Zero-Shot vs. Few-Shot Prompting

Lernziele

• Sie können die Konzepte Zero-Shot, One-Shot und Few-Shot Prompting erläutern und voneinander abgrenzen.
• Sie können einschätzen, bei welchen Aufgabentypen Few-Shot Prompting einen messbaren Qualitätssprung gegenüber Zero-Shot erzeugt.
• Sie können mindestens drei eigene Beispiel-Texte aus Ihrem Berufsalltag als Few-Shot-Vorlagen aufbereiten.
• Sie können die Qualität von Few-Shot-Beispielen beurteilen und schlechte Beispiele identifizieren.

Auf einen Blick

Worum geht es? — Der didaktische Einstieg

Betrachten Sie folgende Situation: Eine Kollegin soll im Rahmen eines Projekts einen Marktbericht-Abschnitt schreiben. Sie geben ihr als Briefing: „Bitte schreib den Abschnitt zur Wettbewerbsanalyse.” Zwei Minuten später liegt ein Ergebnis vor — aber es klingt merkwürdig generisch und entspricht nicht dem gewünschten Stil. Sie erkennen das Problem sofort: Das Briefing war zu vage. Was die Kollegin gebraucht hätte, wären zwei oder drei Beispiele aus früheren Projekten, um den Stil, den Detailgrad und die Struktur zu verstehen.

Genau dasselbe gilt für KI-Assistenten. Zero-Shot-Prompting ist der Modus, in dem Sie der KI eine Aufgabe beschreiben — ohne auch nur ein Beispiel des gewünschten Outputs zu zeigen. Das Modell liefert dann das, was statistisch am häufigsten auf ähnliche Aufgaben folgt: das Durchschnittliche. Few-Shot-Prompting ist der Modus, in dem Sie zwei bis fünf Beispiele des gewünschten Outputs mitgeben — und das Modell das zugrundeliegende Muster extrahiert und reproduziert. Der qualitative Unterschied ist bei subtilen Stilanforderungen und spezifischen Formatvorgaben oft erheblich.

Diese UE zeigt Ihnen, wann Few-Shot lohnt, wie Sie gute Beispiele auswählen und wie Sie systematisch eine Beispiel-Sammlung für Ihre häufigsten Aufgaben aufbauen können.

Lerntext — Theorie und Konzepte

Grundbegriffe: Zero-Shot, One-Shot, Few-Shot

Sprachmodelle wurden auf riesigen Textmengen trainiert. Zero-Shot bedeutet, dass das Modell bei einer Anfrage ausschließlich auf dieses gespeicherte Welt- und Sprachverständnis zurückgreift — ohne konkrete Orientierung, welche Qualitätsausprägung der Nutzer wünscht. Zero-Shot ist ausreichend für klar beschreibbare Aufgaben (z. B. „Übersetze diesen Satz ins Englische”), aber bei aufgabenspezifischen Qualitätsanforderungen bleibt das Modell im Modus des statistisch Häufigsten.

One-Shot bedeutet, dass Sie genau ein Beispiel mitgeben. Das reicht oft aus, um Tonalität und Struktur grob zu übertragen, gibt dem Modell aber nur wenig Spielraum, das Muster zuverlässig zu abstrahieren.

Few-Shot (typischerweise 2–5 Beispiele) ist der leistungsstärkste Modus für aufgabenspezifische Qualitätsanforderungen. Das Modell inferiert aus den gezeigten Beispielen ein Muster und wendet dieses Muster auf den neuen Input an. Entscheidend ist das Wort „inferiert”: Das Modell übernimmt nicht die Beispiele, sondern abstrahiert die dahinterliegende Logik. Zwei bis drei gut gewählte Beispiele können subtile Qualitätsmerkmale transportieren, die sich in Worten nur schwer vollständig beschreiben lassen.

Abb. 26.1 — Qualitätsvorteil von Few-Shot gegenüber Zero-Shot nach Aufgabentyp (schematische Darstellung basierend auf publizierten Benchmarks)

Merksatz

Few-Shot-Prompting ist dann am wirkungsvollsten, wenn das gewünschte Qualitätsmerkmal leichter gezeigt als beschrieben werden kann — insbesondere bei Stilanforderungen, spezifischen Strukturen und domänenspezifischer Fachsprache.

