Eine zweite Meinung, die nicht von derselben KI kommt

03.11.2026 · ca. 10 Minuten

Wer länger mit einem KI-Assistenten arbeitet, kennt den Moment: die Lösung steht, sie klingt plausibel, der Assistent ist zufrieden — und man selbst hat das leise Gefühl, dass hier gerade niemand im Raum widerspricht.

Das Gefühl ist berechtigt. Ein Assistent, der seinen eigenen Vorschlag prüfen soll, prüft ihn mit demselben Modell, demselben Trainingsstand und denselben blinden Flecken, die ihn überhaupt zu dem Vorschlag geführt haben.

Dieser Beitrag beschreibt, was ich dagegen gebaut habe: einen kleinen Zusatz für Claude Code, der auf Zuruf eine fremde KI holt — OpenAI Codex oder Google Gemini — und sie entweder blind dasselbe Problem lösen oder die fertige eigene Lösung auseinandernehmen lässt. Dazu die Bilanz aus drei echten Läufen, mit den Fehlgriffen, weil die interessanter sind als die Treffer.

Das Problem: Zustimmung ist keine Prüfung

Die naheliegende Lösung wäre, den Assistenten einfach zu bitten, seine Antwort noch einmal kritisch zu prüfen. Das funktioniert schlechter, als man hofft. Es kommen Formulierungskorrekturen, ein paar Vorbehalte, selten ein echter Widerspruch. Der Grund ist strukturell und keine Bosheit: dasselbe Modell kommt auf demselben Weg wieder dort an, wo es vorher schon war.

Was ich wollte, war deshalb nicht „prüfe dich selbst", sondern eine Stimme von außen — unter Bedingungen, unter denen ihre Antwort etwas wert ist. Genau darin liegt die Arbeit, denn eine fremde KI falsch zu befragen ist leichter, als man denkt.

Die Idee

Ein Kommando, /zweitmeinung, das zwei Dinge kann:

• Blind — die fremde KI bekommt nur das Problem: Ziel, Umgebung, Randbedingungen. Keine eigene Lösung, kein Hinweis auf meine Richtung. Auftrag: „Wie würdest du das lösen? Begründe deinen Ansatz und nenne Risiken."
• Kritik — die fremde KI bekommt die fertige Lösung vollständig beschrieben und den Auftrag, Fehler, falsche Annahmen und bessere Alternativen zu suchen, mit der ausdrücklichen Ansage, nur zuzustimmen, wenn sie keine substanziellen Mängel findet.

Blind eignet sich für Methodenkritik und Alternativen, Kritik zum Gegenlesen einer Sache, die schon steht. Beides läuft über die Kommandozeilen-Werkzeuge der Anbieter, also ohne Browser und ohne Kopieren von Hand.

Vier Entscheidungen, auf die es ankommt

Das Briefing muss ohne das Gespräch funktionieren

Die fremde KI kennt den Verlauf nicht, in dem die Lösung entstanden ist. Sie bekommt deshalb einen eigenständigen, kompakten Text nach fester Gliederung: Ziel, Umgebung mit den nötigen Auszügen, Randbedingungen samt dem, was schon verworfen wurde und warum. Angehängt wird immer dieselbe Bitte:

Kennzeichne, was du sicher weißt und was du vermutest. Antworte in höchstens ca. 400 Wörtern.

Beides zahlt sich aus. Die Kennzeichnung trennt belastbare Aussagen von Schätzungen — ohne sie lassen sich Behauptungen nicht gewichten. Die Längengrenze verhindert den Aufsatz, der alles erwähnt und nichts entscheidet.

Dazu eine Pflicht, die man nicht dem Zufall überlassen darf: Zugangsdaten, Schlüssel und personenbezogene Daten gehen vorher raus oder werden zu Platzhaltern. Das Briefing verlässt das Haus — und bei der zweiten Engine geht es an einen weiteren Anbieter.

