Prompt Engineering: Wie man KI richtig beauftragt

Warum die Qualität der Frage über die Qualität der Antwort entscheidet

Stellen Sie sich vor, Sie beauftragen einen Mitarbeiter in Ihrer Bank mit folgender Aufgabe: „Bitte analysieren Sie unsere aktuelle Risikosituation und bereiten Sie eine Entscheidungsgrundlage für den Vorstand vor.“

Was wird passieren? Ein erfahrener Risikomanager wird vermutlich zunächst nachfragen: Welche Risiken sind gemeint? Geht es um Kredit-, Markt-, Liquiditäts- oder operationelle Risiken? Welcher Zeitraum soll betrachtet werden? Welche Daten stehen zur Verfügung? Und was genau erwartet der Vorstand: einen Überblick, eine detaillierte Analyse oder konkrete Handlungsempfehlungen?

Ein weniger erfahrener Mitarbeiter könnte dagegen einfach loslegen – und am Ende einen umfangreichen Bericht liefern, der zwar professionell aussieht, aber an der eigentlichen Fragestellung vorbeigeht.

Bei Large Language Models (LLMs) ist es ganz ähnlich. Auch sie können komplexe Aufgaben bearbeiten. Wie gut das Ergebnis ausfällt, hängt jedoch wesentlich davon ab, wie die Aufgabe formuliert wird und welche Informationen das Modell erhält. Genau hier setzt das sogenannte Prompt Engineering an.

Für Finanzinstitute ist diese Fähigkeit von strategischer Bedeutung: Sie entscheidet mit darüber, ob aus einem leistungsfähigen Sprachmodell ein nützliches Werkzeug für den Geschäftsalltag wird – oder lediglich ein digitaler Gesprächspartner, der gelegentlich beeindruckende, aber wenig brauchbare Antworten liefert.
 

Was ist Prompt Engineering?

Ein Prompt ist die Eingabe, mit der ein Nutzer einem LLM eine Aufgabe stellt. Das kann eine einfache Frage sein, eine Arbeitsanweisung, ein umfangreicher Kontext oder eine Kombination aus all diesen Elementen. 
Prompt Engineering bezeichnet die systematische Gestaltung und Verbesserung solcher Eingaben, um möglichst hilfreiche, präzise und auf die jeweilige Aufgabe zugeschnittene Ergebnisse zu erzielen.

Die einfachste Form eines Prompts lautet beispielsweise: „Fasse diesen Geschäftsbericht zusammen.“

Ein besser formulierter Prompt könnte dagegen festlegen, welche Aspekte relevant sind, für wen die Zusammenfassung bestimmt ist und in welcher Form das Ergebnis vorliegen soll:
„Analysiere den folgenden Geschäftsbericht aus Sicht eines Kreditrisikomanagers. Fasse die wesentlichen Veränderungen bei Umsatz, Profitabilität, Verschuldung und Liquidität zusammen. Identifiziere Hinweise auf mögliche finanzielle Risiken und belege jede wesentliche Feststellung mit einer Fundstelle im Dokument. Stelle die Ergebnisse in einer Tabelle dar und unterscheide klar zwischen dokumentierten Fakten und daraus abgeleiteten Einschätzungen. Wenn Informationen fehlen, weise ausdrücklich darauf hin.“

Beide Prompts verfolgen dasselbe Ziel. Der zweite reduziert jedoch den Interpretationsspielraum, liefert eine klare Perspektive und definiert konkrete Anforderungen an das Ergebnis. Das ist der Kern des Prompt Engineering: Nicht einfach eine Frage stellen, sondern eine Aufgabe so beschreiben, dass das Modell möglichst gut versteht, was erreicht werden soll.
 

Prompt Engineering ist keine klassische Programmierung

Auf den ersten Blick könnte man meinen, Prompt Engineering sei lediglich eine neue Form der Programmierung. Schließlich gibt man einem technischen System Anweisungen und erwartet ein bestimmtes Ergebnis. Tatsächlich gibt es jedoch einen wesentlichen Unterschied.

Bei der klassischen Programmierung formulieren Entwickler Anweisungen in einer formalen Programmiersprache. Sie legen beispielsweise fest, welche Bedingungen geprüft, welche Berechnungen ausgeführt und welche Aktionen bei bestimmten Ergebnissen ausgelöst werden. Das Programm folgt diesen Regeln innerhalb seiner technischen Grenzen. Bei identischen Eingaben und unverändertem Programm ist das Verhalten in der Regel reproduzierbar.

Ein Prompt dagegen beschreibt eine Aufgabe überwiegend in natürlicher Sprache. Das LLM interpretiert diese Beschreibung anhand seines Trainings und des verfügbaren Kontexts. Es erzeugt eine Antwort, statt einfach eine vollständig vorgegebene Folge von Regeln abzuarbeiten.

