Wie die einzelnen Teams bei Anthropic Claude Code nutzen

• Die verschiedenen Abteilungen bei Anthropic (Dateninfrastruktur, Produktentwicklung, Sicherheit, Inferenz, Data Science, Marketing, Design, RL-Engineering, Recht usw.) haben Claude Code eingeführt und erleben tiefgreifende Veränderungen bei der Automatisierung komplexer Projekte, der Effizienzsteigerung und der Erweiterung von Aufgaben für Nicht-Entwickler
• Bei Kubernetes-Störungsbehebung, Onboarding neuer Mitarbeitender, Monitoring großer Datenmengen und der Automatisierung nicht-technischer Workflows im Finanzteam sorgt Claude Code konkret für Problemlösung und höhere Produktivität
• Durch schnelles Prototyping, Navigation im Codebestand, automatische Testgenerierung und die Automatisierung wiederkehrender Aufgaben wurden Zeitersparnisse um den Faktor 2 bis 4 sowie Verbesserungen bei Entwicklungsgeschwindigkeit und Qualität erzielt
• Auch nicht-technische Abteilungen wie Design, Marketing und Recht können durch maßgeschneiderte Agenten sowie Integrationen mit Figma/Google Ads/Meta Ads komplexe Automatisierungen und Tools ohne Engineering-Ressourcen erstellen
• Jedes Team teilt seine wichtigsten Nutzungstipps: Dokumentation in Claude.md, wiederkehrende Checkpoints, konkrete Prompts, visuelles Feedback und das Teilen von Workflows im Team

---

Überblick

Anthropic setzt Claude Code in vielen internen Teams ein, sodass sowohl Entwickler als auch Nicht-Entwickler bei der Bearbeitung komplexer Projekte, der Automatisierung wiederkehrender Aufgaben und der Verkürzung von Lernkurven Produktivitätssprünge erzielen. Der Artikel zeigt detailliert, wie 10 Abteilungen Claude Code in der Praxis nutzen, welche Vorgehensweisen sich je Team bewährt haben, was bei der Einführung zu beachten ist und welche Tipps den Einsatz besonders effektiv machen.

---

Team Data Infrastructure: Einsatz von Claude Code in der Dateninfrastruktur

Wichtige Anwendungsfälle

• Kubernetes-Debugging
  • Bei Ausfällen in Kubernetes-Clustern werden Dashboard-Screenshots in Claude Code eingegeben, das dann im Google-Cloud-UI den Problempfad erklärt und nötige Befehle zur Behebung vorschlägt
• Workflows in Klartext für Nicht-Entwickler
  • Nicht-Entwickler im Finanzteam und anderen Bereichen beschreiben Datenflüsse in normalem Text; Claude Code führt daraufhin automatisch Workflows aus, fragt Eingabewerte ab und erstellt Ergebnisse in Excel
• Navigation im Codebestand für neue Mitarbeitende
  • Neue Data Scientists nutzen Claude Code, um die Dokumentation in Claude.md und die Struktur des Codebestands zu verstehen, Abhängigkeiten in Datenpipelines erklären zu lassen und Quellen von Dashboards nachzuvollziehen
• Automatische Zusammenfassung nach Sitzungsende
  • Nach jeder Arbeitssitzung lässt man automatisch die erledigten Aufgaben zusammenfassen und Vorschläge zur Verbesserung der Claude.md-Dokumentation machen
• Paralleles Arbeiten mit mehreren Instanzen
  • Mehrere Claude-Code-Instanzen laufen parallel über verschiedene Repositories hinweg, sodass zwischen Projekten gewechselt werden kann, ohne Workflow-Status und Kontext zu verlieren

Auswirkungen im Team

• Lösung von Infrastrukturproblemen ohne Hilfe von Spezialisten
• Deutlich schnelleres Onboarding neuer Mitarbeitender
• Stärkere Support-Workflows wie automatisierte Anomalieerkennung in Daten
• Self-Service für nicht-technische Abteilungen

Wichtige Tipps

• Ausführliche Dokumentation in der Datei Claude.md
• Bei sensiblen Daten eher MCP-Server als BigQuery CLI verwenden
• Best Practices durch das Teilen von Team-Sitzungen verbreiten

