Zum Inhalt springen
Markus Egger
← Alle Lektionen

KI verstehen2 Prompting-Praxis

Iterieren wie ein Profi

Die erste KI-Antwort ist selten die beste, und das ist vollkommen normal. Heute lernst du, wie du durch gezielte Folge-Nachrichten aus einem mittelmäßigen ersten Ergebnis etwas wirklich Nützliches herausarbeitest. Dazu kommen zwei mächtige Techniken: Chain-of-Thought-Prompting und die Prompt-Kette.

Lektion 5: Iterieren wie ein Profi

KI-Chat ist kein Suchfeld, es ist ein Gespräch

Viele Menschen nutzen KI-Chats wie eine Suchmaschine: einmal tippen, Ergebnis lesen, fertig. Das verschenkt den größten Teil des Potenzials.

Die entscheidende Verschiebung im Denken: KI-Chat ist ein Dialog, kein Einweg-Kanal. Du musst nicht beim ersten Ergebnis bleiben. Du kannst antworten, nachfragen, korrigieren, eingrenzen, erweitern, genau wie in einem echten Gespräch mit einem Assistenten.

Dieses Verfeinern nennt man Iterieren (aus dem Lateinischen iterare = wiederholen): Du sendest einen Prompt, bewertest die Antwort, sendest eine Folge-Nachricht, und das so oft, bis das Ergebnis wirklich passt. Dieser Zyklus kann zwei oder auch zehn Runden dauern, je nach Aufgabe.

Alltagsanalogie: Stell dir vor, du bestellst bei einer Schneiderin ein Hemd. Sie zeigt dir einen ersten Entwurf. Du sagst: „Die Ärmel etwas kürzer, und lieber ein dunkleres Blau.“ Sie passt an. Dann noch: „Der Kragen könnte breiter sein.“ Nach drei Runden sitzt das Hemd perfekt. Du hättest beim ersten Entwurf bleiben können, aber das Ergebnis wäre schlechter gewesen.

Konkrete Techniken für gute Folge-Nachrichten

Viele Einsteiger wissen nicht, was sie in einer Folge-Nachricht schreiben sollen. Hier sind die wichtigsten Kategorien:

1. Umfang anpassen

  • „Kürzer bitte, maximal 3 Sätze.“
  • „Das ist zu knapp. Erkläre den zweiten Punkt ausführlicher.“
  • „Mach daraus eine strukturierte Liste statt Fließtext.“

2. Ton oder Niveau verschieben

  • „Formuliere das formeller, es ist für eine Präsentation vor Vorgesetzten.“
  • „Einfacher bitte, mein Gesprächspartner hat keine Vorkenntnisse.“
  • „Weniger technisch, mehr alltagsnah.“

3. Fokus verändern

  • „Konzentriere dich mehr auf die Kostenaspekte.“
  • „Den historischen Teil kannst du weglassen, der ist mir nicht wichtig.“
  • „Ergänze bitte ein konkretes Beispiel aus dem Alltag.“

4. Die KI ihre eigene Antwort prüfen lassen

Das ist eine der wirkungsvollsten und am wenigsten genutzten Techniken:

  • „Prüfe deine Antwort: Was könnte ich daran kritisieren?“
  • „Welche Annahmen hast du gemacht, die vielleicht falsch sind?“
  • „Was fehlt noch in deiner Antwort?“

Wenn du die KI bittest, ihre eigene Antwort zu hinterfragen, nutzt du eine interessante Eigenschaft moderner Sprachmodelle: Sie können bei gezielter Aufforderung tatsächlich Lücken und Schwächen in ihren eigenen Texten erkennen, etwas, das sie ohne Aufforderung oft nicht tun.

Technik 1: Chain-of-Thought-Prompting

Chain-of-Thought-Prompting (auf Deutsch: Gedankenketten-Prompting) ist eine Technik, bei der du die KI bittest, ihren Denkprozess Schritt für Schritt zu zeigen, statt direkt zur Antwort zu springen.

