Wie prompte ich richtig? Der einzig wahre Leitfaden für Marketing-Teams

Googeln Sie „Wie prompte ich richtig", und Sie bekommen eine Flut an Ratgebern: 50 ChatGPT-Prompts für Marketing, die besten Prompt-Templates für Social Media, Prompting-Hacks für bessere KI-Texte.

Die meisten dieser Artikel folgen demselben Muster: Eine Liste mit Copy-Paste-Vorlagen, garniert mit dem Versprechen, dass der richtige Satz an der richtigen Stelle magische Ergebnisse liefert.

Das ist ungefähr so hilfreich wie die Aussage „Schreiben Sie guten Content" in der Suchmaschinenoptimierung. Technisch nicht falsch. Praktisch wertlos.

Denn Prompting ist keine Zauberformel. Es ist auch keine Sammlung von Tricks, die man einmal lernt und dann mechanisch anwendet. Prompting ist, auf seinen Kern reduziert, nichts anderes als Kontextsteuerung – die Fähigkeit, einer Maschine exakt die Informationen zu geben, die sie braucht, um eine brauchbare Antwort zu erzeugen. Nicht mehr, nicht weniger.

Zwei Marketing-Mitarbeiter, die ChatGPT bitten, eine Produktbeschreibung zu schreiben, werden mit an Sicherheit grenzender Wahrscheinlichkeit unterschiedlich gute Ergebnisse erhalten – nicht weil der eine einen „besseren Prompt" kennt, sondern weil der eine mehr Kontext mitliefert: Hintergrundinformationen zum Produkt, eine klare Zielgruppendefinition, Beispiele für den gewünschten Stil, Einschränkungen, die den Rahmen setzen. Der Prompt selbst ist nur die Oberfläche. Der Kontext darunter entscheidet über die Qualität.

Dieser Artikel ist kein weiterer Listicle mit Prompt-Templates. Stattdessen erkläre ich, wie Prompting tatsächlich funktioniert – welche Techniken es gibt, wann welche sinnvoll ist und warum am Ende immer dieselbe Frage im Zentrum steht: Wie viel Kontext gebe ich der Maschine? Ich arbeite dabei mit konkreten Beispielen aus dem Marketing-Alltag und gehe auch auf die Frage ein, die viele Unternehmen derzeit beschäftigt: Was hat das alles mit der eigenen Sichtbarkeit in KI-Systemen zu tun? Mehr, als die meisten denken.

Warum die meisten Prompts schlecht sind

Um zu verstehen, warum Kontext den Unterschied macht, schauen wir uns ein konkretes Beispiel an. Nehmen wir an, ein mittelständischer Maschinenbauer möchte eine Produktbeschreibung für seine neue CNC-Fräsmaschine erstellen lassen. Der Marketing-Mitarbeiter öffnet ChatGPT und tippt:

Das Ergebnis liest sich auf den ersten Blick solide. ChatGPT liefert einen mehrteiligen Text mit Überschrift, spricht von „hochpräziser Komplettbearbeitung", „anspruchsvollen Fertigungsumgebungen" und einer „leistungsstarken Plattform für Unternehmen". Erwähnt werden „höchste Legierungen", eine „moderne CNC-Steuerung" und Branchen von Maschinenbau bis Medizintechnik.

Jetzt derselbe Anwendungsfall, aber mit Kontext:

Was hat sich zwischen den beiden Prompts verändert? Nicht die „Technik" des Prompts. Keine geheime Formel, kein Spezial-Befehl. Was sich verändert hat, ist die Menge an Kontext: Rolle, Zielgruppe, Produktdaten, Tonalität, Format. Der zweite Prompt ist im Grunde nichts anderes als ein sauberes Briefing – das, was jeder Marketing-Mitarbeiter auch einem menschlichen Texter geben würde. Oder geben sollte.

Und genau hier liegt das Muster, das sich durch nahezu alle schlechten Prompts zieht: Es fehlt nicht an Technik. Es fehlt an Kontext. Wer einem KI-Modell eine vage Aufgabe gibt, bekommt eine vage Antwort. Nicht weil das Modell schlecht ist, sondern weil es mit dem arbeiten muss, was es bekommt.

Die Bausteine eines guten Prompts

Im vorherigen Beispiel habe ich den zweiten Prompt bewusst so aufgebaut, dass er fünf Elemente enthält, die in nahezu jedem guten Prompt wiederkehren. Kein akademisches Framework, keine Raketenwissenschaft – sondern die gleichen Bausteine, die auch ein sauberes Briefing an einen menschlichen Dienstleister ausmachen.

Im Folgenden gehe ich auf jeden Baustein einzeln ein – nicht als abstrakte Empfehlung, sondern mit der technischen Erklärung, warum er funktioniert.

Rolle

„Du bist technischer Redakteur mit Erfahrung im Maschinenbau." Dieser Satz klingt banal, hat aber eine messbare Funktion – und zugleich klare Grenzen.

Technisch passiert Folgendes: Ein Large Language Model generiert Text Token für Token, wobei jedes neue Token auf Basis aller vorangegangenen Tokens berechnet wird. Der sogenannte Attention-Mechanismus – das Herzstück der Transformer-Architektur, auf der sämtliche modernen LLMs basieren – bestimmt dabei, wie stark jedes Token im Kontext jedes andere Token beeinflusst. Vereinfacht: Das Modell „liest" bei jeder Wortentscheidung den gesamten bisherigen Text mit und gewichtet, welche Teile davon für das nächste Wort relevant sind.

