KI-Prompts verbessern: 12 Korrekturen, die wirken
Du brauchst selten einen längeren Prompt – du brauchst einen schärferen. Zwölf konkrete Korrekturen, jede mit Vorher und Nachher zum Kopieren.
Die meisten schwachen Prompts sind nicht schwach, weil sie kurz sind. Sie sind schwach, weil sie das Modell über Entscheidungen rätseln lassen, die du im Kopf längst getroffen hast – wer das liest, wie lang es sein soll, was „gut“ für genau diese Aufgabe bedeutet. Jede Lücke, die du lässt, wird mit dem statistischen Durchschnitt aus allem gefüllt, was je zu dem Thema geschrieben wurde. Der statistische Durchschnitt ist beige.
Unten stehen zwölf Korrekturen. Keine davon braucht ein Framework, eine Vorlagenbibliothek oder ein ganzes Wochenende. Jede ist ein oder zwei Sätze, die du an einen bestehenden Prompt anschraubst. Nimm den letzten Prompt, den du geschrieben hast, halte ihn in einem zweiten Tab offen und flick ihn beim Lesen.
Entscheide zuerst die Form der Antwort
Korrektur 1: Nenne das Ausgabeformat. Nicht „schreib mir eine Zusammenfassung“, sondern „eine Markdown-Tabelle mit diesen drei Spalten, maximal sechs Zeilen“. Ein Modell, das um etwas Strukturiertes gebeten wird, überlegt sorgfältiger, was in die Struktur passt. Brauchst du maschinenlesbare Ausgabe, buchstabier das Schema aus – ein JSON-Prompt-Builder erspart dir, die Schlüsselnamen zweimal von Hand zu tippen.
Korrektur 2: Setz ein Längenlimit in Einheiten, die das Modell zählen kann. „Kurz“ ist eine Stimmung. „Unter 120 Wörter“ ist eine Regel. Wortzahlen, Stichpunktzahlen, Satzzahlen und Zeilenzahlen funktionieren; „knapp“ und „knackig“ nicht.
Korrektur 3: Zeig ein Beispiel des gewünschten Ergebnisses. Eines reicht meistens. Eine einzige konkrete Probe vermittelt Ton, Rhythmus, Zeichensetzung und Detailtiefe schneller als drei Absätze Beschreibung es je könnten.
Benenne die Leserin, dann die Schreiberin
Korrektur 4: Nenne die Zielgruppe. „Erklär Webhooks“ liefert einen Wikipedia-Stub. „Erklär Webhooks einer Marketingmanagerin, die schon eine Zapier-Automatisierung aufgesetzt, aber nie Code geschrieben hat“ liefert etwas, das ein Mensch tatsächlich an eine Kollegin weiterleiten würde. Die Zielgruppe steuert Wortwahl, vorausgesetztes Vorwissen und welche Einwände beantwortet werden.
Korrektur 5: Gib eine Rolle, die das Urteil verändert, nicht nur die Stimme. „Du bist ein hilfreicher Assistent“ ändert nichts. „Du bist Code-Reviewer und suchst ausschließlich Sicherheitsprobleme – Stil ist dir egal“ ändert, was gemeldet wird. Der Test für eine gute Rolle: Sorgt sie dafür, dass das Modell etwas *weglässt*, das es sonst mitgenommen hätte? Wenn nicht, ist sie Dekoration. Rollen-Prompts behandeln wir ausführlicher in unserem Text zu den Grundlagen des Prompt Engineering, und richtig stark werden sie, sobald du sie in einen wiederverwendbaren System-Prompt verschiebst.
Ersetz Stimmungswörter durch Messbares
Korrektur 6: Jedes vage Qualitätswort in deinem Prompt ist eine Stelle, an der du und das Modell still aneinander vorbeireden. Tausch sie gegen etwas Überprüfbares:
- aus „ansprechend“ wird „beginnt mit einer Frage, die Leser wirklich in eine Suchmaske tippen“
- aus „professionell“ wird „keine Umgangssprache, keine Ausrufezeichen, keine rhetorischen Fragen“
- aus „umfassend“ wird „behandelt diese fünf Unterthemen, je ein Absatz“
- aus „prägnant“ wird „unter 150 Wörter“
- aus „kreativ“ wird „keine Metaphern mit Reisen, Rezepten oder Bausteinen“
Das Muster: Wenn zwei vernünftige Menschen die Ausgabe unterschiedlich bewerten könnten, macht das Wort seinen Job nicht. Genau daran scheitert die Hälfte der Einträge in unserer Liste häufiger Prompting-Fehler.
