{"id":38339,"date":"2025-08-20T07:00:26","date_gmt":"2025-08-20T06:00:26","guid":{"rendered":"https:\/\/blog.frankfurt-school.de\/?p=38339"},"modified":"2025-08-20T08:41:49","modified_gmt":"2025-08-20T07:41:49","slug":"kontext-statt-zauber-prompt-wie-ki-wirklich-nutzlich-wird","status":"publish","type":"post","link":"https:\/\/blog.frankfurt-school.de\/de\/kontext-statt-zauber-prompt-wie-ki-wirklich-nutzlich-wird\/","title":{"rendered":"Kontext statt Zauber-Prompt: wie KI wirklich n\u00fctzlich wird"},"content":{"rendered":"

Lange \u2013 in unserer quantenschnellen digitalen Welt also kaum mehr als ein Wimpernschlag \u2013 galt Prompt Engineering<\/em> als KI-K\u00f6nigsdisziplin: der Versuch, mit einer perfekt formulierten Eingabe die bestm\u00f6gliche Antwort aus dem Sprachmodell zu erzielen. Dazu gab es sogar Wettbewerbe, um mit so wenigen Iterationen wie m\u00f6glich ans Ziel zu kommen. Es gab sogar ein passendes Internet-Meme: Jemand t\u00fcftelt ewig am perfekten Prompt, kommt kurz vor dem Absenden selbst auf die L\u00f6sung \u2013 eine charmante Erinnerung daran, dass KI manchmal nur den letzten Denkansto\u00df gibt.<\/p>\n

Inzwischen zeigt sich: Der gr\u00f6\u00dfere Hebel liegt im gezielten Aufbau einer Wissensbasis. Kurz gesagt: Kontext.
\nGenau hier setzt Context Engineering<\/em> an, eine Methode, die auch in professionellen Workflows wie RAG<\/em> eine zentrale Rolle spielt. F\u00fcr Einsteiger bedeutet das: erst Hintergrundwissen bereitstellen, dann die eigentliche Aufgabe formulieren. Klarer: Context Engineering ist nicht nur ein neuer Trend \u2013 es ist der entscheidende n\u00e4chste Schritt.<\/p>\n

Prompt Engineering: Der Ausgangspunkt f\u00fcr ChatGPT-Einsteiger<\/h2>\n

Der \u201aPrompt\u2018<\/em> war eine der ersten Vokabeln in der KI-Welt \u2013 also das, was ins Chat-Fenster getippt wird.<\/p>\n

Beispiele:<\/p>\n

\u201eSchreibe einen Witz \u00fcber Katzen auf Motorr\u00e4dern.\u201c<\/p>\n

\u201eErkl\u00e4re Quantenphysik, als w\u00e4re ich vier.\u201c<\/p>\n

Diese Ein-Satz-Aufforderungen f\u00fchrten allerdings h\u00e4ufig zu dem typischen \u201eSo war das nicht gemeint<\/em>\u201c-Moment: wiederholtes Pr\u00e4zisieren, Korrigieren, Anpassen.<\/p>\n

Prompt Engineering<\/em> ging hier den entscheidenden Schritt: Die Anweisung wurde so gesch\u00e4rft, dass die KI direkt m\u00f6glichst genau \u201eversteht\u201c, was gefordert ist \u2013 ohne endloses Nachbessern.<\/p>\n

Dazu geh\u00f6rte: Rollen festlegen, Formate vorgeben und (manchmal fragw\u00fcrdige) \u00dcberzeugungstricks ausprobieren \u2013 wie der KI Schuldgef\u00fchle einreden. Fachlich bedeutet Prompt Engineering<\/em> im Kern \u201edie Kunst des klaren Briefings<\/em>\u201c: pr\u00e4zise, vollst\u00e4ndig, ohne unn\u00f6tigen Ballast.<\/p>\n

Vom perfekten Prompt zum Gespr\u00e4ch<\/h2>\n

Heute \u2013 und das ist eine pers\u00f6nliche Lernkurve \u2013 investiere ich deutlich weniger Energie in den einen \u201eperfekten\u201c Prompt. Schon fr\u00fch habe ich ChatGPT eher als Gespr\u00e4chspartner genutzt als als reine Antwortmaschine. Die Ergebnisse waren oft \u00e4hnlich wie bei sorgf\u00e4ltig optimierten Prompts \u2013 nicht immer besser, aber der Austausch war flexibler und oft inspirierender.<\/p>\n

