Das Ende des Promptings: Der Beginn von AI Loops

Die meisten Menschen versuchen immer noch, den perfekten Prompt zu finden.

Das ist jetzt das falsche Spiel.

Die besten KI-Nutzer werden nicht besser, weil sie einen magischen Satz gefunden haben. Sie werden besser, weil sie aufgehört haben, KI wie eine Chatbox zu behandeln, und stattdessen angefangen haben, sie wie ein System zu nutzen, das Arbeit von einem Schritt zum nächsten tragen kann.

Das ist der Wandel: Beim Prompting ging es darum, eine gute Antwort zu bekommen. Bei Loops geht es darum, die Arbeit auch nach der ersten Antwort in Bewegung zu halten.

TEIL 1 · Die Prompt-Ära stößt an ihre Grenzen

Jeder sammelt immer noch bessere Prompts – das ist inzwischen der Hebel mit der geringsten Wirkung für KI. Sie jagen weiter dem perfekten Satz, dem perfekten Rollenspiel, dem perfekten „Agieren Sie als“-Setup hinterher und fragen sich dann, warum jede ernsthafte Aufgabe immer noch darin endet, vierzig Minuten lang einen Chat-Tab zu hüten.

• Der alte KI-Workflow sieht so aus:
• Chat öffnen → Kontext einfügen → einmal fragen → Ausgabe korrigieren → nochmal fragen → neu beginnen
• Es fühlt sich produktiv an, weil etwas passiert.
• Es ist immer noch Handarbeit mit einer schnelleren Autovervollständigung.

Das Problem ist nicht, dass die Prompts schlecht sind. Das Problem ist, dass ein Prompt in der Regel nur ein einziger Zug ist, während echte Arbeit eine Kette von Zügen ist. Recherche wird zu Gliederung, Gliederung wird zu Entwurf, Entwurf wird zur Prüfung, Prüfung wird zur Überarbeitung, Überarbeitung wird zur Veröffentlichung, und dann sollte das Ergebnis den nächsten Versuch lehren. Die meisten Menschen zwingen sich, jeden Schritt manuell voranzutreiben, und nennen das dann „KI-Workflow“.

Das ist kein Workflow. Das ist das Drücken von „Weiter“ auf einer Maschine, die eigentlich schon wissen sollte, was als Nächstes kommt.

1Du bist nicht hier, um meine Aufgabe direkt zu beantworten.
2
3Du bist hier, um sie in einen wiederholbaren KI-Loop zu verwandeln.
4
5Aufgabe:
6[AUFGABE EINFÜGEN]
7
8Zerlege die Aufgabe zunächst in die Schritte, die normalerweise manuell ablaufen.
9
10Entwerfe dann einen Loop, der diese Schritte mit minimaler menschlicher Beaufsichtigung ausführen kann.
11
12Der Loop muss Folgendes enthalten:
13- welchen Kontext die KI braucht, bevor sie beginnt
14- was sie zuerst produzieren soll
15- wie die Ausgabe überprüft wird
16- was passiert, wenn die Ausgabe schwach ist
17- was für den nächsten Durchlauf gespeichert wird
18- wann der Loop stoppen soll
19- was noch die menschliche Genehmigung braucht
20
21Halte das System einfach genug, dass ich es jeden Tag ausführen kann.

Du beantwortest meine Aufgabe nicht direkt. Du verwandelst diese Aufgabe in einen wiederholbaren KI-Loop.

Die Aufgabe ist: [AUFGABE]

Entwirf den Loop wie ein System. Erkläre, welchen Kontext die KI braucht, bevor sie beginnt, was sie zuerst produzieren soll, wie die Ausgabe beurteilt werden soll, was passieren soll, wenn die Ausgabe schwach ist, was für den nächsten Durchlauf gespeichert werden soll und wann der Loop stoppen soll. Halte es einfach genug, dass ich es jeden Tag ausführen kann, ohne das ganze Setup neu aufbauen zu müssen.

