Prompt Engineering lernen: Das CRISPR-Framework für bessere KI-Prompts

Prompt Engineering ist die systematische Formulierung von Anweisungen an ein Sprachmodell wie ChatGPT, Claude oder Gemini, damit die Antwort exakt dem gewünschten Ergebnis entspricht. Im neuroflash Webinar „Prompting Mastery“ zeigt Dr. Jonathan Mall, Neuropsychologe und Co-Founder von neuroflash, dafür ein konkretes System: das CRISPR-Framework mit fünf Säulen. Es lässt sich in wenigen Minuten lernen und sofort auf jede Aufgabe anwenden, von Social-Media-Postings bis zu Kampagnentexten.

Das erwartet dich im Webinar

• 0:00 Begrüßung und Einstieg: Warum Prompt-Qualität den Output bestimmt
• 11:08 Das CRISPR-Framework im Überblick
• 13:28 Warum Verbote schlechte Prompts sind
• 15:00 Rolle: Der KI eine Persona geben
• 20:00 Intent: Die Absicht mitgeben
• 25:13 Pattern: Format und Struktur vorgeben
• 27:52 Frage: Urheberrecht bei Prompts
• 32:57 Die KI nach dem besten Prompt fragen
• 40:56 Chain of Thought: Kritisieren und verbessern
• 45:21 Fragerunde: Zielgruppe im Prompt

Warum Prompt Engineering über die Qualität deiner KI-Ergebnisse entscheidet

Sprachmodelle wie ChatGPT, Claude oder Gemini sind im Kern statistische Textvervollständiger: Sie sagen auf Basis von Trainingsdaten das nächste wahrscheinliche Wort voraus. Was reinkommt, bestimmt, was rauskommt. Im Webinar bringt Jonathan Mall das Prinzip auf den bekannten Nenner „Garbage in, Garbage out“ [1] und dreht es positiv: „Champagner rein, Champagner raus.“ Wer präzise, kontextreiche Prompts schreibt, bekommt präzise Ergebnisse. Wer vage bleibt, bekommt generische Antworten.

Das liegt auch am Training der Modelle selbst. Die meisten modernen KI-Systeme von OpenAI, Anthropic und Google durchlaufen nach dem eigentlichen Sprachmodell-Training zwei weitere Stufen: Instruction Tuning, damit das Modell überhaupt auf Anweisungen reagiert, und Reinforcement Learning from Human Feedback, damit es „hilfreich“ und „nett“ antwortet [2]. Diese zweite Stufe erklärt viele Eigenheiten der Antworten, etwa die Tendenz zu höflichen, aber manchmal unspezifischen Formulierungen, wenn der Prompt selbst unspezifisch bleibt.

Deshalb reicht es nicht, einfach draufloszuschreiben. Genau hier setzt das CRISPR-Framework an: eine wiederholbare Struktur, die dafür sorgt, dass die KI genau versteht, was gefragt ist.

Das CRISPR-Framework: Die 5 Säulen systematischen Promptens

CRISPR steht für fünf Elemente, die ein Prompt im Idealfall enthält. Sie müssen nicht immer in dieser Reihenfolge stehen, aber je mehr davon vorkommen, desto präziser wird das Ergebnis.

• C, Clear: Klare, eindeutige Formulierungen statt Mehrdeutigkeit. „Schreib auf Hochdeutsch“ ist präziser als „Schreib auf Deutsch“, weil Deutsch auch Dialekte und Umgangssprache einschließen könnte.
• R, Rolle: Der KI eine Persona geben, etwa „Du bist Marketing-Experte einer Kreativagentur“ oder ein bekannter Stil wie „Jan Böhmermann“. Eine Rolle liefert sofort Kontext für Tonalität und Perspektive.
• I, Intent: Die Absicht hinter der Aufgabe mitgeben, also wofür der Text ist und welches Ziel er verfolgt. Ohne Intent weiß die KI nicht, ob ein Social-Post verkaufen, informieren oder unterhalten soll.
• S, Specific: Konkrete Vorgaben wie Zeichenbegrenzung, Emoji-Einsatz oder Kanalformat. Ein Facebook-Post braucht andere Parameter als ein Tweet.
• P, Pattern: Das gewünschte Format und die Struktur der Antwort vorgeben, zum Beispiel „Header, 3 Vorteile, CTA“.

