Evaluating & Validating Claude's Output

Screen 1: Evaluating & Validating Claude's Output

Module 3Introduction·4 min

Claude hat dir zwanzig Minuten beim Verfassen einer Analyse gespart. Eine erfundene Zahl in dieser Analyse, die an einen Kunden oder eine Behörde gesendet wird, kann viel mehr als zwanzig Minuten kosten, um sie rückgängig zu machen.

Dies ist die Asymmetrie im Zentrum der professionellen KI-Nutzung: Die eingesparte Zeit ist klein und sichtbar, und die Kosten eines nicht überprüften Fehlers sind groß und kommen später.

Dies ist der größte Abschnitt der Zertifizierungsprüfung, und der Grund ist Verantwortlichkeit. Wenn du deinen Namen auf ein Ergebnis setzt, trägst du die Verantwortung für jeden Anspruch darin, ob du die Worte geschrieben hast oder Claude. Dieses Modul gibt dir die Disziplin, hinter KI-gestützter Arbeit zu stehen.

Ein Berater bat Claude, unterstützende Statistiken für ein Marktgrößen-Deck eines Kunden zu sammeln. Claude gab fünf saubere Zahlen mit selbstbewusstem Framing zurück. Vier waren solide. Eine, eine Wachstumsrate, war erfunden, plausibel genug, dass niemand sie in Frage stellte. Die Zahlen gingen in ein Deck, das Deck ging an einen Kunden, und der eigene Analyst des Kunden kennzeichnete die erfundene Zahl im Raum.

Die zehn Minuten, die bei der Recherche gespart wurden, kosteten einen Glaubwürdigkeitsverlust und eine Woche zum Wiederaufbau von Vertrauen. Nichts an der Zahl sah auf dem Bildschirm falsch aus. Das ist das Problem, das dieses Modul lösen soll: Die Kosten eines übersehenen Fehlers werden nicht bezahlt, wenn du Zeit sparst, sondern später, von jemandem, dessen Vertrauen du brauchtest.

Zwei Kompetenzen aus dem AI Fluency Framework verankern das Modul. Discernment ist die Fähigkeit, Ergebnisse kritisch gegen Anforderungen, Quellen und Standards zu bewerten. Diligence ist die Entscheidung, wann Überprüfung erforderlich ist, und die Übernahme von Verantwortung für das Ergebnis. Discernment ist wie du überprüfst; Diligence ist warum du musst.

By the end of this module, you will be able to:

• 1Evaluate Claude-generated output for accuracy and completeness.

• 2Identify hallucinations, inconsistencies, and biases in responses.

• 3Apply fact-checking and validation techniques.

• 4Determine when human review or additional verification is required.

• 5Edit, adapt, refine, and compare output for the intended audience.

• 6Select appropriate output formats and organize information for optimal results.

The deal in this module

Du bist verantwortlich für alles, das du mit Claudes Hilfe versendest. Lerne, Ergebnisse systematisch zu bewerten, Fehlermuster zu erkennen, Überprüfung in deine prompts einzubauen, kenne die Schwellwerte, bei denen menschliche Überprüfung obligatorisch ist, und wähle das Ausgabeformat, das der Zuverlässigkeit entspricht, die die Aufgabe erfordert.

Wir haben diesen Associate-Kurs Modul 3: Evaluating & Validating Claude's Output erstellt, um dir zu helfen, echte Arbeit mit Claude zu erledigen. Behandle es als Bildungsinhalte. Es stellt keine rechtliche, finanzielle oder andere professionelle Beratung dar, daher solltest du das Gelernte an deine eigene Situation anpassen. Unsere Produkte und Dienstleistungen entwickeln sich schnell, daher können bestimmte Inhalte Fehler enthalten oder veraltet sein; denke daran, auf der Website oder in der Dokumentation von Anthropic zu überprüfen. Beispiele und Szenarien, die im Kurs verwendet werden, sind illustrativ und oft fiktiv. Wenn das Kursmaterial ein Unternehmen oder Produkt erwähnt, bedeutet das nicht, dass Anthropic sie unterstützt, sie Anthropic unterstützen oder dass wir verbunden sind. Beachte auch, dass deine Nutzung von Anthropic-Produkten und -Dienstleistungen durch unsere Bedingungen, Richtlinien und Dokumentation abgedeckt ist; wenn etwas in diesem Kurs damit in Konflikt steht, haben diese Vorrang.

