Diese Woche haben wir im Rahmen einer Sternstunde des VK:KIWA (Aufzeichnung hier) über die Frage diskutiert, ob Prompting „noch ein Ding“ ist. Die Kurzzusammenfassung für mich in einem Satz: nein, denn der Begriff zielt auf die falsche Ebene.
Was mich an der ganzen Debatte rund um Prompting schon länger stört: Prompting funktioniert m. E. in vielen Organisationen als Ersatzhandlung. Die durch genKI induzierte Transformation ist komplex, kulturell irritierend und organisatorisch anstrengend. Also einigt man sich auf etwas, das handhabbar aussieht, nämlich Prompting lernen, sich ein paar Frameworks merken, vielleicht noch irgendein Cheat Sheet mit Rollen, Tonalitäten und spitzen Klammern abarbeiten. Dann hat man das Gefühl, man habe sich auf KI vorbereitet. Genau das halte ich für einen Irrtum. Wer an Prompting als Schlüsselkompetenz festhält, verwechselt das oberflächliche Arbeiten mit der eigentlichen Transformationsaufgabe. KI-Adoption ohne Kulturwandel bleibt kosmetisch, das wissen wir alle. Und Prompting-Kurse unterstützen genau diese nur kosmetischen Änderungen.
Prompting ist aus der Perspektive von KI und Arbeit also fast schon bequem, denn es erlaubt Organisationen, die schwierigeren Aufgaben zu umgehen: Wissen teilen, Kontext aufbereiten, Routinen verändern, Strukturen schaffen, in denen Mitarbeitende ihre Arbeit anders organisieren. Ein Prompt-Workshop ist schnell gemacht. Eine Arbeitskultur zu verändern, in der Wissen fragmentiert, implizit oder politisch gehortet wird, ist sehr viel unbequemer.
Genau deshalb fand ich es in unserer VK:KIWA-Diskussion aufschlussreich, dass wir an vielen Stellen über Kommunikationskompetenz, Zielklarheit, Iteration und Metakognition gesprochen haben. Denn eigentlich geht es beim Prompting ja darum, zu wissen, was man will, darum, zu erkennen, ob eine KI-Ausgabe den eigenen Ansprüchen genügt und dann darum, ggf. präzise nachzusteuern. Das sind die Kompetenzen, um die es geht. Der Begriff Prompting ist dafür zu eng und historisch zu stark mit der frühen ChatGPT-Phase verknüpft.
Für mich ist deshalb die Unterscheidung zwischen Prompt Engineering und Context Engineering hilfreich, auch wenn auch letzterer Begriff schon wieder ziemlich technisch und nach dem Abarbeiten eines Rezeptes klingt. Prompt Engineering ist für mich die konkrete Anfrage. Der Hebel liegt inzwischen im Kontext. Das kann ganz klein anfangen, etwa bei hinterlegten User Preferences. Es kann aber auch sehr weit gehen, etwa wenn ich Claude Cowork oder Codex mit meinem Obsidian, mit Skills, mit Projektdateien und sauber aufbereiteten Markdown-Kontexten verbinde. Qualität entsteht, wenn das System Zugriff auf mein Wissen, meine Arbeitsweise und meine Ziele hat.
Das ist auch der Punkt, an dem meine eigene Praxis für mich aufschlussreicher ist als jede Prompting-Theorie. In meinem Obsidian liegt eine absurd große Sammlung an Prompts, die ich irgendwann einmal irgendwo gesehen und dann einfach unbedarft abgespeichert habe. Ich habe davon faktisch noch nie einen verwendet. Ich arbeite mit Kontextdateien, mit Skills, mit gespeicherten Arbeitsumgebungen, mit meinem eigenen Material. Ich spreche mit Systemen häufig einfach natürlich, manchmal auch per Spracheingabe. Ich benutze keine ausgeklügelten Frameworks (mehr), keine spitzen Klammern, keine vermeintlich universellen Formeln. Für meine tatsächliche Arbeit bringen diese kaum etwas.
Interessant fand ich in der Diskussion auch, dass mehrere Beiträge meiner Kolleg:innen aus dem Kernteam diese Verschiebung aus unterschiedlichen Richtungen bestätigt haben. Manche haben betont, dass es im Kern um Sprachkompetenz und Kommunikationskompetenz geht. Andere haben aber auch darauf hingewiesen, dass gerade Anfänger:innen dennoch kleine Strukturen oder Checklisten brauchen, um überhaupt einen Einstieg zu finden. Das finde ich als Beobachtung plausibel, denn solche Hilfen sind in der Tat Einstiegsstützen.
Hinzu kommt, dass die Sprachmodelle selbst das alte Prompting-Verständnis systematisch untergraben. Leistungsfähigere Systeme holen sich fehlende Informationen im Dialog. Agentische Systeme interviewen uns, fragen nach, greifen auf Dateien zu, arbeiten mit bestehenden Wissensbeständen, orchestrieren Teilaufgaben. In solchen Umgebungen trägt die perfekte Erstformulierung kaum noch etwas. Der magische Prompt war schon immer eine falsche Vereinfachung. Doch heute ist diese wirklich gänzlich unbrauchbar.
Dazu kam in unserer Debatte auch noch eine kulturelle Dimension, die ich fast noch spannender finde: das Wort „Engineering“. Ich halte es nicht für Zufall, dass aus normaler Kommunikations- und Reflexionskompetenz plötzlich ein scheinbar neuer Hard Skill wurde, sobald man ihn technisch etikettiert hat. Prompt Engineering klingt nicht umsonst nach Beherrschbarkeit, nach Schema, nach Checkliste, nach einer Spezialdisziplin, die man lernen und dann abhaken kann. Für viele war das vermutlich beruhigend. Für mich war es eine falsche Versachlichung. Der Begriff übersetzt die Interaktion mit generativer KI in eine stabile Technik, obwohl sich Modelle, Modi und Anwendungsfälle fortlaufend verändern.
Wenn ich aus der Diskussion diese Woche einen Satz mitnehme, dann diesen: Die Vorleistung in der Arbeit mit KI besteht darin, den eigenen Kontext verstehbar zu machen. Das gilt für Einzelne genauso wie für Organisationen. Wer nicht benennen kann, was er oder sie tut, welches Ziel verfolgt wird, welche Qualitätskriterien gelten und welches Material relevant ist, wird auch mit KI nicht weit kommen. Genau deshalb ist die Debatte um Prompting in meinem Blick zu klein. Sie unterschätzt die Vorarbeit, die in Kontextaufbereitung, Wissensorganisation und kulturellem Wandel steckt.
Ob wir in ein paar Jahren noch von Prompting sprechen werden, bezweifle ich sehr. Generative KI verschwindet gerade in Interfaces, in Mailprogramme, in Dateisysteme, in Meetings, in Projektsoftware. Dann wird niemand ernsthaft jede Interaktion damit als Prompting bezeichnen. Bleiben werden die Aufgaben, Ziele zu klären, Kontext zu strukturieren, Ergebnisse beurteilen zu können und die eigene Arbeitsweise neu zu organisieren. Dort liegt die Kompetenz und dort entscheidet sich dann, ob KI Arbeit verändert.