Prompt Engineer werden: Skills, Portfolio und echte Jobchancen
Prompt Engineer wurde fast über Nacht zum Jobtitel. Hier erfährst du, wie die Arbeit wirklich aussieht, welche Skills dir einen Job bringen und wo die Stellen heute tatsächlich sind.
2023 wurde „Prompt Engineer“ quasi über Nacht von einem seltsamen Begriff zum Jobtitel mit Schlagzeilen-Garantie – inklusive atemloser Geschichten über Leute, die fürs Chatten mit einem Bot bezahlt werden. Reine Prompt-Engineer-Stellen sind inzwischen seltener, weil Unternehmen die Arbeit in bestehende Rollen eingebaut haben. Die Fähigkeit selbst ist aber geblieben. Eher im Gegenteil: Sie hat sich ausgebreitet. Produktteams, Entwickler, Content-Verantwortliche und Support-Leitungen brauchen alle jemanden, der ein Sprachmodell zuverlässig zum Laufen bringt. Wenn du also wissen willst, wie du Prompt Engineer werden kannst, lautet die ehrliche Antwort: Du lernst ein Skillset, das dich in vielen Rollen wertvoll macht – und manchmal bekommt es sogar einen eigenen Titel.
Was Prompt Engineers den ganzen Tag wirklich machen
Der Arbeitsalltag erinnert eher an Produkttests als an Feilen an Formulierungen.
- Prompts und System-Prompts entwerfen. Die dauerhaften Anweisungen schreiben, die festlegen, wie sich ein Modell in einer App verhält: Rolle, Ton, Grenzen, Ausgabeformat.
- Evaluationssets aufbauen. Realistische Eingaben sammeln – auch die hässlichen – und für jede festlegen, wie eine gute Antwort aussieht.
- Grenzfälle testen. Leere Eingaben, feindselige Nutzer, mehrdeutige Anfragen, sehr lange Dokumente, andere Sprachen.
- Mit Belegen iterieren. Eine Sache ändern, das Testset neu durchlaufen lassen und die Ergebnisse vergleichen, statt sich aufs Bauchgefühl zu verlassen.
- Mit Produkt und Entwicklung zusammenarbeiten. „Lass es freundlicher klingen“ in konkrete Anweisungen übersetzen und Entwicklern erklären, warum ein Prompt bei bestimmten Eingaben scheitert.
Ein guter Prompt Engineer verbringt mehr Zeit damit, Modellausgaben zu lesen, als Prompts zu schreiben. Herauszufinden, ob es funktioniert hat, ist der schwierige Teil.
Der Arbeitsmarkt, ehrlich betrachtet
Wenn du in Jobbörsen nach dem exakten Titel suchst, findest du deutlich weniger Anzeigen, als der Hype vermuten ließ. Suchst du nach der Fähigkeit, sieht das Bild anders aus. Prompting und LLM-Evaluation tauchen als Anforderung in Rollen wie diesen auf:
- AI Product Manager oder Produktspezialist, der mitgestaltet, wie sich ein Modell in einem Feature verhält.
- Entwickler für LLM-Anwendungen, der Chat-, Retrieval- und Agenten-Features auf Basis von Modell-APIs baut.
- Content Operations, also KI-gestützte Workflows für Marketing, Dokumentation oder Lokalisierung.
- KI-Trainer oder Datenannotator, der Antworten schreibt und bewertet, mit denen Modelle trainiert und evaluiert werden.
- Solutions Engineer oder KI-Berater, der Kunden hilft, Modelle für ihre eigenen Probleme einzusetzen.
Die Bezahlung schwankt stark je nach Rolle, Unternehmen und Region – wer dir eine einzige Zahl nennt, rät. Schau dir echte, aktuelle Anzeigen in deiner Region und auf dem Remote-Markt an, um zu sehen, was Arbeitgeber für die Rollen, die dich interessieren, tatsächlich zahlen.
Die Kernkompetenzen, die du brauchst
- Klares Schreiben. Wenn du einem Menschen eine Aufgabe nicht präzise erklären kannst, schaffst du es bei einem Modell auch nicht. Konkret schlägt clever – jedes Mal.
- Strukturiertes Denken. Ein unübersichtliches Ziel in Schritte, Vorgaben und ein Ausgabeformat zerlegen.
- Eine Evaluations-Denkweise. Erst fragen „Woran würde ich merken, dass das falsch ist?“, dann „Sieht das gut aus?“.
- LLM-Grundlagen. Tokens, das Kontextfenster, Temperature und warum Modelle Halluzinationen produzieren. Ein Token-Zähler macht Kontextgrenzen schnell greifbar.
- Etwas Scripting. Genug Python oder JavaScript, um eine Modell-API aufzurufen, Testfälle in einer Schleife durchzugehen und die Ergebnisse zu speichern.
- Strukturierte Ausgaben. Ein Modell dazu bringen, gültiges JSON zu liefern, das ein anderes System verarbeiten kann. Ein JSON-Prompt-Generator zeigt dir die Muster, die sich bewähren.
Fachwissen ist dein heimlicher Vorteil. Eine Pflegekraft, eine Juristin, ein Steuerberater oder eine Lehrerin, die Prompting lernen, können die Qualität von Ausgaben in ihrem Fachgebiet viel besser beurteilen als ein Generalist. Diese Kombination ist deutlich schwerer zu ersetzen als Prompting allein.
