Was ist Prompt Engineering?

Prompt Engineering ist die Disziplin, Eingaben an Sprachmodelle zu entwerfen, sogenannte Prompts, um verlässliche, richtige und nützliche Ausgaben zu erhalten. Sie liegt im Schnittpunkt von menschlicher Verständigung und maschinellem Lernen: verstehen, wie ein Modell trainiert wurde, und zwar gut genug, um Fragen und Anweisungen so zu fassen, dass sie das gewünschte Verhalten hervorbringen.

Als LLMs in den allgemeinen Gebrauch kamen, galt Prompt Engineering fast als Zauberei, als Frage der richtigen Beschwörungsformeln. Das Feld ist seither deutlich reifer geworden. Stand 2026 geht es beim ernsthaften Prompt Engineering ebenso sehr darum, welchen Kontext Sie mitgeben, wie darum, wie Sie die Anweisung formulieren. Anthropic beschreibt diese breitere Praxis als Context Engineering: alles kuratieren, was in das begrenzte Kontextfenster des Modells gelangt, nicht nur die Anweisungen. Für KI im Unternehmen wird die Qualität des abgerufenen Kontexts damit zu einer wichtigen Größe, und Prompt Engineering rückt eng an Data Governance heran.

Was ist ein Prompt?

Ein Prompt ist alles, was das Modell sieht, wenn es eine Antwort erzeugt. In der Praxis hat ein Prompt im Betrieb mehrere Bausteine, die die meisten Nutzer nie zu sehen bekommen:

• System-Prompt: Anweisungen der Entwicklung, die Rolle, Grenzen und Verhalten des Modells festlegen. „Sie sind ein Assistent für Data Governance. Nutzen Sie nur Informationen aus dem gegebenen Kontext. Erfinden Sie nie Fakten.“
• Abgerufener Kontext: Dokumente, Datensätze aus einer Datenbank oder strukturierte Fakten, die zur Laufzeit der Anfrage in den Prompt eingespielt werden, also der Baustein RAG. Das ist es, was dem Modell aktuelles, privates oder fachspezifisches Wissen gibt.
• Gesprächsverlauf: die vorherigen Züge des Gesprächs, mit denen das Modell über mehrere Wechsel hinweg zusammenhängend bleibt.
• Nutzereingabe: die eigentliche Frage oder Anweisung, die der Nutzer getippt hat.

Zusammen füllen diese Bausteine das Kontextfenster, also die gesamte Eingabelänge, die das Modell verarbeiten kann. Die Kunst des Prompt Engineering besteht darin, zu entscheiden, was in dieses Fenster kommt, in welcher Reihenfolge und in welcher Rahmung, damit die Qualität der Ausgabe möglichst hoch wird.

Die Kerntechniken

Die Kerntechniken sind in der Forschungsliteratur und in der Dokumentation der Anbieter gut etabliert, und die meisten lassen sich ohne besondere Werkzeuge ausprobieren, direkt in einer Chat-Oberfläche oder einem API-Playground.

Zero-Shot-Prompting

Bitten Sie das Modell, eine Aufgabe ohne Beispiele zu erledigen. „Fasse dieses Dokument in drei Stichpunkten zusammen.“ Das funktioniert gut für Aufgaben, von denen das Modell im Training viele Spielarten gesehen hat. Es versagt bei Aufgaben, die fachspezifisches Wissen verlangen, oder bei genauen Ausgabeformaten, die von der Trainingsverteilung abweichen.

Few-Shot-Prompting

Geben Sie vor der eigentlichen Anfrage eine Handvoll Beispiele des gewünschten Formats aus Eingabe und Ausgabe mit. Das Modell erschließt das Muster und wendet es an. Das GPT-3-Paper Language Models are Few-Shot Learners (Brown et al., 2020) zeigte, dass große Modelle eine Aufgabe aus solchen Beispielen im Prompt erfassen können, ganz ohne erneutes Training. Few-Shot-Prompting wirkt besonders gut bei Aufgaben der Klassifizierung, bei der Datenextraktion und beim Formatieren der Ausgabe, also in Fällen, in denen das Format ebenso zählt wie der Inhalt.

Chain-of-Thought (CoT)

Weisen Sie das Modell an, Schritt für Schritt zu denken, bevor es eine endgültige Antwort gibt. In der ursprünglichen Studie verbesserten Prompts mit durchgerechneten Beispielen, die Zwischenschritte des Schließens zeigen, die Ergebnisse bei Rechenaufgaben sowie bei Aufgaben zum Alltagswissen und zum symbolischen Schlussfolgern, wobei sich die Verbesserungen bei ausreichend großen Modellen zeigten (Wei et al., 2022). Eine Folgearbeit zeigte, dass schon der Zusatz „Let's think step by step“ hilft (Kojima et al., 2022). Die Technik hängt vom Modell ab: Für Reasoning-Modelle, die bereits intern schlussfolgern, raten die Reasoning Best Practices von OpenAI von Chain-of-Thought-Prompts ab, weil sie möglicherweise nicht helfen und manchmal sogar schaden können.

