Prompt Engineering für KMU: So holen Sie das Beste aus KI-Assistenten heraus
Wie KMU mit gezielten Prompts deutlich bessere KI-Ergebnisse erzielen — ohne Programmierung, ohne teures Finetuning, mit sofort anwendbaren Techniken.
Dieselbe Frage, zwei völlig unterschiedliche Antworten. Nicht weil ein anderes Modell genutzt wurde — sondern weil der eine Prompt präzise war und der andere nicht.
Genau das ist der Kern von Prompt Engineering: Wer weiß, wie er eine KI fragt, bekommt verlässlich bessere Ergebnisse. Und das ist keine Raketenwissenschaft.
Warum die meisten KI-Ergebnisse enttäuschen
Das häufigste Muster beim KI-Einstieg: jemand schreibt „Hilf mir mit meinem Newsletter” — bekommt eine generische Antwort — und zieht den Schluss, dass KI für diesen Zweck nichts taugt.
Der Fehler liegt nicht beim Modell. Er liegt im Prompt.
Ein [[llm|Sprachmodell]] hat keinen Kontext, keine Vorgeschichte, keine Unternehmenskenntnis. Es bekommt genau das, was im Prompt steht — und arbeitet damit. Wer nichts gibt, bekommt Allgemeines zurück.
Die fünf wirksamsten Techniken
1. Eine Rolle zuweisen
Das Modell in eine spezifische Perspektive versetzen, verändert die Qualität der Ausgabe merklich.
Schwach: „Erkläre mir DSGVO.”
Besser: „Du bist ein erfahrener Datenschutzbeauftragter für mittelständische Unternehmen in Deutschland. Erkläre mir in einfachen Worten, was DSGVO für ein Unternehmen mit 20 Mitarbeitern bedeutet.”
2. Kontext und Einschränkungen liefern
Wer nur die Aufgabe nennt, lässt dem Modell zu viel Spielraum.
Schwach: „Schreib eine E-Mail.”
Besser: „Schreib eine E-Mail an einen Kunden, der eine Anfrage vor drei Wochen gestellt hat und seitdem nicht geantwortet hat. Ton: freundlich, nicht drängend. Ziel: Rückmeldung bis Freitag. Länge: maximal fünf Sätze.”
3. Das Ausgabeformat definieren
Ohne Formatvorgabe liefert das Modell Fließtext — manchmal ist das gewünscht, oft nicht.
Nützliche Formatvorgaben:
- „Antworte als nummerierte Liste mit maximal fünf Punkten.”
- „Gib die Antwort als Tabelle mit den Spalten X, Y, Z zurück.”
- „Antworte im JSON-Format mit den Feldern ‚titel’ und ‚zusammenfassung’.”
- „Fasse in drei Sätzen zusammen.”
4. Beispiele mitgeben (Few-Shot-Prompting)
Zwei bis drei Beispiele für das gewünschte Ergebnis in den Prompt einzubetten, verbessert die Ausgabe oft stärker als jede andere Technik.
Schema: „Hier sind zwei Beispiele für den Stil, den ich möchte: [Beispiel 1] [Beispiel 2]. Schreibe jetzt in diesem Stil über [Thema].“
5. Schritt-für-Schritt denken lassen
Bei komplexen Aufgaben: „Denke Schritt für Schritt” oder „Erkläre zuerst deine Überlegung, dann die Antwort.”
Das zwingt das Modell, Zwischenschritte explizit zu machen — und reduziert [[ki-halluzination|Halluzinationen]] bei schwierigen Aufgaben deutlich.
Typische Fehler
Zu vage: „Hilf mir mit meinem Business.” Das Modell weiß nicht, was es tun soll.
Zu lang ohne Struktur: Ein 500-Wort-Prompt ohne klare Aufgabe verwirrt statt zu leiten.
Fehlende Einschränkungen: Kein Zielformat, keine Länge — beliebige Ausgabe.
Den ersten Prompt akzeptieren: Prompts brauchen Iteration. Der zweite Versuch ist fast immer besser als der erste.
Eine Prompt-Bibliothek aufbauen
Der größte Hebel für KMU: Prompts, die einmal gut funktionieren, werden systematisch gespeichert und wiederverwendet.
Praktisches Vorgehen:
- Drei bis fünf wiederkehrende Aufgaben identifizieren (E-Mails, Zusammenfassungen, Stellenanzeigen, Protokolle)
- Für jede einen Prompt entwickeln und testen
- In ein geteiltes Dokument speichern — mit Kommentar, wofür der Prompt gedacht ist
- Team schulen und Prompts kontinuierlich verfeinern
Das ist kein IT-Projekt — das ist ein Prozess wie das Pflegen eines Vorlagenordners. Nur wirkungsvoller.
Was Prompt Engineering nicht ersetzen kann
Prompt Engineering verbessert, was ein Modell mit vorhandenem Wissen tut. Wenn das Modell keine aktuellen oder internen Informationen hat, helfen auch gute Prompts nur bedingt.
Für Anwendungen, die auf eigene Unternehmensdaten zugreifen müssen — interne Handbücher, aktuelle Preislisten, Vertragsdokumente — ist [[rag|RAG]] der nächste Schritt.
Der ROI von Prompt Engineering ist ungewöhnlich hoch: Es kostet Zeit zum Lernen, danach nur noch Zeit zum Tippen.