Prompt Engineering

Ein Prompt ist die Eingabe, mit der Sie einem Sprachmodell sagen, was es tun soll. Prompt Engineering macht daraus eine Arbeitsweise: Anweisung formulieren, Ergebnis gegen Kriterien prüfen, nachschärfen, bis die Ausgabe auch beim zehnten Durchlauf passt.

Kaum ein KI-Begriff hat eine so steile Karriere hinter sich. 2023 galt Prompt Engineering als Schlüsselqualifikation, inzwischen sinkt das Interesse, und ein Teil des Themas wandert in das breitere Context Engineering. Ein Grund, nüchtern zu sortieren, was davon bleibt.

Von GPT-3 zum Jobtitel und zurück

Bevor es große Sprachmodelle gab, wurden KI-Modelle für jede Aufgabe mit eigenen Daten nachtrainiert. Mit GPT-3 zeigte OpenAI im Mai 2020, dass ein ausreichend großes Modell eine Aufgabe allein aus einer Text-Anweisung und wenigen Beispielen lösen kann, ohne Training. Damit wurde der Wortlaut der Eingabe zur Stellschraube.

Der Rückgang heißt nicht, dass Prompts unwichtig werden. Er zeigt, dass das Thema vom Hype zum Handwerk geworden ist: Es steckt heute in Schulungen, Vorlagen und Werkzeugen statt in Schlagzeilen.

Was einen Prompt besser macht

Die Anleitungen der großen Anbieter ähneln sich im Kern. Anthropic setzt sogar eine Bedingung vor jede Optimierung: klare Erfolgskriterien und eine Möglichkeit, empirisch dagegen zu testen (Prompt engineering overview). Ohne Kriterium ist jede Prompt-Änderung Geschmackssache. Wiederkehrende Bausteine sind:

• Aufgabe und Ziel: was entstehen soll und wofür es gebraucht wird.
• Kontext: Zielgruppe, Produkt, Ausgangslage, Fakten, die das Modell nicht kennen kann.
• Beispiele: ein oder zwei Muster für Ton und Aufbau, sparsam eingesetzt.
• Format und Grenzen: Länge, Gliederung, Ansprache, was ausdrücklich nicht vorkommen darf.
• Prüfkriterien: woran Sie und das Modell ein gutes Ergebnis erkennen.

Beispiel: eine Meta-Beschreibung in drei Versionen

Zur Veranschaulichung: „Schreib eine Meta-Beschreibung für unsere Seite über Kreiselpumpen“ liefert austauschbare Werbesprache mit Superlativen. Mit Zielgruppe, Produktmerkmalen, Zeichengrenze und dem Verbot von Superlativen wird der Text konkret. Mit einem Beispiel für den Hausstil und einer Prüfliste wird er wiederholbar. Das Schaubild oben zeigt diesen Ablauf.

Techniken im Detail, von Rollen über Beispiele bis zu Prompt-Ketten, erklärt der Beitrag Prompt Engineering: Der Schlüssel zur effizienten Steuerung von KI-Modellen. Fertige Vorlagen für Marketing und Büro sammelt der Beitrag ChatGPT Prompts: 100 Vorlagen auf Deutsch.

Was Reasoning-Modelle verändert haben

Viele Kniffe von 2023 wirken bei aktuellen Modellen kaum noch. Reasoning-Modelle denken intern in Zwischenschritten, bevor sie antworten. OpenAI rät in seinen Reasoning best practices deshalb, Prompts einfach und direkt zu halten, auf „Denke Schritt für Schritt“ zu verzichten und es zuerst ohne Beispiele zu versuchen.

Was bleibt, ist das Fundament: eine eindeutige Aufgabe, die richtigen Informationen und überprüfbare Kriterien. Weggefallen sind vor allem Formeln, die Schwächen älterer Modelle ausgeglichen haben. Wer heute noch Prompts mit „Du bist ein Weltklasse-Experte“ einleitet, verschenkt selten etwas, gewinnt aber auch selten etwas.

Prompt Engineering ist keine KI-Sichtbarkeit

Im Marketing werden zwei Dinge gern vermischt. Prompt Engineering verbessert die Ergebnisse, die Sie von einer KI bekommen. Ob Ihre Marke in den Antworten auftaucht, die Ihre Kunden bekommen, hängt dagegen an Ihren Inhalten, Erwähnungen und Quellen. Das ist das Feld von Generative Engine Optimization.

Berührungspunkte gibt es trotzdem. Wer die Fragen kennt, die Kunden einer KI stellen, kann Inhalte darauf ausrichten; das ist Prompt-Recherche. Und wer beobachten will, wie die eigene Marke in diesen Antworten erscheint, braucht feste, sauber formulierte Testfragen; das ist Prompt-Tracking. Beides nutzt Prompts als Messinstrument, nicht als Hebel für die eigene Sichtbarkeit.