Montagmorgen erstellt ein Mitarbeiter mit ChatGPT eine brauchbare Kundenantwort. Am Dienstag verwendet ein Kollege einen ähnlichen Prompt – und bekommt einen deutlich anderen Text. Beim dritten Versuch fehlen wichtige Informationen. Solche Schwankungen lassen sich nicht vollständig vermeiden, aber Unternehmen können sie deutlich besser beherrschbar machen. Der entscheidende Schritt besteht darin, wiederkehrende Aufgaben nicht jedes Mal spontan zu formulieren, sondern klare Arbeitsanweisungen mit Kontext, Regeln, Beispielen und Prüfkriterien aufzubauen.
1. Warum liefert ChatGPT nicht jedes Mal dasselbe Ergebnis?
Generative KI erzeugt Antworten und arbeitet dabei nicht wie eine klassische Datenbankabfrage oder fest programmierte Textvorlage. Selbst bei ähnlichen Eingaben können sich Formulierungen, Schwerpunkt und Detailgrad unterscheiden.
OpenAI weist in seiner technischen Dokumentation ausdrücklich darauf hin, dass Modellausgaben nicht deterministisch sind. Für geschäftliche Anwendungen empfiehlt OpenAI deshalb neben guten Anweisungen auch Tests und Evaluationen, wenn ein bestimmtes Verhalten zuverlässig erreicht werden soll.
In der Unternehmenspraxis kommt ein zweites Problem hinzu: Häufig verändert sich nicht nur die KI-Antwort, sondern bereits die Arbeitsanweisung.
Ein Mitarbeiter schreibt:
„Antworte diesem Kunden professionell.“
Ein anderer:
„Schreib bitte eine freundliche Antwort.“
Ein dritter kopiert eine alte Kundenantwort und bittet die KI, etwas Ähnliches zu erstellen.
Damit verändern sich Aufgabe, Kontext und Erwartungen bereits vor der eigentlichen Generierung.
Wer reproduzierbarere Arbeitsabläufe möchte, muss deshalb zuerst den Arbeitsauftrag standardisieren.
2. Was bedeutet Prompt Engineering im Unternehmen?
Prompt Engineering klingt technischer, als es für viele betriebliche Anwendungen sein muss.
Im Kern geht es darum, einer KI so klar mitzuteilen, was sie tun soll, welche Informationen sie verwenden darf, welche Regeln gelten und wie ein brauchbares Ergebnis aussieht.
Das ähnelt einer guten Arbeitsanweisung für einen neuen Mitarbeiter.
Die Anweisung „Bearbeite Kundenanfragen“ wäre auch für einen Menschen unzureichend.
Er müsste unter anderem wissen:
- Welche Anfragen soll ich bearbeiten?
- Welche Informationen darf ich verwenden?
- Was darf ich selbst entscheiden?
- Wann muss ich nachfragen?
- Welche Aussagen darf ich nicht machen?
- Welchen Ton verwendet das Unternehmen?
- Wie soll die fertige Antwort aufgebaut sein?
- Wann muss ein Mitarbeiter das Ergebnis kontrollieren?
Bei KI gilt dasselbe Prinzip.
OpenAI und Google empfehlen in ihren aktuellen Prompting-Leitfäden klare, spezifische Anweisungen und einen eindeutig strukturierten Kontext. Beispiele können zusätzlich verdeutlichen, welches Ergebnis erwartet wird.
3. Schritt 1: Die Aufgabe eindeutig definieren
Viele schlechte KI-Ergebnisse beginnen mit einer unklaren Aufgabe.
Ein Prompt wie:
„Mach diese E-Mail besser.“
lässt wesentliche Fragen offen.
Was bedeutet „besser“?
- kürzer?
- freundlicher?
- verkaufsorientierter?
- sprachlich korrekt?
- leichter verständlich?
- rechtlich vorsichtiger formuliert?
Eine bessere Arbeitsanweisung beschreibt deshalb zuerst das konkrete Ziel.
Beispiel:
„Überarbeite die folgende Kundenantwort sprachlich. Erhalte alle sachlichen Aussagen. Formuliere professionell, freundlich und verständlich. Ergänze keine Leistungen, Preise oder Zusagen, die im Ausgangstext nicht genannt werden.“
Die KI erhält damit eine klarere Aufgabe und gleichzeitig erste Grenzen.
4. Schritt 2: Nur den relevanten Kontext bereitstellen
Eine KI kann Informationen, die sie für eine konkrete Aufgabe benötigt, nicht zuverlässig erraten.