Das leere Arbeitsverzeichnis

Beide Werkzeuge laufen mit einem Schalter, der ihnen das Schreiben verbietet. Das Lesen verbieten sie nicht. Startet man sie im Projektordner, finden sie dort meine Notizen — die eigenen Schlüsse, Verdächtigen und Pläne — und geben sie zurück. Das Ergebnis sieht dann wie unabhängige Bestätigung aus, ist aber ein Echo, und zwar ein von außen nicht erkennbares. Damit wäre der ganze Zweck dahin.

Deshalb läuft beides in einem leeren Verzeichnis. Das ist keine theoretische Vorsicht: Beim Einrichten der zweiten Engine habe ich sie einmal versehentlich im Projektordner gestartet, und ihr allererster Schritt war, genau dieses Verzeichnis samt Notizen auflisten zu wollen. Nur die Rückfrage vor dem Befehl hat es verhindert.

Die Trennlinie, die sich daraus ergibt: Tatsachen darf die fremde KI sehen, meine Schlussfolgerungen nicht. Logs, Konfigurationen, Messwerte gerne, wenn sie nötig sind. Meine eigene Kandidatenliste nie, in keinem der beiden Modi.

Immer ein Modell des fremden Hauses

Über das Werkzeug, mit dem ich Gemini anspreche, wären auch Modelle anderer Anbieter erreichbar — darunter welche aus derselben Familie wie mein eigener Assistent. Die wären hier ein Kunstfehler: dann befragt sich dieselbe Modellfamilie selbst, und die Antwort ist kein unabhängiger Blick, sondern wieder ein Echo, nur mit fremdem Briefkopf. Das Modell wird deshalb bei jedem Aufruf ausdrücklich mitgegeben.

Keine Mehrheitslogik

„Zwei von drei sagen X" ist kein Argument. Mit zwei fremden Stimmen ist die Versuchung neu und groß, und sie bleibt verboten: jede Antwort zählt nur so viel, wie ihre Begründung trägt. Abweichungen werden an der Dokumentation, am Log oder am System geklärt, nicht durch Abstimmung.

Dazu gehört eine zweite Regel, die leicht zu übersehen ist: Läuft nach der ersten Engine noch eine zweite, darf die Antwort der ersten nicht ins Briefing der zweiten. Sonst ankert sie daran und liefert eine Bestätigung, die nach Übereinstimmung aussieht. Dasselbe Briefing, Wort für Wort, an beide — nur so sind die Antworten vergleichbar.

Was es tatsächlich gebracht hat

Hier wird es unangenehm, und deswegen steht es drin.

Bei Fehlersuche: Korrektiv, kein Finder

Erster Lauf, blind, Fehlerbild: Streams eines Sportdienstes laden nicht, solange ein netzwerkweiter Werbeblocker aktiv ist. Codex kam unabhängig auf denselben Grundansatz — gezielte Ausnahmen statt den Blocker abzuschalten. Von drei nötigen Diensten traf er einen, zwei nannte er gar nicht, und einen nannte er, der nachweislich nicht nötig war. Wertvoll war ein methodischer Einwand: pauschale Platzhalter nur dort, wo sie wirklich nötig sind. Der hat die Lösung verbessert.

Zweiter Lauf, blind, Fehlerbild: eine Schnittstelle fällt mitten in der Sitzung aus und ist nicht zurückzuholen. Hier wurde es deutlich. Die Lösung war öffentlich dokumentiert — also genau dort, wo eine KI mit eigener Websuche stark sein müsste. Codex nannte sie nicht. Stattdessen vermutete er einen Zusammenhang mit Störungen beim Anbieter; die Bedingung dafür hatte er selbst formuliert, und sie ließ sich an der Statushistorie widerlegen: kein Vorfall deckte die Ausfallzeiten. Dazu, wie im ersten Lauf, ein Beleglink zu einem anderen Fehlerbild als dem eigenen.

Das Fehlermuster, auf das man achten muss, zeigt sich in beiden Läufen: Codex recherchiert selbstständig und stützt seine Empfehlung auf Fundstellen — prüft aber nicht, ob der Beleg dasselbe Fehlerbild behandelt. Eine Antwort mit Link wirkt dadurch belegter, als sie ist. Jeder Link wird seitdem daraufhin geprüft, ob Symptom und Umgebung zum eigenen Fall passen, bevor der Vorschlag weitergereicht wird.

