Gute Prompts schreiben

Dieses Kapitel setzt voraus, dass Sie wissen, was ein Prompt ist. Falls nicht, steht das nebenan in Der Prompt: Es ist nicht nur Ihre Nachricht, sondern alles, was das Modell vor seiner Antwort sieht.

Hier geht es um den Teil, den Sie selbst schreiben.

Warum Ratgeber dazu ständig veralten

Im April 2026 empfahl OpenAI, in Anweisungen an das eigene Modell auf kurze Antworten zu drängen. Im Juli 2026 empfahl OpenAI, genau diese Anweisung wieder zu entfernen: Sie sei „unnötig oder kontraproduktiv”.

Beide Empfehlungen stehen unter derselben Adresse. Zwischen ihnen liegen elf Wochen. Wer in dieser Zeit gelernt hat, wie man „richtig” promptet, hat etwas gelernt, das schon nicht mehr galt.

Drei Empfehlungen in fünfzehn Monaten

OpenAI führt eine Seite mit Prompting-Hinweisen, die sich je Modell umschaltet. Was dort steht, hat sich zwischen drei Versionen erheblich verschoben.

Leitfaden	Der Rat, in einem Satz
Zu GPT-5.4 (externe Seite, developers.openai.com)	Ausführlich anweisen. Ausgabeform festlegen, Prüfschleifen einbauen, für kleinere Modelle länger und expliziter schreiben.
Zu GPT-5.5 (externe Seite, developers.openai.com), 25.04.2026	Ziele statt Schritte. Den alten Prompt nicht übernehmen, sondern mit einem leeren Blatt anfangen. Ausführliche Ablaufvorgaben streichen.
Zu GPT-5.6 (externe Seite, developers.openai.com), 09.07.2026	Wieder herausnehmen. Wiederholungen und Beispiele kürzen, Werkzeugbeschreibungen vereinfachen. Pauschale Kürzungsanweisungen wie „Be concise” schaden eher.

Wer im März 2026 einen sorgfältigen Prompt geschrieben hat, hatte im April eine Empfehlung gegen sich und im Juli eine zweite.

Was Sie stattdessen lernen sollten

Nicht die Rezepte, sondern das, was die Rezepte erklärt.

Was das Modell mit Ihrem Text macht. Es sagt Token für Token voraus, was als Nächstes plausibel ist, gegeben alles, was im Fenster steht. Ihr Text setzt die Bedingungen für diese Vorhersage. Er befiehlt nicht, er verengt.

Woran Sie merken, dass etwas nicht passt. Antworten zu lang, zu allgemein, am Thema vorbei, oder das Modell fragt nach, statt zu handeln. Jedes davon hat eine Ursache im Fenster, und die findet man durch Weglassen schneller als durch Hinzufügen.

Dass Ihr Prompt ein Datum hat. Er wurde für ein bestimmtes Modell geschrieben. Wechselt das Modell, ist er eine Annahme und keine Einstellung mehr.

Der Nebenbefund, der eigentlich der Hauptbefund ist

Die drei Empfehlungen oben stehen nicht auf drei Seiten. Sie stehen auf derselben Seite, die bei jeder Modellversion überschrieben wird.

Diese Seite trägt kein Veröffentlichungsdatum. Das Datum für den 5.5-Stand steht in diesem Kapitel, weil ein Dritter es notiert hat, nicht weil der Hersteller es angegeben hätte.

Wer sich also auf die Herstellerdokumentation beruft, beruft sich auf etwas, das sich rückwirkend ändert und dabei keine Spur hinterlässt. Für ein Gespräch am Kaffeeautomaten ist das gleichgültig. Für eine Anwendung, die in einem halben Jahr noch nachvollziehbar sein soll, ist es das nicht.

Deshalb trägt auf dieser Seite jede Quelle ein Prüfdatum, nachzulesen im Quellenregister. Bei diesem Kapitel war das keine Formsache, sondern der Anlass.

