Prompt Engineering im Unternehmen: Praxisleitfaden

Prompt Engineering im Unternehmen ist die Disziplin, klare, getestete Anweisungen zu schreiben, mit denen ein KI-Modell Ergebnisse liefert, die Sie bei der Arbeit tatsächlich nutzen können. In der Praxis läuft es auf sechs Elemente hinaus: eine Aufgabe, die mit einem Verb beginnt, den Kontext, den das Modell braucht, die Zielgruppe, das Ausgabeformat, ausdrückliche Regeln und, wo hilfreich, ein Beispiel. Gewöhnen Sie sich zusätzlich an, Prompts an echten Fällen zu testen und die guten dort abzulegen, wo das Team sie wiederverwenden kann – dann haben Sie das Wichtigste.

Dies ist der zentrale Artikel unserer Reihe über Prompting. Er behandelt die Methode; die verlinkten Artikel gehen tiefer auf Prompt-Vorlagen, System-Prompts und Few-Shot Prompting ein.

Warum Prompts wichtiger sind, als viele denken

Ein Sprachmodell weiß nichts über Ihr Unternehmen, Ihre Kunden oder darüber, was Sie für eine gute Antwort halten. Es hat nur, was im Prompt steht und was es im Training gelernt hat. Ist der Prompt vage, füllt das Modell die Lücken mit plausiblen, allgemeinen Entscheidungen. Deshalb wirkt dasselbe Tool auf die eine Kollegin brillant und auf den anderen nutzlos: Die beiden geben ihm unterschiedliche Anweisungen.

Die gute Nachricht: Beim Prompting im Unternehmen geht es nicht um geheime Formeln. Es geht um dasselbe, was ein gutes Briefing für eine neue Kollegin ausmacht: sagen, was Sie wollen, den Hintergrund liefern, das Ergebnis beschreiben und die Regeln nennen.

Die sechs Bausteine eines Business-Prompts

Baustein	Beantwortet die Frage	Beispiel
Aufgabe	Was genau soll getan werden?	„Entwirf eine Antwort auf die Kunden-E-Mail unten.“
Kontext	Was muss das Modell wissen?	Bestelldaten, Auszug aus der Richtlinie, frühere Nachrichten
Zielgruppe	Wer liest das Ergebnis?	„Ein Erstkunde ohne technisches Vorwissen“
Format	Wie soll das Ergebnis aussehen?	„E-Mail mit Betreffzeile, unter 150 Wörtern“
Regeln	Was muss oder darf nicht passieren?	„Keine Erstattungen versprechen; nur die gelieferten Fakten nutzen“
Beispiel	Wie sieht ein gutes Ergebnis aus?	Eine frühere Antwort, die dem Team gefallen hat

Nicht jedes Mal brauchen Sie alle Bausteine. Für eine schnelle Umformulierung reichen Aufgabe und Format. Eine Antwort an Kunden braucht alle sechs. Unser kostenloser KI-Prompt-Generator führt Sie mit Formularfeldern durch diese Bausteine und setzt den Prompt für Sie zusammen.

Aufgabe: mit einem Verb beginnen

„Zusammenfassen“, „entwerfen“, „klassifizieren“, „auslesen“, „vergleichen“, „umschreiben“. Ein Verb zwingt Sie zu entscheiden, was Sie wollen. Ergänzen Sie dann den Zweck: „Fasse diesen Vertrag so zusammen, dass eine Führungskraft entscheiden kann, ob eine rechtliche Prüfung nötig ist“ ergibt eine ganz andere Zusammenfassung als „Fasse diesen Vertrag zusammen“.

Kontext: dem Modell Ihre Fakten geben

Die meisten schwachen Ergebnisse entstehen durch fehlenden Kontext. Fügen Sie das Ausgangsmaterial, die relevante Richtlinie oder die Daten ein. Setzen Sie sie in einen klar abgegrenzten Block, etwa zwischen dreifache Anführungszeichen oder unter eine Überschrift, damit das Modell Ihre Anweisungen von Ihrem Material unterscheiden kann.

Zielgruppe: festlegen, für wen es ist

Dieselbe Information, geschrieben für eine Finanzchefin, einen neuen Mitarbeiter oder eine Kundin, braucht unterschiedliches Vokabular, unterschiedliche Tiefe und Tonalität. Ein Satz über die Leserschaft verändert das Ergebnis stärker als die meisten anderen Anweisungen.

