Prompt

Prompt Ein Prompt ist die Eingabe, mit der du ein Sprachmodell wie ChatGPT oder Claude steuerst, formuliert in natürlicher Sprache statt in Programmcode. Er setzt den Rahmen, in dem das Modell rechnet, von der Rolle bis zum Ziel der Antwort. Wie präzise dieser Rahmen ist, entscheidet direkt über die Qualität der Antwort, ein vager Prompt liefert einen vagen Output. Das gezielte Konstruieren solcher Eingaben heißt Prompt Engineering.

Was ein Prompt ist

Ein Prompt ist die Eingabe, mit der du ein Sprachmodell wie ChatGPT oder Claude steuerst. Anders als in der klassischen Programmierung, wo du in einer festen Syntax schreibst, formulierst du einen Prompt in normaler Sprache. Die KI übersetzt diese Sprache in eine Berechnung und liefert dir dafür Text, Bild oder Code zurück.

Die Logik dahinter ist simpel: Input bestimmt Output. Am einfachsten lässt sich das mit einem Briefing an einen externen Dienstleister vergleichen. Bleibt die Anweisung vage ("Mach mal ein Konzept"), ist das Ergebnis Glückssache.

Nennst du dagegen Zielgruppe, Format und Rahmenbedingungen ("Erstelle ein Sicherheitskonzept für Cloud-Infrastruktur im Bankensektor"), bekommst du etwas, mit dem du wirklich weiterarbeiten kannst. Genau so arbeiten Large Language Models und generative KI-Systeme insgesamt.

Der Prompt macht dabei mehr, als nur den Text vorzugeben. Oft wird der Begriff auf reine Texteingaben reduziert, dabei ist die Architektur dahinter komplexer: Er setzt den Kontext, in dem das Modell rechnet, und jedes Wort darin verschiebt, welche Antwort als Nächstes wahrscheinlich wird.

Warum die Formulierung über das Ergebnis entscheidet

In der Informatik gilt ein altes Prinzip: Garbage in, garbage out. Ist die Eingabe schlecht, hilft auch das leistungsfähigste Modell nichts, das Ergebnis bleibt Mittelmaß. Das systematische Konstruieren und Verbessern von Prompts nennt man Prompt Engineering, und dabei geht es weniger um kreatives Schreiben als um technische Präzision. Im Kern ist es die Fähigkeit, die Maschine so zu kalibrieren, dass Halluzinationen seltener werden und die Antwort näher am eigentlichen Bedarf liegt.

Ein gut gebauter Prompt spart vor allem Zeit. Statt in endlosen Korrekturschleifen zu hängen, bekommst du durch eine klare Struktur direkt ein Ergebnis, mit dem du weiterarbeiten kannst.

Die vier Bausteine eines Prompts

Ein Prompt, der zuverlässig funktioniert, folgt fast immer demselben Baukasten. Vier Fragen sind entscheidend: Wer soll die KI sein (Rolle) und was soll sie tun (Aufgabe)? Wie soll das Ergebnis aussehen (Format), und wofür brauchst du es (Kontext)?

Fehlt eine dieser Angaben, muss das Modell raten. Geratene Antworten sind selten die, die du eigentlich willst. Wer sich dieses Baukasten-Prinzip einmal einprägt, bekommt tool-unabhängig reproduzierbare Ergebnisse. Das gilt für ChatGPT genauso wie für Claude oder Gemini.

Persona, Kontext und Format

Damit die KI nicht nur die statistisch wahrscheinlichsten Wörter aneinanderreiht, sondern tatsächlich in deinem Sinne arbeitet, brauchst du drei Stellschrauben. Die Rolle, die du der KI mit einem Parameter wie "Act as..." gibst, schränkt ein, welches Vokabular und welchen Ton sie zieht. Ein "Senior Marketing-Stratege" schreibt anders als ein "Junior-Texter", auch wenn beide vom selben Modell simuliert werden.

Der Kontext liefert die Hintergründe: wer die Zielgruppe ist und was das Ziel sein soll. Ohne ihn bleibt die Antwort generisch, weil das Modell auf den statistischen Durchschnitt aller möglichen Antworten zurückfällt.

Das Format legt fest, wie das Ergebnis aussieht: als Tabelle, als Liste, als Python-Code oder als Fließtext. Diese Vorgabe entscheidet oft mehr über den Output, als viele denken.

