Ein praxisnaher Werkstattartikel: Entwickle einen wiederverwendbaren Content-Prompt, erkenne typische Fehler und verbessere ihn Schritt für Schritt.
KI-Prompts: Warum gute Ergebnisse mit einem klaren Arbeitsauftrag beginnen
Was sind KI-Prompts – und warum sind sie keine Suchanfragen?
KI-Prompts sind steuerbare Arbeitsaufträge an ein KI-System. Sie enthalten nicht nur ein Thema, sondern legen fest, welches Ergebnis gebraucht wird, für wen es gedacht ist und woran ein brauchbarer Output erkennbar ist. Eine Suchanfrage wie „Was ist Prompting?“ soll vor allem Informationen finden. Ein Prompt für einen Blogartikel muss dagegen eine konkrete Arbeitsleistung beschreiben: etwa einen verständlichen Entwurf für eine bestimmte Zielgruppe zu erstellen.
Ein brauchbarer Prompt kann deshalb Ziel, Kontext, Aufgabe, Zielgruppe, Ton, Ausgabeformat und Grenzen enthalten. Nicht jede Aufgabe braucht jedes Detail in gleicher Ausführlichkeit. Entscheidend ist, dass die Informationen vorhanden sind, die für die jeweilige Entscheidung relevant sind.
Wer sich mit einem praxisorientierten Leitfaden zu Prompt-Anwendungen beschäftigt, findet dort auch breitere Beispiele für Texte, Bilder und SEO. Dieser Artikel verfolgt einen engeren Ansatz: Wir bauen einen Content-Prompt aus einem schlechten Ausgangsauftrag auf und reparieren ihn anhand konkreter Fehler.
Wie kann man richtig prompten? Das Ziel zuerst präzisieren
Richtig prompten beginnt nicht mit möglichst vielen Anweisungen, sondern mit einer Klärung des Ergebnisses. Soll die KI Ideen sammeln, recherchieren, einen Entwurf schreiben oder einen vorhandenen Text überarbeiten? Diese Aufgaben werden leicht vermischt, verlangen aber unterschiedliche Prompts.
- Offene Ideenanfrage: Themen, Perspektiven oder Überschriften sammeln.
- Rechercheauftrag: Fragen beantworten und Quellen oder offene Belege ausweisen.
- Entwurf: Aus festgelegtem Material einen Text in einem bestimmten Format erstellen.
- Überarbeitung: Einen bestehenden Text nach klaren Kriterien verbessern, ohne ungeprüft neue Fakten einzuführen.
Ein guter Prompt erhöht die Steuerbarkeit, ersetzt aber keine Quellenprüfung und keine redaktionelle Verantwortung. Die KI kann plausibel formulieren, auch wenn eine Aussage nicht belegt ist.
Der Lernfall: Aus „Schreib einen Artikel über Prompting“ wird ein Content-Auftrag
Unser durchgängiger Lernfall lautet: Ein SEO-Blogartikel soll Einsteiger:innen im Content-Team zeigen, wie sie bessere KI-Prompts schreiben. Der Text soll verständlich, praktisch und überprüfbar sein. Der absichtlich schwache Ausgangspunkt lautet:
Schreib einen Artikel über Prompting.
Das Thema ist erkennbar, aber fast alles Wichtige bleibt offen: Zielgruppe, Suchintention, Umfang, Nutzen, Struktur, Faktenbasis und Qualitätsmaßstab. Im nächsten Abschnitt wird daraus schrittweise ein Arbeitsauftrag.
Vom vagen Auftrag zum strukturierten Content-Prompt: der Aufbau in fünf Entscheidungen
1. Ergebnis und Zielgruppe festlegen
Zuerst wird entschieden, was am Ende vorliegen soll. „Einen Artikel schreiben“ ist weniger hilfreich als „einen zeitlosen How-to-Ratgeber mit konkreten Übungen erstellen“. Ebenso wichtig ist die Zielgruppe: Ein Beitrag für SEO-Einsteiger:innen braucht andere Erklärungen als ein Text für Prompt-Expert:innen.
