du beschreibst, was du brauchst. Die KI baut den Code. Du prüfst nur, ob das Ergebnis stimmt.

Was ich beim Bauen der Tools gelernt habe: Beim Vibe Coding liegt der Unterschied zwischen den drei Claude-Umgebungen nicht im Können der KI, sondern vielmehr in der Handarbeit, die du leisten musst, bis aus der Idee ein lauffähiges Tool wird.

Im Carousel zeige ich dir:

💡 Drei konkrete Tool-Beispiele aus meinem Alltag, jedes in einer anderen Umgebung gebaut

💡 Wann Chat reicht, wann Cowork sinnvoll ist und wann Claude Code seinen Vorteil ausspielt

Wenn du dich bisher nicht an Vibe Coding herangetraut hast:

Es ist nicht für IT-Profis reserviert.

Wer Claude im Chat einen Brief schreiben lassen kann, kann auch ein kleines Tool bauen lassen. Die Sprache ist dieselbe, nur das Ergebnis ist diesmal ein individuelles Tool, programmiert in Python.

Du brauchst kein Programmiervorwissen, kein Setup-Wochenende. Eine wiederkehrende Aufgabe aus deinem Alltag reicht für den ersten Versuch.

Wer ein Abo bei Claude hat, kann direkt loslegen.

Nächste Woche folgt die Schritt-für-Schritt-Anleitung, wie du Claude Code einrichtest und dein erstes eigenes Tool baust.

Hier geht es zum Beitrag auf LinkedIn: Vibe Coding mit Claude

9. Juni 2026

Allgemein, KI Ethik, KI Mindset, Know How

Ist Claude ehrlicher als andere LLMs?

Ist Claude besser als andere Sprachmodelle – oder einfach nur anders?

Anthropic trainiert Claude mit dem Verfahren der Constitutional AI: Das Modell leitet sein Verhalten aus einem veröffentlichten Wertegerüst ab. Um zu verdeutlichen, was das konkret bedeutet zunächst ein kurzer Blick auf den Branchenstandard:

Die meisten Modelle lernen über

RLHF (Reinforcement Learning from Human Feedback):

Menschen vergleichen zwei Antworten und markieren die bessere. Das Modell lernt dadurch, was Menschen bevorzugen, und Menschen bevorzugen oft Zustimmung.

Constitutional AI prüft auf anderer Grundlage. Die Antworten werden nicht von Menschen beurteilt, sondern an festgelegten Prinzipien gemessen. Kontrolliert von einer KI. Die Beurteilung des Ergebnisses erfolgt damit nicht über “Was gefällt?” sondern über “Was hält dem Prinzip stand?”.

❓Was heißt das für Sycophancy?

Sycophancy ist der Reflex, dem Nutzer nach dem Mund zu reden: schmeicheln, zustimmen, Widerspruch meiden. RLHF begünstigt ihn strukturell, weil zustimmende Antworten oft bessere Bewertungen erhalten.

Constitutional AI eliminiert diesen Anreiz. Constitutional AI lässt Sycophancy deshalb nicht verschwinden. Anthropics eigene Experimente zeigen, dass das Verfahren allein die Schmeichel-Raten kaum bewegt. Es schafft aber die Grundlage, damit das Modell “ehrlicher” antwortet und das verändert spürbar.

❓Merkt man das als Nutzer?

Bei widersprüchlichen, ethisch heiklen, unbequemen Anfragen, wo ein zustimmungstrainiertes Modell Widersprüche glättet, benennt Claude eher den Einwand und antwortet sachlich.

❓Welche Modelle nutzen dieses Prinzip?

Als Methode gehört Constitutional AI Anthropic, also den Claude-Modellen. Das Prinzip dahinter, also KI-Feedback gegen festgelegte Kriterien, ist inzwischen weiter verbreitet: Immer mehr LLM Anbieter arbeiten mit RLAIF (Reinforcement Learning from AI Feedback).

Der Unterschied liegt in der Offenheit. Ein veröffentlichtes Wertegerüst als Trainingsgrundlage hat bislang kein anderer Anbieter, sie halten ihre Trainingsziele unter Verschluss. Anthropics “Constitution” ist ein öffentliches Dokument, das beschreibt, woran Claude sein Verhalten ausrichten soll, und das direkt ins Training einfließt. Sie nennt vier Eigenschaften in dieser Prioritätsreihenfolge:

Broadly safe (→ menschliche Aufsicht nicht untergraben),

broadly ethical (→ ehrlich sein, Schaden vermeiden)

Compliant with Anthropic’s guidelines (→ regelkonform)

Genuinely helpful (→ hilfbereit).

