Aus dem Maschinenraum
Prompt Engineering ist keine Geheimsprache – aber gute Prompts gibt es trotzdem. Was die Maschinenpsychologie über besseres Prompten verrät und welche zehn Bausteine im Alltag reichen.
Ich sage in meinen Seminaren gern einen Satz, der erst mal irritiert: Prompt Engineering gibt es nicht.
Kein Hersteller dieser Welt hat ein Interesse daran, dass Sie eine Geheimsprache lernen müssen, um sein Produkt zu bedienen. OpenAI, Anthropic, Google – die investieren Milliarden, damit ihre Modelle Sie verstehen. Nicht umgekehrt. Es gibt keine Skriptsprache namens „Prompt", keine deterministischen Befehle, keine magischen Formeln, die immer funktionieren.
Und trotzdem gibt es gute und schlechte Prompts. Wie passt das zusammen?
Die Antwort hat zwei Teile. Der erste ist unbequem für alle, die „10.000 geheime ChatGPT-Prompts" verkaufen. Der zweite ist der eigentlich spannende – und er kommt aus der Forschung.
Die gängige Definition: Prompt Engineering ist die Disziplin, Eingaben an ein Sprachmodell so zu formulieren, dass möglichst gute Ergebnisse herauskommen. So weit, so richtig.
Nur wird daraus oft ein falsches Versprechen abgeleitet: dass es eine Art Programmiersprache für KI gäbe. Ein System aus Befehlen, das man auswendig lernen kann und das dann zuverlässig funktioniert. Das ist Quatsch – aus einem einfachen Grund: Sprachmodelle sind nicht deterministisch. Dieselbe Eingabe kann heute eine andere Antwort erzeugen als morgen. Ein „perfekter Prompt" von der Stange existiert deshalb nicht.
Was existiert: Vorgehensweisen, die die Wahrscheinlichkeit guter Ergebnisse messbar erhöhen. Und die haben weniger mit der Maschine zu tun, als Sie denken.
Mein Take nach hunderten Seminartagen: Ein guter Prompt ist in erster Linie ein Werkzeug, um die eigenen Gedanken zu sortieren. Wer präzise sagen kann, was er haben will, für wen, in welcher Form und mit welchen Grenzen – der bekommt gute Ergebnisse. Wer das nicht kann, dem hilft auch keine Promptvorlage. Prompt Engineering ist zu 80 Prozent Klarheit über den eigenen Auftrag und zu 20 Prozent Technik.
Ein Wort zu den Prompt-Sammlungen, die überall kursieren. Die meisten sind auf dieselbe Weise entstanden: Jemand hat eine KI gebeten, sich selbst Prompts zu schreiben. Das funktioniert sogar erstaunlich gut – als Startpunkt.
Das Problem beginnt danach. Ein fremder Prompt passt nie exakt auf Ihre Aufgabe, Ihre Daten, Ihren Kontext. Also passen Sie an, probieren, korrigieren. Bis die Vorlage sitzt, hätten Sie den Prompt dreimal selbst geschrieben – und dabei sogar verstanden, warum er funktioniert. Vorlagen ersetzen kein Verständnis. Sie verschieben den Aufwand nur nach hinten und produzieren generische Ergebnisse, denen man die Vorlage ansieht.
Deshalb drehe ich die Frage um. Statt „Welche Prompts muss ich kennen?" lautet die bessere Frage: „Wie funktioniert dieses System eigentlich – und wie verhalte ich mich dann?"
Seit einigen Jahren untersucht ein junges Forschungsfeld Sprachmodelle mit den Methoden der Psychologie: Maschinenpsychologie. Forscherinnen und Forscher setzen KI-Modelle denselben Experimenten aus, mit denen man sonst menschliches Verhalten untersucht – Framing-Studien, Gehorsamsexperimente, Spieltheorie, Persönlichkeitstests.