Zwischenversion unseres Lernfalls:
Erstelle einen zeitlosen SEO-Blogartikel für Content-Mitarbeitende, die erste Erfahrungen mit KI haben und lernen möchten, bessere Prompts für Blogtexte zu schreiben. Erkläre das Thema praxisnah anhand eines durchgängigen Beispiels.
Der Auftrag ist schon brauchbarer, aber Material, Grenzen und Abnahmekriterien fehlen noch.
2. Kontext, Material und Wissensgrenzen trennen
Diese drei Bereiche werden häufig vermischt:
- Kontext: Warum wird der Text gebraucht, auf welcher Seite erscheint er und welche Suchintention liegt vor?
- Material: Welche Notizen, Quellen, Daten oder Textentwürfe darf die KI verwenden?
- Wissensgrenzen: Was darf nicht angenommen werden? Wie soll die KI mit fehlenden Belegen umgehen?
Eine klare Vorgabe lautet etwa: „Nutze die bereitgestellten Quellen für fachliche Aussagen. Trenne Quellenbefunde von allgemeinem Hintergrundwissen. Wenn ein Beleg fehlt, markiere die Lücke und erfinde keine Zahlen, Studien oder Zitate.“ So wird Unsicherheit sichtbar, statt durch scheinbare Sicherheit verdeckt zu werden.
3. Aufgabe und Arbeitsschritte eindeutig formulieren
Die KI sollte nicht nur das Endprodukt kennen, sondern bei komplexeren Aufgaben auch die Reihenfolge. Für unseren Artikel ist sinnvoll: erst die Lernlogik und Gliederung entwerfen, dann den Text schreiben und anschließend gegen Kriterien prüfen. Das verhindert, dass die Antwort sofort in beliebige Absätze springt.
4. Format, Stil und Ausschlüsse vorgeben
Formatangaben machen den Output verwendbar: Markdown, Überschriftenebenen, ungefährer Wortumfang, Listen nur bei echtem Mehrwert und eine bestimmte Reihenfolge. Stilvorgaben sollten beobachtbar sein, zum Beispiel „klar, freundlich, konkret und ohne unnötige Fachbegriffe“ statt nur „professionell“.
Ausschlüsse begrenzen typische Fehlentwicklungen: keine erfundenen Zahlen, keine generischen Einleitungen, keine unbelegten Superlative, keine Wiederholung derselben Aussage und keine Behauptung, die KI könne redaktionelle Prüfung ersetzen.
5. Qualitätskriterien als Abnahme statt als Bauchgefühl definieren
„Schreibe einen guten Text“ ist keine prüfbare Vorgabe. Besser sind Abnahmekriterien: Die Zielgruppe muss sich wiederfinden, die Suchintention muss beantwortet werden, jede zentrale Tatsachenbehauptung braucht eine Quelle oder eine Unsicherheitsmarkierung, und der Text muss die angekündigte Struktur einhalten.