---

Screen 2: Discernment: Evaluating Accuracy, Completeness, and Fitness

TeachingDiscernment·12 min

Bewertung ist kein Gefühl darüber, ob die Ausgabe gut aussieht. Es ist eine Überprüfung gegen drei feste Referenzen: die Anforderungen, die du gestellt hast, das Quellenmaterial und die professionellen Standards deines Feldes. Das Discernment-Protokoll führt diese Überprüfung jedes Mal auf die gleiche Weise durch, sodass die Qualität nicht davon abhängt, wie gehetzt du gerade bist.

Three evaluation references

Anforderungen. Spiegelt die Ausgabe wider, was du gefragt hast? Lies deine eigene Anfrage erneut und bestätige, dass jeder Teil adressiert wird, nicht nur die einfachen Teile.

Quellenmaterial. Wo die Ausgabe auf Dokumente angewiesen ist, die du bereitgestellt hast, stimmt sie damit überein? Verfolge spezifische Ansprüche zurück zur Quelle, anstatt darauf zu vertrauen, dass Claude sorgfältig gelesen hat.

Professionelle Standards. Würde dies in deinem Feld bestehen? Eine Zahl ohne Einheiten, eine Empfehlung ohne Begründung, eine Zitierung, die du nicht finden kannst. Diese erfüllen professionelle Standards nicht, auch wenn sie fließend klingen.

Stakes calibration

Wie gründlich du überprüfst, hängt von den Einsätzen ab, und die Einsätze sind feldabhängig, nicht universell. In Null-Toleranz-Arbeit (Rechtsanalyse, Finanzzahlen, Compliance-Berichterstattung) überwiegt Genauigkeit die Geschwindigkeit völlig, und jeder Anspruch wird überprüft. In niedriger Einsatz-interner Brainstorming ist eine leichtere Überprüfung angemessen. Das Risiko besteht darin, die gleiche beiläufige Überprüfung auf beide anzuwenden. Bestimme die Einsätze, bevor du die Tiefe der Überprüfung entscheidest.

A three-way triage

Nach der Überprüfung sortiere jede Ausgabe in einen von drei Zuständen mit dokumentierter Begründung:

Urteil

Wenn es zutrifft

Ready to use

Erfüllt Anforderungen, stimmt mit Quellen überein, erfüllt professionelle Standards. Versende es.

Needs revision

Nah dran, aber eine spezifische Lücke bleibt. Notiere die Lücke und iteriere.

Needs human override

Die Einsätze, die Fehler oder die Unsicherheit bedeuten, dass dies nicht allein auf Claudes Entwurf hinausgehen sollte. Eskaliere zu einer Person.

Completeness is a separate review

Genauigkeit fragt, ob das Vorhandene korrekt ist. Vollständigkeit fragt, ob etwas fehlt. Sie scheitern unabhängig: Eine Ausgabe kann völlig genau sein und dennoch das eine Element auslassen, das eine Entscheidung beeinflusst. Überprüfe auf beide. Fehlende Elemente sind schwerer zu erkennen als falsche, weil nichts auf dem Bildschirm dein Auge darauf lenkt.

The protocol on three real outputs

Das Protokoll ist am wirksamsten bei Ausgaben, die nicht offensichtlich gut oder schlecht sind. Hier wird es auf drei angewendet, jede mit einem anderen Urteil.

Ausgabe 1: eine Zusammenfassung der Konkurrenzpreise. Du hast Claude gebeten, die veröffentlichten Preise von drei Konkurrenten aus hochgeladenen PDFs zusammenzufassen. Die Zusammenfassung ist sauber und gut organisiert. Bei der Überprüfung der drei Referenzen: Anforderungen erfüllt (sie deckt alle drei Konkurrenten ab), aber die Quellenüberprüfung schlägt fehl: Ein Preis wird als „$40/user" aufgelistet, während das hochgeladene PDF „$40/user, minimum 10 seats" sagt. Die Auslassung ändert den Vergleich. Urteil: needs revision. Die Lösung ist ein quellengesteuerter Re-prompt, kein Umschreiben.

Ausgabe 2: eine interne Prozessempfehlung. Du hast um drei Optionen gebeten, um die Rechnungsverarbeitungszeit zu reduzieren. Die Ausgabe gibt drei sinnvolle Optionen mit Kompromissen. Anforderungen erfüllt, keine Quellen zum Überprüfen, professionelle Standards erfüllt, niedriger Einsatz (interner Diskussionsstarter). Urteil: ready to use. Über-Überprüfung dieser Ausgabe verschwendet die Zeit, die das Tool gespart hat.

