Vor einigen Jahren bezeichnete sich fast niemand als „Prompt Engineer“. Innerhalb kurzer Zeit entwickelte sich der Begriff von einer eigenständigen Berufsbezeichnung zu einer Kompetenz oder sogar einer Teilkompetenz. Ursprünglich als unverzichtbare Fähigkeit für die Arbeit mit KI vermarktet, befindet sich Prompt Engineering heute an einer schwierigen Schnittstelle zwischen Hype und Praxis, da Modelle immer benutzerfreundlicher werden und weniger explizite Anweisungen erfordern.
Dieser Artikel argumentiert, dass Prompt Engineering eine reale Aktivität beschreibt, jedoch keine eigenständige oder dauerhafte Disziplin darstellt. Sein Wert ist kontextabhängig und leitet sich eher aus tiefergehendem Fachwissen ab als aus einer eigenständigen Disziplin.
Um zu verstehen, wie diese Formulierung entstanden ist, ist es hilfreich, mit dem Ursprung des Begriffs zu beginnen.
Woher stammt dieser Begriff?
Der Begriff stammt weder aus der klassischen Softwareentwicklung, noch wurde er in einer grundlegenden Forschungsarbeit geprägt. Er entstand bottom-up, aus dem Nutzerverhalten und der Reibung zwischen Tools, zu einer Zeit, als viele Menschen versuchten, eine neue Klasse von Systemen zu verstehen. Die Bezeichnung gewann an Bedeutung, indem sie sich auf die Autorität des Begriffs „Engineering” stützte, obwohl sie sich im Kern auf die Formulierung von Eingaben für probabilistische Modelle bezieht.
Warum hat es sich durchgesetzt? Es verkauft die Idee des einfachen Zugangs oder eine Art „Abkürzung“ (kein Programmieren, keine Mathematik) und ist als neue, „zukunftssichere“ Fähigkeit marktfähig.
Im Laufe der Zeit hat sich der Begriff zu einem Oberbegriff für verschiedene Praktiken entwickelt, die sich je nach Bereich und Kontext erheblich unterscheiden. Um zu verstehen, was er tatsächlich bedeutet, ist es sinnvoller, sich anzusehen, wie er in der Praxis verwendet wird.
Was ist „Prompt Engineering“ in der Praxis?
In der Praxis ist Prompt Engineering keine neue Ingenieursdisziplin. Sein primäres Ziel ist es, effektive Eingaben für große Sprachmodelle zu formulieren. Präzisere Beschreibungen wären „Instruktionsdesign“, „Abfrageformulierung“ oder „Schnittstellenkompetenz“.
Diese Begriffe sind aus Marketing-Sicht weniger überzeugend, beschreiben die Aktivität jedoch genauer.
In der Praxis lassen sich die unter „Prompt Engineering“ zusammengefassten Fähigkeiten in der Regel in drei verschiedene Stufen einteilen.
Stufe 1 – Benutzerkenntnisse
Dies ist das Niveau, auf das sich die meisten Kurse konzentrieren. In der Regel umfasst es die Vermittlung folgender Kenntnisse an die Benutzer:
- Formulieren Sie Anweisungen und Anforderungen klar und deutlich.
- Wiederholen Sie den Vorgang durch Ausprobieren.
- Verwenden Sie Beispiele (Few-Shot- oder Multi-Shot-Prompting).
- Überprüfen und korrigieren Sie die vom Modell generierten Ergebnisse.
Auf dieser Ebene sind die erforderlichen Fähigkeiten eher mit Kommunikation und Benutzererfahrung als mit Technik verbunden.
Stufe 2 – Anwendung in Softwareprodukten
Da KI-Tools zunehmend in Softwareprodukte integriert werden, werden Entwickler sich der Unterschiede zwischen Modellen und deren Verhalten in verschiedenen Kontexten immer bewusster. Durch Experimentieren ermitteln sie, welche Tools und Konfigurationen für einen bestimmten Anwendungsfall geeignet sind.
In this setting, prompt engineering typically appears as:
- Versionierte Eingabeaufforderungen
- A/B-Tests von Ausgaben
- Einschränkungen und strukturierte Ausgabeschemata
- Integration mit Code, Daten und Geschäftsregeln
Hier beginnt die Arbeit im Zusammenhang mit Prompts, einen echten Mehrwert zu generieren. Sie existiert jedoch nicht unabhängig von der Softwareentwicklung, sondern ist ein Bestandteil davon.
