ChatGPT vs. Claude: Wie Sie Prompts für beide Modelle verfassen

ChatGPT vs. Claude: Wie Sie Prompts für beide Modelle verfassen

Zuverlässige Arbeit mit KI beginnt mit einer klaren Vereinbarung darüber, was erstellt werden soll und nach welchen Kriterien das Ergebnis beurteilt wird. Dieser Leitfaden bietet einen operativen Rahmen statt eines Produkt-Rankings oder des Versprechens, dass ein einzelner Prompting-Trick jede Aufgabe löst. Wo Fähigkeiten von einem bestimmten Modell, Account oder einer Integration abhängen, sollten Sie diese in Ihrer tatsächlichen Arbeitsumgebung überprüfen.

Wichtigste Erkenntnisse

• Definieren Sie das gewünschte Ergebnis, bevor Sie Syntax oder Werkzeuge auswählen.
• Trennen Sie Anweisungen, Belegmaterial und illustrative Beispiele voneinander.
• Formulieren Sie Einschränkungen prüfbar und weisen Sie die Verantwortung für wichtige Entscheidungen klar zu.
• Bewerten Sie repräsentative Ergebnisse, statt sich auf eine einzelne, beeindruckende Antwort zu verlassen.
• Nutzen Sie Brief Prompting (strukturierte Briefing-Prompts), um fehlenden Kontext vor der Ausführung zu erfassen.

Beginnen Sie mit derselben Aufgabendefinition

Vergleiche konzentrieren sich oft auf die „Persönlichkeit“ der Modelle, obwohl die größte Varianz durch ein unvollständiges Briefing entsteht. Beide Systeme müssen das beabsichtigte Ergebnis, die Zielgruppe und die Grenzen des Quellenmaterials kennen. Legen Sie diese Punkte fest, bevor Sie die Syntax anpassen. Andernfalls schreiben Sie eine Qualitätsverbesserung womöglich dem Modell zu, obwohl der zweite Versuch schlicht Informationen enthielt, die beim ersten fehlten.

Eine praktische Umsetzung

Beginnen Sie mit einer realen Aufgabe, die von einer Person geprüft werden kann. Bestimmen Sie, welche Informationen das Modell erhalten muss, welche Entscheidungen es selbst treffen darf und an welchem Punkt ein Mensch die Verantwortung übernehmen muss. Halten Sie diese Grenzen im Briefing fest, bevor Sie das Ergebnis generieren. So bleibt der Workflow nachvollziehbar – selbst wenn sich das zugrunde liegende Modell ändert.

Ziel: Entwurf einer Onboarding-E-Mail. Zielgruppe: Neue Administratoren. Ergebnis: Vollständige Einrichtung. Quelle: Bereitgestellte Einrichtungsanleitung. Einschränkung: Keine Funktionen erfinden oder Hilfestellungen versprechen, die nicht in der Anleitung aufgeführt sind.

Prüfen Sie das Ergebnis anhand der Aufgabenstellung, nicht daran, wie geschliffen es klingt. Kontrollieren Sie, ob die erforderlichen Informationen vorhanden sind, ob unbelegte Annahmen aufgetaucht sind und ob die Zielgruppe auf Basis der Antwort handeln kann. Wenn ein Kriterium verfehlt wird, benennen Sie diesen Fehler explizit, anstatt um eine vage Verbesserung zu bitten.

Ein aussagekräftiger Vergleich hält das gewünschte Arbeitsergebnis konstant. Wenn Sie von einem System eine Management-Zusammenfassung und vom anderen eine detaillierte Analyse fordern, lassen die Ergebnisse kein fundiertes Urteil über die Eignung des Modells zu. Vereinheitlichen Sie zuerst die Aufgabe und prüfen Sie anschließend, an welchen Stellen die jeweilige Antwort korrigiert werden muss.

Nutzen Sie Markdown als Standard für ChatGPT

Markdown-Überschriften machen eine Anweisung für Menschen leicht prüf- und anpassbar. Trennen Sie Aufgabe, Kontext, Anforderungen und Ausgabeformat, anstatt alles in einem einzigen Absatz zu vermischen. Dies ist eine praktische Konvention, keine feste Regel: ChatGPT kann durchaus auch XML oder Fließtext interpretieren. Klare Bezeichnungen sind wichtiger als dekorative Formatierungen.