Fünf Hauptanwendungsfelder für Few-Shot im Berufsalltag

1. Stil und Tonalität: Der spezifische Kommunikationsstil einer Organisation — das Verhältnis zwischen Professionalität und Zugänglichkeit, der Umgang mit technischen Fachbegriffen, die Länge typischer Absätze — ist in Worten kaum vollständig beschreibbar. Zwei bis drei eigene, gelungene Mails oder Berichte als Beispiele zu zeigen, überträgt diesen Stil präziser als ein seitenlanger Styleguide.

2. Klassifikations- und Tagging-Aufgaben: Wenn Texte nach internen Kriterien kategorisiert werden sollen (z. B. CRM-Notizen nach Dringlichkeit und Thema), lassen sich Kategorisierungsregeln durch Beispiele wesentlich effizienter vermitteln als durch abstrakte Regelwerke.

3. Spezifische Output-Strukturen: Wenn ein Output-Format komplex ist — z. B. eine spezifische Projektzusammenfassungs-Vorlage mit mehreren Sektionen — sind zwei fertige Beispiele aussagekräftiger als jede Beschreibung.

4. Domänenspezifische Fachsprache: Für Texte mit IT-Terminologie, die in der richtigen Balance zwischen Fachlichkeit und Zugänglichkeit stehen sollen, geben Referenzbeispiele eine präzisere Orientierung als Terminologielisten.

5. Bewertungslogiken: Wenn KI Texte oder Konzepte nach bestimmten Kriterien bewerten soll, zeigen Beispiel-Bewertungen besser als Beschreibungen, wie die Kriterien tatsächlich gewichtet werden.

Qualität der Beispiele als entscheidender Faktor

Schlechte Few-Shot-Beispiele führen zu schlechten Outputs — manchmal sogar schlechteren als Zero-Shot. Die Beispiele sollten:

• Repräsentativ für den gewünschten Output sein (keine Ausnahmen oder Grenzfälle als Leitbild)
• Fehlerfrei sein (das Modell würde erkannte Fehler möglicherweise reproduzieren)
• Konsistent die relevante Bandbreite des Musters abdecken, ohne Widersprüche
• Minimal sein (2–3 Beispiele genügen in den meisten Fällen; mehr erhöhen die Token-Kosten ohne proportionalen Qualitätsgewinn)

Fortgeschrittene Few-Shot-Technik: Negative Beispiele

Eine besonders wirkungsvolle Variante des Few-Shot Promptings ist die Verwendung negativer Beispiele — Texte, die ausdrücklich zeigen, was nicht der gewünschte Output ist. Ein negatives Beispiel mit dem Zusatz „NICHT so wie dieses” verbessert die Ausgabe häufig mehr als ein zusätzliches positives Beispiel, weil es dem Modell hilft, die Grenzen des gewünschten Musters zu verstehen.

Praktische Warnung: Nicht zu viele negative Beispiele verwenden. Ein bis maximal zwei negative Beispiele sind optimal; mehr können das Modell verwirren oder zu einer übermäßigen Vermeidungsstrategie führen, die den Output einengt.

Abgrenzung: Few-Shot vs. System-Prompt

System-Prompts eignen sich für dauerhaft gültige, explizit beschreibbare Kontextinformationen: Rolle, Unternehmensinfo, allgemeine Stilregeln. Few-Shot eignet sich für das Muster, das gezeigt werden muss, weil es sich nicht vollständig in Worten beschreiben lässt — besonders für Stil, Tonalität und aufgabenspezifische Strukturen. Beide Techniken sind komplementär und werden häufig kombiniert: System-Prompt für den dauerhaften Kontext, Few-Shot für den aufgabenspezifischen Qualitätsrahmen.

Erweiterung: Chain-of-Thought Few-Shot

Eine besonders leistungsstarke Kombination ist die Verbindung von Few-Shot mit Chain-of-Thought (CoT): In den Beispielen wird nicht nur der finale Output gezeigt, sondern auch der Denkprozess, der zu diesem Output geführt hat. Das Modell lernt dann nicht nur das Ergebnis-Muster, sondern auch die Reasoning-Struktur — mit messbarem Qualitätsvorteil bei komplexen analytischen Aufgaben. Diese Technik — CoT Few-Shot — ist besonders für kritische Analysesituationen wertvoll, wo sowohl das Ergebnis als auch der Analysepfad relevant sind.

