Prompting fortgeschritten – Bias, Dialog, Techniken

Im Prompt-Baukasten hast du die fünf Werkzeuge kennengelernt: Rolle, Aufgabe, Kontext, Ton, Format. Damit schreibst du strukturierte Prompts. Aber strukturiert reicht nicht. Auch ein technisch sauberer Prompt kann das falsche Ergebnis liefern. Weil die Frage selbst verzerrt ist. Weil der erste Wurf nie der letzte ist. Oder weil du die falsche Technik für die falsche Aufgabe gewählt hast.

Was diese Lesson dir gibt

Drei Fähigkeiten, die fortgeschrittenes Prompting ausmachen:

1. Bias erkennen: Wie deine Frage die Antwort verzerrt, bevor sie überhaupt geschrieben ist
2. Dialog führen: Sieben Wege, einen ersten Output gezielt zu verbessern statt neu zu starten
3. Technik wählen: Zero-Shot, Few-Shot oder Chain-of-Thought für die jeweils passende Aufgabe

Der Unterschied

Beide Prompts nutzen den Baukasten korrekt. Aber der erste fragt nur nach Risiken. Die KI liefert zuverlässig genau das: eine Risiko-Liste. Die Chancen tauchen nie auf. Nicht weil die KI sie nicht kennt, sondern weil du sie nicht gefragt hast. Das ist Framing-Bias. Erste Lektion dieser Lesson.

KI-Modelle widersprechen ungern. Sie nehmen deine Frage als gegeben und antworten innerhalb des Rahmens, den du aufgespannt hast. Wenn der Rahmen schief ist, ist auch die Antwort schief. Vier Muster begegnen dir immer wieder.

Die vier Bias-Muster

Suggestiv: Die Antwort steckt in der Frage

Die erste Frage liefert eine Begründungs-Liste für eine Entscheidung, die du noch gar nicht getroffen hast. Die zweite Frage liefert eine echte Entscheidungsgrundlage.

Framing: Nur eine Seite abfragen

Framing ist der häufigste Bias in Business-Kontexten. Wer eine Skepsis-Mail an die Geschäftsführung schreibt, fragt automatisch nach Risiken. Das Ergebnis: eine Mail, die gut klingt, aber die halbe Wahrheit transportiert.

Stereotyp: Vorannahme als Tatsache

Negativ: Verbote lenken den Fokus

Negativ-Formulierungen funktionieren bei KI ähnlich wie bei Menschen: "Denk nicht an einen rosa Elefanten." Sage stattdessen, was du willst. Nicht, was du nicht willst.

Die häufigste Anfänger-Falle: Ersten Output bekommen, nicht zufrieden sein, neu starten. Das ist Verschwendung. Der erste Output ist Material, kein fertiges Produkt. Die eigentliche Fähigkeit ist nicht der perfekte erste Prompt. Es ist die Fähigkeit, präzise nachzufassen.

Sieben Kategorien für Folge-Prompts

Der Unterschied zwischen Neustart und Iteration

Der Unterschied: Bei der Iteration baust du auf dem Kontext auf, den die KI bereits hat. Bei jedem Neustart musst du den ganzen Kontext wieder mitliefern.

Wann doch neu starten?

• Wenn die Richtung fundamental falsch ist, nicht nur Details
• Wenn der Kontext im Chat zu unübersichtlich geworden ist
• Wenn du die Aufgabenstellung selbst verändern willst
• Wenn du die Konversation als Übung archivieren willst und parallel sauber starten möchtest

Bisher hast du der KI gesagt, was sie tun soll. Few-Shot-Prompting dreht das um: Du zeigst es ihr. Du gibst zwei bis sechs Beispiele für den gewünschten Output. Die KI erkennt das Muster und wendet es auf den nächsten Fall an.

Zero-Shot vs. Few-Shot

Wann Few-Shot der Hebel ist

Few-Shot lohnt sich immer dann, wenn du ein spezifisches Muster willst und merkst: Erklären dauert länger als Zeigen. Vier typische Fälle:

• Tonalität die schwer zu beschreiben ist (eure Brand-Stimme, ein bestimmter Humor-Stil)
• Format-Muster mit fester Struktur (Produktbeschreibungen, Tweet-Threads, FAQ-Einträge)
• Klassifizierung nach euren Kategorien (Tickets sortieren, Leads bewerten)
• Übersetzungs-Logik bei eurem Fachvokabular ("wir nennen das nicht User, sondern Mitglieder")

Beispiel: Produktbeschreibungen mit Stil

Die KI erkennt das Muster sofort: kurze Spec-Liste, dann ein Satz, der die Zielgruppe charmant beschreibt. Du musstest weder 'kurz' noch 'mit Zielgruppen-Pointe' noch 'Spec-Liste plus Persönlichkeit' schreiben. Die Beispiele transportieren das alles.

