Entsteht KI-Qualität im Prompt?
Und was das für ein IT-Beratungshaus bedeutet
Der neueste Economic Index von Anthropic Report zeigt einen bemerkenswerten Zusammenhang: Zwischen dem Anspruchsniveau der Eingaben und der Qualität der KI-Ausgaben besteht eine deutliche Korrelation. Komplexe, strukturierte Prompts führen häufiger zu differenzierten, tiefgehenden Antworten.
Das wirft eine zentrale Frage auf: Entsteht die Qualität von KI-Ergebnissen primär im Prompt?
Die Antwort lautet: teilweise, aber nicht ausschließlich.
Gute Prompts sind strukturierte Problemlösung
Interessanterweise folgen leistungsfähige Prompts einer Logik, die wir aus (strategischen) Projekten kennen:
- Ziel und Entscheidungsfrage klar definieren
- Annahmen transparent machen
- Rahmenbedingungen benennen
- Struktur und gewünschtes Format vorgeben
- Gegenargumente oder Alternativen explizit einfordern
KI reagiert besonders gut, wenn wir explizit formulieren, wie ein Ergebnis aussehen soll, welche Perspektive eingenommen werden soll und welche Kriterien relevant sind. „PhD-Level-Prompting“ bedeutet nicht akademischen Sprachstil, sondern strukturiertes Problemlösen.
KI wirkt damit weniger als Ersatz für Expertise, sondern als Verstärker bestehender Fähigkeiten. Wer strukturiert denkt, klare Ziele formuliert und Problemräume sauber abgrenzt, erhält bessere Resultate. Wer hingegen unpräzise fragt, bekommt oft generische Antworten zurück. Das Modell spiegelt die gedankliche Qualität der Eingabe stärker, als vielen bewusst ist.
Qualität entsteht im Zusammenspiel
Dennoch wäre es zu verkürzt zu behaupten, die Qualität entstehe ausschließlich im Prompt. Ein leistungsfähiges Modell bringt trainiertes Wissen, Abstraktionsvermögen und Reasoning-Fähigkeiten mit. Ohne diese Grundlage nützt auch die beste Aufgabenformulierung wenig.
Der eigentliche Engpass liegt daher oft nicht in der reinen Modellleistung, sondern in der Aufgabenformulierung. Viele nutzen KI noch wie eine Suchmaschine, nur mit längeren Antworten. Doch wer komplexe Probleme bearbeiten will, muss die Frage ebenso präzise gestalten wie die gewünschte Lösung.
Die Qualität von KI-Ergebnissen entsteht im Zusammenspiel:
Das Modell liefert das kognitive Potenzial und der Prompt entscheidet, wie gut dieses Potenzial genutzt wird.
KI wirkt damit weniger als Ersatz für Expertise, sondern als Verstärker bestehender Fähigkeiten. Wer strukturiert denkt, klare Ziele formuliert und Problemräume sauber abgrenzt, erhält bessere Resultate. Wer hingegen unpräzise fragt, bekommt oft generische Antworten zurück. Das Modell spiegelt die gedankliche Qualität der Eingabe stärker, als vielen bewusst ist.
Der strategische Vorsprung liegt im Denken
Für Unternehmen bedeutet das: Der Wettbewerbsvorteil entsteht nicht nur durch den Zugang zu leistungsfähigeren Modellen, sondern durch die Fähigkeit, Probleme präzise zu formulieren. KI wird zum Multiplikator der Denkqualität im Unternehmen.
KI wirkt damit weniger als Ersatz für Expertise, sondern als Verstärker bestehender Fähigkeiten. Wer strukturiert denkt, klare Ziele formuliert und Problemräume sauber abgrenzt, erhält bessere Resultate. Wer hingegen unpräzise fragt, bekommt oft generische Antworten zurück. Das Modell spiegelt die gedankliche Qualität der Eingabe stärker, als vielen bewusst ist.
Was bedeutet das für ein IT-Beratungshaus?
Für ein IT-Beratungshaus liegt hier eine strategische Chance. Wenn KI ein Verstärker bestehender Kompetenzen ist, dann entscheidet die Denk- und Strukturierungsfähigkeit der Mitarbeitenden darüber, wie groß der Produktivitäts- und Qualitätsgewinn ausfällt.
Die Stärkung der Aufgabenformulierung wird damit zu einer Kernkompetenz.
