Prompt Engineering
Prompt Engineering ist das systematische Formulieren und Testen von Anweisungen an KI-Modelle. Bausteine, Abgrenzung zu RAG und ein Industrie-Beispiel.
Prompt Engineering ist die systematische Gestaltung von Eingaben an ein KI-Sprachmodell: Aufgabe, Kontext, Beispiele, Ausgabeformat und Grenzen werden so formuliert und an Testfällen geprüft, dass das Modell verlässlich brauchbare Ergebnisse liefert. Anders als ein einzelner Prompt ist Prompt Engineering ein Arbeitsprozess aus Entwerfen, Testen und Nachschärfen.
Der Glossarbeitrag Prompt beschreibt die andere Seite desselben Begriffs: Prompts als neue Suchanfragen, mit denen Einkäufer in ChatGPT oder Perplexity nach Anbietern fragen. Hier geht es um die Anwendersicht, also darum, wie Ihr Team KI-Modelle so anweist, dass in Vertrieb, Technik und Service tatsächlich verwertbare Ergebnisse entstehen.
Wie Prompt Engineering funktioniert
Ein großes Sprachmodell erzeugt seine Antwort aus der Eingabe und aus den Mustern, die es im Training gelernt hat. Es kennt weder Ihr Produktprogramm noch Ihre internen Regeln, solange Sie diese nicht mitgeben. Prompt Engineering setzt genau dort an: Es macht implizites Wissen explizit.
Die Dokumentationen der großen Modellanbieter beschreiben dafür sehr ähnliche Bausteine. Google nennt in seinem Leitfaden für die Gemini-API unter anderem klare und spezifische Anweisungen, Einschränkungen, ein vorgegebenes Antwortformat, Beispiele (Few-Shot), zusätzlichen Kontext und das Zerlegen komplexer Aufgaben in Teilschritte. Anthropic ergänzt einen Punkt, der in der Praxis oft fehlt: Bevor Sie an Formulierungen feilen, brauchen Sie klar definierte Erfolgskriterien, eine Möglichkeit, Ergebnisse gegen diese Kriterien zu testen, und einen ersten Entwurf, den Sie verbessern wollen.
| Baustein | Was er leistet | Beispiel aus dem technischen Vertrieb |
|---|---|---|
| Aufgabe | legt fest, was am Ende vorliegen soll | „Erstelle eine Rückfrageliste zu dieser Anfrage“ |
| Kontext | liefert Wissen, das das Modell nicht hat | Auszug aus dem Produktkatalog, Werkstoffliste |
| Beispiele | zeigen Ton, Tiefe und Struktur | zwei gelungene Rückfragelisten aus früheren Projekten |
| Format | macht Ergebnisse weiterverarbeitbar | Tabelle mit den Spalten Parameter, Wert, Status |
| Grenzen | verhindert erfundene Angaben | „Fehlt ein Wert, schreibe ‚nicht angegeben’“ |
| Testfälle | machen Qualität messbar | 20 echte, anonymisierte Anfragen mit Soll-Ergebnis |
Wie viel davon nötig ist, hängt von der Aufgabe ab. Für eine einmalige Zusammenfassung genügt eine präzise Anweisung. Für einen Prompt, der täglich hundertfach in einem automatisierten Ablauf läuft, lohnt sich der volle Aufbau samt Testsatz, denn jede Schwäche wiederholt sich dort ohne Kontrolle. In der Praxis entsteht ein belastbarer Prompt selten im ersten Anlauf. Üblich sind mehrere Runden: Ergebnisse an den Testfällen prüfen, Abweichungen benennen, die Anweisung präzisieren und erneut testen. Dokumentieren Sie dabei, welche Änderung welche Wirkung hatte. So bleibt nachvollziehbar, warum der Prompt so formuliert ist, auch wenn ihn später eine Kollegin übernimmt.
