Anthropic hat Mitte September 2026 eine Sammlung von Prompt-Tipps veröffentlicht, zugeschnitten auf das eigene Modell Fable 5.1. Keine große Prompt-Engineering-Theorie, sondern fünf sehr konkrete Muster gegen Probleme, die jeder kennt, der täglich mit einem KI-Assistenten arbeitet: gestelzte Sprache, wild wechselnde Formatierung, übersprungene Recherche, unnötig große Dateiänderungen und Aufgaben, die mittendrin liegen bleiben.
Ich arbeite selbst laufend mit mehreren KI-Modellen, für Kursinhalte, für Marketingtexte und für diese Website. Die fünf Muster sind nicht neu erfunden, aber sie zeigen ziemlich genau, wo Standardprompts heute noch schwächeln. Im Folgenden die fünf Punkte in eigenen Worten, mit dem, was davon in meiner eigenen Arbeit tatsächlich etwas verändert hat.
Gegen gestelzten KI-Ton
Der erste Punkt betrifft das, was Anthropic selbst gestelzte Prosa nennt: Metaphern und rhetorischer Schwung anstelle einer klaren Aussage. Der Trick dahinter ist simpel. Erst benennen, was man nicht will, mit einem Beispiel für das Muster. Dann benennen, was man stattdessen will.
Ein Satz reicht oft schon, um ein Modell aus dem Marketingsprech-Modus zu holen. Bei hartnäckigeren Fällen hilft es, das Muster einmal ausführlicher zu erklären, inklusive Gegenbeispiel, so wie Anthropic es selbst vormacht.
Warum diese Anweisung? Metaphern und rhetorischer Schwung ersetzen eine klare Aussage. Der Zusatz benennt das unerwünschte Muster mit einem Beispiel und sagt, was stattdessen stehen soll.
Beispiel: Schreib nüchterner, nicht „eine Content-Strategie, die zündet“, sondern „eine Content-Strategie, die mehr Traffic bringt“.
Für promptpower.de gilt ohnehin eine eigene, deutlich striktere Version davon: ein Regelwerk, das jeder Text hier durchläuft, bevor er online geht. Deshalb hat mich dieser erste Punkt am wenigsten überrascht und am meisten gefreut. Anthropic beschreibt im Grunde ein Problem, das Redaktionen längst kennen, jetzt auch modellseitig.
Formatierung ausdrücklich ansagen, nicht nur verbieten
Neuere Modelle setzen von sich aus weniger Fettdruck, Überschriften und Aufzählungen als ihre Vorgänger. Klingt erstmal gut. Wer in seinen Standardanweisungen aber pauschal keine Bulletpoints stehen hat, bekommt jetzt möglicherweise reine Textwände, auch dort, wo eine Liste tatsächlich geholfen hätte.
Die Lösung ist keine neue Regel, sondern eine genauere: sagen, wann Struktur gewünscht ist und wann nicht, statt Formatierung pauschal zu verbieten. Anthropics eigener Vorschlag läuft darauf hinaus, Listen dort zuzulassen, wo Inhalte wirklich mehrschichtig sind, und bei persönlichen oder erklärenden Antworten beim normalen Fließtext zu bleiben.
Warum diese Anweisung? Neuere Modelle setzen von sich aus weniger Struktur. Ein pauschales Bulletpoint-Verbot in den Standardanweisungen führt dann zu Textwänden auch dort, wo eine Liste geholfen hätte, statt genauer zu sagen, wann Struktur gewünscht ist.
Beispiel: „Nutze Aufzählungen nur, wenn Inhalte wirklich mehrschichtig sind. Bei persönlichen oder erklärenden Antworten bleib bei normalem Fließtext, auch wenn das bedeutet, ganz auf Bullet Points zu verzichten.“
Auch das deckt sich mit der Regel, nach der Texte auf dieser Website entstehen: keine Überschrift für jeden Mini-Absatz, aber auch keine künstliche Ablehnung von Listen, wenn sie wirklich Übersicht schaffen. Wer selbst Content für Social Media oder Newsletter produzieren lässt, kann diese Feinjustierung direkt in die eigene Content-KI übernehmen, mehr dazu auch auf /ki-im-marketing/.
Recherche nicht überspringen, besonders bei günstigeren Einstellungen
Aktuelle Modelle lassen sich in unterschiedlichen Aufwandsstufen betreiben, von einer schnellen, günstigen Stufe bis zu einer, die deutlich mehr Rechenzeit in eine Antwort steckt. Anthropic selbst sagt, die günstigste Stufe sei preislich mit den eigenen Modellen Opus und Sonnet vergleichbar, schneide in eigenen Tests aber besser ab als beide. Der Haken: Diese Stufe verlässt sich stärker auf das, was das Modell bereits gelernt hat, statt aktiv nachzuschlagen.
Bei einem Namen, einem Tool oder einer Zahl aus einem sich schnell verändernden Feld wie KI-Tools, SEO-Rankings oder Modellversionen ist das riskant. Eine veraltete Antwort klingt dabei genauso sicher formuliert wie eine aktuelle, das macht den Fehler schwer erkennbar.
Die praktische Konsequenz für mich: Bei Recherchen für Kursinhalte oder Blogartikel frage ich inzwischen gezielt nach, ob eine Aussage tatsächlich nachgeschlagen wurde oder aus dem Trainingswissen stammt, besonders wenn ich aus Kostengründen eine niedrigere Aufwandsstufe nutze. Ein einfacher Zusatz im Prompt, aktuelle Informationen aktiv zu recherchieren statt sich auf vorhandenes Wissen zu verlassen, reicht in den meisten Fällen.
