Lorixen.
DE

KI-Automatisierung liefert abgeschnittene Texte: max_tokens

Kurz gesagt: Wenn Ihre KI-Automatisierung Texte mitten im Satz abbricht oder kaputtes JSON liefert, hat das Modell meist sein Längenlimit erreicht. Die Schnittstelle sagt das selbst: Bei der Messages-Schnittstelle von Claude steht in jeder Antwort ein Feld „stop_reason“. Laut Dokumentation (abgerufen November 2026) bedeutet der Wert „max_tokens“, dass die Antwort das gesetzte Limit erreicht hat. Die Dokumentation empfiehlt, das Limit zu erhöhen oder die Antwort fortsetzen zu lassen. Vor allem aber sollte Ihre Automatisierung diesen Wert prüfen, bevor sie einen Text weiterverwendet, statt abgeschnittene Ergebnisse stillschweigend in Shop, CRM oder Angebote zu schreiben.

Wie sich das Problem im Betrieb zeigt

Viele kleine Betriebe nutzen KI inzwischen in festen Abläufen: Produktbeschreibungen für neue Artikel, Zusammenfassungen eingehender Anfragen, Entwürfe für Angebote, Übersetzungen von Katalogtexten. Meist läuft das unauffällig, bis die Ergebnisse länger werden. Dann tauchen Muster auf:

  • Produkttexte enden mitten im Satz, etwa nach „Das Material ist besonders“.
  • Eine Liste mit zehn Punkten hat nur sieben.
  • Die Automatisierung erwartet JSON, bekommt aber eine Struktur ohne schließende Klammer und bricht mit einem Fehler ab.
  • Längere Dokumente werden nur zur Hälfte zusammengefasst, ohne dass jemand es merkt.

Ein Beispiel zur Veranschaulichung: Ein Sportgeschäft in Innsbruck lässt für neue Skimodelle automatisch Beschreibungen mit Pflegehinweisen und technischen Daten erzeugen. Bei einfachen Artikeln klappt das, bei Modellen mit vielen Varianten fehlt am Ende der Text zu Bindung und Pflege. Im Shop fällt das erst auf, als eine Kundin nachfragt.

Was hinter dem Abbruch steckt

Sprachmodelle erzeugen Text in kleinen Einheiten, sogenannten Tokens. Bei jeder Anfrage legt Ihre Automatisierung fest, wie viele Tokens die Antwort höchstens haben darf. Bei der Claude-Schnittstelle heißt diese Einstellung „max_tokens“. Erreicht die Antwort diese Grenze, hört das Modell auf, egal ob der Satz fertig ist.

Wichtig: Das ist kein Fehler im technischen Sinn. Die Schnittstelle liefert eine erfolgreiche Antwort, nur eben eine unvollständige. Die Dokumentation betont, dass „stop_reason“ Teil jeder erfolgreichen Antwort ist und angibt, warum das Modell aufgehört hat, im Unterschied zu echten Fehlern, die eine Anfrage scheitern lassen. Deshalb fällt der Abbruch in vielen Automatisierungen nicht auf: Sie prüfen nur, ob ein Fehler kam, nicht, ob die Antwort vollständig ist.

Die Werte von stop_reason kennen

Die Dokumentation listet mehrere Werte. Für Text-Automatisierungen sind diese besonders wichtig:

Wert Bedeutung laut Dokumentation Was Ihre Automatisierung tun sollte
end_turn Antwort natürlich abgeschlossen Ergebnis verwenden
max_tokens Limit erreicht Limit erhöhen oder fortsetzen lassen, nicht ungeprüft speichern
stop_sequence Eine festgelegte Stopp-Zeichenfolge wurde erzeugt Prüfen, ob das gewollt war
refusal Modell hat die Antwort abgelehnt Fall prüfen, nicht automatisch veröffentlichen
model_context_window_exceeded Kontextfenster des Modells gefüllt Antwort als abgeschnitten behandeln

Bei gestreamten Antworten steht der Wert laut Dokumentation nicht gleich am Anfang, sondern erst in einem späteren Ereignis. Wer Antworten Stück für Stück verarbeitet, muss den Wert am Ende auswerten.

So bauen Sie die Prüfung ein

1. Den Wert immer auslesen

Jede Automatisierung, die Text aus einer KI-Schnittstelle übernimmt, sollte vor dem Speichern prüfen, ob „stop_reason“ den Wert „end_turn“ hat. In Werkzeugen wie Make, n8n oder Zapier geht das mit einem Filter oder einer Bedingung nach dem KI-Schritt. In eigenem Code ist es eine Zeile.

