Prompt Engineering

Die Qualität einer KI-Antwort hängt stark davon ab, wie klar Kontext, Rolle, gewünschtes Format und Grenzen beschrieben sind: Wer ist das Modell in dieser Aufgabe? Welche Informationen hat es? Was genau soll herauskommen — und was ausdrücklich nicht? Beispiele für gute und schlechte Ergebnisse im Prompt verbessern die Trefferquote zusätzlich deutlich.

In produktiven KI-Agenten steckt Prompt Engineering fest im System und ist für Nutzer unsichtbar: Der Agent arbeitet mit ausgetesteten, versionierten Anweisungen — nicht mit spontan formulierten Fragen.

Bei mehrstufigen Agenten kommen mehrere aufeinander abgestimmte Prompts zum Einsatz — je einer pro Teilaufgabe: Verstehen der Anfrage, Abgleich mit Daten, Formulieren der Antwort, Qualitätsprüfung. Jeder Prompt wird gegen echte Fälle getestet und bei Fehlern nachgeschärft — ein laufender Verbesserungsprozess, ähnlich wie Software-Tests.

Einige Muster haben sich über alle Modelle hinweg bewährt: Rolle und Kontext vorgeben ('Du bist Sachbearbeiter für...'), das gewünschte Ausgabeformat exakt beschreiben oder als Schablone mitliefern, gute und schlechte Beispiele zeigen (Few-Shot), das Modell bei komplexen Aufgaben erst analysieren und dann antworten lassen, und Grenzen explizit machen ('Wenn Angaben fehlen, frage nach — erfinde nichts').

Genauso wichtig ist das Testen: Ein Prompt, der bei drei Beispielen funktioniert, kann beim vierzigsten scheitern. Professionelle Teams pflegen deshalb Testfälle aus echten Vorgängen und prüfen jede Prompt-Änderung dagegen — so wird aus Bauchgefühl ein messbarer Qualitätsprozess.

Für Mitarbeitende im Alltag lässt sich das Wichtigste in einer Faustregel zusammenfassen: einem Sprachmodell so schreiben wie einem fähigen neuen Kollegen am ersten Tag — mit Kontext (worum geht es, wofür wird das Ergebnis gebraucht), konkreten Erwartungen (Format, Länge, Ton) und der ausdrücklichen Erlaubnis nachzufragen. Wer diese eine Gewohnheit verinnerlicht, holt aus jedem KI-Werkzeug spürbar mehr heraus — ganz ohne technisches Vokabular.

So wirksam gute Anweisungen sind — Prompt Engineering ist kein Allheilmittel, und diese Grenze zu kennen bewahrt vor teuren Umwegen. Wissen, das dem Modell schlicht fehlt, lässt sich nicht herbeiprompten: Fragt man nach firmeninternen Daten oder aktuellen Ereignissen nach dem Trainingsstichtag, hilft keine noch so clevere Formulierung, sondern nur eine echte Datenanbindung (RAG). Wer versucht, mit immer ausgefeilteren Prompts fehlende Fakten zu erzwingen, provoziert im Zweifel Halluzinationen.

Auch Verlässlichkeit hat eine Grenze: Ein und derselbe Prompt kann bei identischer Eingabe leicht unterschiedliche Ausgaben erzeugen — für kreative Aufgaben ein Vorteil, für maschinelle Weiterverarbeitung ein Problem. Braucht ein Folgeschritt ein exakt gleiches Format, gehören technische Leitplanken dazu (etwa erzwungene Ausgabestrukturen), nicht nur Textanweisungen. Und Handlungssicherheit im engeren Sinn — dass ein Agent eine unerlaubte Aktion nicht ausführt — darf nie allein vom Prompt abhängen, sondern muss technisch abgesichert sein. Die Faustregel: Prompting steuert das Verhalten, ersetzt aber weder Datenanbindung noch technische Grenzen. Ein realistisches Bild dieser Grenzen ist selbst Teil guter Umsetzung.