Prompt

Ein Prompt ist die Eingabe, mit der du ein KI-Modell steuerst: die Anweisung, Frage oder Aufgabenbeschreibung, die ein Large Language Model (LLM) oder ein Bildmodell in eine Ausgabe übersetzt. Der Prompt ist damit die zentrale Schnittstelle zwischen Mensch und generativer KI – und in den meisten Fällen der Hebel mit dem größten Einfluss auf die Qualität des Ergebnisses. Dieselbe Aufgabe kann mit einem vagen Prompt unbrauchbare und mit einem präzisen Prompt sofort verwertbare Resultate liefern.

Warum der Prompt so viel Einfluss hat

Sprachmodelle haben kein Verständnis deiner Absicht jenseits dessen, was im Prompt (und im mitgelieferten Kontext) steht. Alles, was das Modell über Ziel, Zielgruppe, Tonalität, Faktenlage und gewünschtes Format wissen soll, muss explizit hinein. Fehlt die Information, füllt das Modell die Lücke mit Annahmen – plausibel, aber nicht unbedingt in deinem Sinne. Deshalb gilt die Faustregel: Ein Prompt ist eine Arbeitsanweisung an eine sehr schnelle, sehr belesene, aber kontextblinde Fachkraft. Was du einer neuen Kollegin nicht ohne Briefing geben würdest, solltest du auch einem Modell nicht ohne Briefing geben.

Technisch verarbeitet das Modell den Prompt innerhalb seines Kontextfensters: der maximalen Menge an Text (gemessen in Tokens), die es gleichzeitig berücksichtigen kann. Prompt, mitgegebene Dokumente und die bisherige Konversation teilen sich dieses Fenster – bei langen Chats kann früherer Kontext dadurch an Gewicht verlieren.

Aufbau eines guten Prompts

In der Praxis hat sich ein Aufbau aus fünf Bausteinen bewährt, die je nach Aufgabe unterschiedlich stark ausgeprägt sind:

• Rolle: Aus welcher Perspektive soll das Modell antworten? („Du bist Vertriebsleiter eines B2B-Großhändlers …")
• Aufgabe: Was genau soll entstehen – möglichst als konkretes Arbeitsergebnis formuliert, nicht als Themenangabe.
• Kontext und Daten: Fakten, Quelltexte, Produktdaten, Rahmenbedingungen. Je mehr belastbares Material, desto weniger Halluzinationsrisiko.
• Format: Länge, Struktur, Sprache, Ausgabeform (Tabelle, JSON, Stichpunkte, Fließtext).
• Beispiele: Ein bis drei Musterlösungen zeigen dem Modell verlässlicher als jede Beschreibung, was gemeint ist.

Dazu kommt die Unterscheidung zwischen System-Prompt und User-Prompt: Der System-Prompt setzt dauerhafte Regeln einer Anwendung (Rolle, Grenzen, Stil), der User-Prompt enthält die konkrete Anfrage. In produktiven KI-Anwendungen liegt ein großer Teil der Qualitätssicherung im sauber formulierten System-Prompt.

Prompt-Typen: Zero-Shot, Few-Shot, Chain-of-Thought

Drei Grundmuster tauchen überall auf: Zero-Shot stellt die Aufgabe ohne Beispiele – ausreichend für Standardaufgaben moderner Modelle. Few-Shot gibt einige Beispiel-Paare vor und erhöht die Zuverlässigkeit, wenn ein festes Format oder eine bestimmte Klassifikation gefragt ist. Chain-of-Thought fordert das Modell auf, in Zwischenschritten zu arbeiten – hilfreich bei mehrstufigen Analyse- oder Rechenaufgaben. Aktuelle Reasoning-Modelle erledigen diese Schrittarbeit zunehmend intern, ohne dass man sie explizit anfordern muss.

Ein Beispiel: vorher und nachher

So sieht der Unterschied konkret aus. Vager Prompt: „Schreib einen Text über unsere neue Akkuschrauber-Serie." Das Ergebnis ist austauschbares Marketing-Deutsch mit erfundenen Details. Präziser Prompt: „Du bist Texter für einen B2B-Werkzeughändler. Schreibe eine Produktbeschreibung (120–150 Wörter, Du-Form, sachlich) für die Akkuschrauber-Serie X. Nutze ausschließlich diese Daten: 18 V, bürstenloser Motor, 60 Nm, 2 Ah-Akku, 1,2 kg, 3 Jahre Garantie. Zielgruppe: Handwerksbetriebe, die Wert auf Dauereinsatz legen. Struktur: ein Nutzenversprechen als Einstieg, dann technische Fakten, dann Einsatzempfehlung. Keine Superlative, keine Angaben erfinden." Das Ergebnis ist beim ersten Versuch nah am freigabefähigen Text – nicht weil das Modell besser geworden wäre, sondern weil die Aufgabe vollständig beschrieben ist.