Ratschläge zum Prompting zerfallen in zwei Gruppen. Die eine steht seit Jahren unverändert in jedem Leitfaden. Die andere wurde in den letzten fünfzehn Monaten zweimal umgeschrieben. Die Trennlinie zu kennen ist nützlicher als jede Sammlung von Vorlagen.

Was stabil ist

Diese Punkte stehen seit Jahren in jedem Leitfaden und haben keinen Versionswechsel verloren:

• Eine Aufgabe je Prompt. Zwei Aufgaben in einem Text ergeben zwei halbe Antworten.
• Keine Widersprüche. „Fasse dich kurz” und „gehe auf alle Punkte ein” im selben Prompt zwingen das Modell zu einer Wahl, die Sie nicht treffen.
• Überprüfbares Ziel. „Schreibe eine gute Zusammenfassung” ist nicht prüfbar. „Fünf Stichpunkte, jeder mit einer Zahl aus dem Text” ist es.
• Kontext schlägt Formulierung. Der Unterschied zwischen einer brauchbaren und einer unbrauchbaren Antwort liegt öfter im fehlenden Dokument als im fehlenden Reizwort.
• Was das Modell nicht wissen kann, muss dastehen. Auch das, was Ihnen selbstverständlich vorkommt.

1. SystemanweisungRolle, Grenzen, TonAnbieter
2. Werkzeugbeschreibungenwas das Modell aufrufen darfAnbieter
3. Gesprächsverlaufalles bisher Gesagteentsteht
4. Dokumente und KontextMaterial zur AufgabeSie oder eine Suche
5. Ihre Nachrichtdie eigentliche AnweisungSie

Hervorgehoben: Dokumente und Kontext.

Was nicht stabil ist

Die Herstellerempfehlungen zur Ausführlichkeit haben sich innerhalb von fünfzehn Monaten zweimal gedreht.

Der Leitfaden zu GPT-5.4: ausführlich anweisen

Dieser Leitfaden (externe Seite, developers.openai.com) rät zu vertraglich gefassten Ausgaben („Keep outputs compact and structured”), zu klaren Vorgaben, wann das Modell handelt und wann es nachfragt („Set clear defaults for follow-through”), und zu einer Prüfschleife vor folgenreichen Schritten. Für kleinere Modelle gilt: „Prompts for smaller models are often a bit longer and more explicit.”

Bemerkenswert ist ein weiterer Satz, der bis heute trägt: Rechenzeit sei „a last-mile knob”, also die letzte Stellschraube. Erst am Prompt arbeiten, dann am Aufwand.

Der Leitfaden zu GPT-5.5, 25.04.2026: Ziele statt Schritte

Hier (externe Seite, developers.openai.com) kippt die Richtung. Das Modell sei „a new model family to tune for, not a drop-in replacement”. Und deutlicher:

• „Begin migration with a fresh baseline instead of carrying over every instruction from an older prompt.”
• „Reduce or remove detailed step-by-step process guidance.”
• Zur Ausführlichkeit: medium sei die Voreinstellung, low oft der bessere Startwert.

Der Grund steht zwischen den Zeilen: Die alten Prompts waren prozessorientiert, weil frühere Modelle diese Führung brauchten. Sie brauchen sie nicht mehr, und die Führung wird zur Fessel.

Der Leitfaden zu GPT-5.6, 09.07.2026: wieder herausnehmen

Der nächste Stand (externe Seite, developers.openai.com) geht einen Schritt weiter. Wiederholte Anweisungen und Beispiele zu entfernen und Werkzeugbeschreibungen zu vereinfachen verbessere sowohl das Ergebnis als auch den Verbrauch. Das Modell antworte von sich aus knapper als sein Vorgänger, weshalb pauschale Kürzungsanweisungen wie „Be concise” oder „Keep it short” jetzt unnötig oder schädlich seien.

Damit ist die Anweisung, die man ein Vierteljahr zuvor einbauen sollte, zur Fehlerquelle geworden.