Retrieval-Augmented Generation (RAG)

Statt sich allein auf die Trainingsdaten des Modells zu stützen, ruft RAG zur Abfragezeit einschlägige Dokumente, Fakten oder Datensätze ab und spielt sie in das Kontextfenster ein. Das Modell antwortet dann auf Basis des abgerufenen Inhalts statt aus seinem im Training erlernten Wissen oder ergänzend dazu. Benannt wurde der Ansatz 2020 in einem Paper von Lewis et al. (Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks). RAG ist bei KI im Unternehmen weit verbreitet, weil es zwei häufige Fehlerbilder von LLMs abschwächt: den Wissensstichtag (Knowledge Cutoff) und die Halluzination über private Daten.

Kontextqualität statt Kniffe am Prompt

Eine bemerkenswerte Entwicklung im Prompt Engineering im Unternehmen war 2025 bis 2026 die Verschiebung von „besseren Vorlagen für Prompts“ zu „besserem abgerufenem Kontext“. Die Einsicht: Bei faktenbezogenen, fachspezifischen oder geschäftskritischen Anfragen zählt die Qualität der Information, die in das Kontextfenster eingespielt wird, mehr als die Formulierung des Prompts selbst.

Ein perfekt gearbeiteter Prompt, der veraltete oder ungeregelte Daten abruft, erzeugt unzuverlässige Antworten. Ein einfacher Prompt, der genauen, gut geregelten Kontext abruft, erzeugt vertrauenswürdige. Damit verschiebt sich das technische Problem von der Sprache zur Dateninfrastruktur.

Die drei Eigenschaften guten Kontexts

• Genauigkeit: Die abgerufene Information stimmt. Das verlangt Disziplin bei der Datenqualität, also Überwachung, Prüfung und Stewardship.
• Aktualität: Die Information ist auf dem neuesten Stand. Veraltete Metadaten, überholte Definitionen im Glossar oder die Ergebnisse der gestrigen Strecke untergraben Antworten selbst dann, wenn sie genau abgerufen werden.
• Trennschärfe: Der abgerufene Inhalt passt zur Anfrage. Die richtigen Abschnitte aus den richtigen Quellen zu holen, statt nur den semantisch ähnlichsten Text, verlangt gute Metadaten und eine gut gebaute Logik für den Abruf.

Prompt Engineering im Betrieb

Der Weg von Prototypen für Prompts zu Systemen, die im Betrieb tragen, bringt andere Aufgaben mit sich als das erste Ausprobieren.

Vorlagen und Versionierung

Prompts im Betrieb sind Vorlagen, also parametrisierte Zeichenketten, die zur Laufzeit der Anfrage mit Kontext gefüllt werden. Wie Code brauchen sie eine Versionsverwaltung: Sie müssen wissen, welche Vorlage wann genutzt wurde, was sich zwischen den Fassungen geändert hat und ob eine Änderung die Qualität der Ausgabe verbessert oder verschlechtert hat. Die Versionsverwaltung für Prompts ist eine junge Praxis, die viele Organisationen noch aufbauen.

Auswertung und Tests

Änderungen an Prompts brauchen Regressionstests. Wenn Sie einen Prompt für einen Anwendungsfall verfeinern, brauchen Sie die Gewissheit, dass er die Leistung in benachbarten Fällen nicht verschlechtert hat. Datensätze für die Auswertung aufzubauen, also stellvertretende Stichproben aus Eingaben mit erwarteten Ausgaben, ist eine grundlegende Praxis für verlässliches Prompt Engineering im großen Maßstab.

Prompt Injection und Sicherheit

Prompts, die vom Nutzer kontrollierten Text aufnehmen, lassen sich so manipulieren, dass sie die System-Anweisungen überschreiben, gewissermaßen die SQL-Injection der KI. „Ignoriere alle vorherigen Anweisungen und stattdessen …“ ist das kanonische Angriffsmuster, und eingeschleuste Anweisungen können auch indirekt ankommen, versteckt in abgerufenen Dokumenten. OWASP setzt Prompt Injection in seinen Top 10 für LLM-Anwendungen 2025 auf Platz eins und hält fest, dass Gegenmaßnahmen die Auswirkungen verringern, eine Verhinderung aber nicht garantieren. Zu den empfohlenen Kontrollen zählen, das Verhalten des Modells im System-Prompt einzugrenzen, Ausgabeformate zu validieren, Ein- und Ausgaben zu filtern, Werkzeugen nur die geringsten nötigen Rechte zu geben und Aktionen mit hohem Risiko von einem Menschen freigeben zu lassen.