Ein kopierbares Gerüst für Content-Aufgaben sieht so aus:
Ziel:@@@WCF_PRE_LINEBREAK@@@[Welches konkrete Ergebnis wird benötigt?]@@@WCF_PRE_LINEBREAK@@@@@@WCF_PRE_LINEBREAK@@@Zielgruppe und Nutzung:@@@WCF_PRE_LINEBREAK@@@[Wer liest oder verwendet den Output? In welcher Situation?]@@@WCF_PRE_LINEBREAK@@@@@@WCF_PRE_LINEBREAK@@@Kontext und Material:@@@WCF_PRE_LINEBREAK@@@[Zweck, Suchintention, bereitgestellte Quellen, Notizen oder Entwürfe]@@@WCF_PRE_LINEBREAK@@@@@@WCF_PRE_LINEBREAK@@@Wissensgrenzen:@@@WCF_PRE_LINEBREAK@@@[Was darf nicht angenommen werden? Wie sollen fehlende Belege markiert werden?]@@@WCF_PRE_LINEBREAK@@@@@@WCF_PRE_LINEBREAK@@@Aufgabe:@@@WCF_PRE_LINEBREAK@@@[Welche Arbeit soll die KI ausführen? Welche Schritte gelten?]@@@WCF_PRE_LINEBREAK@@@@@@WCF_PRE_LINEBREAK@@@Ausgabeformat und Umfang:@@@WCF_PRE_LINEBREAK@@@[Struktur, Markdown, Überschriften, Tabellen oder Listen nur bei Mehrwert]@@@WCF_PRE_LINEBREAK@@@@@@WCF_PRE_LINEBREAK@@@Ton:@@@WCF_PRE_LINEBREAK@@@[Sprachstil, Anrede, Verständlichkeitsniveau]@@@WCF_PRE_LINEBREAK@@@@@@WCF_PRE_LINEBREAK@@@Ausschlüsse:@@@WCF_PRE_LINEBREAK@@@[Keine erfundenen Zahlen, generischen Einleitungen oder unbelegten Superlative]@@@WCF_PRE_LINEBREAK@@@@@@WCF_PRE_LINEBREAK@@@Prüfkriterien:@@@WCF_PRE_LINEBREAK@@@[Zielgruppenpassung, Fakten, Quellen, Suchintention, Vollständigkeit und Format]@@@WCF_PRE_LINEBREAK@@@Strukturierte Version des Lernfalls:
Erstelle einen deutschsprachigen, zeitlosen SEO-Blogartikel zum Thema bessere KI-Prompts für Content-Aufgaben. Zielgruppe sind Content-Mitarbeitende mit ersten KI-Erfahrungen. Die Suchintention ist How-to: Leser:innen sollen einen vagen Auftrag in einen überprüfbaren Content-Prompt umwandeln können. Verwende das Beispiel „Schreib einen Artikel über Prompting“ und entwickle es schrittweise weiter. Zeige typische Output-Fehler und repariere jeweils nur den verantwortlichen Prompt-Teil. Nutze bereitgestellte Quellen für fachliche Aussagen; markiere fehlende Belege und erfinde keine Fakten. Liefere zuerst eine Gliederung, danach den Entwurf in Markdown mit klaren Überschriften. Schreibe verständlich, konkret und ohne generische Einleitung. Tabellen und Listen nur, wenn sie die Entscheidung erleichtern. Prüfe abschließend Zielgruppe, Suchintention, fachliche Richtigkeit, Quellenklarheit, Vollständigkeit, Eigenständigkeit, Ton und Format.
Damit ist nicht jede mögliche Formulierung vorweggenommen. Der Arbeitsauftrag macht aber sichtbar, was entstehen soll und wann das Ergebnis nicht genügt.
Wenn die Antwort nicht passt: KI-Prompts über Fehlerdiagnosen verbessern
Symptom „zu allgemein“: Kontext und Entscheidungskriterien fehlen
| Output-Symptom | Wahrscheinliche Prompt-Ursache | Reparaturfrage | Verbesserte Prompt-Zeile |
|---|---|---|---|
| Zu allgemein | Ziel oder Zielgruppe fehlen | Wer soll danach was können? | „Schreibe für Einsteiger:innen, die anschließend einen Prompt selbst prüfen können.“ |
| Klingt nicht nach der Marke | Ton ist abstrakt | Welche sprachlichen Merkmale und Beispiele passen? | „Schreibe direkt, ruhig und konkret; erkläre Fachbegriffe beim ersten Auftreten.“ |
| Inhaltlich fragwürdig | Quellenbasis und Grenzen fehlen | Welche Aussagen sind belegt, welche unsicher? | „Markiere unbelegte Aussagen und erfinde keine Zahlen oder Zitate.“ |
| Falsches Format | Ausgabe und Prüfpunkte sind offen | Wie muss der Output weiterverarbeitet werden? | „Liefere Markdown mit H2/H3, anschließend eine kurze Prüfliste.“ |
Mehr Wörter bedeuten dabei nicht automatisch mehr Präzision. Auch eine Rollenbeschreibung wie „Du bist ein genialer SEO-Experte“ ersetzt keinen Kontext. Und „Schreibe eine Tabelle“ ist eine Formatvorgabe, aber noch keine Qualitätsprüfung.
