Ein guter Prompt spart 80 Prozent der Iterations-Zeit. Das ist keine PR-Behauptung, sondern was wir in zwei Jahren Beratung bei rund 40 Mittelstand-Führungskräften konsistent gemessen haben. Die folgenden zehn Patterns sind das, was nach zwei Jahren Experimentieren übrig bleibt — alles andere ist Lärm, oder gilt nur für sehr spezifische Use-Cases. Wer diese zehn beherrscht, kommt mit ChatGPT, Claude oder Gemini in 90 Prozent der Business-Aufgaben auf Profi-Niveau.
Warum Prompts überhaupt wichtig sind
Sprachmodelle sind probabilistische Maschinen. Sie liefern keine deterministischen Antworten, sondern wahrscheinliche. Wer den Input-Raum nicht eingrenzt, bekommt einen breiten Output-Raum — also schwankende Qualität. Wer den Input-Raum eingrenzt (Rolle, Format, Beispiele, Constraints), bekommt enge, konsistente Outputs.
Strukturierte Prompts vs. freie Formulierungen in eigenen Tests, n=200 Tasks
In eigenen Tests über 200 Business-Aufgaben (Memos, Analysen, Mail-Entwürfe, Strategien) lieferten strukturierte Prompts dreimal konsistentere Outputs als freie Formulierungen. "Konsistent" heißt: gleiche Frage, mehrfach gestellt, ähnlich gute Antwort. Wer das einmal gemessen hat, prompted nie wieder ohne Struktur.
Pattern 1 — Rolle definieren
Das einfachste, wirksamste Pattern. Statt "Schreib mir ein Konzept für unser Q3-Marketing-Budget" besser:
"Du bist erfahrener CMO eines B2B-SaaS-Unternehmens mit 50 Mitarbeitern. Schreib mir ein Konzept für das Q3-Marketing-Budget mit Fokus auf messbare Pipeline-Generierung."
Die Rolle ist ein Filter für den Tonfall, das Vokabular, die typischen Annahmen, die das Modell trifft. Faustregel: Wenn ihr in einem Meeting jemanden Spezifisches dafür ranziehen würdet — schreibt diese Person als Rolle in den Prompt.
Pattern 2 — Output-Format spezifizieren
Bullet-Liste, Tabelle, JSON, Markdown-Memo, Zwei-Spalten-Vergleich, Slide-Outline. Wer das Format nicht vorgibt, bekommt ein Fließtext-Durcheinander, das man dann manuell sortieren muss.
"Liefere die Antwort als Tabelle mit drei Spalten: Hebel, Investment-Range, erwartete Pipeline-Wirkung in 90 Tagen."
Das spart in der Praxis 10 bis 20 Minuten pro Output, weil das Reformatieren wegfällt.
Pattern 3 — Few-Shot: Beispiele liefern
Eines der wirksamsten Patterns. Statt zu beschreiben, was ihr wollt, zeigt zwei bis drei Beispiele:
"Schreib mir Stellenausschreibungen im Stil dieser zwei Beispiele: [Beispiel 1: ...] [Beispiel 2: ...] Jetzt schreib eine Stellenausschreibung für eine Senior Backend Engineerin in Wien."
Few-Shot funktioniert, weil das Modell aus den Beispielen den Stil, die Länge, die Struktur, die typischen Phrasen extrahiert — Dinge, die man in einer Beschreibung nie vollständig erfasst.
Pattern 4 — Constraints und Anti-Constraints
Sagt explizit, was ihr nicht wollt. Das filtert mehr aus als jede positive Anweisung.
"Constraints: max 150 Wörter, keine Adjektive wie 'innovativ' oder 'revolutionär', kein Marketing-Sprech. Anti-Constraints: nicht zu formal — Du-Ansprache, kurze Sätze."
Die Negativ-Liste ist oft wichtiger als die Positiv-Anweisung. Modelle neigen zu Buzzwords und überlangen Formulierungen — beides fängt ihr mit expliziten Verboten ab.
Pattern 5 — Step-by-Step-Trigger
Bei jeder Analyse-Aufgabe, jeder Entscheidung mit mehreren Faktoren, jeder mehrstufigen Berechnung wirkt der einfache Zusatz:
"Denk das Schritt für Schritt durch, bevor du eine Empfehlung gibst."
oder
"Liste zuerst die fünf wichtigsten Annahmen, dann analysiere jede einzeln, dann gib eine Gesamtempfehlung."
Das aktiviert den sogenannten Chain-of-Thought-Modus. In komplexen Aufgaben (Kalkulationen, juristische Bewertungen, Strategie-Analysen) ist der Qualitätssprung erheblich — eigene Messung: Faktor 2 bis 3 bei Aufgaben mit drei oder mehr Variablen.
Pattern 6 — Iterativer Refinement-Cycle
Erwartet nicht, dass der erste Output perfekt ist. Plant zwei bis drei Iterationen ein:
"Erstelle einen ersten Entwurf. Ich gebe dir dann Feedback, du überarbeitest."
Beim Refinement spart konkretes, sektionsbezogenes Feedback Zeit: "Sektion 2 ist gut, in Sektion 3 fehlt die Quelle, Sektion 4 ist zu lang — kürze auf 50 Prozent." Statt "mach es besser".
