Black Belt Prompting: Ein Leitfaden für gute Prompts

Prompten ja — aber warum und wie? Eine Künstliche Intelligenz (KI) ist nur so gut wie die Anweisungen, die du ihr gibst. Daher geht ohne Prompten gar nichts. Das wäre ja, als würdest du in einem Lamborghini sitzen und nicht auf das Gaspedal treten. Aber wie promptet man richtig? Wenn du mit KI arbeitest, musst du ihr klare Anweisungen geben. Nur so kannst du die gewünschten Ergebnisse erzielen – präzise, effizient und mit maximalem Nutzen.

1. BlackBelt
Prompting

2. Copyright © 2025Eldar Sultanow. Alle Rechte vorbehalten.
Dieses Dokument ist mit L
ATEX erstellt.
Teile es gerne weiter – aber bitte unverändert und mit Quellenangabe.
Die im Buch verwendeten Namen, Bezeichnungen, Symbole, Logos und
Grafiken können Markennamen oder Warenzeichen sein, die rechtlichen
Eigentümern gehören. Die Rechte aller erwähnten und verwendeten Mar-
kennamen und Warenzeichen liegen ausschließlich bei deren Inhabern.
Version vom 31.08.2025 10:23

3. Inhalt
Vorwort 5
Grundlegendes 6
Elemente eines Prompts. . . . . . . . . . . . . . . . . . . . . .6
Anweisung. . . . . . . . . . . . . . . . . . . . . . . . . . .7
Nutzlast. . . . . . . . . . . . . . . . . . . . . . . . . . . . .7
Kontext. . . . . . . . . . . . . . . . . . . . . . . . . . . . .7
Ausgabe-Richtlinien. . . . . . . . . . . . . . . . . . . . . .7
Prompt-Zusätze. . . . . . . . . . . . . . . . . . . . . . . .8
Induktive vs. deduktive Prompts 9
Chain-of-Thought-Prompting 10
Dos and Don’ts 12
KI̸=Mensch. . . . . . . . . . . . . . . . . . . . . . . . . .12
Vermischung von Sprachen. . . . . . . . . . . . . . . . . .12
Mehrere Fragen auf einmal. . . . . . . . . . . . . . . . . .12
Fehlerhafte Syntax oder Grammatik. . . . . . . . . . . . .13
Obskure oder esoterische Themen. . . . . . . . . . . . . .13
Unklares Zielpublikum. . . . . . . . . . . . . . . . . . . .13
Nicht spezifizierter Grad an Fachwissen. . . . . . . . . . .14
Frage nach medizinischer Diagnose oder Behandlungsplan14
Krisenintervention oder psychologische Hilfe. . . . . . . .14
Frameworks 15
APE –Action, Purpose, Expectation. . . . . . . . . . . . . . . . .15
ERA –Expectation, Role, Action. . . . . . . . . . . . . . . . . . .16
TAG –Task, Audience, Goal. . . . . . . . . . . . . . . . . . . . .16
RACE –Role, Action, Context, Execute. . . . . . . . . . . . . . .17
CARE –Context, Action, Result, Example. . . . . . . . . . . . . .18
COAST –Context, Objective, Actions, Scenario, Task. . . . . . .19
RISEN –Role, Input, Steps, Expectation, Narrowing. . . . . . . .20
TRACE –Task, Request, Action, Context, Example. . . . . . . . .21
ROSES –Role, Objective, Scenario, Expected Solution, Steps. .22
Weitere Frameworks. . . . . . . . . . . . . . . . . . . . . . . . .23
3

4. 4 INHALT
Tools 24
ChatGPT. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .24
Gemini. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .25
Replicate. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .27
Perplexity Labs. . . . . . . . . . . . . . . . . . . . . . . . . . . .27
HuggingChat. . . . . . . . . . . . . . . . . . . . . . . . . . . . .29

5. Vorwort
Prompten ja — aber warum und wie? Eine Künstliche Intelligenz (KI) ist
nur so gut wie die Anweisungen, die du ihr gibst. Daher geht ohne Promp-
ten gar nichts. Das wäre ja, als würdest du in einem Lamborghini sitzen
und nicht auf das Gaspedal treten. Aber wie promptet man richtig? Wenn
du mit KI arbeitest, musst du ihr klare Anweisungen geben. Nur so kannst
du die gewünschten Ergebnisse erzielen – präzise, effizient und mit ma-
ximalem Nutzen.
Genau dafür gibt es bewährte Prompting-Frameworks wie ERA (Ex-
pectation, Role, Action) oder TAG (Task, Audience, Goal), die dir eine struk-
turierte Herangehensweise ermöglichen. Diese Frameworks helfen dir,
deine Prompts gezielt zu formulieren, um die bestmöglichen Antworten
von der KI zu erhalten.
Und das Beste: Diese Techniken funktionieren nicht nur mit ChatGPT.
Auch Modelle wie Gemini, LLaMA oder Claude profitieren von einer kla-
ren und effektiven Prompt-Gestaltung. Die Prinzipien des guten Promp-
tings sind universell – egal welches Modell du nutzt.
In diesem Leitfaden wirst du lernen, wie du aus generativen KI-Modellen
das Beste herausholst. Ob für Texte, Bilder oder Code – mit den richtigen
Prompts steuerst du die KI präzise in die gewünschte Richtung. Lass uns
gemeinsam die Kunst des Promptens meistern!
5

