Wie ein LLM deinen Prompt tatsächlich liest
Wenn du einer KI schreibst, liest sie deinen Text nicht wie ein Mensch. Sie „versteht“ nicht im menschlichen Sinne, was du meinst. Stattdessen vergleicht sie deine Worte mit gigantischen Textmengen, die sie im Training gesehen hat, und berechnet, welche Antwort als Nächstes am wahrscheinlichsten folgt.
Genau deshalb kann KI manchmal verblüffend gute Antworten liefern — und ein anderes Mal komplett am Thema vorbeischießen.
Das musst du wissen:
- Die KI arbeitet nur mit dem, was du tatsächlich schreibst. Wenn deine Frage vage ist, wird es meist auch die Antwort sein.
- Jedes Wort zählt. Eine lockere Formulierung führt zu informelleren Antworten. Klare und präzise Anweisungen liefern exaktere Ergebnisse.
- Wenn du wichtige Details weglässt, füllt die KI die Lücken selbst aus. Meistens mit der durchschnittlichsten oder statistisch wahrscheinlichsten Vermutung — was selten genau das ist, was du wolltest.
- KI ist darauf ausgelegt, überzeugend zu klingen, nicht zwingend fehlerfrei zu sein. Das bedeutet, dass sie manchmal eine völlig falsche Antwort in einem absolut selbstbewussten, professionellen Ton präsentieren kann.
Die fünf AchsenWas wir messen und warum
Jeder Prompt behält dieselbe fünfteilige Skala von 0 bis 100. Zielklarheit wird immer bewertet; Kontext, Format, Einschränkungen und Beispiele können als „Nicht erforderlich“ markiert werden.
Achse 1 — Zielklarheit – Sage präzise, was du willst
Ein LLM kann keine Gedanken lesen. Das Ziel verankert alles andere — wenn das nicht stimmt, rettet dich auch das beste Ausgabeformat nicht.
KI funktioniert durch das Erkennen von Textmustern. Ist ein Prompt vage, versucht das Modell, die durchschnittliche Bedeutung dahinter zu erraten, was selten exakt den Wünschen des Nutzers entspricht. Ein klares Ziel hilft der KI, sich zu fokussieren. Je spezifischer die Aufgabe, desto weniger muss das Modell raten, was zu präziseren und konsistenteren Ergebnissen führt.
Wann es besonders wichtig ist
- Klare Prompts sind besonders wichtig, wenn die KI etwas Konkretes erstellen soll, etwa Texte, Code, Analysen oder Zusammenfassungen. Sie spielen auch eine Rolle, wenn Begriffe mehrdeutig sind (z. B. steht „Python“ für die Schlange oder die Programmiersprache). Zudem sind sie essenziell, wenn du das Ergebnis an bestimmten Erwartungen messen willst, da vage Prompts eine objektive Bewertung unmöglich machen.
Wann du es lockerer angehen kannst
- Beim freien Brainstorming sind hochpräzise Prompts nicht zwingend nötig, da man hier bewusst viele verschiedene Richtungen und Ideen erkunden möchte. Ähnliches gilt für lockere Unterhaltungen, bei denen man das Ergebnis im Verlauf des Dialogs schrittweise verfeinern kann.
Negativbeispiel
Erzähl mir was über Marketing.
- „Erzähl mir was über Marketing“ ist extrem vage. Es erklärt nicht, welche Art von Antwort benötigt wird, da Marketing ein riesiges Feld ist. Die KI muss nun raten: Suchst du eine Einführung für Anfänger, Marketingstrategien, Geschichte, Social-Media-Tipps oder etwas völlig anderes?
Bessere Version
Schreibe einen einseitigen Leitfaden für einen Erstgründer, der den Unterschied zwischen Brand Marketing und Performance Marketing erklärt und aufzeigt, wann man welchen Ansatz wählen sollte.
- Verb („Schreibe“) + konkretes Artefakt („einseitiger Leitfaden“).
