Besser prompten.
Ohne Zauberformeln.

Beginne mit dem Ergebnis. Die Rolle kommt später.

„Du bist ein weltberühmter Texter“ kann Ton und Perspektive beeinflussen. Über das gewünschte Ergebnis sagt der Satz wenig. Ein brauchbares Briefing nennt Ergebnis, Zielgruppe und Verwendungszweck.

Das zweite Briefing definiert, was „gut“ bedeutet. Genau solche klaren Ziel- und Formatangaben empfehlen die aktuellen Herstellerleitfäden. Eine Rollenbeschreibung kann das Briefing ergänzen. Der Auftrag bleibt entscheidend.

Gib relevanten Kontext – und markiere seine Grenzen.

Modelle können nur mit dem Material arbeiten, das sie kennen oder erhalten. Ein Briefing braucht deshalb Quellen, Produktdetails, frühere Fassungen oder Tonbeispiele. Die Auswahl zählt dabei mehr als die Menge. Unsortierte Dokumentberge erhöhen die Chance, dass Nebensachen das Ergebnis bestimmen.

Trenne Anweisung und Material sichtbar, etwa mit Überschriften in MarkdownEine einfache Schreibweise für strukturierte Texte, etwa mit Überschriften, Listen und Hervorhebungen. oder XML-Tags wie <context>, <source> und <task>. Bei langen Dokumenten empfehlen Anthropic und Google, das Material zuerst zu geben und die konkrete Frage danach zu stellen. Sage außerdem, ob das Modell ausschließlich aus den Quellen arbeiten oder eigenes Wissen ergänzen darf.

Wenn du Promptly verwendest, setzen wir diese Best Practices automatisch für dich um.

Zeige den Standard an wenigen guten Beispielen.

Beispiele sind besonders stark, wenn Format, Ton oder Grenzfälle schwer in abstrakte Regeln zu fassen sind. Ein freigegebener Einstieg zeigt oft genauer als zehn Adjektive, wie knapp, sachlich oder meinungsstark ein Text klingen soll.

Entscheidend ist die Auswahl. Beispiele sollten zur echten Aufgabe passen, unterschiedliche Fälle abdecken und selbst fehlerfrei sein. Anthropic nennt Beispiele eines der zuverlässigsten Mittel für Ton, Struktur und Konsistenz. Google empfiehlt ebenfalls einige passende Few-Shot-BeispieleWenige passende Beispiele im Prompt, an denen das Modell gewünschte Muster, Ton oder Format erkennt., warnt aber davor, dass zu viele Beispiele unerwünschte Muster verstärken können. Der aktuelle OpenAI-Leitfaden rät wiederum, Beispiele zu behalten, wenn sie eine Produktanforderung festhalten oder eine gemessene Lücke schließen – und Redundanz sonst zu streichen.

Praktisch heißt das: Starte mit einem klaren Auftrag. Füge ein Beispiel hinzu, sobald du eine konkrete Abweichung beobachtest. Ergänze einen Gegen- oder Grenzfall, wenn das Modell dort regelmäßig falsch entscheidet.

Teile komplexe Arbeit in sichtbare Etappen.

Recherche, Auswahl, Entwurf und Faktenprüfung sind verschiedene Denkaufgaben. Wer alles in einen einzigen Prompt presst, kann Fehler später kaum zuordnen. Für anspruchsvolle Aufgaben ist eine kleine Kette oft stabiler:

1. Analysieren

   Material, Zielgruppe und offene Fragen erfassen.

2. Entscheiden

   These, Struktur und Ausschlüsse festlegen.

3. Produzieren

   Den Entwurf nach den gewählten Kriterien schreiben.

4. Prüfen

   Fakten, Ton, Format und Vollständigkeit kontrollieren.

Google beschreibt solche Prompt-Ketten ausdrücklich als Strategie für komplexe Aufgaben. Der zusätzliche Vorteil im Team: Jeder Schritt lässt sich prüfen, verbessern und später wiederverwenden.

In Promptly kannst du Workflows erstellen, die mehrere Prompts in einer Kette ausführen. So bewältigst du komplexe Aufgaben, ohne zwischen Prompts hin- und herzuklicken.

