Prompt Engineering: So schreibst du bessere KI-Prompts (Anleitung 2026)

Du hast bestimmt schon gemerkt: Die gleiche KI kann dir mal eine brillante und mal eine völlig unbrauchbare Antwort liefern. Der Unterschied liegt selten am Modell selbst, sondern fast immer an deiner Eingabe. Genau hier kommt Prompt Engineering ins Spiel. Gute Prompts führen zu besseren KI-Ergebnissen, sparen dir Zeit und Nerven, und machen aus einem netten Spielzeug ein echtes Werkzeug für dein Business. In dieser Anleitung zeige ich dir Schritt für Schritt, wie du bessere KI-Prompts schreibst, mit konkreten Vorher/Nachher-Beispielen, die du direkt nachmachen kannst.

Und keine Sorge: Du brauchst dafür weder ein Informatikstudium noch irgendein Abo für ein Spezialtool. Du brauchst ein paar Strukturen im Kopf und die Bereitschaft, zwei Minuten länger über deine Eingabe nachzudenken. Das war’s.

Was ist Prompt Engineering?

Prompt Engineering ist die Kunst, deine Anweisungen an eine KI so zu formulieren, dass sie dir wirklich gute Ergebnisse liefert. Klingt fancy, ist aber im Kern ganz einfach. Ein Prompt ist nichts anderes als deine Eingabe oder Anweisung an die KI, also der Text, den du ins Chatfenster tippst. Je klarer und durchdachter dieser Text ist, desto besser kann die KI verstehen, was du willst.

Etwas formeller beschreibt IBM Prompt Engineering als den Prozess, Eingaben zu schreiben, zu verfeinern und zu optimieren, damit generative KI-Systeme gezielt hochwertige Ergebnisse ausspucken. Die entscheidenden Wörter darin sind „verfeinern“ und „optimieren“. Prompt Engineering ist kein Einmal-Ding, sondern eine Schleife. Du schreibst, du schaust dir das Ergebnis an, du schraubst nach.

Zwei Begriffe begegnen dir dabei immer wieder. Ein Token ist ein kleines Textbaustein-Stück, in das die KI deine Wörter zerlegt, um sie zu verarbeiten. Grob gesagt ist ein längerer Text gleich mehr Tokens. Der Kontext wiederum ist alles, was die KI gerade berücksichtigt, also dein aktueller Prompt plus die vorherigen Nachrichten im Chat. Beides musst du nicht im Detail verstehen, aber es hilft zu wissen: Die KI arbeitet nur mit dem, was du ihr gibst. Sie kann keine Gedanken lesen.

Das Schöne am Prompt Engineering: Die Prinzipien sind allgemeingültig. Sie funktionieren mit ChatGPT, Claude, Gemini und so ziemlich jedem anderen Sprachmodell. Du lernst hier also kein Wissen, das morgen veraltet ist, sondern eine Fähigkeit fürs Leben. Die Modelle werden schlauer, die Grundstruktur eines guten Prompts bleibt.

Die fünf Bausteine eines guten Prompts

Bevor wir in die Beispiele einsteigen, hier das Grundgerüst. Wenn du dir nur eine Sache aus diesem Artikel merkst, dann diese: Die stärksten Prompts kombinieren fünf Elemente. Kein Hexenwerk, aber verdammt wirkungsvoll.

• Ein klares Ziel: Was genau soll am Ende rauskommen?
• Relevanter Kontext: Hintergrund, Zielgruppe, Situation.
• Ein definiertes Format: Liste, Tabelle, Fließtext, Länge.
• Der passende Ton: locker, sachlich, förmlich.
• Konkrete Einschränkungen: was die KI nicht tun soll.

Der letzte Punkt wird am häufigsten vergessen und ist dabei einer der stärksten. Jede Einschränkung, die du nennst, nimmt der KI Rateraum weg. Und Raten ist genau das, was zu diesen generischen „In der heutigen schnelllebigen Welt“-Texten führt, die niemand lesen will.

