Bessere Prompts schreiben: klare Anweisungen für KI

Wer ein Sprachmodell nutzt, hat es schnell erlebt: Zwei Anfragen zum selben Thema, und die Antworten fallen komplett unterschiedlich aus. Mal trifft die KI genau ins Schwarze, mal produziert sie eine wolkige Textwand, die an Deiner eigentlichen Frage vorbeigeht. Der Unterschied liegt fast immer nicht am Modell, sondern an der Anweisung, die Du gibst. Diese Anweisung nennt man Prompt, und die Fähigkeit, gute Prompts zu formulieren, ist eine der wenigen KI-Kompetenzen, die Du sofort und ohne technisches Vorwissen aufbauen kannst.

In diesem Ratgeber zeige ich Dir, wie Du aus vagen Wünschen präzise Anweisungen machst. Du lernst die Bausteine eines guten Prompts kennen, den Unterschied zwischen Zero-Shot und Few-Shot, den Einfluss des Temperature-Parameters und die Fehler, die immer wieder passieren. Am Ende findest Du eine Vorlage, die Du direkt übernehmen kannst.

Was ein Prompt ist und warum Präzision hilft

Ein Prompt ist schlicht der Text, den Du an ein Sprachmodell schickst. Das kann eine einzelne Frage sein, ein ganzer Absatz mit Anweisungen oder ein mehrseitiges Briefing mit Beispielen. Aus diesem Text errechnet das Modell Wort für Wort eine Fortsetzung, die möglichst gut zu dem passt, was Du geschrieben hast.

Wenn Du verstehen willst, warum Präzision so viel bewirkt, hilft ein Blick unter die Haube. Ein Sprachmodell wählt jedes nächste Wort auf Basis von Wahrscheinlichkeiten aus. Wie diese Vorhersage grundsätzlich funktioniert, erkläre ich ausführlich im Ratgeber Große Sprachmodelle verstehen. Wichtig fürs Prompting ist die praktische Folge: Je vager Dein Prompt, desto größer der Raum plausibler Fortsetzungen, aus dem das Modell wählen kann. Bei “Schreib etwas über Ernährung” sind Millionen von Antworten gleichermaßen passend, und das Modell rät, was Du wohl gemeint hast.

Ein präziser Prompt schränkt diesen Wahrscheinlichkeitsraum ein. Wenn Du sagst “Schreibe drei Frühstücksideen mit hohem Eiweißanteil für Berufstätige, jeweils in einem Satz”, grenzt Du das Feld drastisch ein. Das Modell muss nicht mehr raten, es hat einen klaren Korridor. Präzision ist also kein Höflichkeitsakt gegenüber der KI, sondern Steuerung: Du entscheidest, wie eng oder weit der Rahmen ist, in dem die Antwort entsteht.

Die Bausteine eines guten Prompts

Ein durchdachter Prompt setzt sich aus mehreren Bausteinen zusammen. Du brauchst nicht immer alle, aber je anspruchsvoller die Aufgabe, desto mehr davon lohnen sich.

Rolle

Weise dem Modell eine Perspektive zu. “Du bist ein erfahrener Steuerberater” oder “Du bist eine Grundschullehrerin” verändert Wortwahl, Detailtiefe und Tonfall der Antwort. Die Rolle wirkt wie ein Filter auf den Wahrscheinlichkeitsraum: Sie schiebt die Antwort in einen bestimmten fachlichen und sprachlichen Bereich.

Aufgabe und Ziel

Sage klar, was passieren soll. Verwende ein eindeutiges Verb: zusammenfassen, vergleichen, übersetzen, umformulieren, auflisten. “Fasse den folgenden Text in drei Stichpunkten zusammen” ist ein Ziel. “Kannst Du mir mal helfen mit dem Text hier” ist es nicht.

Kontext

Gib dem Modell die Hintergrundinformationen, die es braucht. Für wen ist die Antwort? Was ist das Vorwissen der Leserschaft? Welche Rahmenbedingungen gelten? Ohne Kontext trifft das Modell Annahmen, und die stimmen oft nicht mit Deinen überein.

Format-Vorgabe

Sage genau, wie die Ausgabe aussehen soll. Tabelle, nummerierte Liste, JSON, ein Absatz von maximal 80 Wörtern, drei Überschriften mit je zwei Sätzen. Ohne Format-Vorgabe entscheidet das Modell selbst, und das führt zu Ergebnissen, die Du danach mühsam umbauen musst.

Beispiele

Zeige, wie ein gutes Ergebnis aussieht. Ein einziges konkretes Beispiel sagt mehr als drei Absätze abstrakter Anweisung. Dazu gleich mehr im Abschnitt zu Few-Shot.

