Präzise Prompts sind der Unterschied zwischen „irgendwas mit KI“ und Ergebnissen, die du direkt verwenden kannst. Diese Anleitung zeigt dir den kompletten Werkzeugkasten: den Aufbau perfekter Prompts, bewährte Frameworks, fortgeschrittene Techniken und typische Fehler — mit Beispielen auf Deutsch, die du kopieren und anpassen kannst. Sie funktioniert für ChatGPT genauso wie für Claude, Gemini und jedes andere moderne Sprachmodell.
Prompt Engineering ist das systematische Formulieren von Anweisungen an eine KI mit dem Ziel, verlässlich bessere Ergebnisse zu bekommen. Der Begriff klingt technischer, als die Sache ist: Es geht nicht um Programmierung, sondern um präzise Kommunikation. Die nützlichste Grundhaltung dabei: Behandle die KI wie eine hochqualifizierte neue Arbeitskraft — sie kann viel, aber sie kennt weder dich noch deinen Kontext, und sie liefert exakt so gut, wie deine Arbeitsanweisung ist.
Daraus folgt fast alles Weitere in diesem Guide: Wer klar sagt, was er braucht, für wen, in welcher Form und mit welchem Kontext, bekommt bessere Antworten. Wer vage fragt, bekommt Durchschnitt.
Der perfekte Prompt-Aufbau: 5 Bausteine
Ein guter Prompt beantwortet fünf Fragen — nicht immer alle, aber je mehr davon, desto präziser das Ergebnis. Das ist die Struktur, mit der du jede Aufgabe angehen kannst:
1. Rolle — Wer soll die KI sein?
Eine Rolle richtet Fachwissen und Tonfall aus. Je konkreter, desto besser: Statt „Du bist Marketing-Experte“ funktioniert „Du bist Senior Marketing Manager in einem Münchner Technologie-Unternehmen mit 15 Jahren Erfahrung im DACH-Markt“ deutlich besser.
2. Aufgabe — Was genau soll entstehen?
„Erstelle einen Blogeintrag“ statt „Schreib was über…“. Damit ist klar, dass ein Artikel erwartet wird — nicht eine Stichpunktliste oder eine Definition.
3. Kontext — Was muss die KI wissen?
Zielgruppe, Anlass, Vorwissen, Unternehmenssituation. Als Faustregel reichen 50 bis 200 Wörter Hintergrund: zu wenig erzeugt Generisches, zu viel verwässert den Fokus.
4. Format — Wie soll das Ergebnis aussehen?
Länge, Struktur, Ton: „500 Wörter, H2-Zwischenüberschriften, Aufzählungen, lockerer Stil.“ Ohne Formatvorgabe bekommst du Textwüsten.
5. Beispiele — Woran soll sich die KI orientieren?
Ein bis drei Beispiele des gewünschten Outputs („Few-Shot Prompting“) zeigen Struktur, Stil und Tonfall zuverlässiger als jede Beschreibung.
Als Vorlage zum Kopieren:
Du bist [Rolle]. Deine Aufgabe: [Aufgabe]. Kontext: [2–3 Sätze zu Thema, Zielgruppe, Anlass]. Format: [Länge, Struktur, Ton]. Orientiere dich an diesem Beispiel: [Beispiel].
Der schnellste Qualitätstest für jeden Prompt ist der Praktikanten-Test: Würde eine neue Mitarbeiterin aus genau dieser Anweisung das gewünschte Ergebnis liefern können? Falls nein — was fehlt ihr? Genau das fehlt auch der KI.
Warum deutsche Prompts anders funktionieren als englische
Die großen Sprachmodelle sind überwiegend mit englischen Texten trainiert; deutsche Inhalte machen nur einen kleinen Teil der Trainingsdaten aus. Deutsche Prompts brauchen deshalb mehr explizite Präzision — belohnen sie aber auch:
Deutsche Fachbegriffe für lokale Themen: „Erstelle eine Betriebsanweisung für die Maschinenbedienung“ liefert präzisere Ergebnisse als die englische Übersetzung, weil Begriffe wie „Betriebsanweisung“ einen klar definierten deutschen Bedeutungsrahmen haben. Gleiches gilt für „Bundesrat“, „Abmahnung“ oder „Betriebsrat“ — Begriffe ohne echte englische Entsprechung.
Englische Begriffe für internationale Tech-Konzepte: „Conversion Rate“ oder „Machine Learning“ nicht zwanghaft eindeutschen.
