„Schreib mir einen Newsletter." Das war der erste Prompt, mit dem unser Marketing-Team KI ausprobiert hat. Das Ergebnis war generisch, zu förmlich und klang nach niemandem aus unserem Team. Fazit: „KI taugt nichts für unseren Content."
Der Fehler lag nicht an der KI — er lag am Prompt. Seit ich mich intensiv mit Prompt Engineering beschäftige, sehe ich dieses Muster ständig: Teams geben der KI den minimalsten Input und wundern sich, dass der Output nicht passt. Dabei ist Prompt Engineering keine Raketenwissenschaft. Es ist ein Handwerk, das man lernen kann — und das Teams sofort produktiver macht.
Dieser Leitfaden zeigt dir, wie Prompt Engineering für Teams in der Praxis funktioniert: die 5 Grundprinzipien, fertige Templates und die Fehler, die ich selbst gemacht habe.
Was ist Prompt Engineering – und warum sollten Teams das beherrschen?
Prompt Engineering ist die Kunst, KI-Modellen präzise Anweisungen zu geben. Nicht in Entwicklersprache, nicht mit technischem Jargon — sondern so, dass das Modell genau den Output liefert, den du brauchst.
Für Teams ist das einer der wichtigsten Hebel bei der Arbeit mit KI. Warum? Weil die meisten Aufgaben, die sich mit KI automatisieren lassen, ein Muster haben: Outputs nach bestimmten Formaten, Tonalitäten und Anforderungen. Genau das ist die Stärke moderner Sprachmodelle — wenn man ihnen den richtigen Kontext gibt.
Konkret: Ein Team, das Prompt Engineering beherrscht, kann mit KI-Unterstützung
→ Textentwürfe in Minuten statt Stunden erstellen → Inhalte konsistent im gewünschten Ton und Format produzieren → Recherche, Zusammenfassungen und Reports automatisieren → Varianten und A/B-Tests in Sekunden generieren → Wiederkehrende Aufgaben in skalierbare Workflows verwandeln
Das ist kein Versprechen aus einem Whitepaper. Das ist, was ich täglich bei der Arbeit mit Claude bei SDC Ventures erlebe. Der Unterschied zwischen einem Team, das KI effektiv einsetzt, und einem, das frustriert aufgibt, ist fast immer die Qualität der Prompts.
Die 5 Prompt-Prinzipien, die sofort besser Ergebnisse liefern
Gutes Prompt Engineering folgt fünf Prinzipien. Sie sind nicht kompliziert — aber die meisten Teams wenden keines davon konsequent an.
Prinzip 1: Rolle definieren
Sag der KI, wer sie in dieser Aufgabe ist. Nicht „Schreib einen LinkedIn-Post", sondern „Du bist ein erfahrener B2B-Marketing-Texter für den DACH-Markt. Dein Stil ist direkt, konkret und verzichtet auf Buzzwords." Der Output verändert sich sofort.
Prinzip 2: Kontext geben, nicht raten lassen
Das Modell weiß nicht, wer deine Zielgruppe ist, wie dein Produkt positioniert ist oder welchen Ton deine Marke hat — außer du sagst es. Gut gemeinter Kontext: „Zielgruppe sind Marketing-Manager in B2B-SaaS-Unternehmen mit 50–200 Mitarbeitern. Ton: professionell, nahbar, keine Superlative."
Prinzip 3: Format vorgeben
„Schreib einen kurzen Text" ist eine schlechte Anweisung. „Schreib einen LinkedIn-Post mit maximal 200 Wörtern, einem 2-zeiligen Hook, drei kurzen Absätzen und einer Frage am Ende" ist eine gute Anweisung. Je konkreter das gewünschte Format, desto weniger Nacharbeit.
Prinzip 4: Beispiele mitgeben
Eines der wirkungsvollsten Mittel: Zeig der KI, wie ein guter Output aussieht. „Schreib im Stil dieses Posts: [Beispiel einfügen]." KI-Modelle sind extrem gut darin, Stil, Tonalität und Struktur aus Beispielen zu übernehmen. Wer das konsequent nutzt, bekommt deutlich konsistentere Ergebnisse.