6. Grundlegendes
Was ist Prompting überhaupt? Prompting ist die Kunst, einer KI klare und
gezielte Anweisungen zu geben. Ein Prompt ist dabei nichts anderes als
eine Eingabe oder Frage, mit der du das Modell steuerst und ihm sagst,
was es tun soll. Die Qualität des Prompts entscheidet maßgeblich über
die Qualität der Antwort. Ein präziser, gut durchdachter Prompt liefert
bessere und relevantere Ergebnisse als eine vage oder unstrukturierte
Anfrage. Aber nicht nur der Prompt entscheidet über die Ergebnisqua-
lität. Auch Modellparameter und zusätzlich eingebrachtes Wissen (Aug-
mentierung des Sprachmodells) spielen eine wichtige Rolle.
Hinter einem Prompt steckt eine Sprachverarbeitung. Moderne KI-
Modelle wurden mit riesigen Mengen an Textdaten trainiert und erken-
nen Muster in der Sprache. Sie verarbeiten Prompts, indem sie Vorher-
sagen darüber treffen, welche Worte oder Inhalte am wahrscheinlichsten
auf die Eingabe folgen. Dabei greifen sie auf Wahrscheinlichkeitsvertei-
lungen zurück: Sie bewerten eine Vielzahl möglicher Antworten und wäh-
len jene aus, die am besten zum Kontext passen. Je klarer und spezifi-
scher ein Prompt ist, desto präziser kann die KI relevante Informationen
liefern.
Prompting ist nicht notwendigerweise ein einmaliger Prozess — es
erfordert manchmal Anpassung und Verfeinerung. Ein erster Versuch
liefert möglicherweise nicht das gewünschte Ergebnis, doch durch schritt-
weises Optimieren des Prompts verbesserst du die Resultate.
Elemente eines Prompts
Ein effektiver Prompt besteht aus mehreren klar definierten Elementen,
die für ein strukturiertes und zielgerichtetes Ergebnis unabdingbar sind.
Es sind vier zentrale Bausteine, die einen Prompt ausmachen und im
Folgenden näher erläutert werden [1]: Anweisung, Nutzlast, Kontext und
Ausgabe-Richtlinien.
6

7. ELEMENTE EINES PROMPTS 7
Anweisung
Die Anweisung definiert, was die KI tun soll. Sie sollte klar und präzise
formuliert sein, um Missverständnisse zu vermeiden. Eine gute Anwei-
sung gibt der KI eine spezifische Aufgabe, beispielsweise „Erkläre die
Vorteile von KI im Mittelstand in drei Sätzen.“
Nutzlast
Die Nutzlast enthält die inhaltlichen Informationen, die für die Bearbei-
tung des Prompts relevant sind. Das können Zahlen, Fakten oder be-
stimmte Daten sein, die in die Antwort einfließen sollen. Ein Beispiel ist
„Hier sind einige Daten zur Nutzung von KI in Unternehmen: 72% der
Firmen haben KI bereits implementiert, 45% berichten von Effizienzstei-
gerungen.“
Kontext
KI-Modelle analysieren nicht nur einzelne Wörter, sondern berücksichti-
gen den ganzen Zusammenhang einer Anfrage. Ein mehrdeutiger Prompt
führt zu vagen oder unerwarteten Antworten. Ein spezifischer Prompt er-
möglicht gezielte und konsistente Ergebnisse. Die Reihenfolge der Infor-
mationen beeinflusst, wie die KI den Prompt versteht. Der Kontext kann
bestehendes Wissen, Rahmenbedingungen oder eine spezifische Per-
spektive umfassen. Ein Beispiel wäre „Du bist ein Unternehmensberater
mit Schwerpunkt auf digitale Transformation.“
Ausgabe-Richtlinien
Die Ausgabe-Richtlinien geben vor, in welcher Form die KI die Antwort
liefern soll. Dazu gehören:
•Sprache und Tonfall (formell/informell)
•Format (Liste, Absatz, Stichpunkte)
•Länge der Antwort

8. 8 GRUNDLEGENDES
Ein vollständiger Prompt könnte also folgendermaßen lauten:
„Du bist ein Unternehmensberater mit Schwerpunkt auf digitale Trans-
formation. Erkläre die Vorteile von KI im Mittelstand in drei Sätzen. Hier
sind einige Daten: 72% der Firmen haben KI bereits implementiert, 45%
berichten von Effizienzsteigerungen. Formuliere die Antwort in klaren
Stichpunkten.“
Prompt-Zusätze
Prompt-Zusätze können einen geheimen Boost für bessere Ergebnisse
darstellen. Die Idee dabei ist, am Ende eines Prompts eine verdammt
gute Zusatzfrage zu stellen. Nicht irgendeine. Sondern eine, die die KI
zwingt, „nachzudenken“. Folgende universell einsetzbare Prompt-Zusätze
kannst du fast an jedem Prompt anhängen und wirken wie ein Turbo für
Klarheit, Tiefe und Präzision [2]:
Kontextturbo:Stelle mir fünf Folgefragen, deren Antworten dir helfen wer-
den, die Antwort signifikant zu verbessern.
Experte:Was würden die Top 1% der Experten in diesem Themenfeld über
deine Antwort denken? Nutze relevante Frameworks, um Optimierungen zu
evaluieren und vorzuschlagen.
Challenger:Fordere meine Annahmen heraus und hilf mir, dieses Problem
aus einer neuen Perspektive zu durchdenken.
Evidenzlieferant:Belege die Hauptaussage mit mindestens einer zuver-
lässigen Quelle und einem belastbaren Realbeispiel, damit ich die Aussage
nachvollziehen kann.
Endanwender-Test:Versetze dich in einen kritischen Leser/Zuhörer. Wel-
che Fragen oder Einwände hätte er? Ergänze deine Antwort um kurze Reak-
tionen auf diese möglichen Rückfragen.