Hilfsbereitschaft steht damit an letzter Stelle. Bei Konflikten gewinnt Sicherheit vor Nutzen. Dazu kommen harte Grenzen, die unabhängig vom Kontext gelten, etwa kein Beitrag zu Biowaffen.

### Nachlesbar im Original:

https://lnkd.in/dAqMfbmw

Ist damit Claude wirklich besser? Ein Modell, das gegen Prinzipien optimiert, schmeichelt zumindest seltener und widerspricht häufiger. Ob das besser ist, entscheidet sich an dem Tag, an dem man die ehrliche Antwort der angenehmen vorzieht.

Hier geht es zum Beitrag auf LinkedIn: Ist Claude ehrlicher als andere LLMs?

28. Mai 2026

Allgemein, Know How

Systemprompts und Custom Instructions

„Ich bin Beraterin. Antworte präzise und professionell.”

So ähnlich sehen viele Einträge in den „Individuellen Hinweisen” oder „Custom Instructions” in ChatGPT & Co aus. Und so erklärt sich, warum viele späteren Outputs trotz Personalisierungsversuchen generisch bleiben.

Adjektive sind selten als Anweisung geeignet. “Professionell” ist keine Regel, die ein LLM in Output übersetzen kann. Es ist eine generische Formulierung mit einem Interpretationsspielraum, die zudem genau so bei tausend anderen Usern im Profil stehen.

Der Systemprompt

Ein Systemprompt ist in seiner Funktion kein Steckbrief, sondern ein Briefing und ein Briefing besteht aus operationalisierbaren Angaben, nicht aus Eigenschaftswörtern.

Grundeinstellungen für ChatGPT, Gemini und Claude

Was die Grundeinstellungen in ChatGPT, Claude oder Gemini gleichermaßen stattdessen brauchen, lässt sich auf sechs Ebenen strukturieren.

Und es gibt einen Workflow, der die typische Schwierigkeit beim Selbstaufschreiben umgeht: die Befragung durch die KI, in Claude z.B. komfortabel über die AskUserQuestion-Funktion.

Im Carousel:

→ die sechs Ebenen eines wirkungsvollen Systemprompts

→ der Interview-Workflow inklusive Prompts zum Kopieren

→ Kriterien, die eine Regel als Anweisung tauglich machen

→ und wo das Ergebnis einzusetzen ist: Custom Instructions, Projekte und Claude Cowork

Hier geht es zum Beitrag auf LinkedIn: Systemprompts und Custom Instructions

28. April 2026

Allgemein, Know How, Meinung

Promptest du noch oder denkst du schon?

Prompten kann am Ende fast jeder. Denken bleibt die anspruchsvollere Aufgabe – auch mit KI.

Prompten allein macht dich noch nicht kompetent im Umgang mit KI. Trotzdem scheint hier auf LinkedIn aber auch in vielen Unternehmen: Wer prompten kann, gilt als kompetent, wer viele KI-Tools integriert, als fortgeschritten. KI-Kompetenz wird fast ausschließlich technisch verstanden. Dieses Verständnis führt aber zu einem Problem, das sich u.a. in AI Slop zeigt.

Denn Bedienungskompetenz (das technische Wie) ist nicht identisch mit Urteilskompetenz: der Frage, ob und wie der Einsatz im konkreten Fall sinnvoll ist (das konzeptionelle Wie). Beides gehört zur KI-Kompetenz und oft entscheidet über die Qualität der Ergebnisse nicht der nächste perfekte Prompt,

Wer ein Tool effizient bedient, hat damit noch keine Aussage darüber getroffen, ob der Einsatz in der konkreten Situation angemessen oder überhaupt sinnvoll ist. In der Praxis fallen beide Fragen häufig zusammen, weil das Bedienen-Können mit dem Bedienen-Sollen verwechselt wird.

Ein Beispiel aus der Schreibarbeit verdeutlicht was ich ausdrücken möchte: Viele Texte entstehen (auch inhaltlich, nicht nur stilistisch) erst durch das Schreiben selbst. Die Formulierung präzisiert den Gedanken, die Suche nach dem richtigen Wort verändert das Argument. Wer diese Arbeit komplett an die KI auslagert, bekommt einen Text, aber keinen Erkenntnisgewinn. Die Auslagerung ist nicht per se falsch. Sie ist nur etwas anderes, als sie auf den ersten Blick zu sein scheint.