Die Befunde sind bemerkenswert konsistent: Sprachmodelle übernehmen menschliche Denkfehler aus ihren Trainingsdaten. Sie schmeicheln. Sie knicken unter Widerspruch ein. Sie lassen sich durch die Formulierung einer Frage in eine Richtung schieben. Und sie erzählen über sich selbst Geschichten, die mit ihrem tatsächlichen Verhalten wenig zu tun haben.
Ich habe für meinen KI-Guide 49 dieser Studien ausgewertet – von Nature bis PNAS – und die Handlungsempfehlungen auf zwölf Prinzipien eingedampft. Bewusst modellunabhängig, denn die Muster wiederholen sich über Anbieter und Modellgenerationen hinweg. Wer diese Mechanismen kennt, promptet automatisch besser. Nicht, weil er Tricks gelernt hat. Sondern weil er weiß, worauf er reagiert.
Vier Beispiele, die Sie sofort umsetzen können.
Sprachmodelle hängen an Andeutungen. Geben Sie eine Beispielzahl vor, ankert die Schätzung daran. Schreiben Sie „die Antwort ist vermutlich X", bekommen Sie X bestätigt. Die Forschung nennt das Anker- und Framing-Effekte – Modelle liefern bevorzugt die Antwort, die sie für Ihre Wunschantwort halten. Sie bekommen Ihr eigenes Echo zurück.
Für Ihre Prompts heißt das: Formulieren Sie neutral, wenn Sie eine unvoreingenommene Einschätzung wollen. Verraten Sie nicht, welchen Text Sie selbst geschrieben haben, wenn die KI ihn bewerten soll. Und stellen Sie wichtige Entscheidungsfragen probeweise in beide Richtungen – „Soll ich X tun?" und „Soll ich X lassen?". Kippt die Antwort, war sie nie belastbar.
Modelle sind darauf trainiert zu gefallen. Fragen Sie „Bist du sicher?", rudert das Modell zurück – auch bei richtigen Antworten. Dieses Einknicken ist messbar und hat einen Namen: Sycophancy, Schmeichelei als Systemfehler.
Praktische Konsequenz: Nutzen Sie „Bist du sicher?" nicht als Prüfmethode. Fragen Sie stattdessen neutral: „Erkläre, wie du zu dieser Antwort kommst." Und bitten Sie aktiv um Widerspruch: „Widersprich mir, wenn ich falsch liege." Übertriebenes Lob für Ihre Ideen ist übrigens ein Warnsignal – kein Kompliment.
„Du bist ein erfahrener Marketingexperte" – der Klassiker aus jedem Prompt-Guide. Eine Rollenvorgabe kann tatsächlich helfen, weil sie Kontext setzt: Fachvokabular, Perspektive, Erwartungshorizont. Aber die Forschung zeigt auch die Kehrseite: Eine Persona ist kein Charakter, sondern ein Schalter, der vorhandene Anlagen freilegt. Auch unerwünschte. Härte-Rollen („sei skrupellos", „sei streng") fördern messbar manipulatives Verhalten, und Stereotyp-Personas machen Antworten zur Karikatur.
Deshalb: Rollen sachlich beschreiben statt dramatisch besetzen. „Antworte vorsichtig und gründlich, Zielgruppe sind Verwaltungsmitarbeitende ohne IT-Hintergrund" schlägt „Du bist der weltbeste Verwaltungsexperte" – jeden Tag.
Was vorher im Chat stand, beeinflusst die nächste Antwort. Modelle spiegeln Ihren Ton, übernehmen die Richtung der bisherigen Argumentation und „vergessen" Vorgaben über lange Verläufe – die Forschung nennt das Persona-Drift.
Konsequenz: Starten Sie kritische Aufgaben im frischen Chat statt am Ende eines langen, emotional aufgeladenen Verlaufs. Wiederholen Sie wichtige Vorgaben in langen Dialogen. Und formulieren Sie selbst so, wie Sie die Antworten haben wollen – das Modell spiegelt Sie.