Konkret bedeutet das:
KI wirkt damit weniger als Ersatz für Expertise, sondern als Verstärker bestehender Fähigkeiten. Wer strukturiert denkt, klare Ziele formuliert und Problemräume sauber abgrenzt, erhält bessere Resultate. Wer hingegen unpräzise fragt, bekommt oft generische Antworten zurück. Das Modell spiegelt die gedankliche Qualität der Eingabe stärker, als vielen bewusst ist.
KI-Enablement darf nicht bei Tool-Schulungen stehen bleiben. Entscheidend ist die Fähigkeit, Problemstellungen sauber zu zerlegen, Hypothesen zu formulieren und Entscheidungslogiken explizit zu machen.
KI-Enablement darf nicht bei Tool-Schulungen stehen bleiben. Entscheidend ist die Fähigkeit, Problemstellungen sauber zu zerlegen, Hypothesen zu formulieren und Entscheidungslogiken explizit zu machen.
- Zielbild → Ist-Zustand → Gap → Optionen → Bewertungskriterien
- Kontext → Annahmen → Risiken → Alternativen
Solche Denkrahmen verbessern nicht nur KI-Ergebnisse, sondern auch die Projektqualität insgesamt.
Wie Code Reviews sollten auch „Prompt Reviews“ Teil der Qualitätskultur werden. Nicht um Formulierungen zu optimieren, sondern um Denklogiken zu schärfen.
Gute Aufgabenformulierung endet nicht beim Prompt. Mitarbeitende müssen in der Lage sein, KI-Antworten kritisch einzuordnen, Lücken zu erkennen und gezielt nachzuschärfen.
Alte Funktionen wurden verbessert oder ersetzt. Beispielsweise wurde das Serviceticketmanagement durch das Case Management ersetzt, das in Zukunft mehr Flexibilität und eine bessere Integration zum S/4HANA Service bieten soll.
Der eigentliche Wettbewerbsvorteil
Der strategische Vorsprung entsteht nicht allein durch den Zugang zu leistungsfähigeren Modellen. Er entsteht durch die Fähigkeit, Probleme präzise zu formulieren und Denkprozesse bewusst zu strukturieren.
KI ersetzt kein strukturiertes Denken.
Sie macht es sichtbar.
Und sie belohnt es.
Für cimt als IT-Beratungshaus bedeutet das: Die Qualität der eigenen Fragestellungen wird zum Hebel für Effizienz, Innovation und Differenzierung im Markt.
Doch dieser Hebel wirkt nicht automatisch. Er muss systematisch entwickelt werden.
Welche Maßnahmen stärken diese Fähigkeit?
Wir haben für uns mehrere Maßnahmen entdeckt, die wir umsetzen und implementieren wollen. Zwei Maßnahmen als Beispiele nachstehend:
Bereits beim Einstieg als Junior Consulting sollte nicht nur Tool-Wissen vermittelt werden, sondern Denkmethodik:
- Hypothesengetriebenes Arbeiten
- Zerlegung komplexer Problemräume
- Explizite Zieldefinition vor Lösungsentwicklung
- Arbeiten mit Entscheidungsbäumen und Bewertungskriterien
Unser KI-Training konzentriert sich daher nicht auf: „So bedient man das Tool“, sondern:
„So strukturiert man ein Problem, bevor man es dem Tool übergibt.“
Anstatt KI als Zusatzthema zu behandeln, wollen wir dies in bestehende Frameworks/Methoden einbetten:
- Architektur-Reviews mit KI-gestützter Alternativenanalyse
- Requirements Engineering mit strukturierten KI-Sparringsrunden
- Business Cases mit systematischem Gegenargument-Check
Dabei können standardisierte Prompt-Templates helfen, z. B.:
- Ziel → Kontext → Annahmen → Struktur → Bewertungskriterien
- Problem → Optionen → Risiken → Empfehlung
Sie möchten mehr erfahren?
Nehmen Sie jetzt Kontakt zu uns auf.
Hinweis:
Der Anthropic Economic Index ist ein empirisches Forschungsprojekt von Anthropic, das untersucht, wie KI-Technologien wie Claude tatsächlich in der realen Wirtschaft genutzt werden.
Ein zentraler Teil des Reports ist die Analyse, welche Arten von Aufgaben Menschen und Unternehmen mit KI bearbeiten.
Kontakt
Dr. Thorsten Kuhlmann
Telefon: +49 (0)40 53302-0
E-Mail: Thorsten.Kuhlmann@cimt-ag.de
Dr. Harald Schallner
Telefon: +49 (0)40 53302-0
E-Mail: Harald.Schallner@cimt-ag.de