Was aktuell als AI Slop diskutiert wird, ist Symptom dieses verkürzten Kompetenzbegriffs. Texte ohne erkennbare Urheberschaft, ohne erkennbares Anliegen, technisch sauber generiert aber inhaltlich leer. Sie entstehen nicht, weil jemand nicht gut prompten konnte, sondern weil die vorgelagerte Frage – sollte dieser Text überhaupt geschrieben werden und wenn ja wie – nicht gestellt wurde.

Urteilskompetenz bedeutet, solche Fragen in den Kompetenzbegriff einzuschließen: sowohl die nach dem Ob als auch die nach dem Wie des Einsatzes. Sie ist keine Skepsis-Haltung und keine Ablehnung, sondern die Bedingung, unter der die Bedienungskompetenz überhaupt Wert erzeugt.

Wer nur KI nur bedient ohne die dafür notwendige Urteilskompetenz, beherrscht einen Hebel, ohne den Mechanismus zu verstehen.

Gemeint ist die Unterscheidung zweier Aufgabentypen: Beim Formatieren einer Tabelle oder Übersetzen eines Textes zählt allein das Ergebnis. Beim Schreiben, Denken oder Urteilen liegt der Wert dagegen im Tun selbst, denn was sich dabei formt, lässt sich aus dem fertigen Output nicht mehr ableiten. Wer hier blind generieren lässt, eliminiert genau diesen Wert und verwechselt Effizienzgewinn mit Erkenntnisgewinn.

Daraus folgt nicht, dass KI bei dieser zweiten Aufgabenart außen vor bleiben muss. Die Frage darf nur nicht beim Ob enden: Auch das Wie des Einsatzes ist wichtig und verlangt mehr als das Übernehmen vorgefertigter Prompts.

Hier geht es zum Beitrag auf LinkedIn: GPT-5.5 und Halluzinationen

21. April 2026

Allgemein, KI Ethik, Know How, Meinung

Wir Wissen durch KI obsolet?

Ich hatte mal eine Vorgesetzte, die für jede meiner Einschätzungen eine Quelle gefordert hat. Ich konnte sie selten liefern, nicht weil mir das Wissen fehlte, sondern weil es sich nicht auf eine konkrete Quelle zurückführen ließ. Es hat sich über Jahre Berufserfahrung aufgebaut, aus Beobachtungen, Gesprächen und Kontexten.

Was bei Nutzung generativer KI Voraussetzung ist, kann bei menschlichem Wissen ein Hindernis sein: Der Quellennachweis. Was meine Vorgesetzte wollte, ist genau die Art von Wissen, das durch KI abrufbar ist. Aus Erfahrung aufgebautes Wissen dagegen lässt sich nicht prompten und oft nicht auf eine konkrete Quelle zurückführen.

Diese Unterscheidung steht im Zentrum einer These, die viel diskutiert wird:

Wissen wird durch KI obsolet.

Sie hat einen wahren Kern aber auch einen entscheidenden Denkfehler. Der wahre Kern:

Faktenwissen ist durch KI-Sprachmodelle weitgehend abrufbar.

LLMs leisten noch weit mehr als Faktenabruf. Durch Mustererkennung über riesige Textmengen erschließen sie nicht-offensichtliche Verbindungen zwischen Konzepten domänenübergreifend und in einem Umfang, der einem einzelnen menschlichen Experten schwerlich zugänglich ist.

Was LLMs dabei nicht leisten: die Unterscheidung zwischen einer plausiblen und einer wahren Synthese. Echte Wissensgenerierung erfordert empirische Überprüfung: Hypothesenbildung, Falsifizierung, experimentelle Validierung. Ein LLM kann den Weg dorthin beschreiben, aber nicht begehen.

Die entscheidende Unterscheidung liegt also nicht darin, ob Wissen obsolet wird, sondern welches Wissen.

Hier kommt der Fehlschluss: KI-Outputs beurteilen zu können setzt eigenes Wissen voraus. Einen falsch zitierten Standardfakt erkenne ich noch. Eine plausibel klingende Fehlverknüpfung über drei Domänen hinweg erfordert deutlich mehr eigenes Fundament, um sie einzuordnen. Die Fähigkeit zu nicht-offensichtlicher Synthese macht das Bewertungsproblem nicht kleiner, sondern größer.