Abgrenzung: Context Engineering, RAG und Fine-Tuning
Prompt Engineering ist nicht der einzige Hebel, um ein Modell an eigene Aufgaben anzupassen. Anthropic beschreibt seit September 2025 den weiter gefassten Begriff Context Engineering: die Auswahl und Pflege aller Informationen, die ein Modell bei einer Anfrage sieht, also auch Dokumente, Werkzeugbeschreibungen und den bisherigen Gesprächsverlauf. Hintergrund ist das begrenzte Kontextfenster: Mehr Text bedeutet nicht automatisch bessere Antworten.
| Ansatz | Was sich ändert | Geeignet für |
|---|---|---|
| Prompt Engineering | nur die Eingabe | Aufgabe, Ton, Format, Prüfregeln |
| Context Engineering | alles, was das Modell pro Anfrage sieht | Assistenten und Agenten mit vielen Quellen |
| RAG | Wissen wird zur Laufzeit aus Dokumenten abgerufen | aktuelle Produktdaten, Handbücher, Normen |
| Fine-Tuning | die Gewichte des Modells | wiederkehrende Spezialaufgaben mit vielen Beispielen |
Braucht Ihr Modell Fakten wie Lieferzeiten oder Werkstoffkennwerte, löst ein besserer Prompt das Problem nur bis zur Größe des Kontextfensters. Für größere Wissensbestände ist RAG der übliche Weg: Das System sucht passende Passagen heraus und gibt sie dem Modell mit. OpenAI empfiehlt in seiner Dokumentation, mit Evaluationen und guten Prompts zu beginnen. Fine-Tuning lohnt sich demnach vor allem, wenn mehr Beispiele nötig sind, als in das Kontextfenster passen, oder wenn ein kleineres, günstigeres Modell eine bestimmte Aufgabe besonders gut lernen soll.
Prompt Engineering in der Industrie-Praxis
Beispiel: Ein Hersteller von Dosierpumpen erhält jede Woche Dutzende technische Anfragen und RFQs per E-Mail, viele davon unvollständig. Der Innendienst nutzt ein Sprachmodell, um daraus eine strukturierte Übersicht zu machen. Der erste Versuch lautet schlicht „Fasse diese Anfrage zusammen“. Das Ergebnis klingt flüssig, ist aber unbrauchbar: Das Modell ergänzt fehlende Angaben wie die Medientemperatur aus Plausibilität, statt sie als offen zu markieren.
Der überarbeitete Prompt gibt eine Rolle vor (Innendienst eines Pumpenherstellers) und liefert Kontext, nämlich die Parameter, die für eine Auslegung zwingend sind: Medium, Fördermenge, Gegendruck, Temperatur, Viskosität und Werkstoffanforderungen. Er verlangt ein festes Format, eine Tabelle mit Parameter, Wert aus der Anfrage und Status „vorhanden“ oder „fehlt“. Und er setzt eine harte Grenze: keine Annahmen, keine Werte, die nicht in der Anfrage stehen. Zum Schluss entwirft das Modell eine Rückfrage-Mail mit genau den fehlenden Punkten.
Getestet wird der Prompt an 20 echten, anonymisierten Anfragen aus dem Vorjahr, für die der Innendienst das richtige Ergebnis kennt. Erst als alle fehlenden Parameter zuverlässig als „fehlt“ erscheinen, geht der Prompt in den Alltag. Der Nutzen liegt weniger in der eingesparten Tipparbeit als in der Qualität: Rückfragen gehen am selben Tag hinaus, und die Auslegung beginnt nicht mit falschen Annahmen. Ein solcher Ablauf ist oft die Vorstufe zu einem KI-Agenten, der Anfragen eigenständig vorqualifiziert und an die zuständige Person übergibt.
Häufige Fehler
Der häufigste Fehler ist der Prompt ohne Kontext: Wer nur die Aufgabe nennt, bekommt Allgemeinwissen zurück, das zu jedem Hersteller passen würde. Ebenso verbreitet ist das Testen an einem einzigen Beispiel. Ein Prompt, der bei einer Anfrage glänzt, kann bei der nächsten versagen, und ohne Testsatz fällt das erst im Betrieb auf.
Drittens werden gute Prompts selten gepflegt. Sie liegen in persönlichen Chatverläufen, statt dokumentiert, versioniert und für das Team auffindbar zu sein. Wechselt das Modell, verhält sich derselbe Prompt mitunter anders, und ohne Testsatz bemerkt das niemand. Viertens unterschätzen viele, dass auch ein sehr guter Prompt keine Fakten garantiert. Sprachmodelle können plausibel klingende Fehler erzeugen, sogenannte KI-Halluzinationen. Wo Zahlen, Normen oder Preise im Spiel sind, gehört eine menschliche Prüfung in den Ablauf. Fünftens der Datenschutz: Vertrauliche Kundendaten oder Zeichnungen gehören nur in Werkzeuge, deren Datenverarbeitung vertraglich geklärt ist. Wie Sie den Einstieg im Unternehmen organisieren, beschreibt der Ratgeber KI im Mittelstand.
