Dreizehn Roundtables, mit Klebeband auf Holztische geklebt, in einem Beach Club bei Taranto. Meiner war Nummer sieben, Mastering Claude AI for Startups: zwei Runden à 45 Minuten, beide vor dem Abendessen, keine Slides, kein Pitch. Wer sich setzte, brachte eine echte Herausforderung mit, und wir haben sie gemeinsam durchgearbeitet. Der Rahmen war Puglia Orizzonti, die European Startup Week 2026, die mehr als 300 Startups, Investoren und Unternehmerinnen aus über 30 Ländern nach Taranto brachte (Corriere di Taranto); nach einem Panel-Tag in der Stadt zog die gesamte Konferenz für den Roundtable-Tag an den Strand (Eventbrite). Das hier sind meine Feldnotizen, aufgeschrieben anhand der Session-Transkripte.
Runde eins: Wenn eine einzige Halluzination disqualifiziert
Die erste Runde drehte sich um einen Investor, der Startups unter Zeitdruck bewertet, darunter Life-Science-Fälle, bei denen der Unterschied zwischen einer vielversprechenden Therapie und einer gestoppten Studie in den Nebenwirkungsdaten steckt. Sein bisheriges Research-Tooling hatte ihm bereits selbstbewusst falsche Antworten geliefert, und in seinem Feld ist eine halluzinierte Quelle keine Unannehmlichkeit, sie ist disqualifizierend.
Die instinktive Frage war "welches Modell ist das klügste?". Die nützliche Frage, und dort landete der Tisch, war "wie baue ich Research, das ich verteidigen kann?". Die Antwort ist ein Harness, kein besserer Prompt: das Modell mit Instruktionen, Tools und Memory umgeben, es an peer-reviewte Quellen statt ans offene Web anschließen und die Regeln mechanisch durchsetzen. Ein Hook, eine automatisierte Prüfung, die bei jedem Output läuft, leistet mehr für die Verlässlichkeit als jede Formulierung: Alles ablehnen, worin eine Behauptung ohne URL zum publizierten Journal steht, und aus dem Halluzinationsproblem wird ein Prozessproblem. Obendrauf haben wir eine Review-Ebene skizziert, die getrennte Personas vergibt, Finanzen, Medizin, Recht, die einen Deal unabhängig voneinander diskutieren, bevor sie konvergieren, so wie ein echtes Investment-Komitee.
Dann kam die härtere Einschränkung auf den Tisch: Das meiste Material liegt in NDA-geschützten Datenräumen. Es in ein US-gehostetes Modell hochzuladen ist ein juristisches Risiko, bevor es ein technisches ist. Die Optionen, die wir am Tisch durchgegangen sind, bilden eine Leiter: Hosting in EU-Regionen über AWS Bedrock oder Google Vertex AI, vertragliche No-Training-Garantien in Anthropics Commercial Terms (Anthropic) oder komplett lokale Open-Source-Modelle auf Hardware, die die Runde auf 15.000 bis 20.000 Euro taxierte, mit dem ehrlichen Vorbehalt, dass Frontier-Modelle nicht air-gapped laufen. Der pragmatische Weg für jetzt: Claude das Themenfeld recherchieren und die kritischen Fragen generieren lassen, und die Dokumente selbst komplett aus der Schleife halten.
Context ist das Handwerk
Das Thema mit den meisten Notizen war das, für das niemand gekommen war: Context Management. Ein Modellaufruf selbst ist zustandslos: Jede Session beginnt mit einem frischen Kontextfenster, dem Arbeitsgedächtnis des Modells, und was überlebt, ist nur das Gedächtnis, das du kuratierst. Die Qualität aller darauf aufbauenden Schritte hängt davon ab, was du wann in dieses Fenster gibst.
Was ich dem Tisch gezeigt habe: ein LLM-Wiki, ein hierarchischer Index deines Domänenwissens, der wie eine Enzyklopädie funktioniert, sodass das Modell Details Schritt für Schritt aufdeckt, das Muster, das Anthropic Progressive Disclosure nennt, statt alles vorab zu schlucken. Unter etwa 50 bis 70 Prozent des Kontextfensters bleiben, meine Faustregel aus der Praxis, keine offizielle Zahl, weil die Qualität mit zunehmender Füllung nachlässt, lange bevor das Limit erreicht ist (Anthropic Engineering). Ordner pro Domäne mit eigenen Skills und Vorarbeiten, damit die Bewertung des nächsten Startups in einem vertrauten Feld auf akkumuliertem Urteilsvermögen aufsetzt statt auf einem leeren Blatt, zum Preis von ein bis zwei Prozent des Kontextfensters in meinen eigenen Setups. Nichts davon ist glamourös. Alles davon ist der Unterschied zwischen einer Demo und einem System, und es gilt identisch, ob das Interface ein Chat-Fenster ist oder Claude Code. Wenn du einen ersten Schritt von Tisch sieben mitnehmen willst, dann diesen: Fang mit dem Wiki an, einer Index-Datei deines Domänenwissens, und lass das Modell den Rest bei Bedarf nachladen.
Runde zwei: Die Builder vergleichen ihre Harnesses
In der zweiten Runde füllte sich der Tisch mit einer anderen Besetzung: ein Senior-Frontend-Engineer mit einem Jahrzehnt im Schweizer Banking, der jetzt mit KI freiberuflich arbeitet und in zwei Monaten eine komplette Schachplattform ausgeliefert hat, und ein SaaS-Gründer, dessen Claude-Agent bereits Rechnungsstellung, Freigaben und Zahlungserinnerungen produktiv abwickelt. Auch ich hatte ein Geständnis für den Tisch: Ich bin, wie ich selbst zugebe, ein reiner Vibe Coder und habe noch nie eine Zeile Code von Hand geschrieben.
