Prompt Engineering 2.0: Der aktuelle Stand der Kunst (März 2025)

Von Mark F. Siller / März 11, 2025

In einer Welt, in der KI-Sprachmodelle wie ChatGPT, Claude und Co. immer leistungsfähiger werden, entwickelt sich auch die Art und Weise, wie wir mit ihnen kommunizieren, stetig weiter. Prompt Engineering – die Kunst, KI-Systemen präzise Anweisungen zu geben – hat sich von einer Nischendisziplin zu einer entscheidenden Fähigkeit entwickelt. Doch wie sieht der aktuelle Stand aus? Welche Techniken funktionieren heute am besten?

Die Evolution des Prompt Engineerings

Als große Sprachmodelle Ende 2022 die breite Öffentlichkeit erreichten, begannen wir alle zu lernen, wie man dieser neuen Technologie Anweisungen gibt. Zahlreiche Frameworks entstanden, die uns dabei helfen sollten:

• Frameworks mit Abkürzungen wie CRAFT, RFT, ICE oder CREATE
• Verschiedene Ansätze zur strukturierten Kommunikation mit KI
• Methoden wie Few-Shot Prompting oder Chain-of-Thought

Doch in den letzten zwei Jahren hat sich viel verändert. Die Sprachmodelle sind größer, flexibler und besser geworden. Reasoning-Modelle wie die o-Serie oder DeepSeek R1 haben neue Maßstäbe gesetzt, und Tools wie ChatGPT werden mit Features wie Deep Research immer autonomer.

Die drei universellen Prompting-Techniken für 2025

Heute lassen sich drei grundlegende Prompting-Techniken identifizieren, die universell anwendbar sind und zu guten Ergebnissen führen:

1. Dialog-Prompting

Diese Technik eignet sich besonders in zwei Situationen:

• Wenn Sie einen schnellen Impuls benötigen
• Wenn Sie an einer neuen Aufgabe arbeiten

Beim Dialog-Prompting geht es nicht um die perfekte Eingabe, sondern um die Iteration der Ergebnisse und das kritische Hinterfragen der KI-Antwort. Es ist ein Sparring mit der KI, bei dem Sie sich Schritt für Schritt zum gewünschten Ergebnis hinarbeiten.

Beispiel für kreative Ideenfindung:

„Generiere 10 ungewöhnliche Innovationsideen, die die Verbindung zwischen KI und traditionellen Fertigungsprozessen im Mittelstand neu denken.“

Beispiel für Problemlösung:

„Schlage 5 verschiedene Ansätze vor, wie ein mittelständisches Unternehmen seine Mitarbeiter für den Einsatz von KI-Tools begeistern kann, ohne dass Ängste vor Jobverlust entstehen.“

Beispiel für Präsentationsvorbereitung:

„Gib mir 8 überzeugende Argumente, warum mittelständische Unternehmen jetzt in KI-gestützte Prozessoptimierung investieren sollten, die ich in einer Präsentation vor skeptischen Führungskräften verwenden kann.“

Beispiel für Aufgaben-Sparring: Content-Erstellung

Prompt 1: „Ich möchte einen überzeugenden Blogbeitrag zum Thema ‚KI-Implementierung im Mittelstand‘ schreiben. Welche Struktur und welche Kernpunkte sollte ich abdecken, um sowohl Geschäftsführer als auch IT-Verantwortliche anzusprechen?“

Prompt 2: „Danke für die Struktur. Kannst du mir nun für die Einleitung drei verschiedene Hooks vorschlagen, die sofort Aufmerksamkeit erregen?“

Prompt 3: „Der zweite Hook gefällt mir am besten. Bitte entwickle diesen weiter zu einer vollständigen Einleitung von etwa 150 Wörtern, die direkt die Schmerzpunkte mittelständischer Unternehmen bei der Digitalisierung anspricht.“