Vorher-nachher-Übungen: Einen Prompt gezielt statt komplett neu schreiben
Übung 1: Zu allgemein
- Vorher: „Schreibe einen hilfreichen Artikel über KI-Prompts.“
- Diagnose: Die Zielgruppe und ihr konkreter Lerngewinn fehlen.
- Änderung: Nur das Ziel und die Zielgruppe ergänzen.
- Nachher: „Schreibe für Content-Einsteiger:innen einen Artikel, nach dem sie einen vagen Auftrag in einen prüfbaren Blogartikel-Prompt umwandeln können.“
Übung 2: Unpassender Ton
- Vorher: „Erkläre das Thema professionell.“
- Diagnose: „Professionell“ ist nicht beobachtbar.
- Änderung: Nur die Stilbeschreibung präzisieren.
- Nachher: „Schreibe freundlich, direkt und verständlich; nutze kurze Absätze, konkrete Beispiele und keine unnötigen Anglizismen.“
Übung 3: Fragwürdige Fakten
- Vorher: „Belege, dass gute Prompts die Produktivität verdoppeln.“
- Diagnose: Eine unbelegte Behauptung wird bereits im Auftrag vorausgesetzt.
- Änderung: Nur Quellen- und Unsicherheitsregeln ergänzen.
- Nachher: „Nenne Produktivitätseffekte nur, wenn sie durch bereitgestellte Quellen belegt sind; andernfalls formuliere keine Zahl und markiere die offene Evidenz.“
Übung 4: Unbrauchbares Format
- Vorher: „Schreibe etwas über die wichtigsten Prompt-Tipps.“
- Diagnose: Der Text kann als lose Liste statt als nutzbarer Lernweg enden.
- Änderung: Nur das Ausgabeformat und den Ablauf ergänzen.
- Nachher: „Liefere zuerst eine Gliederung, danach einen Markdown-Entwurf mit einem durchgängigen Beispiel, Übungen und einer abschließenden Prüfliste.“
Vor dem Schreiben kann der Prompt außerdem eine Rückfragephase enthalten: „Benenne zuerst fehlende Informationen, die das Ergebnis wesentlich beeinflussen, und stelle höchstens fünf konkrete Fragen. Wenn keine kritische Lücke besteht, fahre fort.“ Das ist hilfreicher als eine allgemeine Bitte um „mehr Details“.
Ein neuer Chat ist sinnvoll, wenn sich Kontext vermischt hat, die Aufgabe grundlegend wechselt oder frühere Annahmen den Output sichtbar verzerren. Endloses Nachprompten macht einen verworrenen Verlauf nicht zuverlässig wieder sauber.
Welche Tipps für ChatGPT-Prompts verbessern die Ergebnisse? Mit kleinen Iterationen testen
Erst Struktur, dann Entwurf, dann Redaktion
Prompting ist eine Test- und Lernschleife, keine Suche nach dem einen perfekten Master-Prompt. Für Content genügt oft ein schlanker Drei-Phasen-Workflow:
- Planung: „Entwirf eine Gliederung und nenne offene Informationslücken.“ Abnahme: Deckt die Struktur Zielgruppe und Suchintention ab?
- Entwurf: „Schreibe nur auf Basis der freigegebenen Struktur und des Materials.“ Abnahme: Sind Inhalt, Umfang und Format brauchbar?
- Qualitätsprüfung: „Prüfe den Text gegen die Kriterien und liste konkrete Korrekturen.“ Abnahme: Sind Fakten, Belege, Nutzen und Ton stimmig?
Ändere pro Iteration möglichst nur einen Hebel: Zielgruppe, Kontext, Ton, Detailgrad oder Format. Dann lässt sich erkennen, welche Prompt-Zeile die Verbesserung bewirkt hat.
Die Content-Abnahme sollte mindestens diese Punkte enthalten: fachliche Richtigkeit, Quellen und Belege, Zielgruppenpassung, Suchintention, Eigenständigkeit, Tonalität, Vollständigkeit und Format. Ein flüssiger Text ist nicht automatisch ein richtiger oder nützlicher Text.
