Die meisten Menschen nutzen KI-Tools wie eine Suchmaschine. Kurze Frage rein, Antwort raus, enttäuscht sein. Dann heißt es: „KI ist halt noch nicht so weit.“
Das stimmt meistens nicht. Das Modell ist weit genug. Die Frage war es nicht.
Prompt Engineering klingt nach Entwickler-Thema. Nach Python-Code und API-Calls. Ist es aber nicht. Im Kern ist es nur: klar kommunizieren was man will. Und das kann jeder der schon mal eine gute Briefing-E-Mail geschrieben hat.
Kontext ist wichtiger als das Keyword
Die häufigste Schwächstelle in einem Prompt ist fehlender Kontext. Das Modell weiß nicht wer du bist, was der Hintergrund ist, für wen der Text ist, und was er bewirken soll.
Schlecht: „Schreib mir eine E-Mail an einen Kunden.“
Gut: „Ich bin Vertriebsleiter in einem Softwareunternehmen. Ein Kunde hat seit drei Monaten nicht geantwortet. Ich will nochmal nachfassen, freundlich aber direkt, ohne aufdringlich zu wirken. Maximal fünf Sätze.“
Gleiche Aufgabe. Komplett anderes Ergebnis. Der zweite Prompt dauert 20 Sekunden länger. Die gesparte Nachbearbeitung: oft mehrere Minuten.
Rolle zuweisen
„Antworte als erfahrener Projektmanager“ liefert andere Ergebnisse als dieselbe Frage ohne Rollenzuweisung. Das Modell justiert Tonalität, Fachtiefe und Perspektive.
Das funktioniert besonders gut wenn man eine Perspektive braucht die man selbst nicht hat. „Antworte als skeptischer CFO der dieses Projekt genehmigen müsste“ ist ein guter Stresstest für die eigene Argumentation.
Format vorgeben
Wer kein Format vorgibt bekommt was das Modell für sinnvoll hält. Das ist manchmal gut, meistens zu lang.
„Als Stichpunkte“, „als Tabelle“, „maximal fünf Sätze“, „mit einem konkreten Beispiel“, „ohne Einleitung“, diese Angaben kosten nichts und sparen viel Nacharbeit.
Einschränkungen nennen
Negativ-Definitionen sind genauso wertvoll wie positive. „Ohne Fachjargon“, „kein Englisch“, „keine Bullet Points“, „nicht mehr als 200 Wörter“, das Modell hält sich daran wenn man es sagt.
Ohne diese Angaben optimiert es auf Vollständigkeit. Mit diesen Angaben optimiert es auf das was man wirklich braucht.
Eigene Beispiele als Kontext ablegen
Das ist einer der unterschätztesten Hebel überhaupt.
Wer regelmäßig ähnliche Texte schreibt sollte sich eine kleine Bibliothek aus guten Beispielen anlegen. Drei E-Mails die gut ankamen. Ein Angebot das funktioniert hat. Ein Protokoll das gelobt wurde. Diese als Kontext mitgeben: „Hier sind drei E-Mails die ich geschrieben habe: [Beispiele]. Schreib jetzt eine E-Mail im gleichen Stil an...“
Das ist der schnellste Weg den eigenen Kommunikationsstil zu übertragen. Kein Stilbeschreiben, kein Erklären. Einfach zeigen.
In Claude gibt es dafür Projekte, in ChatGPT Custom Instructions. Einmal ablegen, dauerhaft verfügbar. Das spart bei jedem Prompt Zeit und die Ergebnisse werden konsistenter.
Iterieren statt neu anfangen
Der erste Output ist selten der beste. Das ist kein Fehler, das ist der Prozess.
„Mach das kürzer“, „formulier den dritten Absatz direkter“, „ersetze das Beispiel durch eines aus dem Einzelhandel“, „klingt zu förmlich, lockerer bitte.“ Das Gespräch führen, nicht einmal fragen und aufgeben.
Die meisten guten Texte aus KI-Tools entstehen nach drei bis fünf Iterationen. Nicht nach einer.
Das Modell darf auch fragen
Wer sich nicht sicher ist ob der Prompt gut genug ist, kann das Modell einfach fragen lassen. „Bevor du anfängst: Was brauchst du noch von mir um das gut zu machen?“ oder direkt: „Falls etwas unklar ist oder du mehr Kontext brauchst, frag mich zuerst bevor du anfängst.“
Das klingt simpel. Verändert aber den Workflow komplett. Statt ein Ergebnis zu bekommen das an der Aufgabe vorbeizielt, entsteht kurz ein Dialog der das Ergebnis danach deutlich besser macht. Besonders sinnvoll bei komplexen Aufgaben, bei denen man selbst noch nicht genau weiß was man will.
Wie lang sollte ein Prompt sein?
Kein universelles Optimum, aber eine gute Faustregel: so kurz wie möglich, so lang wie nötig.
Drei klare Angaben schlagen zehn vage. Die häufigsten Fehler sind entweder zu kurz (kein Kontext, schlechte Ergebnisse) oder zu lang (zu viele Anweisungen die sich widersprechen). Für die meisten Alltagsaufgaben reichen zwei bis vier Sätze wenn sie gut gebaut sind. Wer Beispiele mitgibt kann die Beispiele lang machen und die Anweisung kurz halten.
Vorher und Nachher
Schlecht: „Schreib mir ein Meeting-Protokoll.“
Gut: „Schreib ein Protokoll für ein 45-minütiges Statusmeeting mit drei Teilnehmern aus Produkt, Vertrieb und IT. Format: Beschlüsse oben, dann offene Punkte mit Verantwortlichen und Deadline, kein Fließtext, maximal eine Seite.“
Gleicher Aufwand, komplett anderes Ergebnis.
Was das mit Consulting zu tun hat
Gute Prompts und gute Briefings folgen denselben Regeln. Wer einem Kollegen klar erklären kann was er braucht, kann es auch einem KI-Modell erklären. Wer das nicht kann bekommt von beiden schlechte Ergebnisse.
Der Unterschied: das KI-Modell beschwert sich nicht wenn das Briefing unklar ist. Es interpretiert einfach. Und meistens anders als erhofft.
Ein letzter Gedanke
Dieser Artikel ist bewusst allgemein gehalten. Wer als Vertriebsleiter täglich Angebote schreibt braucht andere Prompts als jemand im Controlling der Daten zusammenfasst. Wer KI-Agenten baut denkt nochmal anders darüber nach.
Aber die Grundprinzipien gelten überall: Kontext geben, Format vorgeben, iterieren, eigene Beispiele nutzen, nachfragen lassen. Wer das draufhat ist bereits deutlich spezifischer unterwegs als die meisten im Alltag, und kann von dort aus für seine Rolle und seine Aufgaben weiterbauen.
Der erste Schritt ist immer derselbe: aufhören KI wie eine Suchmaschine zu benutzen.
— Robert