Warum diese Anweisung? Günstigere Aufwandsstufen verlassen sich stärker auf trainiertes Wissen statt auf aktive Recherche. Eine veraltete Antwort klingt dabei genauso sicher formuliert wie eine aktuelle, gerade bei sich schnell verändernden Themen ist das riskant.
Beispiel: „Bevor du eine Aussage zu einem Namen, einem Tool oder einer Zahl aus einem sich schnell verändernden Feld triffst: Recherchiere aktiv, statt dich auf dein Trainingswissen zu verlassen, und sag mir ausdrücklich, wenn du das nicht getan hast.“
Gezielt ändern statt alles neu schreiben
Der vierte Punkt richtet sich an alle, die mit KI auch Code oder strukturierte Dateien bearbeiten lassen, etwa CSS, PHP oder Konfigurationsdateien. Die Empfehlung: kleine, gezielte Änderungen statt kompletter Neuschreibung, wenn das Ergebnis am Ende dasselbe ist. Das spart nicht nur Rechenaufwand, es verringert auch das Risiko, dass beim großzügigen Neuschreiben etwas verloren geht, das eigentlich stehen bleiben sollte.
Genau das ist mir auf dieser Website schon passiert. Ein Bearbeitungswerkzeug hat beim Speichern nicht nur die geänderte Stelle, sondern den kompletten Seiteninhalt neu gesetzt und dabei einen Textblock verschluckt, der eigentlich stehen bleiben sollte. Seitdem gilt hier eine feste Regel: Inhalte über gezielte, einzeln nachprüfbare Änderungen bearbeiten statt über komplette Neuschreibungen, wo immer es geht.
Warum diese Anweisung? Eine komplette Neuschreibung kostet nicht nur mehr Rechenaufwand, sie birgt auch das Risiko, dass dabei etwas verloren geht, das eigentlich stehen bleiben sollte.
Beispiel: „Ändere nur die Stellen, die sich wirklich ändern müssen. Schreib eine Datei nicht komplett neu, wenn eine gezielte Änderung zum selben Ergebnis führt.“
Aufgaben tatsächlich zu Ende bringen
Der letzte Punkt betrifft längere, mehrstufige Aufgaben, bei denen ein Modell selbstständig mehrere Schritte hintereinander ausführen soll. Ohne klare Ansage bleibt es dabei gern mittendrin stehen und fragt nach, ob es weitermachen soll, obwohl die Antwort offensichtlich ja lautet.
Anthropics Vorschlag dazu: klar ansagen, dass niemand live mitliest und Zwischenfragen den Ablauf nur aufhalten, und die Aufgabe lieber zu Ende bringen, bevor man sich meldet. Mit einer wichtigen Ausnahme. Bei Schritten, die einen echten Systemeingriff auslösen würden, etwa Löschungen oder Konfigurationsänderungen, soll das Modell anhalten und noch einmal prüfen, ob die Datenlage die konkrete Aktion wirklich hergibt.
Genau mit dieser Abwägung arbeite ich in eigenen Anweisungen für KI-Werkzeuge inzwischen auch: Aufgaben zu Ende führen statt beim ersten Zwischenstand aufzuhören, aber bei irreversiblen Schritten bewusst eine Pause einbauen.
Warum diese Anweisung? Ohne klare Ansage bleibt ein Modell bei mehrstufigen Aufgaben gern mittendrin stehen und fragt nach, obwohl die Antwort offensichtlich ja lautet. Bei echten Systemeingriffen soll es aber weiterhin anhalten und die Datenlage prüfen.
Beispiel: „Führ die Aufgabe vollständig zu Ende, ohne zwischendurch nachzufragen, ob du weitermachen sollst. Halte nur an, wenn ein Schritt wirklich nicht rückgängig zu machen ist, etwa beim Löschen von Daten oder einer Konfigurationsänderung, und prüfe dann noch einmal, ob die Lage diesen Schritt tatsächlich rechtfertigt.“
Keiner dieser fünf Punkte ist revolutionär, und genau das macht sie brauchbar. Anthropic beschreibt im Grunde altbekannte Redaktions- und Entwicklungsregeln, nur diesmal als Anweisung an ein Modell formuliert. Interessanter als die einzelnen Tipps ist, was das über den aktuellen Stand der Technik verrät: Wenn ein Hersteller seinen eigenen Nutzern erklären muss, wie sie gestelzte Sprache, übersehene Recherche oder abgebrochene Aufgaben per Formulierung umgehen, zeigt das, wie viel davon im Modell selbst noch nicht gelöst ist.
Wer das ausprobieren will, muss nicht alle fünf Punkte auf einmal in die eigenen Standardanweisungen packen. Einen greifen, eine Woche testen, dann den nächsten. Wer bei den KI-Grundlagen noch tiefer einsteigen will, findet den praktischen Einstieg auf /ki-lernen/. Wer das Thema strukturiert lernen will statt sich einzelne Prompts zusammenzusuchen: Genau darum geht es in meinem KI-Kurs bei MOD education, den ich auf /meine-kurse/ vorstelle.
Quelle: Roger Montti, „Anthropic Shares Power Prompts That Improve AI Results“, Search Engine Journal, 15. September 2026, searchenginejournal.com. Die Originalanweisungen von Anthropic stehen im offiziellen Prompting-Guide für Fable 5.1 auf platform.claude.com.