Soll sie beispielsweise eine Kundenanfrage beantworten, können je nach Aufgabe relevant sein:
- die ursprüngliche Kundenanfrage
- betroffene Leistung oder Produkt
- gültige Leistungsbeschreibung
- aktuelle Preise, wenn sie genannt werden dürfen
- Liefer- oder Bearbeitungsbedingungen
- bestehende Kommunikation mit dem Kunden
- interne Regeln für die Bearbeitung
Gleichzeitig sollte nicht wahllos das gesamte Unternehmenswissen in jeden Prompt kopiert werden.
Zu viel irrelevanter Kontext erschwert die Pflege, erhöht bei API-Anwendungen den verarbeiteten Umfang und kann wichtige Informationen zwischen unwichtigen Details verstecken.
Die bessere Frage lautet deshalb:
Welche Informationen braucht die KI genau für diese Entscheidung oder Aufgabe?
Wenn Unternehmenswissen regelmäßig benötigt wird, kann statt manueller Copy-and-paste-Prozesse später eine strukturierte Wissensquelle sinnvoll werden.
5. Schritt 3: Regeln und Grenzen festlegen
Bei geschäftlichen Aufgaben ist häufig ebenso wichtig, was die KI nicht eigenständig entscheiden darf.
Eine Kundenservice-Anweisung könnte beispielsweise Regeln enthalten wie:
- keine Preise erfinden
- keine nicht bestätigten Liefertermine nennen
- keine Garantie versprechen, wenn sie nicht aus den bereitgestellten Informationen hervorgeht
- bei fehlenden Informationen Rückfrage markieren
- Beschwerden mit definierten Kriterien an einen Mitarbeiter weitergeben
- personenbezogene Daten nur im vorgesehenen Prozess verarbeiten
Eine reine Verbotsliste ist allerdings häufig nicht optimal.
Besser ist es, zusätzlich zu erklären, was stattdessen passieren soll.
Beispiel:
Statt: „Erfinde keine Lieferzeit.“
Besser: „Wenn keine bestätigte Lieferzeit in den bereitgestellten Daten vorhanden ist, nenne keine Schätzung. Markiere stattdessen: Liefertermin muss geprüft werden.“
Damit besitzt die KI nicht nur eine Grenze, sondern auch einen vorgesehenen Umgang mit dem Ausnahmefall.
6. Schritt 4: Das gewünschte Ausgabeformat festlegen
Eine Antwort kann sachlich richtig und trotzdem für den Geschäftsprozess unbrauchbar sein.
Wenn ein Mitarbeiter beispielsweise jedes Ergebnis erst manuell umstrukturieren muss, fehlt ein wichtiger Teil der Arbeitsanweisung.
Deshalb sollte bei wiederkehrenden Aufgaben definiert werden, wie das Ergebnis aussehen soll.
Je nach Prozess können Vorgaben sein:
- maximale oder gewünschte Länge
- Absätze oder Stichpunkte
- bestimmte Pflichtfelder
- Sprache
- Ton
- Reihenfolge der Informationen
- maschinenlesbare Struktur für weitere Verarbeitung
Für eine interne Anfragequalifizierung könnte beispielsweise eine feste Struktur verwendet werden:
- Anliegen: Was möchte der Interessent?
- Relevante Leistung: Welcher Bereich passt?
- Vorhandene Informationen: Was wissen wir bereits?
- Fehlende Informationen: Was muss noch geklärt werden?
- Priorität: Nach den intern definierten Kriterien.
- Nächster Schritt: Welche Aktion ist vorgesehen?
Dadurch wird das Ergebnis leichter kontrollierbar und kann später einfacher in einen Workflow eingebunden werden.
7. Schritt 5: Gute Beispiele zeigen
Manche Anforderungen lassen sich mit einem Beispiel schneller und eindeutiger vermitteln als mit einem langen Regelwerk.
Wenn ein Unternehmen beispielsweise einen bestimmten Aufbau für Produktbeschreibungen benötigt, können ein oder mehrere geprüfte Beispiele zeigen:
- welcher Detailgrad erwartet wird
- wie Überschriften aufgebaut sind
- welcher Ton verwendet wird
- welche Informationen enthalten sein müssen
- wie das Ergebnis formatiert werden soll
Dieses Vorgehen wird häufig als Few-shot Prompting bezeichnet: Das Modell erhält Beispiele für gewünschte Ein- und Ausgaben und kann das erkennbare Muster auf neue Eingaben übertragen.
