*Prompting* bezeichnet die gezielte Eingabe von Anweisungen, Fragen oder Aufgabenstellungen an ein KI-System, um eine gewünschte Antwort oder Handlung zu erhalten. Ein *Prompt* ist also das, was der Mensch der KI „sagt“ – in natürlicher Sprache oder strukturiertem Text.

Beispiele:

• „Schreibe eine freundliche Antwort auf diese E-Mail.“
• „Analysiere diese Tabelle und gib mir die wichtigsten Trends.“
• „Erstelle einen Code-Schnipsel in Python, der eine JSON-Datei einliest.“

Je besser und klarer ein Prompt formuliert ist, desto besser kann die KI reagieren.

Die Qualität der Ergebnisse, die ein KI-System liefert, hängt maßgeblich davon ab, wie die Anfrage – also der *Prompt* – formuliert ist. Ein klar strukturierter, zielgerichteter Prompt kann die Leistung eines KI-Tools dramatisch verbessern.

Ein präziser Prompt hilft der KI, die Absicht des Nutzers zu verstehen. Das führt zu:

• höherer Relevanz der Antwort
• besserer Struktur und sprachlicher Qualität
• schnellerem Arbeiten, da weniger Korrekturen nötig sind
• besserer Steuerbarkeit, z. B. in Bezug auf Tonfall, Länge, Format oder Perspektive

Vage oder widersprüchliche Prompts können zu:

• unpräzisen oder unbrauchbaren Antworten
• Faktenfehlern oder Missverständnissen
• unnötig langen oder irrelevanten Ausgaben
• Wiederholungen oder Oberflächlichkeit

führen – was wiederum Zeit kostet und das Vertrauen in das Tool schwächt.

Ein effektiver Prompt zeichnet sich durch folgende Merkmale aus:

• Zielklarheit: Was genau soll die KI tun?
• Kontext: Hintergrundinformationen, Rolle, Zielgruppe
• Strukturvorgabe: Welche Form soll die Antwort haben? (Liste, Tabelle, Fließtext, E-Mail etc.)
• Stil und Ton: z. B. „locker und humorvoll“, „professionell und sachlich“
• Begrenzung: z. B. „maximal 100 Wörter“, „nur drei Vorschläge“

Schlechter Prompt:

• „Schreib was über Marketing.“

Guter Prompt:

• „Du bist Marketingberater. Erstelle eine kurze Einführung (max. 150 Wörter) über die Bedeutung von Zielgruppenanalyse im digitalen Marketing. Sprich eine fachkundige Leserschaft an.“

Prompting ist oft ein Dialog, kein Einweg-Befehl. Häufig ist es sinnvoll, mit einem ersten Vorschlag zu starten und dann schrittweise:

• nachzufragen
• Teilschritte zu isolieren
• Formate zu ändern
• Antworten zu verfeinern

Beispiel: „Gib mir eine Übersicht über die EU-Datenschutzgrundverordnung“ → „Erstelle mir daraus eine Liste mit fünf Kernprinzipien“ → „Formuliere jeden Punkt in maximal einem Satz, als Infotext für eine Webseite“

Gutes Prompting ist eine Schlüsselkompetenz im Umgang mit KI. Wer lernt, präzise und zielgerichtet mit Maschinen zu kommunizieren, wird langfristig schneller, effizienter und kreativer arbeiten können – ganz unabhängig vom jeweiligen Tool.

Im beruflichen Alltag stehen heute verschiedene KI-Systeme zur Verfügung, die jeweils auf unterschiedliche Aufgaben spezialisiert sind. Sie lassen sich grob in vier Kategorien einteilen:

Diese Systeme verstehen und erzeugen natürliche Sprache. Sie eignen sich besonders für:

• Texterstellung: E-Mails, Blogbeiträge, Produkttexte, Zusammenfassungen
• Korrektur & Stilberatung: Grammatikprüfung, Umformulierungen, Tonalitätsanpassung
• Informationsgewinnung: Recherchen, Übersichten, FAQs
• Kommunikation: Chatbots, Antworten auf Kundenanfragen
• Programmieren: Erstellen und Erklären von Code, Dokumentation

Beispiele:

• ChatGPT (OpenAI)
• Claude (Anthropic)
• Gemini (Google)
• Microsoft Copilot (in Word, Excel, Outlook)

Diese Tools erzeugen Bilder aus Textbeschreibungen (Text-zu-Bild) oder verändern vorhandene Bilder (Bildbearbeitung mit KI).

Typische Anwendungsbereiche:

• Visuelle Ideenfindung: Moodboards, Illustrationen, Werbemotive
• Content-Produktion: Bilder für soziale Medien, Webseiten, Präsentationen
• Designunterstützung: schnelle Mockups, Entwürfe

Beispiele:

• DALL·E (OpenAI)
• Midjourney
• Adobe Firefly
• Canva mit KI-Unterstützung

Diese Systeme helfen bei der Programmierung, indem sie Code vorschlagen, analysieren oder erklären.

