Die Karpathy-Methode: KI 10× effektiver nutzen

Andrej Karpathy – ehemaliger KI-Chef bei Tesla – hat auf der AISN 2026 erklärt, warum die meisten Menschen KI falsch einsetzen. Nicht, weil sie zu wenig üben, sondern weil sie das Werkzeug missverstehen. Seine Methode, um mit KI deutlich schneller zu arbeiten, lässt sich auf drei Schichten herunterbrechen: Spec, Verifizierung und Umgebung. Hier ist, was wirklich dahintersteckt – ohne Hype, dafür zum Mitmachen.

Warum KI bei einfachen Fragen scheitert

Karpathy nennt ein simples Beispiel: „Ich will zur Waschstraße, sie ist 50 Meter entfernt. Soll ich fahren oder gehen?“ Die heutigen Spitzenmodelle – Claude, Gemini, Grok, ChatGPT – antworten alle: gehen, ist ja so nah. Falsch. Denn um das Auto zu waschen, brauchen Sie das Auto vor Ort.

Das ist der ganze Kern: KI ist brillant bei allem, was sich messen lässt – und blind bei allem, was Kontext braucht. Ihr Ziel, Ihre Rahmenbedingungen, Ihr Bauchgefühl: dazu hat die KI kein Signal. Die Aufgabe besteht also nicht darin, „besser zu prompten“, sondern diese Lücke zwischen Ihrem Verständnis und der Rechenkraft der KI zu schließen. Genau das leisten die drei Schichten.

Schicht 1: Der Spec – Ihr Verständnis in nutzbarer Form

Ein Spec ist die Art, wie Sie Ihr Verständnis an die KI übergeben – in einem Format, mit dem sie etwas anfangen kann. Der bekannte „Plan-Modus“ in Claude geht in die richtige Richtung, ist Karpathy aber zu oberflächlich. Sein Rat: gemeinsam mit dem KI-Tool einen wirklich detaillierten Spec entwerfen. So gelingt das in drei Schritten.

1. Decken Sie das eigentliche Ziel auf

„Erstelle einen Monatsbericht“ ist eine Aufgabe. Das Ziel ist die Schlussfolgerung, die Sie ziehen, die Entscheidung, die der Bericht auslöst. Was das Ziel ist, kann die KI niemals für Sie festlegen. Lassen Sie sich stattdessen befragen:

„Interviewe mich, um das Ziel dieses Projekts zu identifizieren, bevor du beginnst.“

2. Arbeiten Sie agil, nicht im Wasserfall

Die meisten Menschen werfen der KI alles auf einmal hin (Wasserfall) und hoffen auf das fertige Ergebnis. Besser ist agiles Speccing: enger Rahmen, klarer Checkpoint, Ergebnis prüfen, nachjustieren, wiederholen. So merken Sie früh, wenn die Richtung nicht stimmt.

„Tendiere zu kleineren, stärker abgegrenzten Specs mit klaren Zwischenergebnissen.“

3. Seien Sie präzise – und denken Sie mit

Je präziser Sie sind, desto weniger muss die KI annehmen. Und jede Annahme ist eine Chance, vom gewünschten Ergebnis abzudriften. Wenn die KI einen Spec für Sie schreibt, lesen Sie ihn kritisch – mit dem eigenen Kopf.

„Lass mich zentrale Entscheidungen ausdrücklich bestätigen, damit nichts übersehen wird.“

Drei Bausteine, ein Ergebnis: ein eng gefasster, durchdachter Spec, der zu Ihrem tatsächlichen Ziel passt. Karpathy nennt das modern engineering – eine Haltung, die künftig jede:r braucht, der mit KI ernsthaft arbeitet.

Schicht 2: Der Verifizierer – KI ihre eigene Arbeit prüfen lassen

Das Frustrierendste an KI ist das Prüfen des Ergebnisses. Um zu verstehen, warum, hilft Karpathys mentales Modell. Er spricht von „Tieren“ gegenüber „Geistern“: Menschen sind wie Tiere – mit Motiven und Emotionen. Wenn Sie jemandem sagen „werde in 14 Tagen SEO-Profi oder du bist gefeuert“, findet die Person einen Weg. KI funktioniert anders.