Teams sollten bewährte Vorlagen versionieren, zum Beispiel mit Datum, Einsatzbereich und Änderungsnotiz. Ergänzend helfen ein gutes Beispiel, ein negatives Beispiel und Qualitätsnotizen wie „Quellenregel ergänzt, weil Zahlen erfunden wurden“. Prompt-Qualität ist dabei nur ein Baustein eines kontrollierten Prozesses mit menschlicher Prüfung, klaren Übergaben und Lernschleifen. Wie das in einen größeren Workflow für KI-Content und SEO eingeordnet werden kann, hängt vom jeweiligen Teamprozess ab.
Wie lässt sich Prompten lernen? Übungsplan und Rolle des Prompt Engineers
Ein 30-Minuten-Trainingsplan mit einem eigenen Content-Thema
Prompten lernt man am schnellsten an einem echten, kleinen Thema:
- 5 Minuten: Einen vagen Auftrag sammeln, etwa „Schreibe einen Newsletter über unser neues Webinar“.
- 5 Minuten: Ziel, Zielgruppe und gewünschte Handlung klären.
- 8 Minuten: Kontext, Material, Grenzen, Format und Prüfkriterien ergänzen.
- 7 Minuten: Output auf genau einen Fehler untersuchen und nur einen Hebel ändern.
- 5 Minuten: Die funktionierende Vorlage mit Beispiel, Gegenbeispiel und Qualitätsnotiz dokumentieren.
Diese Übungsreihe beantwortet die Frage „Wie lässt sich Prompten lernen?“ praxisnah: nicht durch das Auswendiglernen langer Formeln, sondern durch Beobachten, Zuordnen und gezieltes Reparieren.
Was macht ein Prompt Engineer bei der Content-Erstellung?
Ein Prompt Engineer übersetzt Anforderungen in klare Prompt-Vorlagen, entwickelt Tests, bewertet Ergebnisse, verbessert Übergaben und definiert Grenzen. Die Rolle besteht nicht darin, eigenmächtig Fakten, Markenpositionen oder redaktionelle Freigaben festzulegen.
Fachexpert:innen liefern das Wissen und prüfen fachliche Aussagen. SEO- und Content-Strategie bestimmen Bedarf und Suchintention. Die Redaktion verantwortet Qualität, Stil und Freigabe. Prompt Engineering ist deshalb vor allem eine Teamkompetenz: Es verbindet Anforderungen mit überprüfbaren Arbeitsanweisungen.
FAQ zu KI-Prompts und richtigem Prompten
Wie kann man richtig prompten?
Zuerst das gewünschte Ergebnis und die Zielgruppe klären, dann Kontext, Aufgabe, Format und Grenzen ergänzen. Anschließend den Output anhand konkreter Kriterien prüfen und iterativ verbessern.
Müssen KI-Prompts lang sein?
Nein. Sie müssen vollständig für die jeweilige Aufgabe sein. Ein kurzer Prompt mit klarem Ziel und passendem Kontext ist oft besser als ein langer Text mit widersprüchlichen Vorgaben.
Warum liefert derselbe Prompt unterschiedliche Antworten?
KI-Ausgaben können variieren, weil Formulierungen mehrdeutig sind, Kontext fehlt oder das System unterschiedliche plausible Antworten auswählt. Feste Materialien, klare Formate und Prüfkriterien reduzieren diese Schwankung, beseitigen sie aber nicht vollständig.
Wie erkenne ich einen guten Prompt für Content?
Er beschreibt Ergebnis, Zielgruppe, Kontext, Material, Aufgabe, Format, Ton und Grenzen. Außerdem enthält er Abnahmekriterien und eine Regel für fehlende oder unsichere Belege.
Kann ein Prompt Engineer die Redaktion ersetzen?
Nein. Die Rolle kann Arbeitsaufträge, Tests und Übergaben verbessern. Fachliche Bewertung, Zielgruppenverständnis, Quellenprüfung und redaktionelle Freigabe bleiben menschliche Verantwortungsbereiche.