Skip to main content
KI

Prompt Engineering, das Geld spart

Gute Prompts sind kein Hexenwerk, aber der Unterschied zwischen einem KI-Tool, das Zeit frisst, und einem, das Zeit spart. Konkrete Techniken, mit denen KMU bessere Ergebnisse in weniger Durchläufen bekommen.

Daniel Müller10 Min. Lesezeit
Prompt Engineering, das Geld spart

Prompt EngineeringPrompt Engineering ist die Kunst, KI-Systemen wie ChatGPT, Claude oder Gemini präzise Anweisungen (Prompts) zu geben, um optimale Ergebnisse zu erhalten. Es…Mehr erfahren → klingt nach einer Spezialdisziplin für Techniker. In Wahrheit ist es etwas viel Bodenständigeres: die Kunst, einem sehr fähigen, aber wörtlich nehmenden Assistenten klar zu sagen, was man will. Und genau hier liegt für die meisten Unternehmen das ungehobene Potenzial. Dieselbe Person bekommt mit demselben Tool völlig unterschiedliche Ergebnisse, je nachdem, wie sie fragt. Der Unterschied zwischen drei Minuten und einer halben Stunde liegt fast immer im Prompt, nicht im Modell.

Warum das eine Geldfrage ist, wird schnell klar, wenn man rechnet. Ein vager Prompt liefert ein mittelmässiges Ergebnis, das korrigiert werden muss. Jede Korrekturschleife kostet Zeit, und wer Modelle über die Programmierschnittstelle nutzt, zahlt für jeden Durchlauf auch Rechenkosten. Ein guter Prompt, der gleich beim ersten Versuch trifft, spart beides. Über ein Jahr und ein ganzes Team summiert sich das zu echten Beträgen.

Die vier Bausteine eines guten Prompts

Fast jeder wirksame Prompt enthält vier Elemente, und das Wissen darum bringt schon den Grossteil der Verbesserung.

Der erste Baustein ist die Rolle. Wenn ihr dem Modell sagt, aus welcher Perspektive es antworten soll, etwa als erfahrener Steuerberater oder als kritischer Lektor, verengt sich der Antwortraum auf das Relevante. Statt einer allgemeinen Antwort bekommt ihr eine fachlich gefärbte. Die Grundbegriffe fasst unser Glossar unter Prompt Engineering zusammen.

Der zweite Baustein ist das Ziel. Sagt nicht nur, was das Thema ist, sondern was am Ende herauskommen soll und für wen. Eine Zusammenfassung für die Geschäftsleitung sieht anders aus als eine für die Technik. Je präziser das Ziel, desto treffsicherer die Antwort.

Der dritte Baustein ist der Kontext. Das Modell kennt euer Unternehmen nicht. Wer relevante Hintergrundinformationen mitliefert, die ZielgruppeEine Zielgruppe ist die Gruppe von Menschen oder Unternehmen, die ein Angebot erreichen soll, beschrieben anhand gemeinsamer Merkmale wie Ort, Branche,…Mehr erfahren →, die TonalitätDie Tonalität, englisch Brand Voice, ist die gleichbleibende Art, wie ein Unternehmen spricht und schreibt: förmlich oder locker, sachlich oder begeistert, mit…Mehr erfahren →, die Rahmenbedingungen, bekommt ein Ergebnis, das passt, statt eines generischen Lückenfüllers. Wie viel Kontext ein Modell auf einmal verarbeiten kann, bestimmt das Kontextfenster.

Der vierte Baustein ist das Format. Das ist der am meisten unterschätzte Hebel. Sagt genau, wie die Ausgabe aussehen soll: eine Tabelle mit drei Spalten, fünf Stichpunkte, ein Text von maximal 200 Wörtern. Wer das Format vorgibt, erspart sich das mühsame Nachformatieren.

Die Format-Faustregel

Wenn ihr ein Ergebnis öfter manuell nachbearbeiten müsst, fehlt fast immer eine Formatangabe im Prompt. Schreibt explizit hin, wie das Resultat strukturiert sein soll, und die Nacharbeit verschwindet.