Man kann sich den Unterschied wie folgt vorstellen: Klassische Programmierung ähnelt einer detaillierten Arbeitsanweisung mit exakt definierten Wenn-dann-Regeln. Prompt Engineering gleicht eher der Beauftragung eines fachkundigen Mitarbeiters, dem man Ziel, Kontext, Prioritäten und gewünschtes Ergebnis erklärt.

Das eröffnet neue Möglichkeiten. Aufgaben, die sich nur schwer in starre Regeln fassen lassen – etwa das Zusammenfassen eines komplexen Vertrags oder das Erkennen unterschiedlicher Bedeutungen in Kundenbeschwerden –, können durch sprachliche Anweisungen bearbeitet werden, ohne für jede mögliche Formulierung eine eigene Regel entwickeln zu müssen. Allerdings ist diese Flexibilität kein Freibrief. Ein Prompt garantiert weder eine korrekte Interpretation noch ein bestimmtes Ergebnis. Selbst bei identischen Eingaben können Antworten je nach Modell, Einstellungen und Kontext variieren. Und ein LLM kann Anweisungen missverstehen oder überzeugend formulierte Fehler produzieren.

Deshalb gilt: Prompt Engineering ersetzt die klassische Programmierung nicht. In professionellen Anwendungen ergänzen sich beide Ansätze. Das LLM übernimmt beispielsweise die sprachliche Analyse, während klassische Software Berechnungen ausführt, Berechtigungen prüft und verbindliche Geschäftsregeln durchsetzt.
 

Was einen guten Prompt ausmacht

Ein guter Prompt entsteht nicht dadurch, dass man möglichst viele Wörter verwendet. Entscheidend ist, die für die Aufgabe relevanten Informationen und Anforderungen klar zu vermitteln. In der Praxis haben sich mehrere Bausteine bewährt.

1. Rolle und Perspektive definieren

Das Modell sollte wissen, aus welcher fachlichen Perspektive es eine Aufgabe bearbeiten soll. Soll es wie ein Kreditrisikoanalyst, ein Compliance-Spezialist oder ein Kundenberater vorgehen? Eine solche Rollenbeschreibung kann die Auswahl und Gewichtung relevanter Informationen verbessern. Sie verleiht dem Modell allerdings keine tatsächliche Berufserfahrung oder besondere Befugnisse.

2. Kontext bereitstellen

Ein Auftrag ist nur so gut, wie die Informationen, auf denen er beruht. Wenn ein LLM eine interne Richtlinie bewerten soll, muss es Zugriff auf die relevante Richtlinie haben. Soll es eine Kundenbeschwerde analysieren, können frühere Korrespondenz und Informationen zum betreffenden Produkt erforderlich sein.

Dabei ist wichtig, zwischen dem allgemeinen Wissen des Modells und den konkret bereitgestellten Informationen zu unterscheiden. Das Modell kennt nicht automatisch die aktuellen internen Prozesse oder nicht öffentlichen Entscheidungen eines Finanzinstituts.

3. Ziel und Anforderungen präzisieren

„Analysiere den Vertrag“ ist eine andere Aufgabe als „Identifiziere Kündigungsfristen, Haftungsregelungen und Klauseln, die von unserer Standardvorlage abweichen“. Je klarer die Fragestellung, desto besser kann das Modell seine Aufmerksamkeit auf die relevanten Aspekte richten.

4. Das gewünschte Ergebnis festlegen

Soll die Antwort aus einer Management-Zusammenfassung, einer Tabelle, einer Risikoliste oder einem strukturierten Datenformat bestehen? Soll sie maximal eine Seite umfassen oder eine ausführliche Analyse liefern? Solche Vorgaben erleichtern die Weiterverwendung der Ergebnisse in bestehenden Arbeitsabläufen.

5. Grenzen und Umgang mit Unsicherheit definieren

Ein guter Prompt fordert das Modell nicht nur zu einer Antwort auf, sondern legt auch fest, wie es mit fehlenden Informationen umgehen soll. Es kann beispielsweise angewiesen werden, Annahmen kenntlich zu machen, Unsicherheiten zu benennen, Belege aus den bereitgestellten Dokumenten anzuführen und bei unzureichender Informationslage keine Schlussfolgerungen zu erfinden.

Gerade in der Finanzindustrie ist dieser Punkt entscheidend. Eine plausible Antwort ist noch keine belastbare Entscheidungsgrundlage.
 

Vom ersten Versuch zum professionellen Prompt

Prompt Engineering ist kein einmaliger Formulierungsakt, sondern häufig ein iterativer Prozess. Ein erster Prompt liefert einen Entwurf. Dieser wird anhand definierter Qualitätskriterien geprüft, anschließend verbessert und erneut getestet.

