Es gibt unzählige Frameworks, Tricks und Prompt-Sammlungen dazu, wie man mit KI »besser« arbeitet. Ich glaube aber, dass wir mindestens genauso viel aus dem lernen, was nicht funktioniert. Deshalb möchte ich etwas frischen Wind in das bekannte »10 Prompts, die dein Leben verändern«-Narrativ bringen. Hier geht es nicht um den einen perfekten Prompt, sondern um Denkweisen und Techniken, die ich ausprobiert, verworfen oder angepasst habe.
Kurzes Haltbarkeitsdatum
Prompt-Tipps können schneller veralten als gedacht. Sie schaden nicht unbedingt, helfen mit neueren Modellen aber teilweise weniger als früher. Zu Beginn hieß es beispielsweise oft, man müsse die KI unbedingt »zum Denken anregen«. Bei aktuellen Reasoning-Modellen ist das oft unnötig denn sie sind bereits darauf ausgelegt, komplexe Aufgaben intern zu bearbeiten. Ähnliches kenne ich bei der Bildgenerierung. Früher musste ich negative Anweisungen oft umständlich umschreiben. Statt »keine Menschen« funktionierten Begriffe wie »leer« oder »einsam« zuverlässiger. Neuere Modelle verstehen direkte Ausschlüsse meist besser und ich muss gar nicht kompliziert mehr um die Ecke denken beim Prompten.
Mein Learning: Bevor ich einen Prompt übernehme, frage ich mich, für welches Modell und welchen Anwendungsfall er ursprünglich gedacht war.
Heute ist es 15 Prozent staubiger unter deinem Bett
Ich dachte lange: Viel definieren hilft viel. Ein Dauerbrenner lautet schließlich: »Gib der KI eine Rolle.« Also schrieb ich Dinge wie: »Du bist ein erfahrener Softwareentwickler mit 20 Jahren Berufserfahrung.« Das kann sinnvoll sein, wenn die Rolle tatsächlich eine bestimmte Perspektive, Fachsprache oder Bewertungslogik vorgibt. Bei klaren Transformationsaufgaben ist sie aber oft nur Dekoration. Ein Beispiel: »Wandle diesen Text in sauberes HTML um.« Dafür muss die KI weder preisgekrönt sein noch gut geschlafen haben. Auch die Information, dass es unter ihrem Bett heute 15 Prozent staubiger ist als sonst, erhöht die Qualität nicht.
Mein Learning: Ich musste erst lernen, mich zu trauen, simpel zu prompten.
Heute gibt es Menschenfleisch: Zutaten für den Kontexthexenkessel
Lange habe ich völlig unterschiedliche Fragen im selben Chat gestellt: »Wer war der letzte Kaiser von China?«, dann »Was könnte ich heute kochen?« Die KI schlägt deshalb nicht sofort Menschenfleisch vor, aber je länger und unübersichtlicher ein Chat wird, desto schwieriger kann es für das Modell werden, das Relevante zuverlässig zu gewichten. Deshalb nutze ich für größere Themen inzwischen getrennte Chats oder Projektbereiche. Aber auch zu viel Kontext zum selben Thema kann schaden. Wenn ich ein 30-seitiges Dokument einfüge, obwohl nur zwei Absätze relevant sind, verdünne ich das Signal.
Mein Learning: Nicht möglichst viel Kontext mitgeben, sondern möglichst relevanten.
KI-Hacking mal anders: Heute bin ich ein Mann
Es kommt nicht nur darauf an, wie ich prompte. Es kann auch eine Rolle spielen, für wen mich die KI hält. LLMs wurden mit menschlichen Texten trainiert – und damit auch mit menschlichen Vorurteilen. Sie können deshalb je nach Kontext unterschiedliche Empfehlungen geben, abhängig von Geschlecht, Herkunft oder anderen zugeschriebenen Merkmalen. Bei Karriere-, Gehalts- oder Technikfragen habe ich deshalb manchmal ausprobiert, personenbezogene Angaben wegzulassen oder die Antwort ausdrücklich unabhängig vom Geschlecht formulieren zu lassen. Bei Gesundheitsfragen gilt für mich das Gegenteil. Hier kann es entscheidend sein, Alter und Geschlecht ausdrücklich zu nennen. Sonst erhalte ich schnell allgemeine Standardempfehlungen, die wichtige Unterschiede nicht berücksichtigen.
Mein Learning: Auch das Bild, das die KI von mir konstruiert, ist Teil der Antwort.