Als Merkformel für den Alltag hat sich bei mir eingebrannt: Rolle – Kontext – Aufgabe – Format. Vier Bausteine, immer in dieser Reihenfolge. Wenn du die konsequent durchziehst, bist du schon besser als 90 Prozent aller Prompts, die täglich in Chatfenster getippt werden.

Die wichtigsten Prinzipien guter Prompts

Lass uns direkt praktisch werden. Es gibt eine Handvoll Prinzipien, die deine Prompts sofort besser machen. Ich zeige dir jedes mit einem Vorher/Nachher-Beispiel.

1. Klar und spezifisch sein

Der häufigste Fehler: zu vage formulieren. Die KI rät dann, was du meinst, und liegt oft daneben.

Vorher: "Schreib mir einen Text über Kaffee."

Nachher: "Schreib mir einen lockeren Instagram-Post (max. 100 Wörter) über die Vorteile von frisch gemahlenem Kaffee, für eine kleine Rösterei. Zielgruppe: Kaffee-Liebhaber zwischen 25 und 40."

Merke dir: Je konkreter du sagst, was du willst, desto weniger muss die KI raten. Ein guter Test: Könnte ein neuer Mitarbeiter mit deinem Prompt die Aufgabe erledigen, ohne nochmal nachzufragen? Wenn nein, fehlt was.

2. Kontext geben

Die KI weiß nichts über dich, dein Business oder deine Situation, solange du es nicht sagst. Gib ihr den Hintergrund, den ein menschlicher Mitarbeiter auch bräuchte.

Vorher: "Hilf mir mit einer E-Mail an einen Kunden."

Nachher: "Ich bin selbstständige Webdesignerin. Ein Kunde hat seit 3 Wochen meine Rechnung nicht bezahlt. Schreib mir eine freundliche, aber bestimmte Zahlungserinnerung. Wir haben ein gutes Verhältnis, ich will ihn nicht verärgern."

Ein Tipp, der viel Tipparbeit spart: Sag der KI auch das Warum. „Schreib es kurz, weil mein Kunde die Mail auf dem Handy liest“ wirkt oft besser als ein nacktes „schreib es kurz“. Die KI kann das Ziel dann sinnvoll auf Details übertragen, an die du gar nicht gedacht hast. Anthropic empfiehlt genau das in den Best Practices für Prompt Engineering: Kontext und Motivation mitliefern.

3. Eine Rolle zuweisen

Wenn du der KI eine Rolle gibst, ändert sich ihr Ton und ihr Fokus. Das nennt man Rollenprompting.

Vorher: "Wie verbessere ich meine Texte?"

Nachher: "Du bist ein erfahrener Werbetexter mit 15 Jahren Erfahrung. Gib mir 5 konkrete Tipps, wie ich meine Verkaufstexte überzeugender mache."

Das funktioniert erstaunlich gut und in jeder Branche. „Du bist ein erfahrener Bauingenieur, der einen Statik-Bericht prüft“ liefert dir eine völlig andere Antwort als die gleiche Frage ohne Rolle. Die Rolle wirkt wie ein Scheinwerfer: Sie leuchtet einen bestimmten Teil des Wissens aus, statt alles diffus zu beleuchten.

4. Das Format vorgeben

Sag der KI, wie das Ergebnis aussehen soll: Liste, Tabelle, Stichpunkte, Fließtext, Anzahl der Wörter. Sonst bekommst du oft einen Format-Mix, den du nochmal umbauen musst.

Vorher: "Gib mir Ideen für Blogartikel."

Nachher: "Gib mir 7 Blogartikel-Ideen zum Thema Zeitmanagement für Selbstständige. Format: Nummerierte Liste, pro Idee ein Titel plus ein Satz, worum es geht."

Ohne Formatvorgabe bekommst du entweder eine Bullet-Wüste oder einen kleinen Roman. Mit Formatvorgabe bekommst du genau das, was du weiterverarbeiten kannst. Klingt banal, spart dir aber jeden Tag Minuten.

