Die KI-Skill, die kaum jemand kennt

Warum bessere KI-Ergebnisse nichts mit besserem Prompten zu tun haben.

Früher hat das so ausgesehen.

Ich öffne ChatGPT. Tippe eine Anfrage. Ergebnis: nicht schlecht, aber nicht das, was ich meinte. Also nachkorrigieren. Nochmal. Wieder. Irgendwann hatte ich mehr Zeit mit dem Hin-und-Her verbracht als mit der eigentlichen Arbeit.

Das war kein Tool-Problem. Das war mein Problem.

Ich habe nicht verstanden, wie diese Tools wirklich funktionieren. Ich habe geglaubt, dass ein guter Prompt reicht. Dass ich einfach besser formulieren muss. Dass ich irgendwann den Dreh raus habe.

Dann habe ich angefangen, das Prinzip des Kontext Engineerings zu verstehen.

Nicht mehr: eine Anfrage stellen und hoffen. Sondern: dem Tool von Anfang an alles geben, was es braucht. Kontext. Hintergrund. Ziel. Format. Einschränkungen.

Und dann der Trick, der alles verändert hat: Ich lasse mich interviewen.

Statt selbst zu raten, was das Tool braucht, frage ich Claude: „Welche Informationen brauchst du, um mir optimal zu helfen?” Claude fragt. Ich antworte. Der Kontext wächst. Das Ergebnis trifft.

Aus mühsamen Korrekturrunden wurden direkte Treffer. Und aus einer frustrierenden Arbeit wurde eine, die mir wieder Spaß macht.

Letzte Woche habe ich einem Kollegen dasselbe gezeigt. Dreißig Minuten Einführung. Sein Kommentar danach: Er rechnet mit zwei Stunden Ersparnis — pro Tag.

Kein Kurs. Kein neues Tool. Nur das richtige Prinzip.

Schritt 1: Warum gute Prompts nicht reichen

Die meisten denken, das Problem liegt im Prompt.

Zu kurz. Zu vage. Falsch formuliert. Also lernen sie Prompt-Techniken. Chain of Thought. Tree of Thought. Role Prompting. Alles nett. Alles nicht falsch.

Aber sie drehen an der falschen Schraube.

Stell dir das GenAI Dreieck vor — ein Framework von Christoph Magnussen (Blackboat). Drei Ecken: Modell, Prompt, Kontext. Das Ergebnis liegt im Zentrum. Alle drei Ecken beeinflussen es.

Die meisten optimieren ausschließlich den Prompt.

Kontext? Kaum beachtet. Dabei ist Kontext die mächtigste Ecke des Dreiecks.

Ein starker Prompt ohne Kontext ist wie ein präziser Schuss ohne Ziel. Technisch sauber. Trifft trotzdem daneben.

Schritt 2: Was Kontext Engineering wirklich bedeutet

Kontext ist nicht das, was du in der Chatbox tippst.

Kontext ist alles, was das Modell sieht, bevor es antwortet. Philipp Schmid beschreibt das präzise: Kontext Engineering ist die Disziplin, dem LLM die richtigen Informationen und Tools, im richtigen Format, zum richtigen Zeitpunkt zu geben.

Das umfasst drei Ebenen:

Ebene 1: Was das Modell weiß. Das Modell hat Trainingsdaten. Es weiß viel — aber nicht alles. Und nichts über dich, dein Business, deine Kunden, deinen Stil. Das ist keine Schwäche. Das ist eine Lücke, die du füllen musst.

Ebene 2: Was du dem Modell gibst. Hier wird es konkret. Schmid nennt sieben Komponenten: System Prompt, User Prompt, Gesprächsverlauf, Langzeitgedächtnis, externe Daten (RAG), verfügbare Tools, gewünschtes Ausgabeformat.

In meiner Erfahrung nutzen die meisten davon genau zwei: User Prompt und Gesprächsverlauf.

Das ist, als würdest du einen neuen Mitarbeiter einarbeiten — und ihm weder sagst, was er tun soll, noch wer die Kunden sind, noch wie ihr Unternehmen funktioniert.

Ebene 3: Wie du den Kontext aufbaust. Das ist die Königsdisziplin. Und der Punkt, an dem die meisten aufhören.

Kontext ist kein statischer Text. Er ist ein System. Gebaut bevor du die erste Frage stellst.

Schritt 3: So setzt du es sofort um

Hier kommt der Trick, den ich meinem Kollegen gezeigt habe.

Lass dich interviewen.

Bevor du deine eigentliche Aufgabe startest, sagst du dem Tool: „Bevor wir beginnen — welche Informationen brauchst du von mir, um optimal zu helfen?” Das Tool fragt. Du antwortest. Jede Antwort erweitert den Kontext.

Was passiert: Das Modell bekommt genau das, was es braucht. Nicht mehr, nicht weniger. Keine Rätselraten. Keine fünf Iterationen bis zum brauchbaren Ergebnis.

Der zweite Schritt: Baue wiederverwendbaren Kontext.

Was bleibt immer gleich? Dein Schreibstil. Deine Zielgruppe. Dein Angebot. Dein Workflow. Das musst du nicht jedes Mal neu tippen. Einmal aufgebaut, immer verfügbar.

Mein Kollege spart zwei Stunden pro Tag. Nicht weil er bessere Prompts schreibt.

Weil er aufgehört hat, das Tool jedes Mal neu zu erklären, wer er ist.

Dein Schnell-Check

• Gibst du dem Tool bei jeder Anfrage Rolle, Ziel, Format und Einschränkungen — oder nur die Frage?
• Hast du einen wiederverwendbaren Kontext für deine häufigsten Aufgaben gebaut?
• Nutzt du die Interview-Methode — lässt du das Tool fragen, statt selbst zu raten?
• Weißt du, welche der sieben Kontext-Ebenen du aktuell komplett ignorierst?

Wenn du eine dieser Fragen mit Nein beantwortest: Du arbeitest mit 20% der Kapazität deines Tools.

Stell dir vor, was möglich wäre, wenn dein KI-Tool dich wirklich kennt. Deinen Stil. Deine Kunden. Dein Ziel. Kein Erklären mehr. Kein Korrigieren. Nur Ergebnisse.

Welche Aufgabe wiederholst du jede Woche — und hast noch keinen fertigen Kontext dafür gebaut?

Bis nächste Woche, Hans Peter

P.S. Kontext Engineering ist keine Raketenwissenschaft. Es ist ein System. Einmal gebaut, arbeitet es für dich — jede Woche. Wenn du wissen willst, wie das konkret für dein Business aussieht: Schreib mir. Das Gespräch ist kostenlos. Und ich höre wirklich zu.

P.P.S. Du willst sehen, wie ich einen KI-Mitarbeiter live aufsetze — der Anfragen beantwortet, Leads qualifiziert und Termine bucht, während du schläfst? Ich plane das nächste Webinar. Schreib mir kurz „Webinar” — und du bist dabei, sobald der Termin steht.

Quellen:

- GenAI Dreieck: Christoph Magnussen / Blackboat — https://medium.com/@cmagnussen/das-genai-dreieck-zum-download-76824a15050a

- Context Engineering: Philipp Schmid — https://www.philschmid.de/context-engineering​