Auch genannt: Eingabeanweisung
Im KI-Kontext ist ein Prompt die Eingabe, mit der eine Person oder ein Programm ein System zu einer Aufgabe anleitet. Bei generativer KI kann er eine Frage, eine Arbeitsanweisung, Kontext, Beispiele oder strukturierte Daten enthalten. Er legt keine Garantie auf ein richtiges Ergebnis fest, beeinflusst aber, worauf das System seine Antwort ausrichtet.
Wer einer generativen KI schreibt „Fasse diesen Text zusammen“, gibt bereits einen Prompt. Das System muss dann aus der Eingabe erschließen, welche Aufgabe gemeint ist und wie die Antwort aussehen soll. Präziser wird die Anfrage etwa mit Zielgruppe, Länge, gewünschtem Format und dem Text, auf den sie sich bezieht. AWS beschreibt Prompts als natürlichsprachliche Texte, die generative KI zu einer konkreten Aufgabe auffordern; zugleich weist der Anbieter darauf hin, dass Kontext und detaillierte Angaben für hilfreiche, relevante Antworten wichtig sind (AWS).
Im Alltag wird „Prompt“ oft auf einen einzelnen Satz reduziert. Das ist zu eng. Ein Prompt kann zwar ein kurzer Satz sein, aber ebenso eine mehrteilige Nachricht mit Rollenbeschreibung, Eingabedaten, Regeln, Beispielen oder einer Ausgabevorlage. Bei Bild-, Audio- oder multimodalen Systemen können zudem andere Eingabeformen dazugehören. Entscheidend ist seine Funktion: Er übermittelt dem System, was es verarbeiten oder erzeugen soll.
Ein Sprachmodell verarbeitet einen Prompt nicht wie eine verbindliche Programmanweisung. Es berechnet aus dem eingegebenen Kontext wahrscheinliche Fortsetzungen und erzeugt daraus eine Ausgabe. Darum ist die Formulierung relevant, aber sie ersetzt weder Fachwissen noch Prüfung. IBM ordnet die Qualität des Prompts als Einflussfaktor für die Qualität generierter Inhalte ein und nennt Klarheit, Kontext und Beispiele als hilfreiche Elemente (IBM).
Für einfache Aufgaben genügt oft eine knappe Anfrage. Bei komplexeren Aufgaben hilft eine nachvollziehbare Struktur:
Diese Bausteine sind kein Rezept für fehlerfreie Antworten. Sie verringern vor allem Unklarheit zwischen Absicht und gewünschter Ausgabe. Auch die Reihenfolge, verfügbare Eingabedaten, Systemeinstellungen und Fähigkeiten des verwendeten Modells beeinflussen das Resultat.
Eine knappe Anfrage lautet: „Schreibe eine E-Mail über die Terminverschiebung.“ Sie lässt offen, wer schreibt, wer die Nachricht erhält, welcher Ton passt und welcher Termin betroffen ist.
Ein präziserer Prompt könnte lauten: „Formuliere eine kurze, sachliche E-Mail an Kundinnen und Kunden. Informiere darüber, dass der für Dienstag geplante Wartungstermin auf Donnerstag verschoben wird. Bitte um Verständnis und nenne keine technischen Gründe, die nicht vorliegen.“ Hier sind Aufgabe, Zielgruppe, Ton, Fakten und Grenze klarer benannt.
Trotzdem sollte der fertige Text geprüft werden: Namen, Daten, Zusagen und sensible Aussagen stammen nicht automatisch aus einer verlässlichen Quelle. Wenn Angaben fehlen, ist eine Rückfrage oder ein deutlich markierter Entwurf oft angemessener als eine plausibel klingende Ergänzung.
Prompts werden genutzt, um generative Systeme beim Schreiben, Zusammenfassen, Übersetzen, Programmieren, Analysieren oder Erzeugen von Bildern und anderen Medien anzuleiten. In Anwendungen arbeitet häufig nicht nur die Person mit einem Prompt: Software kann Nutzereingaben, Dokumentausschnitte und feste Regeln zu einer umfangreicheren Eingabe zusammensetzen. Das erklärt, warum dieselbe Frage in verschiedenen Werkzeugen unterschiedliche Antworten liefern kann.
Für Teams kann ein abgestimmter Prompt wiederkehrende Arbeit vereinheitlichen, etwa bei Entwürfen für Produktbeschreibungen oder bei der Aufbereitung strukturierter Informationen. Er bleibt aber ein Arbeitsmittel, keine fachliche Freigabe. Besonders bei rechtlichen, medizinischen, finanziellen oder sicherheitsrelevanten Themen müssen Fachleute die Ergebnisse prüfen und die Verantwortung für Entscheidungen behalten.
Ein guter Prompt macht ein Modell nicht allwissend und erzeugt keine belastbare Quelle. Generative Systeme können Sachverhalte falsch darstellen, Details erfinden oder wichtige Einschränkungen übergehen. Dieses Risiko wird beim Thema Halluzination (KI) näher erklärt. Quellen, Rechenwege und Aussagen mit Folgen sollten deshalb separat geprüft werden.
Ebenso ist ein Prompt nicht mit Prompt Engineering gleichzusetzen. Der Prompt ist die konkrete Eingabe; Prompt Engineering bezeichnet das systematische Entwerfen, Testen und Überarbeiten von Eingaben, damit ein System für eine Aufgabe besser nutzbare Ergebnisse liefert. Iteration kann helfen, doch sie ist kein Ersatz für Tests mit realistischen Fällen.
Auch mehr Details sind nicht immer besser. Widersprüchliche Regeln, irrelevanter Kontext oder versteckte Annahmen können die Aufgabe unklarer machen. Sinnvoll ist eine Eingabe, die ausreichend konkret ist, aber offenlegt, was das System nicht wissen kann.
Ein Prompt ist nicht das Large Language Model, das eine Eingabe verarbeitet. Das Modell ist die technische Komponente; der Prompt ist der situationsbezogene Input. Er ist auch nicht gleichbedeutend mit Training: Ein einzelner Prompt verändert normalerweise nicht die Modellgewichte. Eine Ausgabe kann jedoch in einem Folgeaufruf wieder als Eingabe und damit als Teil eines Prompts verwendet werden.
Zum Verständnis von Prompts passen Generative KI, Large Language Model und Halluzination (KI). Sie erläutern jeweils die Art der erzeugenden Systeme, eine wichtige Modellklasse und eine zentrale Grenze bei der Bewertung von Ergebnissen.