Die 10 Top-Tipps für gelingendes Prompting

Generative KI hat – befeuert durch die Breitenverfügbarkeit von ChatGPT Ende 2022 – die Arbeits- und Lebenswelt vieler Menschen im Rekordtempo erobert. Das richtige Prompting ist entscheidend, da die Modelle zu Beginn oftmals so genutzt wurden, als ob sie einfach ein anderes Google wären. Mittlerweile haben sich die Nutzungen und Anforderungen der User:innen deutlich differenziert.

Künstliche Intelligenzen, die Inhalte generieren – also auf Basis stochastischer Modelle errechnen – können sehr spezifische Aufgaben effizient erledigen. Ihr nicht-deterministischer Charakter ermöglicht dabei sehr kreative, aber auch sehr stringent klingende Texte in kurzer oder auch sehr detaillierter Form.

Wie genau die Ergebnisse ausfallen, hängt nicht nur vom Modell ab, sondern vor allem auch davon, wie die Eingaben, die sogenannten Prompts erstellt werden. Das gezielte Entwickeln von Prompts hat sich unter dem Namen „Prompt Engineering“ zu einem gefragten Skill entwickelt, in manchen Unternehmen sogar mit eigener Jobbezeichnung.

Oftmals reicht zum Erzielen guter Ergebnisse jedoch schon das Beachten einiger weniger Grundsätze vollkommen aus. Die folgenden 10 stellen keine abschließende Liste dar, sind aber durchweg grundlegend und funktionieren im Wesentlichen für alle Modelle generativer KI und unabhängig davon, ob die Ausgaben Text, Bild, Video oder Audio sein sollen.

1. Formuliere Deine Prompts präzise

Erstelle Deine Prompts so klar und präzise wie möglich. Je präziser Du das gewünschte Ergebnis beschreibst, desto weniger muss die KI raten, was Du willst.

Beispiel: Statt „Erzähl mir was über KI“ schreibe „Fasse die Entwicklungsgeschichte von KI in maximal 10 Sätzen zusammen.“ Sofern Du etwas darüber wissen willst. Möchtest Du etwas über die Einsatzmöglichkeiten von KI erfahren, frage stattdessen gezielt danach.

2. Gib der KI Kontext zu Deinen Anfragen

Liefere der KI Kontext. Erkläre ihr, wozu das Ergebnis gebraucht wird.

Beispiel: „Bereite die Information für Kinder verständlich auf.“

3. Weise der KI eine Rolle zu.

Der Effekt lässt sich oftmals noch verbessern, wenn Du der KI eine Rolle oder Perspektive zuordnest.

Beispiel: „Du bist ein Lehrer für Informatik in der 10. Klasse des Gymnasiums.“

4. Strukturiere Deine Prompts

Verwende Aufzählungszeichen, Absätze, Nummerierungen etc., um komplexe Aufgaben zu strukturieren. Auf diese Weise erleichterst Du nicht nur der KI, zu verstehen, was Du möchtest, sondern wirkst auch auf eine möglichst strukturierte, übersichtliche Antwort hin.

Beispiel: „Fasse die Geschichte der Entwicklung unter den Gesichtspunkten

• Anfänge und Grundlagen
• Hardware
• Anwendungsgebiete

zusammen.“

5. Teile der KI das Ziel mit

Du wünschst Dir die Ausgabe in einer bestimmten Form. Was soll es sein? Ein Anzeigetext, ein Gedicht oder ein Code-Snippet? Teile der KI das mit.

Beispiel: „Schreibe einen kreativen Werbetext für die Weiterbildung Künstliche Intelligenz im Büroalltag.“

6. Gib vor, in welcher Form die Ausgabe erfolgen soll

Wenn Du das Ergebnis in einem bestimmten Format benötigst, (z.B. Bullet-Point-Liste, Tabelle, HTML) dann schreibe das gleich dazu.

Beispiel: „Stelle in einer Liste die wesentlichen Vor- und Nachteile vom Lernen durch kostenpflichtige Schulungen und YouTube-Videos gegenüber.“

7. Vermeide Doppeldeutigkeiten

Hierbei handelt es sich streng genommen um eine Variante von 1. Präzision. Es ist jedoch sinnvoll, genau darauf zu achten, denn sprachliche Doppeldeutigkeiten verwenden wir im Alltag dauernd, ohne es zu merken, weil üblicherweise das Gegenüber kontextfähig genug ist, das Gemeinte aus dem Gesagten zu erschließen. Eine KI jedoch kann in jedem Fall präziser arbeiten, wenn Du möglichst eindeutige Wörter und Formulierungen benutzt.

Beispiele: Statt nach einer „Bank“ zu fragen, fragen nach einem „Geldinstitut“ oder einer „Sitzbank“ – je nachdem, ob Du in den Park gehen möchtest oder Geld abheben. Dann kannst Du beim Kontext sogar Zeilen einsparen, denn auch Kürze zählt!

