Prompt Engineering für Marketer: Die neue Kernkompetenz

In fast jedem Marketing-Team laufen aktuell zwei Realitaeten parallel. Die eine Haelfte der Kollegen tippt bei ChatGPT, Claude oder Gemini einzeilige Fragen ein und kopiert das Ergebnis als LinkedIn-Post. Die andere Haelfte baut strukturierte System-Prompts, arbeitet mit Rollen, Beispielen und Evaluations-Loops und produziert in dreissig Minuten, wofür eine Agentur eine Woche gebraucht haette. Die Differenz zwischen beiden Welten heisst Prompt Engineering, und sie entscheidet gerade darüber, wer in den nächsten zwoelf Monaten seine Marketing-Kapazitaet verdoppelt und wer zurückfaellt.

Das Problem: KI als Spielzeug statt als Werkzeug

Die meisten Teams nutzen generative KI in der gleichen Logik wie eine Google-Suche: eine Frage, eine Antwort, fertig. Das Ergebnis ist entsprechend generisch. Ein unscharfer Text, ein austauschbarer Kampagnen-Claim, eine Analyse ohne Substanz. Der Eindruck im Team: Die Modelle sind nett, aber ersetzen keine echte Arbeit. Das ist nicht falsch, es ist nur die Folge einer falschen Bedienung.

Anthropic beschreibt in seinem offiziellen Prompting-Leitfaden den gleichen Effekt: Die Qualität der Ausgabe korreliert direkt mit der Präzision der Anweisung. Wer vage fragt, bekommt vage Antworten. OpenAI formuliert in seinem Leitfaden für Prompt Engineering sechs zentrale Strategien, die alle auf das gleiche Ziel einzahlen, dem Modell mehr Kontext, klarere Struktur und pruefbare Referenzen zu geben. Der Unterschied zwischen einem Einzeiler und einem durchdachten Prompt ist nicht Stil, sondern Output-Qualität.

Der Mechanismus: Was ein Prompt wirklich ist

Ein Prompt ist kein Satz. Ein Prompt ist eine Instruktion, die aus mehreren Schichten besteht. Die oberste Schicht ist der System-Prompt, der das Modell in eine Rolle versetzt und die Regeln des Gesprächs festlegt. Die zweite Schicht ist der User-Prompt, die eigentliche Aufgabe. Die dritte Schicht sind Beispiele, sogenannte Few-Shot-Examples, an denen das Modell sieht, wie ein gutes Ergebnis aussieht. Eine vierte Schicht kann Kontext sein, also Dokumente, Daten oder Referenzen, die das Modell auswerten soll.

Wer diese Schichten trennt, bekommt reproduzierbare Ergebnisse. Wer sie vermischt, bekommt Glueckstreffer. Genau deshalb betont Anthropic in seinen Best Practices die klare Trennung von Rollen-Definition, Aufgabenbeschreibung, Format-Vorgaben und Beispielen. Und genau deshalb lohnt sich der Aufwand, einen Prompt als wiederverwendbare Vorlage zu pflegen, nicht als Einweg-Zeile im Chat-Fenster.

Unser Vorgehen: Prompt Engineering als Produktivitäts-Stack

Wir arbeiten bei SK seit Jahren mit KI, nicht als Gimmick, sondern als Produktivitäts-Hebel in Recherche, Content-Produktion und Analyse. Entscheidend ist dabei ein Stack, den wir in der KI-Beratung auch an Kundenteams weitergeben. Er besteht aus vier Bausteinen.

Erstens eine saubere Rollen-Definition. Wir geben dem Modell eine klare Identitaet, zum Beispiel Senior-Stratege für B2B-Industriekommunikation mit fuenfzehn Jahren Erfahrung. Das schaerft den Ton, die Referenzen und die Perspektive. Zweitens Chain-of-Thought-Prompting: Wir fordern das Modell explizit auf, seinen Denkweg offenzulegen, bevor es die finale Antwort formuliert. Das ist kein rhetorischer Trick, sondern ein dokumentierter Qualitätsgewinn, den Google Research 2022 erstmals systematisch gezeigt hat und der seitdem Standard in professionellen Setups ist.

Drittens die saubere Trennung von Recherche, Synthese und Output. Wir lassen das Modell nie alles in einem Schritt erledigen. Statt des Einzeilers Schreibe mir einen Blogartikel über X zerlegen wir die Aufgabe in drei Prompts: einen für die Faktenrecherche mit klaren Quellen, einen für die Struktur- und Argumentations-Synthese, einen für den finalen Text im gewuenschten Ton. Das Ergebnis ist überpruefbar, wiederholbar und in der Qualität nicht mit einem Einzeiler vergleichbar. Viertens Evaluations-Loops: Wir testen zwei oder drei Prompt-Varianten gegeneinander, bewerten die Outputs nach definierten Kriterien und pflegen die Gewinner-Version in einer Prompt-Library.