Warum funktioniert das? Wenn das Modell seinen Gedankengang explizit aufschreibt, „zwingt“ es sich selbst zu einer strukturierteren Analyse. Die Antworten werden dadurch oft genauer, besonders bei Fragen mit mehreren Schritten.

Ohne Chain-of-Thought:

„Welche Wohnung sollte ich nehmen, Wohnung A für 900 € mit 70 m² oder Wohnung B für 1.100 € mit 90 m²?“

Du bekommst eine Meinung, vielleicht mit kurzer Begründung.

Mit Chain-of-Thought:

„Welche Wohnung sollte ich nehmen, Wohnung A für 900 € mit 70 m² oder Wohnung B für 1.100 € mit 90 m²? Denke Schritt für Schritt: Analysiere zuerst den Preis pro m², dann die monatliche Mehrbelastung, dann weitere typische Faktoren bei einer Wohnungsentscheidung.“

Das Modell legt seinen Gedankengang offen, und du kannst einzelne Schritte hinterfragen oder korrigieren, wenn etwas nicht stimmt.

Die einfachste Variante: Füge einfach „Denke Schritt für Schritt“ ans Ende deines Prompts. Dieser kurze Zusatz verbessert die Qualität bei analytischen Fragen nachweislich.

Technik 2: Die Prompt-Kette

Komplexe Aufgaben überfordern oft einen einzigen Prompt. Besser: Du zerlegst die Aufgabe in kleinere Schritte und löst jeden Schritt mit einem eigenen Prompt. Das nennt man Prompt-Kette (englisch: Prompt Chain).

Beispiel, einen Blogbeitrag schreiben:

Schwacher Ansatz:

„Schreib mir einen Blogbeitrag über gesunden Schlaf.“

Du bekommst einen generischen Text, der selten deinen Vorstellungen entspricht.

Mit Prompt-Kette:

  1. Prompt 1: „Schlage mir 5 mögliche Blickwinkel für einen Blogbeitrag über gesunden Schlaf vor, Zielgruppe: berufstätige Eltern.“
  2. Prompt 2 (nach deiner Auswahl): „Gut, ich nehme Blickwinkel 3. Erstelle eine grobe Gliederung mit 4-5 Abschnitten.“
  3. Prompt 3: „Schreib jetzt nur die Einleitung, emotional, mit einer kurzen Anekdote aus dem Alltag.“
  4. Prompt 4: „Schreib Abschnitt 2 aus der Gliederung, knapp, mit 2 konkreten Tipps.“

Das Ergebnis: Du behältst die Kontrolle, kannst jeden Schritt bewerten und bekommst am Ende einen Text, der wirklich passt, statt eines mittelmäßigen Einheits-Ergebnisses.

Der wichtigste Unterschied zur Suchmaschine: Bei einer Suchmaschine wählst du aus Bestehendem; bei einem KI-Chat formst du etwas Neues durch Dialog. Wer das verinnerlicht hat, ist klar im Vorteil.

Die häufigsten Iterationsfehler

„Ich fange nochmal von vorne an.“ Das ist der häufigste Fehler. Wenn eine Antwort nicht passt, ist der Instinkt oft: neues Chatfenster, neuer Prompt. Besser: Analysiere, was konkret nicht stimmt, und formuliere eine gezielte Folge-Nachricht. Ein Neustart löscht außerdem den gesamten bisherigen Kontext, die KI muss von vorne lernen, wer du bist und was du wirklich willst.

„Ich akzeptiere immer die erste Antwort.“ Manche Nutzer glauben, eine zweite Nachricht bedeute, dass die KI „falsch” war. Das stimmt nicht. Die erste Antwort ist ein Ausgangspunkt, kein Endprodukt. Kein Experte schreibt beim ersten Versuch eine perfekte E-Mail.

„Ich weiß nicht, was ich kritisieren soll.“ Bewerte jede Antwort mit drei einfachen Fragen: Ist sie zu lang oder zu kurz? Trifft sie den richtigen Ton? Fehlt etwas Wesentliches, oder ist etwas Überflüssiges dabei? Eine Antwort auf mindestens eine dieser Fragen ergibt immer eine gute Folge-Nachricht.

