Ten Anthropic Academy Courses: What Actually Stuck

Why Courses at All?

In my post on AI fluency I wrote that getting fluent does not require a course or a certification. I still stand by that. Even so, over the past few months I worked through every free course in the Anthropic Academy — except the two cloud-specific ones on Amazon Bedrock and Google Vertex AI.

The reason was simple: I use Claude every day, for my studies as much as for building Faktura. Most of what I knew I had picked up by trial and error. I wanted to find out which gaps I had missed along the way — and whether the way I work matches what the people who build the model actually recommend.

The Ten Courses at a Glance

Looking back, the courses fall neatly into three groups:

• Foundations: AI Fluency: Framework & Foundations, AI Capabilities and Limitations, Claude 101. These are less about a specific tool and more about how to collaborate with AI in the first place, and what a language model can and cannot do.
• Tools: Claude Code 101, Claude Code in Action, Introduction to Claude Cowork, Claude Platform 101. The hands-on part: how do you work with an agent inside your own code or files, and what does the developer platform behind it look like?
• Extension & architecture: Introduction to Model Context Protocol, Introduction to Agent Skills, Introduction to Subagents. This is where it gets conceptual: how do you connect a model to external systems, give it reusable knowledge, and split work across several agents?

The courses are short, well structured, and each ends with a certificate. But the real value for me was not the certificates — it was a handful of mental models that have changed how I work since.

Learning 1: Delegation Is a Decision, Not a Habit

The AI Fluency framework describes four competencies: Delegation, Description, Discernment and Diligence. At first glance that sounds like slide-deck material. In practice, the first one helped me most: deciding deliberately whether a task belongs with the AI at all — not just how to phrase it.

On Faktura, for example, I happily delegate boilerplate, tests for clearly specified behaviour, and refactorings. Domain decisions — such as exactly what GoBD-compliant record keeping has to look like — stay with me. The AI can lay out options, but responsibility for the result cannot be delegated.

Learning 2: Context Beats the Prompt

If there is one thread running through the tool courses, it is this: the quality of the output depends less on the perfect wording than on the context the model has available. In Claude Code, that is mainly the project's CLAUDE.md — a file that records conventions, architecture and common commands so you do not have to explain them again in every conversation.

Agent Skills take the idea further: knowledge is bundled into small, reusable packages, and the model initially sees only a short description of each. It loads the full content only when it becomes relevant to the task. That changed how I think about preparing knowledge for AI: not everything at once, but precisely when it is needed.

Learning 3: Knowing the Limits Is Part of the Skill

The Capabilities and Limitations course was less exciting than the tool courses, but probably the most important. A language model has a fixed knowledge cutoff, a limited context window, and sounds confident even when it is wrong. You know that in the abstract — planning for it systematically is something else.

For me, that means: anything that can be verified gets verified. For code, automated tests and the CI pipeline do that job; for facts, the primary source does. AI speeds up generation; checking remains my job.

Learning 4: From Chat to Architecture

The courses on MCP and subagents showed me most clearly where working with AI is heading. The Model Context Protocol is an open standard that lets a model access external tools and data sources — a common interface instead of a custom integration for every system. Subagents, in turn, handle subtasks in their own isolated context and return only the result.

As a business informatics student, what I find most interesting is the architectural thinking: breaking tasks down, separating responsibilities, defining interfaces. Those are exactly the questions you ask about any other software system — except that some of the components are now language models.

What I Would Do Differently

To be honest: some content overlaps, especially between the introductory and in-depth Claude Code courses. And a certificate proves you finished a course, not that you have mastered it. What stuck with me most was whatever I tried out in a real project right afterwards. So my advice would be: do not binge the courses — finish one, then apply it straight away.

What Comes Next

Next up is “Building with the Claude API” — the step from using to building. Alongside it, I am working on my own project built on the Claude API, already listed as work in progress on my projects page. Once there is a first version, I will write about it.

Warum überhaupt Kurse?

In meinem Beitrag zur KI-Kompetenz habe ich geschrieben, dass man dafür weder einen Kurs noch ein Zertifikat braucht. Dazu stehe ich weiterhin. Trotzdem habe ich in den letzten Monaten alle kostenlosen Kurse der Anthropic Academy durchgearbeitet — mit Ausnahme der beiden Cloud-spezifischen zu Amazon Bedrock und Google Vertex AI.

Der Grund war simpel: Ich nutze Claude täglich, im Studium genauso wie bei der Entwicklung von Faktura. Vieles davon hatte ich mir durch Ausprobieren beigebracht. Ich wollte wissen, welche Lücken ich dabei übersehen hatte — und ob die Art, wie ich arbeite, mit dem übereinstimmt, was der Hersteller selbst empfiehlt.

