Die Recherche-Pipeline: Wie ich Perplexity und Claude zusammen nutze

Die meisten Menschen entscheiden sich für ein KI-Tool und nutzen es für alles. Sie recherchieren in ChatGPT, schreiben in ChatGPT, analysieren in ChatGPT. Oder sie machen dasselbe mit Claude. Oder mit Gemini. Ein Tool, ein Chat-Fenster, eine Konversation.

Das ist, wie mit einem Schweizer Taschenmesser Gemüse zu schneiden. Technisch möglich. Nicht ideal.

Ich nutze unterschiedliche Tools für unterschiedliche Aufgaben, und die Kombination, zu der ich am häufigsten greife, ist Perplexity für die Recherche und Claude für alles danach. Nicht aus Markentreue, sondern weil jedes Tool eine echte Stärke hat, die das andere nicht hat.

Hier ist der Workflow.

Schritt 1: Deinen Recherche-Prompt mit Claude erstellen

Das ist der Schritt, den die meisten überspringen — und genau der, der den grössten Unterschied macht.

Wenn du eine Recherchefrage hast, ist dein erster Impuls, Perplexity zu öffnen und sie einzutippen. «Welche regulatorischen Anforderungen gelten für die Personalvermittlung im Gesundheitswesen in der Schweiz?» Klingt vernünftig. Aber du lässt enorm viel Wert liegen, weil du Perplexity wie eine Suchmaschine behandelst. Das ist es nicht.

Perplexity Deep Research hat unter der Haube ein eigenes Denkmodell. Wenn du ihm einen Prompt gibst, läuft nicht nur eine einzelne Suche. Es startet Dutzende paralleler Recherche-Agenten, die jeweils einen anderen Aspekt deiner Frage gleichzeitig angehen. Sie recherchieren unabhängig voneinander, vergleichen Ergebnisse, lösen Widersprüche auf und fassen alles zu einer einzigen Antwort zusammen. Das ist ein ganzes Recherche-Team, das parallel arbeitet, und die meisten geben diesem Team nur einen Ein-Satz-Auftrag.

Fang also bei Claude an und lass es den Perplexity-Prompt für dich schreiben.

So gehe ich vor:

“Ich muss zu [Thema] recherchieren. Hilf mir, einen umfassenden Recherche-Prompt für Perplexity Deep Research zu erstellen. Perplexity wird viele parallele Recherche-Agenten starten, der Prompt sollte also 10 bis 15 konkrete Fragen enthalten, die das Thema aus unterschiedlichen Blickwinkeln angehen. Gib Einschränkungen dazu an, welche Quellen priorisiert werden sollen, auf welchen Zeitraum sich das Ganze konzentrieren soll, was ausgeschlossen werden soll, und lege das gewünschte Ausgabeformat fest.”

Claude liefert dann etwas wie das hier (Beispiel für eine Recherche zur Personalvermittlung im Gesundheitswesen):

Recherchiere die regulatorischen Rahmenbedingungen für Plattformen zur temporären Personalvermittlung im Gesundheitswesen in der Schweiz. Beantworte die folgenden Fragen:

1. Was sind die aktuellen SECO-Richtlinien für private Arbeitsvermittlungen im Gesundheitswesen? 2. Welche kantonalen Bewilligungspflichten gibt es, und wie unterscheiden sie sich zwischen den deutschsprachigen Kantonen? 3. Welche Datenschutz-Zertifizierungen sind für Plattformen verpflichtend, die Personendaten von Gesundheitsfachpersonen verarbeiten? 4. Wie haben sich die regulatorischen Rahmenbedingungen seit 2024 verändert? 5. Welche Strafen drohen bei Nichteinhaltung? 6. Welche aktuellen Durchsetzungsmassnahmen wurden gegen Personalvermittlungsplattformen ergriffen? 7. Wie unterscheiden sich die Schweizer Anforderungen von den EU-Regulierungen für Personalvermittlung? 8. Welche Branchenverbände setzen Standards in diesem Bereich? 9. Gibt es hängige Gesetzesvorlagen, die diesen Markt beeinflussen würden? 10. Welche Compliance-Frameworks nutzen etablierte Anbieter wie Adecco und Randstad in der Schweiz?

Priorisiere offizielle Behördenquellen, Publikationen von Branchenverbänden und Rechtsanalysen, die nach Januar 2025 veröffentlicht wurden. Schliesse generische Blogbeiträge und Marketinginhalte aus. Formatiere das Ganze als strukturiertes Markdown mit klaren Abschnittsüberschriften, Aufzählungspunkten für die wichtigsten Anforderungen und Fussnoten für die Quellen.