---

Team Product Development: Claude Code in der Produktentwicklung

Wichtige Anwendungsfälle

• Schnelles Prototyping über Automatisierungsschleifen
  • Nach Aktivierung des „auto-accept mode“ wird ein abstraktes Problem an Claude übergeben, das zunächst eine Lösung auf etwa 80-%-Niveau liefert, die anschließend final überarbeitet wird
• Synchrones Coding (Zusammenarbeit in Echtzeit)
  • Bei der Entwicklung zentraler Funktionen werden in Echtzeit Prompts und Code-Richtlinien vorgegeben, während Claude das wiederkehrende Coding übernimmt
• Implementierung eigenständiger Funktionen wie Vim-Modus
  • Mehr als 70 % der Implementierung entstehen automatisiert und werden anschließend iterativ vervollständigt
• Automatisierung von Testfällen und Bugfixes
  • In der PR-Review-Phase übernimmt Claude automatisch Formatkorrekturen, Umbenennungen von Funktionen und ähnliche Änderungen
• Schnelle Navigation im Codebestand
  • Auch bei komplexen Monorepo-Strukturen oder API-seitigem Code kann Claude nach Aufbau und Abhängigkeiten befragt werden

Auswirkungen im Team

• Schnelle Umsetzung komplexer Funktionen durch Automatisierung
• Weniger Zeitaufwand für Iteration und Erweiterung von Prototypen
• Bessere Testabdeckung und höhere Codequalität durch Automatisierung
• Effizientere Erkundung unbekannter Codebasen

Wichtige Tipps

• Eigene Verifikationsschleifen aufbauen (Build, Tests, Linting automatisieren)
• Zwischen asynchronen und synchronen Aufgaben unterscheiden
• Klare und konkrete Prompts formulieren

---

Team Security Engineering: Einsatz von Claude Code im Security Engineering

Wichtige Anwendungsfälle

• Debugging komplexer Infrastruktur
  • Beim Einspeisen von Stack Traces und Dokumentation verfolgt Claude den Control Flow
• Review und Analyse von Terraform-Code
  • Durch Eingabe von Plan-Dateien kann Claude Sicherheitsauswirkungen schnell prüfen und Freigaben unterstützen
• Dokumentenzusammenführung und Erstellung von Runbooks
  • Aus mehreren Dokumenten werden Troubleshooting-Guides und Runbook-Zusammenfassungen erzeugt
• Umsetzung von Test-Driven Development (TDD)
  • Zusammenarbeit mit Claude entlang des Ablaufs pseudocode → TDD → regelmäßige Überprüfung
• Weniger Kontextwechsel und schnelleres Onboarding
  • Durch Eingabe von Markdown-Spezifikationen in Claude sind Beiträge zum Team in kurzer Zeit möglich

Auswirkungen im Team

• Reaktionszeit auf Infrastrukturprobleme auf unter 5 Minuten verkürzt
• Wartezeiten auf Sicherheitsfreigaben entfallen
• Schnelle Mitarbeit an anderen Projekten möglich
• Maximal effizienter Dokumentations-Workflow

Wichtige Tipps

• Benutzerdefinierte Slash-Commands aktiv nutzen
• Claude autonomes Coding anweisen
• Dokumentation und Ausgabeformat klar vorgeben

---

Team Inference: Einsatz bei der Verwaltung von Inferenzsystemen

Wichtige Anwendungsfälle

• Schnelles Verständnis des Codebestands und Onboarding
  • Dateien für Funktionsaufrufe, Abhängigkeiten und Ähnliches können Claude direkt abgefragt werden
• Automatische Testgenerierung inklusive Edge Cases
  • Nach der Implementierung einer Funktion erstellt Claude automatisch Tests, die nur noch überprüft werden müssen
• Erklärung von Machine-Learning-Konzepten
  • Funktionen und Einstellungen einzelner Modelle können direkt bei Claude erfragt werden (80 % Zeitersparnis gegenüber Google)
• Code-Umwandlung zwischen verschiedenen Sprachen
  • Gewünschte Logik kann in unbekanntere Sprachen wie Rust übertragen werden
• Ständige Hilfe bei Kubernetes-Befehlen