Wenn am Anfang dieses Textes „technischer Redakteur mit Erfahrung im Maschinenbau" steht, verschieben sich die Gewichte. Bei jeder weiteren Token-Generierung fließen diese Rollen-Tokens in die Berechnung ein. Die Wahrscheinlichkeitsverteilung über das gesamte Vokabular des Modells verschiebt sich: Fachbegriffe aus dem Maschinenbau werden wahrscheinlicher, generische Marketingformulierungen unwahrscheinlicher. Das Modell wird dadurch nicht zu einem anderen Modell – aber es bedient sich aus einem anderen Segment seines trainierten Sprachraums.

Der Effekt ist bei Tonalität, Fachsprache und Stilregister zuverlässig nachweisbar. Ein Prompt mit der Rolle „technischer Redakteur" erzeugt andere Formulierungen als einer mit der Rolle „Social-Media-Manager" – selbst bei identischer Aufgabe. Was eine Rollenvorgabe hingegen nicht zuverlässig verbessert, ist die faktische Korrektheit der Ausgabe. Aktuelle Forschung zeigt, dass Persona-Prompts bei faktenbasierten Aufgaben nicht konsistent besser abschneiden als Prompts ohne Rollenangabe (Zheng et al., 2024. Die Rolle steuert, wie das Modell antwortet – nicht unbedingt, wie richtig es antwortet.

Kontext

Produktname, Hersteller, Zielgruppe, technische Spezifikationen – alles, was das Modell braucht, um den Inhalt nicht erfinden zu müssen. Das ist der mit Abstand wichtigste Baustein und zugleich der, an dem die meisten Prompts scheitern.

Um zu verstehen, warum, muss man wissen, was ein Context Window ist – und was es nicht ist. Ein Context Window (deutsch: Kontextfenster) ist der begrenzte Arbeitsbereich, in dem ein LLM operiert. Es umfasst alles, was das Modell bei einer einzelnen Anfrage „sehen" kann: den System-Prompt, die gesamte bisherige Konversation, alle hochgeladenen Dokumente und den aktuellen Prompt. Das Fenster wird in Tokens gemessen – den Grundeinheiten, in die ein LLM Text zerlegt. Ein Token entspricht dabei grob vier Zeichen oder 0,7 Wörtern im Englischen. Im Deutschen sind es etwas weniger, weil zusammengesetzte Wörter wie „Werkzeugwechselsystem" oder „Simultanfräsmaschine" mehr Tokens verbrauchen als ihre englischen Entsprechungen.

Die Größe dieses Fensters unterscheidet sich erheblich zwischen den Modellen:

Quellen: OpenAI Release Notes, Morph LLM Token Limits, Elvex Context Length Comparison

Was außerhalb dieses Fensters liegt, existiert für das Modell schlicht nicht. Es wird weder gespeichert noch erinnert. Wenn eine Konversation die Fenstergrenze überschreitet, fallen die ältesten Teile heraus – stillschweigend, ohne Warnung. Das Modell „vergisst" nicht im menschlichen Sinne; die Information war für das Modell nie Teil seines Langzeitgedächtnisses. Sie war nur temporär verfügbar, solange sie im Fenster lag.

Aber auch innerhalb des Fensters ist die Verarbeitung nicht gleichmäßig. Ein 2023 veröffentlichtes Paper von Liu et al. dokumentierte ein Phänomen, das seitdem in unzähligen Benchmarks bestätigt wurde: das sogenannte „Lost in the Middle"-Problem. LLMs verarbeiten Informationen am Anfang und am Ende des Kontextfensters deutlich zuverlässiger als in der Mitte. In Tests liegt die Genauigkeit bei Informationen am Anfang und Ende zwischen 85 und 95 Prozent – in der Mitte fällt sie auf 76 bis 82 Prozent. Wer ein langes Dokument in den Kontext lädt, sollte also wissen: Die Maschine „liest" nicht gleichmäßig. Sie gewichtet Anfang und Ende stärker.

Dazu kommt eine Erkenntnis, die den reinen Zahlenvergleich zwischen Modellen relativiert: Mehr Kontext bedeutet nicht automatisch bessere Ergebnisse. Eine umfangreiche Studie des Anbieters Chroma testete 18 aktuelle Frontier-Modelle und kam zu einem eindeutigen Befund – jedes einzelne Modell lieferte mit zunehmender Kontextlänge schlechtere Ergebnisse. In manchen Fällen schnitten Modelle mit zufällig angeordnetem Text sogar besser ab als mit kohärentem Text, weil kohärente Texte eine stärkere Tendenz erzeugen, den neuesten Informationen überproportional viel Gewicht zu geben. Die beworbene Fenstergröße ist also eine Kapazitätsangabe, keine Qualitätsgarantie.

Aufgabe

„Schreibe eine Produktbeschreibung." So klar wie möglich formuliert, was das Modell tun soll. In der Praxis scheitern Prompts an dieser Stelle aber erstaunlich häufig – und zwar nicht an fehlenden Aufgaben, sondern an unpräzisen.

Um zu verstehen, warum, lohnt ein kurzer Umweg über die Linguistik. In der Sprachwissenschaft ist das Verb der syntaktische Kern eines Satzes – der sogenannte Prädikatkern, von dem alle anderen Satzglieder abhängen. Im Dependency Parsing, einem zentralen Verfahren der Computerlinguistik, bildet das Verb in der Regel den Wurzelknoten des Abhängigkeitsbaums: Subjekt, Objekt, adverbiale Bestimmungen – alles hängt syntaktisch am Verb. Wer das Verb ändert, ändert die gesamte Satzstruktur und damit die Bedeutung.