TEIL 2 · Karpathy hat auf den wahren Wandel hingewiesen

Karpathys Software 3.0-Idee brachte die Leute dazu, den einfachen Satz zu wiederholen: Englisch wird zur Programmiersprache. Das stimmt, aber es ist nicht die ganze Entfesselung. Wenn Englisch ein Modell programmieren kann, dann kann Englisch auch einen Prozess um das Modell herum programmieren.

Das ist der Punkt, den die meisten übersehen haben. Sie nutzten natürliche Sprache, um Ergebnisse anzufordern, nicht um Systeme zu entwerfen. Vibe Coding war die chaotische erste Version: beschreibe, was du willst, lass die KI Code schreiben, führe ihn aus, beschwere dich, wenn er kaputtgeht, wiederhole, bis etwas funktioniert. Looping ist die sauberere Version desselben Instinkts: gib der KI ein Ziel, gib ihr Werkzeuge, gib ihr eine Prüfung, lass sie Fortschritte machen, und stell sicher, dass sie weiß, wann sie aufhören muss.

„Die coolste neue Programmiersprache ist Englisch.“

von Andrej Karpathy

Aber Englisch als Programmiersprache bedeutet nicht, dass man längere Prompts schreiben sollte. Es bedeutet, dass man anfangen sollte, die gesamte Maschine zu beschreiben: was sie liest, was sie tut, wie sie sich selbst prüft, woran sie sich erinnert und was sie nicht anfassen darf.

TEIL 3 · Der Loop ist das Produkt

Ein nützlicher Loop ist keine riesige Multi-Agenten-Fantasie. Er ist in der Regel auf die beste Weise langweilig. Die KI bekommt ein Ziel, zieht den richtigen Kontext, führt eine Aktion aus, prüft das Ergebnis anhand eines Standards, speichert, was funktioniert hat, und wiederholt nur, wenn das Ergebnis noch nicht gut genug ist.

Diese eine Änderung verwandelt KI von einem Textgenerator in einen Arbeiter. Kein perfekter Arbeiter, kein autonomer Gott, kein „Feuere dein Team“-Unsinn. Einfach ein Arbeiter mit einem Prozess, einer Checkliste und einem Manager, der die riskanten Teile überwacht.

• Dieser Wandel ist bereits sichtbar in:
• Karpathy → Software 3.0
• Anthropic → Agenten-Workflows
• Meta/Llama → Tools, Evaluierungen, Bereitstellungskontrolle

Deshalb sind die Agentenmuster von Anthropic wichtig. Die besten Agentensysteme werden nicht gebaut, indem man zehn Bots in einen Discord wirft und hofft, dass etwas Intelligentes passiert. Sie werden aus einfachen Bausteinen gebaut: Routing, Tools, Prompt-Ketten, Evaluator-Loops und Orchestrator-Worker-Setups. Die Magie liegt nicht darin, dass das Modell einmal intelligent handelt. Die Magie liegt darin, dass das Modell durch einen Prozess gezwungen wird, der schwache Arbeit abfängt, bevor du sie siehst.

Metas Llama-Ökosystem zeigt von der anderen Seite in die gleiche Richtung. Offene Modelle, Sicherheitsebenen, Evaluierungen, lokale Bereitstellung, günstigeres Routing, verschiedene Modelle für verschiedene Aufgaben. Die Zukunft ist nicht ein riesiges Modell, das alles beantwortet. Die Zukunft sind Systeme, in denen günstige Modelle sortieren, starke Modelle argumentieren, lokale Modelle private Kontexte verwalten und Evaluator-Durchläufe entscheiden, was überlebt.

TEIL 4 · Der Schreib-Loop

Die meisten KI-Texte sind schlecht, weil die Leute zu früh einen fertigen Artikel verlangen. Sie überspringen den Teil, in dem die Idee auf Herz und Nieren geprüft wird, der Haken bewertet wird, die schwachen Abschnitte angegriffen werden und die Beweise überprüft werden.

Ein echter Schreib-Loop beginnt nicht mit „Schreib mir einen Beitrag“. Er beginnt mit der Auswahl des Winkels. Dann testet er den Winkel auf Neugier, Spezifität, Beweise und emotionale Spannung. Dann wird entworfen. Dann wird der Entwurf beurteilt. Dann wird umgeschrieben. Erst danach solltest du ihn lesen.

