Steerability — KI-Fähigkeiten und Grenzen

Was du lernen wirst

Geschätzter Zeitaufwand: 30 Minuten

Am Ende dieser Lektion kannst du:

Erklären, warum Steerability funktioniert (Fine-Tuning hat dem Modell Anweisungsfolge beigebracht) und warum es Grenzen hat (Anweisungen werden durch Pattern-Matching befolgt, nicht durch Verständnis)
Vorhersagen, wo die Kontrolle am engsten ist (kurze, konkrete, überprüfbare Anweisungen) versus am lockersten (lange Argumentationsketten, abstrakte Anfragen, native Präzisionsaufgaben)
Reasoning Drift, Letter-over-Spirit und brüchige Arithmetik als charakteristische Steerability-Fehler identifizieren
System Prompts, Code-Ausführung, sichtbares Reasoning und strukturierte Outputs als Produktfunktionen erkennen, die diese Einschränkung adressieren

Wie Steerability die Ausgaben von generativer KI beeinflusst

(5 Minuten)

Das Modell befolgt deine Anweisungen genauso wie alles andere: durch die Fortsetzung eines Musters. Das macht es bemerkenswert steuerbar. Es bedeutet aber auch, dass es immer eine Lücke zwischen deiner Absicht und dem Ergebnis gibt, und die meisten interessanten Fehler leben in dieser Lücke.

Wie viel Kontrolle hast du wirklich?

Bevor du weiterliest

Du bittest die KI, genau 100 Wörter zu schreiben, nicht mehr. Wie genau musst du das Ergebnis überprüfen? Wähle einen Punkt auf dem Kontinuum und speichere deine Vermutung.

Next Token Prediction Knowledge Working Memory Steerability

Fähigkeit Einschränkung

Vertrau darauf Stichprobenprüfung Details überprüfen Sorgfältig überprüfen Hohes Risiko

Deine Vermutung

Typisch

Was dies ermöglicht

Wo es charakteristisch fehlschlägt

Produktfunktionen, die die Grenze verschieben

Wähle einen Punkt und speichere deine Vermutung. Die Lektion öffnet sich, sobald du das tust.

Meine Vermutung speichern

Überprüfe deine Intuition

Speichere deine Vermutung oben, um sie mit der typischen Platzierung zu vergleichen.

Anpassen

Balkenhöhe

Piktogrammgröße

Palette Sky → Clay Olive → Clay Cactus → Fig Slate → Clay

Wichtigste Erkenntnisse

Steerability bedeutet, dass das Modell Anweisungen über Next Token Prediction befolgt.
Fähigkeitszone: kurze, konkrete, überprüfbare Anweisungen. Formatspezifikationen, Längenlimits, explizite Rollen.
Einschränkungszone: lange Argumentationsketten, abstrakte oder mehrdeutige Anweisungen, alles, das native numerische oder logische Präzision erfordert.
Charakteristische Fehler: Reasoning Drift (kleine Fehler verstärken sich) und Letter-over-Spirit (die Anweisung wurde befolgt, aber die Absicht nicht).
System Prompts, Code-Ausführung, sichtbares Reasoning und strukturierte Output-Modi existieren, um zu verhindern, dass deine Absicht verwässert wird.
**Wenn eine Anweisung buchstäblich, aber nutzlos befolgt wird, formuliere das Ziel neu. ** Die Anweisung mit mehr Nachdruck zu wiederholen wird die Lücke nicht schließen.
4D-Verbindung: Steerability ist das, was Description mächtig macht und was es begrenzt. Das Verständnis der Lücke zwischen Worten und Absicht verändert, wie du Prompts schreibst und wo du Kontrollpunkte einfügst.

Übungen

Übung: Das Ziel-Umschreiben

Warum? Die Lücke zwischen dem, was du sagst, und dem, was du meinst, ist der Ort, an dem die meisten Steerability-Fehler auftreten. Diese Übung lehrt dich, aus der Absicht heraus zu prompen, nicht nur aus der Anweisung.

Wähle eine Aufgabe aus deiner Liste von Lektion 1, die mehrere Schritte oder ein spezifisches Ausgabeformat beinhaltet. Schreibe das Ziel in einem Satz auf: was du wirklich erreichen möchtest, nicht nur wie die Ausgabe aussehen soll. („Mein Team davon überzeugen, dass dieser Zeitplan realistisch ist" ist ein Ziel. „Drei Aufzählungspunkte" ist ein Format. )

Führe nun drei Tests durch:

**Test 1: Enge Kontrolle. ** Gib eine kurze, konkrete, überprüfbare Anweisung zu deiner Aufgabe: „antworte als dreispaltige Tabelle", „genau fünf Aufzählungspunkte", „durchgehend in der zweiten Person". Überprüfe, ob sie präzise eingehalten wurde. Dies ist die Fähigkeitszone: die Anweisung ist einfach genug, um perfekt Pattern-Matching zu ermöglichen.
**Test 2: Reasoning Drift. ** Bitte um eine Version deiner Aufgabe, die 4–5 abhängige Schritte erfordert. Überprüfe die Ausgabe Schritt für Schritt. Hat sich ein kleiner Fehler am Anfang bis zum Ende durchgezogen? Versuche es jetzt erneut, aber bitte die KI, nach Schritt 2 zu stoppen und dir das Ergebnis zu zeigen, bevor sie weitermacht. Vergleiche, was du erhältst, wenn du einen Kontrollpunkt einfügst, versus wenn du es durchlaufen lässt.
**Test 3: Buchstabe vs. Geist. ** Gib eine Anweisung, die buchstäblich, aber nutzlos erfüllt werden könnte. „Mache das kürzer" bei einem Entwurf, wo das eigentliche Problem die Struktur ist. „Mache das professioneller" bei einer E-Mail, wo das eigentliche Problem ist, dass sie die Anfrage verbirgt. Schau, was du erhältst. Dann prompe erneut mit dem Ziel, das explizit neben der Anweisung angegeben ist: „Mache das kürzer. Mein Ziel ist es, die Aufmerksamkeit der Führungskraft bis zur Schlüsselfindung auf Seite zwei zu halten. " Vergleiche.

Gehe zurück zu deiner Aufgabenliste. Für alle mehrstufigen Aufgaben notiere, wo du einen Kontrollpunkt einfügen würdest. Für alle Aufgaben, bei denen du nur mit Format geprompt hast, entwerfe die Zielaussage, die du nächstes Mal hinzufügst.

Lektion-Reflexion

Wie oft hast du Format angegeben, aber nicht das Ziel? Was ändert sich, wenn du beides einbeziehst?
Was ist eine wiederkehrende Aufgabe, bei der du ab dieser Woche einen Mid-Process-Kontrollpunkt hinzufügst?

Was kommt als Nächstes

Du hast jetzt alle vier Eigenschaften einzeln kennengelernt. In der nächsten Lektion schauen wir uns an, wie sie interagieren, denn die meisten realen Fehler entstehen, wenn zwei Eigenschaften aufeinandertreffen.

Feedback

Während du den Kurs absolvierst, würden wir gerne von dir hören, wie du Konzepte aus dem Kurs in deiner Arbeit nutzt, sowie jedes Feedback, das du hast. Teile dein Feedback hier.

Danksagungen und Lizenz

Copyright 2026 Anthropic. Originalwerk basierend auf dem AI Fluency Framework, entwickelt von Prof. Rick Dakan (Ringling College of Art and Design) und Prof. Joseph Feller (University College Cork). Veröffentlicht unter der CC BY-NC-SA 4. 0 Lizenz.