OpenAI empfiehlt Beispiele insbesondere dann, wenn das gewünschte Ausgabeformat oder Verhalten genauer gezeigt werden soll.
8. Schritt 6: Definieren, woran ein gutes Ergebnis erkannt wird
Ein Unternehmen kann einen Prompt kaum systematisch verbessern, wenn niemand definiert hat, was „gut“ bedeutet.
Für eine Kundenantwort könnten beispielsweise folgende Prüfkriterien gelten:
- beantwortet die tatsächliche Frage des Kunden
- enthält keine erfundenen Fakten
- verwendet ausschließlich bestätigte Preise und Bedingungen
- ist für den Kunden verständlich
- entspricht dem gewünschten Ton
- enthält einen klaren nächsten Schritt
- markiert fehlende Informationen statt sie zu erraten
Bei einem internen Prozess können andere Kriterien entscheidend sein.
OpenAI empfiehlt für produktive KI-Anwendungen strukturierte Evaluationen mit realistischen Testfällen. Der Grund ist einfach: Generative Ergebnisse variieren, und eine einzelne gut aussehende Antwort beweist noch nicht, dass die Arbeitsanweisung zuverlässig funktioniert.
OpenAI: Evaluation Best Practices
Für kleine Unternehmen muss daraus kein Forschungsprojekt werden
Für einen einfachen internen Anwendungsfall kann bereits eine kleine Sammlung typischer und schwieriger Beispiele hilfreich sein.
Zum Beispiel:
- 5 normale Anfragen
- 2 unvollständige Anfragen
- 2 ungewöhnliche Fälle
- 1 Fall, bei dem die KI ausdrücklich nicht selbst entscheiden darf
Nach einer Änderung der Arbeitsanweisung werden dieselben Fälle erneut getestet.
Damit wird aus „Diese Antwort gefällt mir besser“ eine nachvollziehbarere Qualitätsprüfung.
9. Eine einfache Prompt-Vorlage für wiederkehrende Unternehmensaufgaben
Für viele Aufgaben reicht zunächst eine klare Grundstruktur.
| Baustein | Frage |
|---|---|
| Aufgabe | Was soll konkret erledigt werden? |
| Ziel | Wofür wird das Ergebnis verwendet? |
| Kontext | Welche Informationen braucht die KI? |
| Regeln | Was muss eingehalten werden? |
| Ausnahmen | Wann darf die KI nicht selbst entscheiden? |
| Ausgabe | Wie soll das Ergebnis strukturiert sein? |
| Beispiele | Gibt es geprüfte Muster für gute Ergebnisse? |
| Prüfung | Woran erkennen wir, ob das Ergebnis verwendbar ist? |
Eine einfache Vorlage kann dann beispielsweise so aufgebaut sein:
Diese Struktur ist kein universeller „Super-Prompt“. Sie zwingt das Unternehmen aber dazu, die wichtigsten Fragen vor der Nutzung zu klären.
10. Praxisbeispiel: Eingehende Kundenanfragen vorbereiten
Fiktives Beispiel: Ein B2B-Unternehmen erhält regelmäßig Anfragen per E-Mail. Mitarbeiter verwenden ChatGPT, um Antwortentwürfe vorzubereiten.
Ausgangssituation
Jeder Mitarbeiter formuliert seine Prompts selbst.
Dadurch entstehen unter anderem folgende Probleme:
- manche Antworten sind zu lang
- manche nennen Leistungen, die zur Anfrage nicht passen
- fehlende Informationen werden teilweise durch plausible Annahmen ersetzt
- Ton und Aufbau unterscheiden sich stark
- Mitarbeiter müssen jedes Ergebnis anders nachbearbeiten
Die Aufgabe wird standardisiert
Das Unternehmen erstellt eine gemeinsame Arbeitsanweisung:
Danach wird getestet
Die Arbeitsanweisung wird nicht nach einem einzigen guten Ergebnis freigegeben.
Das Unternehmen testet sie mit unterschiedlichen realistischen Anfragen:
- klare Standardanfrage
- unklare Anfrage ohne ausreichende Informationen
- Anfrage zu einer nicht angebotenen Leistung
- Kunde fordert einen nicht bestätigten Preis
- Beschwerde, die an einen Mitarbeiter weitergegeben werden soll
Erst danach wird entschieden, welche Regeln ergänzt oder vereinfacht werden müssen.
