Prompt Engineering: Definition, Techniken und Beispiele für Unternehmen

Prompt Engineering ist das gezielte Formulieren, Testen und Verbessern von Anweisungen an KI-Modelle, damit sie verlässlich das gewünschte Ergebnis liefern, statt nur irgendeine plausible Antwort.

Zwei Menschen im selben Unternehmen nutzen dasselbe KI-Werkzeug für dieselbe Aufgabe. Die eine bekommt einen brauchbaren Angebotsentwurf, der andere einen austauschbaren Text, den er komplett neu schreibt. Am Werkzeug liegt das selten. Es liegt daran, wie gefragt wird. Genau darum geht es beim Prompt Engineering.

Ich bin seit 1998 im Vertrieb und berate heute als freier KI-Berater mittelständische Unternehmen. In diesem Ratgeber erkläre ich, was Prompt Engineering ist, aus welchen Bausteinen ein guter Prompt besteht, welche Techniken es gibt, wie das an Beispielen aus Vertrieb und Marketing aussieht und wie ein Unternehmen gute Prompts nicht dem Zufall überlässt.

Was ist Prompt Engineering?

Prompt Engineering ist die Praxis, Eingaben für generative KI so zu gestalten, dass ein Sprachmodell eine Aufgabe genau, wiederholbar und im gewünschten Format erledigt. Es verbindet klare Sprache mit systematischem Testen.

Ein Prompt ist alles, was ein KI-Modell als Eingabe bekommt: die Frage oder Aufgabe, der Hintergrund, Beispiele, Vorgaben zum Format und angehängte Dokumente. Das englische Wort „prompt“ bedeutet so viel wie Aufforderung oder Stichwort. „Engineering“ steht dafür, dass gute Prompts nicht beim ersten Versuch entstehen, sondern entworfen, ausprobiert und verbessert werden.

Warum das nötig ist, erklärt die Funktionsweise großer Sprachmodelle. Sie berechnen, welche Fortsetzung am besten zur Eingabe passt. Ist die Eingabe vage, wird auch die Antwort beliebig. Ist sie präzise und liefert den nötigen Kontext, wird die Antwort deutlich besser. Wie Sprachmodelle grundsätzlich arbeiten, beschreibe ich im Ratgeber Generative KI.

Eine hilfreiche Vorstellung: Ein KI-Modell ist wie eine sehr belesene neue Kollegin am ersten Arbeitstag. Sie kann schnell schreiben und weiß viel über die Welt, aber nichts über dein Unternehmen, deine Kunden und deine Erwartungen. Ein guter Prompt ist eine gute Einweisung.

Warum Prompt Engineering im Unternehmen zählt

Viele Unternehmen kaufen Lizenzen für KI-Werkzeuge und wundern sich, warum die Wirkung ausbleibt. Häufig liegt das nicht an der Technik, sondern daran, dass niemand gezeigt hat, wie man mit ihr arbeitet. Prompt Engineering ist deshalb weniger ein Thema für Technikbegeisterte als eine Grundfähigkeit für alle, die mit KI arbeiten.

  • Qualität: Bessere Prompts liefern Entwürfe, die näher am Ziel sind. Das spart Nacharbeit.
  • Verlässlichkeit: Ein erprobter Prompt liefert bei gleicher Aufgabe ähnliche Ergebnisse, egal wer ihn nutzt.
  • Einheitlicher Auftritt: Wenn Tonalität, Begriffe und Regeln im Prompt stehen, klingen Angebote und Antworten nach einem Unternehmen, nicht nach zehn Einzelpersonen.
  • Weniger Risiko: Ein Prompt kann festlegen, dass das Modell keine Zahlen erfindet, Lücken markiert und Quellen nennt. Das ersetzt keine Prüfung, macht sie aber leichter.

Der EU AI Act verlangt außerdem von Unternehmen, die KI einsetzen, dass ihre Mitarbeitenden über ausreichende KI-Kompetenz verfügen. Der sichere Umgang mit Prompts gehört in der Praxis dazu. Was das für dein Unternehmen konkret bedeutet, hängt vom Einsatz ab. Den Text der Verordnung findest du auf EUR-Lex.

Keine Rechtsberatung. Im Einzelfall Anwalt fragen.

