Das Gabler Wirtschaftslexikon definiert den Prompt als Input des Benutzers, zu dem ein generatives KI-System einen Output erzeugt. Beim Chatassistenten ist das die getippte Frage. In einer Automatisierung sieht derselbe Begriff anders aus: Dort schreibt kein Mitarbeiter etwas in ein Eingabefeld. Der Prompt ist eine festgelegte Vorlage, die ein Programm für jeden einzelnen Vorgang mit Daten füllt, etwa mit dem Text einer eingegangenen E-Mail, und dann an das Modell schickt.
Diese Verschiebung ist wichtiger, als sie klingt. Ein Prompt, der tausendmal am Tag läuft, ist kein Gesprächsbeitrag mehr, sondern ein Stück Steuerungslogik. Er bestimmt, wie ein Prozess entscheidet.
Woraus ein Prompt besteht
Für ein Sprachmodell ist alles, was in einer Anfrage steht, zunächst Text. Die Anbieter unterscheiden aber Rollen. OpenAI trennt in seiner Dokumentation Anweisungen des Entwicklers, die Vorrang haben, von Nachrichten des Nutzers und vergleicht das Verhältnis mit einer Funktion und ihren Argumenten: Die Entwickleranweisung legt fest, was geschieht, die Nutzernachricht liefert den Einzelfall. Bei anderen Anbietern heißt der erste Teil Systemprompt.
Ein typischer Prompt in einem Geschäftsprozess enthält, in der von OpenAI empfohlenen Reihenfolge:
- Rolle und Zweck: wofür das Modell eingesetzt wird und in welchem Ton es antwortet
- Anweisungen: Regeln, was zu tun und was zu lassen ist
- Beispiele: einige Fälle mit der jeweils richtigen Antwort
- Kontext: die Daten des Einzelfalls und nötiges Hintergrundwissen
Ein konstruiertes Beispiel für eine E-Mail-Zuordnung im Kundenservice könnte so beginnen:
Sie ordnen eingehende Kundenmails einer von vier Kategorien zu:
Reklamation, Bestellung, Rechnungsfrage, Sonstiges.
Antworten Sie nur mit der Kategorie und einer Begründung in einem Satz.
Wenn die Mail zu keiner Kategorie eindeutig passt, wählen Sie Sonstiges.
Darunter folgen zwei, drei Beispielmails mit der richtigen Kategorie und schließlich die aktuelle Mail. Der letzte Satz der Anweisung ist der wichtigste: Er sagt dem Modell, was es tun soll, wenn es unsicher ist. Fehlt eine solche Regel, wählt es trotzdem irgendeine Kategorie.
Beispiele statt Training
Dass ein Modell eine Aufgabe allein aus der Beschreibung und ein paar Beispielen im Prompt lernt, war 2020 die zentrale Beobachtung der Forscher hinter GPT-3. Sie zeigten, dass Aufgaben und Beispiele rein als Text übergeben werden können, ohne das Modell neu zu trainieren. Man spricht von Zero-Shot, wenn der Prompt nur die Anweisung enthält, und von Few-Shot, wenn einige Beispiele dazukommen. Anthropic empfiehlt in seinem Leitfaden drei bis fünf Beispiele, die sich möglichst voneinander unterscheiden, damit das Modell nicht ein zufälliges Merkmal eines einzelnen Beispiels nachahmt.
Für Unternehmen ist das der Grund, warum sich viele Aufgaben ohne eigenes Training lösen lassen. Wo Beispiele im Prompt nicht mehr ausreichen, kommt Fine-Tuning in Frage. Das ist aber aufwendiger und selten der erste Schritt.
Warum ein Prompt wie Code behandelt gehört
Kleine Änderungen am Wortlaut können das Verhalten eines Modells spürbar verändern. Ein zusätzlicher Satz, der eine Ausnahme regeln soll, verschiebt mitunter die Entscheidungen in ganz anderen Fällen. OpenAI rät deshalb, Prompts im Quellcode der Anwendung zu führen, wo sie geprüft, versioniert und wie jede andere Änderung ausgerollt werden, und ihre Wirkung mit Testfällen zu messen. Wie man solche Tests aufbaut, beschreibt der Eintrag zur Evaluation von KI-Systemen.
Daraus folgen einige Regeln für den Betrieb:
- Jede Änderung am Prompt wird dokumentiert, mit Datum und Grund.
- Vor dem Ausrollen läuft der neue Prompt gegen eine Sammlung echter, bereits entschiedener Fälle.
- Bei einem Wechsel der Modellversion wird der Prompt erneut geprüft, auch wenn sich an ihm nichts geändert hat.
- Bei jedem Vorgang ist nachvollziehbar, mit welcher Prompt-Version er bearbeitet wurde.
Wo der Prompt endet und die Daten beginnen
Ein Prompt mischt Anweisungen und Daten in einem einzigen Text. Das Modell kann beides nicht sicher auseinanderhalten. Steht in einer eingehenden E-Mail der Satz, alle bisherigen Anweisungen seien zu ignorieren, liest das Modell ihn zunächst wie jeden anderen Text. Dieses Risiko heißt Prompt Injection, und es betrifft jeden Prompt, der Inhalte von außen aufnimmt.
Anthropic empfiehlt, die Bestandteile eines Prompts klar voneinander abzugrenzen, zum Beispiel mit Markierungen, die Anweisungen, Kontext und Eingabe einschließen. Das verringert Missverständnisse, ist aber kein Schutz gegen gezielte Manipulation. Den bieten erst Maßnahmen außerhalb des Prompts: ein Modell, das nur lesen und nicht handeln darf, eine feste Liste erlaubter Ausgaben und eine Prüfung, bevor eine Antwort Wirkung entfaltet.
Ebenfalls außerhalb des Prompts liegt die Frage, wie lang er sein darf. Anweisungen, Beispiele und Daten teilen sich das Kontextfenster des Modells, und jedes Wort darin wird bei jeder Anfrage berechnet. Ein guter Prompt ist deshalb nicht der längste, sondern der, der mit möglichst wenig Text alle Fälle eindeutig regelt, die im Prozess tatsächlich vorkommen. Wie man dorthin gelangt, beschreibt der Eintrag zum Prompt Engineering.
Quellen
- Prompt, Gabler Wirtschaftslexikon, Springer Fachmedien
- Prompt engineering, OpenAI, API-Dokumentation
- Prompting best practices, Anthropic, Claude Developer Platform
- Language Models are Few-Shot Learners, Brown et al., OpenAI, arXiv, 2020
Inhaltlich geprüft im Oktober 2026. Der Eintrag erklärt einen Begriff und ersetzt keine Rechts- oder Steuerberatung.