Negative Formulierungen vermeiden: Das psychologische Prinzip dahinter

Ein zentraler Punkt aus Jonathan Malls eigener Psychologie-Promotion: Verbote wirken in Prompts oft gegenteilig, weil sie die verbotene Handlung erst ins Zentrum rücken. Er beschreibt ein Experiment, bei dem ein Schild „Legt den Stift neben das Papier“ zu weniger Diebstählen führte als ein Schild „Klaut den Stift nicht“. Die Aufmerksamkeit richtet sich auf das genannte Wort, nicht auf die Verneinung davor.

Dasselbe Muster zeigt sich in der Feldforschung zu Framing-Effekten. Robert Cialdini und Kollegen testeten im Petrified Forest National Park in Arizona unterschiedliche Warnschilder gegen den Diebstahl von versteinertem Holz. Ein Schild, das den Diebstahl als weitverbreitet darstellte („Viele Besucher haben bereits Holz aus dem Park entfernt“), verdreifachte die Diebstahlrate fast gegenüber der Kontrollgruppe. Ein Schild, das Diebstahl dagegen als Ausnahmeverhalten framte („Wenn auch nur eine Person stiehlt, untergräbt das die Integrität des Parks“), halbierte sie [3]. Die Formulierung lenkt die Aufmerksamkeit, und das gilt für Menschen wie für Sprachmodelle.

Für Prompts heißt das konkret: „Schreib auf Hochdeutsch“ statt „Schreib nicht auf Englisch“. „Nutze kurze Sätze“ statt „Vermeide Schachtelsätze“. Die KI verarbeitet, was im Prompt vorkommt, und ein Verbot enthält immer auch das verbotene Wort.

Live-Demo: Von vagem zu CRISPR-konformem Prompt

Im Webinar demonstriert Jonathan Mall den Effekt an einer Sportschuh-Kampagne für eine Winterschuh-Kollektion:

1. Vager Prompt („Schreib einen Social-Media-Post über Sportschuhe“) liefert eine generische, austauschbare Kampagnen-Idee ohne Zielgruppenbezug.
2. Spezifischer Prompt mit Rolle und Kanalangabe liefert bereits relevantere Details, etwa passende Tonalität für die Zielgruppe.
3. Vollständiger CRISPR-Prompt mit allen fünf Elementen liefert ein exaktes Ergebnis: einen Scrollstopper-Einstieg, drei konkrete Produktvorteile und einen klaren Call-to-Action, alles im vorgegebenen Zeichenlimit und Format.

Selbst wenn im Prompt ein Tippfehler steckt, etwa „Schuhge“ statt „Sportschuhe“, verstehen die neuesten Modelle die Intention trotzdem richtig. Diese Fehlertoleranz nimmt Druck vom exakten Wortlaut, ersetzt aber nicht die Struktur: Ohne Rolle, Intent, Specific und Pattern bleibt der Output beliebig, auch wenn die Rechtschreibung stimmt.

Advanced Trick: Die KI nach der besten Prompt-Vorlage fragen

Ein Kniff aus dem Webinar, der besonders für Einsteiger nützlich ist: Statt selbst ein CRISPR-Template zu bauen, kann man die KI direkt darum bitten. Ein Beispiel-Prompt dafür: „Kreiere ein Prompt-Template mit dem CRISPR-Framework für meine Sportschuhe.“ Das Ergebnis ist ein strukturiertes Muster, das sich für ähnliche Aufgaben iterativ wiederverwenden lässt, ohne die Struktur jedes Mal neu zu entwerfen.

Eine zweite Variante dreht die Frage um: Statt selbst alle Informationen zu liefern, kann man die KI bitten, aktiv nachzufragen, etwa mit „Stelle mir Fragen, damit du alle relevanten Informationen bekommst, um die perfekte Kampagne zu machen.“ Das füllt fehlende CRISPR-Elemente automatisch, weil die KI gezielt nach Rolle, Intent oder Format fragt, die im ersten Prompt fehlten.