Beispiel für Aufgaben-Sparring: Projektplanung

Prompt 1: „Ich soll ein Projekt zur Einführung eines KI-gestützten Kundenservice-Chatbots in unserem mittelständischen Unternehmen leiten. Welche Phasen und Meilensteine sollte mein Projektplan enthalten?“

Prompt 2: „Für die Stakeholder-Analyse: Welche Abteilungen und Personen sollten unbedingt einbezogen werden und welche spezifischen Bedenken könnten sie haben?“

Prompt 3: „Erstelle mir eine Vorlage für eine Risikomatrix, die ich für dieses Chatbot-Projekt verwenden kann, mit den wahrscheinlichsten Risiken bereits vorausgefüllt.“

Zeitaufwand und Ressourcen: Der Dialog-Ansatz erfordert mehrere Interaktionsrunden, die je nach Komplexität 15-30 Minuten in Anspruch nehmen können. Diese Technik ist besonders wertvoll für neue oder komplexe Aufgaben, bei denen der genaue Weg zum Ziel noch nicht feststeht.

2. Briefing-Prompting

Diese Technik eignet sich für Aufgaben, bei denen Sie genau wissen, was Sie wollen und wie Sie zu diesem Ziel kommen. Typische Anwendungsfälle sind:

• Beantwortung einer Support-Anfrage
• Erstellung einer Stellenanzeige
• Draft einer Pressemitteilung
• Schreiben eines Artikels
• Meeting-Nachbereitung

Ein gutes Briefing-Prompt beantwortet folgende Frage: „Stell dir vor, du würdest diese Aufgabe einem Praktikanten an seinem ersten Arbeitstag geben. Was würdest du in das Briefing schreiben, damit der Praktikant die Aufgabe erfolgreich lösen kann?“

Das Briefing sollte folgende Elemente enthalten:

• Beschreibung der Rolle (optional)
• Beschreibung der Aufgabe (Schritt für Schritt)
• Beschreibung des Ziels (Was soll konkret das Ergebnis sein?)
• Kontextinformationen (Richtlinien, Schreibstil, Produktinformationen, …)
• Output-Format (Prosa-Text, Stichpunkte, Tabellen, Mix aus allem, …)
• Beispiele (steigert Konsistenz massiv!)

Beispiel: Erstellung einer Pressemitteilung

Rolle: Du bist ein erfahrener PR-Manager mit Expertise in der Tech-Branche.

Aufgabe:

• Erstelle eine Pressemitteilung zur Ankündigung unseres neuen KI-gestützten Produkts
• Betone die innovativen Funktionen und den Kundennutzen
• Füge ein passendes Zitat des CEOs ein
• Schließe mit Informationen zum Marktstart und Verfügbarkeit ab

Ziel: Eine prägnante, professionelle Pressemitteilung von etwa 400 Wörtern, die Medieninteresse weckt und die wichtigsten Produktvorteile kommuniziert.

Kontext:

• Produktname: „SmartAnalytics Pro“
• Hauptfunktionen: Echtzeit-Datenanalyse, KI-gestützte Prognosen, benutzerfreundliches Dashboard
• Zielgruppe: Mittelständische Unternehmen im Einzelhandel
• Marktstart: 15. April 2025
• CEO-Name: Dr. Martina Weber

Output-Format: Strukturierte Pressemitteilung mit Überschrift, Untertitel, Einleitung, Hauptteil, Zitat und Schluss.

Beispiel: Kundensupport-Antwort

Aufgabe:

• Verfasse eine hilfreiche Antwort auf eine Kundenanfrage zu technischen Problemen mit unserer Software
• Erkläre die möglichen Ursachen des Problems
• Biete Schritt-für-Schritt-Lösungsansätze
• Füge weiterführende Ressourcen hinzu

Ziel: Eine freundliche, lösungsorientierte Antwort, die dem Kunden hilft, sein Problem zu lösen und gleichzeitig unser Engagement für guten Support demonstriert.

