Prompt Engineering für Unternehmen: Der praktische Leitfaden

Zwei Menschen, dieselbe KI, völlig unterschiedliche Ergebnisse. Der Grund ist fast nie das Modell — es ist die Frage. „Prompt Engineering“ klingt technisch, meint aber schlicht: die Kunst, einer KI so klare Anweisungen zu geben, dass brauchbare Antworten herauskommen. Anthropic bringt es auf den Punkt: gezieltes Prompting ist „essential“ — in einem Unternehmens-Case verbesserte es die Genauigkeit eines Kunden-Chatbots um 20 %.

Das lohnt sich in der Breite: McKinsey beziffert das jährliche Wertpotenzial generativer KI auf 2,6 bis 4,4 Billionen US-Dollar — gehoben wird es nur, wenn Mitarbeitende die Werkzeuge auch gut bedienen. Noch ist da Luft: laut Bitkom nutzten 2024 erst 9 % der Unternehmen generative KI, 18 % planten den Einsatz.

Der Bauplan eines guten Prompts

Googles Prompting-Leitfaden für Workspace nennt vier Bausteine, die man sich merken kann — Persona, Aufgabe, Kontext, Format. Nicht jeder Prompt braucht alle vier, aber je mehr davon, desto besser das Ergebnis:

• Persona — geben Sie dem Modell eine Rolle: „Du bist erfahrener Steuerberater.“ Das verankert Ton und Fachblick.

• Aufgabe — beginnen Sie mit einem klaren Verb: „Erkläre…“, „Fasse zusammen…“, „Vergleiche…“.

• Kontext — liefern Sie Hintergrund: Branche, Unternehmensgröße, Zielgruppe.

• Format — sagen Sie, wie die Antwort aussehen soll: „als Tabelle mit den Spalten Risiko | Wahrscheinlichkeit | Maßnahme“.

Die wirksamsten Techniken

Über die Bausteine hinaus gibt es einige Techniken mit belegter Wirkung:

1. Beispiele geben (Few-Shot) — zwei, drei Ein-/Ausgabe-Beispiele fixieren Format und Stil. Dass Modelle daraus lernen, zeigte schon das GPT-3-Paper (Brown et al., 2020).

2. Schritt für Schritt denken (Chain-of-Thought) — bei mehrstufigen Aufgaben hilft „Gehe Schritt für Schritt vor“. Wei et al. (2022) fassen den Effekt so zusammen:

„Generating a chain of thought — a series of intermediate reasoning steps — significantly improves the ability of large language models to perform complex reasoning.“

1. Ausgabeformat erzwingen — Tabelle, Liste, JSON: strukturierte Antworten sind direkt weiterverwendbar.

2. Constraints setzen — Länge, Zielgruppe, Ton eingrenzen: „Max. 100 Wörter, einfaches Deutsch, für Kunden ohne Fachwissen.“

3. Negativ-Anweisungen — sagen Sie auch, was zu vermeiden ist: „Keine Fachbegriffe, nichts erfinden — bei Unsicherheit nachfragen.“

4. Iterieren — behandeln Sie den Prompt wie ein Gespräch: nachschärfen statt den einen perfekten Prompt zu erzwingen.

Der Datenschutz-Hinweis, den jedes Team kennen muss

Warum das zählt, zeigt unser Beitrag ChatGPT & Datenschutz im Unternehmen. Auf einer datenschutzkonformen Plattform dagegen können Sie mit echten Daten arbeiten — inklusive Zugriff auf Ihr eigenes Wissen per RAG.

Fazit

Gutes Prompting ist keine Geheimwissenschaft, sondern ein Handwerk, das jedes Team in wenigen Stunden lernt — und das die Qualität jeder KI-Antwort spürbar hebt. Am meisten holen Sie heraus, wenn die zugrundeliegende Plattform sicher, mehrmodellfähig und an Ihr Wissen angebunden ist. Wie Sie eine solche auswählen, zeigt unser Leitfaden zur KI-Plattform für den Mittelstand.

Quellen

• OpenAI — Prompt Engineering Guide

• Anthropic — Prompt engineering for business performance (2024)

• Google — Gemini for Workspace: Prompting Guide 101 (2024)

• Wei et al. — Chain-of-Thought Prompting (2022)

• Brown et al. — Language Models are Few-Shot Learners (2020)

• McKinsey — The economic potential of generative AI (2023)