Die meisten Erklärungen zur Funktionsweise von KI liegen zwischen „Sie ist wie ein Mensch“ – falsch und in der Praxis riskant – und „Sie sagt das nächste Wort voraus“ – technisch richtig, aber wenig anschaulich. Dieser Artikel vermittelt einen nützlichen Mittelweg: ein in zehn Minuten verständliches Denkmodell, das unmittelbar verändert, wie Sie Prompts formulieren.
Sie benötigen weder Mathematikkenntnisse noch Wissen darüber, was ein Transformer ist. Eine Idee und vier daraus folgende Konsequenzen genügen.
Die eine Idee
Wenn Sie eine Nachricht an ChatGPT, Claude oder einen anderen modernen KI-Assistenten senden, läuft vereinfacht Folgendes ab:
Welche Fortsetzung ist angesichts der Trainingsmuster und des bisherigen Dialogs am wahrscheinlichsten?
Das Modell erzeugt diese Fortsetzung schrittweise – jeweils einige Zeichen oder ein Wort – und verwendet jedes neue Stück als Teil der Eingabe für die nächste Vorhersage. Dieser Vorgang läuft, bis eine Abbruchbedingung erreicht ist.
Das ist der Kernablauf. Es gibt keine interne Suche nach „der Antwort“, keinen Datenbankzugriff, sofern kein entsprechendes Werkzeug angebunden ist, und kein menschenähnliches „Denkmodul“. Ein sehr großer statistischer Mustererkennungsprozess erzeugt eine Fortsetzung, die so wirkt, als hätte ein informierter Mensch sie in dieser Situation geschrieben.
Das Ergebnis wirkt intelligent, weil die beim Training erlernten Muster aus menschlichen Texten stammen: Grammatik, Fakten, Witze, Code, Verträge, Rezepte, Argumente, Entschuldigungen und der Unterschied zwischen einer höflichen und einer sarkastischen Antwort. Deshalb ist die wahrscheinlichste Fortsetzung auf eine Frage häufig die richtige Antwort. Häufig – aber nicht immer.
Jetzt folgen vier Konsequenzen. Jede macht eine ganze Kategorie von „Prompt-Engineering-Tipps“ offensichtlich.
Konsequenz 1: Es überprüft nicht, was wahr ist
Das Modell ist nicht auf Korrektheit optimiert, sondern auf plausiblen Text. Meist überschneiden sich beide Ziele, weil die Trainingsdaten zu verbreiteten Themen viele korrekte Informationen enthalten. Wenn Sie jedoch nach etwas fragen, zu dem das Modell keine verlässlichen Informationen gesehen hat – einem seltenen Rechtsfall, einem konkreten aktuellen Ereignis oder einem wenig bekannten Zitat –, hält es nicht automatisch an. Es erzeugt trotzdem eine plausibel klingende Antwort.
Deshalb treten Halluzinationen auf. Nicht weil das Modell defekt ist, sondern weil es genau das tut, wofür es entwickelt wurde: eine plausible Fortsetzung erzeugen. Plausibilität und Wahrheit hängen zusammen, sind aber nicht dasselbe. Warum KI überzeugend falsche Antworten gibt beschreibt, wann dieser Fehlermodus besonders gefährlich wird und mit welchem Prüfablauf er erkannt werden kann; hier konzentrieren wir uns auf den Mechanismus.
Die Konsequenz: Für jede konkrete Tatsachenbehauptung einer KI – Namen, Daten, Zahlen oder Quellenangaben – benötigen Sie eine Prüfroutine. Das Modell kann Unsicherheit ausdrücken, doch darauf sollte Ihre Absicherung nicht beruhen. Integrieren Sie die Prüfung in Ihren Arbeitsablauf.
Konsequenz 2: Der Kontext ist alles
Wenn das Modell die wahrscheinlichste nächste Passage anhand Ihres Prompts vorhersagt, ist der Prompt die Eingabe, die seine Ausgabe bestimmt. Ergänzen Sie relevanten Kontext – wer Sie sind, was Sie bereits versucht haben und was Sie erreichen möchten –, damit das Modell sich an einem aussagekräftigeren Muster orientieren kann.