Der eigentliche Fortschritt besteht nicht darin, einen besonders langen Prompt geschrieben zu haben. Der Fortschritt besteht darin, dass das Unternehmen einen definierten und prüfbaren Arbeitsprozess besitzt.
Das Beispiel ist fiktiv und beschreibt eine mögliche Vorgehensweise. Welche Regeln, Prüfungen und Freigaben erforderlich sind, hängt vom tatsächlichen Geschäftsprozess und den verwendeten Daten ab.
11. Wie sollten Unternehmen Prompts im Team verwalten?
Sobald mehrere Mitarbeiter dieselbe KI-Aufgabe durchführen, wird ein Prompt zu einer gemeinsamen Arbeitsgrundlage.
Dann entstehen ähnliche Fragen wie bei anderen internen Prozessdokumenten:
- Welche Version ist aktuell?
- Wer darf sie ändern?
- Warum wurde eine Regel ergänzt?
- Mit welchen Fällen wurde die neue Version getestet?
- Für welches Modell oder welchen Prozess wurde sie geprüft?
- Wer ist fachlich verantwortlich?
Ein Prompt, der irgendwo in einem persönlichen Chatverlauf liegt, ist dafür eine schlechte Grundlage.
Mindestens dokumentieren
- Name der Arbeitsanweisung
- Einsatzzweck
- aktuelle Version
- verantwortliche Person oder Rolle
- zulässige Datenquellen
- Prüf- und Freigaberegeln
- letzte fachliche Überprüfung
Bei technisch integrierten KI-Prozessen sollte die Versionierung systematischer erfolgen. OpenAI empfiehlt inzwischen, Prompt-Inhalte im Anwendungscode zu verwalten und Änderungen zusammen mit dem Produktverhalten zu prüfen. Wiederverwendbare Prompt-Objekte in Dashboard und API sind abgekündigt; ihre Abschaltung ist für den 30. November 2026 vorgesehen. Unabhängig von der technischen Umsetzung sollten Prompt-Versionen nachvollziehbar bleiben und Änderungen anhand definierter Testfälle auf ihre Ergebnisqualität geprüft werden.
12. Wann wird aus einem guten Prompt ein automatisierter Workflow?
Ein wiederverwendbarer Prompt kann ein guter erster Schritt sein. Er ist aber noch keine vollständige Automatisierung.
Wenn Mitarbeiter weiterhin:
- E-Mails manuell kopieren
- Kundendaten zusammensuchen
- immer dieselben Zusatzinformationen einfügen
- das Ergebnis in ein anderes System übertragen
- denselben Freigabeprozess manuell starten
kann geprüft werden, ob Teile dieses Ablaufs technisch verbunden werden sollten.
Ein späterer Workflow könnte beispielsweise:
- eine neue Anfrage erkennen
- benötigte Informationen strukturiert bereitstellen
- eine geprüfte KI-Arbeitsanweisung anwenden
- das Ergebnis nach festen Kriterien strukturieren
- kritische oder unvollständige Fälle markieren
- einem Mitarbeiter einen Entwurf zur Prüfung vorlegen
- erst nach Freigabe den vorgesehenen nächsten Schritt ausführen
Damit verändert sich die Aufgabe:
Aus „Wie schreibe ich einen besseren Prompt?“ wird „Wie bauen wir einen kontrollierbaren Geschäftsprozess mit KI-Unterstützung?“
13. Checkliste: Ist Ihre KI-Arbeitsanweisung wirklich einsatzbereit?
- Aufgabe: Ist eindeutig beschrieben, was die KI erledigen soll?
- Geschäftsziel: Ist klar, wofür das Ergebnis benötigt wird?
- Kontext: Bekommt die KI die tatsächlich erforderlichen Informationen?
- Daten: Ist geklärt, welche Unternehmens- oder Kundendaten verwendet werden dürfen?
- Regeln: Sind verbindliche fachliche Grenzen definiert?
- Ausnahmen: Ist festgelegt, was bei fehlenden oder widersprüchlichen Informationen passiert?
- Format: Ist die gewünschte Ausgabe konkret beschrieben?
- Beispiele: Gibt es bei Bedarf geprüfte Muster?
- Qualität: Existieren nachvollziehbare Prüfkriterien?
- Testfälle: Wurde nicht nur ein einfacher Idealfall getestet?
- Verantwortung: Ist klar, wer die Arbeitsanweisung pflegt und freigibt?
