Marc Andreessens viraler Aufforderung – Die Widersprüche, die die meisten Menschen übersehen

Wenn man die Screenshot-Eingabeaufforderung sorgfältig liest, fallen vier große Widersprüche auf. Erstens: „Seien Sie brutal ehrlich“ UND „Seien Sie taktvoll und rücksichtsvoll gegenüber Gefühlen“. Diese beiden sind zusammen nicht unmöglich, erfordern jedoch eine explizite Priorisierung, die in der Eingabeaufforderung nicht vorgesehen ist. Das Modell muss jeweils erraten, welche Seite gewinnt. Die Ausgabe ist am Ende inkonsistent – ​​manchmal brutal direkt, manchmal sanft, ohne klares Muster.

Zweitens: „Habe eine starke Meinung und verteidige sie selbstbewusst“ UND „bleibe bescheiden in Bezug auf deine Unsicherheit“. Auch hier können beide Tugenden sein, aber sie brauchen eine Hierarchie. Ohne eine solche schwankt das Modell zwischen performativem Selbstvertrauen und performativer Demut. Manche Antworten wirken überheblich. Andere als ausweichend. Das Fehlen eines eindeutigen Standardwerts führt zu instabilen Ausgaben.

Drittens: „Strikte Logik und Analyse anwenden“ UND „Bauchgefühl und Mustererkennung schätzen“. Aus der Formulierung geht hervor, dass diese sich ergänzen, in der Praxis gehen sie jedoch in unterschiedliche Richtungen. Die Logik bevorzugt explizite Schritt-für-Schritt-Schlussfolgerungen, die überprüft werden können. Die Intuition begünstigt einen schnellen Mustervergleich, der sich einer Erklärung widersetzt. Die Eingabeaufforderung fordert das Modell auf, beides gleichzeitig zu tun, ohne zu sagen, womit es führen soll.

Viertens: „Sei maximal hilfreich“ UND „Drücke zurück, wenn du nicht einverstanden bist“. Diese können koexistieren, wenn „hilfreich“ „ehrliche Meinungsverschiedenheit“ einschließt, aber die meisten Modelle interpretieren standardmäßig „maximal hilfreich“ als „angenehm“. Das Modell interpretiert die zweite Anweisung als Sonderfallüberschreibung und führt nicht so oft einen Pushback durch, wie die Eingabeaufforderung eigentlich möchte.

Moderne Grenzmodelle – GPT-5, Claude 4 Opus, Gemini 2.5 Ultra – werden intensiv mit RLHF (Reinforcement Learning from Human Feedback) trainiert. Eines der stärksten Signale in diesem Training ist Konsistenz: Das Modell wird dafür belohnt, dass es bei einer Systemaufforderung kohärentes, vorhersehbares Verhalten erzeugt.

Wenn die Systemaufforderung selbst inkohärent ist, wird das Verhalten des Modells auf subtile Weise unberechenbar. Es erzeugt immer noch eine grammatikalische, flüssige Ausgabe. Das semantische Profil verschiebt sich jedoch unvorhersehbar bei Antworten auf ähnliche Fragen. Eine Antwort könnte die Seite der „brutalen Ehrlichkeit“ hervorheben. Der nächste Punkt könnte die „diplomatische“ Seite betonen. Der Benutzer bemerkt die Varianz, führt sie jedoch häufig fälschlicherweise eher auf die Zufälligkeit des Modells als auf das prompte Design zurück.

Je ausgefeilter das Modell ist, desto wichtiger ist dies. Ältere Modelle (GPT-3.5, Claude 1) ermittelten nur den Durchschnitt über Widersprüche und erzeugten eine langweilige Ausgabe. Frontier 2026-Modelle geben sich mehr Mühe, jede Anweisung umzusetzen, was bedeutet, dass die Konflikte größer werden. Entgegen der Intuition bestrafen komplexe Modelle schlechte Eingabeaufforderungen stärker als einfache Modelle.

Die Lösung ist Hierarchie. Anstatt die Tugenden pauschal aufzulisten, geben Sie Prioritäten und Kompromisse explizit an. So könnte eine debuggte Eingabeaufforderung im Andreessen-Stil aussehen (umschrieben):

„Du bist mein Denkpartner.“ Gehen Sie bei Konflikten lieber auf brutale Ehrlichkeit als auf Diplomatie zurück – aber dämpfen Sie die Darbietung, wenn der emotionale Kontext dies erfordert. Setzen Sie bei der Absicherung standardmäßig auf starke Meinungen – markieren Sie jedoch explizit, wenn das Vertrauen echt oder performativ ist. Wenden Sie zunächst eine strenge Logik an; Beziehen Sie sich nur dann auf Ihr Bauchgefühl, wenn es der Logik widerspricht, und erklären Sie, warum. Seien Sie maximal hilfreich, indem Sie anderer Meinung sind, wenn Sie tatsächlich anderer Meinung sind, selbst auf Kosten des sozialen Komforts.