Faustregeln für gute Beispiele

1. 2 bis 6 Beispiele reichen meistens. Mehr lohnt sich selten.
2. Variation zeigen. Die Beispiele sollten unterschiedlich genug sein, dass das Muster sichtbar wird, nicht der Einzelfall.
3. Format identisch halten. Wenn Beispiel 1 "Produkt: X / Beschreibung: Y" nutzt, dann auch alle anderen.
4. Letztes Beispiel offen lassen. Zeige der KI durch den unvollständigen letzten Eintrag, wo sie weiterschreiben soll.

Wenn du eine KI etwas Komplexes fragst, neigt sie zur Abkürzung. Sie liefert ein Ergebnis, ohne den Weg dorthin sichtbar zu machen. Manchmal stimmt es. Manchmal nicht. Bei logischen Aufgaben kannst du den Unterschied nicht sehen. Denn beide Antworten sehen gleich überzeugend aus.

Chain-of-Thought (CoT) löst das. Du bittest die KI, vor der Antwort die Denkschritte aufzuschreiben. Das verändert nicht nur die Sichtbarkeit. Es verändert auch die Qualität des Ergebnisses. Weil das Modell beim "lauten Denken" mehr Rechenkapazität auf die einzelnen Schritte verwendet.

Wann CoT hilft

• Logische Probleme mit mehreren Bedingungen oder Schritten
• Analysen mit mehreren Faktoren, die gegeneinander abgewogen werden müssen
• Entscheidungen mit Trade-offs (Aufwand vs. Wirkung, Risiko vs. Chance)
• Berechnungen mit mehreren Zwischenschritten
• Plan-Erstellung mit Abhängigkeiten zwischen Aufgaben

Beispiel: Ein KI-Rollout durchdenken

Der Unterschied zum Zero-Shot-Prompt "Erstelle einen Plan für einen KI-Rollout von 30 auf 80 Prozent": Du bekommst nicht nur einen Plan, sondern auch die Annahmen, auf denen er basiert. Du kannst sie prüfen, korrigieren, austauschen. Aus einer Black Box wird ein nachvollziehbarer Vorschlag.

Die zwei Wege, CoT auszulösen

Du kennst jetzt drei Techniken: Zero-Shot (nur Aufgabe), Few-Shot (Aufgabe + Beispiele) und Chain-of-Thought (Aufgabe + Denkschritte). Die ehrliche Wahrheit: Im Alltag mischst du sie. Aber für jede Aufgabe gibt es einen Default, den Punkt, von dem aus du startest.

Default-Technik nach Aufgabentyp

Techniken kombinieren

Die drei Techniken schließen sich nicht aus. Im Alltag mischst du sie:

Few-Shot zeigt das Muster und die Kategorien. Chain-of-Thought macht die Klassifizierungs-Logik nachvollziehbar. Das Modell schreibt zuerst seinen Gedanken. Erst dann kommt die Einstufung.

Bisher hast du jeden Prompt komplett geschrieben: Rolle, Aufgabe, Kontext, Ton, Format. Wenn du dieselben Bausteine immer wieder schreibst, ist das verschwendete Energie. System Prompts (auch "Custom Instructions" oder "Project Instructions") sind dauerhafte Anweisungen, die für jede Konversation automatisch gelten.

Wo du sie einrichtest

Was reingehört

Beispiel: Ein kompakter System Prompt

Einmal eingerichtet, wirkt das auf jede Konversation. Du musst die Voice-Regeln nicht mehr in jeden Prompt schreiben. Du kannst dich auf die eigentliche Aufgabe konzentrieren.

Stärken und Grenzen

Wie es weitergeht

Bias erkannt, Dialog geübt, Technik gewählt, System gesetzt. Du hast jetzt das Werkzeug, um mit KI auf fortgeschrittenem Niveau zu arbeiten. Aber: Auch der beste Prompt schützt dich nicht davor, dass die KI manchmal überzeugend Falsches behauptet. Wann du KI-Output vertrauen kannst und wann nicht, und wie du das systematisch prüfst, ist Thema der nächsten Lesson.

