Häufige Prompting-Fehler und wie du sie behebst
Die meisten schlechten KI-Antworten gehen auf eine Handvoll vermeidbarer Prompt-Fehler zurück. Hier sind sie – jeder mit einer schnellen, konkreten Lösung.
Die meiste schlechte KI-Ausgabe ist nicht das Modell, das dumm ist. Es ist ein Prompt, der leise angenommen hat, das Modell könne deine Gedanken lesen, dein Format erraten und den Kontext erschließen, der in deinem Kopf sitzt. Die gute Nachricht: Prompting-Fehler sind langweilig wiederkehrend. Sobald du sie benennen kannst, erkennst du sie in deinen eigenen Entwürfen, bevor du auf Senden drückst. Hier sind die zehn, über die Leute am meisten stolpern, jeder mit einer Lösung, die du in den nächsten fünf Sekunden anwenden kannst, und, wo es hilft, einer Umschreibung von schwach zu behoben.
Das Modell weiß nur, was du auf die Seite bringst
Drei der häufigsten Fehler teilen eine einzige Wurzel: Du trägst Informationen mit dir, die das Modell nie erhalten hat.
Der erste ist, eine Anfrage so offen zu schreiben, dass sie auf hundert Arten beantwortet werden könnte. „Fass das zusammen" – wie lang, für wen, welche Details behaltend? Du kennst die Antwort bereits, also fühlt sich die Lücke unsichtbar an.
Der zweite ist, Rolle oder Kontext ganz auszulassen. Ein Modell ohne Rahmung fällt auf eine blasse Durchschnitt-des-Internets-Stimme zurück. Gib ihm einen Job und eine Zielgruppe, und das Register schnappt in den Fokus.
Der dritte ist der heimtückische: anzunehmen, das Modell kenne deinen privaten Kontext. Dein Produktname, dein Kunde, die Entscheidung von letzter Woche, der Ton, den dein Chef hasst – nichts davon existiert für das Modell, es sei denn, du tippst es. Es erfindet stattdessen fröhlich einen plausiblen Ersatz.
Die behobene Version ist nicht länger um der Länge willen. Jede zusätzliche Angabe schließt eine Lücke, die das Modell sonst durch Raten füllen würde. Wenn Antworten generisch zurückkommen, ist der Prompt meist auch generisch, und die Lösung ist, die Details herauszurücken, die du für dich behalten hast. Wenn du ein zweites Paar Augen darauf willst, wie viel Kontext du tatsächlich lieferst, schick einen Entwurf durch die Prompt-Analyse, bevor du dem Modell die Schuld gibst.
- Nenne Zielgruppe und Ziel im selben Satz.
- Füge die Fakten ein, die das Modell nicht kennen kann: Namen, Zahlen, frühere Entscheidungen.
- Gib ihm nur dann eine Rolle, wenn die Rolle die Antwort verändert (ein Anwalt, eine Lehrerin, ein Skeptiker).
Sag ihm, wie „fertig" aussieht
Du kannst eine Aufgabe perfekt beschreiben und trotzdem etwas Unbrauchbares bekommen, weil du nie gesagt hast, welche Form die Antwort annehmen soll. Willst du eine Tabelle, drei Stichpunkte, ein JSON-Objekt, einen einzelnen Absatz? Das Modell wählt für dich, und es wählt selten, was du im Sinn hattest.
Eng verwandt ist das Setzen auf vage Qualitätswörter. „Mach es professionell." „Schreib etwas Gutes." „Halt es fesselnd." Das fühlt sich wie Anweisungen an, trägt aber fast kein Signal, denn „professionell" könnte für dich knapp bedeuten und für das Modell vollgestopft mit Corporate-Füllwörtern. Ersetze das Adjektiv durch ein beobachtbares Merkmal.
Und wenn das Format, das du willst, ungewöhnlich ist, beschreibe es und zeig dann ein Beispiel. Regeln allein lassen zu viel Spielraum; eine einzige Probe bringt die Mehrdeutigkeit sofort zum Einsturz. Das ist der Alltagsfall für Few-Shot- versus Zero-Shot-Prompting – du brauchst keine zehn Beispiele, ein gut gewähltes erledigt den Job meist.