Mit Beispielen arbeiten: der grösste Hebel

Eine einzige Technik hebt die Qualität oft drastischer als alles andere: Beispiele mitgeben. Statt nur zu beschreiben, was ihr wollt, zeigt ihr es. Wer eine Produktbeschreibung im eigenen Stil braucht, fügt zwei oder drei bestehende, gute Beschreibungen als Vorlage bei. Das Modell erkennt das Muster, den Tonfall und die Struktur und überträgt sie auf das Neue.

Dieses Vorgehen, in der Fachsprache Few-Shot-Prompting, funktioniert, weil Sprachmodelle hervorragend Muster fortsetzen. Eine abstrakte Anweisung wie schreib professionell ist mehrdeutig. Drei Beispiele eurer professionellen Texte sind eindeutig. Für wiederkehrende Aufgaben wie Angebote, Antwortmails oder Social-Media-Posts ist das die zuverlässigste Methode, konsistente Qualität zu erzeugen.

Die führenden Modelle gehen mit dieser Technik unterschiedlich gut um, aber alle profitieren. ChatGPT etwa übernimmt Stilmuster aus Beispielen sehr zuverlässig und eignet sich gut für die schnelle Erzeugung vieler Varianten im gleichen Stil. Wie sich die grossen Modelle sonst unterscheiden, zeigt ChatGPT, Claude oder Gemini fürs Business.

ChatGPTEmpfehlung

Der KI-Assistent, der den ganzen Boom ausgelöst hat

4.6Freemium
Ansehen

Schrittweises Denken erzwingen

Bei komplexeren Aufgaben, etwa einer Analyse oder einer Entscheidung mit mehreren Faktoren, lohnt es sich, das Modell zum schrittweisen Vorgehen aufzufordern. Die simple Anweisung, erst die Zwischenschritte zu erläutern und dann das Fazit zu ziehen, verbessert die Qualität bei anspruchsvollen Aufgaben deutlich. Das Modell überspringt dann keine Logik, und ihr könnt die Argumentation nachvollziehen, statt einer blossen Behauptung vertrauen zu müssen.

Gerade für dokumentenlastige und analytische Arbeit ist das entscheidend. Hier spielt ein Modell wie Claude seine Stärke aus, das über lange Gedankenketten und umfangreiche Kontexte hinweg den Faden hält und nachvollziehbar argumentiert, statt vorschnell zu einem Ergebnis zu springen.

ClaudeEmpfehlung

Der KI-Assistent für lange Texte, sauberen Code und nüchterne Antworten

4.7Freemium
Ansehen

Ein verwandter Trick ist die Aufforderung zur Selbstkontrolle. Bittet das Modell am Ende, seine eigene Antwort kritisch zu prüfen und Schwächen zu benennen. Oft korrigiert es dabei Fehler, die im ersten Durchlauf durchgerutscht sind, und ihr bekommt ein belastbareres Ergebnis. Ersetzen kann diese Selbstkontrolle die menschliche Prüfung aber nicht, wie der Beitrag KI-Halluzinationen im Griff zeigt.

Prompts im Team standardisieren

Der grösste organisatorische Hebel liegt nicht im einzelnen Prompt, sondern in der Wiederverwendung. In jedem Unternehmen fallen dieselben Aufgaben immer wieder an: Angebote schreiben, Anfragen beantworten, Berichte zusammenfassen. Wenn jede Person diese Prompts neu erfindet, ist das Verschwendung und führt zu schwankender Qualität.

Die Lösung ist eine geteilte Prompt-Bibliothek. Sammelt die Prompts, die nachweislich gute Ergebnisse liefern, dokumentiert sie verständlich und macht sie für alle zugänglich. So profitiert das ganze Team vom Wissen einzelner, die Qualität wird gleichmässig hoch, und neue Mitarbeitende sind sofort produktiv. Diese Standardisierung kostet fast nichts und gehört zu den wirkungsvollsten Massnahmen überhaupt. Wie man die Bibliothek im Rahmen einer breiteren Einführung verankert, beschreibt KI-Assistenten im Team einführen; und wer über die APIEine API (Application Programming Interface) ist eine definierte Schnittstelle, über die zwei Programme miteinander Daten austauschen, ohne das Innenleben des…Mehr erfahren → arbeitet, findet die Kostenseite unter KI-Kosten kontrollieren. Einen Startpunkt für eine solche Bibliothek bieten unsere 10 getesteten Prompt-Vorlagen für Marketing und Vertrieb.