Einsatzmöglichkeiten:

• Code-Vervollständigung und -korrektur
• Fehlersuche (Debugging)
• Dokumentation generieren
• Automatisierung kleiner Aufgaben

Beispiele:

• GitHub Copilot
• Amazon CodeWhisperer
• Cursor
• Replit Ghostwriter

KI-Systeme können auch große Datenmengen interpretieren und visuell aufbereiten. In Office-Programmen wie Excel oder Google Sheets sind KI-Funktionen bereits integriert.

Typische Aufgaben:

• Analyse von Tabellen
• Erkennen von Trends & Mustern
• Visualisierung von Daten (Diagramme, Dashboards)
• Automatische Berichte & Zusammenfassungen

Beispiele:

• Microsoft Excel mit Copilot
• ChatGPT (Advanced Data Analysis)
• Tableau mit KI
• Notion AI

Diese Modelle verarbeiten oder erzeugen gesprochene Sprache oder Musik. Sie sind besonders nützlich für:

• Transkription von Gesprächen, Meetings und Podcasts
• Text-to-Speech (TTS): KI-generierte Stimmen für Videos, E-Learning, Telefonansagen
• Sprachsteuerung: Integration in Assistenzsysteme
• Musikproduktion: KI-generierte Melodien, Beats oder ganze Musikstücke

Beispiele:

• Whisper (OpenAI) – automatische Spracherkennung
• ElevenLabs – realistische Text-to-Speech-Stimmen
• Descript – Audio-/Video-Editing mit KI
• Soundraw, Aiva – KI-Musikkomposition

KI kann heute Videos analysieren, verändern oder sogar vollständig generieren.

Anwendungen:

• Videozusammenfassungen (z. B. aus Meetings oder Vorträgen)
• Skript-zu-Video: Automatisierte Erstellung kurzer Clips
• Gesichts- & Sprachanimation (z. B. für virtuelle Sprecher:innen)
• Bearbeitung & Schnitt: automatisch Highlights erkennen, Szenen schneiden

Beispiele:

• Synthesia – KI-generierte Avatare & Videos
• Runway ML – Video-Editing & KI-Effekte
• Pictory – Videos aus Texten erzeugen
• Opus Clip – automatische Kurzvideos aus langen Inhalten

Diese Systeme erzeugen realitätsnahe, aber künstlich generierte Daten – besonders wichtig für das Training von KI-Modellen, bei Datenschutzauflagen oder zur Simulation.

Einsatzfelder:

• Testdaten für Software und Datenbanken
• Training von Machine-Learning-Modellen ohne echte Nutzerdaten
• Simulation von Nutzungsverhalten, Szenarien, Sensordaten

Beispiele:

• MOSTLY AI
• Gretel.ai
• Synthea (für Gesundheitsdaten)

Diese Systeme erstellen oder verändern 3D-Objekte und virtuelle Welten – hilfreich z. B. in Architektur, Gaming, Industrie oder Design.

Typische Anwendungen:

• 3D-Objekterstellung aus Text oder Skizzen
• Automatische Optimierung von Modellen
• Design-Vorschläge und Ideenskizzen

Beispiele:

• Kaedim – Text-zu-3D
• Luma AI – 3D-Modelle aus Fotos (NeRF-Technologie)
• NVIDIA Omniverse mit KI-Tools
• Meshy.ai – Text-zu-3D-Meshes

In der Robotik wird KI eingesetzt, um Maschinen autonom handeln oder auf ihre Umgebung reagieren zu lassen. Dabei kommt oft ein Mix aus Computer Vision, Planung und maschinellem Lernen zum Einsatz.

Anwendungen:

• Autonome Fahrzeuge & Drohnen
• Lager- und Logistikroboter
• Industrielle Fertigung & Qualitätskontrolle
• Assistenzsysteme in Pflege & Service

Beispiele:

• Boston Dynamics – KI-gesteuerte Bewegungsplanung
• NVIDIA Isaac – Plattform für Robotik-KI
• Tesla Autopilot (FSD)
• Amazon Robotics (Lagerlogistik)

Viele moderne Tools kombinieren mehrere dieser Technologien – z. B. Sprache, Video und Datenanalyse – in einer Anwendung. Prompting spielt dabei fast immer eine zentrale Rolle, insbesondere bei Text- und Multimodellen (z. B. ChatGPT, Gemini).

Dieses Handbuch konzentriert sich daher auf textbasierte Strategien, bindet aber auch andere Modalitäten ein, wo es sinnvoll ist.

In vielen modernen Anwendungen ist KI direkt integriert – z. B. in Word, Outlook, Excel, PowerPoint, Adobe-Tools oder Projektmanagement-Software. Prompting wird dadurch ein Teil alltäglicher Aufgaben, oft ganz ohne spezielle Fachkenntnisse.

Dieses Handbuch konzentriert sich vor allem auf textbasierte Prompting-Strategien, da sie die Basis für viele dieser Tools bilden – von der E-Mail bis zur komplexen Datenabfrage.