Siehst du den Unterschied? Statt einer vagen Frage gibst du Perplexity einen vollständigen Rechercheauftrag. Jede dieser Fragen wird zu einem eigenen Strang, den die Agenten parallel verfolgen können. Die Einschränkungen filtern das Rauschen heraus. Das Ausgabeformat sorgt dafür, dass du im nächsten Schritt etwas hast, mit dem Claude arbeiten kann.

Diesen Prompt zu erzeugen dauert zwei Minuten. Die Recherche, die dabei herauskommt, ist um Welten besser.

Schritt 2: Recherchieren mit Perplexity

Jetzt nimmst du diesen Prompt und fügst ihn in Perplexity Deep Research ein.

Warum Perplexity und nicht Claude oder ChatGPT? Weil Perplexity für die Recherche gebaut wurde. Jede Antwort kommt mit belegten Quellen. Es durchsucht das tatsächliche Web, liest die tatsächlichen Seiten und fasst zusammen, was es findet. Wenn es mir etwas sagt, kann ich draufklicken und es überprüfen. Das ist wichtig, wenn die Information in ein Strategiepapier, einen Businessplan oder eine Wissensdatenbank einfliesst, auf die sich andere Leute verlassen.

Mit deinem mehrperspektivischen Recherche-Prompt haben Perplexitys parallele Agenten jetzt klare Marschbefehle. Statt selbst zu entscheiden, was recherchiert wird, deckt es jeden Aspekt ab, den du vorgegeben hast — regulatorische Anforderungen, Durchsetzungsgeschichte, Vergleich mit EU-Rahmenwerken, hängige Gesetzgebung, alles gleichzeitig.

Wenn der erste Durchgang bei einer bestimmten Frage noch zu oberflächlich ist, hake nach:

“Geh tiefer auf die Datenschutzanforderungen ein. Welche Zertifizierungen sind für Plattformen verpflichtend, die Daten von Gesundheitsfachpersonen verarbeiten?”

Das ist kein beiläufiges Stöbern. Das ist gezielte, belegte Informationsbeschaffung.

Der Markdown-Trick

Der Kniff, der die ganze Pipeline zum Laufen bringt: als Markdown exportieren.

Die meisten Leute kopieren Perplexity-Ergebnisse in ein Dokument oder lesen sie einfach im Browser. Exportiere oder kopiere das Ergebnis stattdessen als Markdown-Datei (.md). Markdown ist reiner Text mit leichtgewichtigen Strukturelementen — Überschriften, Aufzählungspunkte, Links — und ohne Formatierungsmüll. Keine unsichtbaren Word-Formatvorlagen, keine PDF-Layoutartefakte. Sauberer, maschinenlesbarer Text.

LLMs lesen Markdown besser als jedes andere Format. In gewissem Sinn ist es ihre Muttersprache — fast ihre gesamten Trainingsdaten bestanden aus strukturiertem Text, und Markdown ist die verbreitetste Art, Text im Internet zu strukturieren. Einem LLM eine Markdown-Datei statt eines PDFs zu geben, ist, als würdest du einem Kollegen ein sauberes Briefing statt eines abfotografierten Faxes in die Hand drücken.

Schritt 3: Context in Claude aufbauen

Jetzt nehme ich diese Markdown-Datei — meine belegte, mit Quellen versehene Recherche — und lade sie zu Claude hoch. Aber ich fange nicht einfach an, Fragen zu stellen. Ich mache etwas, das sich zunächst kontraintuitiv anfühlt: Ich lasse Claude seine eigenen Anweisungen schreiben.

Hier ist der Prompt:

“Du bist mein leitender Strategieberater für [Bereich]. Ich habe ein Recherchedokument als deine primäre Wissensbasis hochgeladen. Bevor wir loslegen: Schreib dir selbst einen System-Prompt, der sicherstellt, dass du dich immer auf diese Recherche beziehst, nie generische Antworten gibst und bei Behauptungen konkrete Erkenntnisse aus dem Dokument zitierst.”

Claude liest die Recherche, versteht den Bereich und erstellt eine eigene Anweisung für sich selbst — im Grunde eine massgeschneiderte Persona, die auf deinen konkreten Daten beruht. Es konfiguriert sich selbst.

Das nenne ich Meta-Prompting: Statt dass du den perfekten Prompt schreibst, lässt du die KI den Prompt schreiben, basierend auf dem Context, den du ihr gegeben hast. Das funktioniert, weil die KI ihre eigenen Fähigkeiten und Grenzen besser versteht als die meisten Nutzer.

Nachdem Claude seine Selbstanweisungen generiert hat, sehe ich sie durch, passe an, was nicht passt, und dann arbeiten wir auf der Grundlage von echtem, belegtem Wissen statt der generischen Trainingsdaten der KI.

