Prompt

Was ist ein Prompt – und wie unterscheidet er sich von einem Befehl?

Ein Prompt ist mehr als ein Befehl oder eine Suchanfrage. Während ein Befehl eine exakte, vorher definierte Aktion auslöst – etwa ein Terminal-Kommando, das eine deterministische Operation ausführt –, ist ein Prompt eine offene Texteingabe, die ein LLM zu einer generierten, kontextabhängigen Antwort veranlasst. Das Modell interpretiert den Prompt, wägt mehrere mögliche Formulierungen gegeneinander ab und wählt die statistisch wahrscheinlichste Antwort aus – ein Vorgang, der als Inferenz bezeichnet wird. Das bedeutet: Dieselbe inhaltliche Frage kann je nach Formulierung zu deutlich unterschiedlichen Antworten führen.

Prompts können unterschiedliche Formen annehmen. Der häufigste Typ ist der User Prompt – die direkte Eingabe einer Person in einer Konversationsoberfläche wie ChatGPT oder Perplexity. Davon zu unterscheiden ist der System Prompt, der im Hintergrund operiert und dem Modell Rahmenvorgaben für seine Antworten setzt: Tonalität, Rolle, Format und inhaltliche Grenzen. In der Praxis wirken beide Ebenen zusammen – der System Prompt definiert den Kontext, der User Prompt stellt die konkrete Aufgabe. Für viele Nutzeroberflächen von Answer Engines ist der System Prompt für Endnutzende nicht sichtbar; er prägt jedoch maßgeblich, wie das Modell antwortet.

Ein weiteres strukturelles Element ist das Zusammenspiel von Prompt und Kontext. Je mehr relevante Hintergrundinformationen ein Prompt enthält – über Zielgruppe, Verwendungszweck, Stil oder Unternehmenskontext –, desto gezielter kann das Modell seine Antwort ausrichten. Ein Prompt wie „Erkläre AEO für eine Marketingleiterin eines mittelständischen B2B-Unternehmens ohne SEO-Vorkenntnisse" liefert dem Modell Informationen über Wissensstand, Perspektive und gewünschten Detailgrad – Informationen, die kein einzelnes Keyword je transportieren könnte.

Für Marketingteams, die Answer Engines für Recherche, Content-Erstellung oder Wettbewerbsanalyse einsetzen, hat dieses Prinzip eine klare praktische Konsequenz: Die Investition in bessere Prompts zahlt sich unmittelbar aus – und zwar ohne Modellwechsel oder technische Infrastrukturmaßnahmen.

Wie unterscheiden sich Prompts von klassischen Suchanfragen?

Klassische Suchanfragen sind kurz, stichwortbasiert und darauf ausgelegt, Ergebnislisten zu erzeugen – die nutzende Person trifft danach selbst eine Auswahl. Prompts sind strukturell das Gegenteil: Sie sind länger, konversationell formuliert und auf eine vollständige, direkte Antwort ausgerichtet. Eine typische Google-Anfrage lautet „CRM Software Vergleich" – ein Prompt für eine Answer Engine lautet: „Welche CRM-Software eignet sich für ein B2B-SaaS-Unternehmen mit 50 Mitarbeitenden, das bisher kein dediziertes Vertriebssystem nutzt und primär über Inbound-Marketing wächst?" Dieser Unterschied in Länge und Kontext hat fundamentale Folgen für die Content-Strategie.

Während die Suchmaschinenoptimierung (SEO) auf Keywords und ihre Varianten optimiert, arbeitet die Answer Engine Optimization (AEO) mit Prompt-Mustern: typischen Frageformulierungen, Themenfeldern und Intent-Clustern, die Nutzende an Answer Engines richten. Wer diese Muster kennt, kann Inhalte gezielt auf sie ausrichten – nicht durch Keyword-Dichte, sondern durch Antworttiefe, Strukturklarheit und semantische Übereinstimmung mit dem Intent des Prompts.

Ein weiterer Unterschied liegt in der Erwartungshaltung. Bei einer klassischen Suchmaschine erwartet die nutzende Person eine Liste von Quellen, aus der sie selbst navigiert. Bei einer Answer Engine erwartet sie eine konsolidierte Antwort – ohne weitere Klicks. Das verschiebt den Wettbewerb: Es geht nicht mehr darum, auf der ersten Seite zu erscheinen, sondern darum, als Quelle in einer einzigen generierten Antwort genannt zu werden.

