Gleiches Modell. Gleiche Aufgabe. Anderes Ergebnis.

Stellen Sie sich zwei Kolleginnen vor, die exakt dasselbe KI-Modell für exakt dieselbe Aufgabe nutzen. Die eine erhält nach einer Minute eine brauchbare erste Fassung. Die andere tippt drei Sätze – und überarbeitet das Ergebnis danach trotzdem von Hand. Der Unterschied liegt nicht im Zugang, nicht im Abo, nicht im Modell. Er liegt ausschließlich in der Anweisung.

Wie groß dieser Unterschied objektiv ausfallen kann, zeigt eine peer-reviewte Studie zu GPT-4 Turbo in der Neuroradiologie: Allein durch veränderte Prompt-Struktur stieg die diagnostische Trefferquote von 55,1 auf 72,9 Prozent – mit demselben Modell, an derselben Aufgabe. Das ist kein Ausreißer. Es ist die Regel, sobald man genauer hinschaut.

Was an guter Anweisung eigentlich neu ist. Erklärt in 60 Sekunden.

Nichts Revolutionäres – und genau das ist der Punkt. Sprachmodelle, gleich welchen Anbieters, sind auf riesigen Mengen durchschnittlicher Texte trainiert. Ohne klare Anweisung ziehen sie sich automatisch zu dem, was im Trainingsmaterial am häufigsten vorkam: generische Formulierungen, austauschbare Struktur, das Textäquivalent von Fahrstuhlmusik. Das ist keine Schwäche eines bestimmten Anbieters, sondern eine strukturelle Eigenschaft aller heute verfügbaren Modelle.

Die Kehrseite ist die gute Nachricht: Moderne Modelle folgen expliziten Anweisungen erstaunlich zuverlässig. Die Verantwortung für die Ergebnisqualität liegt damit nicht bei der KI. Sie liegt bei der Formulierung – und in Unternehmen selten bei einer einzelnen Person, sondern bei der Frage, ob diese Formulierung überhaupt irgendwo dokumentiert ist.

Was sich objektiv verändert, wenn die Anweisung besser wird

Die Beobachtung ist eine Sache. Die Studienlage dahinter eine andere:

• Prompting in der Praxis, peer-reviewt: Bei GPT-4 Turbo in der Neuroradiologie stieg die diagnostische Trefferquote allein durch veränderte Prompt-Struktur und Konfidenzschwellen von 55,1 % auf 72,9 % – mit einer erweiterten Differenzialdiagnose-Liste auf bis zu 85,9 %. (Aoki et al., Diagnostics/MDPI, 2024)
• Reihenfolge schlägt Modellgröße: Eine grundlegende Studie zu Few-Shot-Prompts zeigt, dass allein die Reihenfolge der Beispiele im Prompt die Genauigkeit bei identischem Modell und identischen Daten von nahezu Zufallsniveau auf State-of-the-Art-Niveau heben kann (Lu et al., ACL). Ein aktueller Preprint deutet darauf hin, dass der Effekt auch bei den geschlossenen, API-basierten Modellen auftritt, die Unternehmen heute produktiv einsetzen – noch ohne Peer-Review, aber im Trend konsistent mit der älteren Forschung. (Guan et al., 2025)
• Trainingslücke, gut investierte Zeit: Mitarbeitende mit mehr als fünf Stunden KI-Training nutzen generative KI zu 79 % regelmäßig, bei weniger als fünf Stunden sind es 67 %. Für Unternehmen, die abwägen, ob sich Zeit in Prompt-Schulung lohnt, ist das eine der klareren Antworten, die die aktuelle Forschung liefert. (BCG, „AI at Work 2025“, 10.600 Befragte in 11 Ländern)
• Die Governance-Lücke: Nach McKinseys aktueller „State of AI“-Erhebung hat nur eine Minderheit der Unternehmen zentrale Skalierungspraktiken – von dokumentierten Standards bis zu klaren Verantwortlichkeiten – flächendeckend eingeführt. Prompt-Qualität bleibt damit in den meisten Unternehmen Zufall statt System. (McKinsey, „The State of AI“, 2025)

Fünf Prinzipien, die den Unterschied machen

Was in den offiziellen Prompting-Leitfäden großer KI-Anbieter beschrieben wird, ist selten anbieterspezifisch. Es sind Prinzipien der Kommunikation – nur dass sie bei einem Sprachmodell konsequenter gelten als bei einer Kollegin, die mitdenkt.

• 1. Explizite Zieldefinition: Statt „Erstellen Sie eine Kundenmitteilung“ – „Kundenmitteilung zur Preisanpassung, B2B-Bestandskunden, 150 Wörter, sachlich-verbindlich, mit Ansprechpartner am Ende.“ Ein Prompt ist erst gut genug, wenn eine fachfremde Kollegin ihn lesen und direkt damit arbeiten könnte.
• 2. Kontext statt nur Anweisung: Ein Modell, das weiß, dass ein Text an Investoren geht, trifft andere Entscheidungen als eines, dem nur „formeller Ton“ gesagt wurde. Das Warum ist der Unterschied zwischen richtiger Form und richtiger Absicht.
• 3. Beispiele statt Beschreibung: Zwei bis drei gute Beispiele ersetzen fünf Minuten Stilbeschreibung – und sind einer der zuverlässigsten Hebel gegen die Formulierungsempfindlichkeit, die Modelle sonst unberechenbar macht.
• 4. Positive statt negative Anweisung: „Kein Blabla“ gibt keine Richtung vor. „Drei Sätze, eine Zahl, ein Call-to-Action“ schon. Verneinungen sagen, wo es nicht hingehen soll – nicht, wohin.
• 5. Direkte Handlungsverben statt Einladungen: „Was halten Sie von diesem Text?“ erzeugt einen Kommentar. „Überarbeiten Sie den Text so, dass der Nutzen im ersten Satz steht“ erzeugt ein Ergebnis.