Stufe 3 – Forschung und fortgeschrittene Systeme
Auf dieser Ebene gehen Praktiker von einem expliziten Verständnis der Grenzen des Modells aus: mangelndes echtes Verständnis, instabiler Speicher und keine inhärente Vorstellung von Wahrheit. Diese Einschränkungen führen zu Halluzinationen und unzuverlässigen Ergebnissen, wenn sie nicht strukturell angegangen werden.
Hier wird das Sprachmodell eher als Koordinator denn als Experte betrachtet. Fachwissen wird in Tools wie Datenbanken, APIs oder deterministischen Berechnungssystemen externalisiert, auf die das Modell bei Bedarf zurückgreifen kann. Die Entwicklung solcher Systeme erfordert umfangreiche technische Kenntnisse, die über die Formulierung von Eingabeaufforderungen hinausgehen.
Wie ein komplexes KI-System der Stufe 3 aussehen könnte (wobei Prompt nur eine untergeordnete Rolle spielt):
Aus diesem Grund arbeiten nur wenige Menschen auf dieser Ebene. Es erfordert fundierte Kenntnisse in den Bereichen Softwareentwicklung, Datenverarbeitung und Produktentwicklung. Außerdem lässt es sich nicht ohne Weiteres vermitteln, da es stark von den tatsächlichen Systembeschränkungen und dem Kontext abhängt. In dieser Phase spielen Eingabeaufforderungen im Vergleich zu Architektur und Werkzeugen eine relativ untergeordnete Rolle.
Gibt es heute noch Jobs für „Prompt Engineers“?
Kurze Antwort: Ja. Es gibt heute Positionen, deren Bezeichnung oder Beschreibung „Prompt Engineer“ oder ähnliche Aufgabenbereiche enthält. In der Praxis sind diese Positionen jedoch selten eigenständig.
In den meisten Organisationen:
- Die Arbeit im Zusammenhang mit Prompts ist Teil umfassenderer KI-Leistungen.
- Prompts werden von Entwicklern, ML-Ingenieuren oder Produktingenieuren geschrieben.
- Spezielle Rollen gibt es vor allem in Unternehmen mit KI-Kernprodukten.
Im einfachsten Fall bedeutet Prompt Engineering, dass man weiß, wie man Eingaben für probabilistische Modelle effizient formuliert. Da Modelle immer vielfältiger und spezialisierter werden, lassen sich Techniken, die für ein System gut funktionieren, oft nicht ohne Weiteres auf ein anderes übertragen. Dies verringert die Wahrscheinlichkeit, dass Prompt Engineering als eigenständige Funktion bestehen bleibt, da sich Modelle und Schnittstellen ständig weiterentwickeln.
Ein Anwalt, der mit einem System arbeitet, ein Softwareentwickler, der ein anderes verwendet, und ein Forscher, der ein drittes nutzt, werden jeweils unterschiedlich mit Modellen interagieren. Sie werden jeweils spezifische Tools verwenden. Die Gemeinsamkeit liegt in der Fachkompetenz, nicht in universellen Eingabetechniken.
Warum den Hype vermeiden?
Es gibt eine lange Geschichte aggressiv vermarkteter Abkürzungen, die oft durch Bootcamps oder schnelle Umschulungsprogramme beworben werden und Menschen ansprechen, die einen schnellen Einstieg in technische Bereiche suchen.
Ein Karrierewechsel in die IT-Branche und verwandte Bereiche ist möglich, aber selten gelingt dies auf direktem Weg. Die Darstellung von Prompt Engineering als schneller Weg in die KI-Branche folgt einem bekannten Muster.
Zum Vergleich: Während der Dotcom-Blase wäre es ein Leichtes gewesen, Kurse zum Thema „Suchmaschinenoptimierung“ zu verkaufen. Mit der Zeit lernten die Menschen jedoch durch Praxis, wie sie Suchoberflächen effektiver nutzen können, während sich die wertvollsten Fähigkeiten in anderen Bereichen herauskristallisierten, insbesondere in Bereichen wie Online-Marketing, Produktstrategie und Systemdesign.
Schlussfolgerung
Prompt Engineering existiert und wird auch weiterhin als Tätigkeit und als praktisches Anliegen bei der Arbeit mit Sprachmodellen bestehen bleiben. Es handelt sich jedoch weder um eine eigenständige Disziplin noch um eine isolierte, dauerhafte Kompetenz. Sein Wert hängt vollständig vom Kontext, dem Fachwissen und der Integration in umfassendere Systeme ab.
Der Schwerpunkt sollte daher nicht darauf liegen, Eingabeaufforderungen als Selbstzweck zu beherrschen, sondern darauf, das zugrunde liegende Fachwissen zu entwickeln, das diesen Eingabeaufforderungen Bedeutung verleiht.