Format: die Form der Antwort beschreiben

Stichpunkte oder Fließtext, Tabelle oder E-Mail, Anzahl der Punkte, maximale Länge, mit oder ohne Überschriften. Fließt die Ausgabe in ein anderes System, verlangen Sie ein striktes Format wie JSON mit benannten Feldern.

Regeln: Ihre Vorgaben ausdrücklich machen

Schreiben Sie auf, was eine Kollegin wüsste, ohne dass man es ihr sagt: keine Zahlen erfinden, Namen unverändert lassen, förmliche Anrede verwenden, fehlende Informationen markieren statt raten. Positiv formulierte Regeln („nutze nur die Fakten aus dem Kontext“) funktionieren meist besser als lange Verbotslisten.

Beispiel: zeigen, nicht nur beschreiben

Wenn sich Tonalität oder Aufbau schwer beschreiben lassen, wirkt ein Beispiel oft besser als Adjektive. Einem Modell ein oder mehrere Beispiele zu zeigen, heißt Few-Shot Prompting; der Leitfaden zum Few-Shot Prompting erklärt, wann das hilft und wie Sie vermeiden, dass das Modell das Beispiel zu genau kopiert.

Vorher und nachher: drei Beispiele

Beispiel 1: eine Zusammenfassung

Schwach: „Fasse dieses Meeting-Transkript zusammen.“

Besser:

Fasse das unten stehende Meeting-Transkript für Teammitglieder zusammen, die nicht
dabei waren. Liste auf: getroffene Entscheidungen, offene Fragen und Aufgaben mit
verantwortlicher Person und Termin. Nutze Stichpunkte, maximal 200 Wörter. Wird
keine verantwortliche Person oder kein Termin genannt, schreibe "nicht angegeben",
statt zu raten.

"""
[Transkript]
"""

Beispiel 2: eine Kundenantwort

Schwach: „Beantworte diese Beschwerde höflich.“

Besser: Nennen Sie die Rolle (Kundenservice eines Möbelhändlers), fügen Sie die Beschwerde und die passende Retourenrichtlinie ein, beschreiben Sie den Leser und verlangen Sie eine E-Mail unter 150 Wörtern, die das Problem anerkennt, den nächsten Schritt erklärt und nichts verspricht, was außerhalb der Richtlinie liegt.

Beispiel 3: Daten auslesen

Schwach: „Hol die wichtigen Infos aus diesen Rechnungen.“

Besser: Nennen Sie die genauen Felder (Lieferantenname, Rechnungsnummer, Datum, Nettobetrag, Umsatzsteuerbetrag, Währung), verlangen Sie ein JSON-Objekt pro Rechnung und weisen Sie das Modell an, für jedes nicht gefundene Feld null zurückzugeben, statt zu schätzen.

In jedem Fall ist der verbesserte Prompt länger, aber er beseitigt das Rätselraten, das zu schwachen Ergebnissen geführt hat.

Techniken, die im Unternehmensalltag helfen

• Zuerst Rückfragen verlangen. Ergänzen Sie bei komplexen Aufgaben: „Fehlen wichtige Informationen, stelle mir bis zu drei Fragen, bevor du beginnst.“
• Große Aufgaben in Schritte zerlegen. Statt eines Prompts, der recherchiert, strukturiert und schreibt, nutzen Sie getrennte Prompts für Gliederung, Entwurf und Überprüfung. Jeder Schritt ist leichter zu prüfen.
• Eine Selbstkontrolle verlangen. „Prüfe deine Antwort vor dem Absenden anhand der Regeln oben.“ Das garantiert keine Richtigkeit, fängt aber manche offensichtlichen Fehler ab.
• Unsicherheit erfragen. „Wenn du unsicher bist, sag es.“ Das verringert selbstsicher klingende Vermutungen – wichtig für das Problem, das in KI-Halluzinationen vermeiden behandelt wird.
• Anweisungen und Inhalt trennen. Trennzeichen verringern das Risiko, dass Text in einem Dokument als Anweisung behandelt wird.
• Die Länge festlegen. Kürzere Ausgaben sind schneller geprüft und bei API-Nutzung günstiger.