Das gilt nicht nur für die Analyse menschlicher Sprache – es gilt genauso für Prompts. Denn ein LLM verarbeitet einen Prompt nicht anders als jeden anderen Text: Es zerlegt ihn in Tokens, berechnet über den Attention-Mechanismus die Beziehungen zwischen allen Tokens und generiert darauf basierend seine Antwort. Das Verb im Prompt ist dabei der Token mit dem stärksten instruktiven Signal. Es definiert, was das Modell tun soll – und damit den gesamten Lösungsraum, aus dem die Antwort generiert wird.

Und genau hier liegt das Problem mit vagen Verben. Nehmen wir das Wort „verbessern" – ein Verb, das in Marketing-Prompts allgegenwärtig ist. „Verbessere diesen Text." Klingt nach einer klaren Anweisung. Ist es aber nicht. Denn „verbessern" ist maximal mehrdeutig: Soll der Text kürzer werden oder länger? Einfacher oder detaillierter? Formeller oder zugänglicher? Faktisch dichter oder narrativer? Für ein LLM ist „verbessern" kein präzises Handlungssignal – es ist ein Rauschen, das in alle Richtungen gleichzeitig zeigt. Das Modell muss interpretieren, und Interpretation bedeutet bei einem probabilistischen System: Es wählt den wahrscheinlichsten Pfad auf Basis seiner Trainingsdaten. Ob das der Pfad ist, den Sie gemeint haben, ist Zufall.

Die Forschung bestätigt das. Ein 2023 veröffentlichtes Paper von Gonen et al. zeigte, dass allein das Umformulieren eines Prompts – ohne inhaltliche Veränderung – zu über 30 Prozentpunkten Unterschied bei der Genauigkeit von Klassifikationsaufgaben führen kann. Eine aktuelle Studie von Schreiter (2025) untersuchte den Effekt gezielt für unterschiedliche Wortarten und fand, dass es für jedes getestete Modell einen optimalen Spezifitätsbereich gibt, in dem die Ergebnisse am besten ausfallen. Interessanterweise zeigte sich auch: Bei Reasoning-Aufgaben können zu spezifische Verben die Leistung sogar verschlechtern, vermutlich weil sie den logischen Spielraum des Modells unnötig einengen.

Format

„Fließtext, maximal 200 Wörter, ein Absatz. Kein Aufzählungsformat." Wer keine Formatvorgabe macht, bekommt das Standardformat des Modells – und das ist in den allermeisten Fällen eine Aufzählung mit Zwischenüberschriften und Fettungen. Nicht weil das die beste Darstellungsform wäre, sondern weil LLMs eine empirisch nachweisbare Verzerrung zugunsten strukturierter Formate haben.

Das Paper „LLMs Are Biased Towards Output Formats" von Long et al. (2024) hat diesen Effekt systematisch untersucht und belegt: Die Ursache liegt in den Trainingsdaten. Markdown-Listen, nummerierte Aufzählungen und Zwischenüberschriften sind in den Textkorpora, auf denen LLMs trainiert werden, massiv überrepräsentiert – etwa durch Wikipedia, technische Dokumentationen, StackOverflow und Millionen von Blogartikeln, die alle mit strukturiertem Markup arbeiten. Das Modell hat während des Trainings gelernt, dass auf eine Frage mit hoher Wahrscheinlichkeit ein strukturiertes Format folgt, und reproduziert dieses Muster. Die Wahrscheinlichkeit, dass das Modell einen Aufzählungsstrich oder eine Markdown-Überschrift als nächstes Token generiert, ist schlicht höher als die für einen Fließtext-Absatz – nicht aus inhaltlichen Gründen, sondern aus statistischen.

Einschränkungen

„Sachlich-technisch, selbstbewusst ohne Superlative. Keine Marketingfloskeln wie ‚revolutionär' oder ‚state-of-the-art'." Im Beispiel-Prompt stehen zwei Arten von Anweisungen nebeneinander – eine positive (sachlich-technisch, selbstbewusst) und eine negative (keine Marketingfloskeln). Die Frage, welche davon wirksamer ist, hat eine überraschend klare Antwort: Die positive.

Forschung zu negierten Prompts zeigt, dass LLMs mit negativen Anweisungen systematisch schlechter umgehen als mit positiven. Das Phänomen hat einen Namen: das „Pink Elephant Problem", abgeleitet aus der Ironic Process Theory der Psychologie. Wer gesagt bekommt, nicht an einen rosa Elefanten zu denken, muss zuerst das Konzept „rosa Elefant" verarbeiten – und denkt dann genau daran. Bei LLMs funktioniert der Mechanismus technisch analog: Um die Anweisung „Verwende kein Markdown" zu verarbeiten, muss das Modell das Konzept Markdown aktivieren. Die entsprechenden Tokens erhalten dadurch Aufmerksamkeit im Attention-Mechanismus – was ihre Wahrscheinlichkeit in der Ausgabe nicht senkt, sondern im Zweifelsfall erhöht.

Anthropic – das Unternehmen hinter Claude – empfiehlt in seinen offiziellen Prompting-Richtlinien deshalb explizit, negative Formulierungen durch positive zu ersetzen. Nicht „Verwende kein Markdown in deiner Antwort", sondern „Schreibe in fließenden Prosa-Absätzen ohne Formatierung."

Prompting-Techniken: Zero-Shot bis Generated Knowledge

Die fünf Bausteine aus dem vorherigen Abschnitt bilden das Fundament. Darauf aufbauend gibt es eine Reihe von Techniken, die sich in der Praxis bewährt haben. Keine davon ist kompliziert. Aber jede löst ein spezifisches Problem – und wer weiß, welche Technik wann passt, spart sich Dutzende Iterationsschleifen.