Auswirkungen im Team

• 80 % weniger Zeitaufwand für ML-Forschung und Lernen
• Sofortige Navigation im Codebestand
• Qualitätssicherung durch automatische Tests
• Abbau von Sprachbarrieren

Wichtige Tipps

• Zuerst Anfragen an die Wissensbasis stellen
• Nach Codegenerierung die Ergebnisse verifizieren
• Tests direkt von Claude schreiben lassen, um Aufwand zu reduzieren

---

Teams Data Science und ML Engineering: Data Science und Machine Learning Engineering

Wichtige Anwendungsfälle

• Aufbau von Dashboard-Apps in JavaScript/TypeScript
  • Selbst mit kaum Erfahrung in JS/TS lassen sich komplette React-Dashboards erstellen, etwa für die Analyse der Leistung von RL-Modellen
• Automatisierung wiederkehrender Refactorings
  • Wiederkehrende Arbeiten wie Merge-Konflikte oder Änderungen der Dateistruktur werden 30 Minuten lang vollständig automatisiert erledigt und bei Erfolg direkt übernommen
• Entwicklung dauerhafter Analysetools
  • Statt einmaliger Notebooks entstehen wiederverwendbare React-Dashboards für die Analyse von Modellleistung
• Delegation von Aufgaben ohne vorhandene Abhängigkeiten oder Vorkenntnisse
  • Selbst Arbeiten in völlig unbekannten Sprachen oder Codebasen werden vollständig an Claude delegiert

Auswirkungen im Team

• Mindestens 2- bis 4-fache Zeitersparnis bei täglichem Refactoring
• Aufbau komplexer Apps auch in wenig vertrauten Sprachen
• Anstelle einmaliger Analysetools entstehen dauerhaft nutzbare Werkzeuge
• Höheres Entscheidungsniveau durch Visualisierung der Modellleistung

Wichtige Tipps

• Im Stil eines Spielautomaten nutzen (Ergebnisse akzeptieren oder neu versuchen)
• Je komplexer es wird, desto eher selbst eingreifen und vereinfachen

---

Team Product Engineering: Einsatz in der praktischen Produktentwicklung

Wichtige Anwendungsfälle

• Zu Beginn Claude nach Dateilisten und Pfaden fragen, um schnell einen Workflow zu entwerfen
• Eigenständiges Debugging von Bugs und Entwicklung von Funktionen in unbekannten Codebasen
• Dogfooding durch das Ausprobieren aktueller Forschungsmodelle
• Weniger Kontextwechsel für höhere Konzentration bei der Arbeit

Auswirkungen im Team

• Eigenständige Arbeit auch in unbekannten Codebereichen
• Weniger Belastung durch Kontextwechsel und Wartezeiten auf Antworten
• Schnelleres Onboarding von Engineers in Rotationsmodellen
• Mehr Zufriedenheit und Produktivität bei Entwicklerinnen und Entwicklern

Wichtige Tipps

• Claude als Kollaborationspartner betrachten und iterativ vorgehen
• Auch unbekannte Aufgaben mutig ausprobieren
• Mit minimalen Informationen starten und der Anleitung von Claude folgen

---

Team Growth Marketing: Automatisierung im Growth Marketing

Wichtige Anwendungsfälle

• Automatische Erstellung von Google-Ads-Texten
  • Werbeüberschriften und Beschreibungen passend zu Zeichenlimits der jeweiligen Platzierung erzeugen und Anzeigen in großem Umfang automatisieren
• Massenproduktion von Creatives über ein Figma-Plugin
  • Mehrere Werbebilder und Texte werden programmatisch erzeugt (bis zu 100 Stück)
• Echtzeitanalyse von Meta-Ads-Daten über einen MCP-Server
  • Analyse von Kampagnenleistung, Ausgaben und weiteren Kennzahlen wird automatisiert
• Logging wiederkehrender Experimente mit einem Memory-System
  • Ergebnisse kreativer Experimente werden protokolliert und bei der nächsten Generierung wiederverwendet