5. Beispiele liefern (Few-Shot)

Eine der stärksten Techniken überhaupt: Zeig der KI ein oder zwei Beispiele, wie das Ergebnis aussehen soll. Das nennt man Few-Shot-Prompting (im Gegensatz zum Zero-Shot, also ganz ohne Beispiel). Die KI orientiert sich dann an deinem Muster.

Nachher: "Schreib mir 3 Produktnamen im Stil dieser Beispiele:
- Morgenmuffel-Müsli
- Feierabend-Tee
- Sonntags-Schokolade

Thema: gesunde Snacks fürs Büro."

Von allen Techniken hat diese für mich den besten Aufwand-Nutzen-Schnitt. Ein Beispiel wirkt oft stärker als drei Absätze Erklärung, weil du der KI dein Muster zeigst statt es zu beschreiben. Zwei Dinge, die dabei helfen: Nimm ruhig drei bis fünf Beispiele statt nur eins, und achte darauf, dass sie sich voneinander unterscheiden. Wenn alle deine Beispiele gleich klingen, kopiert die KI genau diese eine Schablone.

Bei Claude gibt es dafür noch einen kleinen Extra-Trick: Pack deine Beispiele in <example>-Tags. Das klingt nach Programmieren, ist aber nur eine Klammer um deinen Text. Claude erkennt daran sauber, wo dein Beispiel anfängt und aufhört, und verwechselt es nicht mit der eigentlichen Aufgabe.

Wie lang sollte ein Prompt sein?

Eine Frage, die mir oft gestellt wird und auf die es tatsächlich eine halbwegs konkrete Antwort gibt. Die kurze Version: So lang wie nötig, so kurz wie möglich.

Die längere Version: Für die meisten Alltagsaufgaben liegt der Sweet Spot bei ungefähr 150 bis 300 Wörtern. Das reicht locker für Rolle, Kontext, Aufgabe und Format, ohne dass du abschweifst. Nach oben gibt es allerdings eine Grenze. Wenn Prompts richtig aufgebläht werden, also jenseits von etwa 3.000 Tokens, lässt die Präzision spürbar nach. Die KI muss dann sortieren, was wichtig ist, und trifft dabei nicht immer deine Prioritäten.

Das heißt aber nicht, dass du lange Aufgaben verbieten musst. Es heißt: Teile sie auf. Anthropic bringt es in den Best Practices auf den Punkt: Eine fokussierte Aufgabe mit klaren Grenzen liefert konsistent bessere Ergebnisse als der Versuch, mehrere Ziele in einem einzigen Prompt zu erschlagen. Lieber drei saubere Prompts hintereinander als einen Monster-Prompt, der alles auf einmal will.

Bewährte Techniken im Prompt Engineering

Wenn du die Grundprinzipien drauf hast, gibt es ein paar Techniken, die deine Ergebnisse nochmal auf ein neues Level heben. Auch diese gehören zum festen Werkzeugkasten im Prompt Engineering.

Schritt für Schritt denken lassen (Chain-of-Thought)

Bei kniffligen Aufgaben hilft es, die KI nicht sofort nach dem Endergebnis zu fragen, sondern sie erst laut nachdenken zu lassen. Diese Technik heißt Chain-of-Thought (zu Deutsch: Gedankenkette). Du bittest die KI einfach, ihre Überlegungen Schritt für Schritt darzulegen, bevor sie antwortet.

"Ich habe 500 Euro Marketing-Budget im Monat. Überlege Schritt für Schritt, wie ich es als lokaler Yoga-Anbieter am sinnvollsten verteile, und gib mir am Ende eine konkrete Empfehlung."

Gerade bei Rechenaufgaben, Planungen oder Entscheidungen werden die Antworten dadurch spürbar durchdachter. Das ist übrigens kein Bauchgefühl, sondern erforscht: Die zugrunde liegende Chain-of-Thought-Studie zeigte, dass Modelle deutlich besser bei mehrstufigen Aufgaben abschneiden, wenn sie ihre Zwischenschritte ausformulieren dürfen. IBM beschreibt die Technik heute als Standardwerkzeug für alles, was mehr als einen Denkschritt braucht.

