Vom Zufallsprodukt zum verlässlichen Assistenten: Wie du LLMs systematisch richtig instruierst

Sprachmodelle sind nur so gut wie die Fragen, die sie bekommen. Das klingt selbstverständlich, wird in der Praxis aber konsequent unterschätzt.

LLMs brauchen das, was wir im Alltag weglassen: Kontext, Zielgruppe, Absicht und Einschränkungen. Menschen können solche Lücken häufig durch Erfahrung, Intuition und Gesprächssituation schliessen. Ein KI-Modell tut das ebenfalls; aber nicht mit dem Passenden, sondern mit dem Wahrscheinlichsten.

Deshalb klingen viele Antworten plausibel, treffen aber nicht genau das Problem.

Der Unterschied zwischen einer vagen und einer präzisen Frage entscheidet oft darüber, ob eine Antwort sofort verwendbar ist oder erst in mehreren Schleifen nachgebessert werden muss.

Was Question Refinement leistet

Der Question Refinement-Prompt setzt vor der Antwort an. Das Modell analysiert zunächst die Eingabe — auf fehlenden Kontext, unklare Ziele, stillschweigende Annahmen — und schlägt eine verbesserte Formulierung vor. Erst dann antwortet es.

Drei Elemente machen eine Frage stark: Kontext, also wer fragt und in welcher Situation. Ziel, also was das Ergebnis leisten soll. Und Leitplanken, also Ressourcen, Format und relevante Einschränkungen.

Wer diese drei Ebenen mitgibt, bekommt Antworten, die genauer, nützlicher und schneller verwendbar sind.

Besonders relevant für lokale KI-Chat-Modelle

Lokale KI-Modelle sind oft weniger stark geglättet, weniger restriktiv und je nach Modell weniger zuverlässig instruiert. Daher kann die Antwortqualität stärker schwanken. In einem lokalen Chat kann ein Systemprompt helfen, bevor das Modell antwortet.

Wenn du cloudbasiert arbeitest, kannst du den Systemprompt manuell in jeden neuen Chat kopieren. Bei ChatGPT kannst du alternativ ein eigenes GPT erstellen. Im Buch heisst er Master-Prompt; die Funktion ist dieselbe.

Den vollständigen Leitfaden mit Master-Prompt, Fallstudie und 360°-Checkliste findest du hier: Question Refinement — Anleitung als Online-PDF .

Wo hat dich ein ungenauer Prompt schon einmal Zeit gekostet? Und wie hilfreich wäre für dich eine Methode, die deine Frage vor der Antwort verbessert?

Über die Autorin
Manuela Frenzel arbeitet an der Schnittstelle von Journalismus, AI-Prompting und verantwortbarer lokaler KI. Als akkreditierte Journalistin und akademisch ausgebildete AI Prompterin analysiert sie, wie KI-Systeme Kommunikation, Arbeitsprozesse und Verantwortlichkeiten in Unternehmen verändern. Ihr Fokus liegt auf KI-Einordnung, lokalen KI-Anwendungen, Prompt-Architekturen und praxisnaher KI-Governance.