Prompt Engineering ist die Praxis, Anweisungen zu schreiben, die ein Sprachmodell wie ChatGPT, Claude oder Gemini dazu bringen, nützliche und konsistente Ergebnisse zu liefern. Für B2B-Marketing-Teams ist das wichtig, weil die Arbeit vom Kontext abhängt: lange Verkaufszyklen, verschiedene Käuferrollen und technische Produkte. Ein guter Prompt trägt diesen Kontext jedes Mal mit sich, sodass niemand ihn in jedem Chat aus dem Gedächtnis neu aufbauen muss.
Warum erhalten B2B-Teams schwache Ergebnisse von KI-Tools?
Die meisten schwachen Ergebnisse stammen von dünnen Prompts. “Schreibe einen LinkedIn-Post über unsere neue Integration” gibt dem Modell kein Publikum, keine Beweispunkte und keine Stimme, also füllt es die Lücken mit generischen Formulierungen. Das Modell ist nicht faul; es rät.
B2B fügt ein zweites Problem hinzu. Der Käufer ist oft ein Komitee: ein technischer Bewerter, ein Budgetverantwortlicher und ein Endnutzer. Ein Prompt, der nicht sagt, wer von ihnen liest, produziert Texte, die niemanden von ihnen ansprechen.
Das dritte Problem ist Drift. Fünf Leute, die ihre eigenen Prompts schreiben, erhalten fünf verschiedene Tonalitäten. Ein geteiltes Playbook behebt dies schneller als jede Markenschulung.
Was gehört in einen starken B2B-Prompt?
Starke Prompts folgen einer stabilen Struktur. Sie können sie als Abschnitte mit Überschriften oder als XML-artige Tags schreiben, die Anthropic für Claude empfiehlt und die auch mit anderen Modellen gut funktionieren.
- Rolle und Aufgabe: was das Modell tut, in einem Satz.
- Zielgruppe: Berufsbezeichnung, Unternehmensgröße, Branche und die Entscheidung, die sie treffen wollen.
- Kontext: Produktfakten, Beweispunkte, genehmigte Behauptungen und alles, was nicht gesagt werden darf.
- Format: Länge, Struktur, Kanal und etwaige Zeichenbeschränkungen.
- Beispiele: ein oder zwei Stücke vergangener Inhalte, die den richtigen Ton treffen.
- Prüfungen: Bitten Sie das Modell, jede Behauptung zu kennzeichnen, die es aus dem gegebenen Kontext nicht stützen konnte.
Die Prüfzeile ist leicht zu überspringen und teuer zu verlieren. Das Modell zu bitten, nicht unterstützte Behauptungen aufzulisten, verwandelt ein verstecktes Risiko in eine sichtbare Liste, die der Prüfer abarbeiten kann.
Wie sollten Sie Prompts in einem Team organisieren?
Behandeln Sie Prompts als geteilte Assets, nicht als persönliche Tricks. Speichern Sie sie an einem Ort, geben Sie jedem einen Besitzer und aktualisieren Sie sie, wenn sich das Produkt oder die Positionierung ändert.
Verwenden Sie projektbezogenen Kontext
ChatGPT Projects und benutzerdefinierte GPTs, Claude Projects und Gemini Gems ermöglichen es Ihnen, stehende Anweisungen und Dateien anzuhängen. Legen Sie das Messaging-Framework, Persona-Blätter, Produkt-One-Pager und den Styleguide dort ab. Individuelle Prompts benötigen dann nur noch den aufgabenspezifischen Teil.
Bauen Sie eine Vorlagenbibliothek auf
Beginnen Sie mit den zehn Aufgaben, die Ihr Team am häufigsten wiederholt: Fallstudienentwürfe, Webinar-Follow-up-E-Mails, LinkedIn-Posts, Anzeigenvarianten, Verkaufs-One-Pager, FAQ-Antworten, Meta-Beschreibungen. Schreiben Sie für jede eine getestete Vorlage mit Platzhaltern für die variablen Teile.
Versionierung und Überprüfung
Fügen Sie ein Datum und eine kurze Änderungsnotiz hinzu, wann immer eine Vorlage bearbeitet wird. Wenn sich die Ausgabequalität ändert, können Sie sehen, ob sich der Prompt, das Modell oder das Eingabematerial geändert hat.
Welche Techniken verbessern die Ausgabe tatsächlich?
Einige Techniken tragen den Großteil des Wertes. Beispiele zu geben, oft Few-Shot Prompting genannt, setzt den Ton zuverlässiger als Adjektive wie “professionell” oder “freundlich”. Einen Plan oder eine Gliederung vor dem vollständigen Entwurf zu verlangen, verbessert die Struktur bei langen Stücken.
Die Arbeit in Schritte aufzuteilen hilft ebenfalls. Fragen Sie zuerst nach drei Blickwinkeln für ein Whitepaper, das sich an IT-Direktoren richtet, wählen Sie einen aus, dann fragen Sie nach der Gliederung, dann nach den Abschnitten. Jeder Schritt ist einfacher zu beurteilen und zu korrigieren als eine einzige lange Antwort.