Fragst Du im Informatik-Kontext z.B. nach „Speicher“, dann wird die KI relativ sicher erraten, dass Du nichts über Kornspeicher wissen möchtest. Aber meinst Du „Arbeitsspeicher“ oder „Speicherplatz“? Diese Begriffe wären unter Umständen besser für Dein Ziel geeignet.

8. Verwende Beispiele

Wenn Du eine konkrete Vorstellung von der Art und Form des Ergebnisses hast, kannst Du das auch als Beispiel formulieren und somit starken Einfluss auf die Ausgabeform nehmen.

Beispiel: „Formuliere den Text für eine Einladungsmail zur Fortbildung nach folgendem Muster:

Sehr geehrte Damen und Herren,

hiermit möchten wir Sie recht herzlich einladen zu unserem Kurs „Makramee für Fortgeschrittene“. Freuen Sie sich auf fachlichen Input und eine entspannte Atmosphäre sowie unbegrenzt freiem Kaffee und Tee.“

9. Begrenze den Umfang der Ausgabe.

Vielleicht weißt Du noch nicht genau, wie lang die Antwort genau sein soll und wie hoch die Detaildichte, aber eine ungefähre Vorstellung davon hast Du in aller Regel. Die KI jedoch hat ohne diese Angaben keine Ahnung, ob Du eine halbe Seite oder 500 Seiten möchtest, wenn Du nach der Geschichte der Künstlichen Intelligenz fragst. Natürlich hängt von Thema und Ausgabelänge am Ende auch die Detaildichte ab.

Beispiel:

„Bitte fasse die Geschichte der Künstlichen Intelligenz in maximal 1000 Worten zusammen.“

10. Entwickle Deine Prompts Schritt für Schritt

Du hast alle Tipps befolgt und das Ergebnis gefällt Dir trotzdem nicht? Dann könntest Du die gleiche Frage einfach noch einmal stellen. Das Ergebnis wird in der Regel nicht dasselbe sein, denn die Modelle sind nicht-deterministisch. Sie werden ein neues Ergebnis komplett neu berechnen und es wird selbst bei kurzen und von präzisen Prompts erzeugten Ergebnissen in der Regel vom ersten Ergebnis abweichen.

Oftmals stellen gelieferte Ergebnisse aber schon teilweise zufrieden und sollen lediglich verfeinert werden. Dazu kannst Du die Prompts so anpassen, dass Du die zu ändernden Teile entsprechend adressierst. Dieses Vorgehen bezeichnet man auch als iteratives Vorgehen. Das klingt dann deutlicher nach dem, was es auch ist: Kein Trial-and-Error (wobei auch dagegen nichts einzuwenden wäre), sondern ein gezieltes Entwickeln Schritt für Schritt. Iteratives Prompting ist eine Standardstrategie der Promptentwicklung.

Mit diesen Hinweisen bist Du fit für viele Aufgaben, die generative KI für Dich übernehmen kann.

Warum KI-Ausgaben kritisch hinterfragt werden müssen

Beachte jedoch, dass KI auch Grenzen und Schattenseiten hat. Die Ausgaben solltest Du nie einfach als bare Münze nehmen, sie müssen geprüft werden. KI-Modelle können z.B. einen begrenzten Aktualitätsstand haben, weil die zur Verfügung stehenden Trainings- u. Eingabedaten nur einen bestimmten Zeitraum abdecken. Dazu haben KI-Modelle keinerlei kontextuelles oder semantisches Verständnis im menschlichen Sinne. Sie wissen nicht, dass die ein- und ausgegebenen Zeichenketten eine Bedeutung haben, geschweige denn welche. Sie analysieren lediglich statistische Muster in großen Datenmengen und generieren auf dieser Basis wahrscheinlich gewünschte Ausgaben – aber ohne echtes Verständnis für Inhalte oder Zusammenhänge. Darüber hinaus übernehmen sie inhaltliche Verzerrungen aus den Trainingsdaten. Wenn eine KI mit dem Datenbestand des Internets trainiert ist, dann wird sie zu einem konkreten Thema nicht zwingend die wissenschaftlich fundierten Aussagen als Basis für eine Antwort nehmen, sondern schlicht alles, was dort enthalten ist. Das nennt sich Bias und ist ein ernst zu nehmendes ethisches Problem. Bias entsteht dabei nicht nur durch Verzerrungen aus dem Internet. Trainingsdaten haben grundsätzlich potenzielle strukturelle Ungleichgewichte. So sind in der Vergangenheit z.B. Frauen durch KI-gestützte Analysetools als weniger kreditwürdig eingestuft worden, weil die zugrundeliegenden Trainingsdaten der betreffenden Modelle keine zwischen den Geschlechtern der erfassten Personen ausgeglichene Datenlage boten.

Wichtig ist auch, dass die vielen zur Verfügung stehenden Services und Modelle im Bereich generativer KI zwar letztlich ähnlich funktionieren, aber aufgrund ihrer Trainingsdaten, Algorithmen und eingebundenen Toolings durchaus sehr unterschiedliche Stärken und Schwächen haben. Eine Recherche nach geeigneten Modellen für Deine Aufgaben kann sich also lohnen.