Ein netter Nebeneffekt: Du siehst, wo die KI falsch abgebogen ist. Bei einem nackten Ergebnis kannst du nur raten.

Rollenprompting gezielt einsetzen

Das Rollenprompting hatten wir schon kurz, aber es lohnt sich, es bewusst zu nutzen. Eine gut gewählte Rolle (Steuerberater, Lektorin, kritischer Sparringspartner) bringt die KI dazu, aus einer bestimmten Perspektive zu antworten. Kombiniere das ruhig mit einem Auftrag, etwa: „Du bist ein kritischer Lektor. Zerpflücke meinen Text und sag mir ehrlich, wo er schwächelt.“

Der Trick dahinter: Ohne Rolle antwortet die KI aus einer Art Durchschnitts-Perspektive. Und Durchschnitt ist selten das, was du brauchst.

Struktur rein, Struktur raus

Je strukturierter du fragst, desto strukturierter die Antwort. Das gilt in beide Richtungen. Wenn du deiner KI einen langen Text zur Analyse gibst, trenn ihn sauber von deiner Anweisung ab, etwa mit Überschriften, Trennlinien oder eben XML-Tags. Und wenn du das Ergebnis weiterverarbeiten willst, sag genau, in welcher Struktur du es haben möchtest: als Tabelle mit drei definierten Spalten, als JSON mit festgelegten Feldern, als Abschnitte mit festen Überschriften.

Damit habe ich die besten Erfahrungen gemacht, sobald mehr als eine Handvoll Infos im Spiel sind. Ein Prompt, in dem Anweisung, Kontext und Material als ein einziger Textbrei zusammenkleben, ist die häufigste Ursache für schwammige Antworten.

Eigene Quellen mitgeben (RAG)

Eine KI weiß nichts über dein Unternehmen, deine Preisliste oder dein letztes Meeting-Protokoll. Sie kann es aber lesen, wenn du es ihr gibst. Fachleute nennen das RAG (Retrieval-Augmented Generation), was im Alltag aber schlicht heißt: relevante Dokumente mit in den Prompt packen, statt die KI aus dem Gedächtnis raten zu lassen.

Praktisch bedeutet das: PDF hochladen, Text reinkopieren, Notizen mitgeben. Der Unterschied zwischen „Schreib mir einen Angebotstext“ und „Hier sind drei Angebote, die gut liefen, schreib einen im gleichen Stil für Kunde X“ ist gewaltig. Und du sparst dir das ewige Nachkorrigieren von erfundenen Details.

Iteratives Verbessern

Der wohl wichtigste Profi-Tipp: Ein Prompt muss nicht beim ersten Versuch perfekt sein. Sieh die KI als Gesprächspartner. Bekommst du nicht ganz das Richtige, schraub einfach nach: „Mach es kürzer“, „Formeller bitte“, „Der zweite Punkt passt nicht, ersetz ihn“. Diese Schleife aus Anweisung, Ergebnis und Nachschärfen ist oft schneller als der Versuch, gleich den perfekten Prompt zu tippen.

Betrachte den ersten Output grundsätzlich als Entwurf. Nicht als Ergebnis. Wer das verinnerlicht, hört auf, frustriert bei null anzufangen, und fängt an, gezielt zu verbessern. Das ist der Unterschied zwischen „KI ist ja auch nichts Besonderes“ und „KI spart mir jede Woche Stunden“.