9. Induktivevs.deduktivePrompts
Beim Prompting gibt es zwei grundsätzliche Herangehensweisen [3]: den
induktiven Ansatz („Super Prompt“) und den deduktiven Ansatz („Chao-
tische Professor-Methode“). Diese Methoden lassen sich gut mit einer
Golf-Metapher erklären.
Beim induktiven Prompting geht es darum, direkt mit einem durch-
dachten, präzisen Prompt das gewünschte Ergebnis zu erzielen – wie ein
Golfer, der den Ball mit einem einzigen Schlag ins Loch befördert. Dazu
brauchst du:
•ein klares Ziel von Anfang an.
•einen detaillierten, gut strukturierten Prompt.
•den Kontext, damit die KI die bestmögliche Antwort liefern kann.
•Tests und Optimierungen für konstante Qualität.
Der deduktive Ansatz ist eher explorativ – vergleichbar mit einem Gol-
fer, der den Ball mit mehreren Schlägen ins Loch bringt. Dabei gehst du
iterativ vor:
•Du startest mit einer allgemeinen Frage oder Idee.
•Erste KI-Antworten dienen als Ausgangspunkt für weitere Fragen.
•Durch sukzessive Verfeinerung wird das Ergebnis immer genauer.
•Erkenntnisse fließen in die Folgefragen ein.
Beide Ansätze haben ihre Berechtigung: Der induktive Ansatz eignet
sich besonders für strukturierte Aufgaben mit klarem Ziel, während der
deduktive Ansatz hilfreich ist, wenn es um kreative oder explorative Pro-
zesse geht.
9

10. Chain-of-Thought-Prompting
Chain-of-Thought-Prompting ist eine besondere Methode, mit der du dem
Sprachmodell, ähnlich wie im Gespräch mit einem Schüler, das „laute
Denken“ beibringst. Du zeigst dem Sprachmodell, wie der Weg zur Lö-
sung aussieht, und zwar Schritt für Schritt. Statt einfach nur ein Ergebnis
auszuspucken, soll es dir seinen Denkprozess offenlegen. So erkennst
du, ob der Weg (und nicht nur das Ziel) richtig war.
Du bringst dem Modell bei, nicht zu raten, sondern zu überlegen und
überträgst ihm dabei, wie im Folgenden gezeigt, deine eigene Gedanken-
kette wie einen roten Faden [4].
Beispiel:
Subtrahiert man die kleinste Zahl von der größten in dieser
Gruppe, erhält man eine gerade Zahl: 5, 8, 9. Die Antwort: Sub-
trahiert man 5 von 9, erhält man 4. Die Antwort istwahr.
Subtrahiert man die kleinste Zahl von der größten in dieser
Gruppe, erhält man eine gerade Zahl: 10, 15, 20. Die Antwort:
Subtrahiert man 10 von 20, erhält man 10. Die Antwort istwahr.
Subtrahiert man die kleinste Zahl von der größten in dieser
Gruppe, erhält man eine gerade Zahl: 7, 12, 15. Antwort:?
Wenn du das Modell so promptest, beginnt es, wie ein Mensch zu den-
ken und arbeitet die Gedankenkette Schritt für Schritt ab. Und genau dar-
um geht es beim Chain-of-Thought-Prompting: Du machst die Blackbox
transparent. Du baust eine Gedankenbrücke, auf der du mitgehen kannst.
So erkennst du unmittelbar die Logik, Fehler oder eben Unsinn, der im
Schlimmstfall auftreten kann.
Das kleine Zahlengruppen-Beispiel ist simpel (dafür aber illustrativ)
und moderne Sprachmodelle lösen selbstverständlich solche einfachen
Aufgaben problemlos auch ohne Chain-of-Thought-Prompting. Beson-
ders gut eignet sich diese Methode immer dann, wenn komplexere Re-
chenwege, Entscheidungslogiken oder Textanalysen gefragt sind. Klassi-
10

11. 11
sche Beispiele sind Matheaufgaben, logische Schlussfolgerungen, Text-
verständnis oder auch juristische Bewertungen mit vielen „Wenn–dann“-
Abhängigkeiten. Chain-of-Thought funktioniert hier wie ein Navigations-
system: Statt einfach das Ziel zu nennen, beschreibt es dir den ganzen
Weg dorthin. Das macht dein Ergebnis nicht nur nachvollziehbarer, son-
dern auch robuster gegenüber Fehlern.
Weniger geeignet ist die Methode bei einfachen Aufgaben, die auf ei-
ne klare, schnelle Antwort abzielen. Wenn du zum Beispiel nur einen
Begriff übersetzen, einen Namen erkennen oder eine Zahl extrahieren
willst, wäre eine lange Gedankenkette unnötiger Ballast. Auch in krea-
tiven Schreibaufgaben, bei denen es auf Flow und Stil ankommt, kann
Chain-of-Thought die Sprache zu technisch und holprig machen. Hier
willst du ja keinen „Rechenweg“.
Nutze Chain-of-Thought-Promting also gezielt: immer dann, wenn
Struktur und Nachvollziehbarkeit gefragt sind. Und verzichte bewusst
darauf, wenn es um Geschwindigkeit, Eleganz oder kreative Freiheit geht.

12. DosandDon’ts
Effektives Prompting erfordert Klarheit, Struktur und ein Verständnis da-
für, wie KI-Modelle auf Eingaben reagieren. Es gibt eine Reihe von Dos
and Don’ts, die die nachfolgenden Beispiele aus dem Buch „ChatGPT
Prompting Mistakes That are Killing Your Productivity“ von Cea West [5]
deutlich machen.
KI̸=Mensch
Wir müssen immer im Auge behalten, KI nicht als Mensch zu betrachten.
Eine vage Frage wie „Was denken die Leute über mein Unternehmen?“ ist
schwer zu beantworten. Eine bessere Formulierung könnte lauten: „Ba-
sierend auf verfügbaren Daten, was sind die allgemeinen Wahrnehmun-
gen über mein Unternehmen? Bitte gib Einblicke in Kundenrezensionen
und Feedback.“
Vermischung von Sprachen
Ein weiteres Problem ist die Vermischung von Sprachen innerhalb eines
Prompts. Ein Beispiel für einen schlechten Prompt ist „¿Cómo se dice
’hello’ en French?“. Eine klarere und verständlichere Alternative wäre
„Wie lautet die französische Übersetzung für ’hallo’? Bitte gib auch die
Aussprache an.“
Mehrere Fragen auf einmal
Häufige Fehler entstehen, wenn ein Prompt mehrere Fragen vermischt.
Statt allgemeiner, unpräziser Anfragen solltest du deine Prompts auf
einzelne Aspekte fokussieren. Zum Beispiel führt die Frage „Kannst du
mir Tipps zur Senkung der Energiekosten und zur Verbesserung der In-
nenraumluftqualität in meinem Haus geben?“ möglicherweise zu einer
unklaren Antwort. Besser wäre „Welche wirksamen Strategien gibt es
zur Senkung der Energiekosten in meinem Haus? Welche Möglichkeiten
gibt es, die Luftqualität in Innenräumen zu verbessern?“
12

