Prompts helfen, Systeme skalieren
Was einen Prompt gut oder schlecht macht, mit Beispielen. Warum Prompts allein scheitern, wenn ein Unternehmen wächst, und warum Skills, Regeln und ein Firmengehirn besser abschneiden.
Die meisten Unternehmen haben KI über ein leeres Feld und einen blinkenden Cursor kennengelernt. Was herauskam, hing davon ab, was man hineinschrieb, also lernten die Leute, Prompts zu schreiben. Manche wurden darin sehr gut. Ihre Kolleginnen und Kollegen fragten nach den Zauberworten, die Worte wurden in Dokumente und Chats kopiert, und eine neue Art Folklore war geboren.
Prompting ist wichtig, und es lohnt sich, es gut zu machen. Aber ein Unternehmen kann nicht auf Folklore laufen. Hier steht, was einen Prompt gut macht, was die Labore selbst empfehlen und warum die Unternehmen, die am meisten aus KI herausholen, nicht mehr auf clevere Prompts setzen.
Ein schlechter Prompt und ein guter
Nehmen wir eine Anfrage, die jedes Marketingteam stellt. Die schlechte Version lautet: Schreibe einen LinkedIn-Beitrag über unsere neue Dienstleistung.
Das Modell hat nichts, womit es arbeiten könnte, also schreibt es den durchschnittlichen LinkedIn-Beitrag über die durchschnittliche Dienstleistung, mit einer Einstiegsfrage, einer Reihe Emojis und einem Call-to-Action. Er ist nicht falsch. Er gehört niemandem.
Die gute Version sagt, wer schreibt und für wen, was die Dienstleistung ist und was sie kostet, was die Leserin oder der Leser als Nächstes tun soll, wie lang der Beitrag sein darf und welche Wörter das Unternehmen nie verwendet. Sie enthält zwei frühere Beiträge, die funktioniert haben, als Beispiele markiert. Und sie nennt den Grund: Der Beitrag geht an Finanzverantwortliche, die KI gegenüber skeptisch sind, also soll er mit einer Tatsache beginnen, nicht mit einem Versprechen.
Der zweite Prompt ist viel länger und viel eher geeignet, einen Entwurf zu liefern, den jemand brauchen kann. Der Unterschied ist keine Cleverness. Es ist Kontext.
Was die Labore empfehlen
Die offiziellen Leitfäden der drei grossen Labore sagen im Kern dasselbe.
Der Leitfaden von Anthropic für Claude fordert dazu auf, sich Claude als «brillanten, aber neuen Mitarbeiter vorzustellen, dem der Kontext zu Ihren Normen und Arbeitsabläufen fehlt». Die goldene Regel: «Zeigen Sie Ihren Prompt einer Kollegin oder einem Kollegen mit minimalem Wissen zur Aufgabe und bitten Sie sie, ihm zu folgen. Wären sie verwirrt, wäre es Claude auch.» Er zeigt auch, warum Begründungen besser wirken als Befehle. Statt in Grossbuchstaben «NIEMALS AUSLASSUNGSPUNKTE VERWENDEN» zu schreiben, erklären Sie, dass die Antwort von einer Sprachausgabe vorgelesen wird, die sie nicht aussprechen kann. Das Modell verallgemeinert aus dem Grund.
Der Leitfaden von OpenAI empfiehlt, dem Modell den nötigen Kontext zu geben sowie Beispiele möglicher Eingaben mit den gewünschten Ausgaben, in grosser Bandbreite. Er nennt Prompting «eine Mischung aus Kunst und Wissenschaft».
Googles Leitfaden für Gemini empfiehlt, immer ein paar Beispiele beizufügen, und warnt, dass Prompts ohne sie wahrscheinlich weniger wirksam sind. Für komplexe Aufgaben schlägt er vor, jeden Schritt zu einem eigenen Prompt zu machen und diese zu verketten. Und er ist ehrlich, was den Prozess betrifft: «Prompt Engineering ist iterativ.»
Warum Prompts nicht skalieren
Lesen Sie diese Leitfäden noch einmal und achten Sie darauf, was sie voraussetzen: jemanden, der die Normen des Unternehmens kennt, die richtigen Beispiele zur Hand hat und Zeit zum Iterieren. In den meisten Teams beschreibt das ein paar wenige Personen an einem guten Tag.
Alle anderen kopieren einen Prompt aus einem Chat, ändern ein Wort und erhalten ein anderes Ergebnis. Der Prompt, der im Frühling funktionierte, verhält sich nach einem Modell-Update anders. Zwei Teams pflegen zwei Versionen, mit Regeln, die sich widersprechen. Einer der Prompting-Leitfäden von OpenAI selbst warnt, dass widersprüchliche oder vage Anweisungen einem Reasoning-Modell mehr schaden können, weil es Aufwand darauf verwendet, sie in Einklang zu bringen. Sein Beispiel ist ein Assistent im Gesundheitswesen, dem gesagt wird, er dürfe nie einen Termin ohne die dokumentierte Einwilligung der Patientin oder des Patienten buchen, und zugleich, er solle den frühesten Termin buchen, ohne vorher Kontakt aufzunehmen.
