AI Slop hat nur wenig mit schlechten Texten zu tun.
Er hat viele Ursachen und eine davon liegt darin, dass oft fachfremde Aufgaben mit KI bearbeitet werden ohne das notwendige Wissen, die Ergebnisse zu prüfen.
43,5 Prozent der berufsspezifischen ChatGPT-Anfragen betreffen Aufgaben aus einem fremden Beruf. OpenAI hat dazu Zahlen vorgelegt und nennt es “Task Crossover”.
Die Verteilung: Bei Customer-Experience-Rollen liegen 77% der fachlichen Anfragen außerhalb des eigenen Berufs, Design 75%, HR 69%, Rechtsbereich 56%. Technisches Troubleshooting und Finanzrechnungen gehören in sieben von acht Berufsgruppen zu den häufigsten Fremdaufgaben.
In kleinen Firmen ist der Effekt stärker: Wer keine Fachabteilung im Haus hat, macht es selbst – mit KI.
Die Qualität der Ergebnisse aus dieser Art der KI Nutzung ist in diesen Zahlen natürlich nicht erfasst. Die Auswertung sagt nichts darüber, ob die Ergebnisse brauchbar waren oder ob die Produktivität stieg.
Macht das Sinn?
Ein Vertriebsmitarbeiter, der einen Kundendatensatz selbst sichtet, statt zwei Tage auf die Analyse zu warten, gewinnt Tempo an einer Stelle, an der Tempo wichtig ist. Eine Marketerin, die einen kaputten Redirect selbst repariert, blockiert kein Entwicklerticket.
Beides funktioniert unter einer Bedingung: Die Person erkennt, wann sie an ihre Grenze kommt, und übergibt dort. Kompetenz zeigt sich hier nicht im Ausführen, sondern im Erkennen des Punktes, an dem das eigene Urteil nicht mehr reicht.
Wann es zu AI Slop wird
Beispiel Vertragsprüfung: Ein KI-generierter Klauseltext liest sich wie ein vom Juristen verfasster Text. Er hat die Begriffe, die Struktur und den passenden Ton. Ob eine Haftungsbegrenzung im konkreten Fall standhält, sieht man dem Text nicht an. Fachvokabular ohne Fachurteil ist aber eine riskante Kombination, die von KI gerne erzeugt wird.
Das ist die Mechanik hinter AI Slop und die hat nur wenig mit schlechten Texten zu tun. Slop entsteht dort, wo im Prozess niemand mehr sitzt, der ein Ergebnis prüfen kann. Der Analyst, das Legal-Team, die Entwicklerin waren nie nur Ausführende. Sie waren die Instanz, die den Fehler bemerkt hat. Fällt diese Instanz weg, fällt die Prüfung mit weg, unbemerkt, weil das Ergebnis ja vorliegt und plausibel aussieht.
Daher: Setze KI außerhalb deines Fachs nur dort ein, wo du einen Fehler bemerken würdest, bevor er teuer wird. Alles andere sollte jemand übernehmen, der das Ergebnis fachlich beurteilen kann. Das ist die Bedingung dafür, dass aus den 43,5 Prozent ein Produktivitätsgewinn wird und keine Verlagerung von Risiko an Stellen, die nicht die dafür notwendige Urteilskraft haben.
Task Crossover verschiebt, wer eine Aufgabe ausführt. Nicht, wer sie beurteilen kann.
Hier geht es zum Beitrag auf LinkedIn: AI Slop? Nein Danke!
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
Bühne, Workshops, AI Communication Awards, ganz viele wunderbare Begegnungen und Gespräche: Zwei Tage Hashtag#SocialMediaDaysZA bei ZIEHL-ABEGG SE.
Zwei Tage voll mit Social Media & KI: ich habe mehrere Workshops gehalten, in denen ich mein Wissen weitergeben durfte und mein Highlight war die tolle Bühne, auf der ich meinen Vortrag halten durfte zum Thema Ethik als Erfolgsfaktor im Social Media Marketing – KI, Reichweite und Verantwortung.
Das hat richtig Spaß gemacht inklusive leckerem Catering und Dinner, bei dem wir jede Menge anregende Gespräche hatten Maray Paul 😉
Und dann noch die perfekte Organisation und sympathische Betreuung von Rainer Grill und seinem Team. Vielen Dank dafür!
Hier geht es zum Beitrag auf LinkedIn: Social Media Days Ziehl Abeck
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
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
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
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?