Vom einzelnen Prompt zum produktiven Einsatz

Im Chat-Alltag reicht es, Prompts iterativ zu verfeinern. Sobald KI aber in Prozesse einzieht – automatisierte E-Mail-Entwürfe, Datenextraktion, Support-Vorqualifizierung –, werden Prompts zu Bausteinen von Software: Sie werden versioniert, getestet und mit Vorlagen standardisiert. Diese systematische Disziplin heißt Prompt Engineering. Zwei Themen gehören dort zwingend dazu: die Absicherung gegen Prompt Injection (eingeschleuste Anweisungen in fremden Inhalten, die das Modell manipulieren) und definierte Leitplanken, damit Ausgaben Format- und Compliance-Vorgaben einhalten. Für Teams, die KI breiter ausrollen, ist der Umgang mit Prompts außerdem ein Kernbaustein der KI-Kompetenz, die der EU AI Act von Unternehmen verlangt.

Typische Fehler beim Prompten

Die häufigsten Ursachen für schwache Ergebnisse sind immer dieselben: Die Aufgabe ist als Thema statt als Arbeitsergebnis formuliert („etwas zu X schreiben"). Es fehlen Fakten, sodass das Modell erfindet, statt zu verarbeiten. Format und Länge sind nicht definiert, sodass jede Ausgabe anders aussieht. Mehrere Aufgaben stecken in einem einzigen Prompt, sodass keine davon sauber gelöst wird. Und: Der erste Output wird als Endergebnis akzeptiert, statt gezielt nachzusteuern („kürze auf die Hälfte", „ersetze Fachjargon", „prüfe gegen die Ausgangsdaten"). Wer diese fünf Punkte systematisch abstellt, holt aus demselben Modell sichtbar bessere Resultate.

Datenschutz: Was gehört in keinen Prompt?

Ein Prompt ist eine Datenübermittlung an den Modellanbieter – rechtlich also alles andere als ein Kritzelzettel. Drei Regeln decken die häufigsten Risiken ab. Erstens: Personenbezogene Daten (Kundennamen, Adressen, Gesundheits- oder Gehaltsdaten) gehören nur dann in Prompts, wenn das Werkzeug dafür freigegeben ist – mit Auftragsverarbeitungsvertrag, ausgeschlossenem Training auf eigenen Eingaben und einer internen Richtlinie, die den Rahmen festlegt. In private Gratis-Accounts gehören sie nie. Zweitens: Geschäftsgeheimnisse – Kalkulationen, Quellcode, Vertragsentwürfe – folgen derselben Logik; wo möglich, arbeitet man mit anonymisierten oder verfremdeten Daten. Drittens: Wer Prompts in automatisierte Abläufe einbaut, dokumentiert, welche Datenkategorien durch welche Systeme fließen – das ist Grundlage jeder Datenschutz-Bewertung und erspart bei Audits die Archäologie. Kurz: Die Frage „Dürfte ich diesen Inhalt auch einem externen Dienstleister ohne Vertrag mailen?" beantwortet die meisten Prompt-Datenschutzfragen intuitiv richtig.

Prompts im Team: von der Einzeleingabe zur Prompt-Bibliothek

Solange jeder Mitarbeitende eigene Prompts improvisiert, bleiben Qualität und Tonalität Zufall – und gute Formulierungen verschwinden im Chatverlauf einer einzelnen Person. Teams, die KI ernsthaft nutzen, bauen deshalb früh eine Prompt-Bibliothek auf: eine gepflegte Sammlung erprobter Vorlagen für wiederkehrende Aufgaben, zentral abgelegt und für alle zugänglich.

Bewährt hat sich dabei ein einfaches Schema pro Vorlage: Einsatzzweck, die Vorlage selbst mit klar markierten Platzhaltern („[Produktdaten einfügen]"), ein Beispiel-Ergebnis als Qualitätsreferenz und ein Hinweis, was geprüft werden muss, bevor das Ergebnis weiterverwendet wird. So wird aus stillem Einzelwissen ein Betriebsmittel: Neue Kolleginnen und Kollegen produzieren ab dem ersten Tag Ergebnisse auf Team-Niveau, und Verbesserungen kommen allen zugute.

Drei Regeln halten eine Bibliothek lebendig: Erstens hat jede Vorlage eine verantwortliche Person, die Rückmeldungen einarbeitet. Zweitens werden Änderungen versioniert – wenn eine überarbeitete Vorlage schlechtere Ergebnisse liefert, muss der Weg zurück bekannt sein. Drittens fliegt raus, was niemand nutzt. Eine Bibliothek mit zwanzig gepflegten Vorlagen schlägt eine mit zweihundert verwaisten.

