Typische Fehler

🔄 Recall: Format und Struktur

Du hast gelernt, Formate festzulegen (Lektion 5), Kontext zu liefern (Lektion 4) und Prompts mit RAKF zu strukturieren (Lektion 3). Jetzt schauen wir uns an, was schiefgehen kann — und wie du es reparierst.

Nach dieser Lektion kannst du:

• Die 7 häufigsten Prompting-Fehler erkennen
• Diagnostizieren, warum ein Prompt nicht funktioniert
• Gezielte Fixes anwenden, um Antworten zu verbessern

Fehler #1: Zu vage

Das Problem: „Hilf mir besser zu schreiben" oder „Verbessere das"

Warum es scheitert: Die KI weiß ja nicht, was „besser" für dich heißt. Klarer? Kürzer? Formeller? Überzeugender?

Der Fix: Sei spezifisch, was „besser" konkret bedeutet.

Fehler #2: Kein Kontext

Das Problem: „Wie soll ich darauf reagieren?"

Warum es scheitert: Die KI hat null Ahnung von deiner Beziehung, Geschichte, Zielen oder Rahmenbedingungen.

Der Fix: Kontext laden, bevor du fragst.

„Mein Chef hat diese E-Mail geschickt (unten eingefügt). Kontext: Ich bin im nächsten Quartal für eine Beförderung vorgesehen, er kommuniziert direkt, schätzt aber Widerspruch wenn ich sachlich begründe, und das Projekt ist wegen Lieferverzögerungen im Rückstand, wovon er weiß. Wie soll ich antworten?"

Fehler #3: Annehmen, die KI weiß was du weißt

Das Problem: Fachjargon verwenden, interne Projekte referenzieren oder gemeinsames Wissen voraussetzen.

Warum es scheitert: Die KI kennt weder dein Unternehmen noch deine Projektnamen noch eure interne Terminologie.

Der Fix: Begriffe erklären und Hintergrund liefern.

„Wir arbeiten an Projekt Phoenix (unser interner Name für die Neugestaltung des Kunden-Onboardings). Das aktuelle Onboarding dauert durchschnittlich 14 Tage; wir wollen auf 3 Tage. Hilf mir, ein Fortschritts-Update für die Stakeholder zu formulieren."

Fehler #4: KI bitten, ihre eigenen Fakten zu prüfen

Das Problem: „Stell sicher, dass alles in dieser Antwort korrekt ist."

Warum es scheitert: KI hat kein Faktenprüf-System. Sie generiert plausiblen Text, keine verifizierte Wahrheit. Sie zu bitten, sich selbst zu überprüfen, ist wie jemanden zu fragen, der selbstbewusst rät, seine Vermutungen zu verifizieren.

Der Fix: Wichtige Fakten selbst überprüfen.

„Erstelle einen Entwurf, der diese drei Projektmanagement-Tools vergleicht. Ich prüfe die konkreten Feature-Angaben und Preise selbst — konzentrier dich auf die Vergleichsstruktur."

Fehler #5: Ein Riesen-Prompt

Das Problem: 2.000-Wörter-Prompt, der alles auf einmal erledigen soll.

Warum es scheitert: Komplexe Prompts führen zu verworrenen Antworten. Die KI adressiert manche Teile und ignoriert andere.

Der Fix: Aufteilen. Eins nach dem anderen, dann aufbauen.

Statt: „Schreib eine komplette Marketing-Strategie mit Wettbewerbsanalyse, Positionierung, Messaging, Kanälen, Budget und Zeitplan"

Besser:

1. „Zuerst: Analysiere unsere Hauptkonkurrenten: [Liste]. Fokus auf deren Positionierung und Messaging."
2. „Basierend darauf: Schlage unsere Positionierung und Alleinstellungsmerkmale vor."
3. „Jetzt: Entwickle Messaging für jeden Differenzierungspunkt."
4. „Empfehle Marketing-Kanäle für unsere Zielgruppe und unser Budget."
5. „Erstelle einen Zeitplan für die Umsetzung."

✅ Quick Check: Bevor du weiterliest — kannst du das Kernkonzept, das wir gerade behandelt haben, in eigenen Worten erklären?

Fehler #6: Die erste Antwort akzeptieren

Das Problem: Einfach nehmen, was die KI liefert, ohne zu iterieren.

Warum es scheitert: Erste Antworten sind selten optimal. Sie sind Ausgangspunkte, keine Endprodukte.

Der Fix: Iterieren. Feedback geben. Verfeinern.

„Das ist ein guter Anfang. Jetzt: Kürze um 30%, füg in Absatz 2 ein konkretes Beispiel ein und mach den Call-to-Action dringender."

Denk an KI als Sparringspartner in einem Überarbeitungsprozess, nicht als Automaten, der fertige Produkte ausspuckt.

Fehler #7: Falsches Werkzeug für die Aufgabe

Das Problem: KI für Aufgaben einsetzen, bei denen sie schlecht ist.

Warum es scheitert: KI hat strukturelle Grenzen. Sie in unpassende Aufgaben zu zwingen, verschwendet Zeit und erzeugt Fehler.

Der Fix: Wissen, was KI kann — und was eben nicht.

Das Debugging-Framework

Wenn ein Prompt nicht funktioniert, stell dir diese Fragen:

1. War die Aufgabe klar? Könnte jemand anderes genau verstehen, was ich wollte?
2. Hab ich genug Kontext geliefert? Hat die KI den Hintergrund, den sie braucht?
3. Hab ich ein Format angegeben? Hab ich gesagt, wie die Ausgabe strukturiert sein soll?
4. Hab ich Beispiele gezeigt? Bei komplexen Mustern — hab ich demonstriert, was ich will?
5. Verlang ich zu viel auf einmal? Sollte ich das in Schritte aufteilen?
6. Ist das das richtige Werkzeug? Ist KI überhaupt für diese Aufgabe geeignet?

Übung: Kaputte Prompts reparieren

Kaputter Prompt 1: „Analysiere diese Daten"

• Was fehlt?
• Deine verbesserte Version:

Kaputter Prompt 2: „Schreib was Kreatives"

• Was fehlt?
• Deine verbesserte Version:

Kaputter Prompt 3: „Sind diese Informationen korrekt?" [gefolgt von KI-generiertem Text]

• Was ist falsch an diesem Ansatz?
• Was solltest du stattdessen tun?

(Versuch erst selbst Fixes zu schreiben, bevor du weiterscrollst)

Wichtigste Erkenntnisse

• Vage Prompts liefern generische Antworten — sei spezifisch, was „gut" für dich heißt
• Kontext ist entscheidend — die KI weiß nur, was du ihr sagst
• Vertrau der KI nicht beim Faktencheck — überprüfe wichtige Angaben selbst
• Komplexe Aufgaben aufteilen — eins nach dem anderen
• Antworten iterieren — erste Entwürfe sind Startpunkte
• Nutz das Debugging-Framework, wenn Prompts versagen

Nächste Lektion

Lektion 7 bringt fortgeschrittene Techniken: Chain-of-Thought-Prompting, Persona-Stacking und andere Methoden, die das volle Potenzial der KI erschließen.