Häufige Prompting-Fehler und wie Sie sie beheben

Sie bitten ChatGPT, „diese E-Mail besser zu machen“, und bekommen etwas zurück, das noch blasser ist als der Ausgangstext. Das Modell hat genau das getan, was Sie gesagt haben. Das Problem ist, was Sie gesagt haben.

Die meisten schlechten KI-Ergebnisse gehen auf drei Wiederholungstäter zurück: vage Fragen, zehn Anliegen in einem Prompt und die Annahme, das Modell erinnere sich an ein Gespräch, das es nie gesehen hat. Beheben Sie diese drei Punkte, und Ihre Ergebnisse verbessern sich sofort. Hier ist jeder einzelne mit Vorher-Nachher.

Fehler 1: die vage Anfrage

Ein vager Prompt zwingt das Modell zum Raten. Es wird raten, selbstbewusst und oft falsch. Die Lösung: Kontext ergänzen: für wen, wie „gut“ aussieht und welche Einschränkungen gelten.

Vorher

Mach diese E-Mail besser. „Hallo, ich wollte nur nachfragen, ob meine letzte Nachricht zur Rechnung angekommen ist. Lassen Sie mich wissen. Danke.“

Sie bekommen eine generische Neufassung. Länger? KKDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →ürzer? Formeller? Das Modell hat keine Ahnung, also entscheidet es für Sie.

Nachher

Schreibe diese E-Mail an einen Kunden um, der uns 4.000 $ schuldet und seit zwei Wochen nicht mehr reagiert. Bleib höflich, aber bestimmt, unter 80 Wörtern, und ende mit einem klaren nächsten Schritt (einem Zahlungslink). Triff einen professionellen, aber warmen Ton. „Hallo, ich wollte nur nachfragen, ob meine letzte Nachricht zur Rechnung angekommen ist. Lassen Sie mich wissen. Danke.“

Jetzt kennt das Modell die Ausgangslage, die Länge, den Ton und das Ziel. Das Ergebnis geht von Füllmaterial zu brauchbar.

Das Muster: Rolle, Aufgabe, Kontext, Format

Eine verlässliche Struktur für jede Anfrage:

• Rolle: „Du bist ein Vertragsanwalt, der eine Freelancer-Vereinbarung prüft.“
• Aufgabe: „Markiere jede Klausel, die den Freelancer einem Risiko aussetzt.“
• Kontext: „Es geht um eine selbstständige Designerin in den USA, bezahlt pro Projekt.“
• Format: „Liste jedes Risiko als Bullet mit einer einzeiligen Erklärung in einfacher Sprache.“

Sie brauchen nicht jedes Mal alle vier. Aber wenn das Ergebnis enttäuscht, fehlt fast immer einer dieser Punkte.

Als ausführlichere Referenz: Anthropics kostenloser Prompt-Engineering-Guide erklärt diese Elemente mit Beispielen, die Sie übernehmen können.

Fehler 2: zehn Anliegen in einem Prompt stapeln

Wenn Sie alles gleichzeitig verlangen, verteilt das Modell seine Kraft dünn und lässt die Hälfte Ihrer Anforderungen fallen. Das ist der häufigste Grund, warum Leute denken, KI „könne keine Anweisungen befolgen“.

Vorher

Lies diesen 20-seitigen Bericht, fasse ihn zusammen, übersetze die Zusammenfassung ins Spanische, zieh die drei größten Risiken heraus, schreib einen Tweet dazu, schlag ein Diagramm vor und entwirf eine E-Mail an meinen Chef.

Das Modell wird alles versuchen und das meiste davon schlecht machen. Der Tweet wird schwach, ein Risiko fehlt, die Zusammenfassung wirkt hingeworfen.