Ein echter Schreib-Loop hat Ebenen:

Winkel → Haken → Entwurf → Kritik → Umschreiben → Bildideen → Nächster Test

Die meisten Leute fragen nur nach dem Entwurf.

Deshalb klingt der Entwurf wie der aller anderen.

1Du bist mein Schreib-Loop.
2
3Thema:
4[THEMA EINFÜGEN]
5
6Zielgruppe:
7[ZIELGRUPPE EINFÜGEN]
8
9Stil:
10[STIL EINFÜGEN]
11
12Ziel:
13[ZIEL EINFÜGEN]
14
15Schreibe den Artikel nicht sofort.
16
17Erstelle zunächst 5 mögliche Winkel für dieses Thema.
18
19Bewerte für jeden Winkel:
20- wie klickbar er ist
21- wie spezifisch er ist
22- wie nützlich er ist
23- wie anders er sich von generischen KI-Inhalten anfühlt
24
25Wähle den stärksten Winkel und erkläre, warum er gewinnt.
26
27Schreibe dann den ersten Entwurf.
28
29Wechsle nach dem Entwurf in den Editor-Modus und kritisiere ihn auf:
30- schwachen Einstieg
31- generische Behauptungen
32- fehlende Beweise
33- langweilige Übergänge
34- unklaren Nutzen
35- Abschnitte, die nach KI klingen
36
37Schreibe dann den Artikel mit dieser Kritik um.
38
39Gib mir am Ende:
401. finalen Artikel
412. stärksten Haken
423. schwächsten verbleibenden Abschnitt
434. 3 Bildideen
445. was ich in der nächsten Version testen sollte

Beginne damit, fünf mögliche Winkel für den Artikel zu erstellen. Bewerte jeden Winkel nach Neugier, Spezifität, Nützlichkeit und der Wahrscheinlichkeit, dass jemand klickt. Wähle den stärksten Winkel und erkläre, warum er gewinnt.

Schreibe dann den ersten Entwurf. Werde nach dem Entwurf zum Evaluator und greife ihn an wegen generischer Behauptungen, schwacher Beweise, langweiliger Übergänge, unklaren Nutzens und Abschnitten, die nach KI klingen. Schreibe den Artikel mit dieser Kritik um. Gib mir am Ende den endgültigen Entwurf, den stärksten Haken, den schwächsten verbleibenden Abschnitt und drei Bildideen, die den Artikel glaubwürdiger machen würden.

TEIL 5 · Der Recherche-Loop

Das Gleiche gilt für die Recherche. Die meisten Leute bitten die KI, „ein Thema zu recherchieren“, und bekommen dann eine matschige Zusammenfassung, die sich anhört wie jeder Blogbeitrag auf Seite zwei von Google. Ein Recherche-Loop sollte nicht zufällig Fakten sammeln. Er sollte nach Spannung jagen.

Die stärksten Artikel in dieser Nische machen alle das Gleiche: Sie finden ein altes Verhalten, zeigen, warum es jetzt kaputt ist, führen eine neue Kategorie ein und geben dem Leser dann ein System, das er klauen kann. Deshalb schlägt „Loop Engineering“ härter ein als „10 Claude-Prompts“. Das eine klingt nach einem neuen Betriebsmodell. Das andere klingt nach einem PDF-Lead-Magneten.

1
2Recherchiere dieses Thema, als würde ich einen leistungsstarken X-Artikel schreiben, keinen SEO-Blogbeitrag.
3
4Thema:
5[THEMA EINFÜGEN]
6
7Gib mir keine allgemeine Zusammenfassung.
8
9Finde die Spannung hinter dem Thema.
10
11Ich möchte wissen:
12- welches alte Verhalten die Leute immer noch zeigen
13- welches neue Verhalten es ersetzt
14- warum das alte Verhalten bricht
15- welche Beweise oder Beispiele zeigen, dass der Wandel real ist
16- welcher konträre Winkel die Leute zum Anhalten bringen würde
17- welche Behauptungen übertrieben klingen und vermieden werden sollten
18
19Verwandle es dann in ein Creator-Briefing mit:
20- Titel
21- These
22- Eröffnungshaken
23- Artikelstruktur
24- stärksten Beispielen
25- Bildideen
26- was der Leser am Ende glauben soll

TEIL 6 · Der Gedächtnis-Loop

Der Teil, den fast niemand baut, ist das Gedächtnis. Ohne Gedächtnis hat jeder KI-Workflow Amnesie. Sie kann dir heute helfen, aber morgen beginnt sie wieder wie ein Praktikant am ersten Tag.