Eine praktische Umsetzung

Beginnen Sie mit einer realen Aufgabe, die von einer Person geprüft werden kann. Bestimmen Sie, welche Informationen das Modell erhalten muss, welche Entscheidungen es selbst treffen darf und an welchem Punkt ein Mensch die Verantwortung übernehmen muss. Halten Sie diese Grenzen im Briefing fest, bevor Sie das Ergebnis generieren. So bleibt der Workflow nachvollziehbar – selbst wenn sich das zugrunde liegende Modell ändert.

# Ziel
Erkläre den Migrationsprozess für einen nicht-technischen Kunden.
# Quellen
Verwende ausschließlich den bereitgestellten Leitfaden.
# Ausgabe
Fünf nummerierte Schritte, gefolgt von offenen Fragen.

Prüfen Sie das Ergebnis anhand der Aufgabenstellung, nicht daran, wie geschliffen es klingt. Kontrollieren Sie, ob die erforderlichen Informationen vorhanden sind, ob unbelegte Annahmen aufgetaucht sind und ob die Zielgruppe auf Basis der Antwort handeln kann. Wenn ein Kriterium verfehlt wird, benennen Sie diesen Fehler explizit, anstatt um eine vage Verbesserung zu bitten.

Machen Sie aus einer Formatierungskonvention kein Dogma. Wenn eine einfache Überschriftenstruktur in beiden Systemen gut funktioniert, ist sie oft der unkomplizierteste gemeinsame Standard. Fügen Sie Tags hinzu, wenn klarere Abgrenzungen helfen – nicht, weil jede Aufgabe eine aufwendige Auszeichnungssprache erfordert.

Nutzen Sie XML als Standard für Claude

Tags im XML-Stil eignen sich hervorragend, um Anweisungen von Referenzmaterial zu trennen – besonders dann, wenn ein Briefing mehrere Dokumente oder Beispiele enthält. Wählen Sie aussagekräftige Tag-Namen und halten Sie Verschachtelungen einfach. Die Tags schaffen klare Grenzen; sie authentifizieren jedoch keine Inhalte und verhindern nicht automatisch jeden Fehler bei der Befolgung von Anweisungen. Claude kommt ebenso mit Markdown und natürlicher Sprache zurecht.

Eine praktische Umsetzung

Beginnen Sie mit einer realen Aufgabe, die von einer Person geprüft werden kann. Bestimmen Sie, welche Informationen das Modell erhalten muss, welche Entscheidungen es selbst treffen darf und an welchem Punkt ein Mensch die Verantwortung übernehmen muss. Halten Sie diese Grenzen im Briefing fest, bevor Sie das Ergebnis generieren. So bleibt der Workflow nachvollziehbar – selbst wenn sich das zugrunde liegende Modell ändert.

<goal>Erkläre den Migrationsprozess für einen nicht-technischen Kunden.</goal>
<sources>Hier den freigegebenen Migrationsleitfaden einfügen.</sources>
<output>Fünf nummerierte Schritte, gefolgt von offenen Fragen.</output>

Prüfen Sie das Ergebnis anhand der Aufgabenstellung, nicht daran, wie geschliffen es klingt. Kontrollieren Sie, ob die erforderlichen Informationen vorhanden sind, ob unbelegte Annahmen aufgetaucht sind und ob die Zielgruppe auf Basis der Antwort handeln kann. Wenn ein Kriterium verfehlt wird, benennen Sie diesen Fehler explizit, anstatt um eine vage Verbesserung zu bitten.

Ein Referenzbeispiel darf niemals stillschweigend die Freigabe zur Nutzung sensibler Daten erweitern. Bevor Sie Material in eines der Systeme einfügen, prüfen Sie, ob es für diese Umgebung zulässig ist. Entfernen Sie personenbezogene Daten und vertrauliche Inhalte, die für die beabsichtigte Bearbeitung nicht zwingend erforderlich sind.

Übertragen Sie die Bedeutung, nicht nur die Zeichensetzung

Eine erfolgreiche Übertragung von einem Modell auf das andere bewahrt Prioritäten und Quellengrenzen. Es genügt nicht, einen unübersichtlichen Prompt blind in Tags zu setzen und eine Verbesserung zu erwarten. Beseitigen Sie zuerst widersprüchliche Anweisungen, stellen Sie zwingende Vorgaben klar und trennen Sie Beispiele von Fakten. Formulieren Sie dasselbe Briefing anschließend in der Struktur, die Ihr Team am einfachsten pflegen kann.