Was Prompt Engineering für die KI-Suche bedeutet
Prompt Engineering hat ein Spiegelbild im Marketing. Ihre Kunden formulieren ihre Fragen an ChatGPT, Perplexity oder Google AI Mode oft ausführlich, mit Branche, Stückzahl und Anforderungen. Ein detaillierter Prompt verlangt eine spezifische Antwort, und dafür brauchen die Systeme Quellen, die genau diese Details behandeln. Für Ihre Website heißt das: Seiten, die konkrete Anwendungsfragen beantworten, sind als Quelle nützlicher als allgemeine Imagetexte. Welche Fragen Ihre Zielkunden tatsächlich stellen und ob Sie in den Antworten vorkommen, lässt sich mit Prompt-Tracking messen. Die zentrale Kennzahl dafür ist die Nennungsrate.
Den nächsten Schritt nach einzelnen Prompts, also die Verbindung von Sprachmodellen mit Ihren Systemen und Abläufen, beschreibt unsere Leistung KI-Automatisierung. Welche Vertriebsprozesse sich für KI-Agenten eignen und wie ein erster Agent eingeführt wird, zeigt die Übersichtsseite.
Quellen
- Anthropic: Prompt engineering overview, abgerufen am 15.10.2026
- Anthropic Engineering: Effective context engineering for AI agents, veröffentlicht am 29.09.2025
- Google AI for Developers: Prompt design strategies, Stand 13.10.2026
- OpenAI: Model optimization, abgerufen am 15.10.2026
Häufige Fragen zu Prompt Engineering
Was ist Prompt Engineering einfach erklärt?
Prompt Engineering ist das gezielte Formulieren und Testen von Anweisungen an ein KI-Sprachmodell. Statt einer spontanen Frage enthält ein guter Prompt die Aufgabe, den nötigen Kontext, Beispiele und das gewünschte Ausgabeformat. Ziel ist, dass das Modell nicht nur einmal, sondern wiederholt brauchbare und überprüfbare Ergebnisse liefert.
Welche Techniken gehören zum Prompt Engineering?
Zu den gängigen Techniken zählen klare Anweisungen, ausreichend Kontext, Beispiele für die gewünschte Antwort (Few-Shot), ein vorgegebenes Ausgabeformat, ausdrückliche Einschränkungen und das Zerlegen komplexer Aufgaben in Teilschritte. Die Dokumentationen von Anthropic und Google beschreiben diese Bausteine sehr ähnlich. Entscheidend ist, sie an echten Testfällen zu prüfen, bevor ein Prompt in den Alltag geht.
Ist Prompt Engineering noch nötig, wenn die Modelle besser werden?
Ja, aber der Schwerpunkt verschiebt sich. Neuere Modelle verstehen auch knappe Anweisungen besser, doch sie kennen weder Ihre Produkte noch Ihre Qualitätsmaßstäbe. Diesen Kontext liefern Sie über den Prompt oder über angebundene Daten. Anthropic spricht deshalb auch von Context Engineering, also der Auswahl aller Informationen, die das Modell bei einer Anfrage sieht.
Was ist der Unterschied zwischen Prompt Engineering und Fine-Tuning?
Prompt Engineering verändert nur die Eingabe, das Modell selbst bleibt unverändert. Fine-Tuning trainiert ein Modell mit eigenen Beispieldaten nach und verändert dabei seine Gewichte. Prompt Engineering ist schneller, günstiger und jederzeit anpassbar. OpenAI empfiehlt in seiner Dokumentation, zunächst mit Tests und guten Prompts zu beginnen, bevor ein Fine-Tuning erwogen wird.
Braucht ein mittelständisches Unternehmen einen eigenen Prompt Engineer?
Meist nicht als eigene Stelle. Sinnvoller ist, dass Fachleute aus Vertrieb, Technik und Service lernen, gute Prompts zu schreiben, und dass bewährte Prompts zentral dokumentiert und gepflegt werden. Für automatisierte Abläufe, etwa die Vorqualifizierung von Anfragen, lohnt sich Unterstützung beim Testen und Absichern, weil Fehler dort ohne menschliche Kontrolle weiterlaufen.
Diesen Begriff in Ergebnisse übersetzen? Das übernehmen wir im Bereich KI-Automatisierung.