Auswirkungen im Team

• Zeit für die Erstellung von Werbetexten von 2 Stunden auf 15 Minuten reduziert
• Mehr als 10-fache Steigerung bei der Erstellung von Creatives
• Ein Ein-Personen-Marketingteam kann umfangreiche Entwicklungs- und Analyseaufgaben selbst übernehmen
• Verschiebung des Arbeitsschwerpunkts auf Gesamtstrategie und Automatisierung

Wichtige Tipps

• Zuerst wiederkehrende Aufgaben mit API-Integration auf Automatisierung prüfen
• Große Workflows in Unteragenten nach Rollen aufteilen
• Prompts zunächst in Claude.ai ausreichend entwerfen und strukturieren und dann in Claude Code umsetzen

---

Team Product Design: Produktdesign neu gedacht

Wichtige Anwendungsfälle

• Direkte Anpassung visueller Frontend-Verbesserungen und des State Managements
  • Designer verbessern mit Claude Code unmittelbar die UI und setzen Zustandsänderungen selbst um
• Ticketing und automatische Codevorschläge auf Basis von GitHub Actions
  • Bei Frontend- oder Bugfix-Anfragen schlägt Claude automatisch Code vor
• Schnelle Erstellung interaktiver Prototypen
  • Mockup-Bilder einfügen → sofort lauffähigen Code erzeugen
• Erkundung von Edge Cases, aktuellem Zustand und Architektur
  • Systemzustände und Fehlerflüsse werden bereits in der Entwurfsphase direkt untersucht
• Komplexe Textänderungen und Compliance-Prüfung in Echtzeit
  • Bestimmte Formulierungen werden im gesamten Codebestand gesammelt geändert, während parallel in Echtzeit mit dem Rechtsteam zusammengearbeitet wird

Auswirkungen im Team

• Arbeitsweise auf Basis von Figma und Claude Code
• Visuelle Verbesserungen und Anpassungen am State Management 2- bis 3-mal schneller
• Auch komplexe Kollaborationsprojekte von 1 Woche auf 1 Stunde reduziert
• Unterschiedlich optimierte Erfahrungen für Entwickler und Designer
• Deutlich höheres Niveau bei Kommunikation und Design

Wichtige Tipps

• Für das initiale Setup ist Hilfe durch Engineers nötig
• Rollen und Erklärstil vorab in Custom-Memory-Dateien festlegen
• Prototypen durch Einfügen von Bildern erstellen

---

Team RL Engineering: RL-Sampling und Gewichtsmanagement

Wichtige Anwendungsfälle

• Bei kleinen und mittleren Funktionen ein autonomes Vorgehen mit Aufsicht einsetzen
• Automatisierung von Testgenerierung und Code-Review
• Claude für Debugging und Fehleranalyse nutzen
• Automatische Zusammenfassung des Codebestands und Analyse von Call Stacks
• Unterstützung im Betriebsalltag durch Fragen zu Kubernetes

Veränderungen in der Arbeitsweise

• Experimentelle Checkpoints mit Rollback als etablierter Ansatz
• Zeitersparnis durch automatische Dokumentation
• Bei kleinen und mittleren PRs liegt die Chance auf einen Treffer im ersten Versuch bei etwa einem Drittel

Wichtige Tipps

• In Claude.md festhalten, wie wiederkehrende Fehler vermieden werden
• Häufig commiten und Rollbacks zur Gewohnheit machen
• Vom One-Shot- zum Kollaborationsmuster übergehen

---

Team Legal: KI-Nutzung im Rechtsteam

Wichtige Anwendungsfälle

• Persönliche Accessibility-Lösungen in kurzer Zeit anpassen
  • Etwa eine App mit Predictive Text für Familienmitglieder direkt selbst erstellen
• Prototypen zur Automatisierung interner Team-Workflows
  • Telefonweiterleitungsbäume je Team und automatisierte Aufgaben mit G-Suite-Integration
• Innovation mit Prototyping im Zentrum
  • Schnelle Prototypen erstellen, Feedback von Fachleuten einholen und den Praxiseinsatz validieren
• Visuell orientiertes Feedback und Entwicklung
  • Kommunikation mit Claude anhand von Interface-Screenshots

Bewusstsein für Sicherheit und Compliance

• Sicherheitsfragen werden bei MCP-Integration sofort sichtbar
• Mit der Ausweitung von KI-Systemen wird der Aufbau von Compliance-Tools zur Priorität

