In-House-Workshop „Prompt Engineering“ – KI effizienter nutzen

→zum Fazit

Künstliche Intelligenz und Large Language Models entwickeln sich derzeit mit hoher Geschwindigkeit weiter und sind bereits voll in den Arbeitsalltag von Unternehmen und Entwicklern integriert. Um das Potenzial dieser Technologien besser zu verstehen und praktisch nutzbar zu machen, fand bei uns ein In-House-Workshop zum Thema „Prompt Engineering“ statt.

Durchgeführt wurde der Workshop von Prof. Dr. Jürgen Brauer, der uns bereits aus einem früheren Seminar bekannt war. Die angenehme und offene Atmosphäre – ganz unkompliziert per „Du“ – sorgte von Beginn an für einen praxisnahen und lockeren Austausch.

Eine der zentralen Fragestellungen des Workshops war, wie sich durch gezielte Eingaben („Prompts“) die Qualität von KI-generierten Ergebnissen verbessern lässt. Dabei wurde deutlich, dass bereits kleine Anpassungen an Formulierung, Struktur oder Kontext große Auswirkungen auf die Antwortqualität haben können. Welche Strategien dazu befolgt werden sollten und alle weiteren grundlegenden Details zu Prompt Engineering, werden Euch im Kapitel „Der Workshop in der Praxis“ erklärt.

Der Workshop in der Praxis

Der Workshop fand in entspannter Atmosphäre in unserem Besprechungsraum statt. Zwischen den einzelnen Einheiten blieb bei Kaffee- und Mittagspausen ausreichend Zeit für fachliche Diskussionen und persönlichen Austausch.
Besonders wertvoll war der hohe Praxisanteil: Gemeinsam wurden Prompts entwickelt, analysiert und optimiert. Ergänzend dazu präsentierte Prof. Dr. Brauer verschiedene Statistiken, Erfahrungswerte und welche Techniken die Qualität von KI-Ergebnissen messbar verbessern können. Diese praktischen Einblicke zeigten sehr deutlich, worauf es beim effektiven Umgang mit KI ankommt und bildeten damit eine ideale Grundlage für die folgenden Grundlagen des Prompt Engineering.

Prompt Engineering verständlich erklärt

Prompt Engineering ist die Fähigkeit, Eingaben für KI-Modelle so zu formulieren, dass sie bessere, klarere und nützlichere Antworten liefern. Statt einer KI einfach nur eine Frage zu stellen, geht es darum, Aufgaben, Kontext und gewünschtes Ergebnis gezielt zu beschreiben. Gerade bei großen Sprachmodellen macht das oft einen deutlichen Unterschied in der Qualität der Antwort.

Was dahinter steckt

Ein Prompt ist im Grunde die Anweisung an ein KI-Modell. Je genauer diese Anweisung ist, desto eher kommt ein Ergebnis heraus, das wirklich brauchbar ist. Gute Prompts enthalten meist eine klare Rolle, eine konkrete Aufgabe, das gewünschte Ausgabeformat und bei Bedarf zusätzliche Einschränkungen wie „nur kurze Antworten“ oder „mit Beispielen“.
Ein einfacher Prompt wäre etwa: „Schreibe mir eine Zusammenfassung über erneuerbare Energien.“ Ein besserer Prompt wäre: „Du bist ein Fachredakteur. Schreibe eine kurze, verständliche Zusammenfassung über erneuerbare Energien für Einsteiger, in 5 Bullet Points, ohne Fachjargon.“ Der Unterschied liegt nicht nur im Stil, sondern vor allem in der Präzision.

Wichtige Prinzipien

Ein zentrales Prinzip ist Kontext. Künstliche Intelligenz kann nur so gut antworten, wie die Informationen sind, die sie bekommt. Wenn die Aufgabe unklar ist, wird auch das Ergebnis oft ungenau oder zu allgemein.
Ein weiteres Prinzip ist Struktur. Komplexe Aufgaben sollte man in mehrere Schritte aufteilen, statt alles auf einmal zu verlangen. So kann man zum Beispiel zuerst eine Gliederung erzeugen lassen, danach einzelne Abschnitte ausarbeiten und anschließend den Text verfeinern.
Auch das gewünschte Format spielt eine große Rolle. Wer eine Tabelle, eine Liste, einen Fließtext oder Code braucht, sollte das ausdrücklich sagen. Sonst liefert das Modell vielleicht eine Antwort, die inhaltlich stimmt, aber praktisch nicht gut verwendbar ist.

Prompt Engineering für Entwickler

Für Programmierer ist Prompt Engineering besonders nützlich. Man kann damit Code generieren, bestehenden Code verbessern, Fehler suchen oder Alternativen vergleichen lassen. Dabei hilft es, möglichst genau zu sagen, in welcher Sprache, in welchem Stil und in welcher Form das Ergebnis vorliegen soll.
Ein gutes Beispiel ist die Aufforderung, zuerst Rückfragen zu stellen. Wenn ein Modell etwa ein Programm schreiben soll, kann man es bitten, zunächst die wichtigsten offenen Entscheidungen als Ja/Nein-Fragen zu formulieren. So wird aus einer vagen Idee ein klarer Plan, bevor der eigentliche Code entsteht.
Ebenfalls hilfreich ist es, explizit zu sagen, ob man eine Funktion, eine Klasse, ein Modul oder ein vollständiges Skript möchte. Viele Missverständnisse entstehen genau an dieser Stelle, weil das Modell zwar eine richtige Lösung liefert, aber nicht in der Form, die man eigentlich gebraucht hätte.

Nützliche Techniken

Eine bekannte Technik ist das schrittweise Denken. Dabei wird das Modell so angeleitet, ein Problem in Zwischenstufen zu lösen. Das ist vor allem bei Mathematik, Logik und komplexen Entscheidungsproblemen hilfreich.
Eine weitere Methode ist die Expertenrolle. Wenn man die KI bittet, wie eine Fachperson zu antworten, werden Antworten oft präziser und besser auf den Kontext abgestimmt. Das kann zum Beispiel für medizinische, technische oder akademische Texte nützlich sein.
Auch freundliche und respektvolle Formulierungen können eine Rolle spielen. In manchen Fällen liefern höflich formulierte Prompts bessere Ergebnisse als harte oder unklare Anweisungen. Entscheidend ist aber nicht nur der Ton, sondern vor allem die Klarheit.

Typische Fehler

Ein häufiger Fehler ist zu wenig Kontext. Wer nur schreibt „Mach das besser“, wird selten ein wirklich gutes Ergebnis bekommen. Ebenso problematisch sind zu viele gleichzeitige Anforderungen, die das Modell überfordern oder zu einem unübersichtlichen Output führen.
Ein weiterer Fehler ist, den Prompt zu allgemein zu halten. Wenn man nicht sagt, wer die Zielgruppe ist, welchen Stil man will oder wie lang der Text sein soll, muss das Modell diese Entscheidungen selbst treffen. Das führt oft zu Ergebnissen, die zwar okay, aber nicht optimal sind.

Fazit

Der Workshop hat uns eindrucksvoll gezeigt, dass der erfolgreiche Einsatz von KI nicht allein vom verwendeten Modell abhängt, sondern maßgeblich von der Qualität der Eingaben beeinflusst wird. Durch die gelungene Kombination aus Theorie, praktischen Übungen und offenem Austausch konnten wir viele konkrete Ideen und Impulse für den zukünftigen Einsatz von KI-Werkzeugen im Unternehmensalltag mitgenommen werden.