Rolle, Aufgabe, Input, Output, Beispiele: die fünf Bausteine aus dem ersten Teil tragen weiterhin. Wer sie sauber anwendet, bekommt verlässlich brauchbare Antworten. Trotzdem fühlt sich die Arbeit mit aktuellen KI-Werkzeugen an manchen Stellen anders an als noch vor anderthalb Jahren.
Die Gespräche werden länger. Statt einer einzelnen Anfrage entstehen Dialoge über mehrere Runden. Werkzeuge kommen dazu, die KI durchsucht das Web, liest hochgeladene Dokumente, ruft Programme auf. Und die Modelle gewöhnen sich an dich, wenn du ihnen die Möglichkeit dazu gibst, ähnlich wie es Recherche-Assistenten mit deinen eigenen Quellen tun.
Dieser Beitrag schaut, was sich an dieser zweiten Schicht verschoben hat. Er zeigt, was als Grundlage bestehen bleibt. Und wie du das im Alltag nutzt, ohne die bewährten Prinzipien über Bord zu werfen.
Vom Einzel-Prompt zum Gesamt-Setup
Prompt-Engineering meint die einzelne Anfrage: Wie formuliere ich diese eine Frage so, dass eine brauchbare Antwort herauskommt? Das ist nicht falsch, nur eine Ebene zu eng.
Daneben gibt es eine zweite Ebene: Was die KI „weiß", wenn deine Frage ankommt. Dazu zählt der bisherige Gesprächsverlauf, hochgeladene Dokumente, aktive Werkzeuge, ein eventuelles Gedächtnis und die Systemanweisungen des Anbieters. In der Fachdebatte wird diese Ebene als „Context Engineering" bezeichnet. Der Begriff hilft, die Verschiebung zu benennen, auch wenn die Sache selbst kein Marketing-Pathos braucht.
Die Pointe lässt sich kurz fassen: Der Prompt ist, was du schreibst. Der Kontext ist, was die KI weiß, wenn du es schreibst. Wie viel davon überhaupt hineinpasst, klärt der Beitrag über das KI-Kontextfenster und seine Grenzen. Im Folgenden geht es darum, was sich auf dieser zweiten Ebene konkret bewegt hat.
Was sich am Prompt selbst verändert hat
Drei Verschiebungen betreffen den Text, den du tatsächlich tippst.
Rollenzuweisungen sind optional geworden
Die strikte Eröffnung „Du bist ein erfahrener SEO-Spezialist" war lange Standard. Aktuelle Modelle erkennen aus dem Kontext meist von selbst, welche Perspektive gefragt ist. Bei einfachen Aufgaben kannst du die Rollendefinition oft weglassen, ohne dass die Antwort schlechter wird. Bei spezialisierten Anfragen mit Fachjargon, ungewöhnlicher Zielgruppe oder klarem Stilbild bleibt sie ein wirksamer Hebel. Wie Du gezielt mit Rollen und Personas prompten kannst, vertieft ein eigener Beitrag. Faustregel: erst ohne Rolle testen, nur ergänzen, wenn die Antwort daneben landet.
Referenzdokumente statt abstrakter Rollen
Statt der KI zu sagen, wer sie sein soll, gibst du ihr direkten Zugang zum Material, mit dem sie arbeiten soll. Eine hochgeladene PDF mit den aktuellen Umsatzsteuerrichtlinien wirkt zuverlässiger als die Anweisung, sich wie eine Steuerberaterin zu verhalten. Die KI arbeitet aus konkreten Quellen heraus. Das senkt Halluzinationen und macht Antworten überprüfbar. Wenn du regelmäßig zum gleichen Thema arbeitest, lohnt sich der Aufbau einer kleinen Wissensbibliothek.
Konversation statt Einzelbefehl
Mehrere Runden im Gespräch sind der Normalfall. Du startest mit einer groben Anfrage, korrigierst Missverständnisse, schärfst nach. Das erspart das Erstschuss-Pathos, alles auf einmal perfekt formulieren zu müssen. „Das war zu technisch, erkläre es einfacher" ist ein vollwertiger zweiter Prompt. Oft schneller am Ziel als ein verschachtelter Erstversuch.
Was die KI darum herum dazugewonnen hat
Zwei Verschiebungen betreffen den Apparat, in den dein Prompt eingebettet ist.
Gedächtnisfunktionen und persistenter Kontext
Custom GPTs, Claude Projects und vergleichbare Funktionen merken sich Stilvorlieben, wiederkehrende Aufgaben, dein Fachvokabular. Du investierst einmal eine halbe Stunde in eine ordentliche Einrichtung. Danach reichen kürzere, fokussiertere Prompts, weil die Grundlage steht. Für regelmäßig wiederkehrende Aufgaben (Newsletter, Kundenkommunikation, Dokumentations-Texte) ist das der größte Zeitgewinn, den die letzten Modell-Generationen gebracht haben.
Werkzeuge und mehrstufige Prozesse
Aktuelle KI-Systeme suchen im Web, führen Code aus, lesen Dateien, rufen Schnittstellen auf. Dein Prompt muss nicht mehr alle Informationen mitliefern. Die KI kann sich fehlende Daten selbst beschaffen. Daraus entstehen Prompt-Ketten, in denen der Output eines Schritts den Input des nächsten füttert. Wie das praktisch aussieht, wenn die KI Zugriff auf deine eigenen Daten bekommt, lässt sich in einem eigenen Beitrag im Detail nachlesen. Für Deinen Alltag bedeutet das, in Prozessen zu denken und nicht in Einzelanfragen. Recherche, Strukturierung, Ausformulierung als drei aufeinander aufbauende Schritte statt eines Universal-Prompts.
Neue Muster im Alltag
Drei Arbeitsweisen tragen in der Praxis besonders gut.