Kontext:

• Kundenanfrage: „Nach dem letzten Update stürzt die App beim Öffnen der Analysefunktion immer ab. Was kann ich tun?“
• Produkt: Business Analytics Suite, Version 4.2
• Bekannte Probleme mit dieser Version: Kompatibilitätsprobleme mit älteren Betriebssystemen
• Supportrichtlinien: Höflich, lösungsorientiert, keine technischen Fachbegriffe ohne Erklärung

Output-Format: E-Mail-Antwort mit Anrede, Einleitung mit Verständnis für das Problem, Erklärung möglicher Ursachen, Schritt-für-Schritt-Anleitung zur Fehlerbehebung, Angebot weiterer Hilfe und freundlicher Abschluss.

Zeitaufwand und ROI: Für die Erstellung effektiver Briefing-Templates sind anfänglich 2-4 Stunden pro Vorlagentyp erforderlich. Diese Investition zahlt sich jedoch schnell aus, da die Templates wiederverwendbar sind und die Bearbeitungszeit für zukünftige ähnliche Aufgaben auf 5-10 Minuten reduzieren.

3. Reasoning-Prompting

Mit dem Aufkommen von Reasoning-Modellen verändert sich auch das Prompting. Diese Modelle sind darauf trainiert, länger und intensiver über komplexe Aufgaben nachzudenken, Strategien zu entwickeln und Entscheidungen auf Basis großer Mengen mehrdeutiger Informationen zu treffen.

Für Reasoning-Modelle ist ein anderer Prompting-Ansatz erforderlich:

• Beschreibung der Rolle – eher unwichtig
• Beschreibung der Aufgabe – kurz und knapp
• Beschreibung des Ziels – sehr wichtig!
• Kontextinformationen – sehr wichtig!
• Output-Format – spezifische Richtlinien!
• Beispiele – eher unwichtig

Beim Reasoning-Prompting kommt es viel mehr auf die Was-Fragen an (Was soll genau erstellt werden?) und auf den dazugehörigen Kontext. Das Wie (Wie löse ich diese Aufgabe Schritt für Schritt) erarbeitet das Modell selbst, indem es die Aufgabe in Unterschritte herunterbricht und bearbeitet.

Beispiel: Komplexe Problemlösung

# Aufgabe
Analysiere die Ursachen für die sinkende Kundenzufriedenheit in unserem Unternehmen und entwickle einen strategischen Maßnahmenplan.

# Ziel
Ich benötige eine fundierte Analyse der Hauptursachen für den Rückgang der Kundenzufriedenheit von 87% auf 72% im letzten Jahr sowie einen priorisierten Maßnahmenplan mit konkreten Handlungsempfehlungen, die innerhalb von 6 Monaten umgesetzt werden können.

# Kontext
- Unser Unternehmen ist ein mittelständischer Software-Anbieter mit 250 Mitarbeitern
- Die Kundenzufriedenheit wird vierteljährlich durch eine Umfrage mit 15 Fragen gemessen
- Die größten Rückgänge gab es in den Bereichen "Supportqualität" (-28%), "Produktstabilität" (-18%) und "Preis-Leistungs-Verhältnis" (-12%)
- Im letzten Jahr haben wir die Supportabteilung umstrukturiert und 30% der Mitarbeiter ausgetauscht
- Gleichzeitig haben wir die Preise um durchschnittlich 15% erhöht
- Die Entwicklungsabteilung hat ihre Release-Zyklen von 6 auf 3 Monate verkürzt

# Format
Erstelle eine strukturierte Analyse mit folgenden Abschnitten:
1. Zusammenfassung der Hauptursachen
2. Detaillierte Ursachenanalyse mit Dateninterpretation
3. Priorisierter Maßnahmenplan mit:
   - Kurz-, mittel- und langfristigen Maßnahmen
   - Verantwortlichkeiten
   - Erwarteter Einfluss auf die Kundenzufriedenheit
   - Erforderliche Ressourcen
4. Implementierungsfahrplan mit Meilensteinen

Beispiel: Komplexe Datenanalyse

# Aufgabe
Analysiere die beigefügten Verkaufsdaten und identifiziere Muster, Trends und Optimierungspotenziale.

# Ziel
Ich benötige eine umfassende Analyse unserer Verkaufsdaten der letzten 24 Monate, um strategische Entscheidungen für das kommende Geschäftsjahr zu treffen. Die Analyse soll Verkaufstrends, Saisonalitäten, Produktperformance und Kundenverhalten beleuchten und konkrete Handlungsempfehlungen liefern.