Prompts sind außerdem semantisch reich: Sie enthalten Kontext, Absicht, Constraints und oft implizite Wertvorstellungen. Ein Prompt transportiert damit ungleich mehr Signal über die nutzende Person als ein Keyword – und bietet Marketingverantwortlichen eine deutlich präzisere Grundlage für Content-Entscheidungen.

Ressourcen:

• 200+ nützliche ChatGPT-Prompts fürs Marketing (inkl. Tipps)

Wie verarbeiten Answer Engines einen Prompt zu einer generierten Antwort?

Wenn eine nutzende Person einen Prompt in eine Answer Engine eingibt, beginnt ein mehrstufiger Verarbeitungsprozess. Im ersten Schritt analysiert das System den Prompt auf Absicht, Themenfeld und implizite Anforderungen – ein Vorgang, der als semantisches Parsing bezeichnet wird. Dabei wird der Prompt in Tokens zerlegt, die das Modell als grundlegende Verarbeitungseinheiten nutzt. Komplexe Prompts mit mehreren Teilfragen werden häufig in mehrere Unteranfragen aufgespalten – ein Mechanismus, der als Query Fan-Out bekannt ist und dafür sorgt, dass die generierte Antwort verschiedene Dimensionen einer Frage abdeckt.

Im zweiten Schritt greift das System auf Wissen zurück. Modellbasierte Systeme wie ChatGPT nutzen primär ihr Trainingskorpus; Systeme wie Perplexity oder der AI Mode von Google führen aktive Webrecherche durch. Systeme, die auf Retrieval-Augmented Generation (RAG) basieren, suchen gezielt nach relevanten Quellen, die die generierte Antwort stützen und zitieren. Welche Quellen dabei ausgewählt werden, hängt von Faktoren wie thematischer Relevanz, sprachlicher Klarheit, Informationsdichte und der Autorität der Domain ab.

Im dritten Schritt wird die Antwort generiert. Das Modell kombiniert abgerufene Informationen mit seinem trainierten Wissen und formuliert eine kohärente, auf den Prompt abgestimmte Ausgabe. Gut strukturierte Inhalte mit klaren Definitionen und direkt formulierten Antworten werden dabei systematisch bevorzugt – weil sie sich leichter als eigenständige Antwortpassagen extrahieren lassen. Dieser Mechanismus erklärt, warum die Struktur von Webinhalten direkten Einfluss auf die Häufigkeit von KI-Zitierungen hat.

Für Marketingverantwortliche bedeutet das: Die Art, wie ein Prompt formuliert ist, beeinflusst, welche Inhalte überhaupt in den Retrievalprozess einbezogen werden. Inhalte, die typische Prompt-Formulierungen der Zielgruppe direkt beantworten, haben eine strukturell höhere Chance, als Quelle zu erscheinen.

Was ist Prompt Research – und wie ersetzt es die Keyword-Recherche im AEO?

Prompt Research ist die systematische Analyse der Fragen und Eingaben, die Nutzende an Answer Engines stellen – mit dem Ziel, Inhalte so zu strukturieren, dass sie als Antworten auf diese Prompts zitiert werden. Während klassische Keyword-Recherche darauf abzielt, die Begriffe zu identifizieren, nach denen Nutzende suchen, zielt Prompt Research auf die Absichten, Kontexte und Formulierungsmuster dahinter. Der Unterschied ist grundlegend: Keywords beschreiben Themen, Prompts beschreiben Bedürfnisse.

In der Praxis bedeutet Prompt Research, dass Marketingteams Prompt Libraries aufbauen – strukturierte Sammlungen von Prompts, die typische Nutzeranfragen zu einem Thema, einer Branche oder einem Produkt abbilden. Diese Prompts werden in Answer Engines eingegeben, und die Ergebnisse werden analysiert: Welche Quellen werden zitiert? Erscheint die eigene Marke in den Antworten? Welche Formulierungen erzeugen konsistente Nennungen, welche nicht? Diese Analyse liefert direkte Hinweise auf Content-Lücken und Optimierungspotenziale – und ist damit das AEO-Äquivalent zur Keyword-Gap-Analyse.