Marketing-Use-Cases, die sofort Wirkung zeigen

Prompt Engineering zahlt sich dort aus, wo Marketing-Teams bisher viel Zeit für Zwischenergebnisse verloren haben. Vier Anwendungen, in denen der Effekt besonders deutlich ist:

• Wettbewerbsanalyse: Ein strukturierter Prompt, der das Modell in die Rolle eines Analysten versetzt, eine klare Bewertungsmatrix vorgibt (Positionierung, Tonalitaet, Kanaele, Preis-Signalworte) und die Websites als Kontext übergibt, liefert in Minuten das, wofür klassisch ein halber Tag Desk-Research notwendig war.
• Persona-Erarbeitung: Statt generischer Buyer-Personas fuettern wir das Modell mit echten Interview-Transkripten oder Support-Tickets und lassen es Muster extrahieren. Der Prompt trennt dabei strikt zwischen Beobachtung (was wurde gesagt) und Hypothese (was folgt daraus).
• Content-Brief-Generierung: Ein Template-Prompt mit Ziel, Zielgruppe, SEO-Intent, Tonalitaet und Pflicht-Claims erzeugt konsistente Briefings, die Redakteure direkt übernehmen können. Die Zeit vom Thema zum fertigen Brief sinkt von Stunden auf Minuten.
• Kampagnen-Iteration: Wir lassen das Modell fuenfzehn bis dreissig Varianten einer Headline oder eines Ads-Claims gegen ein klares Bewertungsschema produzieren, inklusive Begruendung. Das ersetzt keine Creative-Direktion, beschleunigt aber die Vor-Auswahl um ein Vielfaches.

Warum Evaluations-Loops den Qualitätssprung bringen

Der groesste Hebel liegt nicht im einzelnen Prompt, sondern im systematischen Vergleich. Wer zwei Prompt-Varianten gegen identische Aufgaben antreten laesst und die Outputs nach definierten Kriterien bewertet (Relevanz, Faktentreue, Tonalitaet, Konkretheit), erhaelt eine Prompt-Library, die mit jeder Iteration besser wird. Anthropic dokumentiert in seinen Engineering-Leitfaeden explizit, dass messbare Evaluationskriterien der entscheidende Unterschied zwischen Prompt-Bastelei und belastbarer Produktion sind. In der Praxis heisst das: Ein Team, das seine zehn wichtigsten Prompts versioniert, evaluiert und dokumentiert, spart nicht Stunden, sondern Tagessätze.

Die nächste Stufe sind agentische Workflows, in denen mehrere Prompts und Tools automatisiert verkettet werden. Ein Agent recherchiert, ein Agent synthetisiert, ein Agent formatiert. Anthropic und OpenAI haben diese Architekturen 2025 in eigenen Frameworks dokumentiert. Für Marketing-Teams ist das kein Pflichtprogramm, aber der logische Endpunkt, sobald das Prompt-Handwerk sitzt.

Messbare Hebel für Entscheider

• Produktionszeit: Content-Briefs, Wettbewerbsanalysen und Kampagnen-Varianten entstehen in Minuten statt in Arbeitstagen.
• Kostenstruktur: Tagessätze externer Agenturen für Recherche- und Erstentwurfs-Leistungen werden durch interne Prompt-Workflows abgelesen, ohne Qualitätsverlust, weil der Review-Schritt beim erfahrenen Kopf im Team bleibt.
• Konsistenz: Versionierte Prompts erzeugen reproduzierbare Ergebnisse über Projekte und Teammitglieder hinweg, was klassische Brief-und-Hoffnung-Prozesse nicht leisten.
• Skalierbarkeit: Ein funktionierender Prompt für eine Kampagne laesst sich innerhalb von Minuten auf zehn weitere Produkte, Zielgruppen oder Maerkte übertragen.
• Lernkurve: Der Kompetenz-Aufbau ist einmalig, die Rendite laeuft dauerhaft. Anders als bei klassischen Tools altert die Faehigkeit nicht, sie waechst mit jedem neuen Modell mit.

Fazit: Die Trennlinie verlaeuft beim Handwerk

Generative KI ist kein Knopf, der Marketing automatisiert, und sie ist kein Spielzeug. Sie ist ein Werkzeug, das erst unter den Haenden von jemandem funktioniert, der es bedienen kann. Prompt Engineering ist das Handwerk, das diese Bedienung lehrbar macht. Teams, die diesen Schritt in den nächsten zwoelf Monaten gehen, bauen einen Produktivitätsvorsprung auf, den nachgelagerte Teams mit reinem Budget nicht mehr einholen werden. Wir begleiten genau diese Transformation in der KI-Beratung und übergeben am Ende nicht nur eine Sammlung von Prompts, sondern eine Arbeitsweise.