# Kontext
- Die Daten umfassen 24 Monate (2023-2025) mit monatlichen Verkaufszahlen
- Wir haben 5 Produktkategorien mit jeweils 8-12 Produkten
- Die Daten enthalten Informationen zu: Verkaufszahlen, Umsatz, Gewinnmarge, Kundentyp (Neukunde/Bestandskunde), Vertriebskanal, Region
- Unser Unternehmen hat im letzten Jahr zwei neue Produktlinien eingeführt
- Wir haben drei Hauptvertriebskanäle: Online-Shop, Fachhandel, Direktvertrieb
- Das Unternehmen ist in vier Regionen aktiv: Nord, Süd, Ost, West

# Format
Erstelle eine strukturierte Analyse mit folgenden Abschnitten:
1. Executive Summary mit Kernerkenntnissen
2. Verkaufstrends und Saisonalitäten (mit Visualisierungen)
3. Produktperformance-Analyse
   - Top/Flop-Produkte
   - Produktkategorien im Vergleich
   - Lebenszyklusanalyse
4. Kundenanalyse
   - Neukunden vs. Bestandskunden
   - Kundenverhalten nach Region
5. Vertriebskanalanalyse
6. Konkrete Handlungsempfehlungen
   - Kurzfristige Optimierungen (nächste 3 Monate)
   - Mittelfristige Strategien (6-12 Monate)
   - Langfristige Ausrichtung (>12 Monate)

Beispiel: Onlinekurs-Produktionsplan

# Aufgabe
Erstelle einen detaillierten, Schritt-für-Schritt-Produktionsplan für meinen Onlinekurs. Die Produktion ist in vier Phasen gegliedert:
1. Vorbereitungsphase
2. Aufnahmephase
3. Post-Production-Phase
4. Ressourcen-Erstellung

# Ziel
Mein Ziel ist es, einen hochwertigen Onlinekurs in Netflix-Doku-Qualität zu produzieren. Dafür habe ich mir vier Wochen Zeit, 100 Arbeitsstunden und ein Budget von 15.000 Euro gesetzt. Ich will jeden Arbeitsschritt genau und lückenlos dokumentiert haben und durch klare Erfolgskriterien, Zeitpläne und eine Risikoanalyse absichern. Der Produktionsplan muss den effizientesten, sichersten, qualitativsten Prozess zur Erstellung des Kurses gewährleisten.

# Kontext
Für meinen neuen Onlinekurs habe ich mir ein klares Konzept erarbeitet: Der Kurs wird sich umfassend mit der Integration von Künstlicher Intelligenz in mittelständischen Unternehmen beschäftigen. Dabei richte ich mich speziell an Führungskräfte von Unternehmen, die mindestens 100 Mitarbeiter beschäftigen. Diese Zielgruppe benötigt praxisorientiertes Wissen, das ich in einem 20-stündigen Kursformat vermitteln werde. Mit einem Budget von 15.000 Euro plane ich eine professionelle Umsetzung. Da ich kein eigenes Studio besitze, werde ich geeignete Räumlichkeiten anmieten. Für die technische Realisierung setze ich auf die Expertise externer Partner - erfahrene Freelancer werden sowohl die Produktion als auch die Postproduktion übernehmen. Besonders wichtig ist mir der logische Aufbau des Kursinhalts. Jedes Modul baut gezielt auf dem vorherigen auf, sodass die Teilnehmer Schritt für Schritt durch den Lernprozess geführt werden. Das detaillierte Curriculum liegt dir bereits vor.