Empirische Erkenntnisse zum Qualitätsgefälle

Mehrere unabhängige Evaluationsstudien bestätigen das in der Grafik dargestellte Muster. Brown et al. (2020) zeigen in ihrer GPT-3-Studie, dass Few-Shot-Beispiele die Aufgabenleistung auf Benchmarks wie SuperGLUE signifikant steigern — teils um 15 bis 25 Prozentpunkte gegenüber Zero-Shot-Konfigurationen. Entscheidend ist dabei weniger die Anzahl der Beispiele als deren Auswahl und Repräsentativität. Eine Faustregel aus der Praxis besagt: Zwei bis drei sorgfältig gewählte Beispiele bringen etwa 80 Prozent des Qualitätsgewinns, den beliebig viele Beispiele insgesamt ermöglichen würden.

Merksatz

Schlechte Beispiele sind schlimmer als keine Beispiele. Wählen Sie Few-Shot-Beispiele sorgfältig: repräsentativ, fehlerfrei, konsistent. Besser Zero-Shot mit gutem Kontext-Prompt als Few-Shot mit mittelmäßigen Beispielen.

Vertiefung — Grenzen von Few-Shot und wann Zero-Shot vorzuziehen ist

Few-Shot Prompting hat klare Grenzen, die im Praxiseinsatz bekannt sein sollten. Erstens: Bei kreativ-explorativen Aufgaben wie Brainstorming oder dem Generieren von Ideen außerhalb bekannter Muster kann Few-Shot einengend wirken — die Beispiele begrenzen den Lösungsraum des Modells auf das, was in den Beispielen bereits sichtbar ist. Für solche Aufgaben ist Zero-Shot mit einer offenen, motivierenden Aufgabenformulierung effizienter.

Zweitens: Beispiele erhöhen die Token-Nutzung erheblich. In Systemen mit Token-Budget-Beschränkungen oder bei sehr häufigen Anfragen kann der Token-Mehrverbrauch durch Few-Shot wirtschaftlich relevant sein. Eine gute Faustregel: Few-Shot für Aufgaben mit Qualitätsanspruch, Zero-Shot mit gutem Kontext-Prompt für Routine-Anfragen.

Drittens: In sehr schnell wechselnden Kontexten — z. B. wenn sich die Anforderungen von Anfrage zu Anfrage stark unterscheiden — kostet die Suche nach passenden Beispielen mehr Zeit als sie spart. In diesen Fällen ist ein präziser 6-teiliger Einmal-Prompt effizienter. Die Kompetenz, situationsgerecht zu entscheiden, wann Few-Shot den Aufwand rechtfertigt und wann Zero-Shot ausreicht, ist ein wichtiger Teil der Prompt-Engineering-Reife.

Vertiefung II — Few-Shot-Qualität: Wie viele Beispiele sind genug?

Die Forschungslage zu Few-Shot Prompting zeigt ein konsistentes Bild: Mehr Beispiele sind nicht automatisch besser. Die Qualität der Beispiele ist der entscheidende Faktor — nicht die Quantität. Zudem gibt es einen abnehmenden Grenznutzen: Drei gut gewählte Beispiele liefern in der Regel 80–90 % des erreichbaren Qualitätsgewinns; ein viertes und fünftes Beispiel bringen nur noch marginale Verbesserungen, kosten aber Token-Budget.

Optimale Beispiel-Anzahl nach Aufgabentyp:

Klassifikationsaufgaben (z. B. Stimmungsanalyse, Kategorisierung): Zwei bis drei Beispiele pro Klasse — also bei drei Klassen (positiv, neutral, negativ) sechs bis neun Beispiele insgesamt. Hier ist Vollständigkeit der Klassen wichtiger als Quantität pro Klasse.

Stilübertragungsaufgaben (z. B. E-Mail im Unternehmens-Ton): Ein bis zwei qualitativ hochwertige Positiv-Beispiele reichen. Zusätzlich ein Negativ-Beispiel (was explizit nicht gewünscht ist) steigert die Qualität stärker als ein drittes Positiv-Beispiel.