Die sechs Bausteine eines guten Prompts

Ein guter Prompt besteht aus sechs Bausteinen: Rolle, Aufgabe, Kontext, Beispiel, Format und Grenzen. Nicht jeder Prompt braucht alle sechs, aber je wichtiger das Ergebnis, desto mehr davon sollten drinstehen.

Sechs Bausteine eines guten PromptsJe mehr dieser Bausteine ein Prompt enthält, desto näher ist das Ergebnis am Ziel. 1. Rolle: Aus welcher Perspektive soll das Modell arbeiten? 2. Aufgabe und Ziel: Was genau soll entstehen, und wofür wird es gebraucht? 3. Kontext: Zielgruppe, Ausgangslage, Fakten, Unterlagen. 4. Beispiel: Ein Muster für ein gutes Ergebnis. 5. Format: Länge, Aufbau, Tonalität, Sprache. 6. Grenzen: Was nicht passieren darf, und wie Lücken markiert werden.Sechs Bausteine eines guten PromptsJe mehr dieser Bausteine ein Prompt enthält, desto näher ist das Ergebnis am Ziel.RolleAus welcher Perspektive soll das Modell arbeiten?Aufgabe und ZielWas genau soll entstehen, und wofür wird es gebraucht?KontextZielgruppe, Ausgangslage, Fakten, Unterlagen.BeispielEin Muster für ein gutes Ergebnis.FormatLänge, Aufbau, Tonalität, Sprache.GrenzenWas nicht passieren darf, und wie Lücken markiert werden.Quelle: draganmatijevic.de/prompt-engineeringDragan Matijević.Sechs Bausteine eines guten PromptsJe mehr dieser Bausteine ein Prompt enthält, desto näher ist das Ergebnis am Ziel. 1. Rolle: Aus welcher Perspektive soll das Modell arbeiten? 2. Aufgabe und Ziel: Was genau soll entstehen, und wofür wird es gebraucht? 3. Kontext: Zielgruppe, Ausgangslage, Fakten, Unterlagen. 4. Beispiel: Ein Muster für ein gutes Ergebnis. 5. Format: Länge, Aufbau, Tonalität, Sprache. 6. Grenzen: Was nicht passieren darf, und wie Lücken markiert werden.Sechs Bausteine einesguten PromptsJe mehr dieser Bausteine ein Promptenthält, desto näher ist das Ergebnis amZiel.RolleAus welcher Perspektive solldas Modell arbeiten?Aufgabe und ZielWas genau soll entstehen, undwofür wird es gebraucht?KontextZielgruppe, Ausgangslage,Fakten, Unterlagen.BeispielEin Muster für ein gutesErgebnis.FormatLänge, Aufbau, Tonalität,Sprache.GrenzenWas nicht passieren darf, undwie Lücken markiert werden.Quelle: draganmatijevic.de/prompt-engineeringDragan Matijević.

Sechs Bausteine eines guten Prompts: Je mehr dieser Bausteine ein Prompt enthält, desto näher ist das Ergebnis am Ziel.

  1. Rolle: Aus welcher Perspektive soll das Modell arbeiten?
  2. Aufgabe und Ziel: Was genau soll entstehen, und wofür wird es gebraucht?
  3. Kontext: Zielgruppe, Ausgangslage, Fakten, Unterlagen.
  4. Beispiel: Ein Muster für ein gutes Ergebnis.
  5. Format: Länge, Aufbau, Tonalität, Sprache.
  6. Grenzen: Was nicht passieren darf, und wie Lücken markiert werden.

1. Rolle

Die Rolle legt die Perspektive fest: „Du bist eine erfahrene Vertriebsleiterin im Maschinenbau“ führt zu anderen Antworten als „Du bist ein Werbetexter“. Die Rolle allein macht ein Modell nicht klüger, aber sie lenkt Wortwahl, Tiefe und Blickwinkel.

2. Aufgabe und Ziel

Die Aufgabe sagt, was entstehen soll. Das Ziel sagt, wofür. „Schreibe eine Mail“ ist eine Aufgabe. „Schreibe eine Mail, nach der der Kunde einen Termin für eine Vorführung vereinbart“ ist eine Aufgabe mit Ziel. Mit Ziel kann das Modell selbst abwägen, was wichtig ist.

3. Kontext

Hier entscheidet sich die Qualität am stärksten. Wer ist die Zielgruppe? Was ist vorher passiert? Welche Fakten müssen stimmen? Welche Unterlagen sind relevant? Was ein neuer Kollege wissen müsste, um die Aufgabe gut zu erledigen, gehört in den Kontext.

