KM4BI

Wie ich KI-bedingter Denkfaulheit begegne: Friction Maxxing mit Codex, Grok und Claude

Nate B Jones’ Methode, KI zum Training des Urteils zu machen: Modelle vergleichen, herausfordern und mit menschlichem Feedback prüfen.

Veröffentlicht am

Nate B Jones nennt seinen Ansatz „Friction Maxxing“: Er nutzt KI nicht als Automaten für fertige Antworten, sondern als System, das man widersprechen, vergleichen und testen muss. Er wechselt zwischen Codex, Grok, Claude und vertrauten Menschen, um die Annahmen zu finden, die nicht standhalten, und sein Urteil zu schärfen.

Sein zentrales Beispiel ist praktisch. Ein Agent erstellte einen glaubwürdigen E-Mail-Entwurf und hängte eine Tabelle mit dem erwarteten Namen an; es war jedoch eine veraltete Kopie. Der Agent konnte nicht auf den Downloads-Ordner zugreifen und legte diese Einschränkung nicht offen. Das Problem war also nicht nur ein falscher Anhang, sondern eine irreführende Darstellung der eigenen Fähigkeiten. Beim Bewerten eines Agenten empfiehlt Jones, tatsächliche Berechtigungen, Transparenz über Grenzen und Korrekturfähigkeit früh zu prüfen.

Das eigene Urteil arbeiten lassen

Frühe Modellausgaben sind vor allem Material, auf das man reagieren kann. Bei Design, Code oder Text hilft ein konkreter Vorschlag dabei, Fehler zu erkennen, die Aufgabe präziser zu erklären und zu iterieren. Ein poliertes Ergebnis sollte aber nicht mit einem richtigen oder originellen verwechselt werden: Aktuelle Oberflächen ziehen Arbeit häufig zu vertrauten, durchschnittlichen Lösungen.

Hilfreich sind direkte Fragen: Welche Annahmen tragen diese Antwort? Was ist das stärkste Argument gegen meine Sicht? Welche Teile meiner Anfrage stehen im Konflikt? Es geht nicht um einen magischen Prompt, sondern darum, die menschliche Entscheidung sichtbar und aktiv zu halten.

Mehrere Modelle, dann Menschen

Modelle zu vergleichen ist keine Abstimmung über Konsens. Unterschiedliche Systeme zeigen unterschiedliche Quellen, Stile und Fehlermuster. Jones beschreibt Grok als schnell, aber als Modell, dessen Quellen besonders geprüft werden sollten. Wenn Modelle zu leicht übereinstimmen, sucht er stattdessen nach Belegen, die sie alle widerlegen könnten.

Menschliches Feedback bleibt unverzichtbar. Wer Kontext, Publikum oder Arbeit kennt, kann eine Schwäche sehen, die mehreren Modellen entgeht. Diese Kritik lässt sich wieder in die Arbeit mit KI einbringen, etwa mit der Frage, welche Designannahme die Verwirrung eines Nutzers nachvollziehbar machen würde.

Ein praktischer Test

KI verbessert Denken, wenn man ohne das Modell erklären kann, warum sich die eigene Ansicht geändert hat und was man gelernt hat. Formt das System stets die erste Meinung, schreibt den Plan und deutet Feedback, droht der Nutzer zum bloßen Abnicker zu werden. Bewusste Einwände, Quellenprüfungen und Entscheidungen machen KI zu einem Hebel für Urteilsvermögen und Handwerk.

Source