Eine praktische Umsetzung

Beginnen Sie mit einer realen Aufgabe, die von einer Person geprüft werden kann. Bestimmen Sie, welche Informationen das Modell erhalten muss, welche Entscheidungen es selbst treffen darf und an welchem Punkt ein Mensch die Verantwortung übernehmen muss. Halten Sie diese Grenzen im Briefing fest, bevor Sie das Ergebnis generieren. So bleibt der Workflow nachvollziehbar – selbst wenn sich das zugrunde liegende Modell ändert.

Behalte das Ziel, die Zielgruppe, die faktischen Einschränkungen und die Abnahmekriterien bei. Wandle Überschriften in beschreibende Tags um, ohne neue Anforderungen hinzuzufügen oder bestehende Einschränkungen aufzuweichen.

Prüfen Sie das Ergebnis anhand der Aufgabenstellung, nicht daran, wie geschliffen es klingt. Kontrollieren Sie, ob die erforderlichen Informationen vorhanden sind, ob unbelegte Annahmen aufgetaucht sind und ob die Zielgruppe auf Basis der Antwort handeln kann. Wenn ein Kriterium verfehlt wird, benennen Sie diesen Fehler explizit, anstatt um eine vage Verbesserung zu bitten.

Ein aussagekräftiger Vergleich hält das gewünschte Arbeitsergebnis konstant. Wenn Sie von einem System eine Management-Zusammenfassung und vom anderen eine detaillierte Analyse fordern, lassen die Ergebnisse kein fundiertes Urteil über die Eignung des Modells zu. Vereinheitlichen Sie zuerst die Aufgabe und prüfen Sie anschließend, an welchen Stellen die jeweilige Antwort korrigiert werden muss.

Weisen Sie Beispielen eine präzise Funktion zu

Beispiele können Tonfall, Detaillierungsgrad oder Layout veranschaulichen – das Modell muss jedoch wissen, welches dieser Merkmale es imitieren soll. Ein Referenzartikel weist womöglich das richtige Tempo auf, enthält jedoch inhaltlich falsche Aussagen. Kennzeichnen Sie ihn entsprechend. Echte, veröffentlichte Referenzen sind dann nützlich, wenn sie gezielt auf ihre Relevanz geprüft werden – nicht, wenn man sie ungeprüft als maßgeblich behandelt oder wortwörtlich in die finale Antwort übernimmt.

Eine praktische Umsetzung

Beginnen Sie mit einer realen Aufgabe, die von einer Person geprüft werden kann. Bestimmen Sie, welche Informationen das Modell erhalten muss, welche Entscheidungen es selbst treffen darf und an welchem Punkt ein Mensch die Verantwortung übernehmen muss. Halten Sie diese Grenzen im Briefing fest, bevor Sie das Ergebnis generieren. So bleibt der Workflow nachvollziehbar – selbst wenn sich das zugrunde liegende Modell ändert.

Nutze die Referenz ausschließlich zur Orientierung für Absatzlänge und Direktheit. Übernimm weder Wortlaut, Statistiken, Unternehmensnamen noch inhaltliche Aussagen. Verwende für den Inhalt das freigegebene Faktenblatt.

Prüfen Sie das Ergebnis anhand der Aufgabenstellung, nicht daran, wie geschliffen es klingt. Kontrollieren Sie, ob die erforderlichen Informationen vorhanden sind, ob unbelegte Annahmen aufgetaucht sind und ob die Zielgruppe auf Basis der Antwort handeln kann. Wenn ein Kriterium verfehlt wird, benennen Sie diesen Fehler explizit, anstatt um eine vage Verbesserung zu bitten.

Machen Sie aus einer Formatierungskonvention kein Dogma. Wenn eine einfache Überschriftenstruktur in beiden Systemen gut funktioniert, ist sie oft der unkomplizierteste gemeinsame Standard. Fügen Sie Tags hinzu, wenn klarere Abgrenzungen helfen – nicht, weil jede Aufgabe eine aufwendige Auszeichnungssprache erfordert.