Strukturierungsaufgaben (z. B. Dokument in bestimmtes Format bringen): Hier ist ein vollständig ausgefülltes Beispiel-Dokument das effektivste Werkzeug. Dieses zeigt dem Modell die exakte Zielstruktur — effizienter als eine textuelle Output-Beschreibung.

Kreative Aufgaben (z. B. Texte in bestimmtem Stil): Drei bis fünf kurze Beispiele, die verschiedene Aspekte des Stils illustrieren. Zu wenige Beispiele lassen dem Modell zu viel Interpretationsspielraum; zu viele Beispiele können das Modell auf Merkmale fixieren, die nicht beabsichtigt waren.

Die Beispiel-Auswahl-Matrix:

Dynamische Few-Shot-Bibliothek aufbauen:

Eine praxisorientierte Methode ist die schrittweise Entwicklung einer Few-Shot-Bibliothek: Jedes Mal, wenn ein KI-Output als außergewöhnlich gut bewertet wird, wird das Input-Output-Paar in einer zentralen Bibliothek gespeichert. Diese Paare werden nach Aufgabentyp und Qualitätsniveau annotiert und stehen für zukünftige Few-Shot-Prompts zur Verfügung. Nach vier bis sechs Wochen aktiver Nutzung enthält die Bibliothek typischerweise 15–25 qualitativ hochwertige Beispiele, die für 80 % der Standardaufgaben der Organisation als Few-Shot-Material nutzbar sind.

Zero-Shot mit starkem System-Prompt vs. Few-Shot: Wann was wählen?

Für Organisationen, die System-Prompts nutzen (z. B. über Microsoft 365 Copilot oder OpenAI API), gibt es eine wichtige Entscheidung: Werden Stilvorgaben und Beispiele in den System-Prompt integriert (einmalig, für alle Anfragen aktiv), oder werden bei Bedarf Few-Shot-Beispiele in den User-Prompt eingefügt? Die Faustregel: Wenn dieselben Beispiele für alle oder die meisten Anfragen relevant sind, gehören sie in den System-Prompt. Wenn Beispiele je nach Aufgabe wechseln müssen, werden sie dynamisch im User-Prompt eingefügt. Hybride Ansätze sind möglich: System-Prompt definiert Stil und Grundhaltung, User-Prompt liefert aufgabenspezifische Beispiele.

Merksatz

Bei Few-Shot Prompting gilt das Pareto-Prinzip: Zwei bis drei qualitativ hochwertige, typische Beispiele liefern den größten Teil des erreichbaren Qualitätsgewinns. Mehr Beispiele steigern die Qualität kaum noch, erhöhen aber den Token-Verbrauch erheblich. Die Beispiel-Qualität schlägt die Beispiel-Quantität immer.

Branchen-Anwendungen

IT-Dienstleistung & Beratung

In IT-Beratungsunternehmen haben Angebots-Einleitungen, Projekt-Zusammenfassungen und interne Status-Updates typischerweise einen spezifischen, über Jahre gewachsenen Stil. Statt jede neue Anfrage neu zu briefen, können Teams zwei bis drei Best-Practice-Vorlagen aufbauen, die dauerhaft als Beispiel-Bibliothek dienen. Ein neues Teammitglied, das diese Bibliothek nutzt, produziert vom ersten Tag an stilkonsistente Outputs — ohne tagelange Einarbeitung in unausgesprochene Stilkonventionen. Ein besonders wertvolles Anwendungsfeld ist die automatisierte Verarbeitung und Klassifikation von Kundenanfragen: Wenn Anfragen nach Thema, Dringlichkeit und Projekttyp kategorisiert werden sollen, sind zwei bis drei annotierte Beispiele aus der Praxis die effizienteste Methode.

Industrie & Fertigung

In einem Industrieunternehmen kann Few-Shot bei der Erstellung technischer Dokumentation erhebliche Zeitgewinne erzeugen. Technische Redakteure, die Handbücher oder Wartungsanleitungen für verschiedene Maschinentypen erstellen, können mit zwei bis drei bestehenden, qualitativ hochwertigen Musteranleitungen als Few-Shot-Vorlage einen konsistenten Schreibstil über alle Dokumente hinweg sicherstellen. Die Beispiele kodieren dabei Aspekte, die schwer textuell zu beschreiben sind: Wie lang sind typische Abschnitte? Wann werden Warnhinweise eingebettet? Wie werden technische Begriffe beim ersten Auftreten erklärt? Diese Konsistenz ist für die Zertifizierung technischer Dokumentation (etwa nach ISO 82079) direkt relevant.

