ChatGPT-Prompts: Aufbau, drei Beispiele, eine Prüfregel
ChatGPT-Prompts, die wirklich etwas bringen: die vier Teile eines guten Prompts, drei Beispiele für den Büroalltag und wo ihre Grenze liegt.
Die meisten Listen mit „den besten ChatGPT-Prompts“ sind Sammlungen fertiger Sätze zum Kopieren. Das Problem: Sobald sich deine Aufgabe auch nur leicht von der Vorlage unterscheidet, funktioniert der Satz nicht mehr. Nützlicher ist es, den Aufbau zu verstehen, aus dem ein guter Prompt besteht — dann schreibst du ihn für jede neue Aufgabe selbst, statt eine Liste zu durchsuchen.
OpenAI beschreibt diesen Aufbau in der eigenen Anleitung zu Prompt Engineering, Anthropic in einer sehr ähnlichen Form in den Grundlagen für Claude. Beide Anbieter kommen trotz unterschiedlicher Modelle auf dieselben vier Bausteine — das ist kein Zufall, sondern der Grund, warum ein Prompt überhaupt funktioniert oder nicht.
Die vier Teile eines guten Prompts
- Rolle: wer oder was ChatGPT in dieser Antwort sein soll — „Antworte wie eine erfahrene Kollegin aus dem Kundenservice“, nicht nur „Antworte freundlich“.
- Kontext: die Rohinformation, aus der die Antwort entstehen soll — die eigentlichen Notizen, die E-Mail-Kette, die Tabelle. Ohne sie füllt das Modell die Lücke mit etwas Generischem.
- Aufgabe: was genau passieren soll, als Verb formuliert — zusammenfassen, umschreiben, sortieren, vergleichen. Eine Aufgabe pro Prompt lässt sich leichter prüfen als drei auf einmal.
- Form: Länge, Struktur und Ton der Antwort — drei Absätze oder eine Liste, förmlich oder locker. Ohne diese Vorgabe entscheidet das Modell es für dich, und meistens nicht so, wie du es brauchst.
Fehlt einer dieser vier Teile, merkst du es an der Antwort: Fehlt die Rolle, klingt sie neutral und austauschbar. Fehlt der Kontext, klingt sie generisch. Fehlt die Form, musst du sie hinterher selbst noch umbauen. Das ist derselbe Grund, warum KI im Büro als Erstes an der Rohinformation ansetzt und nicht an der Formulierung.
Drei Beispiel-Prompts für den Büroalltag
Statt einer Vorlage zum Abtippen: drei Prompts, an denen du siehst, wie die vier Teile in der Praxis zusammenkommen — und wie du sie für eine andere Aufgabe austauschst.
- E-Mail entwerfen: „Du bist mein Kollege im Projektteam. Hier ist der Stand aus unserem letzten Austausch: [Notizen einfügen]. Schreib daraus eine E-Mail an den Kunden, die den Zeitplan erklärt und um Rückmeldung bis Freitag bittet. Vier bis fünf Sätze, sachlich, ohne Entschuldigung für die Verzögerung.“
- Notizen sortieren: „Hier sind unsortierte Notizen aus einem einstündigen Meeting: [Notizen einfügen]. Sortiere sie in drei Abschnitte — Entscheidungen, offene Fragen, Aufgaben mit Verantwortlicher. Keine Punkte erfinden, die nicht im Text stehen.“
- Tabelle prüfen lassen: „Hier ist eine Liste von Ausgaben mit Datum, Betrag und Kategorie: [Tabelle einfügen]. Nenn die drei Kategorien mit den höchsten Summen und zeig die Rechnung dafür, damit ich sie nachvollziehen kann.“
Der letzte Satz in jedem Beispiel ist bewusst gesetzt: eine klare Grenze, was das Modell nicht tun soll, oder eine Bitte, den Rechenweg zu zeigen. Das macht die Antwort nicht automatisch richtig, aber leichter zu prüfen — und genau darum geht es im nächsten Abschnitt.
Was ein Prompt nicht lösen kann
Ein noch so sauber formulierter Prompt ändert nichts an einer Grundeigenschaft dieser Modelle: Sie sind sich falscher Aussagen genauso sicher wie richtiger. Wie groß der Abstand zwischen „klingt sicher“ und „ist richtig“ tatsächlich ist, misst der Stanford AI Index jährlich neu — er schließt sich langsamer, als Produktankündigungen vermuten lassen.
Ein Prompt entscheidet, wie gut die Antwort klingt. Ob sie stimmt, entscheidest am Ende immer noch du.
Deshalb gehört zu jedem der drei Beispiele oben ein zweiter Schritt, der nicht im Prompt steht: eine Zahl, einen Namen oder eine Zusage gegen die Rohinformation zurückprüfen, bevor die Antwort rausgeht. Das kostet eine Minute und ist der Unterschied zwischen einem brauchbaren Entwurf und einer falschen Information, die nur zufällig überzeugend klingt. Wie du genau das bei Antworten mit Linkangaben prüfst, zeigt KI mit Quellen.
Dass sich diese Fähigkeit lohnt, ist inzwischen auch außerhalb der Technik messbar: Der PwC AI Jobs Barometer findet über rund eine Milliarde Stellenanzeigen hinweg einen deutlichen Gehaltsaufschlag für Menschen mit KI-Kenntnissen — nicht für Modellwissen, sondern für den Umgang damit. Wie verbreitet der tägliche Umgang mit solchen Werkzeugen in deutschen Unternehmen bereits ist, erhebt der Bitkom regelmäßig.
Was du am Montag ausprobierst
- Nimm eine Aufgabe, bei der du bereits die Rohinformation hast — Notizen, eine E-Mail-Kette, eine Tabelle.
- Schreib den Prompt in vier Teilen: Rolle, Kontext, Aufgabe, Form. Lass keinen Teil weg, auch wenn er offensichtlich erscheint.
- Formuliere genau eine Aufgabe, nicht drei auf einmal. Willst du mehr, stell die zweite Frage als eigenen Prompt.
- Prüf jede konkrete Zahl, jeden Namen und jede Zusage in der Antwort gegen die Rohinformation, bevor du sie weiterreichst.
Fragst du dieselbe Art von Aufgabe jede Woche, lohnt es sich, diese vier Teile nicht jedes Mal neu zu schreiben — dazu mehr in Custom GPT erstellen. Willst du das Grundprinzip strukturiert üben statt allein herumzuprobieren, zeigt ChatGPT-Schulung, woran du eine Schulung erkennst, die genau das trainiert. Zweifelst du grundsätzlich, ob ChatGPT das richtige Werkzeug für deine Aufgabe ist, hilft ein direkter Test gegen eine ChatGPT Alternative mehr als jede Liste mit Prompts. Klingt die Antwort am Ende technisch korrekt, aber nicht nach dir, geht KI-Text humanisieren genau diesen letzten Schritt durch.
Genau diesen Unterschied — konkret fragen und das Ergebnis richtig prüfen — übt Coursium in kurzen Lektionen fürs Handy, an echten Beispielen statt an Demo-Prompts. Bleib der KI voraus mit Übungen, die zu deiner eigenen Arbeit passen. Mehr zu diesem Ansatz steht über Coursium.