Ausgabe 3: eine Compliance-Lückenanalyse. Du hast Claude gebeten, deine Datenschutzrichtlinie mit einer Verordnung zu vergleichen und Lücken zu kennzeichnen. Es kennzeichnet vier Lücken selbstbewusst. Anforderungen scheinen erfüllt zu sein, aber die Verordnung wurde nicht hochgeladen, daher arbeitete Claude aus dem Training-Daten-Abruf einer Regel, die sich möglicherweise geändert hat, und die Einsätze sind regulatorisch. Urteil: needs human override. Die Ausgabe ist ein nützlicher prompt für einen Compliance-Experten, kein Ersatz für einen.

Gleiches Protokoll, drei Urteile. Der Unterschied liegt nie darin, wie poliert die Ausgabe aussieht; es ist das, was die drei Referenzen und die Einsätze zurückgeben.

---

Screen 3: Hallucinations, Inconsistencies & Bias

TeachingFailure Patterns·10 min

Plausibel ist nicht dasselbe wie überprüft. Claude schreibt fließend, ob es richtig oder falsch ist, daher kannst du dich nicht auf Ton oder Selbstbewusstsein verlassen, um einen Fehler zu kennzeichnen.

Das Kennen der spezifischen Signaturen von Fehlern lässt dich sie schnell erkennen, anstatt jede Zeile mit gleicher Skepsis zu lesen.

Hallucination patterns

Plausible, aber nicht unterstützte Ansprüche. Eine Aussage, die vernünftig klingt und zum Thema passt, ohne Grundlage in der Quelle oder in der Realität. Die gefährlichste Art, weil nichts daran falsch aussieht.

Erfundene Spezifika. Erfundene Statistiken, Daten, Namen, Zitate oder Zitierungen. Spezifität liest sich als Autorität, was genau der Grund ist, warum erfundene Spezifika überzeugend sind.

Selbstbewusster Ton, der Unsicherheit verdeckt. Claude hedgt selten im Verhältnis zu seiner tatsächlichen Sicherheit. Eine Vermutung und eine gut begründete Tatsache kommen in der gleichen selbstbewussten Stimme an.

Inconsistencies and bias

Interne Widersprüche. In einer langen Ausgabe kann ein früher Anspruch mit einem späteren in Konflikt geraten. Lange Dokumente sind, wo Widersprüche sich verstecken, weil du das Ganze selten auf einmal im Blick hast.

Bestätigungsbias im Framing. Wenn dein prompt eine bevorzugte Antwort impliziert, kann Claude sich dazu neigen. Achte auf Ausgaben, die dir auf eine Frage, die wirklich offen sein sollte, ein wenig zu bereitwillig zustimmen.

Ein häufiges, anonymisiertes Feldmuster: Ein Fachmann bittet Claude, einen Stapel von Dokumenten zu vergleichen und die Unterschiede zu identifizieren. Die Ausgabe listet mehrere Unterschiede auf und liest sich als gründlich. Sie verpasste Unterschiede in der einzigen wichtigsten Datei im Stapel. Vollständigkeitsfehler konzentrieren sich dort, wo die Aufmerksamkeit am niedrigsten ist, und eine selbstbewusste Zusammenfassung der einfachen Dateien kann Stille über der schwierigen verdecken.

Claude kann behaupten, eine Aktion durchgeführt zu haben, die es tatsächlich nicht durchführen kann, wie „Ich habe das an dein Team gemailt" oder „Ich habe die Datei gespeichert. " Innerhalb von claude. ai arbeitet Claude mit der Konversation, verbundenen Tools und hochgeladenen Dateien; es führt keine externen Aktionen durch, für die es kein Tool erhalten hat. Behandle jeden behaupteten externen Akt als nicht überprüft, bis du bestätigst, dass er passiert ist.

A failure-pattern gallery

Jedes Muster unten wird so gezeigt, wie es tatsächlich erscheinen kann, damit du die Signatur erkennst, anstatt das Label.

Prompt: „Welcher Anteil von Mid-Market-SaaS-Firmen hat 2025 KI-Tools eingeführt? " Ausgabe: „Ungefähr 63 Prozent der Mid-Market-SaaS-Firmen haben 2025 mindestens ein KI-Tool eingeführt, gegenüber 41 Prozent im Jahr 2024. " Die Zahlen sind präzise, der Trend ist plausibel, und es gibt keine Quelle. Die Präzision ist das Erkennungszeichen. Echte Zahlen dieser Spezifität kommen mit einer Zitierung; ein nicht zitiertes 63 Prozent ist eine zahlenförmige Vermutung.

