Man sitzt vor Claude Code, wartet auf die Antwort und merkt nach wenigen Sekunden: Das war es noch nicht. Der Bug ist nicht sauber gelöst, der Refactor bleibt halb fertig oder die Erklärung kratzt nur an der Oberfläche.

Der erste Impuls ist dann oft: größeres Modell auswählen. Mehr Leistung, bessere Antwort, Problem gelöst.

Ganz so einfach ist es nicht.

Anthropic erklärt in einem neuen Beitrag zu Claude Code, dass zwei Stellschrauben oft miteinander verwechselt werden. Einerseits das Modell selbst. Andererseits das sogenannte Effort Level. Beide können die Qualität verbessern, aber sie setzen an unterschiedlichen Stellen an.

Das Modell bestimmt, welche Fähigkeiten Claude grundsätzlich mitbringt. Es entscheidet also darüber, wie gut Claude komplexe Zusammenhänge versteht, wie zuverlässig es schwierige Aufgaben löst und wie stark es in unbekannten Situationen abstrahieren kann.

Das Effort Level bestimmt dagegen, wie gründlich Claude innerhalb einer konkreten Aufgabe arbeitet. Es geht nicht nur darum, dass Claude länger „nachdenkt“. Ein höheres Effort Level kann bedeuten, dass Claude mehr Dateien liest, mehr Zwischenschritte geht, Tests ausführt oder die eigene Lösung stärker überprüft.

Der Unterschied ist wichtig.

Ein größeres Modell hilft, wenn Claude eine Aufgabe nicht gut genug versteht. Ein höheres Effort Level hilft, wenn Claude grundsätzlich fähig wäre, aber nicht gründlich genug gearbeitet hat.

Wann ein größeres Modell sinnvoll ist

HMp9IOba4AArT7v

Bildquelle: Anthropic

Ein stärkeres Modell lohnt sich vor allem bei Aufgaben, die wirklich anspruchsvoll sind. Dazu gehören komplexe Architekturfragen, schwer auffindbare Bugs, neue technische Umgebungen oder Aufgaben mit vielen Abhängigkeiten.

Wenn Claude alle relevanten Informationen hat, sichtbar versucht, das Problem zu lösen, aber trotzdem falsch liegt, spricht vieles für ein Modellproblem. Dann fehlt nicht unbedingt Fleiß, sondern Fähigkeit.

Bei klar abgegrenzten Routineaufgaben sieht es anders aus. Wer eine präzise Code-Änderung, ein einfaches Refactoring oder eine überschaubare Anpassung braucht, muss nicht automatisch das stärkste Modell verwenden. Kleinere Modelle können solche Aufgaben oft schnell und ausreichend zuverlässig erledigen.

Für Teams ist das mehr als eine technische Frage. Es geht auch um Kosten und Arbeitsabläufe. Wer dauerhaft das größte Modell nutzt, zahlt häufig für Fähigkeiten, die bei vielen Alltagsaufgaben gar nicht gebraucht werden.

Wann mehr Effort hilft

HMp8OpFa0AAXQK4

Bildquelle: Anthropic

Ein höheres Effort Level ist sinnvoll, wenn Claude nicht zu schwach wirkt, sondern zu früh aufgehört hat.

Das passiert zum Beispiel, wenn:

  • Claude eine wichtige Datei nicht gelesen hat
  • Claude keine Tests ausführt
  • Claude einen Refactor nur halb erledigt
  • Claude eine Lösung vorschlägt, ohne sie ausreichend zu prüfen

In solchen Fällen braucht man nicht unbedingt ein größeres Modell. Oft reicht es, Claude mehr Raum für die Aufgabe zu geben. Das Modell soll dann nicht schlauer werden, sondern sorgfältiger arbeiten.

Effort ist deshalb am besten als Arbeitsintensität zu verstehen. Bei niedrigem Effort fragt Claude schneller nach Kontext zurück oder bleibt näher an der direkten Antwort. Bei höherem Effort ist Claude eher bereit, zusätzliche Schritte zu gehen, Annahmen zu prüfen und mehr von der Projektumgebung einzubeziehen.