Geben Sie dem Modell schließlich die Erlaubnis zu sagen, dass es etwas nicht weiß. Eine Zeile wie “wenn der Kontext keine Zahl enthält, schreibe [QUELLE ERFORDERLICH] anstatt zu schätzen” reduziert erfundene Statistiken in B2B-Inhalten drastisch, wo eine falsche Zahl ein Verkaufsgespräch beenden kann.
Was sollte niemals in einen Prompt eingefügt werden?
Kundennamen, Vertragsbedingungen, unveröffentlichte Preise und persönliche Daten sollten draußen bleiben, es sei denn, Ihr Unternehmen hat eine Unternehmensvereinbarung, die sie abdeckt. ChatGPT Enterprise, Claude for Work und Gemini for Google Workspace geben jeweils Bedingungen für die Datenverarbeitung an; Verbraucherkonten können andere Standards haben.
- Keine persönlichen Daten von Leads oder Kunden ohne rechtliche Grundlage und Geschäftsplan.
- Keine vertraulichen Kundendokumente auf persönlichen Konten.
- Keine endgültigen rechtlichen oder Compliance-Behauptungen ohne menschliche Freigabe.
- Keine Konkurrenzaussagen, die Sie nicht schriftlich beweisen könnten.
Wie Alien Road Prompt Engineering anwendet
Unser KI-Marketing-Team beginnt jedes B2B-Engagement mit einem Kontext-Audit: welche Messaging-Dokumente, Personas und Beweispunkte existieren und welche veraltet sind. Diese werden zu den Projektdateien, aus denen jeder Prompt schöpft.
Wir schreiben und testen dann Vorlagen für die häufigsten Aufgaben des Kunden und bewerten jede auf Genauigkeit gegenüber dem Quellenmaterial, Tonübereinstimmung und Bearbeitungszeit. Vorlagen, die eine starke Bearbeitung erfordern, gehen zur Überarbeitung zurück, bevor das Team sich auf sie verlässt.
Das Reporting verfolgt die Bearbeitungszeit pro Asset und die Anzahl der markierten Behauptungen, die bei der Überprüfung gefunden wurden. Das Ziel ist eine Bibliothek, die die eigenen Leute des Kunden nach der Übergabe betreiben können, keine Abhängigkeit von uns.
Wie messen Sie, ob Prompts funktionieren?
Messen Sie die Bearbeitung, nicht die Generierung. Zeichnen Sie auf, wie lange ein Autor braucht, um jeden Entwurf in ein veröffentlichungsfähiges Stück zu verwandeln, und wie viele faktische Korrekturen erforderlich waren. Wenn die Bearbeitungszeit sinkt und die Korrekturen niedrig bleiben, erfüllt die Vorlage ihren Zweck.
Vergleichen Sie für die Leistung KI-unterstützte Assets mit vergangenen anhand der Metriken, die für diesen Kanal wichtig sind: Antwortrate für Verkaufs-E-Mails, Engagement-Rate für LinkedIn-Posts, Konversionsrate für Landingpages. Behalten Sie ein paar rein menschliche Stücke als Benchmark bei.
Wie unterscheidet sich das Prompting zwischen ChatGPT, Claude und Gemini?
Die Kernstruktur funktioniert bei allen drei, aber jeder hat Gewohnheiten. Claude neigt dazu, langen, detaillierten Anweisungen genau zu folgen und geht gut mit großen Dokumenten um. ChatGPT übernimmt schnell einen Ton aus Beispielen. Gemini verbindet sich natürlich mit Google Workspace-Dateien, wenn Ihr Unternehmen Docs und Drive verwendet.
Pflegen Sie keine drei separaten Bibliotheken. Behalten Sie eine Vorlage pro Aufgabe bei und notieren Sie kleine Anpassungen pro Modell am Ende. Testen Sie jede Vorlage auf dem Modell, das Ihr Team tatsächlich verwendet, da ein auf einem Modell abgestimmter Prompt auf einem anderen eine andere Länge oder einen anderen Ton erzeugen kann.
Wo man diese Woche anfangen sollte
Listen Sie die fünf Inhaltsaufgaben auf, die Ihr Team letzten Monat am häufigsten wiederholt hat. Schreiben Sie für die häufigste eine Vorlage unter Verwendung der oben genannten sechsteiligen Struktur, hängen Sie Ihr Persona-Blatt und zwei starke vergangene Beispiele an und führen Sie sie dreimal mit echten Briefings aus. Stoppen Sie die Bearbeitungszeit. Teilen Sie die Vorlage in einem gemeinsamen Ordner mit Datum und Besitzer und gehen Sie erst dann zur zweiten Aufgabe über.
Weiterlesen: KI-Marketing-Agentur · KI-Marketing