- Das Thema ist messerscharf: Brand vs. Performance mit Fokus auf eine konkrete Entscheidungshilfe.
- Implizite Erfolgskriterien, die für den Leser direkt überprüfbar sind.
Häufige Fehlerquelle: Das Packen von drei verschiedenen Zielen in einen einzigen Prompt („fasse zusammen, übersetze und schreibe es als Gedicht“). Teile die Aufgaben auf, andernfalls wird das Modell alle drei nur halbherzig erledigen.
Achse 2 — Kontext – Nenne das Wer, Warum und Wo
Kontext macht den Unterschied zwischen einer generischen Standardantwort und einem Ergebnis, das perfekt zu deiner realen Situation passt.
Die KI nimmt standardmäßig an, für den Durchschnittsnutzer im Internet zu schreiben. Ohne Details darüber, für wen der Text ist oder warum du ihn brauchst, klingt das Ergebnis oft unpersönlich. Kontext hilft der KI, Tonalität, Wortwahl und Detailtiefe optimal auf dein tatsächliches Vorhaben abzustimmen.
Wann es besonders wichtig ist
- Kontext ist unverzichtbar, wenn die Antwort auf eine bestimmte Zielgruppe zugeschnitten sein muss — etwa Führungskräfte, Entwickler, Kinder oder Fachexperten. Er ist auch in Spezialgebieten wichtig, in denen bestimmte Fachbegriffe oder Industriestandards gelten, oder wenn die Antwort nahtlos in einen größeren Workflow passen muss.
Wann du es lockerer angehen kannst
- Einfache Faktenabfragen, Definitionen oder simple Textumwandlungen benötigen kaum Kontext, da die Aufgabe an sich bereits eindeutig ist. Das Gleiche gilt für mechanische Aufgaben wie das Reformatieren von Text oder Konvertieren von Daten.
Negativbeispiel
Erkläre Datenbanken.
- „Erkläre Datenbanken“ ist ein schwacher Prompt, weil der KI jegliche Information darüber fehlt, wer die Erklärung liest und wozu. Die Zielgruppe könnte ein Kind, ein angehender Softwareentwickler oder ein erfahrener Systemadministrator sein — und alle benötigen eine völlig andere Erklärung. Da die KI weder Wissenstand noch Verwendungszweck kennt, liefert sie einen generischen, enzyklopädischen Text, der für die konkrete Praxis meist wenig hilfreich ist.
Bessere Version
Erkläre den Unterschied zwischen relationalen und dokumentenorientierten Datenbanken für einen Junior Backend-Entwickler, der gerade seine erste einfache CRUD-App fertiggestellt hat und nun eine Datenbank für ein mandantenfähiges SaaS-Produkt auswählen muss. Fokussiere dich auf die Vor- und Nachteile, die er in den nächsten 6 Monaten praktisch spüren wird.
- Klare Zielgruppe mit definiertem Wissensstand.
- Der genannte Verwendungszweck bestimmt die Detailtiefe und den Fokus.
- Der Zeithorizont („in den nächsten 6 Monaten“) gibt dem Modell vor, worauf es Priorität legen soll.
Häufige Fehlerquelle: Das Überladen des Prompts mit irrelevanten biografischen Details. Kontext soll die Antwort schärfen, nicht den Prompt künstlich aufblähen. Wenn ein Satz das Ergebnis nicht beeinflusst, streiche ihn.
Achse 3 — Ausgabeformat – Forme die Antwort gezielt
Wenn du der KI nicht sagst, welche Struktur du wünschst, wählt sie selbst eine. Meistens führt das zu langen Textblöcken, obwohl Tabellen, Listen oder kurze Zusammenfassungen viel nützlicher wären.
Formatierungsanweisungen gehören zu den einfachsten und effektivsten Hebeln für bessere KI-Antworten. Eine simple Bitte wie „Antworte in einer Tabelle mit 5 Zeilen“ verwandelt eine unübersichtliche Textwüste in ein strukturiertes, direkt nutzbares Dokument. Ein gutes Format macht Antworten schneller lesbar, scanbar und erleichtert die Weiterverarbeitung.
