Ihre KI-Ebene löschen? Nicht so schnell.

Boris Cherny, der visionäre Schöpfer von Claude Code, warf kürzlich eine Granate in die KI-Entwickler-Community mit einer provokanten Anweisung: „Löschen Sie alle 6 Monate Ihre gesamte KI-Ebene.“ Dies war kein bloßer Vorschlag; es wirkte wie ein existenzielles Mandat und löste sofort einen Sturm der Debatte und Besorgnis in Entwicklerforen und sozialen Medien weltweit aus.

Diese kühne Ankündigung löste ein seismisches Beben im Ökosystem aus, das weitgehend als universelle Ablehnung hart erarbeiteter Prompt-Engineering-Expertise missverstanden wurde. Die unmittelbare, weit verbreitete Schlussfolgerung war, dass hochmoderne Modelle wie Opus 5 sich so dramatisch weiterentwickelt hätten, dass sie alle bisherigen, sorgfältig ausgearbeiteten Prompt-Ketten, benutzerdefinierten Logiken und komplexen Leitplanken völlig obsolet machten. Die Community rang mit der Vorstellung, dass ihre mühsamen Bemühungen, weniger leistungsfähige LLMs zu steuern, nun nicht nur unnötig, sondern vielleicht sogar schädlich seien.

Die Implikation traf tief und erschütterte den Kern der Entwickleridentität. Sie suggerierte, dass Monate, sogar Jahre des Erstellens komplexer globaler Regeln, spezialisierter Fähigkeiten und ausgefeilter Hooks – die gesamte maßgeschneiderte AI layer der Entwickler – plötzlich als wegwerfbarer, wertloser Ballast gebrandmarkt wurden. Diese kollektive Anstrengung, die durch das unerbittliche Tempo der LLM-Innovation scheinbar irrelevant wurde, erzeugte weit verbreitete Besorgnis in der Community. Viele Entwickler hinterfragten den unmittelbaren Wert ihrer erheblichen Investitionen in den Aufbau robuster KI-Systeme und befürchteten, dass ihr hart erarbeitetes geistiges Eigentum nun veraltet sei.

Chernys provokantes „Löschen Sie Ihre gesamte KI-Ebene“-Mandat vom Schöpfer von Claude Code klingt zunächst wie ein Aufruf zum digitalen Nihilismus. Doch bei näherer Betrachtung zeigt sich, dass er nicht für eine blinde Säuberung hart erarbeiteter Fortschritte plädierte. Stattdessen setzt sich Cherny für einen systematischen, forschungsbasierten Bewertungsprozess ein: Ablation.

Ablation, ein Begriff, der direkt aus der KI-Forschung stammt, bedeutet, bei einem völlig leeren Blatt anzufangen. Stellen Sie sich vor, Sie entfernen jeden Prompt, jede globale Regel, jede benutzerdefinierte Fähigkeit, die Sie mühsam aufgebaut haben. Dann führen Sie diese Elemente Zeile für Zeile wieder ein und bewerten systematisch die Auswirkungen jeder Ergänzung. Diese sorgfältige Neubewertung zeigt, was wirklich zur Leistung Ihrer KI beiträgt und was redundant oder sogar einschränkend geworden ist.

Dies ist keine rein akademische Übung; es ist eine entscheidende Erkenntnis über das Verhalten moderner LLMs. Neuere Modelle wie Opus gedeihen bei übergeordneten Zielen und robusten Leitplanken, nicht bei allzu spezifischen Schritt-für-Schritt-Anweisungen. Zu präskriptives Prompting, das einst für weniger leistungsfähige Modelle eine Notwendigkeit war, erstickt heute oft deren emergente Fähigkeiten. Ablation hilft Ihnen, diese instruktiven Engpässe zu identifizieren, und ermöglicht es Ihnen, das Modell mit minimaler, wirkungsvoller Anleitung „let the model cook“ zu lassen und sein volles Potenzial freizusetzen.

Chernys systematische Ablation stellt zwar theoretisch eine solide Methode dar, bietet jedoch für die meisten Betriebe eine erstaunliche praktische Hürde. Dieser Prozess erfordert das Löschen eines gesamten System-Prompts und dann die sorgfältige Wiedereinführung jeder Fähigkeit, jedes Hooks und jeder globalen Regel Zeile für Zeile, um deren individuellen Einfluss zu messen. Eine solch erschöpfende Bewertung erfordert extreme Kosten an Tokens, Entwicklerstunden und technischen Ressourcen, was sie zu einer unerschwinglichen Übung macht.