Prinzip 5: Iterieren statt neu anfangen
Wenn der erste Output nicht passt, nicht alles wegschmeißen und neu prompten. Stattdessen: präzise Feedback geben. „Das ist zu förmlich. Schreib es lockerer, als würde ein Experte mit einem Kollegen sprechen, nicht als würde jemand einen Report schreiben." Diese Schleife ist schneller und effizienter als ein komplett neuer Prompt.
Fertige Prompt-Templates für typische Aufgaben
Theorie ist gut, Templates sind besser. Hier sind drei Prompt-Strukturen, die ich in meiner täglichen Arbeit nutze — direkt kopierbar und anpassbar.
Template 1: LinkedIn-Post
Du bist ein erfahrener B2B-Content-Texter für den DACH-Markt.
Schreib einen LinkedIn-Post zu folgendem Thema: [THEMA]
Format:
→ Hook: maximal 2 Zeilen, provokant oder überraschend
→ Hauptteil: 3–4 kurze Absätze, jeweils 2–4 Sätze
→ Abschluss: eine konkrete Frage oder eine klare Handlungsaufforderung
→ 3–5 relevante Hashtags
Zielgruppe: [ZIELGRUPPE]
Ton: professionell, direkt, keine Buzzwords
Länge: maximal 220 Wörter
Template 2: Newsletter-Abschnitt
Du schreibst für den Newsletter von [UNTERNEHMENSNAME].
Zielgruppe: [ZIELGRUPPE]
Ton: [TONALITÄT — z.B. locker und informativ / professionell und präzise]
Schreib einen Abschnitt zu folgendem Thema: [THEMA]
Format:
→ Überschrift (max. 8 Wörter)
→ 2–3 Absätze à 3–5 Sätze
→ Optional: ein konkretes Beispiel oder eine Zahl
→ Abschluss: ein kurzer CTA mit Link-Placeholder [LINK]
Länge: 150–200 Wörter
Template 3: SEO-Metadaten
Du bist ein SEO-Experte für den deutschen Markt.
Erstelle für folgenden Blog-Artikel:
Titel: [ARBEITSTITEL]
Primäres Keyword: [KEYWORD]
Inhalt in Kurzform: [2–3 Sätze Zusammenfassung]
Liefere:
→ SEO-Titel (max. 60 Zeichen, Keyword am Anfang)
→ Meta-Description (max. 155 Zeichen, Keyword in erster Hälfte, konkreter Nutzen)
→ 3 alternative H1-Varianten
Kein Clickbait, kein Keyword-Stuffing.
Diese Templates sind Ausgangspunkte. In der Praxis passe ich sie für jedes Projekt, jedes Team, jedes Format an — aber die Grundstruktur bleibt.
Claude, ChatGPT oder Gemini – wofür nutze ich welches Tool?
Eine Frage, die mir regelmäßig gestellt wird: Welches KI-Tool ist das beste? Die ehrliche Antwort: Es kommt darauf an. Ich arbeite täglich mit mehreren Modellen und nutze sie für unterschiedliche Aufgaben.
Claude (Anthropic) ist mein Haupt-Tool für alles, was langen, strukturierten Text erfordert: Blog-Artikel, ausführliche Briefings, komplexe Prompts mit vielen Constraints. Claude folgt Anweisungen sehr präzise — wenn ich sage „maximal 200 Wörter, kein Passive Voice", hält es das konsequent ein. Außerdem ist Claude sehr gut darin, in einem definierten Stil zu schreiben, wenn ich Beispiele mitgebe. Für konsistente, strukturierte Outputs — egal ob Artikel, Briefings oder Automatisierungen — ist das ein großer Vorteil.
ChatGPT (OpenAI) nutze ich für schnelle Brainstormings und erste Ideen-Drafts. Das Modell ist kreativ und gut im Generieren von Varianten — wenn ich 10 verschiedene Hook-Ideen für einen Post brauche, ist ChatGPT oft schnell und treffsicher. Für längere, strukturierte Outputs muss ich aber stärker nachsteuern.