Finanzdienstleistung & Versicherung

Im Finanzbereich ist Few-Shot besonders wertvoll für die Qualitätsprüfung von KI-Outputs durch Beispiel-basierte Bewertungslogik. Wenn ein Kundenberater prüfen möchte, ob ein KI-generierter Risikobericht dem erwarteten Qualitätsstandard entspricht, kann er zwei bis drei gut bewertete Referenzberichte als Maßstab beigeben: „Bewerte diesen Entwurf anhand der folgenden drei Referenzbeispiele auf einer Skala von 1–5 für: Regulatorik-Konformität, Kundenfokus, Strukturklarheit.” Das Modell übernimmt die Bewertungslogik aus den Beispielen und identifiziert Schwachstellen präziser als bei einer rein verbalen Bewertungsanweisung. Für Compliance-Dokumente wie DSGVO-Datenschutzmitteilungen oder BaFin-Meldungen ist diese Technik besonders geeignet.

Öffentliche Verwaltung

In Behörden, wo Bescheide und Amtsschreiben einem präzisen, von Gerichtsurteilen geprägten Formulierungsstil folgen müssen, ist Few-Shot eine elegante Lösung für den Wissenstransfer zwischen erfahrenen und neuen Sachbearbeiter:innen. Zwei bis drei bewährte Bescheidvorlagen aus der Praxis als Few-Shot-Beispiele — gekoppelt mit einem System-Prompt, der die rechtlichen Rahmenbedingungen definiert — ermöglichen eine gleichmäßig hohe Bescheidqualität auch bei Vertretungssituationen. Besonders wertvoll: Wenn eine Sachbearbeiterin erkrankt, kann eine Vertretung durch die few-shot-gestützten Vorlagen sofort in der erwarteten Qualität und im gewohnten Stil weiterarbeiten.

Branchen-Vignette — Finanzdienstleistung & Versicherung

Kontext: Eine Versicherungsgesellschaft möchte ihre Kundenberater bei der Erstellung von Tarifvergleichstexten unterstützen. Die Qualität der Texte variiert stark zwischen den Beratern — besonders bei der Erklärung komplexer Leistungsmerkmale für Privatkunden ohne Versicherungshintergrund.

Ausgangssituation: Beraterin Sabine F. testet Zero-Shot-Prompting: „Erkläre den Unterschied zwischen Haftpflicht- und Vollkaskoversicherung für einen Kunden ohne Fachkenntnisse.” Das Ergebnis ist korrekt, aber für den Kundenkontext zu technisch und zu lang. Sie wechselt auf Few-Shot: Sie gibt der KI zwei Beispiel-Erklärungen aus internen Schulungsmaterialien — kurz, alltagsnah, ohne Fachjargon — und fügt an: „Erkläre im gleichen Stil…“

Ergebnis: Die Few-Shot-Variante trifft Tonalität und Länge deutlich besser. Sabine F. baut daraufhin eine kleine Bibliothek mit drei bis fünf Beispiel-Erklärungen für häufige Produktvergleiche. Neue Berater nutzen dieselbe Bibliothek und erreichen vom ersten Tag an ein konsistentes Qualitätsniveau.

Kritische Beobachtung: Einer ihrer Kollegen stellt fest, dass zwei der Beispiele veraltete Tarifbezeichnungen enthalten. Er aktualisiert die Bibliothek — und dokumentiert damit einen wichtigen Grundsatz: Few-Shot-Bibliotheken erfordern aktive Pflege, sonst übertragen sie Fehler in jeden neuen Output.

Übertragung: Welche Ihrer Erklär- oder Kommunikationsaufgaben würde von einer kurzen Beispiel-Bibliothek profitieren? Was müsste bei der Qualitätssicherung dieser Beispiele beachtet werden?