Zero-Shot Prompting

Die einfachste Form: Eine Aufgabe, keine Beispiele, keine Vorarbeit. „Klassifiziere die folgenden 20 Kundenbewertungen als positiv, neutral oder negativ." Das Modell arbeitet ausschließlich mit seinem Trainingswissen und der gegebenen Anweisung. Zero-Shot funktioniert überraschend gut bei Aufgaben, die klar definiert sind und wenig Interpretationsspielraum lassen – Klassifikation, Übersetzung, einfache Zusammenfassungen. Für alles, was einen spezifischen Stil, ein bestimmtes Format oder domänenspezifisches Wissen erfordert, stößt die Technik schnell an ihre Grenzen.

Few-Shot Prompting

Statt dem Modell nur zu sagen, was es tun soll, zeigt man ihm wie. Das geschieht über Beispiele im Prompt selbst. Ein typischer Anwendungsfall im Marketing: Meta-Descriptions. Sie geben dem Modell zwei oder drei bestehende Meta-Descriptions Ihrer Website und bitten es, eine neue im selben Stil zu schreiben. Das Modell erkennt Muster in den Beispielen – Satzlänge, Tonalität, Aufbau, wiederkehrende Elemente – und reproduziert sie. Der Effekt ist messbar: Wo Zero-Shot generische Ergebnisse liefert, erzeugt Few-Shot Ausgaben, die sich in bestehende Inhalte einfügen, als wären sie vom selben Autor. Die Technik ist besonders wirksam, wenn Konsistenz gefragt ist – also fast immer, wenn es um Markensprache geht.

Chain-of-Thought Prompting

Die Grundidee: Statt das Modell direkt nach dem Endergebnis zu fragen, weist man es an, in expliziten Zwischenschritten zu arbeiten. Wei et al. zeigten 2022, dass allein der Zusatz „Denke Schritt für Schritt" die Leistung bei Reasoning-Aufgaben signifikant verbesserte – damals ein Durchbruch, weil die Modelle dieser Generation keinen eingebauten Denkprozess hatten.

Seitdem hat sich die Modelllandschaft fundamental verändert. Aktuelle Reasoning-Modelle wie GPT-5.4 Thinking oder Claude mit Extended Thinking haben Chain-of-Thought internalisiert. Sie durchlaufen automatisch einen schrittweisen Denkprozess, bevor sie eine Antwort generieren – sichtbar als „Thinking"-Phase in der Benutzeroberfläche. Bei diesen Modellen ist der Zusatz „Denke Schritt für Schritt" nicht nur überflüssig, er kann sogar stören. OpenAI vergleicht es in seinen offiziellen Prompting Guides mit dem Unterschied zwischen einem Junior- und einem Senior-Mitarbeiter: Einem Reasoning-Modell gibt man ein Ziel und vertraut darauf, dass es den Weg selbst findet. Einem Nicht-Reasoning-Modell gibt man den Weg vor.

Und genau hier bleibt die Technik relevant: Das Standardmodell, das die meisten Marketing-Teams im Alltag nutzen, ist kein Reasoning-Modell. GPT-5.3 Instant – das Standardmodell in ChatGPT – hat keinen eingebauten Denkprozess. Hier macht Chain-of-Thought weiterhin einen messbaren Unterschied. Noch wichtiger: Auch bei Reasoning-Modellen gibt es Fälle, in denen man den Denkprozess nicht dem Modell überlassen, sondern bewusst strukturieren will. Der Unterschied ist subtil, aber entscheidend: Nicht „Denke Schritt für Schritt" – das kann das Modell selbst. Sondern: „Analysiere zunächst die Positionierung dieser drei Wettbewerber. Identifiziere dann die Gemeinsamkeiten in deren Messaging. Identifiziere dann die Lücken, die keiner abdeckt. Leite daraus drei konkrete Differenzierungsmöglichkeiten für unser Unternehmen ab." Das ist kein generisches „denke nach". Das ist eine inhaltliche Vorgabe des Analysepfads – und damit wieder Kontext.

Meta-Prompting und Generated Knowledge

Zwei Techniken, die ich hier bewusst zusammen behandle, weil sie dasselbe Grundprinzip bedienen – und weil sie den Bogen zurück zur Kernthese dieses Artikels schlagen: Es geht nicht um den perfekten Prompt. Es geht um Kontext. Beide Techniken sind nichts anderes als systematische Wege, diesen Kontext aufzubauen – einmal durch den Menschen, einmal durch das Modell selbst.

Meta-Prompting dreht die Kommunikationsrichtung um: Statt dem Modell eine fertige Aufgabe zu geben, fragt man es, was es braucht. „Ich möchte einen Newsletter-Teaser für unsere neue CNC-Fräsmaschine schreiben. Welche Informationen brauchst du von mir, um das gut zu machen?" Das Modell antwortet mit einer strukturierten Rückfrage – Zielgruppe, technische Eckdaten, Tonalität, Länge, Verteilkanal. Im Grunde erstellt es sein eigenes Briefing. Für Marketing-Teams, die noch nicht routiniert im Prompting sind, ist das ein idealer Einstieg: Das Modell zeigt, welcher Kontext fehlt.

