Warum ich Claude Code nutze (Und was mich an ChatGPT frustriert hat)

Ich nutze KI-Assistenten seit GPT-3. ChatGPT, Gemini, Copilot, Perplexity—ich habe sie alle ausprobiert. Und um das klar zu sagen: Sie sind wirklich leistungsfähig für das, was sie gut können. Recherche und Ressourcenfindung. Ideen entwickeln. Mein Denken herausfordern. Unterschiedliche Perspektiven einbringen. Ideenentwicklung. Strategiearbeit.

Alles, was wirklich nur Konversation ist—hin und her, laut denken, Ideen verfeinern? Da sind sie hervorragend.

Aber mein Denken muss operational werden. Es muss in Systeme übertragen werden. Es muss Ergebnisse liefern. Und genau da haben sie immer versagt.

Mein Workflow ist über ein Dutzend Tools verstreut

Confluence für Dokumentation. JIRA für Tickets. PowerPoint für Präsentationen. Excel für Daten. GitHub für Code und Konfiguration. Lokale Dateien, Skripte, Kalender, E-Mails. Jeden Tag springe ich zwischen Systemen hin und her, und die KI konnte mir dorthin nicht folgen.

Wenn ich mit ChatGPT sprach, lebte es in einem Browser-Tab—getrennt von allem anderen. Ja, die Plattformen verbessern sich. Gemini verbindet sich jetzt mit Workspace. Copilot ist in Office eingebettet. Aber die Lücke, die ich spürte, ging nicht darum, ob die KI meine Dateien lesen konnte. Es ging darum, ob die KI in meiner Umgebung arbeiten konnte.

Ich brauchte Ausführung, nicht nur Konversation

Hier ein typisches Szenario: Ich saß mit ChatGPT und besprach ein Projekt. Wir zerlegten es in Epics und User Stories. Gute—gut strukturiert, klare Akzeptanzkriterien. Eine produktive Stunde strategischen Denkens.

Dann öffnete ich JIRA. Und erstellte jede einzelne Story manuell.

Die KI half mir, die Arbeit zu durchdenken. Sie erledigte die Arbeit nicht. Ich musste das Gespräch immer noch in Tickets umwandeln, eins nach dem anderen. Kopieren. Einfügen. Formatieren. Wiederholen.

Genauso bei Präsentationen. Ich entwickelte eine Strategie mit der KI—solides Denken, gut ausgearbeiteter Inhalt. Aber sie erstellte nicht die PowerPoint. Ich musste die Folien selbst bauen, den Inhalt in visuelles Format umwandeln, das finale Asset erstellen. Was ich hatte, war ein tolles Gespräch. Was ich brauchte, war ein Ergebnis.

Sie war nicht da, während ich arbeitete

Das war das tiefere Problem. Ich verbrachte eine Stunde mit der KI, um ein Projekt zu planen. Tolle Session. Dann ging ich in die Umsetzung—JIRA-Tickets erstellen, Confluence aktualisieren, Meetings haben, Entscheidungen treffen, den Plan anpassen.

Zwei Wochen später kam ich zur KI zurück. Und sie hatte keine Ahnung, was passiert war.

Nicht weil sie unser Gespräch vergessen hatte—Memory-Features regeln das jetzt. Sondern weil sie nicht dabei war. Sie lebte nicht in meinen Systemen. Sie sah nicht die Tickets, die ich erstellt hatte. Sie wusste nichts von der Scope-Änderung aus dem Meeting letzten Dienstag. Sie konnte die aktualisierten Anforderungen in Confluence nicht lesen.

Ich musste alles erzählen, was zwischendurch passiert war. Sie auf den Stand bringen. Die Lücken füllen. Jedes Mal.

Die KI war ein Berater, den ich gelegentlich hinzuzog. Was ich brauchte, war ein Assistent, der präsent war—eingebettet in meinen Workflow, bewusst was passiert, lernend während die Arbeit sich entfaltete.

Ein Fenster, nicht zehn Agenten

Ja, ich konnte Custom GPTs mit eingebautem Projektkontext erstellen. Das habe ich versucht. Mehrfach. Aber dann musste ich zu diesem spezifischen Agenten für diesen spezifischen Anwendungsfall gehen. Den System-Prompt anpassen, wenn sich Dinge änderten. Es pflegen. Und es funktionierte trotzdem nie wirklich konsistent—Antworten drifteten ab, Wissensabruf war lückenhaft.

