Die gute Nachricht: Fast alle „schlechten" KI-Antworten lassen sich auf ein paar wiederkehrende Muster zurückführen. Die schlechte Nachricht: Diese Muster sind extrem menschlich.

Hier sind fünf Fehler, die ich in Projekten immer wieder sehe – plus jeweils ein pragmatischer Fix.

Fehler 1: Unklare Ziele

„Mach das besser" ist kein Ziel. Wer nicht definiert, was „besser" bedeutet, bekommt zufällige Verbesserungsversuche.

Stattdessen:

Schreibe den folgenden Text um mit dem Ziel:
- klarer für Nicht-Expert:innen
- max. 200 Wörter
- freundlicher, aber nicht übertrieben locker

Fehler 2: Kein Kontext

Das Modell weiss nicht, für wen, wo und wozu du etwas schreibst – ausser du sagst es ihm. Kontext weglassen spart Tipparbeit, kostet aber Qualität.

Besser:

  • Wer ist die Zielgruppe?
  • In welchem Kanal wird der Text genutzt?
  • Was soll nach dem Lesen passieren?

Fehler 3: Alles in einen Prompt packen

„Schreib, übersetze, fasse zusammen, gib 10 Varianten und baue ein Konzept" – in einem Prompt. Ja, das geht irgendwie. Gut wird es selten.

Alternative: in Schritte aufteilen:

  1. Rohtext erstellen.
  2. Überarbeiten lassen.
  3. Varianten generieren.

Fehler 4: Keine Evaluation

Viele Teams arbeiten so: Prompt, Antwort, weiter. Ohne zu prüfen:

  • Wurden alle Anforderungen erfüllt?
  • Ist etwas erfunden worden (Halluzination)?
  • Ist der Stil konsistent mit bisherigen Inhalten?
Einfacher Fix: Eine kurze Checkliste am Ende jedes Prompts: „Überprüfe selbst: Erfüllt der Output X, Y, Z?" Oder: „Liste auf, welche Anforderungen du erfüllt hast."

Fehler 5: Kein Re-Use, nur Copy-Paste-Chaos

Jeder bastelt seine eigenen Prompts, niemand dokumentiert etwas, und die guten Ideen verschwinden im Chat-Log.

Stattdessen:

  • Einfache Prompt-Bibliothek aufbauen (Notion, Confluence, Git, egal).
  • Für wichtige Use Cases Pattern definieren (siehe Prompt Pattern Catalog).
  • Prompts versionieren wie kleine Mini-Tools.

Checkliste: Bin ich gerade in einen der 5 Fehler gelaufen?

  • Habe ich klar formuliert, was ich will – und wozu?
  • Habe ich dem Modell genug Kontext gegeben?
  • Ist die Aufgabe in sinnvolle Schritte aufgeteilt?
  • Habe ich Kriterien, nach denen ich den Output bewerte?
  • Nutze ich ein bestehendes Pattern – oder erfinde ich das Rad gerade neu?

Wenn du zwei oder mehr Fragen mit „nein" beantworten musst: Willkommen in der Fehlerzone. Gute Nachricht: Du kannst sie mit wenigen Anpassungen wieder verlassen.