4. Beispiel

Ein einziges gutes Beispiel sagt oft mehr als ein Absatz Beschreibung. Wenn du eine bestimmte Tonalität willst, füge einen Text an, der so klingt. Wichtig: Sage dazu, dass es ein Muster ist und nicht kopiert werden soll.

5. Format

Länge, Aufbau und Form: drei Absätze, fünf Stichpunkte, eine Tabelle mit festen Spalten, Sie oder Du, Deutsch oder Englisch. Je genauer das Format, desto weniger musst du hinterher umbauen.

6. Grenzen

Grenzen verhindern typische Fehler. Beispiele: „Erfinde keine Zahlen, Namen oder Referenzen.“ „Wenn dir eine Information fehlt, schreibe [FEHLT] an die Stelle.“ „Keine Superlative.“ Diese eine Zeile spart oft die meiste Prüfarbeit.

Techniken im Überblick

Neben den Bausteinen gibt es Techniken, die sich bewährt haben. Die Tabelle zeigt die wichtigsten, wofür sie sich eignen und wo ihre Grenzen liegen.

Techniken des Prompt Engineering im Vergleich
TechnikPrinzipGeeignet fürGrenze
Zero-ShotKlare Aufgabe ohne BeispieleEinfache, eindeutige Aufgaben wie Zusammenfassen oder ÜbersetzenFormat und Stil schwanken, wenn die Aufgabe offen ist
Few-ShotEin bis drei Beispiele für das gewünschte Ergebnis mitgebenWiederkehrende Texte mit festem Stil, etwa Antworten oder ProdukttexteDas Modell kopiert die Beispiele manchmal zu eng
Schrittweises DenkenDas Modell soll erst Schritte durchgehen, dann antworten (Chain of Thought)Abwägungen, Rechnungen, Bewertungen mit mehreren KriterienLängere Antworten, und die Schritte selbst können falsch sein
Rolle und PerspektiveEine Rolle vorgeben, etwa erfahrene Vertriebsleiterin oder skeptischer EinkäuferFeedback auf Entwürfe, Einwände durchspielen, Zielgruppe wechselnEine Rolle ersetzt kein Fachwissen, das dem Modell fehlt
Prompt-VerkettungEine große Aufgabe in mehrere Prompts nacheinander zerlegenRecherche, dann Gliederung, dann Entwurf, dann PrüfungMehr Aufwand, Fehler aus frühen Schritten wandern weiter
SystempromptFeste Grundanweisung, die für alle folgenden Eingaben giltEigene Assistenten mit Tonalität, Regeln und Wissen des UnternehmensMuss gepflegt werden, sonst veraltet das Wissen darin

Im Alltag werden die Techniken kombiniert, etwa ein Systemprompt mit Rolle, dazu ein Beispiel und eine schrittweise Prüfung am Ende.

Zero-Shot und Few-Shot

Beim Zero-Shot-Prompt bekommt das Modell nur die Aufgabe. Das reicht für einfache Dinge wie „Fasse diesen Text in drei Sätzen zusammen“. Beim Few-Shot-Prompt kommen ein bis drei Beispiele dazu. Das hilft, sobald Stil, Aufbau oder Begriffe einheitlich sein sollen.

Schrittweises Denken

Bei Aufgaben mit mehreren Kriterien hilft die Anweisung, erst die einzelnen Punkte durchzugehen und dann zu entscheiden. Im Englischen heißt das Chain of Thought. Viele aktuelle Modelle tun das inzwischen von selbst, wenn sie im sogenannten Denkmodus arbeiten. Trotzdem lohnt es sich, die Kriterien vorzugeben, nach denen abgewogen werden soll.

Prompt-Verkettung

Große Aufgaben gelingen besser in Etappen: erst recherchieren, dann gliedern, dann schreiben, dann prüfen. Jeder Schritt bekommt einen eigenen Prompt, und du kannst zwischendurch korrigieren. Das ist langsamer als ein Riesenprompt, aber deutlich verlässlicher.

Systemprompts und eigene Assistenten

Ein Systemprompt ist eine feste Grundanweisung, die vor jeder Eingabe gilt. In vielen Werkzeugen lassen sich damit eigene Assistenten anlegen, etwa als eigene GPTs in ChatGPT, als Projekte in Claude oder als Gems in Gemini. Dort stehen dann Rolle, Tonalität, Regeln und Hintergrundwissen des Unternehmens, und das Team muss sie nicht jedes Mal neu eintippen.