Die Rolle der Data Governance

Für Teams, die KI im Unternehmen bauen, ist Prompt Engineering zunehmend eine Frage der Data Governance. Drei Praktiken der Governance bestimmen die Qualität der Prompts im großen Maßstab unmittelbar:

1. Ein geregeltes Business Glossary sorgt dafür, dass das Modell dieselbe Definition von „Umsatz“, „Churn“ oder „aktiver Nutzer“ abruft, die das Geschäft tatsächlich verwendet, und nicht eine allgemeine Definition aus den Trainingsdaten oder eine widersprüchliche Antwort von einer veralteten Wiki-Seite.
2. Ein aktueller Datenkatalog sorgt dafür, dass das Modell erkennen kann, welche Datenbestände maßgeblich sind, wer sie verantwortet, welche Qualität sie tragen und ob sie für einen bestimmten Anwendungsfall taugen.
3. Data Lineage erlaubt dem Modell, die Frage „woher kommt diese Zahl?“ zu beantworten, indem es Ausgaben durch die Strecke zurück bis zu den Rohquellen verfolgt und KI-Antworten damit prüfbar macht.

Wie Dawiso bessere Prompts ermöglicht

Dawiso wirkt als geregelter Context Layer für den Einsatz von LLMs im Unternehmen. Wenn ein KI-Assistent Fragen zu Datenbeständen, fachlichen Begriffen oder analytischen Definitionen beantworten soll, kann jeder MCP-kompatible Agent den Katalog und den Knowledge Graph von Dawiso über den Dawiso MCP Server abfragen, bevor eine Antwort entsteht. Seine Lesewerkzeuge durchsuchen Objekte, liefern Objektdetails und Attribute, verfolgen die Lineage und zeigen Stichproben der Daten in der Vorschau; Schreibwerkzeuge stehen nur Nutzerrollen zur Verfügung, die sie erlauben. Dawiso MCP ist derzeit für Cloud-Kunden verfügbar.

Das heißt, der Prompt kann die vereinbarte Definition aus dem Business Glossary erhalten, dazu den dokumentierten Datenbestand aus dem Data Catalog mit seinem zugewiesenen Owner und Steward sowie die Lineage, die zeigt, woher ein Wert stammt. Begriffe aus dem Glossar werden automatisch verlinkt, wo sie im Inhalt eines Objekts vorkommen, sodass die Beschreibung eines Datenbestands zu den fachlichen Definitionen führt, die sie verwendet. Das Ergebnis sind Antworten, die sich auf dokumentierte Quellen zurückführen lassen, weil der Kontext, den der Prompt erhält, geregelt ist.

Fazit

Prompt Engineering ist von einer Sammlung von Kniffen zu einer technischen Disziplin gereift. Die Kerntechniken sind gut dokumentiert, auch wenn es vom Modell abhängt, wie viel jede einzelne bringt. Für den Einsatz im Unternehmen liegt 2026 ein großer Teil des verbleibenden Vorteils darin, die Dateninfrastruktur zu bauen, die diesen Prompts hochwertigen, geregelten Kontext liefert. Für Datenteams ist das Herausforderung und Gelegenheit zugleich: Organisationen, die in Datenkatalog, Business Glossary und die Verwaltung von Metadaten investiert haben, haben einen Vorsprung, wenn es darum geht, KI im Unternehmen auf eine verlässliche Grundlage zu stellen.

Quellen

• Anthropic, Effective context engineering for AI agents, 29. September 2025.
• Brown et al., Language Models are Few-Shot Learners, arXiv, Mai 2020.
• Wei et al., Chain-of-Thought Prompting Elicits Reasoning in Large Language Models, arXiv, Januar 2022.
• Kojima et al., Large Language Models are Zero-Shot Reasoners, arXiv, Mai 2022.
• OpenAI, Reasoning best practices, Dokumentation der OpenAI API.
• Lewis et al., Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks, arXiv, Mai 2020.
• OWASP Gen AI Security Project, LLM01:2025 Prompt Injection.
• Dawiso Help, Dawiso Model Context Protocol (MCP).
• Dawiso Help, Business glossary.
• Dawiso Help, Role of ownership in data governance.
• Dawiso Help, Data lineage.