Regeln Sie den Umgang mit Quellen explizit

Weder ein überzeugender Tonfall noch eine elegante Quellenangabe beweisen, dass eine Antwort fundiert ist. Stellen Sie Quellen direkt bereit, wenn die Genauigkeit von bestimmten Dokumenten abhängt, und fordern Sie nachvollziehbare Verweise auf diese Quellen ein. Falls Web-Browsing verfügbar ist, definieren Sie den Suchbereich und verlangen Sie eine Verifizierung. Die Verfügbarkeit von Werkzeugen variiert je nach Produkt, Account und Konfiguration; gehen Sie nicht davon aus, dass jeder Chat auf Websuchen zugreifen kann.

Eine praktische Umsetzung

Beginnen Sie mit einer realen Aufgabe, die von einer Person geprüft werden kann. Bestimmen Sie, welche Informationen das Modell erhalten muss, welche Entscheidungen es selbst treffen darf und an welchem Punkt ein Mensch die Verantwortung übernehmen muss. Halten Sie diese Grenzen im Briefing fest, bevor Sie das Ergebnis generieren. So bleibt der Workflow nachvollziehbar – selbst wenn sich das zugrunde liegende Modell ändert.

Nenne für jede wesentliche Tatsachenbehauptung den belegenden Quellenabschnitt. Wenn die Quelle die Behauptung nicht stützt, lasse sie weg oder kennzeichne sie als ungeklärt. Erfinde keine URLs oder Zitate.

Prüfen Sie das Ergebnis anhand der Aufgabenstellung, nicht daran, wie geschliffen es klingt. Kontrollieren Sie, ob die erforderlichen Informationen vorhanden sind, ob unbelegte Annahmen aufgetaucht sind und ob die Zielgruppe auf Basis der Antwort handeln kann. Wenn ein Kriterium verfehlt wird, benennen Sie diesen Fehler explizit, anstatt um eine vage Verbesserung zu bitten.

Ein Referenzbeispiel darf niemals stillschweigend die Freigabe zur Nutzung sensibler Daten erweitern. Bevor Sie Material in eines der Systeme einfügen, prüfen Sie, ob es für diese Umgebung zulässig ist. Entfernen Sie personenbezogene Daten und vertrauliche Inhalte, die für die beabsichtigte Bearbeitung nicht zwingend erforderlich sind.

Definieren Sie Begründungsanforderungen, keine verborgenen Denkmitschriften

Fordern Sie bei analytischen Aufgaben eine prägnante Begründung, relevante Annahmen und Prüfschritte an, die der Leser nachvollziehen kann. Die Aufforderung, jeden internen Gedankengang offenzulegen, ist unnötig und wird vom Modell oft nicht wie gewünscht unterstützt. Konzentrieren Sie sich auf überprüfbare Arbeitsschritte: Berechnungen, Belege, Alternativen und Grenzen. Passen Sie die Tiefe der geforderten Erklärung an die Entscheidung an, die der Leser treffen muss.

Eine praktische Umsetzung

Beginnen Sie mit einer realen Aufgabe, die von einer Person geprüft werden kann. Bestimmen Sie, welche Informationen das Modell erhalten muss, welche Entscheidungen es selbst treffen darf und an welchem Punkt ein Mensch die Verantwortung übernehmen muss. Halten Sie diese Grenzen im Briefing fest, bevor Sie das Ergebnis generieren. So bleibt der Workflow nachvollziehbar – selbst wenn sich das zugrunde liegende Modell ändert.

Sprich eine Empfehlung für eine Option aus. Liefere die entscheidenden Belege, zentrale Annahmen, den wichtigsten Kompromiss und eine Prüffrage, die die Empfehlung kippen könnte. Halte die Begründung prägnant und nachvollziehbar.

Prüfen Sie das Ergebnis anhand der Aufgabenstellung, nicht daran, wie geschliffen es klingt. Kontrollieren Sie, ob die erforderlichen Informationen vorhanden sind, ob unbelegte Annahmen aufgetaucht sind und ob die Zielgruppe auf Basis der Antwort handeln kann. Wenn ein Kriterium verfehlt wird, benennen Sie diesen Fehler explizit, anstatt um eine vage Verbesserung zu bitten.