Die Stellschrauben, die kein Prompt sind

Zwei Dinge werden oft in den Prompt geschrieben, obwohl sie danebenliegen und dort besser aufgehoben sind:

Ausführlichkeit. In der Programmierschnittstelle gibt es dafür einen eigenen Parameter. Ihn zu setzen ist zuverlässiger, als es dem Modell in Worten mitzuteilen, und es kostet keine Token.

Rechenaufwand. Reasoning-Modelle nehmen sich vor der Antwort Zeit für Zwischenschritte, siehe o1, September 2024. Auch das ist ein Parameter. Der Rat aus dem Leitfaden zu GPT-5.4 gilt weiter: erst der Prompt, dann der Aufwand. Mehr Rechenzeit repariert keine fehlende Information.

Vorgehen, das den nächsten Modellwechsel übersteht

1. Kürzesten Prompt schreiben, der die Aufgabe löst. Nicht den vollständigsten.
2. Fehler ansehen, nicht Erfolge. Wo die Antwort schiefging, fehlt meistens Kontext, nicht Nachdruck.
3. Eine Zeile nach der anderen hinzufügen und jeweils prüfen, ob sie etwas ändert. Zeilen ohne nachweisbare Wirkung fliegen raus.
4. Datum und Modell danebenschreiben. Ein Prompt ohne diese Angabe ist in sechs Monaten nicht mehr bewertbar.
5. Beim Modellwechsel neu anfangen, nicht anpassen. Das ist der Rat des Herstellers, und er ist unangenehm genug, dass ihn kaum jemand befolgt.

Was das über Prompting-Ratgeber sagt

Ein Ratgeber, der keine Modellversion und kein Datum nennt, ist nicht prüfbar. Er kann für den Stand von vor einem Jahr geschrieben sein, und man sieht es ihm nicht an. Das gilt für Blogbeiträge, für Kurse, für Vorlagensammlungen und für die Herstellerdokumentation selbst: Die Seite, aus der die drei Stände oben stammen, trägt keines von beidem im Text. Die Modellangabe steckt in der Adresse, das Datum fehlt ganz.

Wer Prompts nicht schreibt, sondern betreibt, hat ein anderes Problem als der Gelegenheitsnutzer. Der Prompt ist dann kein Text, sondern ein Bauteil mit Lebenszyklus, Abhängigkeiten und Verfallsdatum.

Prompt-Narben

Ein produktiver Systemprompt wächst nach einem erkennbaren Muster. Etwas geht schief, jemand fügt eine Zeile hinzu, das Problem verschwindet. Die Zeile bleibt. Ein halbes Jahr später steht dort ein Absatz, dessen Anlass niemand mehr kennt und den niemand zu löschen wagt.

Beispiele, die man in fast jedem gewachsenen Prompt findet:

• „Antworte immer auf Deutsch”, eingefügt, als das Modell noch häufig ins Englische rutschte.
• „Erfinde keine Fakten”, eingefügt nach einer peinlichen Halluzination.
• „Denke Schritt für Schritt”, eingefügt, als das noch messbar half.
• Ein Ausgabebeispiel, das ein Feld enthält, das es seit zwei Umbauten nicht mehr gibt.

Jede dieser Zeilen war einmal richtig. Zusammen ergeben sie einen Text, der dem Modell mehr über die Vergangenheit des Projekts erzählt als über die Aufgabe. Genau darauf zielt der Rat aus dem Leitfaden zu GPT-5.5 (externe Seite, developers.openai.com): mit einem leeren Blatt anfangen statt jede Anweisung mitzuschleppen.

Migration als eigener Vorgang

Ein Modellwechsel ist kein Austausch einer Bibliothek. Der Hersteller sagt das im Leitfaden zu GPT-5.5 (externe Seite, developers.openai.com) selbst: „treat it as a new model family to tune for, not a drop-in replacement”.