Prompt: „Ist diese Klausel in unserem Staat durchsetzbar? " Ausgabe: eine viersätzige Antwort, die besagt, dass sie durchsetzbar ist, in der gleichen selbstbewussten Stimme, die Claude für Arithmetik verwendet. Rechtliche Durchsetzbarkeit ist jurisdiktionsspezifisch und datumssensitiv, genau die Art von Anspruch, der hedgen sollte und nicht tut. Selbstbewusstsein ist kein Beweis.

In einer zehn Seiten langen Marktanalyse besagt Seite zwei, dass der adressierbare Markt „ungefähr 2 Milliarden Dollar" ist, und Seite acht baut eine Projektion auf „dem 2,6-Milliarden-Dollar-Markt" auf. Beide lesen sich isoliert gut. Der Widerspruch wird nur sichtbar, wenn du das ganze Dokument im Blick hast, weshalb lange Ausgaben einen Konsistenz-Pass benötigen, nicht nur ein Absatz-für-Absatz-Lesen.

Keine dieser Ausgaben sieht kaputt aus. Das ist der Punkt der Lektion: Die Fehlermodi sind, durch die Natur der fließenden Generierung, so gestaltet, dass sie einen beiläufigen Durchgang bestehen. Du erkennst sie, indem du die Signaturen kennst und gegen Quellen überprüfst, nicht indem du wartest, dass etwas falsch aussieht.

---

Screen 4: Fact-Checking and Grounding Techniques

TeachingFact-Checking & Grounding·10 min

Die stärkste Überprüfung ist in den prompt eingebaut, bevor die Ausgabe existiert.

Ein paar prompt-Gewohnheiten reduzieren Halluzinationen an der Quelle, anstatt sie nach der Tatsache zu fangen, und sie machen alles, was bleibt, viel leichter zu überprüfen.

Erlaube „Ich weiß nicht. " Sage Claude explizit, dass das Zugeben von Unsicherheit akzeptabel ist. Ohne diese Erlaubnis ist ein Modell unter Druck zu antworten eher geneigt, die Lücke mit etwas Erfundenem zu füllen.

Beschränke auf bereitgestellte Quellen. Für Dokumentarbeit weise Claude an, nur aus den Materialien zu antworten, die du bereitgestellt hast, und alles zu kennzeichnen, das diese Materialien nicht abdecken. Dies wandelt offene Generierung in begrenzte Abfrage um.

Erfordere überprüfbare Zitierungen. Frage nach der spezifischen Quelle und dem Ort hinter jedem Anspruch, in einer Form, die du überprüfen kannst. Eine Zitierung, die du nicht verfolgen kannst, ist keine Zitierung.

Zitiere zuerst, dann analysiere. Für lange Dokumente bitte Claude, die unterstützenden Zitate zu extrahieren, bevor Schlussfolgerungen gezogen werden. Das Verankern der Analyse in gezogenen Zitaten macht sowohl die Begründung als auch die Fehler sichtbar.

Best-of-N-Vergleich. Führe die gleiche Anfrage erneut aus und vergleiche. Wo die Durchläufe übereinstimmen, steigt das Vertrauen; wo sie abweichen, hast du die weichen Stellen gefunden, die einen menschlichen Blick brauchen.

Validiere gegen autoritative Quellen. Für Ansprüche, die wichtig sind, überprüfe gegen eine vertrauenswürdige externe Referenz, anstatt eine zweite Claude-Antwort zu verwenden. In-Produkt-Hilfen helfen hier: Claude for Excel kann Zitierungen auf Zellenebene erzeugen, die Zahlen an ihre Eingaben zurückbinden.

The techniques as verbatim prompts

Jede Technik ist ein Satz, den du einfügen kannst. Die Formulierung ist die Fähigkeit.