Selbstprüfung

Eine einfache, oft unterschätzte Technik: Das Modell soll sein eigenes Ergebnis anhand einer Liste prüfen. „Prüfe deinen Entwurf: Stehen alle genannten Fakten im Kontext? Ist der Text unter 150 Wörtern? Gibt es Superlative?“ Das fängt nicht jeden Fehler ab, aber viele.

Beispiele aus Vertrieb und Marketing

Der Vertrieb ist mein Schwerpunkt. Deshalb zeige ich die Bausteine an drei Aufgaben, die mir in mittelständischen Vertriebsteams ständig begegnen. Jeweils zuerst der typische schwache Prompt, dann eine bessere Fassung.

Beispiel 1: Nachfassmail nach einem Angebot

Schwach:

Schreib eine Nachfassmail zu unserem Angebot.

Besser:

Du bist Vertriebsmitarbeiter bei einem Hersteller von Verpackungsmaschinen. Schreibe eine kurze Nachfassmail an den technischen Leiter eines Lebensmittelherstellers. Wir haben vor zehn Tagen ein Angebot für eine Schlauchbeutelmaschine geschickt. Im Erstgespräch war ihm die Umrüstzeit zwischen Formaten am wichtigsten. Ziel der Mail: ein 20-minütiger Termin, um offene Fragen zu klären. Format: höchstens 90 Wörter, Sie-Form, kein Druck, eine konkrete Frage am Ende. Erfinde keine Zahlen oder Referenzen. Wenn dir etwas fehlt, schreibe [FEHLT].

Der Unterschied: Rolle, Empfänger, Vorgeschichte, das Thema, das dem Kunden wichtig war, ein klares Ziel, ein Format und eine Grenze. Das Ergebnis ist ein Entwurf, den man mit wenigen Änderungen verschicken kann.

Beispiel 2: Vorbereitung auf ein Erstgespräch

Schwach:

Was weißt du über die Firma Muster GmbH?

Besser:

Ich habe nächste Woche ein Erstgespräch mit der Geschäftsführerin der Muster GmbH. Unten findest du den Text ihrer Website und zwei aktuelle Pressemitteilungen. Fasse zusammen: 1. was das Unternehmen macht und für wen, 2. welche Veränderungen in den Texten erkennbar sind, 3. fünf Fragen, mit denen ich verstehe, wo sie im Vertrieb gerade steht. Nutze nur die Informationen aus den Texten. Kennzeichne Vermutungen als Vermutung.

Der wichtigste Unterschied: Die Quelle wird mitgeliefert. Ohne sie greift das Modell auf Trainingswissen zurück, das veraltet oder schlicht falsch sein kann.

Beispiel 3: Einwände durchspielen

Du bist ein skeptischer Einkaufsleiter in einem mittelständischen Industrieunternehmen. Ich stelle dir gleich unser Angebot für eine Wartungsvereinbarung vor. Reagiere mit den Einwänden, die ein erfahrener Einkäufer wirklich bringen würde, einer nach dem anderen. Warte nach jedem Einwand auf meine Antwort. Gib mir am Ende eine ehrliche Rückmeldung, welche Antworten überzeugend waren und welche nicht.

Hier wird das Modell zum Trainingspartner. Rolle, Ablauf und eine Auswertung am Ende machen aus einer Frage eine Übung. Für Vertriebsteams ist das einer der einfachsten Einstiege in die Arbeit mit KI.

Und im Marketing?

Dieselben Bausteine gelten. Der häufigste Fehler im Marketing ist fehlender Kontext zur Positionierung: Wer nicht sagt, wofür das Unternehmen steht und wen es erreichen will, bekommt Texte, die für jedes Unternehmen passen würden. Deshalb gehören eine kurze Positionierung und ein Beispieltext in fast jeden Marketing-Prompt oder gleich in den Systemprompt eines eigenen Assistenten.

