Zero Shot Prompting

Zero Shot Prompting Zero-Shot-Prompting ist eine Prompting-Technik, bei der ein Sprachmodell eine Aufgabe allein anhand der Anweisung löst, ohne dass der Prompt Beispiele dafür enthält. Das Modell stützt sich dabei auf das Wissen aus seinem Training, nicht auf ein Muster, das du ihm im selben Gespräch vorgibst. Die Technik funktioniert gut bei Aufgaben, die das Modell aus seinen Trainingsdaten schon in ähnlicher Form kennt, etwa Zusammenfassen oder Klassifizieren, und stößt an ihre Grenzen, sobald die gewünschte Ausgabe eine sehr spezifische Form braucht. Den Unterschied macht dann die Formulierung der Anweisung, nicht ihre Länge.

Was Zero-Shot-Prompting bedeutet

Zero-Shot-Prompting heißt: Du gibst dem Modell eine Aufgabe. Kein Beispiel, keine Vorlage. Der Prompt besteht allein aus der Anweisung.

Der Name kommt aus der Forschung. "Zero Shot" heißt null Anschauungsbeispiele. One-Shot gibt eines vor, Few-Shot-Prompting mehrere. Alle drei stehen im Prompting-Glossar.

Ein Beispiel macht den Unterschied klar. Schreibst du "Fasse diesen Text in drei Sätzen zusammen" und hängst keine Beispielzusammenfassung an, ist das Zero-Shot. Das Modell muss aus der Formulierung allein verstehen, was du willst. Und aus seinem Training wissen, wie eine gute Zusammenfassung aussieht. Genau das macht die Technik zur schlichtesten Form, mit einem Sprachmodell zu arbeiten: kein Datensatz, kein vorgegebenes Muster, nur die Anweisung selbst.

Wie ein Modell ohne Beispiele zu einem Ergebnis kommt

Ein Sprachmodell ist nicht deterministisch programmiert, es rechnet mit Wahrscheinlichkeiten. Bei jedem Wort berechnet es, welches als Nächstes am wahrscheinlichsten passt, abhängig vom bisherigen Text. Deine Anweisung setzt dafür die Leitplanken. Ohne ein Beispiel, das den Weg zusätzlich vorgibt, entscheidet allein diese Berechnung über das Ergebnis.

Ein Sprachmodell wie GPT-5 oder Claude hat beim Training Milliarden Texte gesehen. Darunter unzählige Beispiele für genau die Aufgaben, die du ihm jetzt stellst: übersetzen, zusammenfassen, eine Stimmung einschätzen, einen Text kategorisieren. Diese Muster stecken im Modell, nicht im Prompt.

Schreibst du "Übersetze ins Englische", ruft das Modell kein einzelnes gespeichertes Beispiel ab. Es reaktiviert ein breites Muster aus dem Training, wie Übersetzungen funktionieren.

Der Fachbegriff dafür ist In-Context Learning. Das Modell nutzt den Kontext deiner Anweisung, um im eigenen Wissen die passende Ecke zu aktivieren. Am Modell selbst ändert sich dabei nichts. Etabliert hat den Dreiklang aus Zero-Shot, One-Shot und Few-Shot das GPT-3-Paper von OpenAI aus dem Jahr 2020. Es zeigt, wie ein Sprachmodell allein über die Formulierung im Prompt lernt, nicht über eine Anpassung seiner Gewichte.

Das erklärt auch, warum du dem Modell keine Grundbegriffe erst beibringen musst. Schreibst du "Verfasse eine E-Mail an einen Kunden, der sich über eine späte Lieferung beschwert hat", muss das Modell nicht lernen, was eine E-Mail ist. Es ruft das Konzept "E-Mail" ab, dazu "Kundenkommunikation" und "Beschwerde", und verknüpft die drei. Je besser ein Modell trainiert ist, desto weniger Beispiele braucht es, selbst bei mehrteiligen Aufgaben. Der Kontext, den du im Prompt lieferst, ist dabei rein instruktional. Er sagt dem Modell, was zu tun ist, nicht wie ein Ergebnis konkret aussieht.

Warum Zero-Shot oft die pragmatischere Wahl ist

Drei Gründe sprechen für Zero-Shot, bevor du überhaupt über Beispiele nachdenkst.

Der erste ist Tempo. Ein Zero-Shot-Prompt ist in einem Satz geschrieben. Ein guter Few-Shot-Prompt braucht dagegen erst zwei oder drei passende Beispiele, die du dir ausdenken oder heraussuchen musst.

Der zweite ist der Preis. Jedes Beispiel im Prompt zählt als Token und wird bei jeder einzelnen Anfrage neu mitgeschickt. Bei einer Anfrage ist das egal. Bei zehntausend Anfragen am Tag ist es ein spürbarer Kostenfaktor.

Der dritte ist der Aufwand bei der Vorbereitung. Für ein gutes Beispiel brauchst du einen Referenzfall, der wirklich zur Aufgabe passt. Findest du keinen passenden, verwirrt ein schlechtes Beispiel das Modell mehr, als es hilft. Zero-Shot umgeht dieses Problem einfach, weil es gar keins braucht. Diese Suche nach einem passenden Referenzfall fällt komplett weg, gerade bei Aufgaben, die du nur einmal brauchst und danach nie wieder.