Prompts jenseits von Text: Bilder und strukturierte Daten

Die gleichen Prinzipien gelten über Textaufgaben hinaus, mit eigenen Akzenten.

Bildprompts beschreiben Motiv, Stil, Komposition und Verwendungszweck („flache Illustration, zwei Farben, viel Weißraum, für eine Website-Kachel"). Auch hier schlägt Präzision Länge: Wer Bildstil und Bildzweck benennt, bekommt verwertbare Entwürfe statt beliebiger Stockfoto-Optik.

Strukturierte Ausgaben sind der Arbeitsmodus, sobald KI in Prozesse integriert wird: Das Modell soll nicht schön formulieren, sondern definierte Felder liefern – etwa Absender, Anliegen, Dringlichkeit und Bestellnummer aus einer eingehenden E-Mail, als JSON für das Ticketsystem. Der Prompt legt dazu das Zielschema fest, definiert erlaubte Werte und regelt den wichtigsten Sonderfall explizit: Was tun, wenn eine Information fehlt? („Feld leer lassen, nichts erfinden.") Diese Anti-Erfindungs-Klausel ist bei Datenextraktion der Unterschied zwischen einem nützlichen und einem gefährlichen Werkzeug.

Checkliste: sechs Fragen vor dem Absenden

• Ist das gewünschte Arbeitsergebnis benannt – oder nur ein Thema?
• Liegen alle Fakten und Quelldaten bei, die das Ergebnis enthalten soll?
• Sind Format, Länge und Sprache festgelegt?
• Kennt das Modell Zielgruppe und Verwendungszweck?
• Gibt es ein Beispiel, an dem sich das Modell orientieren kann?
• Ist gesagt, was bei fehlenden Informationen passieren soll?

Wer diese sechs Punkte routinemäßig beantwortet, braucht keine Prompt-Tricks – und erkennt umgekehrt sofort, warum ein schwaches Ergebnis schwach war.

Verwandte Begriffe kurz erklärt

Token: die Verarbeitungseinheit von Sprachmodellen – grob ein Wortbestandteil; Prompts und Antworten werden in Tokens gemessen und abgerechnet. Kontextfenster: die maximale Token-Menge, die Prompt, Anhänge und Gesprächsverlauf zusammen belegen dürfen. Prompt-Template: eine wiederverwendbare Prompt-Vorlage mit Platzhaltern, die zur Laufzeit mit konkreten Daten gefüllt wird – der Baustein, aus dem produktive KI-Anwendungen bestehen. Temperatur: ein Parameter, der die Variabilität der Ausgabe steuert; niedrige Werte liefern reproduzierbarere, höhere Werte kreativere Ergebnisse – für Datenextraktion niedrig, für Ideenfindung höher. Negativ-Anweisung: die explizite Angabe, was das Modell nicht tun soll („keine Angaben erfinden", „keine Superlative") – wirksamer, wenn sie mit einer positiven Alternative kombiniert wird („stattdessen Feld leer lassen"). Meta-Prompting: das Modell selbst um eine bessere Formulierung der Aufgabe bitten – ein unterschätzter Weg, um aus einer vagen Idee einen präzisen Prompt zu machen.

Häufige Fragen zum Prompt

Was ist der Unterschied zwischen Prompt und Prompt Engineering?

Der Prompt ist die einzelne Eingabe. Prompt Engineering ist die Methodik dahinter: Prompts systematisch entwerfen, testen, versionieren und für den produktiven Einsatz standardisieren. Im Alltag verhält es sich wie E-Mail zu Kommunikationskonzept – das eine schreibt jeder, das andere sorgt dafür, dass es im Unternehmensmaßstab verlässlich funktioniert.

Gibt es den einen perfekten Prompt?

Nein. Gute Prompts sind aufgaben- und modellabhängig, und Modelle ändern sich. Stabiler als einzelne „Geheimformeln" ist das Prinzip: vollständige Aufgabenbeschreibung, belastbare Daten, klares Format, Beispiele – plus ein kurzer Prüfschritt am Ende.

Wie lang darf ein Prompt sein?

So lang wie nötig: Moderne Modelle verarbeiten problemlos mehrseitige Briefings samt angehängter Dokumente. Entscheidend ist nicht Kürze, sondern Relevanz – überflüssiger Kontext verwässert die Aufgabe, fehlender Kontext provoziert Annahmen und damit vermeidbare Korrekturschleifen.

Weiterführend: Prompt-Engineering-Leitfaden von OpenAI.