Begriffe aus dieser Lesson

• Bias — Bias in KI-Systemen sind systematische Verzerrungen, die aus Trainingsdaten, Modelldesign oder Prompt-Formulierung entstehen. Sie beeinflussen Antworten, Bilder und Entscheidungen in eine bestimmte Richtung.
• Chain-of-Thought — Chain-of-Thought fordert das Modell auf, den Denkweg offenzulegen, bevor es eine Antwort gibt. Bei logischen Problemen, Abwägungen und mehrstufigen Berechnungen verbessert das die Ergebnisqualität deutlich.
• Context Engineering — Context Engineering ist die Disziplin, einem KI-Modell den richtigen Kontext in der richtigen Form bereitzustellen, damit Antworten präziser, faktentreuer und anwendungsspezifischer werden.
• Extended Thinking — Extended Thinking lässt das Modell intern länger nachdenken, bevor es antwortet. Die Denkschritte sind oft nicht sichtbar, aber das Ergebnis ist bei komplexen Aufgaben spürbar besser.
• Few-Shot Prompting — Few-Shot Prompting gibt dem Modell zwei bis sechs Beispiele im Prompt, bevor die eigentliche Aufgabe kommt. Das Modell erkennt das Muster und wendet es auf den neuen Fall an.
• Kontextfenster — Das Kontextfenster ist die maximale Menge an Text, die ein Modell bei einer Anfrage gleichzeitig verarbeiten kann. Alles was nicht reinpasst, wird ignoriert. Größer ist nicht automatisch besser.
• Prompt — Ein Prompt ist die Texteingabe, mit der du einem KI-Modell mitteilst, was es tun soll. Er steuert Inhalt, Form und Tonfall der Antwort.
• Prompt-Chaining — Prompt-Chaining zerlegt eine komplexe Aufgabe in mehrere aufeinander aufbauende Prompts. Der Output von Schritt 1 wird zum Input von Schritt 2. Das verbessert Qualität und Kontrolle bei anspruchsvollen Aufgaben.
• Retrieval Augmented Generation — Retrieval Augmented Generation kombiniert ein Sprachmodell mit einer externen Wissensdatenbank. Vor der Antwort werden relevante Dokumente abgerufen und in den Kontext injiziert, das Modell antwortet auf Basis echter Quellen statt aus dem Training.
• System-Prompt — Der System-Prompt definiert die Rolle, den Rahmen und die Regeln, in denen ein Sprachmodell operiert. Er wird vor jeder Nutzeranfrage angewendet und beeinflusst alle folgenden Antworten.
• Temperatur — Die Temperatur ist ein Modellparameter, der steuert, wie kreativ oder vorhersehbar die Antworten ausfallen. Niedrig (0) bedeutet deterministisch und konsistent, hoch (1+) bedeutet kreativ und variabel.

Passende Fragen

• Entsteht Bias in KI-Antworten nur durch das Modell?
  Nein. Den größten Bias bringt die Frage selbst mit. Vier Muster dominieren: Suggestivfragen, Framing, Stereotypen und negative Einrahmung. Wer das kennt, schreibt fairere Prompts und bekommt belastbarere Antworten.
• Ersetzt ein guter System-Prompt die täglichen Einzelprompts?
  Nein. System-Prompts decken das Stabile ab, Rolle, Stil, Verhalten. Projektspezifischer Kontext gehört in den User-Prompt. Beide Ebenen zusammen ergeben gute Antworten, keine Ebene ersetzt die andere.
• Liefert der perfekte Prompt beim ersten Versuch das perfekte Ergebnis?
  Selten. Iteration ist Teil des Prozesses. Der erste Prompt setzt die Richtung, Folgeprompts schärfen nach. Wer den Dialog mit dem Modell als Gespräch versteht, kommt schneller ans Ziel als der, der den einen Mega-Prompt sucht.
• Soll ich bei schlechten Ergebnissen neu starten oder iterieren?
  Meist iterieren. Der Kontext bleibt erhalten, das Modell baut auf bisherigen Absprachen auf. Nur wenn die Grundrichtung falsch ist, lohnt der Neustart. Faustregel: Nach drei erfolglosen Iterationen neu anfangen.
• Was ist Chain-of-Thought-Prompting und wann lohnt es sich?
  Chain-of-Thought bedeutet, dem Modell zu sagen: „Denk Schritt für Schritt." Es lohnt sich bei logischen Problemen, Trade-off-Entscheidungen und mehrstufigen Berechnungen. Bei Standardaufgaben ist es Overkill.
• Was ist Few-Shot-Prompting und wie viele Beispiele brauche ich?
  Few-Shot-Prompting bedeutet, dem Modell zwei bis sechs Beispiele mitzugeben, bevor es die eigentliche Aufgabe bekommt. Mehr Beispiele helfen selten, die Qualität der Beispiele schlägt die Menge.
• Was sind die häufigsten Fehler beim Prompting?
  Sechs Klassiker: 1) Zu vage formulieren. 2) Keinen Kontext mitgeben. 3) Kein Format definieren. 4) Mehrere Aufgaben gleichzeitig stellen. 5) Nicht iterieren. 6) Dem Output blind vertrauen. Jeder dieser Fehler ist in fünf Minuten korrigierbar.
• Wie lang sollte ein System-Prompt sein?
  Unter 500 Wörtern bleiben. Längere System-Prompts sinken in der Wirksamkeit. Schlanke System-Prompts schlagen aufgeblasene. Wer mehr sagen will, setzt auf klare Struktur, nicht auf mehr Text.
• Wie verbessere ich die Qualität und Konsistenz von KI-Output?
  Vier Hebel: 1) Strukturierte Prompts mit klarer Aufgabentrennung. 2) Beispiele zeigen, nicht nur beschreiben (Few-Shot). 3) Output-Format erzwingen. 4) Mehrstufig arbeiten statt alles in einem Prompt. Konsistenz entsteht durch System, nicht durch Zufall.