Prompt Engineering

Wo hört Prompten auf, wo beginnt Prompt Engineering?

Einen Prompt schreibt jede Person, die mit ChatGPT, Claude oder Gemini arbeitet. Prompt Engineering wird daraus, wenn drei Dinge dazukommen: ein definiertes Ziel, ein wiederholbarer Aufbau und eine Methode, um die Qualität zu messen.

• Ziel definieren: Welcher Geschäftsprozess soll mit dem Prompt unterstützt werden – Angebotsentwurf, Reklamationsantwort, Vertrags-Prüfung?
• Aufbau standardisieren: Rolle, Aufgabe, Kontext und Format werden in einer festen Reihenfolge zusammengesetzt. Das macht Ergebnisse vergleichbar.
• Qualität messen: Eine Reihe von Testbeispielen prüft, ob der Prompt das Modell stabil zur gleichen Antwortqualität führt – auch bei neuen Eingaben.
• Versionieren: Gute Prompts werden wie Code behandelt – mit Datum, Autor und Modellversion. So bleibt nachvollziehbar, warum eine Änderung eingeführt wurde.

Bewährte Muster im Prompt Engineering

Auf jedem Foundation Model funktionieren eine Handvoll Muster zuverlässig. Sie bilden den Werkzeugkasten der Disziplin:

Warum es eine Unternehmens-Disziplin wird

Laut dem IBM Guide to Prompt Engineering (2026) entscheidet die Qualität der Prompts inzwischen messbar über die Wirtschaftlichkeit von KI-Projekten – vom Kundenservice-Chatbot bis zur internen Wissensdatenbank. Eine schwacher Prompt liefert halluzinierte Antworten und gefährdet Compliance; ein gut gepflegter Prompt macht aus demselben Large Language Model ein zuverlässiges Werkzeug. Für Unternehmen folgen daraus drei Konsequenzen:

• Prompt-Bibliothek als Asset: Erprobte Prompts werden zentral gepflegt, getaggt und versioniert – oft im selben Repository wie der Anwendungs-Code.
• Rollenmodell „Prompt Owner“: Jede Fachabteilung hat eine Person, die für Pflege, Evaluation und Schulung zuständig ist – analog zum Daten-Owner.
• Mitarbeiter-Schulung: Wer mit KI arbeitet, lernt strukturiertes Prompten als Grundkompetenz – vergleichbar mit Excel-Formeln vor 20 Jahren.
• Modell-Wechsel als Risiko: Ein Prompt, der auf GPT-4 funktioniert, kann auf GPT-5 oder Claude anders reagieren. Regelmäßige Re-Evaluation ist Pflicht.

Werkzeuge und typischer Workflow

Prompt Engineering ist nicht mehr nur Editor und Bauchgefühl. Ein professioneller Workflow nutzt vier Bausteine, die laut IT-I-Ko (2026) zur Zukunft der Arbeitswelt gehören:

• Prompt-Editor & Playground: Tools wie OpenAI Playground, Anthropic Workbench oder Open-Source-Alternativen wie PromptHub erlauben Side-by-Side-Vergleiche verschiedener Prompt-Varianten.
• Evaluations-Set: Eine kuratierte Sammlung typischer Eingaben mit erwarteten Antworten. Jeder neue Prompt-Stand wird automatisiert dagegen getestet.
• Templating-Engine: Prompts werden mit Variablen (z. B. Kundenname, Datum, RAG-Snippet) zur Laufzeit zusammengesetzt – nicht hartcodiert.
• Monitoring in Produktion: Antworten werden geloggt, kostenbasiert ausgewertet und stichprobenartig manuell bewertet. Driftet die Qualität, wird der Prompt nachgeschärft.

Sicherheits-Themen: Prompt Injection & Guardrails

Prompt Engineering bedeutet auch, das Modell vor Angriffen zu schützen. Die wichtigste Bedrohung ist die Prompt Injection: Nutzer oder externe Inhalte (E-Mails, Webseiten, Dokumente) schmuggeln Anweisungen in den Prompt, die das Modell überschreiben sollen.

• System-Prompt strikt schreiben: Klare Regeln für erlaubte Aktionen, verbotene Themen und den Umgang mit widersprüchlichen Anweisungen.
• Quelltext markieren: Externe Inhalte werden in den Prompt als „Daten“ gekennzeichnet – nicht als Anweisung. Das reduziert Injection-Risiken deutlich.
• Ausgaben filtern: Ein nachgeschalteter Filter prüft die Antwort auf personenbezogene Daten, Schimpfwörter oder Compliance- Verstöße, bevor sie den Nutzer erreicht.
• Tool-Aufrufe abriegeln: Bei KI-Agenten dürfen nur explizit freigegebene Werkzeuge mit klaren Parametern ausgeführt werden – nie offene Shell- oder API-Zugriffe.

Verwandte Begriffe

• Prompt – Die einzelne Eingabe, die per Prompt Engineering systematisch optimiert wird
• Large Language Model – Das Modell, dessen Verhalten durch Prompt Engineering gesteuert wird
• LLM – Auswahlkriterien für das Modell hinter den Prompts
• Foundation Model – Universelle Basis, die ohne Finetuning per Prompt steuerbar ist
• Generative KI – Einsatzfeld, in dem Prompt Engineering den Output dominiert
• KI Agent – Erweitert Prompts um Tool-Aufrufe und Mehrschritt-Logik