Deshalb ist „mehr Kontext“ die zuverlässigste Methode, um jede Antwort zu verbessern.
„Schreiben Sie mir eine E-Mail“ erzeugt eine allgemeine E-Mail, wie sie ohne weitere Informationen zu erwarten ist.
„Schreiben Sie mir eine E-Mail an einen langjährigen Kunden, dessen Frist wir versäumt haben. Verwenden Sie einen direkten, aber herzlichen Ton, bleiben Sie unter 100 Wörtern und schließen Sie mit einem klaren nächsten Schritt ab“ erzeugt einen tatsächlich brauchbaren Entwurf.
Das Modell ist zwischen beiden Anfragen nicht klüger geworden. Es erhielt lediglich einen aussagekräftigeren Prompt, der den Raum der plausiblen Fortsetzungen auf einen nützlicheren Bereich eingegrenzt hat.
Wenn erfahrene KI-Nutzer sagen, beim Prompting gehe es vor allem um Präzision, meinen sie genau das. Es ist kein Trick. Das Modell kann seine Aufgabe genauer ausführen, weil Sie mehr relevantes Material bereitgestellt haben.
Konsequenz 3: Der Dialog ist Teil des Kontexts
Jeder moderne KI-Assistent hält den bisherigen Dialog in seinem Arbeitsspeicher, dem Kontextfenster. Wenn Sie mit „Machen Sie den zweiten Absatz kürzer“ antworten, beginnt das Modell nicht von vorn. Es erzeugt die wahrscheinlichste nächste Antwort unter Berücksichtigung des gesamten bisherigen Dialogs: der ursprünglichen E-Mail, seines Entwurfs, Ihrer Kritik und der neuen Bitte, den zweiten Absatz zu kürzen.
Deshalb ist der zweite Entwurf fast immer besser als der erste. Dem Modell liegen nun der ursprüngliche Prompt, sein erster Versuch und Ihre Rückmeldung vor.
Es hat auch Implikationen:
- Lange, nützliche Dialoge sind eine Funktion und kein Fehler. Bleiben Sie im selben Chat, statt neu zu beginnen.
- Rückmeldungen im bestehenden Dialog sind besser als ein vollständig neuer Prompt. Bereits vorhandener Kontext muss nicht erneut übermittelt werden.
- Bei sehr langen Dialogen verliert das Modell frühe Teile aus dem Blick. Führende Produkte des Jahres 2026 unterstützen mitunter sehr große Kontextfenster von einer Million Token oder mehr. Der von Ihrem konkreten Tarif nutzbare Umfang ist jedoch häufig kleiner, und nahe der Kapazitätsgrenze sinkt die Qualität. Fassen Sie bei wirklich langen Projekten den Stand zusammen und beginnen Sie gelegentlich neu.
Konsequenz 4: Wie Sie die Frage formulieren, prägt das Ergebnis
Da das Modell eine plausible Fortsetzung erzeugt, hängt die Art dieser Fortsetzung stark von Ton und Form Ihres Prompts ab.
Stellen Sie eine Frage beiläufig und vage, erhalten Sie meist eine ebenso beiläufige und vage Antwort. Formulieren Sie dieselbe Frage strukturiert und konkret, fällt auch die Antwort systematischer aus.
Bitten Sie das Modell, ein Problem vor der abschließenden Antwort zu zerlegen, erzeugt es häufig eine Zwischenanalyse, die das Ergebnis verbessert. Das ist kein Zauber. Ein größerer Teil der Ausgabe wird für Zerlegung, Prüfung und Vergleich vor der Schlussfolgerung verwendet, was bei schwierigen Problemen zu zuverlässigeren Antworten führen kann.
