Prompt Engineering ist 2026 keine Spezialisten-Disziplin mehr, sondern Grundkompetenz — vergleichbar mit Excel-Kompetenz in den 2000ern. Wer mit LLMs arbeitet und die Basics nicht kann, produziert systematisch mittelmäßige Ergebnisse. Die gute Nachricht: Die Basics sind schnell lernbar.
Das Kern-Pattern: Role + Task + Format + Constraints
Der praktischste Prompt-Aufbau, der in 80 Prozent der Fälle greift:
``` Du bist [Rolle mit relevantem Kontext].
Task: [Was soll konkret geliefert werden]
Format: [Wie soll das Ergebnis aussehen]
Constraints: [Was darf nicht passieren, was muss berücksichtigt werden] ```
Beispiel: ``` Du bist ein Copywriter für B2B-SaaS-Marketing, spezialisiert auf prägnante, nicht-buzzword-lastige Sprache.
Task: Schreibe 5 Varianten für die E-Mail-Subject-Line einer Webinar- Einladung zum Thema „Data Governance im Mittelstand".
Format: Eine pro Zeile, maximal 50 Zeichen.
Constraints:
- Keine Fragezeichen
- Keine Superlative ("revolutionär", "bahnbrechend")
- Jede Variante soll einen anderen emotionalen Hook haben
- Deutsch, Du-Form
```
Dieser einfache Aufbau ist dramatisch besser als „Schreib mir ein paar Subject-Lines für ein Data-Governance-Webinar."
Die wichtigsten Prompt-Patterns
Pattern 1 — Role Prompting. Explizite Rolle setzt den Tonfall. „Du bist ein technischer Redakteur für Software-Dokumentation" liefert andere Ergebnisse als „Du bist ein Marketing-Copywriter für Konsumgüter".
Pattern 2 — Few-Shot Prompting. Beispiele für gewünschten Output liefern. „Hier sind drei Beispiele für gute Subject-Lines: [...]. Schreibe drei weitere im gleichen Stil."
Pattern 3 — Chain-of-Thought. „Denke schrittweise. Erläutere deine Überlegungen, bevor du das finale Ergebnis lieferst." Besonders bei komplexen Analyse-Tasks.
Pattern 4 — Structured Output. „Antworte im folgenden JSON-Format: [...]". Wichtig für Workflows, die Output weiterverarbeiten.
Pattern 5 — Constraint Priming. Zuerst alle Einschränkungen nennen, dann den Task. Verhindert, dass das Modell im Flow die Constraints vergisst.
Pattern 6 — Iterative Refinement. Ergebnis produzieren lassen, dann „Jetzt mache X besser" / „Variiere stärker im Ton" / „Straffe auf 50 Prozent". Oft wirksamer als einen perfekten One-Shot-Prompt zu bauen.
Brand Voice — die größte Herausforderung
Standard-Prompts liefern standard-klingenden Content. Wer Brand Voice will, muss sie aktiv einbringen:
Option 1 — Voice-Guide im System-Prompt. Custom GPTs oder System-Instructions mit kompakter Voice-Dokumentation (300–500 Wörter): Ton, erlaubte/verbotene Wörter, typische Satzstrukturen, Beispiel-Absätze.
Option 2 — Few-Shot mit echten Texten. 2–3 echte Marken-Texte als Beispiele im Prompt. Modell imitiert den Stil.
Option 3 — Fine-Tuning. Für größere Volumina: Ein Modell auf 100+ Marken-Texte fine-tunen. Teurer, aber konsistenter.
Option 4 — Post-Generation-Filter. Ein zweiter Prompt prüft, ob der Output zur Marke passt — als Quality Gate.
In der Praxis reichen Option 1 + 2 für die meisten Mittelständler. Option 3 lohnt sich ab hohem Content-Volumen.
Häufige Prompt-Fehler
Fehler 1 — Zu vage. „Schreib mir eine Mail" vs. „Schreib mir eine Reaktivierungs-Mail für inaktive Kunden mit 150 Wörtern, Du-Form, ohne Superlative".
Fehler 2 — Kein Format vorgegeben. Modell entscheidet selbst, was ein sinnvolles Format ist. Oft nicht das, was du willst.
Fehler 3 — Keine Constraints. Modell produziert plausible, aber unpassende Ergebnisse (z. B. Duzen, wenn du Siezen wolltest).
Fehler 4 — Zu lange Prompts. Über 2.000 Wörter wird das Modell nachlässiger in der Beachtung einzelner Regeln. Kompakter formulieren.
Fehler 5 — One-Shot-Erwartung. Einmalig prompten und Ergebnis akzeptieren, statt zu iterieren. 80 Prozent der guten Outputs entstehen in 2–3 Runden.
Prompt-Bibliothek als Team-Asset
Für Teams lohnt sich eine geteilte Prompt-Bibliothek: strukturierte Sammlung bewährter Prompts, versioniert, mit Kommentaren und Beispiel-Outputs.
Struktur pro Prompt:
- Titel + Use-Case
- Aktuelle Version
- Beschreibung
- Der Prompt selbst
- Beispiel-Input
- Beispiel-Output
- Notizen zu bekannten Schwächen
- Änderungs-Historie
Tools: Notion, internes Wiki, oder spezialisierte Plattformen wie PromptLayer, Humanloop, LangSmith.
Prompt-Patterns pro Marketing-Task
Content-Erstellung:
- Role: Copywriter + Branche + Zielgruppe
- Task: Content-Typ + Thema + Länge
- Format: Struktur (Headline + Intro + Body + CTA)
- Constraints: Tonalität, verbotene Begriffe, SEO-Keywords
Content-Variation:
- Role: gleich
- Task: „Erstelle 5 Varianten des folgenden Textes"
- Format: Liste
- Constraints: Variations-Dimensionen (formeller, emotionaler, kürzer, etc.)
Analyse-Task:
- Role: Analyst + Kontext
- Task: Analyse-Frage
- Format: Struktur der Antwort (Summary, Details, Empfehlungen)
- Constraints: Quellen-Zitation, Unsicherheits-Markierungen
Zusammenfassung:
- Role: Executive-Assistant
- Task: „Fasse den folgenden Text zusammen"
- Format: Bullet-Points oder Prose in X Wörtern
- Constraints: Key-Points behalten, Redundanz entfernen
Advanced: System-Prompts und Context-Windows
System-Prompts setzen den Grund-Kontext für eine Konversation. Gut genutzt, reduzieren sie die Menge an Instruktionen pro einzelnem Prompt. Beispiel: Brand-Voice und typische Constraints im System-Prompt, dann pro Task nur noch den spezifischen Request.
Context-Windows (die max. Prompt+Antwort-Länge) sind 2026 oft über 100k Tokens. Das erlaubt, ganze Dokumente oder Transkripte im Prompt mitzugeben (RAG-light). Praktisch für Analyse-Tasks.
Häufigste Anwendungen im Marketing-Alltag
- E-Mail-Varianten generieren (10 Minuten Task mit gutem Prompt)
- Social-Media-Posts aus langen Texten ableiten
- Produktbeschreibungen systematisieren
- FAQ aus Kunden-Support-Daten erstellen
- Wettbewerbs-Positionierungs-Analyse
- Content-Briefings aus SEO-Research
- Interview-Transkripte synthetisieren
Verbindungen: Generative AI Use Cases als Einsatz-Landkarte. KI-Agenten für komplexere Workflows.