Was ich wollte, war einfacher: ein Ort, an dem ich an allem arbeiten konnte, und die KI würde den richtigen Kontext automatisch holen. Nicht ich, der zum richtigen Custom GPT navigiert. Das System, das weiß, was ich brauche.

Gedächtnis vs. Lernen

ChatGPT hat jetzt Memory. Gemini auch. Sie erinnern sich an meinen Namen, meine Präferenzen, grundlegende Fakten über mich. Das ist hilfreich.

Aber ich brauchte etwas anderes. Ich brauchte die KI, um im Laufe der Zeit Wissen über meine Projekte aufzubauen. Entscheidungen zu referenzieren, die ich letzten Monat getroffen hatte. Die Muster in meiner Arbeit zu verstehen. Klüger zu werden über meinen Kontext spezifisch—nicht nur zu erinnern, dass ich Aufzählungspunkte gegenüber Absätzen bevorzuge.

Gedächtnis ist „Ich kenne Fakten über dich." Lernen ist „Ich verstehe deine Arbeit tiefgehend, und es summiert sich."

Die Kernlücke

Was ich brauchte, war kein klügeres Modell. Die Modelle waren bereits klug genug. Was ich brauchte, war ein System—etwas, das in meiner Umgebung lebte, meine Tools berührte, meine Workflows ausführte und im Laufe der Zeit von meiner Arbeit lernte.

Das ist keine Kritik an ChatGPT oder Gemini. Sie sind für breite Zugänglichkeit konzipiert, und darin sind sie hervorragend. Aber ich hatte einen anderen Bedarf: eine KI, die tief in meinen persönlichen Workflow eingebettet ist, nicht nur für Gespräche verfügbar.

Und ich konnte es nicht zum Laufen bringen. Bis ich etwas fand, das es konnte.

---

Die Erkenntnis

Ein Kollege hat mich in diese Richtung gewiesen.

Er ist ein externer Berater, der sein eigenes KI-Setup aufgebaut hatte. Er erzählte mir davon und schickte mir dann einen Link zu Daniel Miesslers Video über Personal AI Infrastructure. Das schickte mich in den Kaninchenbau.

Die Erkenntnis, die alles veränderte:

„Das System, die Orchestrierung und das Gerüst sind weit wichtiger als die Intelligenz des Modells."

Ich hatte falsch darüber nachgedacht. Ich wartete ständig auf die nächste Modell-Version. GPT-4. Claude 3. Gemini Ultra. Hoffend, dass das klügere Modell endlich meine Probleme lösen würde.

Aber das Modell war nie der Engpass. Das System war es.

Was dies ermöglichte

Das Fundament war Claude Code selbst—Anthropics CLI-Tool, das KI in dein Dateisystem bringt. Es kann deine Dateien lesen. Deine Dateien schreiben. Befehle ausführen. Tools betreiben. Das ist die rohe Fähigkeit, die alles andere möglich macht.

Hier ist, was die meisten übersehen: Wenn du online nach Claude Code suchst, findest du es als „Coding Agent" oder „KI-Pair-Programmer" beschrieben. Und ja, es kann Code schreiben. Aber das ist nicht, was es transformativ macht.

Die wahre Stärke ist die Kombination: Zugang zu einem strukturierten Dateisystem voller Kontext plus die Fähigkeit, Code zu erstellen und auszuführen. Wenn du Claude Code eine gut organisierte Wissensbasis gibst—deine Projekte, deine Prozesse, deine Geschichte—hört es auf, ein Coding-Tool zu sein und wird zu einem echten Assistenten. Es kann deine Dokumentation lesen, deine Workflows verstehen, deine Prozesse ausführen und von deiner Arbeit lernen. Die Code-Ausführung ist nicht der Punkt. Sie ist nur das, was der KI ermöglicht, tatsächlich Dinge zu tun in deiner Umgebung.

Aber rohe Fähigkeit reicht nicht aus. Was Daniel Miessler brachte, war die Architektur.

Die Muster, die den Klick machten

Claude Code hat Skills. Aber Daniel brachte ein Muster für Skills—mit Workflows, die konsistente Ausführung gewährleisten. Ein Skill wird zu einem eigenständigen Modul: das Wissen, die Prozeduren, die Tools, alles zusammen verpackt.

Claude Code hat Hooks. Aber Daniel brachte ein Muster für Hooks—das Laden von Kernkontext beim Session-Start, damit das System weiß, wie es sich orientieren soll. Von dort lädt es, was es braucht, wenn es es braucht. Anstatt alles vorab in den Kontext zu kippen, entdeckt und lädt das System relevante Informationen, während die Arbeit sich entfaltet.