Wann es besonders wichtig ist
- Die Formatierung ist extrem wichtig, wenn Ergebnisse schnell erfasst werden müssen, da Listen, Tabellen und Zwischenüberschriften deutlich lesefreundlicher sind als Fließtext. Sie ist auch dann kritisch, wenn andere Tools die Ausgabe automatisiert verarbeiten sollen (z. B. JSON, CSV oder Code-Blöcke), oder wenn du gezielt kurze, fokussierte Antworten wünschst.
Wann du es lockerer angehen kannst
- Bei kreativen Texten, bei denen ein starres Korsett den natürlichen Schreibfluss blockieren würde, oder in rein informellen, chatbasierten Unterhaltungen.
Negativbeispiel
Vergleiche React, Vue und Svelte.
- „Vergleiche React, Vue und Svelte“ ist ein schwacher Prompt, weil völlig offenbleibt, wie der Vergleich strukturiert sein soll. Die KI wird voraussichtlich mehrere lange Absätze generieren, die sich nur schwer direkt miteinander vergleichen lassen. Da zudem kein Limit gesetzt ist, fällt die Antwort oft entweder zu kurz oder unnötig lang aus.
Bessere Version
Vergleiche React, Vue und Svelte in einer Tabelle mit folgenden Spalten: Lernkurve, Performance, Reife des Ökosystems und Arbeitsmarkt. Füge am Ende eine kurze Empfehlung in 2 Sätzen für ein Startup hinzu, das heute vor dieser Entscheidung steht.
- Explizite Struktur (Markdown-Tabelle) und klare Vergleichskriterien.
- Ein präzises Limit („2 Sätze“) verhindert umschweifende Erklärungen.
- Die festgelegten Spalten garantieren eine echte Vergleichbarkeit der Zellen.
Häufige Fehlerquelle: Der Versuch, JSON-Ausgaben einzufordern, ohne die exakte Zielstruktur zu definieren. Fehlen die genauen Key-Namen und Formate, erfindet das Modell eigene Schlüssel. Zeige dem Modell daher immer die exakte JSON-Struktur, die du erwartest.
Achse 4 — Einschränkungen – Zäune die Antwort ein
Einschränkungen sagen dem Modell, was es NICHT tun soll — und das ist oft wirkungsvoller, als ihm nur vorzuschreiben, was es tun soll.
Ohne klare Grenzen neigen KIs zu umschweifenden, generischen Antworten voller Floskeln und unnötiger Erklärungen. Einschränkungen wie Zeichen- oder Wortlimits, das Ausschließen bestimmter Themen oder Stilvorgaben sorgen für ein fokussiertes Ergebnis, das kaum noch nachbearbeitet werden muss.
Wann es besonders wichtig ist
- Einschränkungen sind unerlässlich, wenn du strikte Vorgaben einhalten musst — wie maximale Zeichenlängen, Wortgrenzen oder den Einsatz ganz bestimmter Programmierbibliotheken. Sie helfen auch, typische KI-Muster (wie das ständige „Als KI-Modell...“ oder übermäßige Entschuldigungen) und unerwünschte Elemente wie Emojis oder Markdown-Formatierungen zu unterbinden.
Wann du es lockerer angehen kannst
- In der frühen Phase der Ideenfindung, wenn Einschränkungen den kreativen Fluss eher behindern würden und man bewusst unkonventionelle Pfade erkunden möchte.
Negativbeispiel
Schreibe eine gute Headline für unsere Landingpage.
- „Gut“ ist keine Einschränkung — es ist ein Wunsch.
- Es fehlen Längenbegrenzung, Zielgruppe und verbotene Wörter.
- Du wirst Phrasen wie „Revolutionieren Sie Ihren Workflow mit KI-gestütztem...“ erhalten und frustriert sein.