Was Tokens und Parameter damit zu tun haben

Unter der Haube verarbeitet ein Sprachmodell keine Wörter, sondern Tokens, kleinere Fragmente wie Silben oder Wortteile. Jeder Prompt wird zunächst in diese Fragmente zerlegt, bevor das Modell überhaupt zu rechnen beginnt. Das erklärt auch, warum lange, verschachtelte Prompts mehr kosten und mehr vom Context Window belegen als kurze.

Zusätzlich lassen sich Modelle über technische Parameter feinjustieren. Der bekannteste ist die Temperature: Ein hoher Wert erhöht die Varianz und macht Antworten kreativer, ein niedriger Wert liefert deterministischere, faktenorientierte Antworten.

Zero-Shot und Few-Shot: die zwei Grundtechniken

Bei der Instruktion unterscheidet man zwei Ansätze. Beim Zero-Shot-Prompting stellst du der KI eine Aufgabe ohne Referenzbeispiele, etwa "Schreibe einen Tweet über SEO." Beim Few-Shot-Prompting lieferst du dagegen ein oder mehrere Beispiele mit, an denen sich die KI orientieren soll, etwa "Schreibe einen Tweet über SEO, orientiere dich an diesem Aufbau: [Beispiel 1], [Beispiel 2]." In der Praxis liefert Few-Shot fast immer die hochwertigeren Ergebnisse, weil die KI das Muster der Beispiele übernimmt, statt nur der Beschreibung zu folgen.

Wie du mit ChatGPT iterativ zu besseren Antworten kommst

Der häufigste Fehler ist lineares Denken: den Prompt einmal abschicken und das erste Ergebnis für final halten. Der erste Output ist aber selten das Endergebnis, und das ist auch gar nicht das Ziel. Die Stärke von Sprachmodellen liegt in der Iteration: Du gibst eine erste Anweisung, prüfst das Ergebnis und schärfst nach.

Nutze den Chatbot dafür als Sparringspartner. "Die Argumentation ist schlüssig, aber kürze den zweiten Absatz und schärfe den Tonfall" ist ein völlig normaler zweiter Schritt, kein Zeichen für einen schlechten ersten Prompt.

Das gilt auch jenseits reiner Textproduktion: Ein Prompt wie "Analysiere meine Argumentation auf logische Lücken" nutzt die KI zur Validierung statt nur zur Ausführung, und das bringt oft mehr als eine weitere Textrunde.

Wer diese Iterationsschleife beherrscht, kommt mit deutlich weniger Aufwand zu einem Ergebnis, das er tatsächlich verwenden kann. Wie so ein erster Prompt strukturell aufgebaut ist, steht ausführlicher in Grundlagen Prompting, einen Überblick über Tools, mit denen sich das im Content-Alltag umsetzen lässt, gibt Top 5 KI-Tools im Content Marketing.

Warum Prompts für Bild-KI anders funktionieren

Text-KIs reagieren auf Logik und Grammatik, Bildgeneratoren wie Midjourney oder DALL-E dagegen auf eine deskriptive, visuelle Syntax, man spricht hier auch von Prompt-Design. Statt grammatikalischer Sätze funktionieren hier Aneinanderreihungen von Stilparametern am besten, etwa "cinematic lighting, photorealistic, 8k resolution, cyberpunk style". Die visuelle Semantik wiegt in diesen Systemen schwerer als die grammatikalische Korrektheit.

Die häufigsten Fehler bei Prompts

Ein paar Muster tauchen immer wieder auf, selbst bei erfahrenen Nutzern. Logische Widersprüche wie "Schreibe ausführlich, aber fasse dich kurz" destabilisieren den Output. Das Modell weiß dann nicht mehr, welcher Teil der Anweisung eigentlich gilt.

Fehlt der Kontext, wählt die KI den statistischen Durchschnitt. Das Ergebnis wirkt dann generisch und austauschbar.

Wenn ein Prompt zu viele Anweisungen auf einmal stapelt, geht ein Teil davon schlicht unter. Das Modell "vergisst" dann einzelne Aspekte.

Dagegen hilft, komplexe Aufgaben in einzelne, aufeinanderfolgende Schritte zu zerlegen, statt alles in einen einzigen Prompt zu packen. Diese Technik heißt Chain-of-Thought.

Weitere Grundbegriffe rund um KI und Automatisierung stehen im Glossar.

Zurück zum AI und Automation Glossar.