Das ist die Schlüsselerkenntnis: Die KI liest, bevor sie antwortet. Sie entdeckt den für deine Anfrage relevanten Kontext, lädt was sie braucht, und antwortet dann.

Daniels PAI-Struktur gab mir:

• Skills, die Domänenwissen in wiederverwendbare, konsistente Module verpacken
• Ein History-System, das Sessions, Erkenntnisse und Entscheidungen erfasst
• Context Engineering, das die richtigen Informationen zur richtigen Zeit lädt
• Hooks, die den richtigen Kontext beim Session-Start auslösen
• Eine dateibasierte Architektur, wo alles Markdown ist, alles durchsuchbar ist, alles sich summiert

Das war nicht „Claude Code installieren und herausfinden." Das war eine bewährte Architektur, um ein fähiges Tool in ein echtes persönliches KI-System zu verwandeln.

Der Wandel

Von: Ein Tool, um Ideen zu entwickeln und Content zu generieren Zu: Eine Infrastruktur, die in meinem Workflow lebt und Prozesse autonom handhabt

Ich habe Claude Code nie als „nur noch einen Chatbot" benutzt. Ich ging direkt von ChatGPT-Frustration zum Aufbau eines strukturierten PAI-Setups. Das ist wahrscheinlich, warum es funktionierte—ich behandelte es von Tag eins als Infrastrukturprojekt.

Wohin das führt

Dieses Setup wäre noch mächtiger, wenn es nicht an meinen lokalen Rechner gebunden wäre. Die Kernerkenntnis—KI, die mit Dateien arbeitet, Tools ausführt, durch Struktur lernt—erfordert keine Lokalität. Stell dir dasselbe System vor, sicher von überall zugänglich. Handy. Tablet. Jedes Gerät.

Das ist die Zukunft, die ich sehe. KI, die in deiner Infrastruktur lebt, mit deinen Dateien arbeitet, deine Muster lernt—und dich trifft, wo immer du bist.

---

Wie ich jetzt arbeite

Lass mich dir zeigen, was sich geändert hat.

Ich habe einen Projektmanagement-Skill gebaut. Nicht nur einen Prompt—ein komplettes System, das Projekt-Setup, Backlog-Entwicklung, Grooming, Reviews, Testfall-Erstellung handhabt. Alles, was ich für Projektdurchführung brauche, verpackt in einen Skill, der meine Tools kennt, sich mit Notion verbindet und meinem Prozess folgt.

So läuft ein Projekt jetzt tatsächlich ab:

Vor dem Kickoff

Ich erkläre Claude das Projekt in meinen eigenen Worten. Einfach durchsprechen. Claude hilft mir, mein Denken zu strukturieren, bereitet Fragen vor, die ich stellen sollte, schlägt vor, welche Dokumentation ich brauchen werde. Zusammen richten wir die initiale Projektseite ein.

Das ist kein separater Vorbereitungsschritt, an den ich mich erinnern muss. So startet das Projekt.

Nach dem Kickoff

Ich gebe Claude das Meeting-Transkript. Ich gebe ihm alle Dokumentation, die ich erhalten habe. Dann haben wir eine Konversation—hin und her—und entwickeln die erste Version des Backlogs. Epics. User Stories. Akzeptanzkriterien.

Die KI generiert das nicht isoliert. Wir denken es zusammen durch. Ich forme es, verfeinere es, füge Kontext hinzu. Aber ich starte nicht von einem leeren Board.

Der Agent ist immer da

Das ist der Teil, der alles verändert hat.

Wenn ich eine E-Mail mit Kundenfeedback bekomme, bitte ich Claude, meinen Posteingang auf Updates zu diesem Projekt zu prüfen. Es liest die E-Mail, versteht welche User Stories betroffen sind, und aktualisiert sie mit den neuen Informationen. Es weiß, wer an welchem Projekt beteiligt ist. Es findet die richtigen Stories schnell.

Ich kopiere Feedback nicht mehr manuell aus E-Mails nach Notion. Das System macht es.

Grooming-Sessions

Claude führt mich durch das Backlog. Es präsentiert jede Story, hebt offene Fragen hervor, markiert was Klärung braucht.

Aber hier wird es interessant: Ich habe Personas in das Projekt eingebaut. Fiktive Nutzer. Stakeholder, die ich berücksichtigen muss—Compliance, Datensicherheit, Operations, wer auch immer eine Perspektive auf dieses Projekt hat. Jede Persona hat einen detaillierten Hintergrund.