Bessere Version
Schreibe 5 verschiedene Headlines für eine Landingpage eines Observability-Tools für Entwickler. Harte Regeln: maximal 8 Wörter, kein Marketing-Sprech („Synergie“, „revolutionieren“, „entfesseln“), keine Fragen, muss einen konkreten Nutzen enthalten (Zeitersparnis, Fehlersuche, weniger Fehlalarme) und muss ohne Ausrufezeichen auskommen.
- Präzise Vorgaben zur Anzahl (5), Länge (8 Wörter) und verbotenen Begriffen.
- Sinnvolle Kombination aus positiven („Nutzen enthalten“) und negativen Einschränkungen.
- Schließt typische Fehlermuster im Vorfeld effektiv aus.
Häufige Fehlerquelle: Das Überhäufen des Modells mit sich widersprechenden Einschränkungen. Kann das Modell nicht alle Regeln gleichzeitig befolgen, entscheidet es eigenständig, welche Vorgabe es ignoriert — was selten deinen Prioritäten entspricht. Halte Einschränkungen realistisch und priorisiere sie klar.
Achse 5 — Beispiele – Zeige es, anstatt es nur zu beschreiben
Ein einziges klares Beispiel ist oft wertvoller als eine ellenlange Erklärung voller Adjektive wie „professionell“, „kreativ“ oder „natürlich“. Modelle erfassen Muster anhand von Beispielen extrem schnell und folgen ihnen weitaus zuverlässiger.
Diese Technik wird oft „Few-Shot Prompting“ genannt. Beispiele können bei einem schwierigen Stil, einer Transformation, einem Schema oder Grenzfällen helfen, sollten aber repräsentativ sein und sind unnötig, wenn die Anweisung das Ergebnis bereits klar definiert.
Wann es besonders wichtig ist
- Beispiele sind unschätzbar wertvoll, wenn sich der gewünschte Ton oder Stil nur schwer in Worte fassen lässt, aber sofort erkennbar ist, sobald man ihn sieht. Sie sind auch bei komplexen Daten- oder Formattransformationen unverzichtbar oder um dem Modell beizubringen, wie es mit bekannten Fehlerquellen und Edge Cases umgehen soll.
Wann du es lockerer angehen kannst
- Bei einfachen Standardaufgaben, bei denen das Erstellen von Beispielen aufwendiger wäre als die nachträgliche manuelle Korrektur des Ergebnisses.
Negativbeispiel
Schreibe meine Produktbeschreibungen so um, dass sie hochwertiger klingen.
- „Hochwertig“ bedeutet für Apple etwas anderes als für eine Luxus-Uhrenmanufaktur oder ein Steakhaus.
- Es fehlt eine Vorher-Nachher-Referenz, um die gewünschte Transformation zu verdeutlichen.
- Das Modell wird spekulieren, was du mit „hochwertig“ meinst — und meistens danebenliegen.
Bessere Version
Schreibe die Produktbeschreibungen im Stil einer minimalistischen Luxus-Einrichtungsmarke (Quiet Luxury) um. Nutze folgendes Muster:
Vorher: „Superweiches T-Shirt aus 100 % Baumwolle, toll für jeden Tag!“
Nachher: „Ein federleichtes Baumwoll-Tee, wie gemacht für lange, entspannte Nachmittage.“
Schreibe nun folgende Beschreibungen im exakt gleichen Stil um: [Liste]
- Ein konkretes Vorher-Nachher-Paar demonstriert die Transformation perfekt.
- Der Ton wird durch das Beispiel greifbar, statt ihn mit Adjektiven umschreiben zu müssen.
- Das Modell kann das gelernte Muster nahtlos auf deine reale Liste anwenden.
Häufige Fehlerquelle: Beispiele, die deinen Anweisungen widersprechen. Das Modell kann dem gezeigten Muster statt der Regel folgen; prüfe daher, ob jedes Beispiel das gewünschte Verhalten darstellt.