Die zehn Kurse im Überblick

Rückblickend lassen sich die Kurse gut in drei Gruppen einteilen:

• Grundlagen: AI Fluency: Framework & Foundations, AI Capabilities and Limitations, Claude 101. Hier geht es weniger um ein bestimmtes Werkzeug als um die Frage, wie man überhaupt sinnvoll mit KI zusammenarbeitet und was ein Sprachmodell kann — und was nicht.
• Werkzeuge: Claude Code 101, Claude Code in Action, Introduction to Claude Cowork, Claude Platform 101. Der praktische Teil: Wie arbeitet man mit einem Agenten im eigenen Code oder in den eigenen Dateien, und wie sieht die Entwicklerplattform dahinter aus?
• Erweiterung & Architektur: Introduction to Model Context Protocol, Introduction to Agent Skills, Introduction to Subagents. Hier wird es konzeptionell: Wie verbindet man ein Modell mit externen Systemen, wie gibt man ihm wiederverwendbares Wissen mit, und wie verteilt man Arbeit auf mehrere Agenten?

Die Kurse sind kurz, gut strukturiert und enden jeweils mit einem Zertifikat. Den größten Wert hatten für mich aber nicht die Zertifikate, sondern ein paar Denkmuster, die seitdem meine Arbeitsweise verändert haben.

Learning 1: Delegieren ist eine Entscheidung, keine Gewohnheit

Das AI-Fluency-Framework beschreibt vier Kompetenzen: Delegation, Description, Discernment und Diligence. Auf den ersten Blick klingt das nach Folienwissen. In der Praxis hat mir vor allem der erste Punkt geholfen: bewusst zu entscheiden, ob eine Aufgabe überhaupt an die KI gehört — und nicht nur, wie ich sie formuliere.

Bei Faktura heißt das zum Beispiel: Boilerplate, Tests für klar spezifiziertes Verhalten und Refactorings delegiere ich gern. Fachliche Entscheidungen — etwa wie die GoBD-konforme Belegführung genau aussehen muss — bleiben bei mir. Die KI kann mir Optionen aufzeigen, aber die Verantwortung für das Ergebnis lässt sich nicht delegieren.

Learning 2: Kontext schlägt Prompt

Wenn es einen roten Faden durch die Werkzeug-Kurse gibt, dann diesen: Die Qualität der Ergebnisse hängt weniger an der perfekten Formulierung als an dem Kontext, den das Modell zur Verfügung hat. In Claude Code ist das vor allem die CLAUDE.md im Projekt — eine Datei, die Konventionen, Architektur und typische Befehle festhält, damit man sie nicht in jedem Gespräch neu erklären muss.

Agent Skills führen diese Idee weiter: Wissen wird in kleine, wiederverwendbare Pakete gebündelt, von denen das Modell zunächst nur eine kurze Beschreibung sieht. Den vollständigen Inhalt lädt es erst, wenn er für die Aufgabe relevant ist. Das hat meinen Blick darauf verändert, wie man Wissen für KI aufbereitet: nicht alles auf einmal, sondern gezielt dann, wenn es gebraucht wird.

Learning 3: Grenzen kennen ist Teil der Kompetenz

Der Kurs zu Capabilities and Limitations war unspektakulärer als die Werkzeug-Kurse, aber vermutlich der wichtigste. Ein Sprachmodell hat einen Wissensstand mit festem Stichtag, ein begrenztes Kontextfenster und klingt auch dann überzeugt, wenn es falsch liegt. Das weiß man abstrakt — aber es systematisch einzuplanen, ist etwas anderes.

Für mich heißt das konkret: Alles, was nachprüfbar ist, wird nachgeprüft. Bei Code übernehmen das automatisierte Tests und die CI-Pipeline, bei Fakten die Primärquelle. KI beschleunigt das Erzeugen; das Prüfen bleibt meine Aufgabe.

Learning 4: Vom Chat zur Architektur

Die Kurse zu MCP und Subagents haben mir am deutlichsten gezeigt, wohin sich die Arbeit mit KI entwickelt. Das Model Context Protocol ist ein offener Standard, über den ein Modell auf externe Werkzeuge und Datenquellen zugreifen kann — ähnlich wie eine einheitliche Schnittstelle, statt für jedes System eine eigene Integration zu bauen. Subagents wiederum erledigen Teilaufgaben in einem eigenen, abgegrenzten Kontext und geben nur das Ergebnis zurück.

Als Wirtschaftsinformatiker finde ich daran vor allem den Architekturgedanken spannend: Aufgaben zerlegen, Zuständigkeiten klar trennen, Schnittstellen definieren. Das sind genau die Fragen, die man sich auch bei jedem anderen Softwaresystem stellt — nur dass einige der Komponenten jetzt Sprachmodelle sind.

Was ich anders machen würde

Ehrlich gesagt: Einige Inhalte überschneiden sich, besonders zwischen den Einstiegs- und Vertiefungskursen zu Claude Code. Und ein Zertifikat belegt, dass man einen Kurs abgeschlossen hat, nicht, dass man das Gelernte beherrscht. Am meisten hängen geblieben ist bei mir das, was ich direkt im Anschluss in einem echten Projekt ausprobiert habe. Mein Rat wäre daher: Kurse nicht am Stück durcharbeiten, sondern jeweils einen abschließen und das Gelernte sofort anwenden.

Wie es weitergeht

Als Nächstes steht der Kurs „Building with the Claude API“ an — und damit der Schritt vom Anwenden zum Bauen. Parallel dazu entsteht ein eigenes Projekt auf Basis der Claude API, das auf meiner Projektseite bereits als „in Arbeit“ gelistet ist. Wenn es eine erste Version gibt, schreibe ich darüber.