OpenAI behandelt Prompts aus diesem Grund wie Software. Sein Leitfaden rät Entwicklern, Produktions-Prompts im Code ihrer Anwendung abzulegen, Anwendungen auf bestimmte Modell-Snapshots festzulegen und Tests sowie Evaluationssuiten aufzubauen, die messen, wie sich Prompts verhalten. Das ist das Gegenteil einer Prompt-Bibliothek in einem geteilten Dokument.
Die Kosten zeigen sich in den Ergebnissen. Die NANDA-Initiative des MIT berichtete letztes Jahr, dass nur rund 5 Prozent der untersuchten KI-Pilotprojekte eine rasche Umsatzbeschleunigung erreichten. Fortune fasste die Ursache als Lernlücke zusammen: Generische Werkzeuge bleiben in Unternehmen stecken, weil sie nicht aus der Art lernen, wie die Arbeit gemacht wird, und sich ihr nicht anpassen.
Von Prompts zu Systemen
Die Labore haben den Schluss selbst gezogen. Anthropic spricht inzwischen von Context Engineering statt von Prompt Engineering: Gemeint ist, alles zu kuratieren, was das Modell sieht, nicht nur die Anweisung, und die kleinstmögliche Menge an Tokens mit hohem Signalgehalt zu finden, die das richtige Ergebnis wahrscheinlich macht. Die Ingenieure warnen vor zwei Fehlerbildern: auf der einen Seite brüchige Logik, die fest in Prompts eingebaut ist, auf der anderen vage Hinweise, die dem Modell nichts Konkretes geben.
Die praktische Antwort sind Skills. Anthropic beschreibt sie als «organisierte Ordner mit Anweisungen, Skripten und Ressourcen», die ein Agent lädt, wenn er sie braucht, und vergleicht das Schreiben eines Skills mit dem «Zusammenstellen eines Einarbeitungsleitfadens für eine neue Mitarbeiterin oder einen neuen Mitarbeiter». In einem Beitrag zum Design schrieb dasselbe Unternehmen, Skills machten wirksame Prompts wiederverwendbar und kontextbezogen, sodass niemand dieselben Hinweise in jeder Anfrage wiederholen muss. Seit Dezember 2025 ist das Format ein offener Standard.
Ein Skill ist ein guter Prompt, der einmal geschrieben, mit seinen Begründungen, Beispielen und Prüfungen versehen, getestet und dort abgelegt wurde, wo jeder Assistent im Unternehmen ihn findet. Kommen das Wissen des Unternehmens, seine Regeln und die Anbindung an echte Systeme dazu, entsteht ein Firmengehirn. Dann hängt die Qualität nicht mehr davon ab, wer getippt hat.
Wie wir helfen
Das ist die Arbeit hinter Twin. Wir finden heraus, wie ein Unternehmen tatsächlich arbeitet, verbessern den Prozess, wo es nötig ist, und bauen dann sein Gehirn: Wissen mit der Quelle bei jeder Antwort, Skills für jede Rolle in den Konventionen des Unternehmens, Anbindungen an seine Systeme sowie Regeln und Rechte pro Rolle. Es läuft in dem Assistenten, den das Team ohnehin nutzt, Claude, ChatGPT oder Codex, und das Unternehmen erhält den Quellcode.
Ohne Twin beginnt jeder Prompt bei null, und die Qualität hängt davon ab, wer fragt. Mit Twin beginnt jede Antwort beim Unternehmen, mit einem Standard auf jedem Arbeitsplatz.
Wir führen crue genauso: mehr als 80 Skills und ein Gehirn für jedes unserer Produkte, in Claude und ChatGPT sowie auf unserer eigenen Hardware mit unserem eigenen Modell. Wenn die Daten zu sensibel sind, um das Haus zu verlassen, gibt es Eigna, gebaut von unserem Partner Eigna Labs: ein privates Modell, trainiert auf den eigenen Dateien, Regeln und der Sprache des Unternehmens, in der eigenen Cloud oder auf den eigenen Servern betrieben und in Schritten nachtrainiert, die erst live gehen, wenn sie in den Tests besser abschneiden.
Was ein Unternehmen tun kann
Prompten Sie weiter gut und lernen Sie die Grundlagen aus den oben genannten Leitfäden. Sammeln Sie dann die zehn Prompts, die Ihre besten Leute tatsächlich verwenden, und fragen Sie, was jeder davon weiss, was das Modell nicht weiss. Schreiben Sie das einmal auf: den Kontext, die Begründungen, die Beispiele, die Regeln und die Prüfung am Ende. Geben Sie jedem einen Verantwortlichen und einen Test und legen Sie ihn dort ab, wo jeder Assistent ihn erreicht. Das ist ein Skill.
Wir wollen, dass die Maschine das Routinemässige, die ersten Entwürfe und das Nachschlagen übernimmt und das schneller und konsistenter erledigt, als jeder von uns es kann. Das Urteil, der persönliche Kontakt zu Kundinnen und Kunden und die Verantwortung für das, was verschickt wird, bleiben bei den Menschen, und ein gutes System gibt ihnen dafür mehr Zeit.
Ein cleverer Prompt macht eine Person schneller. Ein System macht das ganze Unternehmen besser und arbeitet weiter, nachdem die clevere Person längst nach Hause gegangen ist.