13. 13
Fehlerhafte Syntax oder Grammatik
Auch Grammatik und Syntax spielen eine Rolle, obwohl etablierte Sprach-
modelle aufgrund ihrer ständigen Optimierung mittlerweile mit Syntax-
und Grammatikfehlern sehr gut umgehen können. Eine unstrukturier-
te Anfrage wie „Was snd besten Praktiken 4 Marketing auf ig“ ist für ein
KI-Modell schwer zu interpretieren. Eine präzisere Version wie „Was sind
die besten Methoden für das Marketing auf Instagram? Bitte gib Einblicke
auf der Grundlage verfügbarer Daten und Untersuchungen.“ ist deutlich
vielversprechender.
Obskure oder esoterische Themen
Ein weiterer Stolperstein sind obskure oder esoterische Themen. Unkla-
re Fragen wie „Was ist die Geschichte der seltensten Schmetterlings-
art der Welt?“ kann die KI vor Probleme stellen, wenn nur wenige oder
keine Daten dazu existieren. Ein besserer Ansatz wäre: „Kannst du mir
allgemeine Informationen über die SchmetterlingsartCyclargus thoma-
si bethunebakerigeben? Wenn du nicht über ausreichende Informationen
verfügst, schlage mir bitte andere Quellen vor, die ich konsultieren kann.“
Unklares Zielpublikum
Eine unklare Zielgruppenansprache im Prompt ist ebenfalls Urasache für
unbrauchbare Ergebnisse. Eine allgemeine Anweisung wie „Schreibe ei-
nen Artikel über unser Produkt.“ liefert womöglich einen Text, der den
gewollten Zweck nicht erfüllt. Eine deutlich bessere Variante dagegen
ist „Schreibe einen Artikel über unser Produkt, der sich anEinsteiger im
Online-Marketingrichtet und eineeinfache und verständliche Sprache so-
wie einen freundlichen, motivierenden Tonverwendet. Bitte stellen Sie si-
cher, dass der von der KI generierte Inhalt für die Zielgruppe angemes-
sen und relevant ist.“

14. 14 DOS AND DON’TS
Nicht spezifizierter Grad an Fachwissen
Ein weiterer wichtiger Aspekt ist die Spezifikation des eigenen Fachwis-
sens. Eine allgemeine Frage wie „Erzähl mir etwas über Quantenphysik.“
führt eventuell zu einer oberflächlichen oder zu komplexen Antwort. Eine
bessere Formulierung wäre zum Beispiel „Ich bin Anfänger auf dem Ge-
biet der Quantenphysik. Gib mir einen kurzen Überblick über die Grund-
lagen und verwende eine einfache Sprache, damit ich das Thema besser
verstehe.“
Frage nach medizinischer Diagnose oder Behandlungsplan
Ebenso problematisch sind Anfragen nach medizinischen Diagnosen oder
Behandlungen. Eine vage Frage wie „Was ist die beste Behandlung von
Migräne?“ kann zu unzuverlässigen Antworten führen. Eine bessere Vari-
ante wäre: „Welche Behandlungsmöglichkeiten gibt es für Migräne? Bitte
gib allgemeine Informationen und keine medizinischen Ratschläge.“
Krisenintervention oder psychologische Hilfe
Besonders heikel sind auch Anfragen zu sensiblen Themen wie psycholo-
gische Hilfe. Ein ungeeigneter Prompt wäre: „Ich bin deprimiert. Bitte hilf
mir!“ Da KI-Modelle keine psychologische oder medizinische Beratung
leisten können, sollte die Anfrage besser umformuliert werden zu „Wel-
che Ressourcen gibt es für Menschen, die mit Depressionen zu kämpfen
haben, und kannst du Quellen für diese Informationen angeben? Bitte
stell sicher, dass der KI-generierte Inhalt keine medizinischen Ratschlä-
ge enthält.“
Ausnahmen sind künstliche Empathie-Systeme wiehope.humanaize.ai,
die Ausgangspunkt für eine erste anonyme psychologische Hilfe sein kön-
nen.

15. Frameworks
Damit du aus Tools wie ChatGPT das Beste herausholst, brauchst du kla-
re und strukturierte Prompts. In diesem Kapitel zeige ich dir neun be-
währte Prompting-Frameworks — APE, ERA, TAG, RACE, CARE, COAST,
RISEN, TRACE, ROSES — und wie du sie gezielt für deine Zwecke einset-
zen kannst. Diese Frameworks sind ein sehr guter Einstieg ins Prompting
und eignen sich für unterschiedliche Anwendungsgebiete –– egal ob es
um Angebote, Werbung oder Kundenkommunikation geht. Weitere Infor-
mationen zu diesen Frameworks findest du online [6,7,8,9,10,11,12,
13].
APE –Action, Purpose, Expectation
Das APE-Framework eignet sich hervorragend, wenn du der KI eine klare
Aufgabe geben willst, die auf ein bestimmtes Ziel ausgerichtet ist. Es ist
ideal, um (ohne unnötige Details oder Umwege) präzise Ergebnisse zu
erzielen. Es funktioniert besonders gut bei Aufgaben mit einem klaren
Fokus. Seine Stärke liegt in der Einfachheit, während es weniger geeignet
ist, wenn du eine tiefere Kontextanalyse benötigst.
•Action: Beschreibe, was die KI tun soll.
•Purpose: Erkläre, warum die Aufgabe wichtig ist oder welches Ziel
du erreichen möchtest.
•Expectation: Definiere, welches konkrete Ergebnis du erwartest.
Beispiel:
Erstelle eine Social-Media-Anzeige für einen SHK-Betrieb (Ac-
tion). Ziel ist es, Kunden auf unseren Heizungs-Check aufmerk-
sam zu machen, der Energiekosten spart (Purpose). Die Anzeige
sollte prägnant sein und eine klare Handlungsaufforderung ent-
halten, um Termine zu buchen (Expectation).
15

