Gute Prompts – Schlechte Prompts

In der Wissenschaft verändert der Einsatz von KI nicht nur das Arbeiten, sondern fordert von Lehrenden und Studierenden zugleich neue Kompetenzen. Eine der zentralen Methoden im Umgang mit KI ist das Prompting, also die Fähigkeit, KI-Modelle durch gezielte Eingaben zu steuern. Dabei hängt die Qualität nutzbarer Ergebnisse maßgeblich davon ab, wie präzise diese Eingaben formuliert sind. Ein durchdachter Prompt schafft folglich die Grundlage für belastbare Ergebnisse, während unklare Anweisungen häufig zu oberflächlichen oder falschen Resultaten führen.

Dieser Beitrag wurde im Mai 2026 überarbeitet und um eine praktische 10-Punkte-Checkliste für präzises Prompten beim wissenschaftlichen Arbeiten und Schreiben ergänzt. Darin finden Sie Beispielprompts sowie kurze Erläuterungen, die Ihnen zeigen, welchen konkreten Nutzen ein präziser Prompt in der jeweiligen Situation bringt.

Zudem wählt die KI durch diese Perspektive automatisch die passenden Fachbegriffe aus. Auf diese Weise steuern Sie maßgeblich die Komplexität und den Stil der Antworten. Sie erhalten Ergebnisse, die exakt dem gewünschten Niveau entsprechen. Somit sorgt dieser einfache Schritt für eine fachlich stimmige Tonalität in Ihrem Text.

Durch diese präzise Auswahl der gewünschten Formate lenken Sie die KI direkt zum Ziel. Dadurch sparen Sie Zeit bei der Nachbearbeitung und erhöhen die Qualität Ihrer wissenschaftlichen Unterlagen deutlich. So erhalten Sie zielgerichtete Texte, die Ihre akademische Arbeit effizient voranbringen.

Vermeiden Sie „Stichwort-Prompts“ („Zero-Shot-Prompting“) . Nutzen Sie stattdessen das deutlich effektiver Few-Shot–Prompting, indem Sie dem Modell 2-3 Beispiele für den gewünschten Stil und die wissenschaftliche Tiefe voranstellen. Während man beim Zero-Shot-Ansatz die KI lediglich mit einer isolierten Aufgabe oder bloßen Stichworten konfrontiert und darauf hofft, dass das Modell den richtigen Ton trifft, setzt das Few-Shot-Prompting auf gezielte Anleitung durch Beispiele.

Dieser Ansatz ist zudem besonders wertvoll, um der KI einen spezifischen Zitierstil (z. B. APA 7, Harvard oder die Deutsche Zitierweise) beizubringen. Da das Modell die im Prompt enthaltenen Muster als strukturelle Blaupause nutzt, lernt es nicht nur die inhaltliche Logik, sondern übernimmt auch die spezifische Interpunktion sowie die präzise Anordnung der Metadaten direkt in die Antwort. Folglich wird die KI erst durch diese gezielte Nutzung von Beispielen zu einem präzisen Werkzeug, das die formalen Vorgaben des jeweiligen Fachkontexts sowie die geforderte Wirkung garantiert einhält.

Darüber hinaus ist es unerlässlich, der KI explizit vorzugeben, wie sie ihre Antwort strukturieren soll, um eine angemessene wissenschaftliche Substanz zu gewährleisten. Ohne eine solche präzise Anweisung greift das Modell häufig auf eine standardisierte Listenform oder oberflächliche Aufzählungspunkte zurück, die jedoch den komplexen Anforderungen akademischer Argumentationsketten selten gerecht werden. Um dies zu vermeiden, sollten Sie eine Gliederung einfordern, die beispielsweise eine logische Einleitung, eine tiefergehende Analyse in zusammenhängenden Fließtext-Absätzen und ein abschließendes Fazit umfasst.

Durch die Vorgabe einer klaren Struktur – etwa unter Verwendung von Zwischenüberschriften oder einer deduktiven Argumentationsweise – zwingen Sie die KI dazu, Zusammenhänge explizit auszuschreiben, anstatt sie lediglich stichpunktartig anzureißen. Dies stellt sicher, dass die Antwort nicht nur informativ bleibt, sondern auch die für die Wissenschaft notwendige Kohärenz und Tiefe aufweist.

Indem das Modell durch konkrete Nachfragen gesteuert wird, lässt sich die Qualität der Ausgabe kontinuierlich steigern. Letztendlich entspricht dieser iterative Prozess der klassischen Textüberarbeitung und trägt somit maßgeblich zur Güte wissenschaftlicher Texte bei. Denn erst durch diese konsequente Nachbearbeitung wird sichergestellt, dass die komplexe Botschaft präzise vermittelt wird und den akademischen Standards entspricht.