Schritt 4: Das Problem bearbeiten

Jetzt beginnt die eigentliche Arbeit. Und hier kommen Claudes Stärken zum Tragen — langformatiges Denken, strukturierte Analyse und die Fähigkeit, ein komplexes Gespräch zu führen, ohne den Faden zu verlieren.

Ich sage dann zum Beispiel:

“Identifiziere anhand der regulatorischen Recherche die drei grössten Compliance-Risiken für ein Startup, das in diesen Markt einsteigt. Schlag für jedes Risiko eine Massnahme zur Risikominderung vor.”

Claude greift auf die hochgeladene Recherche zurück — die konkreten, belegten Informationen, die Perplexity zusammengetragen hat, nicht seine generischen Trainingsdaten. Die Antworten kommen mit Verweisen auf die tatsächlichen Quellen, weil diese Quellen im Dokument stehen, mit dem es arbeitet.

Dann widerspreche ich:

“Dein zweites Risiko scheint übertrieben. In der Praxis setzen die meisten Kantone diese Anforderung bei Unternehmen mit unter 50 Mitarbeitenden nicht durch. Stell deine eigene Argumentation infrage — wo könntest du falsch liegen?”

So arbeite ich generell mit KI: nicht als einzelne Anfrage, sondern als iterative Konversation. Breit anfangen, die Ausgabe hinterfragen, verfeinern, tiefer gehen. Die KI wird mit jeder Runde besser, weil sie auf einem reicheren Context aufbaut.

Warum das besser ist als ein einzelnes Tool

Die naheliegende Frage: Warum nicht einfach direkt in Claude recherchieren?

Drei Gründe.

Sourcing. Claude durchsucht das Web nicht in Echtzeit (und wenn doch, weniger gründlich als Perplexity). Wenn ich aktuelle, überprüfbare Fakten brauche, brauche ich ein Tool, das genau dafür gebaut wurde. Perplexity gibt mir Quellen, die ich prüfen kann. Claude gibt mir eine Argumentation, auf der ich aufbauen kann. Unterschiedliche Aufgaben.

Separation of Concerns. Recherche und Analyse sind unterschiedliche kognitive Aufgaben. Sie in einem Gespräch zu vermischen, führt zu unklaren Ergebnissen — die KI recherchiert halb und analysiert halb, und macht beides nicht gut. Trennt man sie, erzwingt das saubere Übergaben.

Audit Trail. Die Markdown-Datei ist ein Artefakt. Wenn jemand meine Analyse sechs Monate später infrage stellt, kann ich auf die Recherche verweisen, die ihr zugrunde liegt, komplett mit Quellen und Daten. Hätte ich alles in einem einzigen Claude-Gespräch gemacht, wäre dieser Context über ein Chat-Protokoll verstreut.

Wann das übertrieben ist

Nicht alles braucht eine Pipeline. Wenn ich schnell eine E-Mail schreibe, Ideen sammle oder ein lockeres Gespräch über ein Thema führe, das ich gut kenne, öffne ich einfach Claude und lege los. Die Pipeline ist für Situationen, in denen genug auf dem Spiel steht, dass du belegte Recherche als Grundlage brauchst.

Gute Use Cases:

• Marktanalysen für ein neues Produkt oder einen Markteintritt
• Competitive-Intelligence-Briefings
• Regulatorische Recherche für Compliance-Entscheidungen
• Due Diligence zu potenziellen Partnern oder Anbietern
• Der Aufbau einer Wissensdatenbank für das KI-System deines Unternehmens

Nicht lohnenswert für:

• Eine E-Mail schreiben
• Schnelles Brainstorming
• Alles, wo «ungefähr richtig» reicht

Das grössere Bild

Diese Pipeline ist eigentlich der erste Schritt zu etwas Mächtigerem. Sobald du belegte Recherche als Markdown-Dateien hast, kannst du anfangen, eine dauerhafte Wissensdatenbank aufzubauen. Statt einmaliger Recherche, die in einem Chat-Gespräch verschwindet und vergessen wird, erstellst du strukturierte Artefakte, die sich mit der Zeit ansammeln.

Das ist die Grundlage dessen, was ich ein Company AI Operating System nenne — ein System, in dem die KI nicht nur aus ihren Trainingsdaten antwortet, sondern aus dem tatsächlichen, verifizierten Wissen deines Unternehmens. Die Recherche-Pipeline ist die Quelle für dieses Wissen.

Und sobald du diese Grundlage hast, ist der nächste Schritt noch interessanter: Statt dass du der KI Fragen stellst, lässt du die KI dich interviewen — und holst so das Wissen heraus, das in deinem Kopf ist, aber nie aufgeschrieben wurde.

Aber das ist eine Geschichte für einen anderen Guide.