Permission to not know

„Wenn die Antwort nicht durch die Dokumente unterstützt wird, die ich bereitgestellt habe, sage es explizit, anstatt zu schätzen. Es ist akzeptabel zu antworten ‚die bereitgestellten Materialien decken dies nicht ab. '"

Source restriction

„Antworte nur mit dem angehängten Vertrag. Verwende kein allgemeines Wissen. Für alles, das der Vertrag nicht adressiert, liste es unter ‚Nicht durch dieses Dokument abgedeckt' auf. "

Auditable citation

„Für jeden Anspruch, zitiere die Abschnitt- und Klauselnummer, aus der er stammt, in Klammern, damit ich ihn gegen die Quelle überprüfen kann. "

Quote-grounding

„Bevor du analysierst, extrahiere die genauen Sätze aus dem Dokument, die auf meine Frage zutreffen. Basiere dann deine Analyse nur auf diesen Zitaten. "

Bevor du dich auf eine Ausgabe verlässt: Habe ich Unsicherheit erlaubt, mich auf Quellen beschränkt, wo angemessen, überprüfbare Zitierungen verlangt und die hocheinsatzigen Ansprüche gegen etwas Autoritatives überprüft? Das Einbauen dieser in den prompt ist billiger als das Wiederaufbau von Vertrauen in die Ausgabe danach.

---

Screen 5: Diligence: When Human Review Is Non-Negotiable

TeachingDiligence·10 min

Einige Ausgaben dürfen niemals allein als Claude-Entwurf hinausgehen, egal wie gut sie aussehen.

Diligence bedeutet, diese Schwellwerte im Voraus zu kennen, damit die Entscheidung zur Eskalation durch Richtlinie getroffen wird, nicht im Moment, nachdem etwas bereits schiefgelaufen ist.

Four risk thresholds

Schwellwert

Was zu fragen ist

Stakes

Was sind die Kosten, wenn dies falsch ist? Hochkosten-Fehler erfordern menschliche Überprüfung, unabhängig davon, wie selbstbewusst die Ausgabe erscheint.

Reversibility

Kann die Aktion rückgängig gemacht werden? Ein irreversibler Schritt (ein gesendetes Kunden-Ergebnis, ein eingereichter Bericht) erfüllt eine höhere Anforderung als ein Entwurf, den du überarbeiten kannst.

Audience

Wer sieht es? Externe, Executive- und Regulierungs-Zielgruppen erhöhen die Überprüfungsanforderung über interne Arbeitsentwürfe.

Regulatory exposure

Regelt eine Regel, ein Vertrag oder ein Gesetz dies? Regulierter Inhalt trägt Verpflichtungen, die KI-Unterstützung nicht entfernt.

The do-not-ship-without-review list

Entscheide diese im Voraus und behandle sie als fest:

• Final client deliverables

• Audit-critical or financially material calculations

• Anything involving regulated, confidential, or highly sensitive data

• Public or legal communications where a misstatement carries lasting consequence

Iteration versus escalation

Produktive Iteration verbessert die Ausgabe jede Runde. Wenn Runden sie nicht mehr verbessern, hast du sinkende Erträge, und der richtige Schritt ist nicht ein weiterer prompt; es ist ein menschlicher Experte. Das Erkennen dieser Linie ist Teil von Diligence: Mehr prompting kann nicht das Urteil herstellen, das die Situation erfordert.

Die Verantwortlichkeit überträgt sich nicht auf das Tool. Mit Claude produzierte Arbeit ist deine Arbeit, wenn du sie versendest, und der professionelle Standard ist der gleiche wie wenn du sie unaided produziert hättest. Diligence ist die Gewohnheit, so zu handeln, als ob das wahr ist, weil es wahr ist.

Three escalation scenarios

Das schnelle „ja. " Claude entwirft eine interne Besprechungsagenda. Niedriger Einsatz, reversibel, interne Zielgruppe, keine Regulierungs-Exposition. Alle vier Schwellwerte sagen versende. Keine Eskalation; dies ist der Routinefall, den du schnell bewältigen kannst.

Das täuschende „sieht gut aus. " Claude produziert eine Board-Deck-Finanzzusammenfassung, die sauber liest. Die Einsätze sind hoch, es gibt eine Executive-Zielgruppe, und das Ergebnis wird teilweise irreversibel, sobald es präsentiert wird, was drei der Risikoschwellwerte auslöst. Das saubere Aussehen ist irrelevant; dies geht an einen menschlichen Reviewer und die Zahlen werden mit Code-Ausführung neu berechnet.

Der langsame Schleichprozess. Du hast einen Kundenvorschlag fünfmal iteriert. Runden drei bis fünf änderten fast nichts. Sinkende Erträge plus ein hocheinsatziges externes Ergebnis: Höre auf zu prompting, eskaliere an einen Kollegen für einen frischen Blick. Das Signal zur Eskalation ist die flache Verbesserungskurve, nicht ein sichtbarer Fehler.