Chain-of-Thought und Iteration: Bessere Ergebnisse durch Nachdenken

Der zweite große Hebel neben CRISPR ist Iteration. Jonathan Mall beschreibt es so: „Die KI ist quasi lazy, sie macht ja zuerst das, was am offensichtlichsten ist.“ Ein erster Entwurf ist deshalb selten der beste. Die Lösung: die KI die eigene Arbeit kritisieren und anschließend verbessern lassen, etwa mit dem Prompt „Kritisiere diesen Beitrag und schreib ihn danach besser.“

Dieses Prinzip deckt sich mit Forschung zu Chain-of-Thought-Prompting: Wenn ein Sprachmodell angeleitet wird, Zwischenschritte zu formulieren, bevor es zur finalen Antwort kommt, verbessert das nachweislich die Ergebnisqualität bei mehrstufigen Aufgaben [4]. Im Webinar wird das an einem Facebook-Post demonstriert, bei dem die KI-Kritik konkrete Schwächen benennt (zu lang, CTA zu schwach) und die überarbeitete Version spürbar präziser ausfällt als der erste Draft.

Brand Voice und Zielgruppen im neuroflash-Kontext

Ein wiederkehrendes CRISPR-Element ist die Rolle, und genau die lässt sich in neuroflash automatisieren. Wird eine Brand Voice angelegt, sind Tonalität und Markenkontext automatisch in jedem neuen Prompt hinterlegt, ohne dass sie jedes Mal neu beschrieben werden müssen. Parallel dazu kann eine Zielgruppe (Target Audience) hinterlegt werden, damit Inhalte direkt für ein bestimmtes Publikum optimiert entstehen. Für Q1 ist zudem eine Visuals-Beta angekündigt, bei der die hinterlegte Zielgruppe nicht nur simuliert schreibt, sondern auch simuliert auf generierte Inhalte reagiert.

Für die Textgenerierung selbst empfiehlt Jonathan Mall im Webinar aktuell Sonnet 4.5 als stärkstes Modell für kreative Texte, wählbar direkt in der Modellauswahl von neuroflash. Wer noch keinen Account hat, findet in der Anleitung Erste Schritte mit neuroflash den kompletten Einstieg von der Registrierung bis zum ersten Workflow.

Gut formulierte Prompts zahlen auch auf ein zweites Ziel ein: Content, der in ChatGPT und anderen KI-Antworten zitiert wird, genauso wie bei Google. Wie sich CRISPR-Prompts dafür gezielt einsetzen lassen, zeigt der Leitfaden zur GAIO-Optimierung. Fürs klassische Ranking gilt derselbe Grundsatz strukturierter Prompts, mehr dazu im Artikel zu KI SEO.

Häufige Fehler und Urheberrecht bei KI-Prompts

Eine häufige Frage aus dem Publikum: Ist ein Prompt wie „Schreib wie Jan Böhmermann über Sportschuhe für Weihnachten“ ein Plagiat? Nein, solange die Gesamtkombination aus CRISPR-Komponenten, also Rolle, Intent und Kontext zusammen, neu ist und zum eigenen Kundenkontext passt. Jonathan Mall vergleicht das mit menschlicher Inspiration:

„Solange das, was du am Ende kreierst, deine Idee war, in deinen Kontext passt, für deine Marke gemacht wurde, mit den entsprechenden Eigenschaften usw., sehe ich da überhaupt kein Problem.“ (Dr. Jonathan Mall im Webinar)

Kritisch wird es erst, wenn ausschließlich der Name als Rolle dient, ohne eigenen Intent oder Kontext:

„Alles, was halt um die Ecke kommt, ist, oh, du würdest schreiben wie Jan Böhmermann, ja, alles klar, fertig. Sie weiß vielleicht nichts von dem Intent.“ (Dr. Jonathan Mall im Webinar)

Wer auf Nummer sicher gehen will, kann Ergebnisse zusätzlich prüfen: In neuroflash steht unter „Performance“ ein Plagiarism-Checker zur Verfügung, der Texte vor der Veröffentlichung gegen bestehende Inhalte abgleicht.