Kulturkontext explizit machen: Siezen oder Duzen, deutsche Geschäftsgepflogenheiten, regionale Unterschiede zwischen Deutschland, Österreich und der Schweiz. „Erstelle einen Verkaufsleitfaden“ ohne den Zusatz „für den deutschen Markt, direkte und faktenbasierte Ansprache“ produziert regelmäßig amerikanisch geprägte Ergebnisse.
Frameworks: Struktur, die du wiederverwenden kannst
Frameworks sind Checklisten für Prompts — sie stellen sicher, dass du nichts Wichtiges vergisst, und machen gute Ergebnisse wiederholbar.
CO-STAR für Marketing- und Kreativaufgaben
CO-STAR steht für Context, Objective, Style, Tone, Audience, Response:
Context: Du arbeitest für ein mittelständisches Maschinenbau-Unternehmen mit 250 Mitarbeitern. Objective: Erstelle einen Kommunikationsplan für die Einführung neuer Arbeitszeiten. Style: Strukturiert und professionell. Tone: Empathisch, aber klar und entscheidungsorientiert. Audience: Teamleiter und Schichtführer. Response: Checkliste mit Zeitplan und konkreten Formulierungsvorschlägen.
REIZBAR für strategische Analysen
REIZBAR (Rolle, Ergebnis, Inhalt, Zielgruppe, Beispiele, Auftragsklärung, Revision) arbeitet iterativ mit eingebauten Korrekturschleifen — besser für strategische Analysen, bei denen das erste Ergebnis selten das letzte ist. Für technische Dokumentation und Alltagsaufgaben reicht die einfache 5-Bausteine-Struktur von oben völlig.
Vorlage für Marketing-Content zum Kopieren:
Rolle: Erfahrener Content-Marketer für [Branche]
Aufgabe: Erstelle [Textart] für [Zielgruppe]
Kontext: [Unternehmenssituation in 2–3 Sätzen]
Format: [Wortanzahl, Struktur, Stil]
Fokus: [3 Kernbotschaften]
Die wichtigsten Techniken im Überblick
Chain-of-Thought („Gedankenkette“)
Fordere die KI auf, Schritt für Schritt zu denken und jeden Zwischenschritt zu erklären. Das verbessert Ergebnisse bei Logik, Mathematik, Analysen und Code-Debugging deutlich — und macht den Lösungsweg nachprüfbar.
Löse folgende Aufgabe Schritt für Schritt und erkläre jeden Zwischenschritt: [Aufgabe]. Beginne mit „Schritt 1:“ und nummeriere alle weiteren Schritte.
Moderne Reasoning-Modelle machen das teilweise von selbst — für nachvollziehbare Businessanalysen lohnt die explizite Anweisung trotzdem: „Analysiere die Marktchancen für unser SaaS-Produkt im DACH-Raum. Gehe systematisch vor: erst Marktgröße, dann Wettbewerb, dann Kundensegmente.“
Few-Shot vs. Zero-Shot
Few-Shot (mit 1–3 Beispielen) für kreative und formatspezifische Aufgaben; Zero-Shot (nur präzise Anweisung) für standardisierte Anfragen.
Beispiel 1: [Input] → [gewünschter Output]
Beispiel 2: [Input] → [gewünschter Output]
Generiere jetzt für: [neuer Input]
Constraints
Grenzen für Länge, Format und Ton verhindern ausschweifende Allerwelts-Antworten: „Maximal 100 Wörter“, „als Tabelle“, „nüchtern und faktenbasiert“.
Iteratives Prompting
Das erste Ergebnis ist ein Zwischenstand, kein Endprodukt. Statt den Prompt komplett neu zu schreiben, verfeinerst du gezielt nach: „Formuliere prägnanter.“ — „Füge ein konkretes Beispiel hinzu.“ — „Der Mittelteil ist zu allgemein, gehe tiefer auf [X] ein.“ Wichtig: einen Parameter pro Runde ändern, sonst weißt du nicht, was gewirkt hat.
Multimodale Prompts
Aktuelle Modelle verarbeiten auch Bilder und Dateien. Ein Screenshot deiner Analytics plus „Identifiziere die drei wichtigsten Optimierungspotenziale für die Conversion Rate“ ist oft schneller als jede Beschreibung der Daten.