Generated Knowledge Prompting geht einen Schritt weiter. Statt den Kontext vom Menschen einzufordern, generiert das Modell ihn selbst. Das Verfahren wurde 2022 von Liu et al. an der University of Washington entwickelt und auf der ACL-Konferenz vorgestellt. Der Mechanismus ist ein Zweischritt-Prozess: Im ersten Schritt bittet man das Modell, relevantes Wissen zu einem Thema zu generieren. Im zweiten Schritt speist man dieses generierte Wissen als zusätzlichen Kontext in den eigentlichen Prompt ein. In der Marketing-Praxis könnte das so aussehen: „Was sind die wichtigsten Entscheidungskriterien, die ein technischer Einkäufer bei der Auswahl einer 5-Achs-Fräsmaschine berücksichtigt?" Das Modell generiert eine fundierte Aufstellung – Genauigkeit, Spindelleistung, Steuerungskompatibilität, Stellfläche, Servicestruktur. Diese Aufstellung nutzt man dann als Kontext für den eigentlichen Prompt: „Schreibe auf Basis der folgenden Entscheidungskriterien eine Produktbeschreibung für die FX-5000." Liu et al. zeigten, dass dieser Ansatz Few-Shot-Prompting um 14 bis 20 Prozent bei Reasoning-Aufgaben übertrifft.

Eine Einschränkung muss allerdings benannt werden: Generiertes Wissen ist Modellwissen. Es basiert auf Trainingsdaten, nicht auf verifizierten Fakten. Wer Generated Knowledge für fachliche Inhalte nutzt, muss die Ausgabe prüfen – oder über einen RAG-Prozess eigenes Know-how als Kontext hinzugeben. RAG steht für Retrieval Augmented Generation und beschreibt ein Verfahren, bei dem das Modell vor der Antwortgenerierung gezielt auf externe Wissensquellen zugreift – etwa interne Dokumente, Produktdatenbanken oder Fachpublikationen. Der Unterschied zu Generated Knowledge: Statt das Modell sein eigenes Wissen reproduzieren zu lassen, speist man verifiziertes Unternehmenswissen als Kontext ein. Die Qualität der Ausgabe hängt dann nicht mehr davon ab, was das Modell irgendwann in seinen Trainingsdaten gesehen hat, sondern davon, welche Informationen man ihm konkret zur Verfügung stellt. Auch hier gilt also das Grundprinzip: Die Antwort ist nur so gut wie der Kontext.

Was KI-Tools bereits automatisch tun am Beispiel Deep Research

Bisher ging es darum, wie Menschen besser prompten können. Jetzt drehen wir die Perspektive um – denn die interessanteste Entwicklung im Bereich Prompting ist nicht, dass Menschen bessere Prompts schreiben. Sondern dass KI-Tools die Techniken aus dem vorherigen Abschnitt bereits eigenständig anwenden, ohne dass der Nutzer davon etwas mitbekommt.

Das beste Beispiel dafür ist Deep Research – eine Funktion, die sowohl ChatGPT als auch Gemini anbieten. Auf der Oberfläche wirkt Deep Research wie eine komfortablere Suchfunktion: Man stellt eine komplexe Frage, wartet einige Minuten und erhält einen ausführlichen, quellengestützten Bericht. Unter der Haube passiert allerdings erheblich mehr.

OpenAI beschreibt Deep Research in seiner offiziellen Dokumentation als „autonomen Forschungsagenten". Das Modell dahinter ist eine speziell für Web-Browsing und Datenanalyse optimierte Version der o3-Modellreihe – also ein Reasoning-Modell, das Chain-of-Thought nicht als Prompting-Technik benötigt, sondern als trainierten Denkprozess verinnerlicht hat. Wenn Deep Research eine Anfrage verarbeitet, durchläuft es automatisch einen mehrstufigen Prozess, der mehrere der Techniken kombiniert, die ich im vorherigen Abschnitt einzeln beschrieben habe.

Erstens: Wer versteht, was unter der Haube passiert, kann Deep Research gezielter einsetzen. Die Qualität des Outputs hängt auch hier vom Kontext ab – also von der Frage, die man stellt. Eine vage Anfrage wie „Recherchiere den deutschen Maschinenbaumarkt" löst einen breiten, aber oberflächlichen Rechercheprozess aus. Eine präzise Anfrage wie „Vergleiche die Positionierung der drei größten deutschen Hersteller von 5-Achs-Simultanfräsmaschinen im Segment Luftfahrtzulieferung, fokussiert auf deren Online-Kommunikation gegenüber technischen Einkäufern" gibt dem Agenten einen klaren Analysepfad vor – und nutzt im Grunde dieselbe Logik wie ein guter Chain-of-Thought-Prompt.

Zweitens – und das ist der weiterreichende Punkt: Deep Research zeigt, wohin sich der Umgang mit KI-Tools entwickelt. Die Techniken, die heute noch manuell im Prompt formuliert werden müssen – Schritt-für-Schritt-Analyse, Quellenprüfung, Strategieanpassung –, werden zunehmend in die Tools selbst integriert. Das bedeutet nicht, dass Prompting überflüssig wird. Es bedeutet, dass sich die Aufgabe verschiebt: weg vom Formulieren einzelner Techniken, hin zum Bereitstellen des richtigen Kontexts. Das Modell weiß zunehmend, wie es denken soll. Was es nicht weiß – und aus eigener Kraft nicht wissen kann –, ist worüber es nachdenken soll. Das bleibt die Aufgabe des Menschen.

Von Prompt Engineering zu Context Engineering: Der Prompt allein reicht nicht

Alles, was ich bisher beschrieben habe – Rolle, Kontext, Aufgabe, Format, Einschränkungen, Chain-of-Thought, Generated Knowledge –, bezieht sich auf den einzelnen Prompt. Auf die eine Nachricht, die man in das Eingabefeld tippt. In der Praxis ist dieser einzelne Prompt aber nur ein Bruchteil des Kontexts, den ein LLM bei der Verarbeitung einer Anfrage tatsächlich berücksichtigt.

Um das zu verstehen, muss man sich anschauen, woraus sich das Kontextfenster eines modernen KI-Tools tatsächlich zusammensetzt. Wenn ein Nutzer in ChatGPT eine Nachricht abschickt, verarbeitet das Modell nicht nur diese eine Nachricht. Es verarbeitet – in genau dieser Reihenfolge und Gewichtung – mehrere Ebenen gleichzeitig.