Ein Prompt, ein Job
Es gibt eine starke Versuchung, einen Mega-Prompt zu schreiben: das Thema recherchieren, gliedern, schreiben, faktenprüfen und als Newsletter formatieren. Das Modell versucht, alle fünf auf einmal zu tun, und erledigt jeden bei vielleicht siebzig Prozent, lässt dann einen ganz fallen, weil ihm die Aufmerksamkeit ausging. Die Reasoning-Qualität sinkt, wenn du Jobs auf eine einzige Anfrage häufst.
Teil die Arbeit auf. Hol die Gliederung, sieh sie dir an, bitte dann um den Entwurf aus dieser Gliederung. Du behältst zwischen jeder Stufe einen Checkpoint, an dem du nachsteuern kannst, und jeder Schritt bekommt die volle Aufmerksamkeit des Modells. Die zusätzliche Extrarunde kostet dich ein paar Sekunden und erspart dir, einen verworrenen Ausgabeblock umzuschreiben, der die Hälfte deiner Absicht verfehlt hat.
- Mehrteiliges Ergebnis? Eine Stufe pro Nachricht.
- Behalte die Ausgabe jedes Schritts als Eingabe für den nächsten.
- Wenn ein Prompt mehr als ein „und dann" hat, sind es wahrscheinlich zwei Prompts.
Gib ihm Raum, menschlich zu klingen
Der gegenteilige Fehlschlag ist Überkorrektur. Du hast dich an vagen Prompts verbrannt, also schreibst du jetzt eine Wand aus Vorgaben: genau 100 Wörter, genau vier Sätze, muss diese sechs Phrasen enthalten, keine Kommas, formell, aber freundlich, und so weiter. Das Modell gehorcht, und das Ergebnis liest sich, als hätte es jemand beim Ausfüllen einer Steuererklärung zusammengesetzt. Jede Vorgabe, die du hinzufügst, ist ein Freiheitsgrad, den du wegnimmst, und ab einem Punkt wird das Schreiben steif und leblos.
Beschränke die Dinge, die wirklich zählen – Länge, Format, ein Fakt, der auftauchen muss – und lass den Rest offen, damit das Modell tatsächlich schreiben kann. Wenn du nicht sicher bist, welche deiner Regeln tragend sind, kann ein Prompt-Optimierer helfen, den Prompt auf die Vorgaben zurückzuschälen, die die Ausgabe verändern, und die fallen zu lassen, die nur Rauschen hinzufügen.
Plane für den Moment, in dem es etwas nicht weiß
Modelle hassen es, „Ich weiß nicht" zu sagen. Sich selbst überlassen, produzieren sie eine selbstsichere, gut formatierte, völlig erfundene Antwort, statt eine Lücke zuzugeben. Der Fehler ist, ihm nie zu sagen, was zu tun ist, wenn es unsicher ist – so wird Halluzination zum Weg des geringsten Widerstands.
Gib ihm eine Notluke und die Erlaubnis, sie zu nutzen.
Den Rückfall zu benennen – „sag, dass du unsicher bist", „markiere es", „liste auf, was du zum Beantworten bräuchtest" – verwandelt eine erfundene Antwort in eine ehrliche. Es ist der mit Abstand günstigste Schutz vor selbstsicherem Unsinn, und er kostet einen Satz.
Repariere den Prompt, brenn ihn nicht nieder
Wenn die Ausgabe enttäuscht, ist der Instinkt, alles wegzuwerfen und von Grund auf neu zu schreiben. Meist ist das verschwenderisch. Ein Fast-Treffer sagt dir genau, welche eine Sache anzupassen ist. Ist der Ton daneben, korrigiere den Ton und behalte den Rest. Hat es eine Vorgabe ignoriert, stell sie nach oben oder mach sie lauter. Behandle Prompting als Dialog mit kleinen Änderungen, nicht als Spielautomat, an dem du immer weiter ziehst.
Iterieren schlägt Neustarten, weil dir jede Version etwas darüber beibringt, wie das Modell deine Worte gelesen hat. Speichere die Prompts, die funktionieren, notiere, was du geändert hast, und dein nächster erster Entwurf startet besser. Wenn du die volle Methode hinter dieser Schleife willst, führen dich wie du KI-Prompts schreibst und die Grundlagen des Prompt Engineering durch das Bauen von Prompts, die von Anfang an weniger Runden brauchen.
Keine dieser Lösungen ist clever. Sie sind einfach der Unterschied zwischen dem Modell zu sagen, was du willst, und zu hoffen, dass es rät. Tu das konsequent, und die Klagen „die KI ist schlecht darin" verschwinden größtenteils.