Die Kompetenz, KI-generiertes Wissen zu bewerten, setzt daher genau das voraus, was KI angeblich ersetzt. Kein Basiswissen bedeutet kein Urteilsvermögen. Und kein Urteilsvermögen bedeutet unkritische Abhängigkeit.

Das ist kein Plädoyer für Wissen um seiner selbst willen. Es ist ein Argument gegen eine Vereinfachung, die zu einem konkreten Risiko wird.

Was sich verändert, ist die Architektur des Wissens, das Macht verleiht.

Faktenwissen war nie das Entscheidende. Was bleibt und an Bedeutung gewinnt, ist das, was sich nicht abrufen lässt. Der Philosoph Michael Polanyi hat dafür den Begriff des tacit knowledge geprägt: Wissen, das wir haben, ohne es vollständig explizieren zu können – das Gespür, das Urteil, das durch Praxis und Auseinandersetzung entsteht. Dieses Wissen lässt sich nicht prompten.

Wissen ist weiterhin Macht. Nicht als Faktenspeicher, sondern als Urteilskompetenz. Wer das versteht, nutzt KI anders: nicht als Wissensersatz, sondern als Werkzeug, das Urteilskompetenz voraussetzt – und ohne sie zum Risiko wird.

Hier geht es zum Beitrag auf LinkedIn: Wir Wissen durch KI obsolet?

12. April 2026

Allgemein, KI Ethik, Know How

Bias in KI: Die Illusion der neutralen KI

Bias aus generativer KI eliminieren zu wollen, ist ein Irrweg.

Nicht weil Bias akzeptabel wäre. Sondern weil jede Korrektur das Problem verschiebt, nicht löst. Weniger westlicher Bias bedeutet nicht mehr universelle Ethik. Es bedeutet: andere Werte, andere Probleme. Neutrale KI ist technisch, philosophisch und praktisch nicht realisierbar.

Die entscheidende Frage lautet deshalb nicht:

Wie wird KI neutral?

Denn Neutralität ist keine Systemeigenschaft, sondern eine Designentscheidung, die immer zugunsten bestimmter Perspektiven ausfällt.

Mein aktueller Fachartikel für den Springer Fachverlag untersucht diese Zusammenhänge und gibt konkrete Handlungsempfehlungen: Wirksamer Umgang mit Bias erfordert Transparenz, kontextbezogene Evaluationsstrategien und KI-Governance.

Hier geht es zum Artikel: https://shorturl.at/0LQp7

Hier geht es zum Beitrag auf LinkedIn: Bias in KI: Die Illusion der neutralen KI

10. April 2026

Allgemein, Know How

Anleitung Claude Cowork

Dein persönlicher KI Mitarbeiter ganz einfach eingerichtet:

Claude Cowork ist ein Desktop-Agent, der direkt auf deinem Rechner arbeitet: in deinen lokalen Ordnern und Dateien.

Statt dir nur Textantworten und Artefakte im Browser zu geben, kann Claude in Cowork:

→ mehrstufige Aufgaben selbst planen und ausführen

→ Dateien lesen, bearbeiten, erstellen, umbenennen, verschieben

→ deine Apps steuern

Richtig konfiguriert nimmt es richtig viel Arbeit ab, wie ein echter (sehr zuverlässiger) Mitarbeiter. Ich zeige

Schritt-für-Schritt wie du Claude Cowork einrichtest

und nutzt, ohne Vorwissen.

Auch hier gilt: Es ist wichtig, das System zu verstehen, um es so zu nutzen, dass es einen Mehrwert bringt. Das ist die Lücke, die viele Erklärungen zu Cowork lassen: Sie zeigen die Oberfläche, nicht die Logik dahinter.

Das Carousel ist eine

Schritt-für-Schritt-Einrichtung für Einsteiger

als funktionsfähige Konfiguration. Inklusive

✓ Prompt, mit dem Claude die wichtigen globalen Anweisungen selbst erarbeitet

✓ konkretes Anwendungsbeispiel zum direkten Ausprobieren.

Wer sich bisher nicht an Claude Cowork rangetraut hat: Das hier ist der fehlende Schubser.

Und wer es noch detaillierter möchte bekommt in meiner aktuellen Newsletter-Ausgabe eine Langversion der Anleitung mit noch mehr Infos und Details: https://shorturl.at/qzAUX

Hier geht es zum Beitrag auf LinkedIn: Anleitung Claude Cowork

8. April 2026