Gib heraus, was das Modell unmöglich wissen kann
Korrektur 7: Das Modell hat viel gelesen, aber nicht dein Postfach. Den meisten enttäuschenden Antworten fehlt ein Fakt, den du nie geliefert hast. Bevor du dich über die Ausgabe beschwerst, prüf, ob du Folgendes mitgegeben hast:
- die Rahmenbedingung, in der du arbeitest (Budget, Deadline, Tooling, Länge des fertigen Textes)
- die Entscheidung, die schon gefallen ist und die du nicht neu aufmachen willst
- was du vorher probiert hast und warum es nicht funktioniert hat
- den Einwand, den die Leserin haben wird
- wie „Erfolg“ für genau diese Nachricht aussieht
Bau Zäune um die Antwort
Korrektur 8: Sag, was zu vermeiden ist. Negative Vorgaben sind billig und unverschämt wirksam – drei verbotene Floskeln, ein verbotener Blickwinkel und eine verbotene Struktur entfernen den größten Teil dessen, was du ohnehin herausredigiert hättest. Bei Bildern zählt das noch mehr, dort ist ein Negativ-Prompt-Helfer oft der Unterschied zwischen brauchbar und unheimlich.
Korrektur 9: Sag ihm, was es tun soll, wenn es etwas nicht weiß. Ohne Vorgabe löst ein Modell Unsicherheit auf, indem es etwas Plausibles produziert. Mit einer ausdrücklichen Notausstiegsklausel nutzt es sie. Diese eine Anweisung killt die meisten erfundenen Statistiken, Fake-Quellen und selbstsicher falschen Datumsangaben.
Ein Prompt, eine Aufgabe
Korrektur 10: Zerleg mehrteilige Anfragen. Ein Prompt, der Recherche, Gliederung, Entwurf und Überschrift verlangt, erledigt alle vier mittelmäßig, weil das Modell seine Aufmerksamkeit über die gesamte Anfrage verteilt. Lauf sie als vier Runden, und jede bekommt volle Kraft – dazu bekommst du zwischen den Schritten einen Kontrollpunkt, an dem du korrigieren kannst, bevor sich der Fehler fortpflanzt. Dasselbe gilt, wenn du Prompts zu einem Workflow verkettest, und genau dort verdient sich ein Prompt-Generator sein Geld: ein sauberer Startprompt pro Stufe statt eines überladenen Monsters.
Korrektur 11: Fordere Begründungen nur an, wenn die Aufgabe sie wirklich braucht. Schritt-für-Schritt-Denken hilft bei Mathematik, Terminplanung mit mehreren Nebenbedingungen, Logikrätseln, Debugging und allem, wo ein früher Fehler alles Nachfolgende vergiftet. Bei einer Tonanpassung oder einer Betreffzeile bläht es die Antwort nur mit Erzählung auf, über die du hinwegscrollst. Wenn du es willst, benenne die Schritte konkret – ein Gedankenketten-Builder strukturiert das besser, als ein „denk Schritt für Schritt“ anzuhängen, und der ausführliche Guide zeigt, wann es nach hinten losgeht.
Reparier die Antwort, statt neu anzufangen
Korrektur 12: Wenn die Ausgabe zu 80 % stimmt, ist die Versuchung groß, den Prompt komplett neu zu schreiben – und dabei die 80 % zu verlieren. Zeig stattdessen auf den konkreten Mangel:
- „Behalt alles. Ersetz Absatz 3 – er wiederholt Absatz 1.“
- „Gleiche Struktur, aber alle Beispiele aus dem Gesundheitswesen statt aus dem Handel.“
- „Streich 40 Wörter. Nimm sie aus der Einleitung, nicht aus den Schritten.“
- „Der Ton ist zwei Stufen zu begeistert. Triff den Ton dieser Zeile: [einfügen].“
Und dann – das ist der Teil, den alle überspringen – arbeitest du die Korrektur in den Prompt ein, damit du dieselbe Anmerkung nie zweimal gibst. So wird aus einem brauchbaren Prompt ein wiederverwendbarer. Wenn du das nicht von Hand machen willst, schick das Original durch einen Prompt-Optimierer oder gib die unsaubere Fassung an einen Prompt-Umschreiber und vergleich.
Du weißt nicht, welche der zwölf deinem Prompt fehlt? Füg ihn in die Prompt-Analyse ein, und sie zeigt dir, welche Felder leer sind. Und wenn du Prompts von Grund auf baust, statt alte zu flicken, starte mit wie du KI-Prompts schreibst und komm für den Feinschliff hierher zurück.
