Das Problem ist fast immer der Prompt#
Jede Woche schickt mir jemand eine Claude-Konversation und fragt, warum der Output schlecht ist. In ungefähr neun von zehn Fällen macht das Modell genau das, was verlangt wurde. Die Person hat nur nicht gemerkt, was sie da verlangt hat.
Claude ist keine Suchmaschine. Es liest keine Gedanken, hat zwischen Sessions kein Gedächtnis (außer Sie bauen eines ein), und es nimmt Kontext erstaunlich wörtlich. Prompt Engineering klingt nach Buzzword, ist aber in Wirklichkeit nur die Gewohnheit, Anfragen so zu schreiben, wie das Modell sie tatsächlich verarbeitet.
Nach Hunderten Stunden mit Claude Opus 4.6 für Kundenprojekte und viel Zuschauen, wie Freunde und Kollegen damit kämpfen, hier die sieben Fehler, die ich am häufigsten sehe.
1. Mit der Aufgabe starten, nicht mit der Rolle#
Der schlechteste Prompt, den ich regelmäßig sehe, sieht so aus:
Schreib mir eine Landingpage für eine Zahnarztpraxis.
Claude wird etwas produzieren. Es wird generisch. Der Output hat keinen Haken, weil die Anfrage keinen Haken hat.
Die Lösung sind nicht längere Prompts. Sie besteht darin, die Rolle nach vorne zu ziehen:
Du bist ein Senior-Conversion-Texter, der an 40+ Healthcare-Landingpages gearbeitet hat. Deine Seiten schlagen generische Agentur-Texte konstant, weil du mit der tatsächlichen Angst des Patienten startest, nicht mit den Qualifikationen der Klinik. Schreib jetzt eine Landingpage für eine Zahnarztpraxis in Hamburg, die auf Angstpatienten spezialisiert ist.
Die Rolle erledigt 80 Prozent der Arbeit. Sie prägt jede nachgelagerte Entscheidung, die das Modell über Ton, Struktur und Schwerpunkte trifft. Sagen Sie Claude, wer es ist, bevor Sie sagen, was es tun soll.
2. Nach "Best Practices" fragen statt nach Constraints#
"Schreib SEO-freundlichen Content" ist für das Modell bedeutungslos. SEO-freundlich nach wessen Definition? Für welche Branche? Für welche Suchintention?
Ersetzen Sie jedes vage Qualitätswort in Ihrem Prompt durch einen Constraint. Statt "mach es SEO-freundlich" schreiben Sie "Keyword X ansteuern, in H1 und den ersten 100 Wörtern platzieren, Absätze unter drei Sätzen halten, für die Awareness-Phase schreiben, nicht für die Entscheidungs-Phase". Das Modell kann nicht auf schwammige Adjektive optimieren. Es kann sehr wohl auf messbare Constraints optimieren.
Die gleiche Regel gilt für "professionell", "ansprechend", "modern" und "clean". Diese Wörter sagen Claude nichts. Ersetzen Sie sie durch das, was Sie tatsächlich wollen.
3. Den System-Prompt / Projekt-Kontext ignorieren#
Wenn Sie Claude über die Web-App nutzen, haben Sie Zugriff auf Projects. Die meisten Menschen benutzen sie nie. Das ist ein großer Fehler.
Ein Project lässt Sie Referenz-Dokumente hochladen, einen persistenten System-Prompt setzen und dem Modell dauerhaften Kontext geben, der jeden neuen Chat in diesem Project überlebt. Für jede wiederkehrende Arbeit (Schreiben für einen bestimmten Kunden, Coden in einer bestimmten Codebase, Editieren mit einem bestimmten Ton) zahlt sich das einmalige Setup innerhalb von Tagen aus.
Wenn Sie Claude über API nutzen, ist das Äquivalent der system-Parameter. Packen Sie dort die Rolle, die Constraints, die verbotenen Phrasen, die Stil-Regeln hin. Lassen Sie die User-Nachrichten für die eigentliche Aufgabe.
4. Alles in einen riesigen Prompt stopfen#
Es gibt einen Punkt, an dem ein Prompt so lang wird, dass das Modell anfängt, Teile davon zu ignorieren. In meinen Tests liegt dieser Punkt bei etwa 600-800 Wörtern Anweisungen, bevor der Grenznutzen einbricht.
