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. Im Jahr 2026 geht es beim ernsthaften Prompt Engineering ebenso sehr darum, welchen Kontext Sie mitgeben, wie darum, wie Sie die Anweisung formulieren. Die Techniken haben sich gefestigt, die Qualität des abgerufenen Kontexts ist zur beherrschenden Größe geworden, und Organisationen, die verlässliche KI-Systeme bauen, haben erkannt, dass Prompt Engineering von Data Governance nicht zu trennen ist.

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 gut etabliert und verlangen keine ausgefeilten Werkzeuge, sie lassen sich in jeder Oberfläche für ein LLM unmittelbar erproben.

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 zwei bis fünf Beispiele des gewünschten Formats aus Eingabe und Ausgabe mit. Das Modell erschließt das Muster und wendet es an. Few-Shot-Prompting wirkt besonders gut bei Aufgaben der Klassifizierung, beim Herausziehen von Daten 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. „Lass uns das Schritt für Schritt durchdenken …“ Chain-of-Thought verbessert die Leistung bei mehrstufigem Schließen, bei Rechenaufgaben und bei logischer Ableitung durchgehend. Der Gewinn entsteht daraus, dass das Modell sein Schließen nach außen legen muss: Zwischenschritte werden sichtbar, die es sonst überspringen oder verkürzen würde, was Fehler in der Endantwort erzeugt.

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 allein aus seinem gespeicherten Wissen, oder zusätzlich dazu. RAG ist zum vorherrschenden Muster für Prompts im Unternehmen geworden, weil es die zwei größten Ausfallarten von LLMs angeht: den Wissensschnitt und die Halluzination über private Daten.

Kontextqualität statt Kniffe am Prompt

Die wichtigste Entwicklung im Prompt Engineering im Unternehmen war 2025 bis 2026 die Verschiebung von „besseren Vorlagen für Prompts“ zu „besserem abgerufenem Kontext“. Die Einsicht: Bei sachlichen, 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 die meisten 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 Anweisungen des Systems überschreiben, das Gegenstück zur SQL-Injection in der KI. „Ignoriere alle vorherigen Anweisungen und stattdessen …“ ist das kanonische Angriffsmuster. Prompt Engineering im Betrieb umfasst das Säubern der Eingaben, das Filtern der Ausgaben und bauliche Kontrollen, die begrenzen, worauf vom Nutzer kontrollierter Text überhaupt wirken kann.

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 er den Knowledge Graph von Dawiso über den Dawiso MCP Server abfragen und sich genauen, versionierten Kontext holen, bevor er eine Antwort erzeugt.

Das heißt, der Prompt erhält: die maßgebliche Definition aus dem Business Glossary, den maßgeblichen Datenbestand aus dem Data Catalog, die Metadaten zu Verantwortung und Qualität an jedem Bestand und die Lineage, die zeigt, wie errechnete Werte zustande kamen. Das Ergebnis sind Prompts, die vertrauenswürdige, prüfbare Antworten hervorbringen, nicht weil die Vorlage des Prompts clever ist, sondern weil der Kontext, den sie bekommt, geregelt ist.

Fazit

Prompt Engineering ist von einer Sammlung von Kniffen zu einer technischen Disziplin gereift. Die Kerntechniken stehen. Der Vorsprung liegt 2026 nicht darin, kreativere Prompts zu formulieren, sondern darin, die Dateninfrastruktur zu bauen, die diesen Prompts hochwertigen, geregelten Kontext liefert. Für Datenteams ist das Herausforderung und Gelegenheit zugleich: Die Organisationen, die in Datenkatalog, Business Glossary und die Verwaltung von Metadaten investiert haben, liegen im Rennen um KI im Unternehmen bereits vorn, ob sie es wissen oder nicht.