Häufige Fehler beim Prompten

  • Zu kurz: Ein Satz ohne Kontext führt zu einem Durchschnittsergebnis. Lieber drei Sätze mehr schreiben als den Text hinterher neu.
  • Mehrere Aufgaben auf einmal: Recherche, Bewertung und Text in einem Prompt überfordern selbst gute Modelle. Besser aufteilen.
  • Neu würfeln statt verbessern: Wer bei einem schwachen Ergebnis nur auf „Neu generieren“ klickt, lernt nichts. Besser fragen: Was hat im Prompt gefehlt?
  • Faktenfragen ohne Quelle: Ohne mitgelieferte Unterlagen antwortet das Modell aus dem Gedächtnis, und das kann falsch sein, auch wenn es überzeugend klingt.
  • Vertrauliches in freie Werkzeuge: Kundendaten, Preise und interne Unterlagen gehören nur in Werkzeuge, die das Unternehmen dafür freigegeben hat.
  • Ergebnis ungeprüft weitergeben: Auch der beste Prompt macht aus einem Entwurf keine geprüfte Aussage. Was an Kunden geht, liest ein Mensch.

Prompt Engineering im Unternehmen verankern

Damit gute Prompts nicht Wissen einzelner bleiben, braucht ein Unternehmen vier Dinge: freigegebene Werkzeuge mit klaren Regeln, eine gemeinsame Prompt-Bibliothek, Schulung der Teams und regelmäßige Pflege.

  1. Werkzeuge und Regeln festlegen: Welche Werkzeuge sind freigegeben? Welche Daten dürfen hinein? Wer prüft, was an Kunden geht? Eine Seite mit klaren Regeln reicht für den Anfang.
  2. Prompt-Bibliothek anlegen: Erprobte Prompts für wiederkehrende Aufgaben werden gesammelt, kurz beschrieben und für alle zugänglich gemacht. Am besten nach Aufgaben sortiert, nicht nach Abteilungen.
  3. Teams schulen: Die sechs Bausteine sind schnell erklärt. Wirklich sitzen sie erst, wenn die Teams sie an ihren eigenen Aufgaben üben.
  4. Pflegen und verbessern: Prompts veralten, wenn sich Produkte, Preise oder Werkzeuge ändern. Jemand muss verantwortlich sein, die Bibliothek aktuell zu halten.

Prompt Engineering ist dabei ein Baustein, kein Plan. Welche Anwendungsfälle zuerst angegangen werden und wie KI insgesamt in die Abläufe passt, gehört in eine übergeordnete Planung. Wie die aussieht, beschreibe ich im Leitfaden zur KI-Strategie für Unternehmen.

Prompt Engineer: Beruf oder Fähigkeit?

Mit dem Aufkommen von ChatGPT tauchte der Prompt Engineer als neuer Beruf auf. Solche Stellen gibt es, meist in Unternehmen, die selbst KI-Anwendungen entwickeln. Dort geht es darum, Prompts für Software zu entwerfen, systematisch zu testen und ihre Qualität zu messen.

Für den Mittelstand ist die andere Sicht wichtiger: Prompt Engineering ist eine Fähigkeit, keine Abteilung. Die besten Prompts für den Vertrieb schreibt jemand, der den Vertrieb kennt. Die besten Prompts für den Kundenservice jemand, der die Kunden kennt. Ein eigener Prompt Engineer lohnt sich erst, wenn ein Unternehmen KI fest in eigene Systeme einbaut.

Grenzen von Prompt Engineering

Gute Prompts verbessern Ergebnisse spürbar, aber sie haben Grenzen:

  • Fehlendes Wissen: Was das Modell nicht weiß und nicht mitgeliefert bekommt, kann auch der beste Prompt nicht herbeizaubern. Dann braucht es eigene Daten, die angebunden werden.
  • Keine Garantie: Sprachmodelle bleiben Wahrscheinlichkeitsmaschinen. Auch mit perfektem Prompt kommen falsche Aussagen vor.
  • Handarbeit: Ein Prompt beschleunigt eine Aufgabe, erledigt sie aber nicht selbstständig. Wer ganze Abläufe automatisieren will, landet bei KI-Agenten, die Ziele über mehrere Schritte verfolgen. Wie die funktionieren, erklärt close one im Ratgeber KI-Agenten.

Was ich aus der Praxis mitnehme

Ich arbeite seit über 25 Jahren im Vertrieb, habe Hunderte B2B-Kampagnen umgesetzt und über 495 Vorträge und Webinare gehalten. Prompts schreibe ich nicht nur in der Beratung, sondern für Systeme, die täglich laufen. In Qauf laufen sieben KI-Agenten live in Produktion, und jeder davon steht und fällt mit seinen Anweisungen.