Ergänzend hilft bei komplexen, wiederkehrenden Aufgaben eine klare Gliederung des Prompts in benannte Abschnitte (Rolle, Aufgabe, Zielgruppe, Stil, Format) statt Fließtext – und die Zerlegung großer Aufgaben in mehrere Schritte statt eines Rundumschlags. Beides ist der Unterschied zwischen einem Ergebnis, das beim ersten Versuch passt, und einem, das drei Korrekturschleifen braucht. Wie weit das noch geht – bis hin zu vollständigem Kontext und kuratiertem Unternehmenswissen, mit dem ein Modell überhaupt arbeitet – ist das Thema der nächsten Ausgabe.

Der Prompting-Zweifel

Fünf Prinzipien klingen banal. Genau das ist das Risiko: Wer sie für selbstverständlich hält, überspringt sie – und wundert sich, warum das teure Modell generische Ergebnisse liefert.

Der teurere Irrtum ist der gegenteilige: KI-Ergebnisse allein an Tempo oder Kosten zu messen. Klarna meldete im Februar 2024 öffentlichkeitswirksam 2,3 Millionen Kundengespräche im ersten Monat durch den KI-Assistenten – rechnerisch die Arbeit von 700 Vollzeitkräften. Im Mai 2025 räumte der CEO ein, man sei beim Sparen zu weit gegangen, und stellte wieder menschliche Mitarbeitende ein. Ohne eine geprüfte Vorstellung davon, was ein gutes Ergebnis ausmacht, optimiert man zuverlässig das Falsche.

Die Enterprise-Ergänzung: Prompt-Bibliotheken statt Zufallswissen

Die fünf Prinzipien sind ein individueller Skill. Die Übersetzung auf Organisationsebene fehlt in den meisten Prompting-Leitfäden – und genau dort zeigt sich die eigentliche Lücke.

• Prompt-Bibliothek statt Dateiablage: Kundenanschreiben, Angebotsvergleiche, Anforderungsdokumente, Vertragszusammenfassungen bekommen eine durchsuchbare, gepflegte Standardanweisung mit zwei bis drei geprüften Beispielen. Ein funktionierendes System, kein Ordner mit Word-Dateien, die niemand mehr findet.
• Ownership statt Zufall: Jede Standardanweisung hat eine fachlich verantwortliche Person, wie ein Code-Owner, die Beispiele pflegt und ansprechbar ist, wenn das Ergebnis nicht mehr passt.
• Evaluation statt Bauchgefühl: Für jede wiederkehrende Aufgabe drei bis fünf Testfälle mit bekanntermaßen gutem Ergebnis anlegen – und nach jeder Prompt- oder Modelländerung dagegen prüfen. Ein Testfall-Set hätte zumindest sichtbar gemacht, ob sich ein Ergebnis wie bei Klarnas KI-Support objektiv verändert hat – statt es erst an Kundenreaktionen zu merken.
• Die Governance-Lücke ist die Chance: Wenn laut McKinsey nur eine Minderheit der Unternehmen zentrale KI-Skalierungspraktiken umgesetzt hat, ist eine gepflegte Prompt-Bibliothek eine der günstigsten Formen, diese Lücke zu schließen – kein neues Tool nötig, nur Disziplin.

Eine Prompt-Bibliothek ist kein Einmalprojekt: Eine Standardanweisung, die für ein Modell zuverlässig funktioniert, kann nach einem Modellwechsel unbemerkt schlechter werden. Ohne einen festen Auslöser, sie nach jedem Modell-Update zu prüfen, wird aus der Bibliothek eine Sammlung veralteter Gewissheiten.

Next Steps – je nach Ihrer Ausgangslage.

• Sofort: Einen Prompt verbessern. Nehmen Sie einen aktuell genutzten, mittelmäßigen Prompt aus Ihrem Team, wenden Sie die fünf Prinzipien direkt darauf an und vergleichen Sie das Ergebnis mit der alten Version. Optional: das Modell stattdessen bitten, Sie erst zu befragen, statt sofort zu liefern – oft fehlt genau diese Information im ersten Prompt.
• Diese Woche: Drei Prompts bündeln. Sammeln Sie die drei meistgenutzten Prompts eines Teams in einem gemeinsamen Dokument – mit je zwei guten Beispielen und einer verantwortlichen Person.
• Dieses Quartal: Testfälle definieren. Legen Sie für dieselben drei Aufgaben je drei bis fünf Testfälle mit bekannt gutem Ergebnis an, um künftige Prompt- oder Modelländerungen objektiv zu bewerten.
• Parallel: Prompt-Training budgetieren. Der BCG-Befund ist eindeutig: Mehr als fünf Stunden Training korrelieren mit deutlich höherer regelmäßiger Nutzung – eine der besser belegten Investitionsentscheidungen im gesamten KI-Bereich.

Drei Fragen – unangenehmer, als sie klingen.

• 1. Kennen wir den Unterschied zwischen dem besten und dem schlechtesten Prompt, der aktuell für dieselbe Aufgabe in unserem Unternehmen im Umlauf ist?
• 2. Gäbe es für unsere wichtigsten wiederkehrenden KI-Aufgaben überhaupt einen Ort, an dem ein guter Prompt auffindbar und wiederverwendbar wäre?
• 3. Wann haben wir zuletzt mit echten Testfällen geprüft, ob eine Prompt- oder Modelländerung das Ergebnis tatsächlich verbessert hat – statt es einfach anzunehmen?