Bei Konzeptfragen: deutlich besser

Dritter Lauf, Kritik-Modus, und diesmal keine Fehlersuche, sondern ein ausgearbeiteter Plan — eine Abwägung mit Zahlen, Rechtsfragen und Alternativen. Erst Codex, dann auf Wunsch Gemini, gleiches Briefing, die erste Antwort nicht darin.

Codex korrigierte Formalien und rechnete die Kalkulation nach: eine Regelung falsch einsortiert, eine Pflicht als gegeben dargestellt, die in Wahrheit von Bedingungen abhängt, eine Aussage zu absolut formuliert. Nützlich, aber am Ergebnis änderte es nichts.

Gemini rüttelte an der Sache. Drei Funde kippten die Entscheidung — darunter eine Programmbedingung, die den ganzen Plan vor der ersten Auszahlung beendet hätte, und ein Widerspruch zwischen zwei Anforderungen, die ich beide für sich bedacht, aber nie gegeneinandergehalten hatte. Dazu eine Alternative, die mir nicht eingefallen war. Die Fehlgriffe waren klein und erkennbar: eine erfundene Zahlenschwelle, eine triviale Hürde als Hindernis dargestellt, und ein richtiger Schluss mit der falschen Begründung.

Bemerkenswert daran: Gemini lief auf dem kleinen, schnellen Modell, Codex auf dem großen mit hoher Denktiefe. Der Vergleich war also zu Geminis Nachteil verzerrt und fiel trotzdem so aus. Ein Lauf ist keine Messreihe — aber die Richtung war eindeutig.

Der Befund daraus: Die Schwäche „findet die Lösung nicht" trifft Fehlersuche. Dort ist die Messung am eigenen System schneller und genauer, schon weil die fremde KI das System nicht sieht. Bei einem ausgearbeiteten Plan ist Breite und Nebenwirkung aber genau das, was sie auch ohne Systemzugang leisten kann — und da hat sie die Qualität spürbar gehoben.

Was nicht funktioniert

• Als Orakel. Zweimal wurde die Lösung nicht gefunden, einmal obwohl sie öffentlich dokumentiert war.
• Als Ersatz für die Messung. Wer das System einsehen kann, misst. Das ist schneller und beweist etwas.
• Als Mehrheitsbeschaffer. Die Regel ist leicht aufzuschreiben und im Moment der Bestätigung schwer einzuhalten.

Und eine Beobachtung über mich selbst, die mir lieber nicht aufgefallen wäre: Im zweiten Lauf ging der inhaltlich wertvollste Hinweis ins Leere, löste aber die Websuche aus, die dann die Lösung fand. Die fremde KI hat also einen Schritt angestoßen, den ich selbst hätte tun müssen. Daraus ist eine eigene Arbeitsregel geworden: Bei einem Symptom ohne Artefakt am eigenen System — kein Logeintrag, keine Konfigurationsspur, Gegenseite nicht einsehbar — früh nach Fremdberichten suchen, nicht am Ende. Ein indirekter Nutzen dieser Art ist kein Argument für das Werkzeug, sondern ein Befund über die eigene Arbeitsweise.

Fazit

Das Werkzeug taugt nicht, um Lösungen zu finden. Es taugt, um eine fertige Lösung auf Breite und Nebenwirkungen prüfen zu lassen — und bei Konzeptfragen hebt es die Qualität spürbar, auch wenn die fremde KI das System nie gesehen hat. Der Aufwand liegt nicht im Aufruf, sondern in den Bedingungen.

Was am meisten hilft, ist am Ende nicht die fremde Antwort selbst, sondern die Frage, die sie erzwingt: Woran würde ich merken, dass ich hier falsch liege?

Technischer Anhang

Die Beteiligten

Das Ganze ist kein Programm, sondern eine Anleitung in Prosa — eine Markdown-Datei unter ~/.claude/skills/zweitmeinung/, die Claude Code beim Aufruf von /zweitmeinung liest und abarbeitet: Engine und Modus bestimmen, Briefing nach fester Gliederung schreiben, genau einen Aufruf machen, Ergebnis nach festem Schema auswerten.

