KI-Prompt: 5 Fragen, die jede Anfrage besser machen
Ein KI-Prompt wirkt oft fertig, ist es aber nicht. Fünf Fragen vor dem Senden, die bei ChatGPT, Claude und Gemini gleich funktionieren, an einem Beispiel.
Die Antwort klingt gut, trifft aber nicht, was du eigentlich wolltest — und du tippst den Prompt ein zweites Mal, nur mit mehr Adjektiven. Das Problem liegt selten an der Wortwahl. Es liegt daran, dass eine von fünf Fragen offenblieb, bevor du gesendet hast. Diese fünf Fragen sind modellunabhängig: Sie funktionieren bei ChatGPT, bei Claude und bei Gemini gleich, weil keine von ihnen etwas mit einem bestimmten Anbieter zu tun hat.
Das macht die Checkliste unten anders als eine Liste fertiger Prompt-Vorlagen: Sie lässt sich nicht kopieren, sondern an jede eigene Aufgabe neu anlegen — an eine E-Mail genauso wie an eine Tabelle oder einen Projektstatus.
Die 5 Fragen vor dem Senden
- Wer soll das Modell in dieser Antwort sein? „Antworte wie ein erfahrener Kollege aus dem Einkauf“ liefert einen anderen Ton als keine Angabe — und ohne Angabe entscheidet das Modell es für dich.
- Welche Rohinformation steht tatsächlich im Prompt? Nicht die Aufgabe beschreiben, sondern die Notiz, die Zahlen oder die E-Mail-Kette hineinkopieren. Ohne sie füllt das Modell die Lücke mit etwas Generischem.
- Was genau soll passieren — als ein Verb, nicht als drei? Zusammenfassen, umschreiben, sortieren, vergleichen. Zwei Aufgaben in einem Prompt ergeben häufig eine Antwort, die eine davon vergisst.
- Welche Form soll die Antwort haben? Länge, Struktur, Ton. Ohne Vorgabe bekommst du vielleicht einen halbseitigen Text für eine Nachricht, die drei Sätze haben sollte.
- Woran erkennst du nachher, ob die Antwort stimmt? Diese Frage fehlt in den meisten Listen mit Prompt-Tipps — und sie ist die wichtigste, weil sie festlegt, was du vor dem Weiterreichen noch prüfst.
Ein schwacher Prompt scheitert fast immer an einer dieser fünf, nicht an der Formulierung insgesamt. Das lässt sich direkt testen: Nimm deinen letzten unbefriedigenden Prompt und geh die Liste durch — meist fehlt genau ein Punkt, nicht alle fünf.
Wie das in der Praxis aussieht: „Fass das Protokoll zusammen“ ohne das Protokoll im Prompt lässt das Modell einen plausiblen, aber erfundenen Inhalt erzeugen — Frage zwei fehlt. „Schreib eine Nachricht an das Team“ ohne Längen- oder Tonvorgabe liefert mal drei Sätze, mal eine halbe Seite, je nach Tagesform des Modells — Frage vier fehlt. Beide Antworten lesen sich flüssig, was die Lücke zusätzlich verdeckt: Ein Text ohne offensichtlichen Fehler wirkt fertig, auch wenn er auf einer falschen Annahme beruht.
Ein Beispiel von Anfang bis Ende
Ausgangslage: Ein Kunde hat vor zwei Wochen eine Rückerstattung angefragt, die Buchhaltung hat sie inzwischen bearbeitet, du musst ihn informieren.
Schwacher Prompt: „Schreib eine E-Mail an einen Kunden wegen seiner Rückerstattung.“ Ergebnis: ein höflicher, aber beliebiger Text, der zu praktisch jeder Rückerstattung passen könnte — weil keine der fünf Fragen beantwortet wurde.
Vollständiger Prompt: „Du bist Kundenservice-Mitarbeiter. Hier die Fakten: Kunde hat am 24.10. eine Rückerstattung für Bestellung Nr. 4471 angefragt, Betrag 38,50 €, die Buchhaltung hat sie am 5.11. auf die ursprüngliche Zahlungsmethode veranlasst. Schreib eine E-Mail, die das bestätigt und erklärt, dass die Gutschrift je nach Bank 3–5 Werktage dauern kann. Drei bis vier Sätze, freundlich, ohne Entschuldigung für die Wartezeit.“ Rolle, Rohinformation, eine Aufgabe, Form — alle vier Teile stehen im Prompt, und die fünfte Frage lässt sich sofort beantworten: Du prüfst Bestellnummer, Betrag und Datum gegen das, was tatsächlich in der Buchhaltung steht.
Ein Prompt entscheidet, wie gut eine Antwort klingt. Ob sie stimmt, entscheidest am Ende immer noch du.