Schnell zeigte sich f\u00fcr mich: Am zuverl\u00e4ssigsten arbeitet die KI, wenn sie zun\u00e4chst mit relevantem Hintergrundwissen versorgt wird \u2013 und erst danach der konkrete Auftrag folgt. F\u00fcr Artikel, Ideen oder Social-Media-Texte lasse ich das Modell daher zun\u00e4chst recherchieren, Inhalte strukturieren oder Material sammeln. So steht ein solides Fundament, bevor die eigentliche Aufgabe beginnt.
\nFachlich \u00e4hnelt dieser Ansatz dem sogenannten Prompt Chaining<\/em> \u2013 nur eben direkt im Chat umgesetzt, ohne Zusatztools und f\u00fcr Einsteiger leicht nachvollziehbar.<\/p>\n

Context Engineering: Mehr Pr\u00e4zision mit ChatGPT<\/h2>\n

Wie so oft in der Technologiebranche braucht auch dieser Ansatz einen pr\u00e4gnanten Namen: Context Engineering<\/em>. Die Idee dahinter: Zus\u00e4tzlich zur Aufgabe erh\u00e4lt die KI gezielt den Kontext, der wirklich relevant ist. Das k\u00f6nnen Artikel, Studien, Blogbeitr\u00e4ge oder Dokumente sein \u2013 in komplexeren Anwendungsf\u00e4llen auch strukturierte Daten, Projektberichte oder API-Ergebnisse.
\nDer Unterschied zum klassischen Prompt: Man verl\u00e4sst sich nicht allein auf das eingebaute Modellwissen (das nicht immer aktuell oder fehlerfrei ist), sondern stellt bewusst die Informationsbasis bereit, auf der gearbeitet werden soll. Das reduziert sowohl Halluzinationen und Bias. Kurz gesagt: bewusst aufbauen, schlank prompten, variabel nachladen \u2013 egal ob Blogartikel oder Marktanalyse.<\/p>\n

1) Kontext aufbauen<\/strong><\/p>\n

Am Anfang steht die Informationsbasis: Die KI recherchiert relevante Inhalte, sichtet Quellen und fasst die Kernaussagen zusammen. Diese Ausgaben sollten immer gepr\u00fcft werden \u2013 denn auch bei sorgf\u00e4ltiger Anweisung kann die KI Fehler machen.
\nWichtig: Kontext ist nie vollkommen neutral. Wenn alle Quellen denselben Blickwinkel haben, spiegelt die KI genau diese Perspektive wider.<\/p>\n

Beispiel:<\/p>\n\n\n\n
\u201eRecherchiere zum Thema Ver\u00e4nderungen der Aufmerksamkeitsspanne zwischen 2000&2025. Fasse die f\u00fcnf aktuellsten Studien jeweils in 3\u20135 S\u00e4tzen (inkl. Erscheinungsjahr und Quelle) zusammen. Liste die Einflussfaktoren nach Kategorien auf.\u201c<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

 <\/p>\n

2) Arbeitsauftrag<\/strong><\/p>\n

Steht der Kontext, folgt der eigentliche Auftrag \u2013 klar, kompakt und mit allen wichtigen Parametern: Ziel, Format, Umfang, Tonalit\u00e4t. R\u00fcckfragen sollten ausdr\u00fccklich erlaubt sein.<\/p>\n

Beispiel<\/p>\n\n\n\n
\u201eSchreibe auf Basis der recherchierten Inhalte einen Blogartikel (ca. 600 W\u00f6rter), f\u00fcr ein allgemein interessiertes Publikum, locker-informativ, leicht humorvoll, faktenbasiert. Verwende drei anschauliche Alltagsbeispiele. Stelle R\u00fcckfragen, falls Infos fehlen.\u201c<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