# Format
Erstelle für jede Phase eine klar strukturierte Tabelle mit folgenden Spalten:
1. Schritt / Aktivität
2. Verantwortlicher / Zuständigkeit
3. Zeitbedarf oder Deadline
4. Abhängigkeiten
5. Erfolgskriterien
6. Risiken & Gegenmaßnahmen
7. Outsourcing-Empfehlungen

Zeitaufwand und Komplexität: Reasoning-Prompting erfordert mehr Zeit in der Vorbereitung (30-60 Minuten pro Prompt) und höhere Kosten für leistungsfähigere KI-Modelle. Die Ergebnisse sind jedoch wesentlich detaillierter und durchdachter, was den zusätzlichen Aufwand für komplexe Aufgaben rechtfertigt.

Praktische Grenzen und Herausforderungen beim Prompt Engineering

Bei aller Begeisterung für die neuen Prompt-Techniken gibt es auch einige Herausforderungen, die beachtet werden sollten:

1. Datenvertraulichkeit und Sicherheit

Beim Prompting werden potenziell sensible Unternehmensdaten an externe KI-Dienste übermittelt. Für mittelständische Unternehmen ist es daher wichtig, klare Richtlinien zu entwickeln:

• Welche Arten von Daten dürfen in Prompts verwendet werden?
• Welche internen Informationen müssen anonymisiert werden?
• Welche Aufgaben sollten ausschließlich mit lokalen KI-Lösungen bearbeitet werden?

Praxistipp: Erstellen Sie eine unternehmensweite Prompt-Sicherheitsrichtlinie und schulen Sie Ihre Mitarbeiter entsprechend.

2. Fehlerhafte Outputs und Halluzinationen

Trotz der fortschrittlichen Fähigkeiten können KI-Modelle fehlerhafte Informationen produzieren, besonders wenn die Prompts mehrdeutig sind oder Fakten außerhalb ihres Trainingszeitraums liegen.

Praxistipp: Etablieren Sie standardmäßige Qualitätssicherungsprozesse für KI-generierte Inhalte, besonders für externe Kommunikation und wichtige Geschäftsentscheidungen.

3. Kompetenzaufbau im Unternehmen

Die Aussage „Prompting ist viel eher die gute Delegation von Aufgaben als eine Wissenschaft“ vereinfacht zu stark. In der Praxis erfordert effektives Prompt Engineering spezifische Kompetenzen:

• Verständnis der Stärken und Schwächen verschiedener KI-Modelle
• Fähigkeit, komplexe Aufgaben in klare Anweisungen zu übersetzen
• Kritisches Denken zur Bewertung und Verbesserung von KI-Outputs

Praxistipp: Identifizieren Sie „KI-Champions“ in verschiedenen Abteilungen, die als Multiplikatoren und interne Experten fungieren können.

ROI und Wirtschaftlichkeitsbetrachtung

Für mittelständische Unternehmen ist die Frage nach dem Return on Investment entscheidend. Hier einige konkrete Zahlen:

Typische Investitionen für Prompt Engineering im Mittelstand:

• KI-Tool-Lizenzen: 50-200€ pro Nutzer/Monat
• Schulungsaufwand: 1-2 Tage pro Mitarbeiter
• Template-Erstellung: 2-4 Tage pro Abteilung
• Fortlaufende Optimierung: ca. 2-4 Stunden pro Woche

Realistische Einsparungen:

• Zeitersparnis bei Routineaufgaben: 25-40%
• Beschleunigte Erstellung von Inhalten: 40-60%
• Verbesserte Qualität durch Standardisierung: schwer zu quantifizieren, aber messbar in Kundenzufriedenheit

Amortisationszeitraum:

• Bei gezieltem Einsatz in geeigneten Abteilungen: 3-6 Monate
• Bei unternehmensweiter Implementierung: 6-12 Monate

Tipps von KI-Experten

Führende Prompt-Engineering-Experten betonen in Diskussionen folgende Aspekte:

• Klarheit und Spezifität sind der Schlüssel zu erfolgreichen Prompts. „Im Kern ist das Gespräch mit einem Modell sehr ähnlich wie das Gespräch mit einem Menschen.“
• Beispiele in Prompts helfen dem Modell, Format und Stil der erwarteten Ausgabe besser zu verstehen. Dies ist besonders bei Unternehmensanwendungen wichtig.
• Iteration und Testen spielen eine entscheidende Rolle bei der Optimierung von Prompts.