Drei Dinge habe ich dabei gelernt:

  • Kontext schlägt Tricks. Die meisten Verbesserungen kommen nicht von cleveren Formulierungen, sondern davon, dass das Modell endlich die Informationen bekommt, die es braucht.
  • Grenzen sind wichtiger als Wünsche. „Erfinde nichts, markiere Lücken“ hat in meinen Prompts mehr Fehler verhindert als jede Beschreibung des gewünschten Stils.
  • Gute Prompts sind gute Delegation. Wer gelernt hat, Aufgaben klar an Menschen zu übergeben, schreibt auch gute Prompts. Und umgekehrt: Wer gute Prompts schreibt, delegiert oft auch besser.

Wenn deine Teams lernen sollen, mit KI so zu arbeiten, dass gute Ergebnisse die Regel werden, eignet sich der KI-Workshop für den Mittelstand: ein Tag mit 8 Stunden, bevorzugt vor Ort bei euch im Unternehmen, auf Wunsch online. Wenn es um mehr geht als Prompts, begleite ich das in meiner KI-Beratung für den Mittelstand. Buche ein 30-minütiges Erstgespräch, wenn du klären willst, wo dein Unternehmen steht.

Häufige Fragen

Was ist Prompt Engineering einfach erklärt?

Prompt Engineering bedeutet, Anweisungen an ein KI-Modell so zu formulieren, dass es verlässlich das gewünschte Ergebnis liefert. Dazu gehören eine klare Aufgabe, der nötige Kontext, Beispiele, das gewünschte Format und Grenzen. Gute Prompts werden getestet und verbessert, bis das Ergebnis stimmt.

Was ist ein Prompt?

Ein Prompt ist die Eingabe, die du einem KI-Modell gibst, meist ein Text in normaler Sprache. Das kann eine Frage sein, eine Aufgabe oder eine längere Anweisung mit Hintergrund, Beispielen und Vorgaben zum Format. Auch angehängte Dokumente oder Bilder gehören zum Prompt.

Welche Techniken gibt es im Prompt Engineering?

Die bekanntesten sind Zero-Shot (Aufgabe ohne Beispiele), Few-Shot (mit Beispielen), schrittweises Denken, auch Chain of Thought genannt, Rollen-Prompts, die Verkettung mehrerer Prompts und Systemprompts als feste Grundanweisung. Im Alltag werden sie meist kombiniert.

Wie schreibe ich einen guten Prompt?

Nenne die Rolle, die Aufgabe und das Ziel. Gib den Kontext mit, den ein neuer Kollege bräuchte. Füge ein Beispiel für ein gutes Ergebnis an. Lege Format und Länge fest. Sage, was nicht passieren soll. Prüfe das Ergebnis und verbessere den Prompt, statt nur neu zu würfeln.

Braucht man für Prompt Engineering Programmierkenntnisse?

Nein. Für die Arbeit mit ChatGPT, Claude, Gemini oder Copilot reicht klare Sprache und Verständnis der eigenen Aufgabe. Programmierkenntnisse helfen erst, wenn Prompts in Software eingebaut, automatisch ausgeführt oder mit eigenen Daten verbunden werden.

Ist Prompt Engineer ein eigener Beruf?

Es gibt Stellen mit diesem Titel, vor allem in Firmen, die KI-Anwendungen bauen. In den meisten Unternehmen ist Prompt Engineering aber eine Fähigkeit, die Fachleute in Vertrieb, Marketing, Service oder Verwaltung selbst brauchen. Wer seine Aufgabe kennt, schreibt meist die besseren Prompts.

Funktionieren dieselben Prompts in jedem KI-Werkzeug?

Die Grundregeln gelten überall: klare Aufgabe, Kontext, Beispiele, Format, Grenzen. Im Detail reagieren Modelle unterschiedlich. Ein Prompt, der in einem Werkzeug gut funktioniert, sollte vor dem breiten Einsatz in einem anderen kurz getestet werden.

Wird Prompt Engineering überflüssig, wenn KI-Modelle besser werden?

Die Modelle verstehen ungenaue Eingaben immer besser, und einzelne Tricks verlieren an Bedeutung. Was bleibt, ist die Kernfähigkeit: genau zu sagen, was man will, den richtigen Kontext mitzugeben und das Ergebnis zu prüfen. Das ist gute Delegation und wird eher wichtiger als weniger.

Dragan Matijević, freier KI-Berater für den Mittelstand