Ein Lernpfad, Schritt für Schritt
So kannst du Prompt Engineer werden, ohne Monate mit verstreuten Tutorials zu verschwenden:
- Grundlagen. Lerne Rolle, Kontext, Aufgabe, Vorgaben und Format. Fang mit den Grundlagen des Prompt Engineering an.
- Techniken. Few-Shot-Beispiele, Chain-of-Thought-Prompting, Zerlegung in Teilaufgaben und Selbstkritik. Danach geht es mit fortgeschrittenem Prompt Engineering weiter – Prompt Chaining und Tricks für mehr Zuverlässigkeit.
- System-Prompts. Schau dir an, wie dauerhafte Anweisungen ein ganzes Produkt prägen. Der Leitfaden zu System-Prompts erklärt den Aufbau, und ein System-Prompt-Generator liefert dir Entwürfe zum Auseinandernehmen.
- Evaluationen. Bau ein kleines Testset und ein Bewertungsraster und bewerte Ausgaben konsistent. Diesen Schritt überspringen die meisten Autodidakten – und genau er ist Arbeitgebern am wichtigsten.
- APIs. Ruf ein Modell per Code auf, steuere die Temperature und lass ein Testset automatisch laufen.
- Ein echtes Projekt. Bau etwas von Anfang bis Ende: einen Support-Bot, einen Dokument-Extraktor oder einen einfachen Workflow. Sobald dir einzelne Prompts leichtfallen, ist das Thema KI-Agenten ein guter nächster Schritt.
Hier ist ein System-Prompt-Entwurf, den du für ein Übungsprojekt anpassen kannst:
Evaluationen, die deine Arbeit belegen
Evals sind das, was eine Karriere im Prompt Engineering von gelegentlichem Herumprobieren unterscheidet. Du brauchst zwei Dinge: Testeingaben, die realistische und knifflige Fälle abdecken, und eine einheitliche Art, die Ergebnisse zu bewerten. Ein Modell kann dir bei beidem helfen.
Ein Generator für Testfälle:
Ein Prompt mit Bewertungsraster, um Ausgaben zu benoten:
Prüf den Bewerter selbst stichprobenartig an einer Handvoll Fälle. Ein Modell, das ein Modell bewertet, kann dieselben blinden Flecken haben – dein eigenes Urteil bleibt also gefragt. Wenn du Entwürfe vorher durch eine Prompt-Analyse schickst, erwischst du vage Anweisungen, bevor du Zeit in einen kompletten Eval-Durchlauf steckst.
Ein Portfolio, das auffällt
Ein Portfolio schlägt jedes Zertifikat, weil es Belege liefert. Ziel sind drei oder vier dokumentierte Fallstudien, die jeweils dieselben Fragen beantworten:
- Das Problem. Was das Modell leisten sollte und für wen.
- Vorher und nachher. Der erste Prompt, der finale Prompt und Beispielausgaben von beiden.
- Testergebnisse. Wie viele Fälle du durchlaufen hast, die Werte vorher und nachher und welche Fehler noch bestehen.
- Was du gelernt hast. Die Änderungen, die etwas gebracht haben, und die, die nichts bewirkt haben.
Stell Prompts, Testsets und Skripte mit einer verständlichen README pro Projekt auf GitHub. Wähl unterschiedliche Probleme: eine Extraktionsaufgabe mit JSON-Ausgabe, einen Gesprächsassistenten mit System-Prompt, einen Content-Workflow und idealerweise eins aus deinem eigenen Fachgebiet. Ein ehrliches „Bei sarkastischen Eingaben scheitert das noch“ wirkt glaubwürdiger, als Perfektion zu behaupten.
Wo du Arbeit findest und wie du dich verkaufst
Weil der eigene Titel selten ist, solltest du breiter suchen: „LLM“, „Generative AI“, „KI-Content“, „KI-Evaluation“, „AI Trainer“ und „Applied AI“ bringen passende Rollen zum Vorschein. Diese Wege funktionieren außerdem gut:
- In deinem aktuellen Job. Biete an, einen Teamprozess mit KI zu verbessern, miss die eingesparte Zeit und mach daraus deine erste Fallstudie.
- Freelance-Projekte. Kleine Unternehmen brauchen Hilfe bei Assistenten, Content-Workflows und internen Tools. Steck den Umfang eng ab und liefere neben den Prompts auch Testergebnisse.
- Annotations- und Evaluationsplattformen. Nicht glamourös, aber du sammelst echte Erfahrung mit Evaluationen.
- Communitys und Open Source. Wer Prompt-Sets oder Eval-Tools zu öffentlichen Projekten beisteuert, wird gesehen.
Wenn du dich verkaufst, fang mit Ergebnissen an, nicht mit Techniken. „Falsche Antworten unseres Support-Bots auf einem Testset mit 50 Fällen reduziert“ kommt besser an als „Experte für Few-Shot und Chain-of-Thought“.
Noch ein paar ehrliche Hinweise, falls du noch überlegst, ob du Prompt Engineer werden willst. Zertifikate zählen viel weniger als Belege, die du vorzeigen kannst. Sei skeptisch bei Kursen, die einen garantierten Job oder ein bestimmtes Gehalt versprechen – das kann kein Kurs halten. Und rechne damit, dass sich die Tools ständig ändern: Die beständigen Fähigkeiten sind klares Denken, sorgfältiges Testen und Fachwissen in deinem Bereich – genau deshalb lohnt es sich, sie aufzubauen. Jeder Prompt Engineer, der diese Fähigkeiten pflegt, bleibt gefragt, lange nachdem die heutigen Tricks veraltet sind.