Praxisbeispiele aus dem deutschen Arbeitsalltag
Social Media (Marketing):
Du bist Social Media Manager für ein Münchner Fintech-Startup. Erstelle drei LinkedIn-Posts zum Thema „Digitale Buchhaltung für KMUs“. Nüchterner, faktenorientierter Stil ohne Superlative; Zielgruppe sind Geschäftsführer von Handwerks- und Mittelstandsbetrieben. Format: 150–200 Wörter pro Post, jeweils mit Call-to-Action.
E-Mail-Marketing (B2B):
Schreibe eine Willkommens-E-Mail für neue Newsletter-Abonnenten unseres B2B-SaaS-Tools. Zielgruppe: Geschäftsführer deutscher Maschinenbauunternehmen (50–500 Mitarbeiter). Ton: professionell-freundlich, siezen, sparsame Anglizismen. Schließe mit einem DSGVO-konformen Abmelde-Hinweis.
Technische Dokumentation:
Erstelle eine Schritt-für-Schritt-Anleitung für die Softwareinstallation. Zielgruppe: IT-Beauftragte im deutschen Mittelstand ohne Programmiererfahrung. Nummerierte Liste, Warnhinweise bei kritischen Schritten, Fachbegriffe in maximal 15 Wörtern erklärt, Screenshot-Platzhalter nach jedem zweiten Schritt.
Marktanalyse (Business Intelligence):
Analysiere den deutschen E-Commerce-Markt für Haustierbedarf. Fokus: Marktvolumen, Top-3-Anbieter, Wachstumstreiber, regulatorische Besonderheiten (Tierschutzgesetz, Futtermittelverordnung). Ergebnis: Executive Summary mit Handlungsempfehlungen für einen Markteintritt, gegliedert für eine Präsentation mit 8–12 Folien. Kennzeichne Schätzungen als Schätzungen.
Das Muster hinter allen vier: konkrete Zielgruppe + Kulturkontext + Formatvorgabe. Genau die drei Dinge, die vage Prompts nicht haben.
Die häufigsten Fehler — und das Debugging
Die drei teuersten Anfängerfehler:
Vage Formulierungen: „Schreib etwas über Marketing“ statt „Erstelle eine 5-Punkte-Checkliste für Social-Media-Marketing in B2B-Unternehmen mit 50–200 Mitarbeitern“.
Überladene Prompts: Mehr als drei Aufgaben in einem Prompt senken die Qualität jeder einzelnen Antwort. Komplexe Anliegen in 2–3 aufeinander aufbauende Prompts aufteilen.
Fehlende Formatvorgaben: Ohne Strukturangabe entscheidet die KI — selten in deinem Sinn.
Dazu zwei fortgeschrittene Stolpersteine: kultureller Bias (ohne expliziten Deutschland-Kontext kommen US-geprägte Ergebnisse) und fehlende Erfolgskriterien („gut genug“ ist subjektiv — definiere Wortanzahl, Zielgruppenansprache, fachliche Tiefe).
Wenn das Ergebnis nicht passt, hilft dieser 3-Stufen-Prozess:
Prompt-Analyse: Spezifität, Kontext, Formatangabe systematisch prüfen — meist fehlt eins der fünf Bausteine.
Iterativ verbessern: Einen Parameter pro Versuch ändern, nie mehrere gleichzeitig.
Aufteilen: Komplexe Anfragen in separate, aufeinander aufbauende Prompts zerlegen.
Datenschutz in Kürze
Personenbezogene Daten gehören nicht in Prompts. Namen, E-Mail-Adressen und Kundendaten vor der Eingabe anonymisieren („Kunde A“, „Mitarbeiter X“, Kategorien statt exakter Zahlen). KI-generierte Texte vor Veröffentlichung auf Faktentreue und übernommene Formulierungen prüfen — nach deutschem Urheberrecht können nur Menschen Urheber sein, und für Falschbehauptungen haftest du, nicht das Modell. In regulierten Branchen (Finanzwesen, Gesundheit) gelten zusätzliche Dokumentationspflichten.
Prompt Engineering lernen: der praktische Weg
Prompt Engineering lernt man nicht durch Lesen, sondern durch dokumentiertes Ausprobieren:
Jede echte Aufgabe zuerst mit KI angehen — auch kleine Teilerfolge bauen Routine auf.
Eine Prompt-Bibliothek führen: Prompts, die funktioniert haben, in einem Dokument sammeln, kategorisieren (Content, Analyse, Code, …) und weiter verfeinern. Das ist das Erfolgsrezept praktisch aller KI-Profis — und der Unterschied zwischen zufällig guten und wiederholbar guten Ergebnissen.