Nobelpreisverdächtig! Grüße aus der Selbstbestätigungsbubble
Antworten von GenAI klingen manchmal erstaunlich schleimig. Eine mittelmäßige Idee wird schnell zu einem »faszinierenden und innovativen Ansatz«. Deshalb nutze ich »Sei mein gnadenloser Coach«, »Spiele Devil’s Advocate« oder »Was würde ein Kritiker daran bemängeln?« Das hilft, Schwächen und Gegenargumente sichtbar zu machen. Aber Vorsicht: Auch gnadenloses Feedback bleibt eine Simulation. Ich ersetze so nur die Bestätigungsbubble durch eine Kritikbubble, alles klingt plötzlich schlecht, weil ich darum gebeten habe.
Mein Learning: Kritische Rollen sind nützlich, ersetzen aber keine echte Reibung. Die bekomme ich weiterhin zuverlässiger von Menschen.
Captain Obvious schlägt wieder zu
KI liefert häufig die wahrscheinlichste und damit naheliegendste Antwort. Beim Brainstorming führt das schnell zu bekannten Vorschlägen, die niemanden überraschen. Deshalb frage ich inzwischen bewusst nach den Rändern: »Was wäre ein unwahrscheinliches Nutzungsszenario?« oder »Wie könnten Menschen diese Website anders verwenden als vorgesehen?« oder »Wie würde ein Alien versuchen, diese Website zu bedienen?« Moment: Oben behaupte ich, Rollen seien unnötig, und jetzt schicke ich ein Alien ins Rennen? Der Unterschied liegt in der Funktion. Der »erfahrene Softwareentwickler« ist nur Prompt-Overhead, das Alien ist ein gezielter Perspektivwechsel. Es soll gewohnte Annahmen brechen.
Mein Learning: Wenn ich überraschende Antworten will, muss ich gezielt nach den Rändern fragen.
Licht an, aber keiner daheim
Ich wollte mit GenAI Ideen für ein Titelbild entwickeln. Meine eigenen Ideen: keine. Mein Wissen über Gestaltung: überschaubar. Das Ergebnis war eine Kollision aus Mittelmaß und Unwissen – und ungefähr eine Stunde Zeitverschwendung. KI kann Varianten erzeugen, Perspektiven ergänzen und bestehende Ideen weiterentwickeln. Sie ersetzt aber nicht automatisch die Urteilskraft, die ich brauche, um gute von schlechten Ergebnissen zu unterscheiden.
Diesen Gedanken habe ich in meinem Beitrag »Warum GenAI für mich kein Werkzeug mehr ist und wie das meine Denkweise verändert« ausführlicher beschrieben. Bei bestimmten Aufgaben ist KI weniger Werkzeug als Spiegel. Sie kaschiert fehlende Klarheit, fehlendes Vorwissen oder mangelnde Urteilskraft nicht, sondern macht sie gnadenlos sichtbar.
»AI Slop ist formal glatter, geistloser Inhalt, dessen Beliebigkeit erheblichen Nacharbeitsaufwand erzeugen kann. Die unbequeme Wahrheit dahinter lautet: Ist der Output geistlos, war es der Input auch. AI Slop entsteht nicht in der KI, sondern vor dem Bildschirm.«
Anja Enderle, Fraunhofer IAO
Mein Learning: Aus Inkompetenz wird durch KI nicht automatisch Brillanz, sondern AI-Slop.
Abschauen bringt nichts, es ist wie in der Schule
Eine Zeit lang habe ich Prompt-Techniken aus Social Media übernommen: XML-Tags, Markdown-Strukturen, Großbuchstaben, feste Reihenfolgen, möglichst viele Regeln. Warum? Weil ein Beitrag mit 5000 Likes behauptet hatte, dass es funktioniert. Mein Fehler war nicht, sie auszuprobieren. Mein Fehler war, sie zu kopieren, ohne ihren Zweck zu verstehen. Ich nenne das inzwischen »Cult-Prompting«: Ich ahme eine Form nach und hoffe auf magische Wirkung. Solche Frameworks können beim Einstieg helfen. Naturgesetze sind sie nicht. Entscheidend ist weniger, ob mein Prompt dem richtigen Schema folgt, sondern ob Aufgabe, Ziel und Kriterien verständlich sind. Prompts sind für mich deshalb keine Zaubersprüche. Sie sind kodifizierte Denk- und Arbeitsweisen. Ein Prompt, der meinem Kollegen hilft, kann meinen Arbeitsfluss behindern. Wir haben unterschiedliche Stärken, Schwächen und Prozesse.