---

Screen 6: Editing and Adapting Output for Your Audience

TeachingEditing for Audience·8 min

Claude entwirft; du lieferst. Die Lücke zwischen einem rohen Entwurf und einem fertigen Ergebnis ist der Bearbeitungsdurchgang, und dieser Durchgang ist, wo deine professionellen Standards und dein Wissen über die Zielgruppe angewendet werden. Ein Entwurf, der genau ist, ist immer noch nicht fertig.

From raw output to deliverable

Drei Durchgänge verwandeln einen Entwurf in etwas, das du mit deinem Namen unterschreiben würdest:

Clarity. Streiche Hedging, straffe lose Sätze, entferne alles, das seinen Platz nicht verdient. Claude neigt zu Gründlichkeit; Bearbeitung neigt zu Präzision.

Tone. Passe das Register an die Beziehung und den Anlass an. Der gleiche Inhalt liest sich unterschiedlich für einen Peer, einen Kunden und einen Regulator.

Formatting. Forme die Ausgabe für die Art, wie sie gelesen wird: scanbar für einen Executive, detailliert für ein Arbeitsteam, sauber für einen externen Empfänger.

Audience calibration

Eine Analyse muss oft zu mehreren Ergebnissen werden. Eine Executive-Zusammenfassung führt mit der Entscheidung und der Auswirkung. Eine Arbeitsteam-Version behält die Details und die Methode. Eine externe Kommunikation kontrolliert, was offengelegt wird und wie es gerahmt wird. Die zugrunde liegenden Fakten bleiben stabil; die Auswahl, Tiefe und der Ton ändern sich mit wer liest.

Comparing outputs before you edit

Wenn Qualität wichtig ist, generiere mehr als einen Entwurf (über Durchläufe oder über Modelle) und wähle die stärkste Basis zum Bearbeiten, anstatt dich auf die erste Antwort festzulegen. Das Vergleichen von Kandidaten ist billiger als das Retten eines schwachen Entwurfs, und es lädt zu Framing ein, das du möglicherweise nicht gefordert hast.

One analysis, two audiences: a transformation

„Die Analyse zeigt, dass die Verarbeitungszeit in Q3 um ungefähr 18 Prozent gestiegen ist, was auf eine Kombination aus höherem Volumen und dem Onboarding von drei neuen Mitarbeitern zurückzuführen sein kann, die während des Zeitraums noch Onboarding durchliefen, und es wird empfohlen, dass das Team erwägen sollte, ob zusätzliche Prozessdokumentation ähnliche Effekte in zukünftigen Onboarding-Zyklen mildern könnte. "

„Q3-Verarbeitungszeit stieg um 18 Prozent, getrieben durch Volumen plus Onboarding von drei neuen Mitarbeitern. Empfehlung: standardisierte Onboarding-Dokumente entwerfen, um den Effekt beim nächsten Mal zu begrenzen. " Führt mit der Zahl und der Entscheidung; ein Satz.

„Die Verarbeitungszeit war in Q3 um ~18% gestiegen. Zwei Treiber: höheres Volumen und drei neue Mitarbeiter noch beim Onboarding. Aktion: Onboarding-Dokumentation entwerfen, damit die nächste Kohorte schneller hochfährt (Besitzer und Zeitplan zur Bestätigung im Standup). " Behält die Methode und fügt den operativen nächsten Schritt hinzu.

Gleiche Fakten, gleiche 18 Prozent. Der Executive-Schnitt entfernt die Methode und führt mit der Auswirkung; der Arbeitsteam-Schnitt behält Details und weist Aktion zu. Keiner ist ein roher Entwurf, der keine Zielgruppe bedienen würde.

---

Screen 7: Choosing Output Formats: Inline, Artifacts, Structured, Code-Executed

TeachingOutput Formats·8 min

Das Ausgabeformat ist eine Zuverlässigkeitsentscheidung, nicht nur eine Präsentationswahl. Das richtige Format hängt davon ab, wofür das Ergebnis bestimmt ist und, vor allem, wie sehr den Zahlen vertraut werden muss.

Format by purpose

• Inline. Für Gesprächsantworten, auf die du innerhalb des Chats handeln wirst. Schnell, kontextuell, nicht als eigenständiges Artefakt gedacht.

• Artifacts. Für Dokumente und Code: ein separater, bearbeitbarer Block, den du verfeinern und wiederverwenden wirst. Das richtige Zuhause für ein Ergebnis, anstatt einer Antwort.