Häufige Fehler beim Prompten

Diese Stolperfallen sehe ich immer wieder. Wenn du sie vermeidest, bist du schon weiter als die meisten:

• Zu vage sein: „Mach was Gutes draus“ ist kein Prompt. Sag konkret, was du willst.
• Alles auf einmal wollen: Zehn Aufgaben in einem Prompt überfordern oft. Teile große Aufgaben in kleinere Schritte auf.
• Kein Kontext, keine Rolle: Die KI kennt deine Branche, deinen Stil und dein Ziel nicht, bis du es ihr sagst. Ohne diese Infos rät sie.
• Kein Format vorgeben: Du bekommst entweder eine Bullet-Wüste oder einen Roman. Beides musst du hinterher umbauen.
• Den Prompt aufblähen: Mehr Text ist nicht automatisch mehr Präzision. Ab einem gewissen Punkt kippt es ins Gegenteil.
• Widersprüchliche Anweisungen: „Ausführlich, aber maximal 50 Wörter“ zwingt die KI zu einer Entscheidung, die du eigentlich treffen solltest.
• Nicht nachbessern: Die erste Antwort einfach hinnehmen, statt nachzuschärfen. Schade um das Potenzial.
• Höflichkeit mit Information verwechseln: „Bitte“ und „Danke“ schaden nicht, ersetzen aber keine klare Anweisung.

Und ein Fehler, der keiner Kategorie zuzuordnen ist, aber am teuersten wird: das Ergebnis ungeprüft übernehmen. Eine KI kann selbstbewusst falsch liegen, und zwar in einem Ton, der nach Expertise klingt. Zahlen, Namen, Quellen und Jahreszahlen also immer gegenlesen. Immer.

Prompt Engineering für Bilder vs. Text

Bis hierhin ging es um Text-KIs. Bei Bild-KIs (wie Midjourney, DALL·E oder Nano Banana) tickt das Prompting etwas anders. Statt einer Konversation beschreibst du hier eher wie ein Stichwortzettel, was zu sehen sein soll: Motiv, Stil, Stimmung, Licht, Perspektive, Farben, Seitenverhältnis.

Text-Prompt: "Erklär mir das in einfachen Worten."

Bild-Prompt: "Gemütliches Café am Morgen, warmes Sonnenlicht durch große Fenster, Dampf über einer Kaffeetasse, fotorealistisch, weiche Farben."

Der entscheidende Unterschied: Eine Text-KI versteht Zusammenhänge und Anweisungen. Eine Bild-KI reagiert vor allem auf beschreibende Schlagworte und Parameter. Deshalb bringt es bei Bildern wenig, höflich zu formulieren oder lange Sätze zu bauen. Was zählt, sind präzise Begriffe.

Zwei Werkzeuge, die es bei Text so nicht gibt, solltest du kennen. Erstens Negativ-Prompts: Du sagst explizit, was nicht im Bild sein soll (keine Menschen, kein Text, keine grellen Farben). Zweitens Referenzbilder: Du gibst ein Bild mit, an dessen Stil oder Komposition sich die KI orientieren soll. Beides spart dir gefühlt zwanzig Versuchsrunden.

Der gemeinsame Nenner bleibt trotzdem: Je präziser und bildhafter du beschreibst, desto näher kommt das Ergebnis an deine Vorstellung. Spezifisch schlägt vage, egal ob Text oder Bild. Bei Bildern zählen aber eher Schlagworte als ganze Sätze.

Praxis-Tipps für den Alltag

Jetzt zum Teil, der im Alltag den Unterschied macht. Denn Prompt Engineering bringt dir erst dann richtig was, wenn du es nicht bei jedem Chat neu erfindest.

• Bau dir eine Prompt-Sammlung: Speichere Prompts, die gut funktioniert haben, und nutze sie als Vorlage wieder.
• Arbeite mit Platzhaltern: Baue dir Vorlagen wie „Schreib einen [Typ]-Post über [Thema] für [Zielgruppe]“ und füll sie je nach Bedarf.
• Setz den Kontext einmal sauber: Nutze Projekte oder Custom Instructions, statt in jedem Chat aufs Neue zu erklären, wer du bist und was du machst.
• Nenne auch das Negative: Sag, was du nicht willst („keine Fachbegriffe“, „nicht werblich klingen“).
• Lass die KI deinen Prompt verbessern: Frag ruhig: „Wie könnte ich diesen Prompt klarer formulieren?“ Das funktioniert erstaunlich gut.