Wenn Ihr Prompt länger ist, teilen Sie ihn. Verwandeln Sie Ihren "Schreib einen 2.000-Wort-Artikel"-Prompt in drei Schritte:
- Struktur skizzieren (Überschriften, 1-Satz-Zusammenfassung pro Abschnitt, Ziel-Wortzahl)
- Jeden Abschnitt einzeln entwerfen, mit Referenz auf die Skizze
- Den vollen Entwurf gegen die ursprünglichen Constraints editieren
So arbeiten erfahrene Texter tatsächlich, und Claude arbeitet besser, wenn Sie ihm den gleichen Flow erlauben. Mehr dazu im Claude-Guide.
5. Claude nicht sagen, wie der Output aussehen soll#
Claude produziert standardmäßig Fliesstext. Wenn Sie JSON, eine Markdown-Tabelle, eine Bulletpoint-Liste oder eine spezifische XML-artige Struktur wollen, sagen Sie das explizit.
Liefere deine Antwort als Markdown-Tabelle mit genau drei Spalten: "Einwand", "Dahinterliegende Angst", "1-Satz-Beruhigung". Füge keinen anderen Text vor oder nach der Tabelle hinzu.
Die Zeile "Füge keinen anderen Text hinzu" vergessen die meisten. Ohne sie verpackt Claude die Tabelle oft in einen höflichen Satz wie "Hier ist die Tabelle", was Ihr nachgelagertes Parsing bricht.
6. Beispiele liefern, die den Anweisungen widersprechen#
Das ist subtil und erwischt auch erfahrene Leute. Sie schreiben einen sorgfältigen Prompt, der einen lockeren, konversationellen Ton verlangt, fügen dann aber drei Beispiel-Outputs ein, die in steifem Corporate-Sprech geschrieben sind, weil die am einfachsten zu kopieren waren.
Claude wird die Beispiele priorisieren. Immer. Beispiele sind stärkeres Signal als Anweisungen, weil sie dem Modell zeigen, wie Erfolg tatsächlich aussieht. Wenn Ihre Beispiele Ihren geschriebenen Anweisungen widersprechen, gewinnen die Beispiele.
Die Lösung: Entweder die Beispiele an den gewünschten Ton anpassen, oder gar keine Beispiele liefern und in den Anweisungen spezifischer werden.
7. Den Output nicht kritisch lesen#
Der letzte Fehler ist nachgelagert. Menschen kopieren den Output in ein Dokument, ohne ihn wirklich zu lesen.
Claude Opus 4.6 ist sehr gut, aber es halluziniert immer noch Details (Zahlen, Daten, Produktnamen) in vielleicht 5-10 Prozent der Fälle. Es polstert immer noch mit generischer Füllmasse, wenn das Thema dünn wird. Es fällt immer noch auf Strukturen zurück, die es eine Million Mal gesehen hat (Drei-Absatz-Intro, fünf Bulletpoints, Ein-Satz-Fazit).
Ihre Aufgabe ist die des Lektors. Lesen Sie den Output, als hätte ihn ein Junior-Texter geliefert. Streichen Sie die Füllmasse. Verifizieren Sie die Details. Ersetzen Sie jeden Satz, den auch jeder Wettbewerber hätte schreiben können.
Die KI ist eine Erstentwurfs-Maschine. Keine Publishing-Pipeline.
Das zugrundeliegende Muster#
Alle sieben Fehler kommen aus derselben Annahme: dass Claude versteht, was Sie meinen, nicht nur, was Sie geschrieben haben. Tut es nicht. Es versteht genau das, was Sie geschrieben haben, interpretiert durch die statistischen Muster seiner Trainingsdaten.
Die gute Nachricht: Sobald Sie aufhören, Gedankenlesen zu erwarten, wird Prompt Engineering ziemlich einfach. Explizit sein. Rolle setzen. Constraints definieren. Output strukturieren. Ergebnis verifizieren. Das ist es.
Wenn Sie das tiefere Framework wollen, deckt unser ChatGPT vs Claude-Vergleich ab, wo welches Modell welche Prompt-Stile belohnt. Und für eine strukturierte Begleitung, wie ich Claude Code für Entwicklungsarbeit nutze, geht der Claude-Guide tiefer.
Aber nichts davon zählt, wenn Sie weiter die sieben Fehler oben machen. Fixen Sie die zuerst.