Mein Learning: Nicht die Form kopieren, sondern verstehen, welches Problem sie lösen soll und ob es zu meiner Arbeitsweise passt.
Meine Katze lief übers Klavier – oder: kreativ mit KI sein
Für kreative Aufgaben drehte ich an den vermeintlich offensichtlichen Stellschrauben: Temperatur hoch, Beispiele mitgeben, damit sie versteht, was ich suche. Beides funktionierte oft nicht. Es fühlte sich an, als würde zum Komponieren eine Katze übers Klavier laufen. Eine höhere Temperatur macht Antwort variabler, aber nicht automatisch origineller, denn unwahrscheinlich ist nicht dasselbe wie überraschend gut. Es ist der Unterschied zwischen einem Jazzmusiker, der improvisiert, und jemandem, der zufällig auf Tasten haut.
Auch Beispiele können kreatives Arbeiten ungewollt einengen. Few-Shot-Prompting ist hervorragend darin, Muster zu vermitteln. Genau das kann zum Problem werden, wenn ich Muster brechen möchte. Drei Beispielüberschriften hinein, eine verblüffend ähnliche vierte heraus.
Mein Learning: Bei kreativen Aufgaben lasse ich Beispiele häufiger weg.
Den Spieß umdrehen
Lange dachte ich, ich müsse im ersten Prompt bereits alles vollständig erklären: Ziel, Zielgruppe, Ton, Format, Einschränkungen und Sonderfälle. Das führte vor allem zu sehr langen Prompts. Inzwischen drehe ich den Spieß bei komplexeren Aufgaben manchmal um. Statt selbst zu erraten, welche Informationen fehlen, lasse ich die KI fragen: »Bevor du beginnst: Was fehlt dir, um die Aufgabe optimal zu erfüllen? Stelle maximal fünf Fragen.« Die Rückfragen zeigen mir nicht nur, was die KI benötigt, sondern auch, wo meine eigenen Gedanken noch Lücken haben. Bei einfachen Aufgaben produziert das allerdings nur unnötige Rückfragen.
Mein Learning: Manchmal muss ich nicht den perfekten Prompt schreiben, sondern zuerst herausfinden, was ich eigentlich will.
Warum muss ich eigentlich noch prompten?
Nach all den Rollen, Frameworks und Prompt-Experimenten bleibt für mich eine grundsätzliche Frage: Warum muss ich eigentlich noch so viel prompten? Angestoßen wurde dieser Gedanke durch Ethan Mollicks Artikel »Claude Dispatch and the Power of Interfaces«. Mollick argumentiert, dass KI häufig leistungsfähiger ist, als es sich bei der Arbeit mit ihr anfühlt. Das Problem ist nicht immer das Modell – sondern die Oberfläche.
Als ChatGPT 2022 veröffentlicht wurde, war es vor allem eines: ein Chatfenster. Text rein, Text raus. Es war keine fertige Produktivitätsplattform, als die es heute verkauft wird. Ein öffentlicher Test, um zu verstehen, wie Menschen mit einem Sprachmodell umgehen, wo es hilft und wo es scheitert. Für den Einstieg war das perfekt: schnell, niedrigschwellig und sofort verständlich. Also versuchten wir, aus diesem Chatfenster das Maximum herauszuholen, mit besseren Prompts, Rollen, Tricks, Frameworks und Ratgebern.
Chat ist ein schlechtes Interface für komplexe Aufgaben
Doch komplexe Arbeit besteht selten nur aus einzelnen Fragen und Antworten. Sie besteht aus Dateien, Wissen, Regeln, Abstimmungen, Entscheidungen, Werkzeugen und wiederkehrenden Prozessen. All das immer wieder in ein Chatfenster zu übertragen, kostet Zeit und erzeugt neue Reibung.
» Vielleicht habe ich von Prompts lange zu viel verlangt: Sie sollen fehlenden Kontext, schlechte Oberflächen, mangelnde Integration und meine eigene Unklarheit kompensieren.«
Anja Enderle, Fraunhofer IAO
Ich glaube die nächste Phase wird deshalb nicht nur durch leistungsfähigere Modelle entschieden. Entscheidend werden Systeme, die Modell, Oberfläche, Kontext und Handlungsmöglichkeiten zusammenbringen – dort, wo die Arbeit tatsächlich stattfindet. Schöner scheitern heißt für mich inzwischen auch: erkennen, wann das Problem gar nicht mein Prompt ist.
Leselinks:
Fraunhofer IAO | Mensch-Technik-Interaktion