FAQ

Was ist das CRISPR-Framework und warum funktioniert es?

Das CRISPR-Framework besteht aus fünf Säulen, Clear, Rolle, Intent, Specific und Pattern, die sicherstellen, dass die KI genau versteht, was verlangt wird. Sprachmodelle geben nur das zurück, was im Prompt tatsächlich spezifiziert wurde, deshalb schließt jede fehlende Säule eine Lücke, die sonst mit generischen Annahmen gefüllt wird.

Warum sind positive Formulierungen in Prompts besser als Verbote?

Verbote lenken die Aufmerksamkeit auf die genannte, unerwünschte Handlung statt auf das gewünschte Verhalten. Die Feldstudie von Cialdini im Petrified Forest National Park zeigt das eindrücklich: Ein Schild, das Diebstahl als Ausnahme framte, halbierte die Diebstahlrate, während ein Schild, das Diebstahl als verbreitet darstellte, sie fast verdreifachte [3]. Für Prompts gilt dasselbe Prinzip, positive Formulierungen wie „Schreib auf Hochdeutsch“ schlagen Verbote wie „Schreib nicht auf Englisch“.

Kann man die KI selbst nach der besten Prompt-Vorlage fragen?

Ja. Ein Prompt wie „Kreiere ein Prompt-Template mit dem CRISPR-Framework für meine Aufgabe“ liefert ein strukturiertes Muster, das sich für ähnliche Aufgaben iterativ wiederverwenden lässt. Das spart Zeit, wenn dieselbe Textart regelmäßig gebraucht wird.

Ist es ein Plagiat, wenn ich schreiben lasse „wie Jan Böhmermann“ oder „wie Nike“?

Nein, solange die Gesamtkombination aus CRISPR-Komponenten, also Rolle, Intent und eigener Kontext, neu ist und zur eigenen Marke passt. Problematisch wird es erst, wenn ausschließlich der Name als Rolle dient, ohne eigene Absicht oder Markenkontext dahinter.

Wie funktioniert Chain-of-Thought-Iteration und wann sollte ich sie nutzen?

Die KI wird gebeten, einen Text zunächst zu kritisieren und danach zu verbessern, etwa mit „Kritisiere diesen Beitrag und schreib ihn danach besser.“ Das führt oft zu deutlich besseren Ergebnissen als der erste Entwurf, weil das Modell beim ersten Versuch typischerweise die naheliegendste, nicht die beste Lösung liefert [4]. Sinnvoll ist dieser Schritt bei jedem Text, der veröffentlicht wird.

Fazit

CRISPR ist kein starres Formular, sondern eine Haltung: Clear, Rolle, Intent, Specific und Pattern werden mit der Zeit zur Routine, statt bei jedem Prompt bewusst abgehakt zu werden. Wer zusätzlich Brand Voice und Zielgruppen in neuroflash hinterlegt, automatisiert genau die Elemente, die sonst am meisten Wiederholungsaufwand verursachen, und mit der für Q1 angekündigten Zielgruppen-Simulation wird sich dieser Kreislauf weiter schließen. Wer die fünf Säulen direkt an einem eigenen Text ausprobieren will, kann in neuroflash kostenlos starten und den Unterschied zwischen einem vagen und einem CRISPR-konformen Prompt selbst testen.

Quellenverzeichnis

[1] neuroflash Webinar: Prompting Mastery, Juli 2026

[2] Hugging Face: Illustrating Reinforcement Learning from Human Feedback (RLHF), https://huggingface.co/blog/rlhf

[3] Stanford Graduate School of Business: Change My Mind: Using „Pre-suasion“ to Influence Others (Cialdini-Studie im Petrified Forest National Park), https://www.gsb.stanford.edu/insights/change-my-mind-using-pre-suasion-influence-others

[4] OpenReview: Wei et al., Chain-of-Thought Prompting Elicits Reasoning in Large Language Models, https://openreview.net/pdf?id=_VjQlMeSB_J

[5] OpenAI Help Center: Best practices for prompt engineering with the OpenAI API, https://help.openai.com/en/articles/6654000-best-practices-for-prompt-engineering-with-the-openai-api