 <\/p>\n

3) Kontext bedienen<\/strong><\/p>\n

Kontext ist nicht statisch \u2013 er sollte w\u00e4hrend des Arbeitsprozesses erg\u00e4nzt oder angepasst werden. Das kann bedeuten, neue Daten einzubinden, Definitionen zu pr\u00e4zisieren oder weitere Beispiele hinzuzuf\u00fcgen. So bleibt die Informationsbasis aktuell und konsistent.<\/p>\n

Beispiel<\/p>\n\n\n\n
\u201eF\u00fcge aktuelle Smartphone-Nutzungsstatistiken (2024, mit Quelle) ein. Pr\u00fcfe Definition von \u201aAufmerksamkeitsspanne\u2018 und erg\u00e4nze Unterschiede. F\u00fcge ein Bildungsbeispiel hinzu.\u201c<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

 <\/p>\n

Wichtig ist, dass neue Informationen \u00fcberpr\u00fcft werden: St\u00fctzen sie die bisherigen Aussagen oder widersprechen sie ihnen? Ohne diese Kontrolle entstehen schnell unbemerkte Widerspr\u00fcche \u2013 und pl\u00f6tzlich erkl\u00e4rt die KI, dass Smartphones die Aufmerksamkeitsspanne verl\u00e4ngern.<\/p>\n

Fazit<\/strong><\/h2>\n

Prompt Engineering<\/em> und Context Engineering<\/em> sind keine Gegenspieler, sondern Partner. Ein gut formulierter Prompt sorgt f\u00fcr klare Anweisungen \u2013 eine solide Kontextbasis liefert die passenden Fakten und Rahmenbedingungen dazu. Erst in Kombination entstehen Ergebnisse, die sowohl pr\u00e4zise als auch praxisnah sind.
\nPrompt Engineering<\/em> definiert wie die KI arbeiten soll, Context Engineering<\/em> stellt sicher, womit sie arbeitet. Wer beides nutzt, reduziert Fehler, erh\u00f6ht die Verl\u00e4sslichkeit \u2013 und spart sich viele dieser \u201eSo war das nicht gemeint\u201c-Momente.<\/p>","protected":false},"excerpt":{"rendered":"

Lange \u2013 in unserer quantenschnellen digitalen Welt also kaum mehr als ein Wimpernschlag \u2013 galt Prompt Engineering als KI-K\u00f6nigsdisziplin: der Versuch, mit einer perfekt formulierten Eingabe die bestm\u00f6gliche Antwort aus dem Sprachmodell zu erzielen. Dazu gab es sogar Wettbewerbe, um mit so wenigen Iterationen wie m\u00f6glich ans Ziel zu kommen. Es gab sogar ein passendes […]<\/p>\n","protected":false},"author":231,"featured_media":38341,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"categories":[1336,33],"tags":[2566,1290,2425],"class_list":["post-38339","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ai","category-research-and-advisory","tag-digitales-lernen","tag-ki","tag-ki-tools"],"acf":[],"_links":{"self":[{"href":"https:\/\/blog.frankfurt-school.de\/de\/wp-json\/wp\/v2\/posts\/38339","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/blog.frankfurt-school.de\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/blog.frankfurt-school.de\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/blog.frankfurt-school.de\/de\/wp-json\/wp\/v2\/users\/231"}],"replies":[{"embeddable":true,"href":"https:\/\/blog.frankfurt-school.de\/de\/wp-json\/wp\/v2\/comments?post=38339"}],"version-history":[{"count":6,"href":"https:\/\/blog.frankfurt-school.de\/de\/wp-json\/wp\/v2\/posts\/38339\/revisions"}],"predecessor-version":[{"id":38362,"href":"https:\/\/blog.frankfurt-school.de\/de\/wp-json\/wp\/v2\/posts\/38339\/revisions\/38362"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/blog.frankfurt-school.de\/de\/wp-json\/wp\/v2\/media\/38341"}],"wp:attachment":[{"href":"https:\/\/blog.frankfurt-school.de\/de\/wp-json\/wp\/v2\/media?parent=38339"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/blog.frankfurt-school.de\/de\/wp-json\/wp\/v2\/categories?post=38339"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/blog.frankfurt-school.de\/de\/wp-json\/wp\/v2\/tags?post=38339"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}