Ein aussagekräftiger Vergleich hält das gewünschte Arbeitsergebnis konstant. Wenn Sie von einem System eine Management-Zusammenfassung und vom anderen eine detaillierte Analyse fordern, lassen die Ergebnisse kein fundiertes Urteil über die Eignung des Modells zu. Vereinheitlichen Sie zuerst die Aufgabe und prüfen Sie anschließend, an welchen Stellen die jeweilige Antwort korrigiert werden muss.

Behandeln Sie strukturierte Daten als separate Anforderung

Markdown-Tabellen und XML-strukturierte Anweisungen sind nicht gleichbedeutend mit validierten, maschinenlesbaren Daten. Wenn nachgelagerte Software die Antwort weiterverarbeiten soll, definieren Sie das konkrete Ausgabeschema. Nutzen Sie native Funktionen für strukturierte Ausgaben (Structured Outputs), sofern verfügbar, und validieren Sie das Ergebnis außerhalb des Modells. Korrekte Datentypen garantieren noch keine inhaltliche Richtigkeit; setzen Sie Geschäftsregeln daher separat durch.

Eine praktische Umsetzung

Beginnen Sie mit einer realen Aufgabe, die von einer Person geprüft werden kann. Bestimmen Sie, welche Informationen das Modell erhalten muss, welche Entscheidungen es selbst treffen darf und an welchem Punkt ein Mensch die Verantwortung übernehmen muss. Halten Sie diese Grenzen im Briefing fest, bevor Sie das Ergebnis generieren. So bleibt der Workflow nachvollziehbar – selbst wenn sich das zugrunde liegende Modell ändert.

Gib ein JSON-Objekt mit den Feldern status, summary und source_ids zurück. Wenn Belege fehlen, setze status auf needs_review und verwende ein leeres source_ids-Array. Füge keinen umgebenden Kommentartext hinzu.

Prüfen Sie das Ergebnis anhand der Aufgabenstellung, nicht daran, wie geschliffen es klingt. Kontrollieren Sie, ob die erforderlichen Informationen vorhanden sind, ob unbelegte Annahmen aufgetaucht sind und ob die Zielgruppe auf Basis der Antwort handeln kann. Wenn ein Kriterium verfehlt wird, benennen Sie diesen Fehler explizit, anstatt um eine vage Verbesserung zu bitten.

Machen Sie aus einer Formatierungskonvention kein Dogma. Wenn eine einfache Überschriftenstruktur in beiden Systemen gut funktioniert, ist sie oft der unkomplizierteste gemeinsame Standard. Fügen Sie Tags hinzu, wenn klarere Abgrenzungen helfen – nicht, weil jede Aufgabe eine aufwendige Auszeichnungssprache erfordert.

Vergleichen Sie Modelle anhand kontrollierter Tests

Führen Sie beide Systeme mit demselben Briefing und denselben Quellen aus und vergleichen Sie die Ergebnisse anhand klarer Bewertungskriterien. Planen Sie Wiederholungstests ein, wenn die Ergebnisvarianz eine Rolle spielt. Halten Sie das exakte Modell und die relevanten Einstellungen fest, anstatt ChatGPT oder Claude als feste, unveränderliche Einheit zu betrachten. Hinter den Produktnamen verbergen sich Modelle, Werkzeuge und Funktionen auf Account-Ebene, die sich fortlaufend ändern.

Eine praktische Umsetzung

Beginnen Sie mit einer realen Aufgabe, die von einer Person geprüft werden kann. Bestimmen Sie, welche Informationen das Modell erhalten muss, welche Entscheidungen es selbst treffen darf und an welchem Punkt ein Mensch die Verantwortung übernehmen muss. Halten Sie diese Grenzen im Briefing fest, bevor Sie das Ergebnis generieren. So bleibt der Workflow nachvollziehbar – selbst wenn sich das zugrunde liegende Modell ändert.

Bewerte beide Ausgaben nach Quellentreue, Aufgabenerfüllung, Zielgruppengerechtheit und Einhaltung des Formats. Zitiere konkrete Textstellen. Bevorzuge eine Antwort nicht allein deshalb, weil sie ausführlicher formuliert ist.