A/B-Testen: Dieselbe Aufgabe mit zwei Prompt-Varianten lösen und vergleichen. So findest du heraus, welche Bausteine bei deinen Aufgaben die größte Wirkung haben. Systematisch geht das in einer Umgebung, die Systemanweisungen und Parameter getrennt vom Prompt festhält — kostenlos etwa in Google AI Studio, für das wir eine deutsche Anleitung haben.
Das systematische Formulieren von Anweisungen an KI-Systeme wie ChatGPT, Claude oder Gemini, um verlässlich bessere Ergebnisse zu erhalten — durch klare Rollen, Aufgaben, Kontext, Formatvorgaben und Beispiele.
Was genau ist ein Prompt?
Die Eingabe, die du einer KI gibst: eine Frage, Anweisung oder Aufgabenbeschreibung, gegebenenfalls mit Kontext und Beispielen. Die Qualität des Prompts bestimmt maßgeblich die Qualität der Antwort.
Wie lerne ich Prompt Engineering?
Durch strukturierte Praxis: echte Aufgaben mit den 5 Bausteinen (Rolle, Aufgabe, Kontext, Format, Beispiele) formulieren, Ergebnisse vergleichen, funktionierende Prompts in einer eigenen Bibliothek sammeln. Die Grundlagen sind an einem Nachmittag gelernt — die Routine kommt über Wochen regelmäßiger Nutzung.
Wie viel verdient ein Prompt Engineer?
Reine „Prompt Engineer“-Stellen sind selten geworden — Prompting ist heute eher eine Kernkompetenz in bestehenden Rollen (Marketing, Entwicklung, Analyse) als ein eigenes Berufsbild. Gehälter für KI-nahe Rollen in Deutschland liegen je nach Erfahrung und Branche grob zwischen 50.000 und 90.000 Euro; belastbare Zahlen speziell für Prompt Engineering gibt es kaum.
Fazit
Gutes Prompting ist keine Geheimwissenschaft: fünf Bausteine, ein passendes Framework, iteratives Verfeinern — und eine Prompt-Bibliothek, die mit jeder Aufgabe wertvoller wird. Der Rest ist Übung.
Florian Schröder ist Gründer von AI Rockstars, KI-Stratege und Prompt Engineer. Er berät Unternehmen bei der praktischen Implementierung von generativer KI und Automation.
Wir verwenden Technologien wie Cookies, um Geräteinformationen zu speichern und/oder darauf zuzugreifen. Wir tun dies, um das Surferlebnis zu verbessern und um personalisierte Werbung anzuzeigen. Wenn Sie diesen Technologien zustimmen, können wir Daten wie das Surfverhalten oder eindeutige IDs auf dieser Website verarbeiten. Wenn Sie Ihre Zustimmung nicht erteilen oder zurückziehen, können bestimmte Funktionen beeinträchtigt werden.
Funktional
Immer aktiv
Die technische Speicherung oder der Zugang ist unbedingt erforderlich für den rechtmäßigen Zweck, die Nutzung eines bestimmten Dienstes zu ermöglichen, der vom Teilnehmer oder Nutzer ausdrücklich gewünscht wird, oder für den alleinigen Zweck, die Übertragung einer Nachricht über ein elektronisches Kommunikationsnetz durchzuführen.
Vorlieben
Die technische Speicherung oder der Zugriff ist für den rechtmäßigen Zweck der Speicherung von Präferenzen erforderlich, die nicht vom Abonnenten oder Benutzer angefordert wurden.
Statistiken
Die technische Speicherung oder der Zugriff, der ausschließlich zu statistischen Zwecken erfolgt.Die technische Speicherung oder der Zugriff, der ausschließlich zu anonymen statistischen Zwecken verwendet wird. Ohne eine Vorladung, die freiwillige Zustimmung deines Internetdienstanbieters oder zusätzliche Aufzeichnungen von Dritten können die zu diesem Zweck gespeicherten oder abgerufenen Informationen allein in der Regel nicht dazu verwendet werden, dich zu identifizieren.
Marketing
Die technische Speicherung oder der Zugriff ist erforderlich, um Nutzerprofile zu erstellen, um Werbung zu versenden oder um den Nutzer auf einer Website oder über mehrere Websites hinweg zu ähnlichen Marketingzwecken zu verfolgen.