Komplexes in Schritten denken
Statt eine schwierige Aufgabe in einen einzigen langen Prompt zu pressen, zerlegst du sie in klare Stufen. Du prüfst Zwischenergebnisse und korrigierst dort, wo es klemmt. Auch Formulierungen wie „Nimm dir Zeit" oder „Denke Schritt für Schritt" wirken messbar. Studien zeigen, dass methodische Hinweise die Sorgfalt der Antwort erhöhen.
Den Kontext aktiv pflegen
Je länger ein Gespräch läuft, desto unübersichtlicher wird die Spur. Aktive Pflege heißt: Veraltetes herausnehmen, lange Abschnitte zusammenfassen, aus einer Wissensbasis gezielt das Passende nachladen. In der Fachsprache laufen diese drei Schritte unter „Context Pruning", „Summarization" und „Selective Retrieval":
- Aufräumen: Veraltete Informationen aus dem Gesprächsverlauf entfernen.
- Verdichten: Lange Verläufe zu einer kompakten Zusammenfassung kürzen.
- Gezielt nachladen: Aus einer größeren Wissensbasis nur das Relevante in den aktuellen Kontext holen.
Im Browser-Chat reicht oft, einen langen Verlauf bewusst zu beenden und mit einer kurzen Zusammenfassung neu zu starten.
Prompts von der KI verbessern lassen
Eine der unaufgeregtesten Techniken ist gleichzeitig eine der wirksamsten. Du gibst der KI deinen ersten Entwurf und bittest sie um Vorschläge. Was unklar ist, wo Beispiele helfen würden, welche Annahmen offen bleiben. Das Ergebnis schreibst du in deinen eigenen Worten zu Ende. Die KI ersetzt kein Sprachgefühl, sie macht nur Lücken sichtbar.
Was bestehen bleibt
Bei aller Bewegung trägt eine kurze Liste an Grundprinzipien unverändert.
- Klarheit über Cleverness: Einfache Prompts schlagen verschachtelte fast immer.
- Spezifität: Vage Anfrage, vage Antwort. Daran ändert kein Modell-Update etwas.
- Iteratives Verfeinern: Der erste Schuss ist selten perfekt; das ist normaler Teil des Verfahrens.
- Beispiele wirken: Few-Shot-Prompting bleibt eine der effektivsten Techniken, um die Spur vorzugeben.
- Menschliche Qualitätskontrolle: Keine Technik ersetzt das kritische Lesen der Antwort.
Diese fünf Punkte sind die Grundlage, auf der alles andere aufsetzt. Wer sie ignoriert, holt aus den neuen Schichten weniger heraus, nicht mehr.
Praktische Empfehlungen für deinen Alltag
Drei Schritte, die sich für die meisten Selbstständigen und kleinen Teams sofort lohnen.
Prompt-Archiv anlegen
Sammle erfolgreiche Prompts an einem festen Ort. Notion, Obsidian, eine schlichte Markdown-Datei tut es genauso. Sie sind Ausgangspunkte, die du für die nächste Aufgabe anpasst. Starre Vorlagen wären zu eng. Organisiert nach Aufgabentyp (Texterstellung, Analyse, Zusammenfassung, Code) findest du nach drei Monaten genau das wieder, was beim letzten Mal funktioniert hat. Das ist banal und macht trotzdem den größten Unterschied.
Kontext-Features einrichten
Wenn deine Plattform Custom Instructions, Projects oder Memory anbietet, investiere eine Stunde in die Einrichtung. Stilvorgaben, bevorzugte Formate, dein typischer Tonfall, Rahmenbedingungen deiner Arbeit: all das musst du danach nicht mehr in jeden einzelnen Prompt schreiben. Der Zeitgewinn ist nach wenigen Tagen spürbar, nach einem Monat erheblich.
In Workflows denken, nicht in Einzelanfragen
Für wiederkehrende Aufgaben lohnt es sich, den Ablauf in Stufen zu zerlegen. Eine Produktbeschreibung entsteht aus Feature-Extraktion, Nutzen-Formulierung, Tonalitäts-Anpassung und Finalisierung. Jede Stufe ein eigener Prompt, jeder Zwischenstand kurz geprüft, bevor es weitergeht. Das ist mehr Aufwand beim ersten Mal und deutlich weniger Aufwand bei jedem weiteren Durchgang.
Ausblick — wohin Prompting steuert
Die Richtung ist erkennbar: weg von isolierten Einzelprompts, hin zu kontextbewussten, werkzeuggestützten Systemen. Für Einsteiger wird Prompting tendenziell einfacher, weil die Modelle besser verstehen. Für Fortgeschrittene wird es komplexer, weil mehr Stellschrauben zur Verfügung stehen.
Was sich nicht ändern wird, ist die Notwendigkeit, klar zu denken, präzise zu kommunizieren und kritisch zu prüfen. Auch bei besseren Modellen bleibt die Werkzeug-Frage eine Kompetenz-Frage. Wie das im Entwickleralltag konkret aussieht, zeigt der Beitrag über Hype und Realität bei KI in der Webentwicklung. Ein nüchterner Blick darauf, wo die Werkzeuge wirklich tragen und wo das Marketing-Geräusch endet.
Fazit
Die Fünf-Punkte-Formel aus dem ersten Teil ist nicht überholt, sie bleibt der tragende Boden. Was darüber liegt, sind weitere Schichten: ein Gespräch über mehrere Runden, ein Apparat, der sich Sachen merkt, Werkzeuge, die im Hintergrund recherchieren oder rechnen.
Wer Prompting als Lernprozess versteht, gewinnt mit jedem Modell-Update einen halben Schritt. Wer es als Formel-Sammlung sieht, läuft hinterher.