Einschränkungen

Grenze ab, was das Modell nicht tun soll. “Verwende keine Fachbegriffe”, “maximal 100 Wörter”, “keine Emojis”, “erfinde keine Zahlen, sondern schreibe bei fehlenden Angaben unbekannt”. Solche Leitplanken verhindern die häufigsten Ausrutscher.

Zero-Shot gegen Few-Shot

Zwei Begriffe tauchen beim Prompting ständig auf, und sie beschreiben einen einfachen Unterschied.

Zero-Shot heißt: Du stellst Deine Aufgabe ohne jedes Beispiel. Du beschreibst nur, was Du willst, und vertraust darauf, dass das Modell es aus der Beschreibung versteht. Für einfache, klar formulierte Aufgaben reicht das meistens völlig.

Few-Shot heißt: Du gibst ein paar Beispiele mit, die zeigen, wie Eingabe und gewünschte Ausgabe aussehen. Das Modell erkennt das Muster und wendet es auf Deinen neuen Fall an. Few-Shot lohnt sich, wenn ein bestimmtes Format wichtig ist oder wenn die Aufgabe schwer in Worte zu fassen, aber leicht zu zeigen ist.

Ein Mini-Beispiel für Few-Shot, etwa um Produktnamen in eine Kategorie einzusortieren:

Ordne jedes Produkt einer Kategorie zu.

Produkt: Laufschuhe -> Kategorie: Sport
Produkt: Kaffeemaschine -> Kategorie: Haushalt
Produkt: Yogamatte -> Kategorie: Sport
Produkt: Bürostuhl -> Kategorie:

Das Modell hat aus drei Beispielen das Muster gelernt und ergänzt bei “Bürostuhl” mit hoher Zuverlässigkeit “Möbel” oder “Büro”. Ohne die Beispiele wüsste es nicht, welche Kategorien Du überhaupt im Sinn hast und wie fein sie sein sollen.

Vorher und nachher: zwei Beispiele

Theorie ist gut, der Unterschied wird aber erst an echten Prompts sichtbar. Hier zwei Fälle, in denen ein schwacher Prompt zu einem besseren wird.

Beispiel eins: eine E-Mail

Schwacher Prompt:

Schreib eine E-Mail an einen Kunden wegen der Verspätung.

Das Modell weiß nichts über den Kunden, den Grund der Verspätung, den gewünschten Ton oder die Länge. Es wird eine generische Standardmail liefern, die Du fast komplett überarbeiten musst.

Besserer Prompt:

Du bist Kundenbetreuer eines Onlineshops für Fahrräder.
Schreibe eine E-Mail an einen Stammkunden, dessen Bestellung
sich um fünf Tage verzögert, weil ein Bauteil beim Lieferanten
fehlt.

Kontext: Der Kunde hat schon dreimal bei uns gekauft.
Wir wollen ihn nicht verlieren.

Ton: höflich, aufrichtig, ohne Ausflüchte.
Format: Betreffzeile plus maximal 120 Wörter Fließtext.
Biete als Entschuldigung einen Gutschein über 10 Euro an.

Der zweite Prompt liefert eine Mail, die Du meist nur noch minimal anpassen musst, weil Rolle, Aufgabe, Kontext, Ton, Format und ein konkretes Zugeständnis alle enthalten sind.

Beispiel zwei: eine Zusammenfassung

Schwacher Prompt:

Fass diesen Artikel zusammen.

Ohne Vorgaben bekommst Du eine Zusammenfassung in unbekannter Länge, unbekanntem Detailgrad und für ein unbekanntes Publikum.

Besserer Prompt:

Fasse den folgenden Artikel für einen Newsletter an Nicht-
Fachleute zusammen.

Format: drei Stichpunkte, jeder maximal 20 Wörter.
Sprache: einfach, keine Fachbegriffe.
Wenn im Text Zahlen genannt werden, übernimm sie exakt.

Artikel:
[hier der Text]

Das Ergebnis ist vorhersehbar und direkt verwendbar. Der entscheidende Hebel ist jedes Mal derselbe: Du ersetzt Annahmen durch Angaben.

Der Temperature-Parameter

Viele Oberflächen und alle Programmierschnittstellen bieten einen Regler namens Temperature. Er steuert, wie stark das Modell vom wahrscheinlichsten nächsten Wort abweichen darf.

Eine niedrige Temperature, etwa 0 bis 0,3, macht die Ausgabe fokussiert und reproduzierbar. Das Modell wählt fast immer die wahrscheinlichste Fortsetzung. Das ist ideal für Aufgaben, bei denen es eine richtige Antwort gibt: Datenextraktion, Übersetzung, Klassifikation, Code. Startest Du denselben Prompt mehrmals, bekommst Du sehr ähnliche Ergebnisse.

