Es gibt eine Frage, die fast jeder stellt, der anfängt mit KI zu arbeiten: „Welches Modell ist das beste?“ ChatGPT? Gemini? Claude? Copilot?
Die ehrliche Antwort: Das hängt davon ab. Aber noch mehr hängt davon ab, wie du mit dem Modell sprichst. Denn das leistungsfähigste Sprachmodell der Welt liefert schlechte Ergebnisse, wenn die Eingabe unklar, zu kurz oder zu vage ist. Und ein durchschnittliches Modell kann überraschend gute Antworten liefern, wenn der Prompt präzise ist.
Das klingt simpel. Ist es aber nicht immer.
Ein Prompt ist die Texteingabe, die du an ein KI-System richtest. Also die Frage, die Aufgabe, die Anweisung. Das klingt trivial. Aber der Prompt ist tatsächlich die Schnittstelle zwischen deinem Gedanken und dem, was die KI daraus macht.
Das Problem: Die meisten Menschen formulieren Prompts so, wie sie einer Suchmaschine eine Suchanfrage stellen würden. Kurz. Stichwortartig. Ohne Kontext. Und dann sind sie enttäuscht vom Ergebnis.
Dabei kann das Modell schlicht keine Gedanken lesen. Es reagiert auf das, was du schreibst und nicht auf das, was du meinst. Wenn du schreibst „Erkläre mir Data Science“, bekommst du eine generische Erklärung. Wenn du schreibst „Erkläre mir Data Science in drei Sätzen für einen Geschäftsführer ohne technisches Vorwissen, der verstehen will, ob das für sein Unternehmen relevant ist“, bekommst du etwas komplett anderes. Und viel Nützlicheres.
Es gibt kein Geheimwissen beim Prompting. Aber es gibt einige Ansätze, die konsequent bessere Ergebnisse liefern.
Zero-Shot ist der Standardfall: Du gibst der KI eine Aufgabe, ohne Beispiele zu liefern. Funktioniert gut für einfache, allgemeine Anfragen, bei denen das Modell bereits gut trainiert ist. Zum Beispiel: „Schreibe einen kurzen Geburtstagsgruß.“ Schnell, unkompliziert, ausreichend.
Few-Shot geht einen Schritt weiter: Du zeigst dem Modell ein oder zwei Beispiele dafür, wie das Ergebnis aussehen soll und es orientiert sich daran. Willst du Produktbeschreibungen immer im gleichen Ton und in derselben Länge? Dann lieferst du zwei Beispiele mit und sagst: „Schreib die nächste in diesem Stil.“ Die Qualität steigt deutlich, weil das Modell nicht mehr raten muss, was du erwartest.
Chain-of-Thought ist besonders hilfreich bei komplexen Aufgaben: Du bittest die KI nicht nur um eine Antwort, sondern um den Denkweg dahin. „Zeige mir Schritt für Schritt, wie du auf dieses Ergebnis kommst.“ Das macht Zwischenüberlegungen sichtbar und erhöht die Chance, dass die KI tatsächlich logisch vorgeht, statt einfach eine plausibel klingende Antwort zu generieren.
Tree-of-Thought ist die Weiterentwicklung davon: Die KI wird gezwungen, an bestimmten Punkten innezuhalten und aktiv zwischen Optionen zu entscheiden, bevor sie weitermacht. Nützlich für komplexe Planungs- oder Strategieaufgaben, bei denen es wirklich auf die Qualität der Zwischenschritte ankommt.
Viele nutzen KI wie ein One-Shot-Tool: einmal fragen, Ergebnis nehmen, fertig. Aber Prompting ist ein iterativer Prozess. Das erste Ergebnis ist selten das beste. Der eigentliche Wert entsteht, wenn du nachsteuerst: „Mach das kürzer.“ „Verwende eine lockerere Sprache.“ „Füge ein konkretes Beispiel aus dem Einzelhandel hinzu.“
Jede Rückmeldung verfeinert das Ergebnis. Mit der Zeit lernst du, wie du eine bestimmte KI am besten führst und welche Formulierungen funktionieren, welche nicht, wo du mehr Kontext liefern musst.
Das ist keine Raketenwissenschaft. Es ist Kommunikation. Gute Kommunikation, wie mit einem menschlichen Kollegen, dem du eine Aufgabe gibst.
Wenn du bestimmte Aufgaben regelmäßig mit KI erledigst, lohnt es sich, Prompt-Vorlagen zu bauen. Eine Standardstruktur für Zusammenfassungen. Eine Vorlage für Social-Media-Posts. Ein Template für Meeting-Protokolle.
Das klingt nach Mehraufwand am Anfang, ist aber das Gegenteil. Wer einmal einen guten Prompt gebaut hat, der zuverlässig das liefert, was er braucht, muss ihn danach nur noch minimal anpassen. Der eigentliche Zeitverlust passiert, wenn man jedes Mal neu von vorne anfängt.
Natürlich macht das Modell einen Unterschied. Neuere Modelle sind leistungsfähiger, verstehen Kontext besser, machen weniger Fehler. Aber dieser Unterschied wird kleiner, je besser dein Prompt ist. Ein schlechter Prompt bringt selbst das beste Modell nicht weiter. Ein guter Prompt holt auch aus einem mittelmäßigen Modell erstaunlich viel heraus.
Das bedeutet nicht, dass Modellwahl egal ist. Aber die Reihenfolge stimmt: Erst lernen, gut zu prompten. Dann optimieren, welches Modell für welche Aufgabe am besten passt.
Prompting ist keine Geheimwissenschaft und kein Hacking. Es ist eine Fähigkeit, wie das Formulieren einer guten E-Mail oder das Briefen einer Agentur. Wer klarer kommuniziert, bekommt bessere Ergebnisse. Das gilt für Menschen. Und es gilt genauso für KI.
Der Unterschied: Bei KI bekommst du das Feedback sofort. Du siehst in Sekunden, ob dein Prompt gut war oder nicht. Das macht es zu einer der schnellsten Fähigkeiten, die du dir gerade aufbauen kannst.
