Wie du die richtige Effort-Einstellung in Claude auswählst

1. Was die Effort-Einstellung von Claude steuert

Da Claude-Modelle zunehmend agentischer werden, neigen sie dazu, mehr von der Aufgabe zu erledigen, bevor sie sich wieder bei dir melden. Effort ist eine Einstellung, die steuert, wie gründlich Claude eine Aufgabe eigenständig bearbeitet, bevor es dir eine Antwort zurückgibt. Claude bemisst seine Arbeit weiterhin an dem Problem, das du ihm stellst; Effort verschiebt diese Basislinie lediglich nach oben oder unten.

Wenn du den Effort erhöhst, denkt Claude länger nach, führt mehr Tool-Aufrufe aus und überprüft mehr von seiner Arbeit, bevor es antwortet. Es könnte einen Ansatz ausprobieren, seine eigene Ausgabe überprüfen und das wiederholen, was nicht funktioniert hat – alles, bevor du die erste Antwort siehst. Wenn du den Effort senkst, macht Claude einen schnelleren, direkteren Durchgang und meldet sich früher zurück.

Du kannst dir Effort als ein Verhaltenssignal für Claude vorstellen. Niedrigerer Effort lenkt Claude dazu, weniger zu tun, etwa kürzer nachzudenken und weniger zu überprüfen. Höherer Effort gibt ihm mehr Spielraum, um seine Arbeit auszuprobieren und zu verifizieren.

2. Wie Effort dein Nutzungslimit beeinflusst

All diese Arbeit (das Nachdenken, die Tool-Nutzung, das Überprüfen und Überarbeiten) beeinflusst, wie schnell du eine Antwort siehst und wie viel von deinem Nutzungslimit pro Aufgabe verbraucht wird.

Auf claude.ai wird dein Nutzungslimit in Tokens gemessen, den kleinen Texteinheiten, die Claude verarbeitet. Alles, was Claude tut (deinen Prompt lesen, Dateien verarbeiten, nachdenken, Antworten schreiben), wird auf diese Weise gemessen und von deinem Nutzungslimit abgezogen. Niedrigerer Effort bedeutet, dass Claude weniger Tokens verbraucht, wodurch pro Aufgabe weniger von deinem Limit aufgebraucht wird. Das Erhöhen des Effort von Claude bewirkt das Gegenteil. Deshalb ist es wichtig, den Effort an die Aufgabe anzupassen.

3. Warum den Effort anpassen statt das Modell zu wechseln

Du hast zwei Hebel, um abzuwägen, was eine Aufgabe kostet. Das Ändern des ausgewählten Claude-Modells verändert sowohl die Leistungsfähigkeit als auch die Kosten. Der Wechsel von einem Modell wie Opus zu Sonnet ist pro Token günstiger, aber weniger leistungsfähig. Das Anpassen der Effort-Einstellung hingegen verändert die Kosten, während die Kernfähigkeiten des Modells erhalten bleiben: sein fortgeschrittenes Urteilsvermögen, seine Reasoning-Fähigkeit und seine Mustererkennung.

Das Senken des Effort bei einem Frontier-Modell entfernt diese Fähigkeiten nicht. Es entfernt die Zeit, die das Modell für Dinge wie gründlicheres Planen und Abwägen von Optionen oder das erneute Durchlesen und Verifizieren seiner Arbeit aufwendet.

Das ist der praktische Unterschied: Wenn du überlegst, zu einem älteren oder kleineren Modell zu wechseln, um deine Limits nicht zu erreichen, versuche stattdessen, den Effort des neueren Modells zu senken. Ein Frontier-Modell mit mittlerem oder niedrigem Effort übertrifft oft ein älteres Modell mit hohem oder maximalem Effort.

4. Kosten pro Aufgabe vs. Kosten pro Token

Die meisten Menschen gehen davon aus, dass ein pro Token günstigeres Modell insgesamt günstiger ist. In der Praxis ist die wichtigere Einheit jedoch die Kosten pro abgeschlossener Aufgabe, die erheblich von den Kosten pro Token abweichen können.