Was die Runde stark machte: Der Harness, den ich den beiden gezeigt habe, war einer, den beide in ihrem eigenen Setup wiedererkannten. Das Modell schreibt den Code, die Pipeline erzeugt das Vertrauen. Der Delivery-Flow ist derselbe wie hinter meinem eigenen /develop-Claude-Code-Skill, Open Source auf GitHub: Ein PRD, ein Product Requirements Document, wird zur Spec, die Spec wird zu kleinen Issues mit je einem Thema und Akzeptanzkriterien, und der Agent arbeitet das Backlog Issue für Issue ab, testgetrieben wo es zählt. In meinem eigenen Produktiv-Setup kommt noch mehr dazu: Ein zweites Modell reviewt, was das erste gebaut hat, bevor irgendetwas committet wird, Branch Protection blockiert jeden direkten Push oder Merge auf main ohne Pull Request, isolierte Worktrees pro Aufgabe halten getrennte Arbeitskopien, damit parallele Agenten sich nicht gegenseitig überschreiben, und Pre-Commit-Hooks fangen Secrets, PII und bekannte Schwachstellen ab, bevor irgendetwas ausgeliefert wird. Auch die Frage, wo diese Agenten laufen sollen, kam auf: managed auf Anthropics Infrastruktur oder self-hosted in einer Sandbox hinter der eigenen Firewall, beides inzwischen dokumentierte Wege (Claude Platform Docs), und ein Setup, über das ich nach dem Claude Founder House in Berlin geschrieben habe (drfloriansteiner.com). Ein Vorbehalt gehört daneben: Self-Hosting isoliert die Tool-Ausführung, nicht den Datenfluss, denn das Modell läuft bei Anthropic und Tool-Eingaben wie -Ausgaben passieren weiterhin dessen Control Plane (Claude Platform Docs), was direkt zur NDA-Diskussion aus Runde eins zurückführt.
Vibe Coding ist der Weg, auf dem jede Person an diesem Tisch zu ihrem ersten Prototyp kam, und niemand hat darauf herabgesehen. Aber alle mit zahlenden Kunden hatten dieselbe Schwelle überschritten: vom Prompten des Modells zum Engineering des Systems drumherum. Diese Schwelle hat einen Namen, Agentic Engineering, und die zwei Monate des Banking-Engineers bis zur ausgelieferten Schachplattform zeigen, wie schnell sie sich überschreiten lässt, jedenfalls wenn ein Jahrzehnt Gespür für gute Software mit an Bord ist.
Worin sich beide Runden einig waren
Drei Dinge kamen immer wieder, egal wer am Tisch saß. Erstens Modell-Routing: Sonnet als tägliches Arbeitspferd, und nur die wirklich harten Entscheidungen an die Spitzenklasse eskalieren, Opus oder Fable, was ein Teilnehmer als "den Nobelpreisträger dazurufen" zusammenfasste. Das Advisor-Muster, bei dem das Alltagsmodell das stärkere Modell genau bei diesen Entscheidungen konsultiert, macht die Eskalation zu einer Konfigurationsentscheidung innerhalb von Claude Code statt zu einem Architekturumbau (Claude Code Docs); beim zufälligen Default-Modell zu bleiben ist genau der Weg, für die Frontier zu bezahlen und das Produktivitäts-Upgrade nie abzuholen (drfloriansteiner.com). Zweitens eine Unterscheidung, die ich selbst an den Tisch gebracht habe: Claude Code für die technische Seite des Teams und Claude Cowork für alle anderen, Anthropics agentische Arbeitsumgebung für Menschen, die nicht im Terminal leben; dasselbe Modell darunter, eine andere Arbeitsumgebung. Drittens, und die Einstimmigkeit hat mich überrascht: Bauen ist nicht mehr der Engpass, Verkaufen ist es, ein Argument, das ich an anderer Stelle ausführlicher gemacht habe (drfloriansteiner.com). Wenn ein funktionierendes Produkt einen Bruchteil dessen kostet, was es einmal gekostet hat, wird Distribution zur knappen Fähigkeit, und die interessantesten Antworten am Tisch drehten sich darum, dieselben Agenten auf Go-to-Market zu richten: wöchentliche Routinen, die Traffic analysieren, über Conversion berichten und die nächste Runde Verbesserungen gleich umsetzen.
Die Bubble-Frage kam natürlich auch. Der Konsens war differenzierter als die Schlagzeilen: Das Investitionsklima mag überhitzt sein, aber die Produktivitätsgewinne an diesem Tisch waren real, von Kunden bezahlt und im Produktivbetrieb. Genau auf diese Unterscheidung kommt es an.
Wenn du eine Sache von Tisch sieben mitnimmst: Claude zu meistern heißt nicht, Prompten zu lernen. Es heißt, den Harness zu bauen, den Kontext, die Hooks und die Review-Schleifen um ein Modell herum, sodass du dem Output vertrauen kannst, wenn es darauf ankommt. Die Leute, die das bereits tun, sahen nicht aus wie ein Forschungslabor. Sie sahen aus wie drei Gründer an einem Holztisch an einem Strand in Apulien.
Die Muster sind erlernbar. Der Harness drumherum ist die Stelle, an der die meisten Teams hängenbleiben. Wenn du testen willst, wie Agentic Engineering für dein Unternehmen aussieht, sprechen wir.