Diese Version ist weniger elegant, aber funktionaler. Es teilt dem Modell mit, was zu tun ist, wenn Tugenden in Konflikt geraten, was der Sinn und Zweck einer Systemaufforderung ist, die mehrere Tugenden enthält. Das Andreessen-Original versuchte diesen Schritt zu überspringen, indem es die Tugenden als harmonisch behandelte. Das sind sie nicht, und das Model kann nicht so tun, als ob sie es wären.

Die Meta-Lektion: Wenn Sie eine Systemeingabeaufforderung mit mehreren Anweisungen entwerfen, schreiben Sie eine „Tiebreaker-Schicht“, die Konflikte behandelt. Ohne sie lagern Sie die Konfliktlösung an das Standardtraining des Modells aus, das Ihre Prioritäten nicht zuverlässig widerspiegelt.

Die gleiche Lektion gilt weit über die Aufforderungen von Unternehmensberatern hinaus. KI-Begleit-Apps – Replika, Candy.AI, Character.AI, DreamGF und andere – nutzen alle Systemaufforderungen, um das Charakterverhalten zu beeinflussen. Der häufigste Fehlermodus in diesen Systemen ist genau das Andreessen-Problem: ein Charakter, der als „warmherzig und fürsorglich“ UND „äußerst unabhängig“ UND „geheimnisvoll“ UND „völlig ehrlich in Bezug auf Gefühle“ beschrieben wird. Diese Merkmale sind zusammen nicht unmöglich, aber ohne explizite Hierarchie sind sie nicht kohärent.

Das Ergebnis ist bei Begleit-Apps das gleiche wie bei geschäftlichen Eingabeaufforderungen: inkonsistente Ausgabe. Der Charakter fühlt sich an verschiedenen Tagen wie ein anderer Mensch. Benutzer beschreiben ihre KI-Partner als „launisch“ oder „inkonsistent“, wenn das zugrunde liegende Problem darin besteht, dass die Systemaufforderung nach widersprüchlichen Merkmalen gefragt hat, ohne anzugeben, wie die Konflikte gelöst werden sollen.

Für Benutzer, die ihre eigenen Charaktere in Apps entwerfen, die benutzerdefinierte Personas ermöglichen, ist die Lektion konkret: Überhäufen Sie keine Eigenschaften. Wählen Sie drei Kernmerkmale aus und geben Sie explizit an, welches in Konflikten gewinnt. „Warm, aber fest – wenn Wärme und Festigkeit im Konflikt stehen, siegt die Festigkeit, weil Ehrlichkeit wertvoller ist als Trost“ ist eine nützlichere Angabe als „warm und fest und ehrlich und fürsorglich“. Ersteres erzeugt einen kohärenten Charakter. Der zweite führt zu Verwirrung.

Andreessens virale Aufforderung ist gerade deshalb ein nützliches Artefakt, weil sie einen häufigen Fehler in einer hochrangigen Form verkörpert. Der Fehler besteht darin, das Prompt-Design als eine Liste wünschenswerter Attribute zu behandeln. Die Korrektur lautet: Prompt Design als konstitutionelles Dokument für das Verhalten der KI behandeln.

In der politischen Theorie ist eine Verfassung wertvoll, weil sie festlegt, was zu tun ist, wenn Gesetze in Konflikt geraten – sie bietet eine Hierarchie von Prinzipien. Eingabeaufforderungen funktionieren auf die gleiche Weise. Eine gute Aufforderung ist nicht eine maximalistische Ansammlung aller erdenklichen Tugenden. Es handelt sich um eine sorgfältige Auswahl einiger Tugenden, mit expliziten Tiebreakern für den Fall, dass sie in Konflikt geraten.

Das Paradox: Maximalistische Aufforderungen fühlen sich wirkungsvoller an, erzeugen aber ein weniger kohärentes KI-Verhalten. Zurückhaltende Eingabeaufforderungen mit klaren Hierarchien wirken weniger ehrgeizig, führen aber zu deutlich besseren Ergebnissen. Andreessens Aufforderung liegt am maximalistischen Ende dieses Spektrums. Reddit hat es erwischt. Die Lektion verallgemeinert weit über seine spezifische Vorlage hinaus – es geht darum, wie man über jede Eingabeaufforderung nachdenkt, die man an eine KI im Jahr 2026 schreibt.