Pattern 7 — Eigenes Wissen einspeisen
Generelles Modell-Wissen reicht selten für eure spezifische Situation. Liefert eigene Daten mit:
"Hier sind unsere Q2-Zahlen: [Zahlen]. Hier ist die letzte Strategie-Notiz: [Notiz]. Hier sind die drei wichtigsten Wettbewerber mit ihren Pricing-Modellen: [Tabelle]. Analysiere auf dieser Basis, ob unser aktuelles Pricing wettbewerbsfähig ist."
Das ist quasi handgemachtes RAG. Funktioniert für Einzelaufgaben besser als jeder generische Vergleich.
Pattern 8 — Negative Patterns
Verwandt mit Constraints, aber granularer auf typische Fail-Modes ausgerichtet:
"Wichtig: Vermeide vage Begriffe wie 'verbessern' oder 'optimieren'. Jede Aussage muss eine konkrete Zahl, eine Frist oder ein Verantwortlichkeits-Owner enthalten."
Das funktioniert vor allem bei Aufgaben, die typischerweise in schwammige Beratersprache abgleiten — Strategien, Visionen, Mission-Statements.
Pattern 9 — Source-Pflicht
"Liefere zu jeder Aussage entweder eine konkrete Quelle (Studie, Jahresbericht, statistisches Amt) oder kennzeichne sie explizit als Annahme."
Das hebelt einen Teil des Halluzinations-Problems aus — nicht vollständig, aber genug, dass ihr falsche Zahlen nicht ungeprüft übernehmt. Funktioniert besser mit Modellen, die Web-Search können (ChatGPT mit Search, Claude mit Web-Tool, Perplexity nativ).
Pattern 10 — Self-Critique
Das vielleicht wertvollste Pattern für Geschäftsführer-Entscheidungen. Nach der eigentlichen Antwort der Zusatz:
"Bewerte jetzt deine eigene Antwort kritisch: Was könnte falsch sein? Welche Annahmen sind nicht belegt? Wo ist das Risiko einer Halluzination am höchsten?"
In Tests fängt Self-Critique 60 bis 80 Prozent der Halluzinationen und Fehlannahmen ab — bevor ihr sie ungeprüft in eure Entscheidung übernehmt.
Wie ihr Patterns kombiniert
In der Praxis nutzt ihr selten ein einzelnes Pattern, sondern drei bis fünf gleichzeitig. Ein typischer Production-Prompt sieht aus wie:
[Rolle] — Du bist erfahrener Vertriebsleiter B2B-Software DACH. [Wissen] — Hier ist unser aktueller Pipeline-Status: [Daten]. [Aufgabe] — Analysiere, welche drei Deals in Q3 am höchsten priorisiert werden sollten. [Step-by-Step] — Geh die Pipeline Deal für Deal durch, gewichte nach Deal-Size, Close-Wahrscheinlichkeit und strategischem Fit. [Output-Format] — Liefere als Tabelle mit fünf Spalten: Deal, Priorität, Begründung, nächster Schritt, Owner. [Constraints] — Max ein Satz pro Begründung. Keine Buzzwords. [Self-Critique] — Am Ende: nenne die zwei größten Risiken in deiner Priorisierung.
Klingt aufwendig, ist es nicht — fünf Minuten Prompt-Aufbau ersparen 20 bis 30 Minuten Output-Nachbearbeitung.
Was nicht funktioniert
Drei Patterns, die in Hype-Artikeln auftauchen und in der Praxis selten helfen:
- Tip-Drohungen ("Ich gebe dir 200 Dollar Trinkgeld wenn..."): funktionierten 2023 mit GPT-3.5, ab GPT-4 / Claude 3 messbar irrelevant.
- Höflichkeits-Marathon ("Bitte, ich wäre dir wirklich dankbar..."): ändert in 2026 nichts an der Output-Qualität.
- Drohungen ("Wenn du das nicht gut machst, wirst du abgeschaltet"): funktionierten kurzzeitig, sind in modernen Modellen wegerodiert.
Der Output ist Funktion von Rolle, Kontext, Format und Constraints — nicht von Tonalität.
Häufige Fragen
Was Geschäftsführer zu Prompt-Engineering fragen.
ChatGPT, Claude oder Gemini — welches Modell für welchen Use-Case?
Wie lang sollte ein guter Prompt sein?
Muss ich Prompts auf Englisch schreiben für beste Ergebnisse?
Wie speichere und teile ich gute Prompts im Team?
Wie messe ich, ob mein Prompt wirklich gut ist?
Was als Nächstes?
Wer diese zehn Patterns drei Wochen lang systematisch nutzt, hat eine spürbar bessere KI-Produktivität — ohne neue Tools, ohne neues Budget, nur durch bessere Prompts. Wenn ihr im Team Prompt-Standards etablieren wollt: ein KI-Productivity-Workshop bei uns für Führungskräfte dauert einen halben Tag, kostet €2.800 und liefert euch ein internes Prompt-Katalog plus Team-Onboarding. Discovery-Call dauert 30 Minuten und kostet nichts.