Was ist Prompt-Engineering?
Du würdest einer neuen Kollegin am ersten Tag nicht sagen: „Schreib mal was über unser Produkt.“ Du würdest ihr erzählen, für wen, wozu, in welchem Ton und wie lang. Prompt-Engineering ist genau das — nur für eine KI.
OpenAI beschreibt es als den Prozess, wirksame Anweisungen für ein Modell zu schreiben, sodass die Ausgabe beständig die Anforderungen erfüllt. Google betont: Prompt-Engineering ist iterativ. Der erste Prompt ist selten der beste.
Der Unterschied zum Prompt selbst: Der Prompt ist die einzelne Eingabe. Prompt-Engineering ist die Methode dahinter — wie du Prompts baust, prüfst und verbesserst.
Die wichtigsten Techniken
Die Leitfäden von Anthropic, OpenAI und Google sind sich in den Grundlagen erstaunlich einig:
- Kontext geben — wer liest das, wofür ist es, was weiß das Modell noch nicht? Und den Grund nennen statt nur „NIE X“ zu schreiben.
- Rolle festlegen — zum Beispiel über einen Systemprompt: „Du bist Redakteurin für einen Handwerker-Newsletter.“
- Beispiele zeigen — Few-Shot-Prompting. Anthropic empfiehlt drei bis fünf abwechslungsreiche Beispiele, Google rät, möglichst immer welche mitzugeben.
- Struktur schaffen — Anweisung, Material und Beispiele sauber trennen, etwa mit Überschriften oder XML-Tags.
- Ausgabeformat vorgeben — Länge, Gliederung, Tabelle oder Fließtext.
- Lange Unterlagen nach oben — die eigentliche Frage ans Ende. Laut Anthropic verbessert das in Tests die Antworten um bis zu 30 %, vor allem bei mehreren Dokumenten.
Beispiele aus der Forschung
Zwei Zahlen, die zeigen, wie viel ein Prompt ausmachen kann — und wie schnell sich das ändert.
Case A · Studie 2022
„Lass uns Schritt für Schritt denken“
17,7 %
Trefferquote vorher
78,7 %
Trefferquote nachher
Ein Satz, über das Vierfache an richtigen Lösungen
Kojima und Kollegen, Rechenaufgaben mit einem OpenAI-Modell von 2022. Bei heutigen Reasoning-Modellen bringt der Satz kaum noch etwas.
Case B · Studie 2025
Derselbe Trick drei Jahre später
+2,9 %
Gewinn bei o3-mini
20–80 %
längere Antwortzeit
Kaum Nutzen, aber spürbar langsamer
Wharton-Bericht (Juni 2025) mit 198 Fachfragen. Bei Gemini Flash 2.5 wurde es sogar schlechter (−3,3 %).
Die Lehre: Tricks veralten, Grundlagen nicht. Klarer Kontext und gute Beispiele helfen jedem Modell. Zauberformeln aus alten LinkedIn-Posts eher nicht.
Häufige Fehler
Fehler 1 · Zu vage, ohne Kontext
Anthropic vergleicht das Modell mit einer brillanten, aber neuen Mitarbeiterin, die deine Abläufe nicht kennt. Der Test: Würde eine Kollegin ohne Vorwissen deinen Prompt verstehen? Wenn nicht, versteht ihn die KI auch nicht.
Fehler 2 · Ohne Maßstab herumprobieren
„Klingt irgendwie besser“ ist kein Test. Leg vorher fest, was zählt — Wortzahl, Tonalität, keine erfundenen Zahlen — und prüf jede Prompt-Version an denselben fünf Beispielen.
Fehler 3 · Alte Tricks auf neue Modelle übertragen
Was 2022 Wunder wirkte, bremst heute manchmal nur. Auch Techniken verschwinden: Anthropic unterstützt das Vorbefüllen der Antwort ab den Claude-4.6-Modellen nicht mehr.
Fehler 4 · Gleichförmige Beispiele
Drei Beispiel-Posts, die alle mit einer Frage beginnen? Dann beginnt auch der vierte mit einer Frage. Modelle kopieren Muster, auch ungewollte. Variiere deine Beispiele.
So schreibst du bessere Prompts
- Ziel in einem Satz — was soll am Ende rauskommen, für wen?
- Material dazu — Produktinfos, Tonalität, vorhandene Texte.
- Zwei, drei Beispiele — gute Ergebnisse aus der Vergangenheit.
- Format festlegen — Länge, Aufbau, was nicht rein darf und warum.
- Testen und speichern — die beste Version in einer Prompt-Sammlung ablegen, nicht jedes Mal neu erfinden.
Häufige Fragen
Braucht man Prompt-Engineering noch, wenn die Modelle immer besser werden?
Ja, aber anders. Tricks wie „denk Schritt für Schritt“ bringen bei neuen Modellen kaum noch etwas. Klarer Kontext, gute Beispiele, ein festes Format und Tests bleiben wichtig — sie entscheiden, ob das Ergebnis zu deinem Ziel passt.
Was ist der Unterschied zwischen Prompt-Engineering und Fine-Tuning?
Beim Prompt-Engineering bleibt das Modell unverändert, du steuerst es nur über die Anweisung. Beim Fine-Tuning wird das Modell mit eigenen Daten nachtrainiert. Für die meisten Marketing-Aufgaben reicht ein guter Prompt mit Beispielen.
Wie viele Beispiele sollte ich in einen Prompt packen?
Anthropic empfiehlt drei bis fünf, die relevant und abwechslungsreich sind. Google rät, möglichst immer Beispiele mitzugeben. Wichtiger als die Zahl ist, dass sie sich unterscheiden — sonst kopiert das Modell ungewollte Muster.
Ist Prompt Engineer ein eigener Beruf?
Kaum noch. Die Fähigkeit wird eher zur Grundkompetenz für alle, die mit KI arbeiten, ähnlich wie Googeln oder Tabellenkalkulation. Wer im Marketing gute Briefings schreiben kann, hat einen großen Teil schon drauf.
Was ist Context Engineering?
Anthropic nennt es die natürliche Weiterentwicklung des Prompt-Engineerings. Es geht darum, welche Informationen überhaupt ins Kontextfenster kommen — Dokumente, Werkzeuge, Gesprächsverlauf. Das ist vor allem bei KI-Agenten wichtig, die lange arbeiten.
Quellen
- OpenAI: Prompt Engineering Guide
- Google: Prompting-Strategien für Gemini
- Anthropic: Prompt Engineering Overview
- Anthropic: Prompting Best Practices
- Anthropic: Effective Context Engineering for AI Agents
- Anthropic: Prompt Improver
- Kojima et al.: Large Language Models are Zero-Shot Reasoners
- Wharton: The Decreasing Value of Chain of Thought in Prompting