Ein anschaulicheres Bild: Stellen Sie sich die KI als Roboter-Bibliothekar vor. Sie beantwortet Fragen nur anhand der Bücher in ihrer Bibliothek. Fehlt ein Buch, kann sie nicht helfen – und merkt es oft nicht. Deshalb glänzt sie bei Mathe und stolpert beim Kontext: Wo klare Antworten in der Bibliothek stehen, ist sie brillant; wo nicht, ist sie selbstbewusst falsch. Anschreien, betteln oder „mach das besser“ hilft nicht. Der einzige echte Hebel ist die Verifizierung. Drei Ansatzpunkte:

• Bewertungskriterien vorab festlegen. Statt „mach den Bericht gut“: „Der Bericht hat drei Abschnitte, jeder endet mit einer Empfehlung.“ Je präziser vorher, desto weniger Spielraum für Fehler.
• Ein zweites Modell als Kritiker. Ein zweiter Bibliothekar aus einer anderen Bibliothek bewertet das Ergebnis des ersten. In Claude Code lässt sich etwa das Codex-Plugin nutzen: „Wenn das ein komplexer Build wird, lass das Endergebnis von Codex gegenprüfen.“
• Externe Signale einbinden. Verbinden Sie die KI mit dem System, das die Wahrheit kennt – etwa der Deployment-Umgebung, um zu bestätigen, dass wirklich ausgeliefert wurde. Oder geben Sie alte Berichte als Referenzformat mit.

Boris Cherney, Erfinder von Claude Code, bringt es auf den Punkt: Hat Claude eine Feedback-Schleife, verdoppelt bis verdreifacht das die Qualität des Endergebnisses.

„Skizziere die Bewertungskriterien, mit denen du ein hochwertiges Endergebnis sicherstellst. Sei präzise. Wo sinnvoll, ziehe ein zweites Modell oder externe Daten zur Prüfung heran.“

Schicht 3: Die Umgebung – der Werkstatt-Boden, auf dem alles steht

Spec und Verifizierung brauchen einen Ort zum Leben: die Umgebung, in der Sie bauen. Denken Sie an eine Werkstatt – der Spec ist der Bauplan an der Wand, der Verifizierer die Qualitätskontrolle an der Tür, und die Umgebung ist die Werkstatt selbst. Das Problem: Die meisten bauen jedes Mal bei null auf. So richten Sie stattdessen einen Arbeitsplatz ein, der mit der Zeit besser wird:

• Eine saubere CLAUDE.md-Datei. Sie wird bei jedem Prompt automatisch mitgeladen – das Erste, was Claude liest. Beispiel: „Bevor du etwas Mehrstufiges baust, füge einen Verifizierungsplan hinzu.“ So ist Prüfung erzwungen, nicht optional.
• Eine eigene Wissensbasis (LLM knowledge base). Ein Ordnersystem mit Ihren eigenen Daten, das die KI leicht durchsucht. Ihre Daten sind Ihr Burggraben – hier beginnt Ihr intellektuelles Eigentum.
• Wiederverwendbare Skills. Faustregel: Was Sie wiederholt tun, wird ein Skill – ein Handbuch für eine konkrete Aufgabe. „Der beste Weg, ein Leck im Schlauch zu finden, ist, Wasser durchlaufen zu lassen.“ Je mehr Sie Skills nutzen, desto besser werden sie.
• Echte Regeln statt Bitten. Ein Satz in CLAUDE.md („nicht erfinden“) ist eine Bitte, die die KI ignorieren kann. Was kritisch ist, gehört auf Tool-Ebene erzwungen – z. B. ein Pre-Tool-Use-Hook, der bestimmte Dateien hart schützt.

Sortieren Sie Ihre Aktionen in drei Körbe: Immer erlaubt (läuft auf Autopilot), Vorher fragen (gegenprüfen) und Niemals (Grenzen, die nicht überschritten werden dürfen). Machen Sie die Umgebung zu Ihrer Welt – die KI lebt darin, nicht umgekehrt.

Das Eine, worauf es ankommt

„Sie können Ihr Denken auslagern – aber nicht Ihr Verständnis.“
– Andrej Karpathy

Alle drei Schichten drehen sich um genau das: Ihr Verständnis des größeren Bildes. Sie müssen Ihre Ziele kennen und wissen, was nötig ist, um die KI in die richtige Richtung zu lenken. Werkzeuge werden billiger – Verständnis bleibt knapp.

Fazit

„Besser prompten“ ist die falsche Frage. Wer mit KI wirklich schneller und besser wird, baut ein System: einen präzisen Spec, der vom Ziel ausgeht; eine Verifizierung, die Qualität erzwingt; und eine Umgebung, die mit jeder Nutzung wächst. Das ist keine Magie und kein Hype – sondern saubere Arbeit, bei der Sie den Kopf behalten. Genau so beraten wir auch: ehrlich, messbar, ohne KI-Hype. Wenn Sie das in Ihrem Unternehmen aufsetzen wollen, sprechen wir darüber.

Zum Mitnehmen

Die komplette Methode als kompakte Unterlagen – ideal zum Abspeichern und Teilen im Team:

Quelle: „Stop Prompting Claude. Use Karpathy’s Method Instead.“ von Austin Marchese (YouTube). Frei zusammengefasst und ins Deutsche übertragen.