Da ist zunächst der System-Prompt: eine Anweisung, die der Nutzer in der Regel nicht sieht, die aber bei jeder einzelnen Anfrage mitgeschickt wird. Bei ChatGPT ist das eine von OpenAI vordefinierte Instruktion, die das Grundverhalten des Modells steuert – Tonalität, Sicherheitsregeln, Formatierungspräferenzen. Unternehmen, die die API nutzen, können diesen System-Prompt selbst gestalten und damit das Verhalten des Modells grundlegend konfigurieren: Welche Rolle soll es einnehmen? Welche Themen soll es meiden? In welcher Sprache soll es antworten? Der System-Prompt ist, vereinfacht gesagt, das Betriebssystem des Prompts – die Ebene unterhalb dessen, was der Nutzer sieht.

Dann gibt es Custom Instructions und Memory: Funktionen, mit denen Nutzer dauerhaft Informationen hinterlegen können, die das Modell bei jeder Konversation berücksichtigt. „Ich arbeite im B2B-Marketing für einen mittelständischen Maschinenbauer. Unsere Zielgruppe sind technische Einkäufer. Schreibe immer auf Deutsch und vermeide Anglizismen." Diese Informationen werden bei jeder neuen Konversation automatisch in das Kontextfenster geladen – der Nutzer muss sie nicht jedes Mal neu eingeben. Memory geht noch einen Schritt weiter: Das Modell kann sich Informationen aus früheren Gesprächen merken und in späteren Konversationen darauf zurückgreifen. Was als komfortable Funktion daherkommt, ist technisch betrachtet eine automatisierte Kontextanreicherung – das System baut über die Zeit ein persistentes Wissensgerüst auf, das den Einzelprompt ergänzt.

Dazu kommen hochgeladene Dokumente, Dateien und Webinhalte: PDFs, Excel-Tabellen, Bilder, ganze Websites. Wer ein technisches Datenblatt hochlädt und dann fragt „Schreibe auf Basis dieses Datenblatts eine Produktbeschreibung", gibt dem Modell nicht nur eine Aufgabe – er gibt ihm eine verifizierte Wissensgrundlage, die das Modellwissen ergänzt oder ersetzt. Das ist im Kern dasselbe Prinzip wie RAG, nur manuell ausgeführt.

All diese Ebenen – System-Prompt, Custom Instructions, Memory, hochgeladene Dokumente und der eigentliche Prompt – landen gemeinsam im Kontextfenster. Und das Modell unterscheidet nicht grundsätzlich zwischen ihnen. Es verarbeitet alles als eine zusammenhängende Token-Sequenz, gewichtet über den Attention-Mechanismus. Wer den System-Prompt sauber konfiguriert, muss weniger im Einzelprompt formulieren. Wer Custom Instructions pflegt, muss Rolle und Tonalität nicht bei jeder Konversation neu definieren. Wer relevante Dokumente hochlädt, muss weniger Fachwissen in den Prompt tippen – und reduziert gleichzeitig das Halluzinationsrisiko.

Komfort hat seinen Preis: Warum mehr Kontext nicht immer besser ist

So leistungsfähig diese Kontextebenen sind – sie bringen Risiken mit sich, die in der Praxis oft erst spät sichtbar werden. Besonders die Memory-Funktion verdient einen kritischen Blick, gerade im Unternehmenskontext.

Das offensichtlichste Problem ist Kontextvermischung zwischen Projekten. Wer in einem einzigen ChatGPT-Account an mehreren Kunden oder Kampagnen arbeitet und die Memory-Funktion aktiviert hat, riskiert, dass Informationen aus Projekt A in die Antworten zu Projekt B einfließen. Das Modell speichert Fakten, Präferenzen und Entscheidungen aus früheren Gesprächen – ohne zu unterscheiden, zu welchem Projekt sie gehören. Ein dokumentiertes Beispiel: Ein Nutzer eröffnete einen neuen Chat zu einem Kunden, den er in dieser Konversation nicht erwähnt hatte – und ChatGPT bezog sich trotzdem auf diesen Kunden, weil die Memory-Funktion den Namen aus einer früheren Konversation gespeichert hatte. Was bei persönlicher Nutzung ein Komfortgewinn ist, wird bei der Arbeit mit vertraulichen Kundendaten zum Datenschutzrisiko.

OpenAI hat auf dieses Problem reagiert und bietet seit Ende 2025 sogenannte Project-only Memory an: Projekte, in denen das Modell ausschließlich auf Konversationen und Dateien innerhalb dieses Projekts zugreift, isoliert von allem anderen. Das löst das Problem der Kontextvermischung – schafft aber ein neues: Fragmentierung. Wer für jeden Kunden ein separates Projekt anlegt, verliert die projektübergreifenden Synergien.

Noch komplexer wird es, wenn mehrere Personen dasselbe Projekt nutzen. ChatGPT bietet zwar Shared Projects für Teams an, aber die Memory-Funktion innerhalb eines Projekts unterscheidet nicht zwischen den Beiträgen verschiedener Nutzer. Wenn Kollege A in einem Chat eine Stilentscheidung trifft – etwa „ab jetzt duzen wir die Zielgruppe" –, kann das Modell diese Entscheidung in einem späteren Chat von Kollege B als Präferenz übernehmen, ohne dass Kollege B davon weiß. Private Reflexionen, Brainstorming-Ergebnisse und Testformulierungen in einem Thread können Tonalität, Annahmen und Empfehlungen in einem anderen Thread beeinflussen – subtil und ohne explizite Warnung.