Nachher: in Schritte aufteilen

Führen Sie diese als separate Prompts aus, in dieser Reihenfolge:

1. „Fasse diesen Bericht in 200 Wörtern zusammen, mit Fokus auf die finanziellen Ergebnisse.“
2. „Liste aus dieser Zusammenfassung die 3 größten Risiken auf, sortiert nach Wahrscheinlichkeit.“
3. „Entwirf eine E-Mail an meine Vorgesetzte in 4 Sätzen, die die Zusammenfassung und das größte Risiko abdeckt.“

Jeder Prompt bekommt die volle Aufmerksamkeit des Modells. Außerdem können Sie jedes Ergebnis prüfen, bevor Sie weitergehen, so kaskadieren Fehler nicht.

Wann verketten, wann kombinieren

Ein paar *verwandte* Aufgaben zu kombinieren ist in Ordnung: „Fasse das zusammen und liste drei Erkenntnisse auf“ funktioniert gut. Probleme beginnen, wenn Aufgaben nichts miteinander zu tun haben oder voneinander abhängen. Eine gute Regel: Wenn das Ergebnis eines Schritts zum Input des nächsten wird, führen Sie sie getrennt aus, damit Sie die Übergabe prüfen können.

Wenn Sie das oft machen, können Sie die Kette mit einem kurzen Skript automatisieren. Hier ein minimales Beispiel mit der OpenAI APIAPIApplication Programming Interface: eine standardisierte Schnittstelle, über die Anwendungen kommunizieren und Daten austauschen, ohne die interne Funktionsweise der jeweils anderen zu kennen.Vollständige Definition ansehen → in Python:

from openai import OpenAI
client = OpenAI()

report = "...paste your report text here..."

# Schritt 1: zusammenfassen
summary = client.responses.create(
    model="gpt-5.1",
    input=f"Summarize this report in 200 words, focused on financial outcomes:\n\n{report}"
).output_text

# Schritt 2: die Zusammenfassung nutzen, um Risiken zu finden
risks = client.responses.create(
    model="gpt-5.1",
    input=f"From this summary, list the 3 biggest risks ranked by likelihood:\n\n{summary}"
).output_text

print(summary)
print(risks)

Beachten Sie: Jeder Call erledigt eine Aufgabe, und die Zusammenfassung wird explizit in den nächsten Schritt übergeben. Diese explizite Übergabe ist der ganze Punkt, was uns zum dritten Fehler führt.

Fehler 3: annehmen, das Modell erinnere sich an einen anderen Chat

Leute öffnen ständig einen neuen Chat und schreiben: „Mach jetzt daraus ein Slide-Deck.“ Das Modell hat keine Ahnung, was „das“ ist. Es kann Ihre anderen Unterhaltungen nicht sehen, nicht die Session von gestern und nicht, was Sie einem anderen Tool erzählt haben.

Jede Unterhaltung ist ein abgeschlossener Raum. Das Modell weiß nur, was im aktuellen Fenster steht (alles, was Sie und es *in diesem Thread* gesagt haben). Das nennt man das Context WindowContext WindowDas Context Window ist die maximale Textmenge (gemessen in Tokens), die ein Sprachmodell auf einmal verarbeiten kann, einschließlich Input-Prompt und generiertem Output.Vollständige Definition ansehen →: das Arbeitsgedächtnis eines einzelnen Chats.

Vorher

Sie haben gestern eine Stunde damit verbracht, in einem Chat einen Marketingplan zu erstellen. Heute öffnen Sie einen neuen Chat und tippen:

Mach aus dem Plan eine einseitige Zusammenfassung.

Das Modell fragt zurück, welcher Plan gemeint ist, oder, schlimmer, erfindet einen.

Nachher

Entweder Sie machen im *selben* Chat weiter oder Sie fügen die relevanten Inhalte in den neuen ein:

Hier ist der Marketingplan, mit dem wir arbeiten. Mach daraus eine einseitige Zusammenfassung mit Abschnitten für Ziele, Kanäle und Budget. [Plan einfügen]

Wenn es dem Modell vorliegt, funktioniert es. Wenn nicht, rät das Modell.

Was ist mit „Memory“-Funktionen?