• Structured formats. Für Daten: Tabellen und definierte Schemas, die nachgelagerte Tools oder Leser direkt konsumieren können.

Code execution as the verified-output path

Wenn Zahlen richtig sein müssen, lasse Claude sie berechnen, anstatt sie zu schreiben. Prosa-Generierung erzeugt eine plausibel aussehende Zahl; Code-Ausführung führt die Berechnung durch und gibt ein berechnetes, überprüfbares Ergebnis zurück, zusammen mit Diagrammen und verarbeiteten Dateien. Determinismus haftet der ausgeführten Berechnung an; Claude schreibt den Code, daher kann die Logik selbst immer noch einen Bug enthalten. Die Garantie ist, dass du die Berechnung lesen, überprüfen und erneut ausführen kannst, aber der Code ist nicht automatisch korrekt. Die gleiche Datenaufgabe auf zwei Wegen durchgeführt zeigt den Unterschied: Eine in Prosa generierte Zahl ist eine Vermutung in der Form einer Antwort, während eine Zahl aus Code-Ausführung ein berechnetes Ergebnis ist, das du verfolgen und überprüfen kannst.

Prose versus code-executed: the same task

Aufgabe: Aus einer hochgeladenen Verkaufs-Tabelle, berichte Gesamt-Q3-Umsatz und die drei Top-Konten.

Prosa-Weg: „Der Gesamt-Q3-Umsatz betrug etwa 4,7 Millionen Dollar, mit den größten Konten als Northwind, Contoso und Globex. " Fließend, schnell und nicht überprüfbar. Die Summe ist die beste Vermutung des Modells beim Addieren einer Spalte, die es nicht zuverlässig addieren kann, und eine falsche Summe hier verbreitet sich in jeden nachgelagerten Slide.

Code-ausgeführter Weg: Claude schreibt und führt Code über die tatsächliche Datei aus, gibt $4. 712. 380 als berechnete Summe zurück, die drei Top-Konten nach ihren echten Summen eingestuft, und ein Balkendiagramm. Die Zahl ist nachverfolgbar zu den Zeilen, die sie erzeugt haben. Wenn die Zahl eine Entscheidung speist, ist dies der einzige Weg, der Vertrauen verdient.

Die Prosa-Antwort ist nicht faul; sie ist eine andere Art von Ausgabe. Für einen niedriger-einsatzigen Bauchgefühl-Check kann sie in Ordnung sein. Für alles, das berichtet wird, zeigt die Zuverlässigkeitsanforderung auf Code-Ausführung.

Curate the inputs to shape the output

Organisierte Eingaben erzeugen organisierte Ausgaben. Das Bereitstellen von sauberem, gut gekennzeichnetem Quellenmaterial und das Angeben der Struktur, die du zurück haben möchtest, ist das, was Claude ermöglicht, etwas Strukturiertes zurückzugeben, anstatt etwas, das du umstrukturieren musst. Die Auswahlregel ist einfach: Wähle die Ausgabe-Modalität nach der Zuverlässigkeit, die die Aufgabe erfordert. Das Kuratieren von Eingaben bedeutet, das falsche Material zu entfernen, zusätzlich zum Hinzufügen des richtigen Materials. Drei Techniken erledigen die meiste Arbeit: Dedupliziere deine Quellen, damit Claude nicht drei nahezu identische Kopien des gleichen Dokuments abstimmt; kennzeichne und strukturiere, was du bereitstellst, damit die Rolle jeder Eingabe explizit ist („dies ist die genehmigte Richtlinie; dies sind die Entwurfsantworten"); und beschneide Material, das nicht relevant zur Frage ist, weil Rauschen in der Eingabe zu Rauschen in der Ausgabe wird. Saubere, gut gekennzeichnete, minimale Eingaben erzeugen ein saubereres Ergebnis als ein großer undifferenzierter Haufen.

---

Screen 8: Exercise: Triage the Output Set

ExerciseTriage the Output Set·7 min

Triage ist der tägliche Muskel der verantwortungsvollen KI-Nutzung. Diese Übung wendet das Discernment-Protokoll und die Diligence-Schwellwerte auf einen Satz von Ausgaben an, wie du es in echter Arbeit würdest.

Vier Claude-Ausgaben folgen. Klassifiziere jede als ready to use, needs revision oder needs human override, und gebe den Grund an. Vergleiche dann gegen die Modellantworten.