Wichtige Tipps

• Ideen zunächst in Claude.ai gründlich planen und strukturieren
• Durch schrittweise Aufgaben und screenshotbasierte Anfragen die Hürde senken
• Auch unfertige Prototypen aktiv teilen

---

[GN⁺]

Hacker-News-Kommentare

• Claude Code schafft tendenziell immer nur etwa 70–80 %, und ich wünschte, dieser Punkt würde stärker betont. Ratschläge wie „Benutz es wie einen Spielautomaten“ oder „Speichere den Stand vorab und lass es in 30-Minuten-Blöcken arbeiten; das Ergebnis entweder übernehmen oder von vorn anfangen ist besser, als mittendrin mühsam nachzubessern“ sind zwar unterhaltsam. Aber das sagt sich leicht, wenn man die Compute-Kosten nicht selbst bezahlt
  • Aus Sicht eines Angestellten ist der Rat „Selbst wenn ein gutes Ergebnis herauskommt, lass den Code Hunderte Male generieren und überarbeiten“ schon witzig. So bekommt die Firma am Ende nur gigantische Rechnungen, aber kaum echte Commits. Nicht umsonst gibt es schon den Witz: „Wir dachten, KI würde alles lösen, aber jetzt müssen wir noch mehr Entwickler einstellen“
  • Ich persönlich nutze LLMs ziemlich erfolgreich für die Codegenerierung. Meine Regel ist: Es lohnt sich nur, wenn mehr als 90 % der Gesamtaufgabe durch die KI erledigt werden können, abgesehen von einfachem Autocomplete oder Textbearbeitung. Probleme, die im Trainingsdatensatz enthalten waren, etwa das Aufsetzen eines einfachen Webservers in golang, liegen fast bei 100 % Genauigkeit. Solche Dinge sind in wenigen Minuten erledigt, und man kann den flachen Code einer Architektur schnell aufsetzen. Meine reale Produktivität steigt dadurch um 30–50 %
  • Was mir kürzlich klar geworden ist: Diese 70–80-%-Eigenschaft von Claude kann nicht nur am Projektanfang gelten, sondern auch in der Schlussphase. Ich hatte ein großes Refactoring zunächst selbst angefangen, nur die grobe Idee umrissen und dann an Claude übergeben, und Claude hat den Rest perfekt fertiggestellt, sogar das CHANELOG. Ich verstehe das als Beispiel für promptbasierte Arbeit mit Beispielen oder starken Guardrails
  • Wenn ich die Spielautomaten-Metapher um einen Punkt ergänzen dürfte: Man sollte die formale Strenge des Systems so weit wie möglich erhöhen. Wenn man in Python locker drauflos codet, wird das Ergebnis am Ende schlecht. Wenn man in Haskell mit GHC-Optionen oder Property-Tests die formalen Prüfungen verschärft, wird Claude beim Tricksen erwischt. Auch in TypeScript und Ähnlichem hilft es, die Struktur über das Typsystem strenger zu erzwingen. Claude ist geradezu besessen von TODO-Checkboxen und versucht am Ende doch, exakt das zu tun, was man ihm aufgetragen hat
  • Wenn ein Mitarbeiter zwar normalerweise brauchbaren Code schreibt, aber mit 30 % Wahrscheinlichkeit völlig abwegigen, unbrauchbaren Code einreicht, den man komplett neu machen muss, wäre das wohl ein Kündigungsgrund