Der Aufruf: Codex

Das Briefing geht über eine Datei, nicht über die Kommandozeile — das erspart jedes Zitieren von Sonderzeichen:

BRIEF="$(mktemp)"; OUT="$(mktemp)"; LEER="$(mktemp -d)"
cat > "$BRIEF" <<'ENDE'
<Briefing>
ENDE
codex exec --skip-git-repo-check -s read-only -C "$LEER" -o "$OUT" - < "$BRIEF"
cat "$OUT"
rm -f "$BRIEF" "$OUT"

-s read-only verbietet das Schreiben, -C "$LEER" setzt das Arbeitsverzeichnis auf ein leeres Temporärverzeichnis — das ist der eigentliche Schutz. Eine Rückfrage, höchstens eine und nur bei echtem Missverständnis, geht über codex exec resume --last; das kennt kein -C und muss deshalb aus dem leeren Verzeichnis heraus gestartet werden.

Der Aufruf: Google

LEER="$(mktemp -d)"; BRIEF="$LEER/briefing.md"
cat > "$BRIEF" <<'ENDE'
<Briefing>
ENDE
cd "$LEER" && agy -p "$(cat briefing.md)" --sandbox --model gemini-3.8-flash-high

Hier liegt das Briefing im leeren Verzeichnis — es ist mein eigener Text, kein Leck, und sonst steht dort nichts. Der Arbeitsbereich von agy ist das Arbeitsverzeichnis plus alles, was --add-dir hinzufügt; ohne --add-dir gibt es also nichts zu lesen außer dem Briefing.

Fallen, an der Hilfe und im Betrieb geprüft:

• Nie --dangerously-skip-permissions. Von sich aus verweigert agy Shell-Befehle ohne Freigabe — genau das ist hier gewollt. Es war diese Rückfrage, die das Auflisten des Projektordners verhindert hat.
• Ein claude-*-Modell wäre ein Kunstfehler, obwohl agy sie anbietet: dann befragt sich dieselbe Modellfamilie selbst.
• Das Briefing geht als Argument an -p. Über die Standardeingabe liest agy nur mit --input-format stream-json.
• Ein login-Unterkommando gibt es nicht; die Anmeldung macht ein einmaliger interaktiver Start ohne Argumente. Danach nutzt der Headless-Betrieb die gespeicherten Zugangsdaten.
• --print-timeout steht auf 0s und wartet damit bis zum Ende. Als Grenze reicht der Timeout des aufrufenden Werkzeugs.
• Eine Rückfrage geht über agy -c -p "<Klarstellung>", ebenfalls aus dem leeren Verzeichnis.

Die Grenze des Vergleichs

Im Gratis-Zugang gibt es von Google nur Flash, kein Gemini Pro. Codex läuft dagegen auf dem großen Modell mit hoher Denktiefe. Eine schwächere Antwort von Google wäre deshalb nicht automatisch ein Urteil über Google — und dass Gemini im dritten Lauf trotzdem mehr beigetragen hat, wiegt entsprechend schwerer.

Das Auswertungsschema

Damit die Antwort nicht als Stimmungsbild endet, wird sie immer nach denselben Punkten berichtet: Kern der Antwort in zwei bis vier Sätzen, Übereinstimmung, Abweichungen — je Punkt mit der Frage, wer richtig liegt und wie es sich prüfen lässt —, neue Erkenntnisse, Konsequenz. Lief vorher schon eine andere Engine, kommt ein Punkt dazu: was die zweite Antwort gegenüber der ersten wirklich hinzufügt, und ehrlich auch dann, wenn es nichts ist.

Der Prompt zum Mitnehmen

Wer das nachbauen will, braucht dafür keinen dieser Texte zu lesen. Der folgende Prompt beschreibt das Vorhaben vollständig — und er fragt zuerst nach, wie es bei dir aussieht, statt meine Umgebung vorauszusetzen.