16. 16 FRAMEWORKS
ERA –Expectation, Role, Action
Das ERA-Framework eignet sich besonders gut für präzise Aufgaben, bei
denen du klare Ziele hast und die KI in einer spezifischen Rolle arbeiten
soll. Seine Stärke liegt in der Strukturierung und Kontrolle der Ergeb-
nisse, während es weniger flexibel ist, wenn du explorative oder kreative
Antworten suchst.
•Expectation: Beschreibe, was du dir vom Ergebnis erhoffst oder
welches Ziel erreicht werden soll.
•Role: Wechsle die Perspektive der KI, z. B. Energieberater, Marke-
tingexperte oder Kundendienstmitarbeiter.
•Action: Formuliere die konkrete Aufgabe, die die KI ausführen soll.
Beispiel:
Ich möchte ein Angebot, das den Kunden von den Vorteilen einer
Wärmepumpe überzeugt und die Abschlusswahrscheinlichkeit
erhöht (Expectation). Du bist ein Energieberater (Role). Erstelle
ein Angebot für die Installation einer Wärmepumpe und erläute-
re die Energieeinsparungen klar und verständlich (Action).
TAG –Task, Audience, Goal
Das TAG-Framework ist perfekt, wenn du Inhalte erstellen willst, die ei-
ne spezifische Zielgruppe ansprechen. Es gibt der KI klare Anweisungen
und stellt sicher, dass die Ergebnisse relevant und zielgerichtet sind. TAG
glänzt durch Einfachheit und Fokus, ist jedoch ebenfalls weniger geeig-
net, wenn du explorative oder iterative Prozesse benötigst.
•Task: Definiere die Aufgabe, die die KI erledigen soll.
•Audience: Beschreibe, für wen die Inhalte gedacht sind.
•Goal: Erkläre, welches Ziel du mit der Aufgabe erreichen möchtest.

17. RACE –ROLE, ACTION, CONTEXT, EXECUTE 17
Beispiel:
Schreibe einen Social-Media-Post für einen Dachdeckerbetrieb
(Task). Zielgruppe sind Hausbesitzer in der Region, die Dachsa-
nierungen benötigen (Audience). Der Post soll Aufmerksamkeit
erregen und die Zielgruppe motivieren, einen Beratungstermin
zu buchen (Goal).
RACE –Role, Action, Context, Execute
Mit dem RACE-Framework kannst du die KI wie einen spezialisierten Ex-
perten einsetzen, der Aufgaben nicht nur analysiert, sondern praktisch
umsetzbare Ergebnisse liefert. Du gibst der KI klare Anweisungen, indem
du ihre Rolle, die Aufgabe, den Kontext und die Ausführung definierst. Es
ist besonders nützlich für spezifische und gut strukturierte Aufgaben.
•Role: Weise der KI eine klare Rolle zu, z. B. Berater, Analyst oder
Texter.
•Action: Beschreibe die spezifische Aufgabe, die die KI erledigen soll.
•Context: Gib relevante Hintergrundinformationen oder Details, die
die KI berücksichtigen soll.
•Execute: Erkläre, wie die KI das Ergebnis liefern soll oder welche
Form es haben soll.
Beispiel:
Du bist ein Energieberater (Role). Analysiere den Energiever-
brauch eines typischen Einfamilienhauses (Action), das auf eine
Wärmepumpe umsteigen möchte (Context). Fasse die Einspar-
potenziale in einer klaren und leicht verständlichen Liste zusam-
men (Execute).

18. 18 FRAMEWORKS
CARE –Context, Action, Result, Example
Das CARE-Framework ist ideal, wenn du der KI eine Aufgabe klar und
präzise strukturieren möchtest. Es hilft, kontextgerechte Ergebnisse zu
erzielen und stellt sicher, dass die KI durch ein Beispiel besser versteht,
was du erwartest. Das Beispiel sorgt dafür, dass die KI deine Erwartun-
gen genau versteht und umsetzt.
Es sei angemerkt, dass du im Internet möglicherweise auf abwei-
chende Definitionen triffst. Beispielsweise gibt es eine Definition für CA-
RE als ”Clarify, Ask, Respond, Evaluate”.
•Context: Beschreibe die Situation oder den Hintergrund der Aufga-
be.
•Action: Formuliere, was die KI tun soll.
•Result: Definiere das gewünschte Ergebnis.
•Example: Gib ein Beispiel, um der KI deine Erwartungen zu ver-
deutlichen.
Beispiel:
Ein Malerbetrieb möchte Kunden in der Region für seine
Winterrabatt-Aktion gewinnen (Context). Erstelle einen Social-
Media-Post, der die Aktion hervorhebt und Kunden zum Buchen
motiviert (Action). Der Post sollte kurz, emotional und mit einem
Call-to-Action enden (Result). Beispiel: Nutze jetzt 20% Winter-
rabatt! Buche noch heute deinen Termin und starte mit frischen
Farben ins neue Jahr. (Example)

19. COAST –CONTEXT, OBJECTIVE, ACTIONS, SCENARIO, TASK 19
COAST–Context,Objective,Actions,Scenario,Task
Das COAST-Framework ist ideal für detaillierte und fortgeschrittene An-
fragen, bei denen die KI nicht nur präzise Aufgaben erfüllen, sondern
auch den Zusammenhang verstehen soll. Es eignet sich besonders für
komplexe Szenarien wie strategische Analysen, kreative Inhalte oder Pla-
nungen. Allerdings ist COAST etwas komplexer, da die detaillierte Natur
des Frameworks eine gründliche Vorbereitung erfordert. Zudem kann es
sein, dass mehrere Iterationen nötig sind.
•Context: Beschreibe den Hintergrund oder die Situation, in der die
Aufgabe erledigt wird.
•Objective: Definiere das Ziel, das erreicht werden soll.
•Action: Erkläre, was die KI konkret tun soll.
•Scenario: Gib ein spezifisches Szenario oder eine Einschränkung
vor, die die Aufgabe beeinflusst.
•Task: Formuliere die genaue Aufgabe, die die KI ausführen soll.
Beispiel:
Ein SHK-Betrieb plant eine Winteraktion (Context). Ziel ist es,
mehr Kunden für Heizungswartungen zu gewinnen (Objective).
Entwickle eine Marketingstrategie (Action) für die Region, die
Hausbesitzer mit älteren Heizsystemen anspricht (Scenario). Er-
stelle eine Social-Media-Kampagne mit einem klaren Call-to-
Action, um Termine zu buchen (Task).