Während des Groomings kann ich diese Personas um Feedback bitten. „Was denkt der Compliance-Beauftragte über diese Story?" „Womit würde der Endnutzer hier kämpfen?" Die KI antwortet aus dieser Perspektive und bringt Bedenken an die Oberfläche, die ich übersehen haben könnte.

Feedback, das sonst das Planen von Meetings mit fünf verschiedenen Leuten erfordern würde—oder einfach nie passieren würde—dauert jetzt Sekunden. Wenn ich beim Kunden sitze, tippe ich Notizen direkt in die Konversation. Antworten gehen direkt ins System.

Danach analysiert Claude, was wir besprochen haben, und aktualisiert alles andere, was aktualisiert werden muss. Meeting-Notizen werden automatisch zu Backlog-Updates.

Validierung

Das Tool, mit dem ich arbeite, ist noch nicht vollständig mit einem Repository verbunden. Also lade ich die Konfiguration als Metadaten herunter, lege sie in den Projektordner und lasse Claude sie gegen die User Stories analysieren. Haben wir alles implementiert? Wurde etwas übersehen?

Die KI prüft meine Arbeit gegen die Spezifikation.

Das Ergebnis

Ich habe jetzt Dokumentation. Echte Dokumentation. Gründlich, aktuell, tatsächlich nützlich.

Früher war ich zu faul. Informationen lebten in den Köpfen der Leute. Entscheidungen passierten in Meetings und schafften es nie ins System. Ich kam nach zwei Wochen zu einem Projekt zurück und verbrachte eine Stunde damit zu rekonstruieren, was passiert war.

Jetzt? Die KI war die ganze Zeit dabei. Sie hat erfasst, was passiert ist. Sie hat die Aufzeichnungen aktualisiert. Wenn ich zurückkomme, ist das System aktuell.

Ich bin nicht nur effizienter. Ich bin gründlicher. Die Qualität meiner Projektdokumentation ist höher als je zuvor—weil ich es nicht mehr alleine mache.

---

Wie du selbst anfangen kannst

Wenn das bei dir ankommt, hier ist, wie du anfangen kannst.

Starte mit der richtigen Einstellung

Das ist nicht „installiere eine neue App und finde es heraus." Du baust Infrastruktur. Es braucht Zeit. Es erfordert Iteration. Aber anders als der endlose Kreislauf, neue KI-Tools auszuprobieren und enttäuscht zu werden, summiert sich diese Investition.

Behandle es von Tag eins als Projekt. Nicht ein Chatbot, den du testest—ein System, das du baust.

Bring Claude Code zum Laufen

Claude Code ist Anthropics CLI-Tool. Es ist das Fundament, das alles andere möglich macht. Du brauchst:

• Einen Claude-Account mit API-Zugang
• Grundlegende Vertrautheit mit der Kommandozeile (du musst kein Entwickler sein, aber du wirst in einem Terminal arbeiten)

Die offizielle Installationsanleitung führt dich durch die Installation.

Eine Empfehlung: Während du Claude Code in jedem Terminal ausführen kannst, würde ich vorschlagen, es in einer IDE wie VS Code zu nutzen. Warum? Weil Claude Code Dateien generiert und modifiziert, während es arbeitet. In einer IDE kannst du diese Dateien sofort sehen, inspizieren was sich geändert hat, und mit dem Code interagieren. Es macht den ganzen Prozess transparenter und einfacher zu folgen.

Lerne zuerst die Architektur

Das ist der Teil, der für mich alles verändert hat. Installiere Claude Code nicht einfach und improvisiere. Studiere zuerst Daniel Miesslers PAI-Architektur.

Warum ist das wichtig? Weil es dir eine Vision gibt, wohin du gehst. Ohne sie wirst du enden wie die meisten Entwickler—Projekt für Projekt für Projekt bauen, ohne ein kohärentes System darunter. Die PAI-Architektur zeigt dir, wie eine persönliche KI-Infrastruktur tatsächlich aussieht, warum die Struktur existiert und wie alles zusammenpasst.

Starte mit Daniels PAI-Video—es ist etwa 30 Minuten und erklärt das gesamte Konzept. Dann lies den Blog-Post. Dann erkunde das Repository. Verstehe das Ziel, bevor du die Reise beginnst.

Lerne die Grundlagen praktisch

Sobald du das Konzept verstehst, lerne Claude Code selbst. Ich fand Marks Anfänger-Videos besonders hilfreich—sie sind hands-on und erklären Konzepte klar. Schau sie im Kontext dessen, was du von PAI gelernt hast.