2. Bei max_tokens nicht weitermachen, sondern reagieren

Für den Fall „max_tokens“ gibt es drei sinnvolle Reaktionen:

  • Die Anfrage mit höherem Limit wiederholen.
  • Die Antwort fortsetzen lassen, wie es die Dokumentation beschreibt, indem das bisherige Ergebnis zurückgegeben und um Fortsetzung gebeten wird.
  • Den Fall in eine Prüfliste schreiben, damit ein Mensch entscheidet.

Für Shop-Texte ist die dritte Variante oft die sicherste, weil eine Fortsetzung stilistisch holpern kann.

3. Das Limit realistisch setzen

Ein zu knappes Limit spart wenig und produziert Abbrüche. Schätzen Sie, wie lang ein typisches Ergebnis ist, und lassen Sie Luft nach oben. Lange Listen, Tabellen oder strukturierte Daten brauchen mehr Tokens als Fließtext gleicher Länge vermuten lässt. Bedenken Sie dabei die Kosten: Die Abrechnung richtet sich bei den meisten Anbietern nach den tatsächlich erzeugten Tokens, nicht nach dem Limit. Prüfen Sie das für Ihren Anbieter in dessen Preisangaben.

4. Die Aufgabe kleiner schneiden

Wenn Ergebnisse regelmäßig an Grenzen stoßen, ist die Aufgabe oft zu groß. Statt eine Beschreibung mit acht Abschnitten auf einmal zu erzeugen, lässt sich der Ablauf in Teile zerlegen: zuerst die Kurzbeschreibung, dann die Pflegehinweise, dann die technischen Daten. Jeder Teil hat ein eigenes, passendes Limit.

Strukturierte Ausgaben besonders absichern

Erwartet Ihre Automatisierung JSON, etwa um Felder im Shop zu befüllen, ist ein Abbruch besonders tückisch. Ein abgeschnittenes JSON lässt sich nicht einlesen, und manche Werkzeuge reagieren darauf mit einem schwer verständlichen Fehler weiter hinten im Ablauf. Prüfen Sie hier zuerst „stop_reason“ und erst danach, ob sich das JSON einlesen lässt. So wissen Sie, ob das Problem die Länge war oder das Format.

Ein Beispiel für einen sauberen Ablauf

So könnte eine abgesicherte Automatisierung für Produkttexte aussehen: Ein neuer Artikel wird im Warenwirtschaftssystem angelegt. Die Automatisierung schickt Name, Eigenschaften und gewünschte Länge an die KI-Schnittstelle. Kommt die Antwort mit „end_turn“ zurück, prüft ein zweiter Schritt, ob alle erwarteten Abschnitte vorhanden sind, etwa über bestimmte Zwischenüberschriften. Erst dann wird der Text als Entwurf im Shop gespeichert, nicht direkt veröffentlicht. Kommt „max_tokens“ zurück, landet der Artikel mit einem Vermerk auf einer Liste, die eine Mitarbeiterin einmal am Tag durchsieht. So erreicht kein abgeschnittener Text die Kundschaft, und die Liste zeigt zugleich, bei welchen Artikelarten das Limit nicht reicht.

Was Sie protokollieren sollten

Halten Sie bei jedem KI-Schritt fest: Zeitpunkt, verwendetes Modell, gesetztes Limit, „stop_reason“ und die Länge der Antwort. Mit diesen Daten sehen Sie nach ein paar Wochen, bei welchen Aufgaben Abbrüche gehäuft auftreten und wo das Limit angepasst werden sollte. Speichern Sie dabei keine Kundendaten, die nicht in ein Protokoll gehören.

Häufige Fragen

Gilt das auch für andere KI-Anbieter?

Andere Schnittstellen haben vergleichbare Felder mit anderen Namen. Die hier genannten Werte stammen aus der Claude-Dokumentation. Schauen Sie für Ihren Anbieter in dessen Schnittstellenbeschreibung nach.

Warum war bisher alles in Ordnung?

Weil die Texte bisher kürzer waren. Neue Produkte mit mehr Varianten, längere Anfragen oder geänderte Anweisungen können ein Limit plötzlich erreichen, das vorher genügte.

Kann das Modell nicht selbst kürzer schreiben?

Sie können in der Anweisung eine Länge vorgeben. Das hilft, ist aber keine Garantie. Die Prüfung von „stop_reason“ bleibt nötig.

Wenn Ihre KI-Automatisierung unvollständige Texte in Shop oder Angebote schreibt, bauen wir die Prüfungen gern mit Ihnen ein: Anfrage senden.

Quellen

WhatsAppTermin buchen