Erst den Kontext prüfen

Der wichtigste Punkt kommt vor dem Modellwechsel und vor dem Effort Level.

Wenn Claude schlechte Ergebnisse liefert, sollte man zuerst prüfen, ob die Aufgabe überhaupt gut eingerahmt ist. Viele Fehler entstehen nicht, weil das Modell zu schwach ist, sondern weil der Kontext fehlt oder der Auftrag unklar formuliert wurde.

Hilfreiche Fragen sind:

  • Hat Claude Zugriff auf die richtigen Dateien?
  • Ist die Aufgabe sauber eingegrenzt?
  • Sind relevante Tools verfügbar?
  • Gibt es eine brauchbare Projektbeschreibung oder CLAUDE.md?
  • Wurde klar gesagt, welches Ergebnis erwartet wird?

Diese Fragen sind oft entscheidender als die Wahl des Modells. Wer ein unsauberes Aufgaben-Setup einfach mit mehr Rechenaufwand überdeckt, löst nicht das eigentliche Problem. Er macht es nur teurer.

Was das für Entwickler und Teams bedeutet

Claude Code wird dadurch weniger zu einem klassischen Chatbot und stärker zu einem steuerbaren Arbeitswerkzeug. Die zentrale Frage lautet nicht mehr nur, welches Modell am besten ist. Wichtiger wird, welche Art von Arbeit die KI gerade leisten soll.

Bei einfachen Aufgaben zählt Geschwindigkeit. Bei schwierigen Aufgaben zählt Modellfähigkeit. Bei langen Aufgaben zählt Gründlichkeit. Bei schlechten Ergebnissen zählt zuerst die Qualität des Kontexts.

Für Unternehmen ist diese Unterscheidung besonders relevant. Ein großes Modell mit hohem Effort kann bei komplexen Aufgaben sinnvoll sein, weil es weniger Umwege geht und schwierige Zusammenhänge besser verarbeitet. Für einfache Aufgaben ist dieselbe Einstellung oft überdimensioniert.

Gute KI-Nutzung bedeutet also nicht, immer die stärkste Einstellung zu wählen. Gute KI-Nutzung bedeutet, die richtige Einstellung für die jeweilige Aufgabe zu wählen.

Die einfache Faustregel

Wenn Claude eine Aufgabe nicht versteht, ist eher das Modell der Engpass. Wenn Claude die Aufgabe nur oberflächlich bearbeitet, ist eher das Effort Level der Engpass. Wenn Claude am Ziel vorbeiarbeitet, fehlt wahrscheinlich Kontext.

Diese Trennung macht den Umgang mit KI deutlich präziser. Statt bei jedem Fehler sofort auf ein stärkeres Modell zu wechseln, kann man zuerst analysieren, wo das Problem tatsächlich liegt.

Hat Claude halluziniert, obwohl alle Informationen vorhanden waren? Dann kann ein stärkeres Modell helfen. Hat Claude wichtige Dateien ausgelassen oder keine Tests ausgeführt? Dann ist mehr Effort wahrscheinlich sinnvoller. War die Aufgabe unklar beschrieben? Dann sollte zuerst der Prompt verbessert werden.

Fazit

Am Ende geht es bei Claude Code nicht darum, immer die stärkste Einstellung zu finden. Es geht darum, die Aufgabe richtig zu lesen.

Manche Probleme verlangen mehr Modellfähigkeit. Andere verlangen schlicht mehr Sorgfalt. Und viele schlechte Ergebnisse entstehen, weil Claude nicht genug Kontext hatte, um überhaupt sauber arbeiten zu können.

Spannend wird Claude Code erst, wenn man Modell, Effort Level und Kontext bewusst zusammendenkt. Dann wird aus einer KI, die irgendwie Code ausgibt, ein Werkzeug, das sich je nach Aufgabe unterschiedlich einsetzen lässt: schnell bei Routine, gründlich bei komplexen Änderungen und stärker, wenn echtes Verständnis gefragt ist.