Ich spiele ab und zu Poker. Offline, echtes Poker. Aber häufiger online, einfach um abzuschalten. Gestern Abend wieder ein kleines Turnier, wie so oft. Nach jeder Session lasse ich meine Hände von Claude analysieren: wo war ich gut, wo nicht. Die Analyse war wie immer solide, präzise, ehrlich, detailliert.
Aber als reiner Text setzt sie sich nicht fest. Ich lese sie, nicke, und beim nächsten Turnier tappe ich in dieselben Fallen wie vorher.
Also habe ich diesmal einen weiteren Schritt gemacht. Kein Markdown-Dump. HTML.
Derselbe Analyse-Inhalt, den Claude sonst als Textblock liefert, diesmal als strukturiertes HTML mit visuellen Karten, Farbcodierung und klarer Navigation. Der Unterschied, ob man eine Analyse wirklich verinnerlicht oder nur liest.
Und das war der Moment, in dem Output Engineering aufgehört hat, nur ein Arbeitsprinzip zu sein.
Karpathy hat letzte Woche auf X genau das gepostet: HTML-Outputs statt Markdown-Dumps. Willkommen im Club.
Post auf X ansehen →Er hat auch "Context Engineering" geprägt, und das war überfällig. Aber zwischen "wie gebe ich der KI den richtigen Kontext" und "wirklich verstehen, was am Ende rauskommt" liegt eine Ebene, die noch niemand benannt hat.
Ich nenne sie Output Engineering.
Und das läuft bei uns so:
Ich mache häufig Deep Researches mit vier verschiedenen AIs. ChatGPT, Claude, Perplexity, Gemini. Dasselbe Briefing, derselbe Kontext. Ich nenne das Triple Research, auch wenn es rechnerisch Quadruple ist. Der Name war zuerst da.
Was ist Triple Research?
Dieselbe strategische Frage wird gleichzeitig an vier verschiedene AI-Systeme gestellt, mit identischem Briefing und Kontext. Alle vier Perspektiven werden zusammengeführt und verglichen.
Der Name "Triple" kommt aus der Frühphase der Methode. Heute sind es vier Systeme, aber der Name blieb.
Was dabei entsteht, sind drei Dokumente mit drei verschiedenen Funktionen.
Das Rohdokument ist nicht zum Lesen da. Es ist das Arbeitsmaterial für die KI. Ich lade es hoch und befrage es gezielt: Welche Plattform wird am häufigsten empfohlen? Wo widersprechen sich die vier AIs? Was stimmt durchgängig überein?
Claude erstellt daraus eine Zusammenfassung, die ich und mein Team tatsächlich lesen. Kernempfehlungen, die wichtigsten Unterschiede, Entscheidungsgrundlage. Aber zwischen lesen und verstehen, so dass es Klick macht, können auch Welten liegen.
Deswegen arbeiten wir seit Kurzem mit einem dritten Schritt. Der ist ein Game Changer: der HTML-Report.
Letzte Woche habe ich das für eine Frage rund um eine mögliche AIKIA Labs Community gemacht. Soll ich eine aufbauen? Welches Format? Welche Plattform macht 2026 noch Sinn? Rohdokument befragt, Zusammenfassung gelesen. Dann habe ich Claude mit dem dritten Schritt beauftragt: dasselbe als HTML.
Der Report entstand als internes Entscheidungsdokument. Entscheidend ist hier der Formatwechsel: Aus derselben Analyse wird statt eines abgelegten Textblocks ein Werkzeug, das Menschen wirklich verstehen.
Der Unterschied zur Textzusammenfassung ist sofort sichtbar. Die Struktur ist klar, weil Navigation und visuelle Hierarchie das Dokument in Sekunden lesbar machen. Die Farbcodierung (grün für Empfehlungen, rot für was wegfällt) lässt sich scannen, ohne einen Satz zu lesen. Grafiken, Vergleichstabellen, Aktionspläne können direkt eingebettet werden.
Man versteht alle Zusammenhänge viel schneller und kann sie sich besser merken, weil unser Gehirn visuell verarbeitete Informationen einfach anders speichert als reinen Text.
„Die Zusammenfassung gibt mir Fakten. Der HTML-Report gibt mir Klarheit."
Er hat recht, dass Context Engineering der eigentliche Job ist. Prompt schreiben war gestern. Und er hat recht, dass HTML besser ist als ein Markdown-Dump. Aber da geht es schon um Output Engineering.
Context Engineering beantwortet eine Frage: Was gebe ich der KI, damit sie gut arbeiten kann?
Output Engineering beantwortet die andere: Was soll rauskommen, für wen, in welchem Format?
Ich lehre beides in meinen AI First Kursen, weil gute Recherche genau hier stirbt. Die Prompts waren gut. Der Kontext war da. Und am Ende kommt ein Markdown-Block raus, den später niemand mehr öffnet.
Das Rohdokument für die KI. Die Zusammenfassung zum Lesen. Der HTML-Report zum echten Verstehen für gute Entscheidungen.
Gilt für Community-Research. Gilt für Pokerhände. Gilt für alles, was du wirklich verinnerlichen willst.
Eine Recherche. Fünfzehn Minuten.
Mal ehrlich: Wie viele Reports habt ihr in den letzten Monaten produziert, die danach niemand mehr geöffnet hat?