Gemini (Google) setze ich vor allem ein, wenn aktuelle Informationen relevant sind — Markttrends, aktuelle Studien, Nachrichtenrecherche. Die Integration mit Google-Diensten macht es für Research-Aufgaben praktisch.
Meine Faustregel für Teams:
→ Langer, strukturierter Content (Artikel, Briefings, Kampagnentexte): Claude → Schnelle Ideen, Varianten, Brainstorming: ChatGPT → Research, aktuelle Daten, Marktüberblick: Gemini
Entscheidender als die Wahl des Tools ist die Qualität des Prompts. Ein guter Prompt liefert in jedem der drei Modelle deutlich bessere Ergebnisse als ein schlechter Prompt im „besten" Tool.
Die 4 häufigsten Fehler beim Prompten (und wie du sie vermeidest)
Ich habe diese Fehler alle selbst gemacht. Wer sie kennt, spart sich viel frustrierte Nacharbeit.
Fehler 1: Zu wenig Kontext
„Schreib einen Marketing-Text" ist kein Prompt — es ist eine Aufgabenbeschreibung ohne Parameter. Wer kein Briefing gibt, bekommt auch kein brauchbares Ergebnis. Minimum an Kontext: Zielgruppe, Ton, Produkt/Thema, Format, Länge.
Fehler 2: Alles in einem Prompt erledigen wollen
Große, komplexe Outputs entstehen besser in Stufen. Erst Struktur abstimmen, dann ausschreiben. Erst Keyword-Strategie festlegen, dann Text schreiben. Wer alles auf einmal versucht, bekommt oft einen kompromisshaften Mix, der in keine Richtung wirklich gut ist.
Fehler 3: Feedback geben ohne Begründung
„Das passt nicht" ist kein hilfreiches Feedback an eine KI. „Das klingt zu verkäuferisch — schreib es informierender, weniger werblich" ist hilfreiches Feedback. Je präziser du beschreibst, was nicht stimmt und wie es besser sein soll, desto schneller konvergiert der Output.
Fehler 4: Den Stil nicht absichern
KI-Modelle tendieren ohne klare Vorgaben zu einem generischen Mittelweg-Stil: klar, korrekt, aber austauschbar. Das macht jeden Output beliebig — egal für welchen Zweck. Die Lösung: Ein Referenz-Text mitgeben, der zeigt, wie euer gewünschter Stil klingt. „Schreib im Stil dieses Textes: [Beispiel]" ist einer der wirkungsvollsten Prompt-Tricks überhaupt.
Key Takeaways
- Prompt Engineering ist erlernbares Handwerk, keine Magie — die fünf Grundprinzipien (Rolle, Kontext, Format, Beispiele, Iteration) decken 80 % der Fälle ab
- Fertige Templates für wiederkehrende Aufgaben (LinkedIn-Posts, Newsletter, SEO-Metadaten) sparen täglich Zeit und sorgen für konsistente Qualität
- Die Wahl des KI-Tools ist weniger entscheidend als die Qualität des Prompts — Claude für langen strukturierten Content, ChatGPT für schnelle Ideen, Gemini für Research
- Die vier häufigsten Fehler sind: zu wenig Kontext, alles auf einmal wollen, unpräzises Feedback und fehlende Stilreferenzen
- Prompt Engineering lohnt sich für jedes Team, das mit KI arbeitet — je klarer der Input, desto zuverlässiger und skalierbarer der Output
Du willst tiefer einsteigen? Auf meiner Website findest du weitere Einblicke in meine KI-Workflows und Automatisierungsprojekte. Auf LinkedIn teile ich regelmäßig neue Prompt-Templates, Praxisbeispiele und Erfahrungen aus meiner Arbeit als AI & Automation Developer — folge mir, wenn du nichts verpassen willst.
Und wenn du Fragen hast oder eigene Erfahrungen mit Prompt Engineering teilen möchtest: Schreib mir direkt auf LinkedIn. Ich antworte immer.
Mehr unter jonaswemmers.de.
Jonas Wemmers, AI & Automation Developer