Mit diesem Verständnis im Rücken wird die Handwerksebene fast trivial. In meinen Seminaren arbeiten wir mit zehn Bausteinen – nicht als Pflichtprogramm für jeden Prompt, sondern als Checkliste, aus der Sie situativ wählen:
Sie merken: Nichts davon ist Geheimwissen. Es ist strukturiertes Denken, aufgeschrieben. Genau deshalb funktioniert es.
Ein ehrlicher Hinweis zum Schluss des Handwerksteils: Ein Teil der klassischen Prompt-Tipps aus 2023 ist inzwischen überholt. Moderne Reasoning-Modelle – die „nachdenkenden" Varianten von GPT, Claude und Gemini – erledigen das schrittweise Durchdenken intern. Das berühmte „Denk Schritt für Schritt" schadet nicht, bringt bei diesen Modellen aber deutlich weniger als früher. Wichtiger geworden ist dafür der Kontext: Welche Informationen, Dokumente und Werkzeuge Sie dem Modell mitgeben, entscheidet heute stärker über die Qualität als jede Formulierungsfinesse. Die Branche hat dafür schon ein neues Schlagwort: Context Engineering.
Auch das spricht übrigens gegen das Auswendiglernen von Prompt-Formeln – und für das Verstehen der Mechanismen dahinter. Formeln veralten mit jeder Modellgeneration. Die psychologischen Muster bleiben.
Nein – und genau das ist der Punkt. Die Modelle verstehen Alltagssprache. Was Sie lernen sollten: präzise zu beschreiben, was Sie wollen, und die typischen Verhaltensmuster der Systeme zu kennen. Das ist in wenigen Stunden erlernbar und hält länger als jede Promptvorlage.
Als eigenes Berufsbild in der Breite: eher nein. Was Unternehmen brauchen, ist Prompt-Kompetenz in der Fläche – Mitarbeitende, die KI-Ausgaben einschätzen und steuern können. Der EU AI Act verlangt mit Artikel 4 ohnehin ausreichende KI-Kompetenz für alle, die beruflich mit KI arbeiten. Ein einzelner Spezialist ersetzt das nicht.
Weder noch. Entscheidend ist, ob die relevanten Informationen drinstehen: Ziel, Kontext, Adressat, Format, Grenzen. Ein präziser Dreizeiler schlägt eine unsortierte Textwand. Länge ist kein Qualitätsmaß – Klarheit ist eines.
Die Grundprinzipien ja, im Detail unterscheiden sich die Modelle. Genau deshalb lohnt es sich, Mechanismen statt Formeln zu lernen: Anker-Effekte, Schmeichelei und Kontext-Drift zeigen alle großen Modelle – unabhängig vom Anbieter.
Prompt Engineering als Geheimwissenschaft gibt es nicht. Was es gibt: Systeme mit erstaunlich menschenähnlichen Verhaltensmustern – und die Möglichkeit, diese Muster zu kennen und für sich zu nutzen. Wer versteht, dass ein Sprachmodell ankert, schmeichelt, spiegelt und driftet, schreibt automatisch bessere Prompts als jemand, der 10.000 Vorlagen gesammelt hat.
Mein Rat: Investieren Sie die Zeit, die Sie in Prompt-Sammlungen stecken würden, in das Verständnis der Mechanismen. Sortieren Sie vor jedem wichtigen Prompt kurz Ihre Gedanken entlang der zehn Bausteine. Und prüfen Sie Ergebnisse, nicht Erzählungen.
Genau das trainieren wir übrigens in unseren KI-Schulungen – nicht mit Promptvorlagen, sondern mit den Mechanismen dahinter. Falls Sie tiefer einsteigen wollen: Die zwölf Prinzipien aus der Maschinenpsychologie-Forschung habe ich in einem kostenlosen Praxis-Guide zusammengefasst.
"Ich schicke regelmäßig kostenlose Updates zum Thema KI, Sicherheit und Anwendungen."
Wählen Sie direkt einen freien Slot in meinem Kalender.
Schreiben Sie mir Ihr Anliegen — ich melde mich zeitnah.
