Prompt Engineering im Bereich UI/ UX
Dreh- und Angelpunkt im Bereich KI ist das Prompting. Je präziser die Eingabe in das jeweilige System desto besser ist auch die Ausgabe.
Wie immer gilt: Viele Wege führen nach Rom. Von Zero Shot über RABEN zu Prompt Bibliotheken.
Wie erreiche ich ein optimales Ergebnis beim Prompting?
Ich nutze ChatGPT von OpenAI, der Chatbot der aktuell weltweit am meisten genutzt wird. Die wöchentliche aktive Nutzerzahl von ChatGPT beläuft sich auf 800 Millionen, Stand Okt 2025. Natürlich gibt es Alternativen: Meta AI, Googles Gemini, xAI’s Grok, Perplexity und Anthropic’s Claude führen die Listen an. Für Research liefert wohl Perplexity die besseren Quellennachweise. Aber: die überwältigende Nutzerzahl von ChatGPT überzeugt auch mich von diesem Allrounder.
1. Zero Shot Prompting
Zero Shot Prompting ist eine Frage oder Anweisung ohne Beispiel. Zuerst schreibe ich mal was ich haben möchte. Mein Text für das Eingabefeld bei ChatGPT lautet: "Erstelle mir einen Copytext für Produkt "X" vom Unternehmen "Y". ChatGPT erstellt mir einen Text. Im Grunde aber nicht sehr brauchbar weil zu wenig spezifisch. Daher gehe ich über zu strukturierter Eingabe und nutze das RABEN Schema.
2. RABEN Prompting
RABEN ist ein Akronym das aus den Anfangsbuchstaben: Rolle, Aufgabe, Bedingungen, Ergebnis und Nebeninformationen gebildet wird. Dies ist eine Variante des "Role Prompting" mit der die Antwort gezielt gesteuert wird. Durch diese Struktur wird die Kommunikation präziser, die Rate an Missverständnissen geringer und die Ergebnisse sind reproduzierbar.
R – Rolle Welche Rolle soll die KI einnehmen? Beispiel: „Du bist ein professioneller Texter.“
A – Aufgabe Was genau soll erledigt werden? Beispiel: „Erstelle mir einen Copytext für Produkt "X" vom Unternehmen "Y".
B – Bedingungen Welche Rahmenbedingungen, Grenzen oder Vorgaben gelten? Beispiel: „Zielgruppe ist männlich, 40-45 Jahre alt, europäischer Raum …".
E – Ergebnis Wie soll das Resultat aussehen? In welcher Form? Beispiel: „Maximal 200 Wörter, keine Fachsprache“
N – Nebeninformationen Zusätzliche Hintergrundinfos, Kontext oder Beispiele. Beispiel: „Nutze diese Seite von Produkt X als Referenz.“
3. Chain-of-Thought Prompting
Diese Möglichkeit die einzelnen Schritte bis zum Ergebnis darzustellen klingt erstmal aufschlussreich, in der Anwendung ist mir das aber zu detailliert:
Beispiel: „Löse die Aufgabe Schritt für Schritt: Erstelle mir einen Copytext für Produkt "X" vom Unternehmen "Y". "
4. Prompt Bibliotheken
Für einige Anwendungsfälle im Bereich UX/ UI gibt es bereits vorgefertigte Prompts. Zum Beispiel auf dieser Website.
Dort werden die Parameter "Kontext" und "Zielgruppe" berücksichtigt, damit ist die Struktur: Rolle, Aufgabe, Ausgabeformat + Kontext, Zielgruppe
MEIN FAZIT
Ich arbeite mit Zero Shot oder strukturierten Prompts. Die zusätzliche Vergabe einer Rolle an die KI bringt manchmal auch tolle Ergebnisse.
Der Upload von Bild / Text und der Frage nach Prompterstellung zum Style verkürzt diese Methoden und macht sie dann hocheffizient.
Festzuhalten bleibt: eine präzise Eingabe, so detailliert wie möglich/ nötig scheint mir das Mittel um brauchbare Ergebnisse zu erreichen.
Detaillierte Texterstellung mit KI