Nehmen wir die Analyse von Kundenbeschwerden in einer Versicherung. Ein erster Prompt könnte lediglich eine Zusammenfassung verlangen. In der nächsten Version werden zusätzlich Beschwerdegrund, betroffenes Produkt, mögliche Prozessmängel und offene Fragen erfasst. Eine weitere Iteration stellt sicher, dass die Ergebnisse einheitlich strukturiert sind und jede Zuordnung anhand des Originaltexts nachvollzogen werden kann.

Für den produktiven Einsatz genügt es allerdings nicht, einige besonders gute Antworten zu erzielen. Ein Prompt muss auch mit unterschiedlichen Fällen, ungewöhnlichen Formulierungen und unvollständigen Informationen zurechtkommen. Deshalb sollten Unternehmen repräsentative Testfälle, klare Bewertungskriterien und regelmäßige Qualitätskontrollen etablieren.

Dabei kann es sinnvoll sein, mehrere Prompts systematisch zu vergleichen und die Ergebnisse durch Fachleute bewerten zu lassen. Bei wiederkehrenden Aufgaben sollten bewährte Prompts versioniert, dokumentiert und kontrolliert weiterentwickelt werden. Änderungen am zugrunde liegenden Modell oder an den verfügbaren Daten können nämlich dazu führen, dass ein zuvor gut funktionierender Prompt neue Schwächen zeigt.
 

Warum Fachwissen und IT-Kompetenz zusammengehören

Wer Prompt Engineering als bloße Kunst des geschickten Formulierens betrachtet, unterschätzt die Anforderungen an professionelle KI-Anwendungen.

Ein guter Prompt muss nicht nur sprachlich präzise sein. Er muss die fachliche Aufgabe korrekt abbilden, relevante Ausnahmen berücksichtigen und ein Ergebnis erzeugen, das in den tatsächlichen Geschäftsprozess passt. Dazu braucht es ein Verständnis der eingesetzten Technologie ebenso wie fundiertes Wissen über die Finanzindustrie.

Ein IT-Spezialist kann beispielsweise wissen, wie sich Prompts strukturieren, Modelle testen und Datenquellen anbinden lassen. Ohne Kenntnis des Kreditprozesses erkennt er aber möglicherweise nicht, welche Informationen für eine belastbare Risikobewertung entscheidend sind oder welche Aussagen regulatorisch problematisch wären. Umgekehrt kennt ein erfahrener Banker oder Versicherungsmanager die fachlichen Anforderungen, muss aber nicht automatisch wissen, wie sich Aufgaben für ein LLM am besten strukturieren lassen, welche Modellgrenzen zu beachten sind oder wie die Qualität der Ergebnisse systematisch getestet werden kann.

Die besten Resultate entstehen deshalb durch interdisziplinäre Zusammenarbeit: Fachleute aus Risikomanagement, Compliance, Operations oder Kundenservice entwickeln gemeinsam mit KI- und IT-Spezialisten die Aufgabenbeschreibung, definieren Qualitätskriterien und überprüfen die Ergebnisse.

Bei anspruchsvollen Anwendungen kommen weitere Kompetenzen hinzu, etwa aus Datenschutz, Informationssicherheit, Modellrisikomanagement und Recht. Welche Anforderungen konkret gelten, hängt vom jeweiligen Anwendungsfall und den einschlägigen regulatorischen Vorgaben ab.

Fazit: Gute KI beginnt mit einem guten Auftrag

Large Language Models eröffnen Finanzinstituten die Möglichkeit, komplexe sprachliche Aufgaben flexibler zu bearbeiten als mit klassischen, ausschließlich regelbasierten Ansätzen. Doch die Leistungsfähigkeit eines Modells allein garantiert noch keinen geschäftlichen Nutzen.

Erst durch eine präzise Aufgabenstellung, den richtigen Kontext, klare Anforderungen und systematische Qualitätskontrollen wird aus allgemeiner Sprachkompetenz eine brauchbare Geschäftsanwendung.

Prompt Engineering ist daher mehr als die Kunst, die richtige Frage zu stellen. Es ist eine neue Disziplin an der Schnittstelle von Fachlichkeit, IT und Prozessgestaltung. Sie verlangt Menschen, die sowohl die Möglichkeiten und Grenzen der Technologie verstehen als auch wissen, worauf es im jeweiligen Finanzgeschäft ankommt.

Oder, um zur Analogie vom Anfang zurückzukehren: Auch ein hochqualifizierter Mitarbeiter kann nur dann hervorragende Arbeit leisten, wenn er einen klaren Auftrag, die richtigen Unterlagen und nachvollziehbare Qualitätsmaßstäbe erhält. Bei einem LLM ist das nicht anders – nur dass der Auftrag in natürlicher Sprache zugleich zu einem wichtigen Instrument der technischen Steuerung wird.

Lesen Sie weiter hier: Agentic KI - Wenn künstliche Intelligenz nicht nur antwortet, sondern handelt