Kann man LLMs bitten, besseren Code zu schreiben?

Eine interessante Studie von Max Woolf untersuchte, ob LLMs besseren Code schreiben können, wenn man sie einfach darum bittet, „besseren Code zu schreiben“. Die Ergebnisse sind faszinierend:

Bei einem einfachen Coding-Problem (Finden der Differenz zwischen dem kleinsten und größten Wert in einer Liste von Zahlen, deren Ziffern sich zu 30 addieren) verbesserte sich der Code durch wiederholtes Bitten um Verbesserung tatsächlich erheblich:

• Die erste Implementation war funktional, aber ineffizient.
• Nach der ersten Aufforderung zur Verbesserung wurde der Code 2,7x schneller.
• Nach weiteren Iterationen erreichte der Code eine 100-fache Beschleunigung gegenüber der ursprünglichen Version!

Allerdings zeigte die Studie auch, dass die Modelle manchmal „halluzinieren“ und Optimierungen vorschlagen, die nicht funktionieren oder sogar Fehler einführen. Mit gezielterem Prompt Engineering konnten diese Probleme reduziert werden.

Die Zukunft des Prompt Engineerings

Experten prognostizieren, dass KI-Modelle künftig viel stärker in den Prozess des Prompt-Schreibens einbezogen werden und die Interaktion zwischen Mensch und Modell interaktiver und kollaborativer wird.

Mit zunehmender Leistungsfähigkeit der Modelle wird auch die Fähigkeit wichtiger, die eigentlichen Bedürfnisse und Absichten des Benutzers zu verstehen und gezielt abzufragen. Die Rolle des Prompt-Engineers könnte sich dadurch von der eines „Agenturmitarbeiters“, der präzise Anweisungen erteilt, hin zu der eines „Designers“ entwickeln, der das Modell als Experten konsultiert.

Fazit: Prompting ist Delegation

Im Kern ist Prompting viel eher die gute Delegation von Aufgaben als eine Wissenschaft. Das Prinzip bleibt bestehen: Wer sich klar und deutlich ausdrücken kann, erzielt bessere Ergebnisse beim Einsatz von KI.

Die wichtigsten Erkenntnisse:

• Dialog-Prompting: Für schnellen Impuls oder Aufgaben-Sparring. Einfache Prompts und iteratives Feedback zu den KI-Antworten bringen Sie im Dialog zum Ziel.
• Briefing-Prompting: Für spezifische Aufgaben, wo Sie das Ziel und den Weg dorthin kennen. Ein strukturiertes Briefing, wie Sie es einem Praktikanten geben würden, der die Aufgabe zum ersten Mal macht, bringt Sie zum Ziel.
• Reasoning-Prompting: Für den Einsatz von Reasoning-Modellen. Die Aufgabenbeschreibung bleibt knapp, auf eine detaillierte Zielbeschreibung und Kontext kommt es an.

In der Praxis zeigt sich: Erfolgreiche KI-Adoption in Unternehmen basiert nicht nur auf der Technologie selbst, sondern auch auf der Fähigkeit, effektiv mit ihr zu kommunizieren. Mittelständische Unternehmen, konnten durch den strategischen Einsatz von KI und gutes Prompting Einsparungen in Millionenhöhe erzielen.

Die Kunst des Promptings wird auch in Zukunft eine Schlüsselkompetenz bleiben – nicht als komplizierte Wissenschaft, sondern als Fähigkeit, klar zu kommunizieren und Aufgaben effektiv zu delegieren.