Dahinter steckt ein grundsätzlicher Zielkonflikt zwischen Komfort und Kontrolle. Memory und Custom Instructions machen KI-Tools bequemer. Aber jede automatisierte Kontextanreicherung ist auch eine Stelle, an der man Kontrolle abgibt.

Praxisempfehlung für Marketing-Teams:

• Memory gezielt für langfristige, stabile Informationen nutzen: Unternehmensprofil, Zielgruppendefinition, Stilrichtlinien
• Für projektspezifische oder vertrauliche Arbeit: isolierte Projekte mit eigener Memory oder ganz ohne Memory verwenden
• Regelmäßig prüfen, welche Memories das System gespeichert hat – und ob sie noch aktuell sind
• Bei Shared Projects: klare Instruktionen im Projekt hinterlegen, damit alle Teammitglieder auf derselben Grundlage arbeiten

In der Fachwelt hat sich für diesen erweiterten Blick auf die Gestaltung des gesamten Informationsflusses ein eigener Begriff etabliert: Context Engineering. Der Terminus beschreibt die Verschiebung von der Optimierung einzelner Prompts hin zur systematischen Gestaltung aller Kontextebenen – System-Prompt, Custom Instructions, Memory-Strategie, Dokumentenauswahl, und ja, auch der einzelne Prompt. Nicht mehr „Wie formuliere ich diesen einen Prompt?" ist die zentrale Frage, sondern: „Welche Informationen braucht das Modell, auf welcher Ebene, in welcher Struktur – und welche Informationen sollte ich bewusst weglassen, um das Kontextfenster nicht mit Rauschen zu füllen?"

Für Marketing-Teams in Unternehmen hat das konkrete Konsequenzen. Wer KI-Tools heute noch ausschließlich auf der Ebene einzelner Prompts nutzt, verschenkt den größten Hebel. Die eigentliche Produktivität entsteht nicht durch bessere Prompts, sondern durch bessere Kontextstrukturen: ein sauber gepflegtes Set an Custom Instructions, ein durchdachter System-Prompt für wiederkehrende Aufgaben, eine kuratierte Sammlung relevanter Unternehmensdokumente, die bei Bedarf hochgeladen werden können, und eine bewusste Entscheidung darüber, wo Memory helfen soll und wo sie schadet. Das ist keine technische Spielerei – das ist der Unterschied zwischen einem Tool, das generische Texte ausspuckt, und einem, das wie ein eingearbeiteter Mitarbeiter antwortet. Allerdings wie ein eingearbeiteter Mitarbeiter, dessen Aktenordner man regelmäßig aufräumen sollte.

Und damit sind wir bei einer Perspektive angelangt, die über die Nutzung von KI-Tools hinausgeht – und die Frage berührt, wie Unternehmen selbst für KI-Systeme sichtbar werden. Denn das Prinzip Kontext gilt nicht nur in eine Richtung.

Kontext ist das neue Marketing: Warum LLMs in Gedächtnisschichten denken

Bisher habe ich Kontext aus einer Richtung betrachtet: von innen. Wie gebe ich einem KI-Tool die richtigen Informationen, damit es brauchbare Ergebnisse liefert? Das ist die Perspektive des Nutzers. Aber dieselbe Logik gilt auch in die andere Richtung – und diese zweite Perspektive wird für Unternehmen in den kommenden Jahren mindestens ebenso wichtig.

Denn KI-Systeme sind nicht nur Werkzeuge, die Unternehmen nutzen. Sie sind zunehmend auch Systeme, die über Unternehmen sprechen – in Chatbot-Antworten, in AI Overviews, in agentengesteuerten Kaufempfehlungen. Und was diese Systeme über ein Unternehmen wissen, hängt davon ab, welchen Kontext sie darüber finden. Nicht im Prompt eines Nutzers, sondern in ihren Trainingsdaten, in ihren Live-Suchquellen, in den strukturierten Daten einer Website. Die Frage „Wie gebe ich der KI den richtigen Kontext?" stellt sich also doppelt: einmal als Nutzer, einmal als Marke.

Andrea Volpini, Mitgründer und CEO des KI-Unternehmens WordLift und einer der führenden Köpfe an der Schnittstelle zwischen SEO und KI, hat dafür ein Framework vorgeschlagen, das diese Perspektive greifbar macht. Seine These: Marketing verschiebt sich von Content Creation zu Memory Programming. Nicht „Wie erstelle ich guten Content?" ist die strategische Frage, sondern „Welche Erinnerung soll ein KI-System an mein Unternehmen haben – und wie beeinflusse ich sie?"

Volpini unterscheidet drei Gedächtnisschichten, die sich an die Gedächtnisforschung der Kognitionswissenschaft anlehnen – und die direkt auf die Art abbilden lassen, wie LLMs Informationen verarbeiten und gewichten.

Semantisches Gedächtnis – das Faktenwissen

Welche Entitäten kennt ein KI-System, und welche Attribute verbindet es damit? Weiß Gemini, dass die Werther Maschinenbau GmbH ein Hersteller von 5-Achs-Fräsmaschinen aus Solingen ist? Kennt ChatGPT die Produktkategorien, die ein Unternehmen bedient? Dieses faktische Wissen speist sich aus zwei Quellen: den Trainingsdaten des Modells und den strukturierten Informationen, die zur Laufzeit verfügbar sind – etwa über Structured Data auf der Website, Einträge in Wikidata oder Produktdaten in Googles Merchant Feed. Wer sein semantisches Gedächtnis in KI-Systemen beeinflussen will, muss dafür sorgen, dass die Fakten über das eigene Unternehmen maschinenlesbar, konsistent und an den richtigen Stellen verfügbar sind. Das ist keine neue Disziplin – es ist das, was gute semantische Suchmaschinenoptimierung seit Jahren tut.