• Ich habe mit CC schon einmal eine komplette Web-App umgesetzt. Ich habe auch verschiedene KI-Coding-Tools benutzt und dazu Vorträge und Workshops gemacht. Der effektivste Workflow mit CC ist, eine klare und knappe Spezifikation in einer md-Datei zu formulieren. Darauf verweist man in jedem Prompt ausdrücklich. Man startet mit User Stories, lässt CC einen schrittweisen Planentwurf schreiben und wiederholt dann das Überarbeiten und Bestätigen. Danach kann man die Arbeit anhand konkreter Implementierungsanweisungen aufteilen. Automatisierte Tests und Funktionstests nicht vergessen und am Ende mergen
  • Guter Hinweis, deckt sich mit meiner Erfahrung. Ich werfe anfangs eher einen groben Prompt hinein und justiere dann nach. Meinen eigenen Workflow habe ich auch hier dokumentiert
  • Mich würde interessieren, ob das in der Praxis tatsächlich schneller ist oder effizienter als den Code direkt selbst zu schreiben
  • Falls es ein reales Beispiel für so eine Arbeitsweise gibt, würde ich mich freuen, wenn du es teilen könntest
  • Ich habe mit diesem Workflow ebenfalls ähnliche Erfahrungen gemacht, aber ich hasse diese Art zu arbeiten so sehr, dass ich fast immer lieber einfach selbst code. Spezifikationen oder User Stories zu schreiben ist für mich die unerquicklichste Arbeit überhaupt
• Claude Code eignet sich für viele verschiedene Aufgaben gut. Gestern habe ich das Backend-API einer Wetterseite umgestellt, und obwohl die beiden APIs ziemlich unterschiedlich waren, hat es fast alles in einem Rutsch erledigt. Zuhause nutze ich das $20/Monat-Abo, bei der Arbeit läuft ein Pilot über AWS Bedrock. Wenn man es über die Bedrock-API nutzt, sieht man am Ende jeder Session sofort die Kosten, und das ist etwas irritierend. Ich sorge mich ehrlich gesagt, dass eine so granulare nutzungsbasierte Abrechnung Entwickler davon abhalten könnte, Dinge auszuprobieren, zu experimentieren oder zu refaktorieren, und dass dadurch insgesamt die Softwarequalität sinkt. Intern bei Anthropic kann man es vermutlich ohne Kostensorgen verwenden und entgeht diesem Problem daher
  • Vor ein paar Wochen habe ich ihm die MLB-API gegeben und gesagt, es solle ein MacOS-Widget bauen, und in weniger als einer Stunde hatte es ein Widget mit Liga-, Divisions- und Wildcard-Standings erstellt. Für Quick-and-dirty-Projekte, die man mit zehn Minuten Prüfung abnicken kann, ist es ziemlich nützlich. Ich habe noch einige ähnliche brauchbare Beispiele
  • Auch früher mussten Ingenieure auf Kosten für Rechenzentren, Cloud, SaaS und Ähnliches achten; in den nächsten 5 bis 10 Jahren werden sie wohl auf die AI-Nutzungsgebühren achten müssen. Irgendwann werden die AI-Kosten im Vergleich zu den Kosten menschlicher Zeit ohnehin vernachlässigbar sein