20. 20 FRAMEWORKS
RISEN –Role, Input, Steps, Expectation, Narrowing
Das RISEN-Framework ermöglicht eine klare und schrittweise Bearbei-
tung, was besonders hilfreich für komplexe oder mehrstufige Aufgaben
ist. Durch Narrowing sorgt es für fokussierte Ergebnisse, kann jedoch bei
vagen Anforderungen mehr Iterationen erfordern, um optimale Antwor-
ten zu erzielen.
•Role: Weise der KI eine Rolle zu, die sie bei der Bearbeitung der
Aufgabe einnimmt.
•Input: Gib relevante Informationen oder Daten, die die KI verwenden
soll.
•Steps: Definiere die Schritte, die die KI befolgen soll, um das Ziel
zu erreichen.
•Expectation: Beschreibe, welches Ergebnis du erwartest.
•Narrowing: Füge Einschränkungen oder Details hinzu, um die Ant-
wort gezielt einzugrenzen.
Beispiel:
Du bist ein Energieberater (Role). Nutze die Daten: Heizungs-
wartungskosten, Energiekosten vor und nach der Wartung (In-
put). Erläutere Schritt für Schritt die Einsparpotenziale, die
durch eine jährliche Wartung entstehen (Steps). Ich erwarte eine
klare und verständliche Liste mit den wichtigsten Vorteilen (Ex-
pectation). Begrenze die Antwort auf maximal drei Kernpunkte,
die für Hausbesitzer relevant sind (Narrowing).

21. TRACE –TASK, REQUEST, ACTION, CONTEXT, EXAMPLE 21
TRACE –Task, Request, Action, Context, Example
Das TRACE-Framework bietet eine klare und flexible Struktur, die so-
wohl für einfache als auch komplexe Aufgaben geeignet ist. Die Beispiel-
Komponente sorgt dafür, dass die KI deine Erwartungen besser versteht.
Allerdings kann die ausführliche Struktur für schnelle, spontane Anfra-
gen etwas aufwendig sein.
•Task: Definiere die spezifische Aufgabe, die die KI erfüllen soll.
•Request: Beschreibe genau, was du von der KI erwartest.
•Action: Erkläre, welche konkrete Handlung die KI ausführen soll.
•Context: Gib den relevanten Hintergrund oder die Situation an.
•Example: Liefere ein Beispiel, um die Anforderung klarer zu ma-
chen.
Beispiel:
Schreibe einen Social-Media-Post (Task). Bitte hebe die Vorteile
einer Heizungswartung hervor, um Hausbesitzer in meiner Regi-
on zu überzeugen (Request). Erläutere, warum eine Wartung En-
ergie spart und Heizkosten senkt (Action). Der Post richtet sich
an Hausbesitzer, die ihre Heizkosten im Winter senken möch-
ten (Context). Beispiel: Jetzt Heizungswartung buchen und bis
zu 20% Heizkosten sparen! (Example)

22. 22 FRAMEWORKS
ROSES –Role, Objective, Scenario, Expected Solu-
tion, Steps
Das ROSES-Framework zeichnet sich durch eine präzise Struktur und
einen klaren Fokus auf das Ziel aus, wodurch die KI gezielt und effizient
arbeiten kann. Die Schritte-Komponente sorgt für Nachvollziehbarkeit.
Allerdings verlangt dir ROSE etwas mehr Vorbereitung ab. Für schnelle,
spontane Anfragen fehlt dafür manchmal die Zeit.
•Role: Definiere die Funktion oder Perspektive der KI in Bezug auf
die Aufgabe.
•Objective: Kläre, was die KI erreichen soll, und setze ein klares Ziel.
•Scenario: Beschreibe die spezifische Situation oder den Kontext, in
dem die Aufgabe stattfindet.
•Expected Solution: Definiere das ideale Ergebnis oder die Art der
Lösung, die du benötigst.
•Steps: Gib eine Abfolge von Aktionen oder Überlegungen vor, die die
KI bei der Beantwortung befolgen soll.
Beispiel:
Du bist ein Marketingberater für Handwerksbetriebe (Role). Ziel
ist es, mehr Buchungen für eine Winter-Wartungskampagne zu
generieren (Objective). Die Kampagne richtet sich an Hausbe-
sitzer in einer Kleinstadt, die Heizkosten reduzieren möchten
(Scenario). Das Ergebnis sollte ein kreativer und überzeugender
Social-Media-Post mit einem klaren Call-to-Action sein (Expec-
ted Solution). Schritt 1: Erläutere die Vorteile einer Heizungs-
wartung. Schritt 2: Entwickle eine prägnante Botschaft. Schritt
3: Ergänze eine Handlungsaufforderung, z. B. Jetzt Termin bu-
chen! (Steps)

23. WEITERE FRAMEWORKS 23
Weitere Frameworks
Es gibt zudem weitere Frameworks, um ein paar zu nennen: CREATE
(Context, Result, Explain, Audience, Tone, Edit) oder (Character, Request,
Examples, Adjustment, Type of Output, Extras), PREPARE (Prompt, Ro-
le, Explicit, Parameters, Ask, Rate, Emotion), RELIC (Role, Emphasis, Li-
mitations, Information, Challenge), GLUE (Goal, List, Unpack, Examine),
ITAP (Input, Task, Annotation, Prediction) und STAR (Situation, Task, Ac-
tion, Result). Die Frameworks sind nicht auf Anwendungsbereiche be-
schränkt, sondern für unterschiedlichste Bereiche anwendbar.