2026 bieten ChatGPT, Claude und Gemini alle eine Form von gespeichertem Memory oder Projects, die Fakten über Chats hinweg erhalten (Ihren Namen, Ihren Schreibstil, die Dateien eines laufenden Projekts). Das hilft, aber verlassen Sie sich dabei nicht auf Details:

• ChatGPT Projects und Claude Projects erlauben es Ihnen, Dateien und Anweisungen anzuhängen, die in jedem Chat *innerhalb dieses Projekts* verfügbar bleiben. Nutzen Sie das für laufende Arbeit.
• Memory speichert kleine Fakten („Ich bin Lehrer in Madrid“), keine ganzen Dokumente. Nehmen Sie nicht an, dass es sich an den 2.000-Wörter-Entwurf von gestern erinnert.

Im Zweifel: einfügen. Einfügen ist kostenlos und verlässlich. Annehmen ist keines von beidem.

Alles zusammen: eine echte Rettung

Hier ein einzelner schwacher Prompt, behoben mit allen drei Lektionen.

Das Original (alle drei Fehler auf einmal)

Hilf mir bei meinem Kurs-Launch. Mach es gut und denk auch an die Preise von vorher.

Vage („mach es gut“), überladen („hilf mir bei meinem Kurs-Launch“ sind hundert Aufgaben) und mit Annahme von Erinnerung („die Preise von vorher“, die das Modell nie gesehen hat).

Die Neufassung

Erster Chat, eine fokussierte Aufgabe mit vollem Kontext:

Du bist Launch-Copywriter. Schreibe die Ankündigungs-E-Mail für meinen Online-Kurs „AI for Teachers“. Zielgruppe: Lehrkräfte an Schulen, meist nicht technisch. Preis: 149 $, mit 99 $ Early Bird für die ersten 100 Anmeldungen. Ton: ermutigend, ohne Hype. Länge: unter 150 Wörter, endend mit einem Anmelde-Button mit der Bezeichnung „Reserve my spot“.

Dann die *nächste* Aufgabe im selben Thread (damit der Kontext mitläuft):

Schreibe jetzt 3 Betreffzeilen für diese E-Mail, jede unter 50 Zeichen.

Eine klare Anfrage pro Schritt, aller Kontext geliefert, kein Verlass auf das Gedächtnis des Modells. Das Ergebnis sitzt beim ersten Versuch.

Ein kurzer Selbstcheck, bevor Sie Enter drücken

Prüfen Sie jeden Prompt mit diesen drei Fragen:

1. Könnte ein Fremder diese Aufgabe allein aus meinem Prompt erledigen? Wenn nicht, ergänzen Sie Kontext (Rolle, Aufgabe, Kontext, Format).
2. Verlange ich mehr als eine oder zwei verwandte Dinge? Wenn ja, teilen Sie es in Schritte auf.
3. Verweist mein Prompt auf etwas, das das Modell nicht sehen kann? Wenn ja, fügen Sie es ein.

Dreißig Sekunden Prüfen sind besser als drei Runden enttäuschender Ergebnisse.

Key Takeaways

• Ersetzen Sie vage Anfragen durch Struktur. Ergänzen Sie, für wen es ist, was „gut“ bedeutet und welches Format Sie wollen. „Schreibe das in unter 80 Wörtern um, höflich aber bestimmt“ schlägt „mach es besser“.
• Eine Aufgabe pro Prompt. Verketten Sie komplexe Arbeit in separate Schritte und geben Sie das Ergebnis jedes Schritts in den nächsten, damit Sie die Übergabe prüfen können.
• Das Modell sieht nur den aktuellen Chat. Es hat keine Erinnerung an andere Unterhaltungen oder andere Tools. Fügen Sie alles ein, was es braucht.
• Nutzen Sie Projects für laufende Arbeit. ChatGPT und Claude Projects halten Dateien und Anweisungen über Chats hinweg verfügbar, aber vertrauen Sie dem allgemeinen „Memory“ keine ganzen Dokumente an.
• Selbstcheck in 30 Sekunden: Könnte ein Fremder es erledigen? Ist es eine Aufgabe? Kann das Modell wirklich sehen, worauf ich mich beziehe?