Eine hohe Temperature, etwa 0,7 bis 1,0, erlaubt mehr Variation. Das Modell greift häufiger zu weniger wahrscheinlichen Wörtern, was die Antworten kreativer und abwechslungsreicher macht. Das ist nützlich für Ideensammlungen, Werbetexte oder Geschichten, wo Du gerade nicht immer dasselbe hören willst.

Die Merkregel ist einfach: Kreativität und Reproduzierbarkeit stehen sich gegenüber. Willst Du zuverlässige, gleichbleibende Ergebnisse, drehst Du die Temperature herunter. Willst Du Vielfalt und Überraschung, drehst Du sie hoch. In vielen Chat-Oberflächen ist der Wert fest voreingestellt, aber wo Du ihn ändern kannst, ist er ein mächtiger Hebel.

Typische Fehler beim Prompting

Immer wieder scheitern Prompts an denselben Mustern. Wer sie kennt, umgeht die meisten Enttäuschungen.

Zu vage. Der häufigste Fehler. “Mach das professioneller” gibt dem Modell keinen greifbaren Maßstab. Sage stattdessen, was professionell konkret bedeutet: förmliche Anrede, keine Umgangssprache, aktive Verben.

Mehrere Aufgaben mischen. Wenn Du in einem Prompt gleichzeitig recherchieren, zusammenfassen, übersetzen und formatieren lässt, leidet meist alles darunter. Zerlege komplexe Vorhaben in Schritte und gib sie nacheinander.

Kein Format vorgeben. Ohne Format-Vorgabe rätst Du danach im Ergebnis herum. Sage von vornherein, ob Du eine Liste, eine Tabelle oder einen Fließtext bestimmter Länge willst.

Annahmen unausgesprochen lassen. Du weißt, für wen der Text ist und in welchem Kontext er steht. Das Modell weiß es nicht. Alles, was Du im Kopf hast, aber nicht hinschreibst, muss die KI raten, und sie rät oft falsch.

Iteratives Vorgehen und kritische Prüfung

Der beste Prompt entsteht selten im ersten Versuch. Prompting ist ein Kreislauf: Du formulierst, liest die Antwort, erkennst, was fehlt oder danebengeht, und schärfst nach. Ist die Antwort zu lang, ergänzt Du eine Längenvorgabe. Trifft der Ton nicht, beschreibst Du ihn genauer. Fehlt ein Aspekt, nimmst Du ihn explizit auf. Nach zwei, drei Runden hast Du oft einen Prompt, den Du für ähnliche Aufgaben wiederverwenden kannst.

So gut ein Prompt auch ist, eine Regel bleibt unumstößlich: Prüfe die Ausgaben kritisch. Sprachmodelle können überzeugend klingende, aber falsche Inhalte erzeugen, was man als Halluzination bezeichnet. Ein präziser Prompt senkt das Risiko, beseitigt es aber nicht. Was es mit Halluzinationen genau auf sich hat und wie Du Dich davor schützt, erläutere ich im Ratgeber KI im Alltag. Bei Zahlen, Namen, Zitaten und rechtlichen oder gesundheitlichen Aussagen gilt: verifizieren, nicht blind übernehmen.

Deine Vorlage und Checkliste

Zum Abschluss eine Vorlage, an der Du Dich orientieren kannst. Nicht jeder Baustein ist bei jeder Aufgabe nötig, aber die Tabelle hilft Dir, nichts Wichtiges zu vergessen.

Baustein	Beispiel
Rolle	Du bist eine erfahrene Ernährungsberaterin.
Aufgabe	Erstelle einen Wochenplan fürs Mittagessen.
Kontext	Für eine vierköpfige Familie, ein Kind isst kein Fleisch.
Format	Tabelle mit Wochentag und Gericht, ein Gericht pro Tag.
Beispiel	Montag: Gemüsecurry mit Reis.
Einschränkung	Maximal 30 Minuten Zubereitungszeit pro Gericht.

Als schnelle Prüfliste vor dem Absenden:

• Ist die Aufgabe mit einem klaren Verb beschrieben?
• Weiß das Modell, für wen und in welchem Kontext die Antwort gedacht ist?
• Habe ich das gewünschte Format konkret vorgegeben?
• Bei kniffligem Format: Habe ich ein Beispiel mitgeliefert?
• Habe ich Einschränkungen wie Länge oder Tonfall genannt?
• Habe ich alle stillen Annahmen ausgeschrieben?

Wenn Du diese sechs Fragen mit Ja beantworten kannst, ist Dein Prompt in aller Regel gut genug für ein brauchbares Ergebnis. Der Rest ist Übung und das erwähnte Nachschärfen.

Prompting ist keine Geheimwissenschaft, sondern klares Denken in Textform. Je besser Du Deine eigene Absicht formulierst, desto besser versteht sie die KI. Wenn Du testen willst, wie viel von diesem Wissen schon sitzt, probiere unser Quiz aus und finde heraus, wo Du noch nachlegen kannst.