- Human Review: Ist definiert, wann ein Mensch das Ergebnis prüfen oder entscheiden muss?
- Versionierung: Kann nachvollzogen werden, welche Fassung aktuell verwendet wird?
Bessere KI-Ergebnisse beginnen mit einer besseren Arbeitsanweisung
Wenn ChatGPT bei einer wiederkehrenden Aufgabe unterschiedliche Ergebnisse liefert, ist die Lösung nicht automatisch ein immer längerer Prompt.
Zuerst sollte geklärt werden:
Was ist die konkrete Aufgabe, welche Informationen werden benötigt, welche Regeln gelten und woran erkennen wir ein brauchbares Ergebnis?
Aus diesen Antworten entsteht eine wiederverwendbare Arbeitsanweisung.
Gute Beispiele können das gewünschte Verhalten verdeutlichen. Testfälle zeigen, ob die Anweisung auch außerhalb eines einfachen Idealfalls funktioniert. Eine klare Verantwortlichkeit verhindert, dass im Team zehn unterschiedliche Versionen derselben Aufgabe entstehen.
Absolute Gleichheit ist bei generativer KI nicht das realistische Ziel.
Das sinnvolle Unternehmensziel ist ein ausreichend zuverlässiger, überprüfbarer und beherrschbarer Prozess.
Häufige Fragen zu Prompts im Unternehmen
Warum gibt ChatGPT bei demselben Prompt unterschiedliche Antworten?
Generative KI kann auch bei ähnlichen oder identischen Eingaben unterschiedliche Ausgaben erzeugen. Zusätzlich verändern Nutzer häufig unbewusst Kontext oder Formulierung. Klare Arbeitsanweisungen und Tests können die Ergebnisse besser steuerbar machen, garantieren aber keine vollständig identischen Antworten.
Was ist Prompt Engineering einfach erklärt?
Prompt Engineering bedeutet, Anweisungen für ein KI-Modell so zu gestalten, dass Aufgabe, Kontext, Regeln und gewünschtes Ergebnis möglichst eindeutig sind. Im Unternehmen kann man es als Entwicklung einer guten Arbeitsanweisung für eine KI verstehen.
Muss ein guter Prompt besonders lang sein?
Nein. Entscheidend ist nicht die Länge, sondern ob die für die Aufgabe notwendigen Informationen eindeutig enthalten sind. Ein kurzer, präziser Prompt kann besser funktionieren als eine lange Sammlung allgemeiner oder widersprüchlicher Regeln.
Hilft es, ChatGPT eine Rolle zu geben?
Eine sinnvolle Rollen- oder Kontextbeschreibung kann helfen, wenn sie für die Aufgabe relevant ist. Übertriebene Formulierungen wie „Du bist der beste Experte der Welt“ ersetzen jedoch keine klare Aufgabe, verlässlichen Kontext und konkrete Qualitätskriterien.
Warum sollte ich Beispiele in einen Prompt aufnehmen?
Geprüfte Beispiele können zeigen, welche Struktur, Sprache oder Klassifizierung erwartet wird. Das ist besonders hilfreich, wenn sich die gewünschte Ausgabe nur umständlich mit abstrakten Regeln beschreiben lässt. Fehlerhafte Beispiele können allerdings auch unerwünschte Muster vorgeben.
Kann ein Prompt verhindern, dass eine KI falsche Fakten erfindet?
Klare Regeln und geeignete Datenquellen können das Risiko reduzieren, aber nicht vollständig ausschließen. Bei geschäftskritischen Aussagen sollte deshalb definiert werden, welche Quellen verwendet werden dürfen, wie fehlende Informationen behandelt werden und wann eine menschliche Prüfung erforderlich ist.
Sollten alle Mitarbeiter dieselben Prompts verwenden?
Bei derselben standardisierten Aufgabe ist eine gemeinsame geprüfte Arbeitsanweisung meist sinnvoller als viele persönliche Varianten. Für unterschiedliche Aufgaben oder Verantwortungsbereiche können dagegen unterschiedliche Anweisungen notwendig sein.
Wann sollte aus einem Prompt eine Automatisierung werden?
Wenn dieselbe Aufgabe häufig wiederholt wird und Mitarbeiter regelmäßig dieselben Daten beschaffen, einfügen, prüfen und in andere Systeme übertragen, kann eine Workflow-Automatisierung sinnvoll sein. Vorher sollten Aufgabe, Datenquellen, Regeln, Ausnahmefälle und menschliche Freigaben klar definiert sein.