Outputs to triage

---

Screen 9: Variant: Score Your Own Conversation

OptionalSelf-Assessment·3 min

Wähle eines deiner eigenen kürzlichen Claude-Gespräche. Bewerte es gegen die Discernment- und Diligence-Verhaltens-Indikatoren aus diesem Modul: Hast du die Ausgabe überprüft, bevor du sie verwendet hast (Diligence), und hast du beurteilt, ob die Antwort wirklich zu der Frage passte, die du gestellt hast (Discernment)? Tippe einen Satz darüber, wo du stark warst, und einen darüber, wo du dich straffen würdest, dann enthülle die Indikator-Checkliste zum Vergleichen.

---

Screen 10: Module 3 Quiz: Output Evaluation & Validation

QuizModule 3·5 min

Sieben Szenario-Stil-Fragen, die Urteilsaufrufe betonen. Jede präsentiert eine Situation; wähle die Antwort, die das Bewertungs-Framework des Moduls am besten anwendet. Ungefähr fünf Minuten.

---

Screen 11: Key Takeaways

Module 3Key Takeaways

Sechs Dinge, die über dieses Modul hinweg gelten:

Accountability stays with you.

Du besitzt jeden Anspruch in dem, das du versendest, ob du ihn geschrieben hast oder Claude. Das ist, warum dies der größte Abschnitt der Prüfung ist.

Evaluate against three references.

Anforderungen, Quellenmaterial und professionelle Standards. Führe die gleiche Überprüfung jedes Mal durch und kalibriere die Überprüfungstiefe auf das, was auf dem Spiel steht.

Plausible is not verified.

Erfundene Spezifika, selbstbewusste Unsicherheit und Vollständigkeitslücken lesen sich alle als kompetent. Lerne die Zeichen, damit du sie schnell erkennen kannst.

Build verification into the prompt.

Erlaube „Ich weiß nicht," beschränke auf Quellen und verlange überprüfbare Zitierungen. Prävention ist billiger als Rekonstruktion.

Know the thresholds in advance.

Stakes, Reversibilität, Zielgruppe und Regulierungs-Exposition entscheiden, wann menschliche Überprüfung obligatorisch ist. Setze die Linie vor dem Moment, nicht danach.

Pick the format by reliability.

Wenn Zahlen richtig sein müssen, berechne sie mit Code-Ausführung, anstatt sie als Prosa zu generieren.

Alle Produktverhaltens-Beschreibungen basieren auf claude. ai-Funktionen ab Juni 2026. Die Funktionsverfügbarkeit und das Verhalten sollten gegen aktuelle Anthropic-Dokumentation überprüft werden bei Veröffentlichung:

• AI Fluency Framework: Discernment- und Diligence-Kompetenzen und Verhaltens-Indikatoren

• Anthropic docs: Reduzierung von Halluzinationen, Zitierungen und Überprüfungs-Anleitung, platform. claude. com/docs

• Claude Help Center: Code-Ausführung und Claude for Excel Zitierungen auf Zellenebene, support. claude. com

---

Screen 12: Congrats! You've successfully completed this module.

Module CompleteAssociate Path·2 min

Du kannst jetzt Claudes Ausgabe validieren und erkennen, wann menschliche Überprüfung nicht verhandelbar ist. Fange die Lücken, und Claude wird ein vertrauenswürdiger Mitarbeiter, kein Risiko.

M1: Product & Model Selection

Wähle den richtigen Einstiegspunkt, das richtige Modell und die richtigen Funktionen für jede gegebene Aufgabe.

M2: Prompting

Baue strukturierte prompts und passe sie an den Aufgabentyp an.

M3: Output Evaluation

Validiere Ausgabe und wisse, wann menschliche Überprüfung nicht verhandelbar ist.

M4: Workflow Integration

Ordne einen Workflow gegen Delegation-Kriterien zu und gestalte ihn sicher um.

M5: Configuration

Konfiguriere und verwalte Projects, Anweisungen und Knowledge.

M6: Governance

Wende Use-Case-, Daten-, Richtlinien- und Ethik-Urteil verantwortungsvoll an.

M7: Troubleshooting

Diagnostiziere Unterleistung und optimiere Workflows, wenn Ergebnisse zu kurz kommen.

M8: Course Summary & Next Steps

Fasse die Reise zusammen, bereite dich auf die Prüfung vor und erkenne Eskalations-Grenzen zu den Developer- und Architect-Tracks.