Dieser Rat entspringt jedoch einer Perspektive nahezu unbegrenzter Ressourcen. Als Anthropic-Mitarbeiter arbeitet Cherny mit einem Token-Budget, von dem die meisten Unternehmen nur träumen können. Er erwähnt beiläufig, Agenten-Sitzungen über "zwei Wochen" laufen zu lassen, und spezifiziert sogar "14 Tage, 15 Tage" für eine einzige Aufgabe. Dies ist ein Luxus, der für Teams, die pro Token bezahlen oder ständig mit Ratenbegrenzungen bei leistungsstarken Modellen wie Opus 5 kämpfen, bei denen jede Interaktion reale Kosten verursacht, unmöglich ist.

Für die überwiegende Mehrheit der Unternehmen bleibt eine vollständige System-Ablation alle sechs Monate eine teure, disruptive Fantasie und keine praktikable Strategie. Während die Absicht, durch das Entfernen unnötiger Prompts zu optimieren, lobenswert ist, ist dieses Maß an systematischer, Token-intensiver Iteration für typische Unternehmensumgebungen schlicht nicht machbar. Es ist ein Luxus auf Forschungsniveau, der von den finanziellen Realitäten der meisten Entwicklungsteams, die Claude by Anthropic oder andere LLMs nutzen, losgelöst ist.

Anstatt alles pauschal zu löschen, ergibt sich eine intelligentere Strategie für das Prompt-Management aus einem Spektrum an Kontext. Wir müssen zwischen ständig aktiven "globalen Regeln" – den grundlegenden System-Prompts, die die Persona und die Kernrichtlinien Ihrer KI definieren – und den On-Demand-"Fähigkeiten" oder "Sub-Agenten", die spezifische, modulare Aufgaben ausführen, unterscheiden. Diese Unterscheidung ist entscheidend für eine pragmatische Optimierung.

Aggressive Ablationsbemühungen müssen zuerst auf diese globalen Regeln abzielen. Sie stellen die höchsten Token-Kosten dar, verbrauchen bei jeder Inferenz Ressourcen und bergen das größte Risiko, moderne LLMs zu stark einzuschränken. Boris Chernys Erkenntnis, trotz ihrer anfänglichen Fehlinterpretation, gilt hier: Viele grundlegende Anweisungen, die für ältere Modelle unerlässlich waren, behindern heute leistungsstarke neue Iterationen wie Opus 5 aktiv.

Halten Sie daher Ihre globalen Regeln chirurgisch schlank und überprüfen Sie diese regelmäßig, um unnötige Anweisungen zu entfernen. Behandeln Sie umgekehrt Fähigkeiten und Sub-Agenten als langlebigere Assets. Diese spezialisierten Komponenten werden nur bei Bedarf aktiviert und verursachen Kosten auf Abruf, nicht kontinuierlich. Sie jährlich statt alle sechs Monate zu überprüfen, spart erhebliche Entwicklungszeit und mildert den "Milliarden-Token-blinden Fleck" einer vollständigen Ablation. Dieser ausgewogene Ansatz priorisiert Effizienz und Wirkung und stellt sicher, dass Ihre KI-Ebene ohne ständige, unerschwinglich teure Überholungen scharf bleibt.

Was ist die KI-'Ablations'-Methode?

Ablation ist ein Prozess der systematischen Bewertung der Prompts und Regeln eines KI-Systems. Er beinhaltet das Löschen des gesamten System-Prompts und das anschließende Hinzufügen jeder Zeile oder Komponente einzeln, um deren Auswirkungen auf die Leistung mit einem neuen Modell zu testen.

Warum schlug der Schöpfer von Claude vor, Ihre gesamte KI-Ebene zu löschen?

Boris Chernys Punkt war, dass moderne LLMs so leistungsfähig sind, dass sie oft nicht die übermäßig spezifischen Schritt-für-Schritt-Anweisungen benötigen, die für ältere Modelle erforderlich waren. Er plädiert für Ablation, um unnötige Einschränkungen zu entfernen und dem Modell zu ermöglichen, effektiver zu arbeiten.

Ist es praktikabel, eine vollständige Ablation Ihres KI-Systems durchzuführen?

Für die meisten Entwickler und Unternehmen ist eine vollständige Ablation alle sechs Monate unpraktikabel. Der Prozess ist extrem zeitaufwendig und Token-intensiv, was ihn sehr teuer und potenziell störend für die laufende Entwicklung macht.

Was ist ein pragmatischerer Ansatz, um Prompts effizient zu halten?

Eine intelligentere Strategie besteht darin, die Ablationsbemühungen auf die am häufigsten verwendeten und Token-intensivsten Teile Ihrer KI-Ebene zu konzentrieren, wie z. B. globale Regeln und System-Prompts. On-Demand-Kontext, wie Fähigkeiten oder Sub-Agenten, kann weniger häufig überprüft werden.