Dieselben Bausteine gelten übrigens für Bilder: Ein Bild-Prompt ist ein Briefing mit Motiv, Licht, Perspektive, Format und Ausschlüssen. Wie gross der Unterschied zwischen Stichwort und Briefing ist, zeigt ein direkter Vergleich im Beitrag KI-Bilder erstellen für Unternehmen.

Was ihr morgen ändern könnt

Prompt Engineering ist keine Wissenschaft, sondern eine Gewohnheit. Vier Dinge bringen den grössten Sofortgewinn. Erstens: Baut Rolle, Ziel, Kontext und Format bewusst in eure Prompts ein, statt vage Fragen zu stellen. Zweitens: Gebt bei wiederkehrenden Aufgaben Beispiele mit, statt den Stil zu beschreiben. Drittens: Fordert bei komplexen Aufgaben schrittweises Vorgehen und eine Selbstkontrolle. Viertens: Sammelt erfolgreiche Prompts im Team statt im Kopf einzelner.

Wer diese Gewohnheiten etabliert, verwandelt KI-Tools von einer Quelle der Frustration in einen verlässlichen Mitarbeiter. Der Unterschied kostet keinen Franken zusätzlich, sondern nur ein paar Minuten Umdenken pro Prompt, die sich vielfach auszahlen. Wenn ihr das mit dem ganzen Team an euren eigenen Aufgaben üben wollt, ist das der Kern unseres KI-Workshops.

Häufige Fragen

Muss man Prompt Engineering studieren, um gute Ergebnisse zu bekommen?+

Nein. Die wirksamsten Techniken sind einfach: Rolle und Ziel klar benennen, Kontext mitgeben, das gewünschte Format vorgeben und mit Beispielen arbeiten. Wer diese Grundlagen beherrscht, holt aus jedem Sprachmodell deutlich bessere Ergebnisse heraus, ganz ohne Spezialwissen.

Warum sparen gute Prompts Geld?+

Schlechte Prompts erzwingen viele Korrekturschleifen, und jede kostet Arbeitszeit und bei API-Nutzung auch Rechenkosten. Ein durchdachter Prompt liefert oft beim ersten oder zweiten Versuch ein brauchbares Ergebnis und spart damit unmittelbar Zeit und Geld.

Sollte man Prompts im Team standardisieren?+

Unbedingt. Eine geteilte Sammlung erprobter Prompts für wiederkehrende Aufgaben sorgt für gleichbleibende Qualität, spart jedem das Neuerfinden und macht erfolgreiche Muster im ganzen Team nutzbar. Das ist einer der unterschätztesten Produktivitätshebel.

Über den Autor

Daniel Müller

Senior Developer & SEO-Stratege

Daniel Müller ist Senior Developer und SEO-Stratege bei DLM Digital in Zürich. Mit über 10 Jahren Erfahrung in Webentwicklung, SEO, GEO/AEO und KI-Integration begleitet er Schweizer KMU bei der digitalen Transformation. Im DLM Magazin schreibt er über KI, Vibe Coding und moderne Suchmaschinen-Sichtbarkeit.

Gratis SEO-Rechner

Wie oft sucht man nach Ihrem Angebot?

Leistung eintippen, Suchen pro Monat sehen, passende Begriffe wählen. Preis und Empfehlung gibt es gleich dazu.

Weiterlesen

Free vs. Paid: KI-Tools, die ihr Geld wert sind

Free vs. Paid: KI-Tools, die ihr Geld wert sind

Fast jedes KI-Tool lockt mit einer Gratis-Stufe, doch wo lohnt sich der Wechsel ins Abo wirklich, und wo reicht die kostenlose Version dauerhaft? Eine ehrliche Einordnung, die Schweizer KMU hilft, Geld dort auszugeben, wo es zählt, und dort zu sparen, wo es egal ist.

Daniel Müller10 Min. Lesezeit
Karpathy-CLAUDE.md erklärt: vier Regeln im Test

Karpathy-CLAUDE.md erklärt: vier Regeln im Test

Das Repository andrej-karpathy-skills besteht im Kern aus einer einzigen CLAUDE.md mit vier Regeln für Coding-Agenten. Wir erklären, woher die Regeln stammen, was Karpathy tatsächlich geschrieben hat, und haben dieselbe Aufgabe einmal mit und einmal ohne die Datei lösen lassen.

Daniel Müller7 Min. Lesezeit