Warum dieselben fünf Fragen bei jedem Chat-Assistenten funktionieren
Die fünf Fragen hängen an keiner Stelle an einem Firmennamen. Rolle, Rohinformation, eine Aufgabe, Form und Prüfbarkeit sind Eigenschaften der Aufgabe, nicht des Werkzeugs — deshalb liest sich derselbe vollständige Prompt aus dem Beispiel oben bei ChatGPT, Claude und Gemini unterschiedlich an Formulierung, aber ähnlich an Treffsicherheit. Umgekehrt bleibt ein Prompt, dem eine der fünf Antworten fehlt, bei jedem der drei Modelle gleich schwach. Wer die Technik einmal für die eigene Aufgabe durchdenkt, muss sie beim Wechsel des Anbieters nicht neu lernen, sondern nur neu eintippen.
Warum die fünfte Frage am häufigsten übersehen wird
Die ersten vier Fragen fühlen sich wie Schreibarbeit an, die fünfte wie eine zusätzliche Pflicht nach der eigentlichen Aufgabe — deshalb fällt sie als Erste weg, wenn es schnell gehen muss. Das ist riskant, weil Modelle eine falsche Bestellnummer oder einen falschen Betrag genauso selbstsicher formulieren wie einen richtigen. Wie groß der Abstand zwischen „klingt überzeugend“ und „ist tatsächlich richtig“ bei aktuellen Modellen bleibt, misst der Stanford AI Index jedes Jahr neu — er schließt sich langsamer, als es Produktankündigungen vermuten lassen.
Die Prüfung selbst kostet in der Praxis eine Minute: die Bestellnummer, den Betrag und das Datum aus der Antwort gegen die ursprüngliche Quelle lesen, bevor die E-Mail rausgeht. Das ist der ganze Unterschied zwischen einem brauchbaren Entwurf und einer falschen Angabe, die nur zufällig überzeugend klingt. Wie dieser Prüfschritt bei einer ganzen Büroaufgabe statt an einem einzelnen Prompt aussieht, zeigt KI im Büro an drei weiteren Beispielen.
Dass sich diese Fähigkeit messbar lohnt, zeigt der PwC AI Jobs Barometer: Über rund eine Milliarde ausgewertete Stellenanzeigen hinweg verdienen Menschen mit KI-Kenntnissen einen deutlichen Gehaltsaufschlag — nicht für Modellwissen, sondern für den praktischen Umgang damit. Wie verbreitet der tägliche Einsatz solcher Werkzeuge in deutschen Unternehmen bereits ist, erhebt der Bitkom regelmäßig, und die OECD führt die menschliche Prüfung einer KI-Antwort inzwischen als normalen Teil eines verantwortungsvollen Einsatzes, nicht als Sonderschritt für große Unternehmen. Welche Qualifikationslücken dabei am Arbeitsmarkt entstehen, beobachtet das IAB fortlaufend.
Was du am Montag ausprobierst
- Nimm einen Prompt, den du zuletzt geschrieben hast und mit dem du unzufrieden warst.
- Geh die fünf Fragen durch und markiere, welche offenblieb — meist ist es genau eine.
- Schreib den Prompt mit dieser einen Ergänzung neu, ohne sonst etwas zu ändern.
- Prüf die Antwort an der fünften Frage, bevor du sie weiterreichst: Stimmt sie gegen die Rohinformation?
Stimmt die Antwort nach diesem Durchgang immer noch nicht, lohnt sich kein neuer Prompt von vorn. Schreib stattdessen genau, was an der vorherigen Antwort falsch war — „der Betrag stimmt nicht, die Bestellung war 38,50 € nicht 35,80 €“ — und lass das Modell im selben Gespräch korrigieren. Das nutzt den bereits vorhandenen Kontext, statt ihn bei jedem neuen Versuch wegzuwerfen, und zeigt dir gleichzeitig, ob der Fehler an der Rohinformation lag oder am Modell selbst.
Willst du diese Checkliste nicht nur einmal anwenden, sondern an mehreren echten Aufgaben über zwei Wochen üben, zeigt Prompt Engineering lernen einen konkreten Plan dafür. Suchst du zuerst eine Erklärung, was ein Prompt grundsätzlich ist, klärt Was ist ein Prompt? die Grundlagen an einem eigenen Beispiel. Für drei weitere durchgerechnete ChatGPT-Beispiele mit derselben Vier-Teile-Struktur lohnt sich ChatGPT-Prompts. Fragst du dich, ob diese Technik bei Gemini oder Claude anders funktioniert als bei ChatGPT, zeigt Google Prompt Engineering den Vergleich der offiziellen Leitfäden — die Antwort ist: kaum.
Genau diese Checkliste — konkret fragen, die Antwort richtig prüfen, unabhängig vom Modell — übt Coursium in kurzen Lektionen fürs Handy, an echten Aufgaben statt an Demo-Prompts. Bleib der KI voraus mit Übungen, die zu deiner eigenen Arbeit passen. Mehr zu diesem Ansatz steht über Coursium.