Episodisches Gedächtnis – das Ereigniswissen

Was ist kürzlich passiert? Welche Erfahrungen haben Kunden gemacht? Was wurde über ein Unternehmen gesagt – und wann? Episodisches Gedächtnis ist zeitgebunden und volatil. Es speist sich aus Quellen, die KI-Systeme in Echtzeit oder zeitnah abfragen: Bewertungen, Social-Media-Beiträge, Nachrichtenartikel, Event-Daten. Volpini demonstrierte den Effekt in einem Experiment auf einer KI-Konferenz in Mailand: Durch gezieltes Engagement auf der Plattform X während seines Vortrags gelang es ihm, dass Grok – das LLM von xAI, das stark auf X-Daten zugreift – seinen Vortrag kurze Zeit später als herausragend hervorhob. Episodisches Gedächtnis ist flüchtig, aber gerade deshalb beeinflussbar. Bewertungen, Social Signals und aktuelle Erwähnungen formen die „Erinnerung", die KI-Systeme an ein Unternehmen haben – und diese Erinnerung beeinflusst, ob und wie ein Unternehmen in KI-generierten Antworten auftaucht.

Prozedurales Gedächtnis – das Handlungswissen

Wie funktioniert etwas? Wie läuft ein Prozess ab? In der klassischen SEO-Welt entspricht das den How-to-Inhalten und Anleitungen. Für KI-Systeme wird prozedurales Wissen zunehmend über maschinenlesbare Formate bereitgestellt: How-to-Structured-Data auf der Website, aber auch neue Standards wie llms.txt – eine Art robots.txt für KI-Systeme, die den Inhalt einer Website in einem für LLMs optimierten Markdown-Format bereitstellt – oder das Model Context Protocol (MCP), eine von Anthropic entwickelte Schnittstelle, über die KI-Agenten direkt auf APIs, Produktkataloge und Wissensdatenbanken zugreifen können. Prozedurales Gedächtnis entscheidet darüber, ob ein KI-Agent ein Unternehmen nicht nur kennt, sondern auch mit ihm interagieren kann – etwa um Produktverfügbarkeiten zu prüfen oder Buchungen vorzunehmen.

Was Volpinis Framework für Marketing-Teams greifbar macht, ist eine strategische Verschiebung, die weit über das Schreiben von Blogartikeln hinausgeht. Die Frage ist nicht mehr nur „Ranken wir für dieses Keyword?", sondern „Welchen Kontext findet ein KI-System über uns – und in welcher Gedächtnisschicht?" Ist das semantische Gedächtnis sauber? Kennen die Modelle die richtigen Fakten, die richtigen Entitäten, die richtigen Attribute? Ist das episodische Gedächtnis aktuell? Gibt es frische Erwähnungen, positive Bewertungen, relevante Signale? Ist das prozedurale Gedächtnis maschinenlesbar? Können KI-Agenten mit den eigenen Inhalten und Systemen interagieren?

Und damit schließt sich der Bogen. Ob Sie ein KI-Tool nutzen oder in einem KI-Tool sichtbar sein wollen – die zentrale Kompetenz ist dieselbe: Kontext gestalten. Prompting ist Kontextsteuerung von innen. SEO und GEO sind Kontextsteuerung von außen. Die Techniken unterscheiden sich. Das Prinzip ist identisch.

Fazit: Der Prompt ist das neue Briefing – und Kontext ist das neue Marketing

Wer bis hierhin gelesen hat, wird festgestellt haben, dass dieser Artikel keine Liste mit Copy-Paste-Prompts liefert. Das war Absicht. Denn die zentrale Erkenntnis, die sich durch jeden Abschnitt zieht, lässt sich nicht in ein Template pressen: Die Qualität einer KI-Ausgabe hängt nicht vom perfekt formulierten Prompt ab. Sie hängt vom Kontext ab, den man dem Modell gibt – oder den das Modell über einen findet.

Das gilt auf der operativen Ebene: Ein Prompt mit Rolle, Zielgruppe, Fachdaten, Formatvorgabe und klaren Einschränkungen liefert Ergebnisse, die um Größenordnungen besser sind als eine vage Anweisung. Nicht wegen einer geheimen Formel, sondern weil das Modell mehr Informationen hat, aus denen es arbeiten kann. Die Bausteine dafür sind kein Hexenwerk – sie entsprechen dem, was ein sauberes Briefing an einen menschlichen Dienstleister auch enthalten würde.

Das gilt auf der technischen Ebene: Prompting-Techniken wie Few-Shot, Chain-of-Thought oder Generated Knowledge sind im Kern Werkzeuge zur Kontextanreicherung. Und die Entwicklung geht weiter – von einzelnen Prompts hin zu Context Engineering, also der systematischen Gestaltung aller Informationsebenen, die ein KI-Tool verarbeitet: System-Prompts, Custom Instructions, Memory, hochgeladene Dokumente. Wer KI im Marketing-Alltag strategisch einsetzen will, kommt um diese Ebenen nicht herum.

Und das gilt auf der strategischen Ebene: Dieselbe Logik, die einen guten Prompt ausmacht, bestimmt auch, ob ein Unternehmen in KI-generierten Antworten auftaucht. Welche Fakten finden LLMs über Ihre Marke? Welche Erwähnungen, welche Bewertungen, welche strukturierten Daten? Semantisches, episodisches und prozedurales Gedächtnis – drei Schichten, die bestimmen, was KI-Systeme über Sie wissen. Wer diese Schichten nicht aktiv gestaltet, überlässt es dem Zufall.