Ein wesentlicher Vorteil von Prompt Research gegenüber Keyword-Recherche ist die Tiefe des erfassten Intents. Prompts enthalten oft den gesamten Entscheidungskontext einer nutzenden Person – etwa: „Ich verantworte das Marketing eines mittelgroßen E-Commerce-Unternehmens und suche eine Automatisierungslösung für E-Mail-Kampagnen mit CRM-Integration. Welche Tools werden empfohlen?" Solche Prompts ermöglichen es, Inhalte präzise auf Kaufphasen, Rollen und Branchenkontexte auszurichten – weit über das hinaus, was Keywords transportieren können.

HubSpot stellt Marketingteams eine Prompt Library zur Verfügung, die als Ausgangspunkt für eigene Prompt Research eingesetzt werden kann.

Ressourcen:

• HubSpot Prompt Library: 100 Prompts für Marketingteams
• State of AEO Report von HubSpot

Was ist Prompt Engineering?

Prompt Engineering ist die systematische Disziplin der Gestaltung, des Testens und der Optimierung von Prompts mit dem Ziel, von LLMs zuverlässige und reproduzierbare Outputs zu erhalten. Der Begriff beschreibt mehr als das individuelle Formulieren einer Eingabe: Prompt Engineering behandelt Prompts als gestaltbare Artefakte, die nach definierten Prinzipien entwickelt, dokumentiert und iteriert werden – ähnlich wie Code oder Content-Templates.

Der Ursprung des Begriffs liegt in der Beobachtung, dass LLM-Outputs bei gleichem inhaltlichen Ziel erheblich variieren können – abhängig davon, wie der Prompt formuliert ist. Prompt Engineering entstand als Antwort auf diese Variabilität: Wer Prompts systematisch entwickelt statt ad hoc formuliert, erzielt konsistentere Ergebnisse und kann Qualitätsunterschiede zwischen Modellen besser einschätzen. Damit ist Prompt Engineering auch eine Methode des Qualitätsmanagements für generative KI-Prozesse.

Im Marketingkontext umfasst Prompt Engineering mehrere Tätigkeiten: die Entwicklung standardisierter Prompt-Templates für wiederkehrende Aufgaben wie Textentwürfe, Kampagnenbriefings oder Zielgruppenanalysen; das systematische Testen dieser Templates über verschiedene Modelle und Oberflächen hinweg; sowie die Dokumentation von Prompt-Versionen und ihrer jeweiligen Output-Qualität. Marketingteams, die Prompt Engineering als Kompetenz aufbauen, reduzieren ihre Abhängigkeit von einzelnen Personen mit KI-Erfahrung und machen KI-Produktivität im Team skalierbar.

Prompt Engineering ist außerdem die methodische Grundlage für AEO-bezogene Prompt Research: Um systematisch zu testen, für welche Nutzerfragen eine Marke in Answer Engines sichtbar ist, müssen Prompts präzise konstruiert, dokumentiert und wiederholbar eingesetzt werden. Ohne Prompt Engineering bleibt Prompt Research eine einmalige Übung statt eines fortlaufenden Analyse-Workflows.

Ressourcen:

• Prompt Engineering: Die Schlüsselkompetenz für Marketing-, Sales- und Service-Teams

Welche Prompting-Techniken sind für Marketingteams am effektivsten?

Die effektivsten Prompting-Techniken lassen sich in drei Niveaus gliedern: grundlegende Methoden, die sofort anwendbar sind; Zwischenmethoden, die etwas Übung erfordern; und fortgeschrittene Ansätze, die ihren Wert besonders in Automatisierungsworkflows und bei komplexen Analyseaufgaben entfalten.

Auf Basisebene gehören drei Prinzipien zum Standardrepertoire eines Marketingteams. Erstens die Angabe von Rolle und Kontext zu Beginn des Prompts – etwa: „Formuliere als B2B-Content-Spezialistin für CRM-Software, die für Marketingleitende von Unternehmen mit 50 bis 500 Mitarbeitenden schreibt." Zweitens die explizite Formatvorgabe des gewünschten Outputs – etwa: „Antworte in einer nummerierten Liste mit maximal fünf Punkten, je maximal zwei Sätze." Drittens negative Constraints, die häufige Fehler antizipieren – etwa: „Verwende keine generischen Unternehmensphrasen, mache keine Behauptungen ohne konkrete Daten, wiederhole keine Idee in anderer Formulierung."