Wann keine Beispiele die richtige Wahl sind

Zero-Shot passt bei Standardaufgaben, also bei Aufgaben, die das Modell im Training schon häufig in ähnlicher Form gesehen hat, etwa Zusammenfassen, Übersetzen, Stimmungserkennung oder eine Einordnung in wenige feste Kategorien. Bei solchen Aufgaben kostet jedes zusätzliche Beispiel im Prompt nur Tokens, ohne dass die Qualität spürbar steigt.

Es kippt, sobald ein sehr spezifisches Ausgabeformat auf wenig Spielraum für Interpretation trifft. "Antworte ausschließlich als JSON, exakt in diesem Schema" wird im Zero-Shot-Modus seltener eingehalten als im Few-Shot-Modus. Das Modell muss ohne Vorlage selbst entscheiden, wie eng "exakt" gemeint ist. Genauso hilft ein Beispiel mehr als eine noch genauere Beschreibung, wenn der gewünschte Ton ungewöhnlich ist.

Dazwischen liegt eine dritte Stufe: One-Shot, ein einziges Beispiel. Das reicht oft schon, um dem Modell die Struktur vorzugeben, ohne den Prompt mit mehreren Beispielen aufzublähen. Willst du zum Beispiel eine Produktbeschreibung in einem bestimmten Aufbau, reicht meist eine einzige Beispielbeschreibung, damit das Modell Länge und Gliederung übernimmt. In der Praxis ist das der gute Kompromiss, wenn Zero-Shot knapp danebenliegt, die volle Few-Shot-Vorbereitung aber übertrieben wäre.

Die Faustregel, die daraus folgt: erst Zero-Shot testen. Erst dann ein Beispiel ergänzen, wenn das Ergebnis danebenliegt, und dann mit einem anfangen statt gleich mit dreien. Wer direkt mit drei Beispielen startet, verbraucht Tokens für ein Problem, das vielleicht gar nicht existiert. Prompt Engineering fängt für mich deshalb fast immer bei null Beispielen an.

Zero-Shot in der Praxis

Zwei Beispiele zeigen, wo eine klare Anweisung ohne jedes Beispiel schon reicht.

Für eine Sentiment-Analyse genügt die Anweisung: "Klassifiziere den folgenden Text als positiv, negativ oder neutral: 'Der Versand war extrem schnell, aber das Produkt kam beschädigt an.'" Das Modell erkennt "beschädigt" als dominantes negatives Merkmal. Ohne dass du ihm vorher gezeigt hast, wie eine negative Bewertung aussieht.

Bei einer Übersetzung gilt dasselbe: "Übersetze den folgenden Satz ins Englische: 'Die strategische Ausrichtung bestimmt den Erfolg der Kampagne.'" Auch hier bringt ein Beispielsatz keinen Vorteil. Das Modell kennt die Struktur von Übersetzungsaufgaben längst.

Auch Custom GPTs bauen im Kern auf Zero-Shot auf. Der System-Prompt, der einem Custom GPT seine Rolle gibt, enthält meist keine Beispiele, sondern nur eine sehr genaue Beschreibung der Aufgabe. Was dort wie ein spezialisierter Assistent wirkt, ist unter der Haube eine sorgfältig formulierte Zero-Shot-Instruktion, die bei jeder Anfrage neu greift.

Wo Zero-Shot an Grenzen stößt

Ohne Beispiel gibt es kein Sicherheitsnetz. Das ist der Preis für die Kürze. Bei sehr speziellen Themen, für die das Training wenig hergibt, neigt ein Modell im Zero-Shot-Modus eher zu Halluzinationen als im Few-Shot-Modus. Es füllt die fehlende Orientierung lieber mit einer plausibel klingenden Antwort als mit "weiß ich nicht".

Die Ergebnisse streuen außerdem stärker. Ohne ein Beispiel, das die Bandbreite eingrenzt, hat das Modell mehr Interpretationsspielraum. Zwei fast identische Zero-Shot-Prompts liefern manchmal spürbar unterschiedliche Antworten.

Vier Dinge helfen trotzdem, ohne dass du gleich zu Few-Shot wechseln musst.

Präzise Verben in der Anweisung schränken den Interpretationsspielraum spürbar ein, etwa "analysiere", "kategorisiere" oder "extrahiere" statt "schau dir das mal an".

Eine klare Rollenzuweisung wirkt ähnlich: "Antworte als erfahrene SEO-Beraterin" aktiviert im Modell einen engeren, passenderen Ausschnitt seines Wissens, ganz ohne ein einziges Beispiel im Prompt.

Der Zusatz "Denke Schritt für Schritt" hilft bei Logikaufgaben, auch ganz ohne Beispiel, weil er das Modell zwingt, seine Zwischenschritte auszuschreiben, statt direkt und manchmal falsch zum Ergebnis zu springen. Diese Technik heißt Zero-Shot Chain-of-Thought und ist gut untersucht, unter anderem in der Arbeit von Kojima et al. aus dem Jahr 2022.

Und ein klar benanntes Ausgabeformat, also Länge, Struktur und Tonfall, liefert auch ohne Beispiel ein konsistenteres Ergebnis, als wenn du es dem Modell überlässt. Wer diese vier Punkte kombiniert, kommt oft ganz ohne Few-Shot aus, selbst bei Aufgaben, die auf den ersten Blick ein Beispiel zu brauchen scheinen.

Wer die Grundlagen des Promptings einmal durchgegangen ist, merkt schnell: Die meisten Prompts, die im Alltag gut funktionieren, sind Zero-Shot. Nur mit einer sauber formulierten Anweisung. Beispiele kommen erst dazu, wenn genau das nicht reicht.

Zurück zum AI und Automation Glossar.