Nutzt du nur das Chatfenster bei Claude? Dann verpasst du viele sehr leistungsfähige Funktionen, denn Claude kann so viel mehr! Darf ich vorstellen:
Das Claude Ökosystem
**→ Schreibstile**
legen fest, wie Claude kommuniziert: Lege mehrere individuelle Schreibstile an und nutze sie überall, denn so kannst du bei jedem Chat flexibel auswählen, in welchem Stil Claude kommunizieren soll. So musst du dich nie wieder über generische KI-Texte ärgern.
**→ Skills**
für automatisierte Workflows: Jeder Skill ist ein mächtiges Helferlein, jeder für eine spezielle Aufgabe: Powerpoints in konsistentem CI erstellen, festgelegte Workflows abarbeiten.
**→ Artefakte**
machen das Ergebnis permanent sichtbar: rechts neben dem Chat. Jede Überarbeitung wird direkt dort eingepflegt, nicht als neuer Output. Kein Scrollen durch den Chatverlauf, kein Kopieren in externe Tools, kein manuelles Nachpflegen. Das Dokument entwickelt sich bei jeder Iteration weiter.
**→ Projekte**
für den Kontext-Boost: Nutze Projekte, um effizient mit Hintergrundinformationen und Arbeitslogik zu arbeiten. Mit dem im Projekt hinterlegten Kontext ersparst du dir viel Prompting-Aufwand und sicherst dir immer konsistente Ergebnisse in gleichbleibender Qualität.
**→ Cowork**:
dein persönlicher KI-Mitarbeiter, der auch deine Dokumente direkt auf deinem Rechner bearbeitet und wiederkehrende Aufgaben automatisiert ausführt.
**→ Konnektoren**
verbinden Claude mit Google Drive, Notion, Gmail, Slack, u.v.m. ohne dass Inhalte manuell in Prompts kopiert werden müssen.
**→ Claude in Chrome**
erschließt deinen Browser als Arbeitsraum.
**→ Claude Code**
ist dein Werkzeug für die Erstellung eigener kleiner Programme: ein Coding-Agent, mit dem auch du Vibe-Coding umsetzen kannst.
AskUserQuestion-Tool
💡 Und dann gibt es da noch das AskUserQuestion-Tool, eines meiner Favoriten bei Claude: Du hast im Prompt wichtige Kontext-Informationen nicht mitgegeben? Claude fragt strukturiert nach, bevor es einfach auf Basis irgendwelcher Annahmen antwortet. Im Multiple-Choice-Modus werden Rückfragen als wählbare Optionen angeboten. Das reduziert generisches Rauschen im Output und verbessert die Anfrage deutlich.
Claude als Chatbot nutzen = gutes Sprachmodell
Claude in allen Schichten nutzen = produktives Arbeitssystem
Hier geht es zum Beitrag auf LinkedIn: DAs Claude Ökosystem als produktives Arbeitssystem
Der Rollenprompt macht gerade wieder die Runde als DER Prompting-Tipp.
Grund ist Anthropics aktuelle Veröffentlichung
Prompting Best Practices
in der auch der Rollenprompt gelistet ist.
In der aktuellen Best-Practices-Doku heißt es: Die Rolle “fokussiert Claudes Verhalten und Ton”. Dieser Satz wird gerne überlesen oder fehlinterpretiert und verkauft als “Sag der KI, sie sei erfahrener Steuerberater, und du bekommst eine Experteneinschätzung.”
Aber genau das ist es, was eine Rolle eben nicht tut. “Du bist erfahrener Steuerberater” verändert, wie der Output klingt: sachlich, autoritativ, in der Sprache der Berufsgruppe. Es definiert eine Perspektive.
💡Was die Rolle nicht leistet:
zusätzliches Fachwissen freischalten. Das verfügbare Wissen bleibt vor und nach der Rollenzuweisung dasselbe.
Zudem gilt Anthropics Empfehlung dem Systemprompt, also z.B. der Konfiguration eines Agenten. “Du bist Steuerberater” als Einzeiler vor einer Chatfrage ist etwas anderes: eine einmalige Tonangabe, kein Konfigurationsrahmen.
Substanz kommt aus dem individuellen Kontext:
Branche, Rechtsraum, Zahlen, Stakeholder, Constraints. Diese konkreten Sachverhalte übergeben relevantes Wissen zuverlässig, nicht über eine generische Rollenzuweisung.
Daher: Rolle für Ton und Perspektive, Kontext für Substanz. Eine Rolle gibt der KI die Stimme eines Experten. Das Wissen eines Experten gibt sie ihm nicht.
Hier geht es zum Beitrag auf LinkedIn: Rollenprompts