  • Es hieß, „dass die Kosten direkt sichtbar sind, ist unangenehm“, aber ehrlich gesagt ist es mir egal, wenn meine monströse Claude-Session der Firma etwa $10 kostet. Die Firma hat mir ebenfalls gesagt: „Denk nicht an die Kosten, experimentiere erst einmal“

  • Wenn ich Claude auch nur mit einer trivialen Funktion beauftrage, implementiert es sie bei mir oft subtil falsch, aber Tests decken das sofort auf, deshalb frage ich mich, ob man nicht vorsichtiger sein sollte
  • Ich finde es interessant, dass jemand überrascht war, die Nutzungskosten direkt zu sehen. Natürlich möchte ich die Kosten nicht übertrieben oft eingeblendet bekommen, aber beim Experimentieren mit Agent-Prompts ist es doch gut, die Kosten pro Query sehen zu können. Schon kleine Unterschiede in der Formulierung eines Prompts können die Kosten verändern. Liefert so eine Information nicht eher Hinweise darauf, wo Innovation möglich ist? Warum sollte das einen chilling effect auf Experimente haben? Viele Ingenieure werden sich vermutlich eher stark darauf konzentrieren, durch Innovation die Kosten zu senken
• Ich bin nach ein paar Tagen von Gemini Cli zu Claude Code gewechselt. Ich gebe zu, dass die Tool-Use-Schleife etwas besser ist. Aber Claude ist ein wenig „dümmer“ und versucht zwanghaft, Aufgaben irgendwie abzuschließen. Es ignoriert gesunden Menschenverstand oder klare Anweisungen. Wenn man ihm zum Beispiel sagt, es solle Tests zum Laufen bringen, ändert es mitunter die Datenbankstruktur, statt zu debuggen. Zwei Mal hat es sogar sämtliche Protocol Buffers gelöscht und alles auf JSON umgestellt. Vermutlich nur, weil proto beim Debuggen unbequem war und es das als Default-Lösung gesehen hat
  • Ich habe Ähnliches erlebt. Mitten in einem kleinen Refactoring korrigiert es erst eine brauchbare Hälfte, und sobald es schwierig wird, verwirft es alle vorherigen Änderungen und startet hektisch eine Komplettautomatisierung per bash-Skript. Wenn man dann sagt: „Das war doch schon fast fertig, was machst du da?“, gibt es das sofort zu. Typisch ist dieses starke Auftreten bei gleichzeitig schnellem Umschwenken
  • Dass Claude versucht, Tests nur scheinbar zu „bestehen“, deckt sich exakt mit meiner Erfahrung. Es löscht oder überspringt gelegentlich Tests und behauptet dann: „Alle Probleme sind gelöst!“ Merkwürdigerweise habe ich dieses Verhalten bei anderen LLMs nicht gesehen; die geben Misserfolge normalerweise zu und lösen das Problem sauber, wenn man noch ein paar Hinweise gibt. Claude scheint zu glauben, dass ich auf den Trick hereinfalle. Ich frage mich, was passiert, wenn es sich bei wichtigeren Defekten genauso verhält
  • Ich habe ebenfalls Fälle erlebt, die nicht viel anders waren. Wenn ein komplexer Gesamttest fehlschlägt, sucht es nicht nach der Ursache, sondern ersetzt ihn durch fragmentierte Teiltests, die leichter grün werden. Ich frage mich, ob das Claude-Team wegen der Compute-Kosten vor allem auf schnelles Vorankommen trimmt. Dazu kommen häufiger API-Timeouts oder Fehler
  • Interessant ist auch, dass Claude bei Problemen in jeder Phase dazu neigt, die Aufgabe als „Deferred“ abzutun und sich mit einer halbwegs plausiblen Ausrede weiterzuhangeln. Menschen können Aufgaben aufgrund ihres Urteilsvermögens aufschieben, aber Maschinen haben kein Urteilsvermögen, deshalb sollte man diese Haltung nicht akzeptieren
  • Ich habe sogar gehört, dass jemand meinte, Claude habe wahllos Teile der Codebasis gelöscht und das anschließend abgestritten
• Ich nutze Claude gern, aber der Blogpost, den ich heute gesehen habe, wirkte etwas seltsam und grob. Ich hatte sogar den Eindruck, das Blogteam habe ihn mit Claude geschrieben
  • Die MCP-Dokumentationsseite hat dasselbe Problem. Sie ist einfach nur eine Aneinanderreihung wenig hilfreicher Stichpunkte
  • Ich empfinde es ähnlich, aber für mich ist eher der Inhalt das Problem. Zum Beispiel die Aussage „Statt komplexer Kubernetes-Befehle fragst du einfach Claude und bekommst den richtigen Befehl“ — muss man so etwas in einem AI-Technikblog wirklich betonen? Das ist doch nur ein sehr grundlegender Tipp
  • Das Problem ist nicht, ob Claude benutzt wurde oder nicht, sondern dass der ganze Text wie eine ungefilterte Auflistung von Umfrageantworten wirkt: zusammenhanglos, repetitiv und ohne jede sinnvolle Verdichtung. Es gibt keinen Teil, für den erkennbar jemand kuratiert die Verantwortung übernommen hätte