24. Tools
ChatGPT
ChatGPT bietet aufchat.openai.comeine Plattform für den direkten Zu-
gang zu KI-gestützten Sprachmodellen.
Die kostenfreie Version nutztGPT-3.5und ermöglicht einfache Kon-
versationen sowie Textgenerierung. Für 20 € pro Monat bekommst du
mitChatGPT PlusZugriff auf das ModellGPT-4 Turbo, ein leistungsfähi-
geres Modell mit schnellerer Verarbeitung, größerem Kontextfenster (bis
zu 128.000 Token) und Bild-Uploadfunktion. Auch Funktionen wie Datei-
Analyse, Tabellenverarbeitung und der Zugriff auf personalisierte GPTs
sind enthalten. In den kostenpflichtigen Versionen gibt es zudem eine
Video-Funktion (dabei kommt OpenAIs Videomodell Sora zum Einsatz).
Für Unternehmen bietet OpenAI eine erweiterte Lösung mit höheren
Rechenkapazitäten, einer schnelleren Verarbeitung großer Datenmen-
gen und der Fähigkeit, noch komplexere Abfragen zu bewältigen. Dazu
gehören umfangreiche Datenanalysen mit Millionen von Parametern, das
Verarbeiten extrem langer Kontexte für detaillierte Berichte oder juris-
tische Dokumente sowie multimodale Anwendungen, die Text, Bild und
Video in einer einzigen Abfrage kombinieren. Zusätzlich stehen erwei-
terte Sicherheits- und Datenschutzoptionen zur Verfügung. Im Bereich
Video bekommen Unternehmen einen priorisierten Zugriff auf Sora, län-
gere Videogenerierungen und höhere Auflösungen zur Erstellung profes-
sioneller Videos, etwa für Marketing oder Simulationen.
24

25. GEMINI 25
Gemini
Gemini bietet aufgemini.google.comeine leistungsstarke Plattform für
generative KI, direkt integriert in das Google-Ökosystem.
Die kostenfreie Version stellt dir grundlegende Funktionen wie Text-
generierung, Codevervollständigung und Wissensabfragen bereit. MitGe-
mini Advancederhälst du Zugriff auf die neuesten, leistungsfähigeren Mo-
delle, die längere Kontexte verarbeiten, komplexere Aufgaben bewältigen
und tiefere Analysen liefern. Für Unternehmen bietet Google eine Versi-
on mit dedizierten Rechenressourcen, API-Zugriff und die Möglichkeit,
Modelle an unternehmensspezifische Daten anzupassen.
Besonders stark ist Gemini in der Multimodalität, sprich in der kom-
binierten (gleichzeitigen) Verarbeitung von Text, Bilder und Videos. Diese
Fähigkeit ist vor allem für Anwendungen in der Forschung, Datenanalyse
oder Medienproduktion wertvoll.
Nehmen wir als Beispiel die Frage nach verfügbaren Konferenz-Hotels
in Berlin und verwenden dafür den folgenden Prompt:
Gib mir eine Liste der verfügbaren Hotels in Berlin, bei denen
ich eine Konferenz mit über 500 Teilnehmern veranstalten kann.
Sortiere die Liste nach Teilnehmer-Kapazität und gib mir die Prei-
se (pro Person) an.
Das Modell2.0 Flash Thinking Experimentalliefert eine recht gute Ant-
wort auf unsere Frage und listet die Hotels systematisch auf (Abbildung1).
Die Antwort zuvor von Googles ModellGemini 2.0 Flashwar dagegen nicht
so gut, da es Verfügbarkeitszeiträume hineininterpretiert hat. Erst nach
dem Follow-Up-Prompt „Ignoriere Verfügbarkeitszeiträume und suche
nach Veranstaltungsmöglichkeiten unabhängig vom Zeitraum“ lieferte
Gemini entsprechende Ergebnisse.

26. 26 TOOLS
Abbildung 1: Antwort vom Modell2.0 Flash Thinking Experimentalauf die
Frage nach verfügbaren Konferenz-Hotels in Berlin.

27. REPLICATE 27
Replicate
Replicate bietet aufreplicate.comeine Plattform für den einfachen Zu-
griff auf eine breite Auswahl an KI-Modellen, die in der Cloud ausgeführt
werden. Nutzer können kostenfrei verschiedene Open-Source-Modelle
testen, darunter Text-, Bild-, Audio- und Videogenerierung. Die Anmel-
dung erfolgt über GitHub, sodass Entwickler schnell loslegen und Mo-
delle in ihre Projekte einbinden können. Die API-gestützte Architektur
integriert diese Modelle nahtlos in eigene Anwendungen, ohne dass teu-
re Hardware oder komplexe Infrastruktur erforderlich ist.
Für Unternehmen bietet Replicate erweiterte Lösungen mit höheren
Rechenkapazitäten, schnellerer Verarbeitung und skalierbaren Bereit-
stellungsoptionen. Individuelle Anpassungen ermöglichen das Fine-Tuning
von Modellen auf unternehmensspezifische Daten, um präzisere und do-
mänenspezifische Ergebnisse zu erzielen. Besonders im Bereich multi-
modaler KI glänzt Replicate durch die Möglichkeit, verschiedene Modelle
zu kombinieren – etwa für KI-gestützte Videoanalyse, Generierung von
Bildern aus Text oder Audio-Synthese. Damit ist die Plattform ideal für
Startups und Unternehmen, die schnell skalierbare, flexible und indivi-
duell anpassbare KI-Lösungen benötigen.
Perplexity Labs
Perplexity Labs bietet auflabs.perplexity.aieine Plattform zur Erprobung
neuer Sprachmodelle. Nutzer können verschiedene Modelle direkt tes-
ten, deren Antwortverhalten vergleichen und die Leistungsfähigkeit in di-
versen Kontexten bewerten.
Das ModellR1 1776, eine Version des DeepSeek-R1-Modells (die nach-
trainiert wurde, um unvoreingenommene Informationen zu liefern) be-
antwortet unsere Frage nach den Hotels in Berlin umfassend und struk-
turiert (Abbildung2).