Ein Frontier-Modell, das ein schwieriges Problem effizient löst, kostet pro Aufgabe oft weniger als ein kleineres Modell, das sich mühsam durcharbeitet, selbst wenn das Frontier-Modell pro Token mehr kostet. Frontier-Modelle haben ein besseres Urteilsvermögen, was bedeutet, dass sie Tokens besser auf das Wesentliche verwenden können. Sie können Probleme schneller durchdenken und lösen sie mit höherer Wahrscheinlichkeit in einem sorgfältigen Durchgang, ohne dass so viele Folge-Prompts und Nachsteuerungen nötig sind.

Zum Beispiel: Angenommen, du analysierst, warum Kunden im letzten Quartal abgewandert sind. Ein kleineres Modell mit hohem Effort findet Muster in den Daten, bemerkt aber nicht, dass sich deine Preisgestaltung mitten im Quartal geändert hat, was die Analyse verzerrt. Du musst nachfragen und klären. Ein Frontier-Modell mit mittlerem Effort erkennt den Preiskontext automatisch und passt seine Analyse entsprechend an.

Das Frontier-Modell war in einem Durchgang fertig. Das kleinere Modell benötigte zusätzliche Klärung und Überarbeitung. Beim Frontier-Modell bedeuten weniger Gesamtdurchgänge niedrigere Kosten pro Aufgabe, auch wenn es pro Token mehr kostet.

5. Wie du erkennst, welche Effort-Einstellung eine Aufgabe benötigt

Oftmals übertrifft das Senken des Effort bei einem Frontier-Modell ein älteres Modell mit maximalem Effort – statt zu einem günstigeren Modell zu wechseln, um dein Limit zu strecken. Der Schlüssel liegt darin, den Effort an das anzupassen, was die Aufgabe tatsächlich erfordert.

Claude ist auf einen Standard-Effort voreingestellt, der die empfohlene Balance für den Arbeitsalltag darstellt. Der Standard balanciert Gründlichkeit gegen Geschwindigkeit und Verbrauch aus und funktioniert für die meisten Aufgaben gut. Aber keine einzige Balance passt zu jeder Arbeit, daher lassen dich die Effort-Einstellungen mehr für die Aufgaben aufwenden, die es deiner Meinung nach wert sind, und weniger für die, die es nicht sind.

So findest du deinen Sweet Spot: Es kann hilfreich sein, einfach verschiedene Effort-Einstellungen an der Aufgabe auszuprobieren, die du regelmäßig erledigst. Führe sie mit dem Standard-Effort aus. Notiere, wie lange es gedauert hat, wie vollständig die Antwort war und wie viel du überarbeiten musstest. Führe sie dann noch einmal mit einer Stufe niedriger aus. Vergleiche die Ergebnisse über drei verschiedene Aufgabentypen hinweg.

Überlege, den Effort anhand der Art der Aufgabe zu wählen:

Sobald Claude antwortet, achte auf Anzeichen dafür, ob die Effort-Einstellung zur Aufgabe passt oder nicht:

• Zu wenig Effort: Anweisungen werden übersehen, oder längere Arbeit wird beendet, bevor sie fertig ist. Erhöhe den Effort, frage erneut nach und beobachte, ob die neue Antwort deinen Anweisungen folgt.
• Zu viel Effort: Antworten werden ausführlicher, ohne an Qualität zu gewinnen, oder der Umfang erweitert sich über das hinaus, was du verlangt hast. Das Modell kann zu einer korrekten Antwort gelangen, weiter verifizieren und sich selbst davon abbringen. Senke den Effort und prüfe, ob diese Probleme behoben sind.
• Die richtige Menge an Effort: Deine Aufgabe wird erfolgreich in einem oder wenigen Durchgängen abgeschlossen, ohne dass viele Nachfragen nötig sind. Claudes Antwortzeit fühlt sich proportional zu deiner Aufgabe an.

Mehr erfahren

• Die richtige Effort-Stufe in Claude Code wählen: die gleiche Einstellung in Claude Code, mit /effort, den Einstellungen, die sie steuern, und einem durchgearbeiteten Beispiel.
• Ein Claude-Modell und eine Effort-Stufe in Claude Code wählen: die Konzepte hinter Modellwahl und Effort, vom Claude-Code-Team.
• Claude-Modelle erklärt: wie sich die Claude-Modelle unterscheiden und wie du eines für deinen Anwendungsfall auswählst.