Ein Gedächtnis-Loop ändert das. Nach jedem Projekt sollte die KI extrahieren, was funktioniert hat, was gescheitert ist, welcher Stil gut war, welche Beispiele am stärksten waren, welche Behauptungen sich schwach anfühlten und was beim nächsten Mal wiederverwendet werden sollte. So beginnt das System, sich zu verzinsen.

Dein zweites Gehirn ist nutzlos, wenn es nur Notizen speichert. Der wahre Durchbruch ist, wenn es sich selbst pflegt, wiederholte Ideen findet, unfertige Gedanken bemerkt und den richtigen Kontext in die nächste Aufgabe einbringt, bevor du überhaupt fragst.

1Extrahiere nach Abschluss dieser Aufgabe die wiederverwendbare Lektion aus der Arbeit.
2
3Speichere Folgendes:
4
5Was die Aufgabe war.
6Welcher Ansatz funktioniert hat.
7Was generisch klang.
8Welche Beispiele am stärksten waren.
9Welche Struktur am besten funktioniert hat.
10Was beim nächsten Mal wiederverwendet werden sollte.
11Welcher Fehler nicht wiederholt werden sollte.
12
13Bevor du mit der nächsten verwandten Aufgabe beginnst, überprüfe zuerst diesen Speicher.
14
15Wenn ich einen alten Fehler wiederhole, sprich es an.
16
17Wenn ein altes Muster passt, verwende es wieder.
18
19Wenn wichtiger Kontext fehlt, frage danach, bevor du die endgültige Antwort lieferst.

Extrahiere nach Abschluss dieser Aufgabe die wiederverwendbare Lektion aus der Arbeit.

Speichere, was die Aufgabe war, welcher Ansatz funktioniert hat, was generisch klang, welche Beispiele nützlich waren, was beim nächsten Mal wiederverwendet werden sollte und welchen Fehler ich vermeiden sollte. Bevor du mit der nächsten verwandten Aufgabe beginnst, überprüfe zuerst diesen Speicher und sag mir, ob ich im Begriff bin, einen alten Fehler zu wiederholen oder ein Muster zu übersehen, das bereits funktioniert hat.

TEIL 7 · Die wahre Fähigkeit jetzt

Prompting war die Anfängerschnittstelle. Es hat den Leuten beigebracht, dass Sprache Modelle steuern kann, aber es hat sie auch trainiert, zu klein zu denken. Sie stellen sich KI immer noch als eine Box vor, die antwortet, während die wirkliche Chance darin besteht, Systeme zu bauen, die Arbeit voranbringen.

Der nächste Vorteil liegt darin zu wissen, welche Aufgaben Loops verdienen. Nicht alles braucht einen. Eine schnelle Frage kann eine schnelle Frage bleiben. Aber alles, was du jeden Tag, jede Woche oder jedes Mal tust, wenn du veröffentlichst, verkaufst, programmierst, recherchierst, handelst, bearbeitest oder Wissen organisierst, sollte wahrscheinlich nicht in einem einzigen Chat leben.

Diese Arbeit braucht einen Loop.

Ein Loop macht den Menschen nicht überflüssig. Er bringt den Menschen zu dem Teil, der wirklich zählt: das Ziel zu setzen, den Geschmack zu definieren, die riskanten Entscheidungen zu genehmigen und das System nach jedem Durchlauf zu verbessern.

Die Leute, die immer noch Prompt-Listen sammeln, optimieren den Satz.

Die Leute, die Loops bauen, optimieren die Maschine.