Finde den richtigen ersten Anwendungsfall

Versuche nicht, alles auf einmal zu bauen. Und wähle nicht irgendetwas zufällig. Sei strategisch bei dem, was du zuerst automatisierst.

Suche nach etwas, das:

• Du wiederholt machst (wöchentlich, täglich)
• Bedeutsame Zeit kostet
• Trotz des Aufwands mittelmäßige Ergebnisse hat
• Hauptsächlich technisch ist—etwas mit einer API oder klaren Inputs/Outputs
• Nicht erfordert, zuerst massive Kontextdateien zu bauen

Hier ist mein Beispiel: wöchentliche Lebensmittelbestellung. Wir bestellen jede Woche bei Picnic. Die gleichen Artikel, meistens. Aber jede Woche verbrachte ich Zeit damit, Dinge in den Warenkorb zu legen, vergaß oft Artikel, bestellte manchmal zu spät, übersah häufig Dinge trotz der Zeitinvestition. Hoher Aufwand, mittelmäßige Ergebnisse, hoch repetitiv.

Dann entdeckte ich, dass Picnic eine API hat.

Das wurde meine erste Automatisierung. Nicht weil es der beeindruckendste Anwendungsfall war—weil es der richtige war. Technisch genug, um sofort mit Claude Code zu arbeiten, repetitiv genug, um die Investition zu rechtfertigen, wertvoll genug, dass ich es tatsächlich nutzen würde.

Finde dein Äquivalent. Etwas, das wirklich Mehrwert für dein Leben bringt, wo die technische Schnittstelle bereits existiert.

Verstehe das System, während es wächst

Das ist entscheidend. Während du deine erste Automatisierung baust, achte darauf, wie das System funktioniert. Beobachte, wie es Kontext holt. Schau dir an, wie Skills strukturiert sind. Verstehe, wie Workflows verbunden sind.

Nutze die Health Checks und Updates. Stelle sicher, dass deine Implementierung den PAI-Prinzipien folgt. Halte es innerhalb der Infrastruktur.

Ich bin ehrlich: Als ich anfing, lief es aus dem Ruder. Ich baute etwas, es driftete von der Struktur ab, ich refaktorierte, es driftete wieder ab. Häufiges Refactoring, frustrierende Zyklen.

Was es behoben hat: tatsächlich die Prinzipien zu verstehen, nicht ihnen nur blind zu folgen. Wenn du verstehst, warum die Struktur existiert, kannst du dein System richtig wachsen lassen, anstatt es ständig zu reparieren.

Schlüsselkonzepte, die dir begegnen werden

Skills vs Agents: Ich war eine Weile verwirrt darüber. Skills sind für repetitive Aufgaben, die konsistent ausgeführt werden—eigenständige Module, die du wiederverwenden kannst. Agents sind für Aufgaben, bei denen du tiefe Untersuchung brauchst, aber nur am Output interessiert bist—sie können alles lesen, die Analyse machen und dir einfach das Ergebnis geben.

Kontext-Management: Das ist wohl das wichtigste Konzept. Die Schlüsselerkenntnis ist progressive Kontext-Offenlegung—lade nicht alles von Anfang an in den Kontext. Stattdessen lade relevante Informationen, während die Arbeit fortschreitet. Das gilt für alles: Skills, Projektdateien, Dokumentation, MCP-Tools. MCPs sind mächtig, aber wenn du zu viele immer geladen hast, komprimieren deine Sessions häufig und kosten mehr Tokens. Das System sollte entdecken und laden, was es braucht, wenn es es braucht.

Selbstverbessernde Systeme: Baue einen Session-Review-Skill. Nach jeder Arbeitssession lass die KI reviewen, was passiert ist, und Verbesserungen vorschlagen. So wird das System mit der Zeit besser.

Das wahre Geheimnis

Fang sofort an, es als deinen Begleiter zu nutzen. Experimentiere nicht nur—arbeite wirklich damit. Das Lernen kommt vom Tun.

Ich habe Claude Code nie als „nur noch einen Chatbot" benutzt. Von Tag eins an baute ich Projektdokumentation, erstellte Workflows, entwickelte Skills. Jede Session lehrte mich etwas. Jede Frustration wurde zu einer Verbesserung.

Das ist der Unterschied. Das ist kein Tool, das du ausprobierst. Es ist Infrastruktur, in die du hineinwächst.