Auf mittlerem Niveau ist Few-Shot Prompting die am meisten unterschätzte Technik. Dabei enthält der Prompt zwei oder drei konkrete Beispielpaare im Format Eingabe/Ausgabe – anstatt abstrakt zu beschreiben, was das Modell tun soll, zeigt man es. Für E-Mail-Betreffzeilen bedeutet das: Statt zu beschreiben, welchen Ton eine Betreffzeile haben soll, liefert man Beispiele und bittet dann um eine neue Variante für die aktuelle Kampagne. Diese Methode erzeugt eine Ankerungswirkung, die abstrakte Anweisungen in ihrer Präzision systematisch übertrifft. Ebenfalls auf diesem Niveau liegt Chain-of-Thought Prompting: Die explizite Anweisung, dass das Modell sein Vorgehen schrittweise begründen soll, bevor es zur Schlussfolgerung kommt – besonders wirksam bei Wettbewerbsanalysen, Content-Audits und Kampagnendiagnosen.

Die wertvollste Methode im täglichen Arbeitsablauf ist iteratives Prompting: Das erste Output eines LLM wird nicht als Endergebnis behandelt, sondern als Ausgangsentwurf, der in weiteren Gesprächsrunden präzise verbessert wird. Ein Beispiel für einen effektiven Iterationsschritt: „Dieser Entwurf trifft den richtigen Ton, aber die ersten drei Absätze sind zu allgemein – schreib sie mit konkreten Beispielen aus dem B2B-SaaS-Bereich um und entferne alle Aussagen, die auf jedes Unternehmen jeder Branche zutreffen könnten." Teams, die den ersten Output systematisch als Ausgangspunkt behandeln, erzielen bei gleichem Gesamtaufwand deutlich höhere Output-Qualität als Teams, die das erste Ergebnis unverändert übernehmen. HubSpot Marketing Hub unterstützt Marketingteams dabei, solche Prompting-Workflows in die tägliche Content-Produktion zu integrieren.

Wie beeinflusst die Struktur von Prompts die KI-Sichtbarkeit einer Marke?

Die KI-Sichtbarkeit einer Marke – die Häufigkeit und Qualität, mit der sie in den Antworten von Answer Engines erscheint – hängt direkt davon ab, welche Prompts Nutzende stellen und welche Inhalte auf diese Prompts antworten. Der Zusammenhang ist direkt: Wer die typischen Prompt-Muster seiner Zielgruppe kennt und Inhalte auf diese Muster ausrichtet, erhöht die Wahrscheinlichkeit, in generierten Antworten zitiert zu werden.

Ein entscheidender Faktor ist die semantische Übereinstimmung zwischen Prompt und Inhalt. Answer Engines bevorzugen Quellen, deren Formulierungen, Struktur und Informationsdichte eng mit der Fragestellung des Prompts übereinstimmen. Das bedeutet konkret: Inhalte sollten die typischen Formulierungsweisen von Nutzerprompts widerspiegeln – direkte Fragen beantworten, klare Definitionen liefern und Informationen so strukturieren, dass sie als eigenständige Antwortpassagen extrahierbar sind. Texte, die primär für Suchmaschinen-Rankings optimiert wurden – fließend, thematisch weitläufig, auf Keyword-Dichte ausgerichtet –, schneiden bei Prompt-basierten Retrievalsystemen strukturell schlechter ab.

Darüber hinaus beeinflusst die Prompt-Struktur, welche Aspekte eines Themas überhaupt sichtbar werden. Wenn Nutzende spezifische Teilaspekte in ihren Prompts betonen – etwa Implementierungsaufwand, Integrationen oder Preismodelle –, werden Inhalte bevorzugt, die genau diese Aspekte direkt adressieren. Marketingverantwortliche, die ihre Content-Architektur auf Basis von Prompt Research aufbauen, können gezielt auf die informationellen Schwerpunkte ihrer Zielgruppe eingehen – und damit die eigene Sichtbarkeit in den für sie relevanten Prompt-Kategorien steigern.