Prüfen Sie das Ergebnis anhand der Aufgabenstellung, nicht daran, wie geschliffen es klingt. Kontrollieren Sie, ob die erforderlichen Informationen vorhanden sind, ob unbelegte Annahmen aufgetaucht sind und ob die Zielgruppe auf Basis der Antwort handeln kann. Wenn ein Kriterium verfehlt wird, benennen Sie diesen Fehler explizit, anstatt um eine vage Verbesserung zu bitten.

Ein Referenzbeispiel darf niemals stillschweigend die Freigabe zur Nutzung sensibler Daten erweitern. Bevor Sie Material in eines der Systeme einfügen, prüfen Sie, ob es für diese Umgebung zulässig ist. Entfernen Sie personenbezogene Daten und vertrauliche Inhalte, die für die beabsichtigte Bearbeitung nicht zwingend erforderlich sind.

Iterieren Sie mit gezieltem Feedback

Wenn ein Entwurf nicht überzeugt, benennen Sie den Mangel präzise. Die Aufforderung „mach es besser“ gibt dem Modell kaum Orientierung und zerstört möglicherweise Passagen, die bereits gelungen waren. Behalten Sie akzeptierte Abschnitte bei und fordern Sie gezielt die kleinste notwendige Änderung ein. Fehlen Belege, stellen Sie diese bereit, anstatt lediglich um eine selbstbewusstere Neuformulierung zu bitten.

Eine praktische Umsetzung

Beginnen Sie mit einer realen Aufgabe, die von einer Person geprüft werden kann. Bestimmen Sie, welche Informationen das Modell erhalten muss, welche Entscheidungen es selbst treffen darf und an welchem Punkt ein Mensch die Verantwortung übernehmen muss. Halten Sie diese Grenzen im Briefing fest, bevor Sie das Ergebnis generieren. So bleibt der Workflow nachvollziehbar – selbst wenn sich das zugrunde liegende Modell ändert.

Behalte den Aufbau und die verifizierten Fakten bei. Schreibe ausschließlich die Einleitung für ein skeptisches, technisches Publikum um. Entferne unbelegte Vorteile und liste eventuell fehlende Belege separat auf.

Prüfen Sie das Ergebnis anhand der Aufgabenstellung, nicht daran, wie geschliffen es klingt. Kontrollieren Sie, ob die erforderlichen Informationen vorhanden sind, ob unbelegte Annahmen aufgetaucht sind und ob die Zielgruppe auf Basis der Antwort handeln kann. Wenn ein Kriterium verfehlt wird, benennen Sie diesen Fehler explizit, anstatt um eine vage Verbesserung zu bitten.

Ein aussagekräftiger Vergleich hält das gewünschte Arbeitsergebnis konstant. Wenn Sie von einem System eine Management-Zusammenfassung und vom anderen eine detaillierte Analyse fordern, lassen die Ergebnisse kein fundiertes Urteil über die Eignung des Modells zu. Vereinheitlichen Sie zuerst die Aufgabe und prüfen Sie anschließend, an welchen Stellen die jeweilige Antwort korrigiert werden muss.

Eine wiederverwendbare operative Checkliste

Phase	Erforderliche Entscheidung	Nachweis der Fertigstellung
Briefing	Welches Ergebnis und welche Zielgruppe zählen?	Ein schriftliches Ziel und Abnahmekriterien
Eingaben	Welche Quellen sind maßgeblich?	Gekennzeichnetes, aktuelles Quellenmaterial
Ausführung	Was darf das Modell tun?	Explizite Grenzen für Werkzeuge und Ausgaben
Prüfung	Wer verifiziert das Ergebnis?	Namentlich benannter Prüfer und dokumentierte Korrekturen
Pflege	Wann sollten Anweisungen angepasst werden?	Verantwortliche Person für die Versionierung und Evaluierungsnotizen

Nutzen Sie diese Checkliste als Strukturierungshilfe für das Gespräch, nicht als bürokratische Pflichtübung. Wenn eine Zeile keine fundierte Antwort liefert, ist die Aufgabe vermutlich unzureichend spezifiziert. Klären Sie die fehlende Entscheidung oder schränken Sie das Arbeitsergebnis bewusst ein. Ein vorläufiger Entwurf mit klaren Grenzen ist oft nützlicher als eine scheinbar vollständige Antwort, die auf verdeckten Annahmen beruht.

