Prompting

Grundlagen und Begriffsklärung

Der Begriff leitet sich vom englischen Wort prompt (dt. Aufforderung, Eingabe) ab. Im Kontext von KI-Systemen wie ChatGPT, GPT-4, Claude oder Gemini bezeichnet ein Prompt jede Texteingabe, die dem Modell als Ausgangspunkt dient. Prompting ist die grundlegende Interaktionsmethode zwischen Mensch und generativem KI-System.

Prompts können sehr unterschiedlich aussehen: einfache Fragen, detaillierte Aufgabenbeschreibungen, Rollenanweisungen oder Beispieldaten. Die Formulierung beeinflusst, welches Wissen ein Modell aktiviert und wie es dieses zur Beantwortung einsetzt.^[1]

Funktionsweise: Wie Sprachmodelle Prompts verarbeiten

Große Sprachmodelle berechnen auf Basis statistischer Muster die wahrscheinlichste Fortsetzung einer Eingabe. Ein Prompt liefert den Kontext dafür. Je präziser dieser Kontext ist, desto fokussierter fällt die Antwort aus.^[2]

Technisch wird der Prompt zusammen mit dem bisherigen Gesprächsverlauf – dem sogenannten Kontext-Fenster – an das Modell übergeben. Das Modell erzeugt seine Antwort durch iterative Vorhersage des nächsten Tokens. Die Länge des Kontext-Fensters variiert je nach Modell und begrenzt, wie viel Information ein Prompt enthalten kann.

Prompting-Techniken im Überblick

In der Praxis haben sich verschiedene Methoden etabliert. Sie gehen über das einfache Stellen einer Frage hinaus und steuern die Modellausgabe gezielt:

Wichtige Prompting-Strategien

Die folgende Tabelle fasst die am häufigsten eingesetzten Techniken zusammen:

Die Wahl der Strategie richtet sich nach der Aufgabenkomplexität und den Fähigkeiten des eingesetzten Modells.

Prompting und Prompt Engineering

Prompting als alltägliche Nutzungshandlung unterscheidet sich vom Prompt Engineering. Ersteres meint die spontane, intuitive Interaktion mit einem KI-System. Prompt Engineering hingegen ist ein strukturierter Ansatz. Er umfasst die systematische Entwicklung, Erprobung und Optimierung von Prompts – meist im beruflichen Umfeld.^[3]

Die Übergänge sind fließend. Erfahrene Nutzer verfeinern ihre Eingaben iterativ und testen Formulierungen – auch ohne das bewusst als Prompt Engineering zu betreiben. Die Unterscheidung ist daher vor allem eine Frage des Formalisierungsgrades.

Einsatzbereiche

Die Anwendungsfelder erstrecken sich über nahezu alle Branchen:

• Textproduktion und Redaktion: Erstellung von Entwürfen, Zusammenfassungen und Übersetzungen.
• Softwareentwicklung: Generierung von Code, Erklärung von Fehlermeldungen, Dokumentation.
• Wissensarbeit und Recherche: Strukturierung von Sachverhalten, Zusammenfassung langer Dokumente.
• Kundenservice: Konfiguration von Chatbots und Assistenzsystemen über System Prompts.
• Bildung: Erklärung von Lerninhalten, Generierung von Übungsaufgaben.
• Kreativwirtschaft: Ideengenerierung, Drehbuch- und Storyline-Entwicklung.

Besonders in der Softwareentwicklung hat Prompting an Bedeutung gewonnen. Viele Entwicklertools binden LLMs direkt in die Arbeitsumgebung ein. Prompts fungieren dort als natürlichsprachliche Programmierschnittstelle.

Grenzen und Herausforderungen

Sprachmodelle reagieren empfindlich auf Formulierungsvariationen. Minimale Änderungen in der Wortwahl können zu stark abweichenden Ergebnissen führen. Diese sogenannte Prompt Sensitivity erschwert die reproduzierbare Nutzung in produktiven Systemen.

Ein weiteres Risiko ist die Erzeugung von Halluzinationen – sachlich falschen, aber überzeugend formulierten Ausgaben. Auch sorgfältiges Prompting kann dieses Verhalten nur reduzieren, nicht ausschließen.^[4]

Sogenannte Prompt-Injection-Angriffe sind ein weiteres Problem. Dabei versuchen manipulierte Eingaben, die Verhaltensregeln eines Modells zu umgehen. In geschäftlichen Anwendungen stellt dies ein ernstes Sicherheitsrisiko dar. Strukturiertes Prompting ist daher nicht nur eine Frage der Nützlichkeit, sondern auch der Betriebssicherheit.