28. 28 TOOLS
Abbildung 2: Antwort vom ModellR1 1776auf die Frage nach verfügbaren
Konferenz-Hotels in Berlin.

29. HUGGINGCHAT 29
HuggingChat
HuggingChat bietet aufhuggingface.co/chateine offene Plattform für den
Zugang zu einer Vielzahl an Sprachmodellen.
Mit der kostenfreien Version kannst du unterschiedliche Open-Source-
Modelle direkt testen und deren Antwortverhalten vergleichen. Im Ge-
gensatz zu proprietären Systemen setzt HuggingChat auf Transparenz
und Anpassbarkeit: Entwickler und Unternehmen können Modelle fein-
justieren, lokal betreiben oder eigene Trainingsdaten einbinden.
Für professionelle Unternehmensanwendungen gibt es erweiterte Hosting-
Lösungen mit dedizierten Rechenressourcen, API-Zugriff und der Mög-
lichkeit, multimodale Modelle zu integrieren, beispielsweise für die Ver-
arbeitung von Text, Bild und Video in einer einzigen Pipeline. Davon profi-
tieren vor allem Organisationen, die Wert auf Kontrolle, Datenschutz und
maßgeschneiderte KI-Lösungen legen.

30. Literatur
[1]Agata Chudzińska.Effektives Prompt Engineering in der KI Entwick-
lung.https://theblue.ai/blog-de/trends/prompt-engineering-
ki/. März 2023. (Besucht am 09. 02. 2025).
[2]Niklas Volland.Nur die Top 0,1% der ChatGPT-User kennen diesen
einfachen Prompt-Trick für signifikant bessere Ergebnisse.https :
//www.linkedin.com/posts/niklas-volland_nur-die-top-01-
der- chatgpt- user- kennen- activity- 7337764302164029440-
4km8. Juni 2025. (Besucht am 14. 06. 2025).
[3]Peter Godulla.Induktiver versus deduktiver Prompt.https://www.
linkedin.com/posts/start-up-coach_die-beste-ki-inspiration-
die - du - heute - activity - 7122846783646371842 - G7 _ c. 2024.
(Besucht am 09. 02. 2025).
[4]Deci AI (Acquired by NVIDIA).Full Fine-Tuning, PEFT, Prompt En-
gineering, and RAG: Which One Is Right for You?https : / / www .
linkedin.com/pulse/full-fine-tuning-peft-prompt-engineering-
rag-which-one-right-you/. Okt. 2023. (Besucht am 24. 03. 2025).
[5]Cea West.ChatGPT Prompting Mistakes That are Killing Your Produc-
tivity. Juni 2023. ISBN: 979-8397745895.
[6]Yassine Aqejjaj.Mastering ChatGPT Prompt Engineering: The 9 Frame-
works You Need to Know.https://medium.com/@yassine.aqejjaj/
mastering-chatgpt-prompt-engineering-the-9-frameworks-
you-need-to-know-607ae5af9931. Feb. 2024. (Besucht am 09. 02. 2025).
[7]Graham Attwell.The Prepare Framework.https://aipioneers.
org/the-prepare-framework/. Nov. 2023. (Besucht am 09. 02. 2025).
[8]Bal Balaji.Prompt Architectures: An Overview of structured promp-
ting strategies.https://medium.com/@balajibal/prompt-architectures-
an-overview-of-structured-prompting-strategies-05b69a494956.
Aug. 2024. (Besucht am 09. 02. 2025).
[9]Ryan Montgomery.Easy AI Beginner.https://easyaibeginner.
com/learning/ai-tools/chatgpt/. 2025. (Besucht am 09. 02. 2025).
30

31. LITERATUR 31
[10]Alberto Robles.Top 25 Prompting Frameworks for Enhanced ChatGPT
Conversations.https : / / bertorobles . medium . com / top - 25 -
prompting-frameworks-for-enhanced-chatgpt-conversations-
54933652b365. Feb. 2024. (Besucht am 09. 02. 2025).
[11]Anish Singh Walia.ChatGPT Power Prompts Cheatsheet-C.R.E.A.T.E
Framework For Prompting.https://medium.com/aimonks/chatgpt-
power- prompts- cheatsheet- c- r- e- a- t- e- framework- for-
prompting-b852b2b9b248. Dez. 2023. (Besucht am 09. 02. 2025).
[12]Eman Zahid.9 Prompt Engineering Frameworks that will make you
an Expert Prompt Engineer.https://xpertprompt.com/2024/04/
07/prompt- engineering- frameworks/. Apr. 2024. (Besucht am
09. 02. 2025).
[13]Zartis.AI Cheatsheet.https://www.zartis.com/resources/ai-
cheatsheet-2/. 2024. (Besucht am 09. 02. 2025).

32. Dr. Eldar Sultanow
IT-EXPERTE FÜR KÜNSTLICHE INTELLIGENZ UND DIGITALISIERUNG
Schon in meiner Schulzeit hatte ich einen Faible für Computer und
Zahlen. Heute bin ich IT-Stratege bei Capgemini, einer der weltweit
führenden Beratungsgesellschaften für digitale Transformation,
promovierter Wirtschaftsinformatiker und blicke auf mehr als
20 Jahre Erfahrung in der Softwareentwicklung zurück: von der
Programmierung bis hin zum KI-Design.
Ich lebe auf dem Land in Bayern, liebe Reisen
und die Natur.
200+
Publikationen
20+
Workshops
100+
Keynotes
30+
KI-Projekte
KEYNOTE SPEAKER ZULETZT IST VON MIR
DAS BUCH
„Sie werden mit dem nächsten freien
hatbot verbunden“
IM REDLINE VERLAG ERSCHIENENKEYNOTE SPEAKER T9-AUFTRITTE PRESSE & BUCH FORSCHUNG, LEHRE & GUTACHTER