KI schreibt bessere Prompts als du

Stand: Januar 2025 · Autor: Philipp Egli · Lesedauer: ca. 6 Minuten

Prompt Engineering ist eine wichtige Grundlage. Aber Tools wie Googles Vertex AI Prompt Optimizer zeigen: Wenn man LLMs anweist, Prompts zu optimieren, schlagen sie menschliche Formulierungen in fast 90% der Fälle. Sogar ohne spezialisierte Tools schreiben die neuen LLM-Versionen bessere Prompts.

Die eigentliche Arbeit liegt woanders.

Vier Ebenen

Es gibt nicht einen richtigen Weg, mit KI zu arbeiten. Es gibt Ebenen. Jede hat eine andere Tiefe, eine andere Halbwertszeit und andere Voraussetzungen. Ähnlich wie im Gaming: Wer Level 1 noch nicht durchgespielt hat, kommt nie zum Endboss.

1. Prompt Engineering: die Syntax-Ebene

Wie formuliere ich eine Anfrage, damit das Modell das Richtige tut? Klar, wir müssen verstehen, dass die Art und Weise wie wir prompten einen Einfluss auf die Qualität des Resultats hat. Aber das ist Syntax und bei Syntax haben uns LLMs schon lange überholt. Daher ist die Anzahl der Stellenangebote für Prompt Engineers seit 2022 um über 80% gesunken.

Für Prompt Engineering gilt: Die Grundlagen verstehen und lehren. Aber als strategische Investition überholt.

2. Context Engineering: die Daten-Ebene

Welches Wissen, welche Dokumente, welche Schnittstellen stehen dem Modell zur Verfügung? Hier liegt heute der grösste Hebel. Die Herausforderungen sind alte Bekannte: Digitalisierungsdefizite, Datenschutzfragen aber mangelhaft dokumentierte Prozesse. Das sind keine neuen Probleme, sie bestanden schon vor der KI-Welle. Das Problem ist heute aber existentieller. Denn die Verfügbarkeit von Kontext entscheidet darüber, ob KI-Projekte einen Mehrwert bringen.

Ein Sprachmodell ohne Kontext ist ein teures Autocomplete. Zudem noch gefährlich, weil Kontextmangel zu Halluzinationen und Fehlentscheiden führt (wie übrigens auch bei Menschen). Wer hier Lücken hat, hat kein KI-Problem, sondern ein Digitalisierungsproblem.

3. Intent Engineering: die Stakeholder- und Domänen-Ebene

Das ist die Ebene, auf der LLMs noch klar an ihre Grenzen stossen. Es geht nicht darum, was ich frage, oder welche Daten ich zur Verfügung stelle, es geht darum, warum ich etwas will: Werte, Purpose und Ziele. Die Treiber hinter einer Entscheidung, für die es noch keine Blaupause gibt.

Ein konkretes Beispiel: Eine Firma stellt dem Modell alle relevanten Dokumente zur Verfügung, formuliert saubere Prompts und bekommt trotzdem das falsche Ergebnis. Nicht weil das Modell inkompetent ist, sondern weil es nicht weiss, nach welchem Kriterium entschieden werden soll. Die Antwort ist technisch korrekt, aber strategisch falsch. Was fehlt ist der Intent.

Intent lässt sich nicht einfach aus einer Datenbank einspeisen. Er wird ständig neu verhandelt und ist sehr beweglich. Genau aus diesem Grund braucht es Menschen mit echter Fachkenntnis und Domänenwissen.

4. Spec-Driven-Development: die Methoden-Ebene

Das ist keine neue Disziplin. Es ist — oder sollte es zumindest sein — die Essenz guter Arbeit seit jeher: Business-Anforderungen, Domänenwissen und Umsetzung in eine Form bringen, die ausführbar ist. Für ein IT-Team ebenso wie für KI-Agenten, beziehungsweise die heute schon gültige hybride Realität.

Die Analogie ist simpel: Kein Bauunternehmen fängt zu bauen an ohne Architekturplan. Ein KI-Agent braucht dieselbe Klarheit. Er führt aus, was spezifiziert ist, nicht was gemeint war. Wenn er erraten muss, was gemeint war, wird das gewünschte Resultat nicht erreicht (wie übrigens auch bei Menschen).

Hier fliesst alles zusammen: Der Intent wird abgeholt, strukturiert und in ausführbare Arbeitspakete heruntergebrochen. Und genau dabei kann KI heute schon massiv helfen: Beim Übersetzen des Intent in Prozesse, Aufgaben und Projektstrukturen.

Wo lohnt sich die Investition heute?

Ebene	Halbwertszeit	Voraussetzung	ROI heute
Prompt Engineering	Kurz	Keine	Gering; sinkt weiter (Grundverständnis trotzdem sinnvoll)
Context Engineering	Mittel	Digitalisierungsgrad	Hoch bis sehr hoch; der Aufwand liegt in der Digitalisierung
Intent Engineering	Lang	Domain-Kenntnis	Sehr hoch
Spec-Driven-Development	Lang	Strukturiertes Denken	Hoch; steigt mit KI-Einsatz

Die Frage ist, auf welcher Ebene Unternehmen investieren. Zusammenfassend:

Context Engineering ist heute der stärkste Hebel. Aber die Herausforderungen liegen nicht im Bereich der KI, sondern im Bereich der Digitalisierung oder präziser formuliert: Daten müssen strukturiert für die KI und Menschen zugänglich gemacht werden.

Intent Engineering ist der langfristige Vorteil. Domänenwissen, Wert und Purpose kann kein Modell ersetzen. Aber sobald diese Intents einmal verbalisiert sind, kann KI enorm bei der Strukturierung und Operationalisierung helfen.

Spec-Driven-Development war schon immer richtig. Mit KI-Agents als Ausführungsschicht wird es noch wichtiger. Auch hybride Teams profitieren von der besseren Qualität der Spezifikationen, da Automatisierung Product Ownern grosse Teile der Fleissarbeit abnimmt. Spec-Driven-Development ist eigentlich nichts anderes als Next-Level-Prompting also eine Art Meta-Prompting.

Die Aufgaben in den meisten Unternehmen sind auf diesen Ebenen noch sehr vielfältig.