Drei Hebel machen den Unterschied: Rolle ("Du bist Steuerberaterin und antwortest für Kleinunternehmer"), Kontext (Beispieltexte, Zielgruppe, Tonalität) und Format ("Antworte in fünf Bullet Points, max. 200 Zeichen pro Punkt"). Few-Shot-Prompting – zwei, drei Beispiele mitliefern – verbessert die Trefferquote oft mehr als eine längere Erklärung. Chain-of-Thought-Prompts ("denk Schritt für Schritt") helfen bei komplexen Aufgaben wie Preiskalkulationen oder Textstrukturierung.
In der Praxis heißt das: Ein Wiener Autohaus, das ChatGPT für Google-Ads-Texte nutzt, bekommt mit "Schreib eine Anzeige" zehn austauschbare Varianten. Mit einem Prompt, der Zielgruppe, USP, Zeichenlimit und drei Beispieltexte aus vorherigen Kampagnen enthält, sind die ersten drei Vorschläge oft direkt einsetzbar. Der Unterschied liegt selten im Modell, fast immer im Prompt.
Prompt Engineering ersetzt aber keine Qualitätskontrolle: Auch der beste Prompt schützt nicht vor Halluzinationen, und bei wiederkehrenden Aufgaben ist Fine-Tuning oder RAG oft die stabilere Lösung, weil sie nicht bei jeder Anfrage neu formuliert werden muss. Wer täglich mit KI arbeitet, baut sich eine Bibliothek bewährter Prompts auf, statt jedes Mal neu zu improvisieren.