Ein wesentlicher Baustein ist dabei die explizite Definition der Zielgruppe im Prompt. Da die wissenschaftliche Leserschaft nicht homogen ist, muss das Modell wissen, ob es für Fachkollegen, Studierende oder die breite Öffentlichkeit schreibt. Dies steuert nicht nur das vorausgesetzte Vorwissen und die Dichte der Fachterminologie, sondern bestimmt auch den passenden Tonfall – von methodischer Akribie für Gutachter bis hin zur Anschaulichkeit für Laien. Erst durch diese Adressatenfokussierung wird die KI zu einem präzisen Werkzeug, das die gewünschte Wirkung im jeweiligen Fachkontext erzielt.

Fordern Sie die KI auf, Schritt für Schritt zu denken. Dies erhöht die logische Konsistenz erheblich. Dieses sogenannte Chain-of-Thought-Prompting zwingt die KI dazu, komplexe Aufgaben in logische Teilaspekte zu zerlegen, anstatt voreilig ein Ergebnis zu liefern. Durch das Ausformulieren von Zwischenschritten steigt die logische Konsistenz erheblich und die Fehlerquote sinkt – besonders bei technischen oder analytischen Fragen. Ein einfacher Zusatz wie „Gehe Schritt für Schritt vor“ macht den Denkprozess für den Nutzer transparent und hebt die Antwortqualität sofort auf ein professionelles Niveau.

Behandeln Sie den ersten Output nur als Entwurf. Ein fundierter Text entsteht erst durch einen aktiven Prozess. Zwingen Sie das Modell zur inhaltlichen Nachschärfung. Die iterative Verfeinerung durch Feedback-Schleifen ist zentral für das wissenschaftliche Arbeiten mit KI. Diese Phase ist keine bloße Korrektur. Vielmehr ist sie der eigentliche Motor der Wissensgenerierung.

Begnügen Sie sich dabei nicht mit allgemeinen Korrekturen. Geben Sie stattdessen differenziertes Feedback zu einzelnen Abschnitten. Benennen Sie klar, welche Aspekte vertieft, präzisiert oder theoretisch fundiert werden sollen.

Fordern Sie zudem eine tiefere theoretische Fundierung ein. Auch terminologische Präzision ist hierbei entscheidend. Dieser Prozess ähnelt stark dem klassischen Peer-Review.

Durch gezielte Rückfragen decken Sie versteckte Widersprüche in der Argumentation auf. So wird die KI dazu gezwungen, vage Aussagen durch konkrete Belege zu ersetzen. Erst diese konsequente Verfeinerung sichert die wissenschaftliche Güte. So wird das Endergebnis inhaltlich belastbar und überzeugt durch intellektuelle Tiefe.

Unter Rauschen versteht man inhaltliche Ballaststoffe ohne Informationswert. Dazu gehören insbesondere hohle Phrasen und blumige Adjektive. Auch weitschweifige Erklärungen bekannter Fakten behindern den Lesefluss.

Vermeiden Sie daher bewusst die typische „KI-Prosa“ mit ihren Standard-Floskeln. Fordern Sie stattdessen eine nüchterne und rein sachbezogene Darstellung ein. Somit bleibt der Fokus ganz auf Ihrer wissenschaftlichen Kernaussage. Dadurch gewinnt Ihr Text erheblich an Klarheit und Präzision.

Die KI ist ein Text-Wahrscheinlichkeits-Modell, keine Datenbank, in der korrekte und aktuelle Daten gespeichert sind. Egal wie gut die KI ist, der letzte Schritt muss immer manuell erfolgen.Prüfen Sie Zitate und Literaturangaben auf ihre Existenz (z. B. über die Hochschulbibliothek oder Google Scholar) und fachliche Korrektheit, denn die Verantwortung für den Text liegt beim Menschen. Achten Sie auf diese Red Flags:

• Zu perfekte Titel: Quellen, deren Titel exakt Ihre Forschungsfrage widerspiegeln, sind oft erfunden.
• Nicht-existente DOIs: Prüfen Sie (stichprobenartig) DOIs. Eine ungültige DOI ist ein sicheres Zeichen für eine Halluzination.
• Veraltete Daten: Da viele Modelle ein „Knowledge-Cutoff“-Datum haben, sind Fakten zu tagesaktuellen Ereignissen (z. B. neue Gesetzesänderungen von 2025/2026) ohne Websuche oft unzuverlässig.

Fachbereich	Suboptimaler Prompt	Wissenschaftlich optimierter Prompt
Psychologie	„Schreibe über Stress.“	„Erläutere die wichtigsten Stressmodelle (z. B. Lazarus, Selye) und ihre Anwendung in der klinischen Psychologie, mit Bezug auf aktuelle Studien.“
Jura	„Erkläre das Vertragsrecht.“	„Analysiere die jüngste Rechtsprechung des Bundesgerichtshofs bezüglich der Auslegung von Allgemeinen Geschäftsbedingungen im Vertragsrecht und führe einschlägige Literatur an.“
Medizin	„Schreibe etwas über Masern?“	„Beschreibe den klinischen Verlauf, die diagnostischen Kriterien und aktuellen Präventionsmaßnahmen gegen Masern bei Kindern auf Basis der neuesten Leitlinien.“

Quellen zu Prompts, die bei der wissenschaftlichen Arbeit weiterhelfen, finden Sie im Blogbeitrag „Prompting im Studium: Ein Einstieg“.