Ein Ablauf, der sich bewährt:

1. Die Aufgabe neu beschreiben, ohne den alten Prompt danebenzulegen. Fünf Sätze, die das Ziel und die Grenzen benennen.
2. Gegen dieselben Fälle laufen lassen wie den alten Prompt. Ohne einen festen Satz von Testfällen ist der Rest Geschmackssache.
3. Erst die Abweichungen ansehen, nicht die Trefferquote. Wo der neue Prompt schlechter ist, steht in der Regel eine der alten Zeilen dahinter, die tatsächlich etwas leistete.
4. Diese Zeilen einzeln zurückholen, jeweils mit einer Messung.
5. Den alten Prompt aufheben, mit Modellangabe und Datum, nicht überschreiben.

Der Aufwand ist der Grund, warum es kaum jemand tut. Er ist auch der Grund, warum viele Anwendungen mit einem Modell laufen, dessen Empfehlungen zwei Stände alt sind.

Zahlen, denen man nicht folgen sollte

Zum Leitfaden für GPT-5.6 (externe Seite, developers.openai.com) kursieren Zahlen aus internen Messungen des Herstellers an Coding-Agenten: 10 bis 15 Prozent bessere Bewertungen, 41 bis 66 Prozent weniger Token, 33 bis 67 Prozent geringere Kosten.

Diese Zahlen sind ein gutes Übungsstück, weil sie fast alles falsch machen, was man an einer Zahl falsch machen kann:

• Der Urheber hat ein Interesse. Der Hersteller misst die Wirkung seiner eigenen Empfehlung.
• Die Messung ist nicht offengelegt. Weder die Aufgaben noch die Prompts noch die Bewertungsverfahren sind einsehbar.
• Die Spanne ist riesig. 41 bis 66 Prozent ist keine Messung, das ist ein Wertebereich.
• Der Hersteller selbst schränkt ein. Die Werte seien „directional”, Ergebnisse hingen von der Arbeitslast ab.
• Die Aufgabe ist eng. Gemessen wurde an Coding-Agenten. Wer Texte zusammenfasst, hat einen anderen Fall.

Nichts davon macht die Zahlen falsch. Es macht sie unbrauchbar als Grundlage für eine Entscheidung im eigenen Haus. Die Richtung stimmt vermutlich, die Größe ist unbekannt, und die eigene Größe muss man selbst messen.

Undatierte Dokumentation

Der Befund, der diesem Kapitel zugrunde liegt, betrifft nicht das Prompting, sondern das Belegen.

Die drei Stände aus Kapitel und Tabelle stehen nicht auf drei Seiten. Sie stehen auf einer Seite, die sich über einen Parameter in der Adresse umschaltet und bei jeder Modellversion überschrieben wird. Ein Veröffentlichungsdatum trägt sie nicht. Ein Änderungsprotokoll gibt es nicht.

Was das praktisch bedeutet:

• Eine Fußnote auf diese Seite belegt nichts. Sie zeigt auf den heutigen Stand, auch wenn sie vor einem Jahr geschrieben wurde.
• Der Widerspruch zwischen zwei Ständen ist nach dem Überschreiben nicht mehr nachweisbar. Er verschwindet, ohne dass jemand etwas löschen musste.
• Wer sich in einer Entscheidungsvorlage auf die Herstellerdokumentation beruft, beruft sich auf ein bewegliches Ziel.

Der Umgang damit ist unspektakulär und funktioniert:

Abbild sichern. Beim ersten Berufen eine Archivkopie anlegen und diese verlinken, nicht die Originaladresse allein.

Datum und Version notieren. Wenn der Hersteller keines liefert, das eigene Abrufdatum. Es ist schwächer, aber es ist eine Angabe.

Im eigenen Repo festhalten, welcher Prompt zu welchem Modell und welchem Dokumentationsstand gehört. Prompts gehören unter Versionskontrolle, nicht in ein Wiki, in dem die letzte Fassung die einzige ist.

Auf dieser Seite ist genau das der Grund, warum jede Quelle ein Prüfdatum trägt und im Quellenregister steht. Beim Kapitel über Token war das Formsache. Hier ist es der Anlass gewesen.