Ein Punkt, den ich extra hervorheben will, weil er unterschätzt wird: das passende Modell. Bei Claude gibt es die Modelle in Stufen, grob von schnell und günstig bis stark und gründlich. Haiku ist der Sprinter für einfache, hochvolumige Aufgaben. Sonnet ist der Allrounder, mit dem du die meiste Alltagsarbeit erschlägst. Opus und die noch stärkere Klasse darüber sind für die wirklich kniffligen Sachen da. Welche Version davon gerade aktuell ist, wechselt regelmäßig, deshalb schau bei Bedarf einfach in die offizielle Modellübersicht von Anthropic.

Die Faustregel: Für eine kurze Betreffzeile das Top-Modell zu nehmen, ist wie mit Kanonen auf Spatzen zu schießen. Für eine komplexe Analyse das kleinste Modell zu nehmen, ist aber auch keine Sparmaßnahme, sondern verlorene Zeit. Ich selbst arbeite meistens mit dem Allrounder und schalte hoch, wenn es wirklich um die Wurst geht.

Ist Prompt Engineering überhaupt noch relevant?

Diese Frage kommt inzwischen ziemlich oft. Der Gedanke dahinter: Die Modelle werden doch immer schlauer, verstehen also irgendwann auch schlampige Prompts. Braucht man das dann noch?

Meine ehrliche Einschätzung: Ja, absolut. Aber die Antwort hat zwei Seiten.

Die erste Seite: Der Unterschied zwischen einem guten und einem schlechten Prompter ist enorm, und der verschwindet nicht. Klar verzeihen moderne Modelle mehr als früher. Aber sie können immer noch nicht wissen, was du willst, wenn du es ihnen nicht sagst. Auch das beste Modell der Welt kann deine Zielgruppe nicht erraten. Anthropic pflegt nicht ohne Grund ganze Guides zum Thema Prompt Engineering und aktualisiert sie mit jeder Modellgeneration.

Die zweite Seite: „Prompt Engineer“ als eigener Jobtitel hat seinen Hype hinter sich. Wikipedia beschreibt, wie der eigenständige Titel wieder an Zugkraft verloren hat, weil Modelle selbst gute Prompts schreiben können und Unternehmen ihre Belegschaft stattdessen breit im Prompten schulen. Genau das ist der Punkt: Prompt Engineering ist kein Beruf für die meisten Menschen, sondern ein Produktivitäts-Multiplikator, der inzwischen in praktisch jeden modernen Job eingebaut ist.

Und das schlägt sich auch in Zahlen nieder. Laut der globalen KI-Umfrage von McKinsey nutzen inzwischen fast neun von zehn befragten Organisationen regelmäßig KI, aber die wenigsten holen daraus echten Mehrwert auf Unternehmensebene. Der Unterschied liegt selten am Modell. Er liegt daran, wie strukturiert damit gearbeitet wird. Auf deinen Schreibtisch runtergebrochen heißt das: Die Lücke zwischen „KI hat mir nicht geholfen“ und „KI spart mir acht Stunden die Woche“ ist meistens eine Prompt-Lücke, keine Technik-Lücke.

Fazit

Prompt Engineering ist keine Geheimwissenschaft, sondern eine Fähigkeit, die du dir mit ein bisschen Übung schnell aneignest. Wenn du klar und spezifisch bist, Kontext gibst, eine Rolle zuweist, das Format vorgibst und bei Bedarf Beispiele lieferst, holst du schon das meiste raus. Kombiniere das mit Techniken wie Chain-of-Thought, strukturierten Ausgaben und iterativem Nachschärfen, und du wirst staunen, wie viel besser deine KI-Ergebnisse werden.

Das Beste daran: Du musst nichts installieren und nichts programmieren. Du musst einfach nur anfangen und üben. Nimm dir für den nächsten Prompt zwei Minuten mehr Zeit, häng Rolle, Kontext und Format dran, und schau dir den Unterschied an. Ich wette, du gehst danach nicht mehr zurück.

FAQ zum Prompt Engineering