Setzen Sie das Briefing in die Praxis um

PromptDeck verwandelt eine grobe Idee in einen sofort einsatzbereiten Prompt, indem es Sie Schritt für Schritt anhand von Fragenkarten interviewt. „Quick“ umfasst etwa acht Fragen, „Standard“ rund fünfzehn und „Deep“ etwa fünfundzwanzig. Wählen Sie die Tiefe passend zur Komplexität und Tragweite der Aufgabe, anstatt anzunehmen, dass ein längeres Interview stets besser ist.

Die Methode erfasst Ziel, Zielgruppe, Kontext, Einschränkungen, Tonfall, Format, Beispiele, No-Gos und Erfolgskriterien. PromptDeck formatiert Markdown-Überschriften für ChatGPT und XML-Tags für Claude. Zudem kann es echte, veröffentlichte Referenzbeispiele im Web recherchieren, und es steht ein Connector für ChatGPT/Claude bereit. Prüfen Sie Referenzen stets, bevor Sie sich auf deren Fakten verlassen oder sie als Leitfaden für den Schreibstil nutzen.

Es gibt einen kostenlosen Prompt zum Testen. Pro kostet 9 € pro Monat mit 100 Credits oder 79 € pro Jahr. Testen Sie PromptDeck kostenlos mit einer Aufgabe, die Sie bereits gut genug verstehen, um das Ergebnis qualifiziert beurteilen zu können. Vergleichen Sie das Resultat mit Ihrem gewohnten Vorgehen und halten Sie fest, was sich verbessert hat, was weiterhin korrigiert werden musste und welche fehlende Antwort diese Korrektur verhindert hätte.

Für Einblicke in die zugrunde liegende Methode lesen Sie den Leitfaden zu Brief Prompting und lernen Sie Brief Prompting. Entdecken Sie konkrete Ausgangspunkte in unserer Bibliothek oder informieren Sie sich über typische Prompt-Fehler. Das Ziel ist nicht, immer mehr Vorlagen anzuhäufen, sondern jede wichtige Anforderung einfacher zu spezifizieren und zu verifizieren.

Häufig gestellte Fragen (FAQ)

Garantiert besseres Prompting korrekte Ergebnisse?

Nein. Klare Anweisungen schaffen bessere Voraussetzungen für brauchbare Ausgaben, doch Modelle können Quellen weiterhin missverstehen oder unbelegte Behauptungen aufstellen. Überprüfen Sie wesentliche Fakten und setzen Sie vor folgenreichen Entscheidungen oder einer Veröffentlichung auf eine menschliche Prüfung.

Führen längere Prompts immer zu besseren Ergebnissen?

Nein. Relevanter Kontext und klare Prioritäten sind wichtiger als die reine Textlänge. Entfernen Sie redundante Passagen und bereinigen Sie Widersprüche. Nutzen Sie ein längeres Briefing dann, wenn die Komplexität es erfordert – nicht als Ersatz für die Entscheidung, worauf es wirklich ankommt.

Kann ein einzelnes Briefing sowohl für ChatGPT als auch für Claude funktionieren?

Ja. Behalten Sie Ziel, Quellen, Einschränkungen und Abnahmekriterien bei und passen Sie bei Bedarf lediglich die Formatierung an. Markdown-Überschriften und XML-Tags sind praktische Strukturierungshilfen, aber weder exklusive Voraussetzungen noch eine Erfolgsgarantie.

Wann sollte ein Team ein Interview statt einer Vorlage nutzen?

Nutzen Sie ein Interview, wenn die anfragende Person zwar eine grobe Vorstellung hat, Zielgruppe, Grenzen oder Erfolgskriterien jedoch noch nicht präzise formuliert sind. Greifen Sie auf eine feste Vorlage zurück, wenn diese Entscheidungen bereits feststehen und der Workflow mit vorhersehbaren Eingaben wiederholt abläuft.

Wie sollte man vorgehen, wenn Belege fehlen?

Fordern Sie die fehlende Quelle an, schränken Sie die Aufgabe ein oder kennzeichnen Sie die Schlussfolgerung als ungeklärt. Ermutigen Sie das Modell keinesfalls dazu, eine Beleglücke mit wohlklingenden Vermutungen zu füllen. Eine klar benannte Grenze ist wertvoller als eine unbelegte Antwort.