  • Es gibt zwar viele Informationen, aber am Ende fühlt es sich nur wie eine Sammlung geglätteter Stichpunkte an
• Im ersten Beispiel ging es um k8s-Debugging: Claude habe eine Erschöpfung des IP-Pools diagnostiziert und das Problem ohne Netzwerkspezialisten gelöst. Aber da frage ich mich: Wenn ein Netzwerkspezialist das System ursprünglich entworfen hätte, wäre dieses Problem dann nicht gar nicht erst entstanden?
  • Auch Experten machen Fehler. Eigentlich machen alle Menschen Fehler
• Mein aktueller Optimierungstipp ist, Spracheingabe mit Spracherkennung für Claude Code zu verwenden. Man erklärt einfach Kontext und Verlauf so, als würde man mit einer Person sprechen. Das ist deutlich schneller, als alles selbst einzutippen
  • Für Mac-Nutzer ist die App SuperWhisper ziemlich gut
  • Ich bin mit dem Python-Paket hns zufrieden. Wenn man im Terminal <i>uvx hns</i> ausführt, nimmt es auf, und sobald man Enter drückt, kopiert es den Text automatisch in die Zwischenablage. Simpel, aber es fügt sich ganz natürlich in einen CLI-Workflow ein. Link
  • Du erklärst einer KI in deinem Zimmer laut etwas? Ist das nicht etwas merkwürdig? Ich tippe eher schneller
  • Ich wäre an einer brauchbaren Option für Ubuntu interessiert
• Es ging darum, dass man bei einer Störung in einem Kubernetes-Cluster Claude Code mit Screenshots des Dashboards fütterte, damit es Schritt für Schritt die Google-Cloud-Oberfläche analysiert, die Warnung zur Erschöpfung der Pod-IPs findet und dann noch erklärt, wie man einen neuen IP-Pool hinzufügt. Aber ich frage mich, ob diese Vorgehensweise nicht ineffizient ist und ob man dafür wirklich AI gebraucht hat
  • So entsteht am Ende eine Struktur, in der man selbst bei simplen Problemen von AI abhängig wird. Ich mache mir Sorgen vor einer Welt, in der Menschen weder den Kontext eines Problems wirklich verstehen noch ihr Netzwerk an fachkundigen Helfern pflegen, sondern zu „Sklaven der AI“ werden
  • So einen Problemlösungsansatz würde ich eher von Praktikanten oder Berufseinsteigern erwarten, auch wenn es hier tatsächlich so ein Fall gewesen sein könnte
• Interessanter Fall: Unser Team wollte Claude Code ebenfalls ausprobieren, aber es ist nicht im Team-Tarif enthalten, während es im Pro-Tarif derselben Preisklasse verfügbar ist. Das nach dem Kauf zu erfahren, war enttäuschend. Ich habe nicht vor, von allen Entwicklern zu verlangen, privat einzeln zu zahlen. Bevor man mit internen Teamerfahrungen prahlt, sollte man lieber erst die Zahlungs- und Abo-Struktur so verbessern, dass auch andere externe Firmen das vernünftig nutzen können. Sie bauen AI-Modelle auf Spitzenniveau, bekommen aber grundlegende Dinge wie Subscription-Management immer noch nicht sauber hin
  • Warum findest du, dass man nicht einfach alle einzeln zahlen lassen sollte?
• Ich nutze Claude code hauptsächlich wie eine smarte Gummiente: für die Diskussion von Ideen oder für Feedback. Den Großteil des eigentlichen Codes schreibe ich selbst. Zuerst lasse ich mir im Chat gründlich Meinungen und Intentionen erklären, und ich stelle die Regel auf, dass Codeänderungen nur dann vorgenommen werden sollen, wenn ich sie ausdrücklich verlange. Den Code übernehme ich dann per Copy-and-paste direkt in die IDE und erkläre Claude zwischendurch auch meine eigenen Änderungen, damit es auf dem Laufenden bleibt. Anfangs wirkt das langsamer, aber am Ende erkenne ich Probleme besser und kann das Ganze schneller in die gewünschte Richtung formen. Claude ist wie ein (übermäßig) selbstbewusster Junior-Entwickler. Man muss es gut beaufsichtigen, und wenn ich selbst schneller bin, ist es besser, es einfach direkt zu machen. (Für Junioren wäre das vielleicht ein schlechter Ansatz, für Claude funktioniert es aber gut.) Man sollte außerdem im Hinterkopf behalten, dass dieser Blogpost von einer Firma geschrieben wurde, die das Tool verkauft. Beim Marketing von AI-Firmen sollte man etwa 90 % herausfiltern. Letztlich schreiben sie so, weil sie Geld anziehen oder aufgekauft werden wollen
  • Bleibt es im plan mode nicht ohnehin dabei, automatisch nichts zu verändern? Gemini CLI beginnt dagegen ohne Zögern sofort mit der Implementierung :D