Einen Prompt testen, bevor sich das Team darauf verlässt

Ein Prompt, der einmal funktioniert, ist noch kein guter Prompt. Vor dem Ausrollen:

1. Testfälle sammeln. Zehn bis zwanzig echte Beispiele, auch schwierige und ungewöhnliche.
2. Festlegen, wie ein gutes Ergebnis aussieht. Eine kurze Checkliste: korrekte Fakten, richtiges Format, passende Tonalität, keine erfundenen Inhalte.
3. Alle Fälle durchlaufen lassen. Notieren Sie, welche scheitern und warum.
4. Jeweils nur eine Sache ändern. Wenn Sie alles auf einmal umschreiben, wissen Sie nicht, was geholfen hat.
5. Nach Änderungen erneut testen. Die Lösung für einen Fall kann einen anderen kaputtmachen.
6. Nach Modell-Updates erneut testen. Anbieter aktualisieren Modelle; das Verhalten kann sich verschieben.

Bewahren Sie die Testfälle auf. Sie werden zu Ihrem Regressionstest, wann immer Sie den Prompt ändern oder das Modell wechseln.

Prompts in Chat-Tools und in Anwendungen

In einem Chat-Tool schreibt ein Mensch den Prompt und kann das Modell in Folgenachrichten korrigieren. In einer Anwendung oder Automatisierung steht der Prompt fest und läuft, ohne dass jemand zusieht. Der zweite Fall erfordert mehr Sorgfalt:

• Die festen Anweisungen stehen meist in einem System-Prompt, der Rolle, Regeln und Format für jede Anfrage festlegt. Siehe System-Prompt schreiben.
• Das Format muss so präzise sein, dass der nächste Schritt im Workflow es verarbeiten kann.
• Sonderfälle müssen im Prompt geregelt sein, weil niemand da ist, der umformuliert.
• Jeder Token im Prompt wird bei jeder Anfrage bezahlt, lange Prompts verursachen also laufende Kosten. Wie sich das summiert, erklärt LLM-API-Preise erklärt.

Eine Prompt-Bibliothek für das Team aufbauen

Wenn mehrere Personen KI für ähnliche Aufgaben nutzen, zahlt sich eine gemeinsame Bibliothek schnell aus. Halten Sie sie einfach:

Feld	Zweck
Name und Anwendungsfall	Damit man ihn findet
Prompt-Text	Mit Platzhaltern wie [Kunden-E-Mail]
Verantwortliche Person	Wer ihn pflegt
Version und Datum	Damit Änderungen nachvollziehbar sind
Getestet mit	Modell oder Tool und verwendete Testfälle
Bekannte Grenzen	Wo er nicht gut funktioniert

Beginnen Sie mit den fünf bis zehn Aufgaben, die am häufigsten vorkommen. Unsere Sammlung von Prompt-Vorlagen für Unternehmen liefert einen Startsatz, den Sie anpassen können.

Typische Fehler

• Prompts wie Suchanfragen schreiben. Zwei oder drei Stichworte ergeben allgemeine Antworten.
• Das Ausgangsmaterial weglassen. Dann antwortet das Modell aus Allgemeinwissen, das für Ihren Fall falsch sein kann.
• Zu viele widersprüchliche Regeln. Lange Listen mit „immer“ und „nie“ führen zu unberechenbaren Abwägungen. Halten Sie Regeln kurz und priorisieren Sie.
• Flüssigen Texten vertrauen. Eine gut geschriebene Antwort ist nicht unbedingt eine richtige. Prüfung bleibt nötig.
• Vertrauliche Daten in nicht freigegebene Tools kopieren. Halten Sie sich an die Vorgaben der KI-Richtlinie Ihres Unternehmens dazu, welche Daten wo genutzt werden dürfen.
• Prompts nie überarbeiten. Geschäftsanforderungen und Modelle ändern sich; Prompts sollten wie jedes andere Prozessdokument gepflegt werden.

Wie es weitergeht

Probieren Sie die Methode mit Ihrer eigenen Aufgabe im KI-Prompt-Generator aus. Sofort nutzbare Ausgangspunkte finden Sie in den Prompt-Vorlagen für Unternehmen. Wenn Sie einen Assistenten oder eine Automatisierung bauen, lesen Sie weiter, wie Sie einen System-Prompt schreiben.