Verlange eine konkrete Prüfung.

„Denk Schritt für Schritt“ war lange der bekannteste Prompting-Tipp. Ausgegebene Gedankenschritte – oft Chain-of-Thought genannt – können bei bestimmten, vor allem älteren Modellen und klaren Schlussfolgerungsaufgaben helfen. Ihr Nutzen hängt von Aufgabe und Modell ab. Neuere Reasoning-ModelleKI-Modelle, die bei komplexen Aufgaben zusätzliche Rechenschritte und interne Prüfungen einsetzen. steuern Rechenzeit und interne Prüfung zunehmend selbst. Eine ACL-Studie von 2025 zeigt zudem, dass pauschale Aufforderungen zum schrittweisen Denken die Leistung deutlich verschlechtern können.

Hinzu kommt: Eine ausgegebene Gedankenkette bildet die tatsächlichen Vorgänge im Modell nur begrenzt ab. Anthropic fand 2025, dass die untersuchten Modelle Hinweise häufig nutzten, ohne diese in ihrer sichtbaren Begründung zu nennen.

Besser ist eine aufgabenbezogene Kontrolle: „Prüfe vor der Abgabe jede Zahl gegen die Quelle“, „Nenne offene Annahmen“ oder „Vergleiche den Entwurf mit diesen vier Kriterien“. Für Leser reicht danach eine kurze Begründung mit Belegen und Unsicherheiten. Eine seitenlange Gedankenabschrift schafft nur den Anschein von Transparenz.

Für aktuelle Fakten braucht das Modell Werkzeuge.

Aktuelle Fakten brauchen aktuelle Quellen. Wer Preise, Termine, Personalien, Studienstände oder andere veränderliche Fakten braucht, muss eine Websuche, eine gezielte Suche in bereitgestellten Quellen oder eine gepflegte Wissensquelle einplanen. Google empfiehlt bei aktuellen oder seltenen Fakten Such-GroundingDas Modell bezieht aktuelle Suchergebnisse ein und kann Aussagen daran belegen. und für Berechnungen ein Rechenwerkzeug. Der Prompt sollte dann festlegen, welche Quellen zulässig sind, wie zitiert wird und was bei widersprüchlichen Angaben passiert.

Der gleiche Grundsatz gilt für interne Arbeit: Produktdaten sollten aus dem führenden System stammen und direkt in den Kontext fließen. Quellenzugang und Prüfung leisten mehr als die bloße Aufforderung „Erfinde nichts“.

Promptly stattet die KI-Modelle mit den nötigen Werkzeugen aus und begrenzt zugleich das Risiko von Prompt-Injections durch kontrollierte Werkzeugzugriffe. Diese Kontrollen senken das Risiko, beseitigen es jedoch nie vollständig. Sensible Ergebnisse sollten deshalb weiterhin geprüft werden.

Teste Prompts wie redaktionelle Standards.

Zuverlässigkeit zeigt sich erst über mehrere Testfälle. Modelle reagieren auf andere Eingaben anders; neue Modellversionen können ein zuvor hilfreiches Detail überflüssig machen. Deshalb braucht ein wiederkehrender Prompt einen normalen Fall, einen schwierigen Fall und einen Fall, den das System ablehnen oder eskalieren soll.

Der Klang ist dabei nur ein Kriterium. Prüfe beobachtbare Anforderungen: Sind alle Pflichtangaben enthalten? Stimmen Zitate und Zahlen? Hält der Text Länge und Ton ein? Meldet das Modell fehlende Informationen? Anthropic empfiehlt solche Evals bereits früh, weil sie Teams zwingen, Erfolg konkret zu definieren. Die Forschung zur automatischen Prompt-Optimierung geht noch weiter: Prompts werden anhand von Testdaten systematisch gesucht und verbessert.

Für Teams ist der wichtigste Schritt oft einfacher: Prompts versionieren, gute Beispiele gemeinsam pflegen und Änderungen gegen dieselben Fälle prüfen. So wird Prompting zu einem gemeinsamen Qualitätsprozess.