Geben Sie dem Modell eine Rolle vor – „Sie sind ein erfahrener Steuerberater in Estland“ –, ruft es Muster ab, die einer solchen Antwort ähneln. Das Modell wird dadurch nicht tatsächlich zum Steuerberater. Es passt lediglich Stil und Informationsdichte an Texte aus diesem Fachgebiet an.
Sagen Sie dem Modell, es solle gegen Ihre Idee argumentieren, und es erzeugt die wahrscheinlichste Gegenargumentation. Sagen Sie ihm, es solle den skeptischen Kunden spielen, und es erzeugt Skepsis. Sagen Sie ihm, es solle kurz sein, und es komprimiert.
Jedes bekannte Prompt-Engineering-Muster ist eine Variante dieser Konsequenz. Rollen-Prompting, ausgearbeitete Beispiele, Kritik-Prompts sowie Vorgaben wie „Gegenargumente nennen“, „kurz formulieren“ oder „diesen Ton nachahmen“ lenken das Modell zu einer anderen Art plausibler Fortsetzung.
Für Arbeitsaufgaben ist der sicherste Prompt selten die raffinierteste Formulierung. Entscheidend ist ein klares Paket aus Kontext, Vorgaben, Quellmaterial, Ausgabeformat und ausdrücklichem Umgang mit Unsicherheit.
Zusammenfassen
Halten Sie diese vier Konsequenzen im Hinterkopf, wenn Sie als nächstes einen Prompt senden:
- Das Modell überprüft nicht, was wahr ist; es erzeugt, was plausibel ist.
- Mehr Kontext verengt den Raum der plausiblen Antworten auf das, was Sie tatsächlich wollen.
- Der gesamte Dialog ist der Kontext, also nutzen Sie den Austausch.
- Die Form und der Ton Ihres Prompts prägen die Form und den Ton der Antwort.
Alle vier Konsequenzen führen zur selben Beobachtung: Der Prompt ist die Brücke zwischen den Trainingsmustern des Modells und der von Ihnen benötigten Ausgabe. Je direkter diese Verbindung ist, ohne relevante Informationen zu verlieren, desto besser.
Das praktische Prompt-Paket
Für echte Arbeit enthält ein guter Prompt normalerweise sechs Teile:
| Teil | Was gibt er dem Modell |
|---|---|
| Rolle oder Perspektive | Die Art des zu verwendenden Antwortmusters |
| Kontext | Die Situation, das Publikum und die Einschränkungen |
| Quellmaterial | Den Text, die Daten oder Beispiele, mit denen gearbeitet werden soll |
| Aufgabe | Die spezifische Arbeit, die ausgeführt werden soll |
| Ausgabeformat | Die Form der Antwort |
| Unsicherheitsregel | Was markiert, überprüft oder abgelehnt werden soll |
Deshalb erzeugen vage Prompts vage Antworten: Sie lassen zu viele plausible Fortsetzungen offen. Das mit diesem Artikel verknüpfte Übungsmaterial hilft Ihnen, einen schwachen Prompt in dieses sechsteilige Paket zu verwandeln.
Ein kleiner Test
Nehmen Sie einen kürzlich verwendeten Prompt, der zu einer mittelmäßigen Antwort geführt hat. Lesen Sie ihn erneut und fragen Sie sich:
- Haben Sie dem Modell genügend Kontext dazu gegeben, wer Sie sind und was Sie erreichen möchten?
- Haben Sie Vorgaben zu Länge, Ton und Format aufgenommen?
- Haben Sie ihm ein Beispiel gezeigt, wie eine gute Ausgabe aussieht?
- Haben Sie es gebeten, das Problem zu zerlegen, Widerstand zu leisten oder Unsicherheit zu markieren?
Fast immer fehlt mindestens eines dieser Elemente. Ergänzen Sie es und senden Sie den Prompt erneut. Die Antwort wird in der Regel besser, weil Sie den Raum plausibler Fortsetzungen auf die tatsächlich benötigte Arbeit eingegrenzt haben.
