Die häufigste Enttäuschung im ersten KI-Monat klingt so: „Das kann ich so nicht gebrauchen." Meist liegt das nicht am Werkzeug, sondern an der Frage. Für das Prinzip hat sich in der Fachwelt eine unhöfliche, aber zutreffende Formel eingebürgert — die Qualität der Ausgabe entspricht der Qualität der Eingabe. Ein Sprachmodell rät, was gemeint sein könnte, wenn man es raten lässt. Gibt man ihm weniger zu raten, wird die Antwort besser. Das ist die ganze Kunst, und sie lässt sich in einer Viertelstunde lernen.

Sechs Bausteine machen den Unterschied. Der erste ist die Rolle: aus welcher Perspektive geantwortet werden soll. „Du bist Experte" hilft nicht, „Du bist Bauleiter und prüfst diesen Text auf unklare Zuständigkeiten" schon. Der zweite ist das Ziel samt Verwendungszweck — ein Text für den Bauherrn liest sich anders als eine interne Notiz, und das Modell kann das nur berücksichtigen, wenn es den Adressaten kennt. Der dritte ist der Kontext: die Wissensgrundlage, auf der gearbeitet werden soll. Der vierte ist das Ausgabeformat, also Länge, Gliederung und Form. Wer nichts vorgibt, bekommt Fließtext, auch wenn eine Gegenüberstellung gemeint war. Der fünfte sind die Grenzen — was ausdrücklich nicht getan werden soll, etwa nichts zu ergänzen, was nicht in der Vorlage steht. Und der sechste sind Qualitätskriterien: woran man eine gute Antwort erkennt.

Ein Beispiel macht das greifbar. Statt „Fasse das Protokoll zusammen" wäre die brauchbare Fassung: „Du bist Projektleiter. Fasse dieses Baubesprechungsprotokoll für den Bauherrn zusammen, maximal eine halbe Seite. Nenne getroffene Entscheidungen, offene Punkte mit Verantwortlichem und Frist. Ergänze nichts, was nicht im Text steht. Markiere Stellen, die im Original unklar formuliert sind." Der Aufwand ist einmalig — solche Anweisungen lassen sich als Bürovorlage speichern und wiederverwenden.

Zwei Feinheiten lohnen sich noch. Mehr Kontext ist nicht automatisch besser: Wer ein Modell mit dem kompletten Projektordner füttert, verwässert die Aufgabe eher, als er sie schärft. Besser ist es, gezielt die relevanten Unterlagen mitzugeben und Anweisung und Quelle sichtbar zu trennen. Und bei längeren Aufgaben lohnt es, in Schritten zu arbeiten — erst gliedern lassen, prüfen, dann ausformulieren lassen. Das erspart es, eine lange, in der Anlage falsche Antwort komplett zu verwerfen.

Nützlich ist das quer durch die Leistungsphasen, und zwar überall dort, wo Sprache das Arbeitsmittel ist: in der Grundlagenermittlung beim Auswerten von Bedarfsangaben, in der Genehmigungsplanung beim Zuarbeiten von Erläuterungstexten, in der Ausschreibung beim Formulieren und Gegenlesen von Positionstexten, in Objektüberwachung und -betreuung bei Protokollen, Aktennotizen und Schriftverkehr. Der Effekt ist in allen Fällen derselbe: Man beginnt nicht beim weißen Blatt, sondern bei einem prüfbaren Entwurf.

Eine Warnung gehört dazu, und sie ist kein Qualitäts-, sondern ein Sicherheitsthema: Sensible Projekt- und Personendaten gehören nicht ungeprüft in ein Eingabefeld. Vor der ersten Vorlage steht deshalb sinnvollerweise die Frage, welche Werkzeuge im Büro überhaupt freigegeben sind und welche Daten hinein dürfen. Wer das geklärt hat, kann den Rest gelassen ausprobieren — denn der beste Prompt ist am Ende der zweite, den man schreibt, nachdem man den ersten gesehen hat. Wie diese Systeme technisch arbeiten, erklären wir gesondert; welche Regeln für Daten und Schulung gelten, ebenfalls.

Quellen: Digitale Profis — Mit Context Engineering bessere KI-Ergebnisse · Cegos Integrata — Prompt Engineering: So liefert Ihre KI bessere Ergebnisse