Praxisaufgabe des Tages (ca. 10-15 min)

Heute übst du den vollständigen Iterations-Zyklus mit drei Verfeinerungsrunden.

  1. Öffne einen KI-Chat deiner Wahl und sende diesen Start-Prompt:
Schreib mir eine kurze E-Mail an meine Nachbarin, in der ich sie bitte,
die Musik nach 22 Uhr leiser zu stellen.
  1. Lies die Antwort. Dann sende eine Folge-Nachricht, die etwas gezielt verändert:
Das klingt zu konfrontativ. Formuliere es freundlicher und betone,
dass wir ein gutes Nachbarschaftsverhältnis haben.
  1. Nach der zweiten Antwort sende noch eine Verfeinerung:
Gut. Mache es jetzt kürzer, maximal 5 Sätze. Und füge eine Formulierung
ein, die zeigt, dass ich Verständnis für sie habe.
  1. Vergleiche Version 1 und Version 3. Woran du merkst, dass du es verstanden hast: Die dritte Version ist deutlich näher an dem, was du wirklich senden würdest, ohne dass du die E-Mail selbst geschrieben hast.

Bonusaufgabe: Teste Chain-of-Thought mit einem echten Problem, das du gerade hast. Füge „Denke Schritt für Schritt“ an den Ende deines nächsten Prompts an, und beobachte, ob die Antwort strukturierter und nachvollziehbarer wirkt als ohne diesen Zusatz.

KI-News zum Lernen

  • Gemini 3.5 Pro mit 2-Millionen-Token-Kontextfenster, Google will sein kommendes Modell Gemini 3.5 Pro noch vor Ende Juni veröffentlichen. Das besondere Merkmal: ein Kontextfenster von zwei Millionen Token, das entspricht ungefähr 1.500 normalen Buchseiten Text, die das Modell auf einmal im “Gedächtnis” halten kann. Warum interessant? In Lektion 1 hast du gelernt, was Token und Kontextfenster sind. Ein größeres Kontextfenster bedeutet in der Praxis: Du kannst längere Dokumente hochladen, viel längere Gespräche führen ohne Informationsverlust, und die Iteration über lange Texte wird zuverlässiger. Es zeigt auch, wie rasant sich Sprachmodelle weiterentwickeln. (buildfastwithai.com)

  • LLMs verschwinden in Alltagsprozessen, und das ist kein Zufall, Branchenbeobachter stellen im Juni 2026 fest: Sprachmodelle werden immer weniger als eigenständige Chat-Apps genutzt, sondern zunehmend unsichtbar in bestehende Abläufe eingebaut, Kundenservice, Internetsuche, interne Wissensdatenbanken, Coding-Assistenten. Warum lehrreich? Weil das erklärt, warum es sich lohnt, die Grundlagen zu verstehen: Wer weiß, wie ein LLM auf Prompts reagiert, kann auch diese eingebetteten Systeme besser bedienen und hinterfragen. In Modul 5 schauen wir uns solche Automatisierungen genauer an. (blog.mean.ceo)

Glossar des Tages

  • Iterieren, Schritt für Schritt verfeinern durch wiederholte Folge-Nachrichten in einem KI-Chat
  • Chain-of-Thought-Prompting, Technik, bei der du die KI bittest, ihren Denkprozess Schritt für Schritt offenzulegen statt direkt zur Antwort zu springen
  • Prompt-Kette, eine komplexe Aufgabe in mehrere aufeinanderfolgende, aufbauende Prompts aufteilen
  • Kontext, der gesamte bisherige Gesprächsverlauf, den das Modell bei jeder neuen Antwort einbezieht
  • Zero-Shot / Few-Shot, Begriffe aus Lektion 4: Zero-Shot = kein Beispiel im Prompt; Few-Shot = zwei bis drei Beispiele; heute ergänzt: Chain-of-Thought als dritte Prompting-Strategie