Vertiefung II — Strategische Ebene — Kontaminierte Beispiele und Bias-Risiken bei Few-Shot

Few-Shot Prompting hat eine wenig diskutierte Schattenseite: Die Qualität und die impliziten Annahmen in den Beispielen übertragen sich direkt auf den Output — auch wenn das nicht beabsichtigt ist.

Bias durch Beispielauswahl:

Wenn alle Few-Shot-Beispiele aus derselben Quelle stammen (z. B. nur interne Texte aus einer einzigen Abteilung), lernt das Modell den Stil dieser Abteilung — nicht den Stil der gesamten Organisation. Das kann zu stilistischen Inkongruenzen führen, wenn der generierte Output in einem anderen Kontext verwendet wird.

Ebenso: Wenn Beispiele systematisch bestimmte Gruppen überrepräsentieren oder bestimmte Formulierungsmuster bevorzugen, übernimmt das Modell diese Muster. Bei Texten zur Personalentwicklung, Kundenansprache oder internen Kommunikation kann das zu impliziten Bias-Problemen führen, die schwer zu erkennen sind.

Verfahren zur Bias-Prüfung von Few-Shot-Bibliotheken:

Schritt 1: Überprüfen Sie die Quellen Ihrer Beispiele. Kommen alle aus demselben Kontext? Wenn ja: Ergänzen Sie Beispiele aus verschiedenen Abteilungen, Projekten oder Schreibstilen.

Schritt 2: Führen Sie einen „Diversity-Check” durch: Variieren die Beispiele in Länge, Komplexität, Tonalität und inhaltlichem Schwerpunkt? Oder sind sie alle sehr ähnlich?

Schritt 3: Testen Sie Ihre Few-Shot-Prompts mit Inputs aus einem anderen Kontext als dem, aus dem die Beispiele stammen. Wenn der Output plötzlich unpassend wirkt, ist Ihr Beispiel-Set zu kontextspezifisch.

Zeitliche Kontaminierung — Veraltete Beispiele:

Organisationen ändern sich — Stilvorgaben, Produkte, Strukturen. Beispiele, die vor zwei Jahren geschrieben wurden, können eine veraltete Unternehmenskultur oder überholte Formulierungen kodieren. Eine regelmäßige Überprüfung der Few-Shot-Bibliothek (mindestens jährlich) auf inhaltliche und stilistische Aktualität ist für professionelle Anwendungen notwendig.

Counter-Factual Few-Shot — Eine Fortgeschrittene Technik:

Counter-Factual Few-Shot zeigt dem Modell nicht nur positive Beispiele (was gewünscht ist), sondern auch negative Beispiele mit Erklärung, warum sie nicht gut sind. Dreistufiges Format:

1. Negativ-Beispiel: „Hier ist eine E-Mail, die wir nicht schreiben wollen: [Text]. Problem: zu formell, kein klarer Call-to-Action, passive Formulierungen.”
2. Analyse: „Die Schwächen sind: (1) … (2) … (3) …”
3. Positiv-Beispiel: „Hier ist die verbesserte Version: [Text]. Verbesserungen: aktive Sprache, klarer Handlungsaufruf, persönliche Ansprache.”

Diese Technik kostet mehr Token als einfaches Few-Shot, liefert aber besonders bei stilistischen Aufgaben deutlich präzisere Outputs — weil das Modell nicht nur das Ziel, sondern auch die Abgrenzung vom Nicht-Ziel kennt.

Ethical Few-Shot — Bewusste Inklusion:

Für Texte, die auf Diversität und Inklusion ausgelegt sein sollen, empfiehlt sich bewusste Beispielauswahl: Verschiedene Perspektiven, Schreibstile und kulturelle Kontexte in den Beispielen repräsentieren. Das ist besonders relevant für HR-Texte, Stellenausschreibungen, Kundenansprache für diverse Zielgruppen, und Kommunikation in internationalen Teams.

Merksatz

Few-Shot-Beispiele sind nicht neutral — sie kodieren die Werte, den Stil und die blinden Flecken ihrer Quellen. Professionelles Few-Shot Prompting prüft bewusst, was die Beispiele implizit kommunizieren — und ob das mit den Zielen der Organisation übereinstimmt.

Übung 1 — Zero-Shot vs. Few-Shot: Direktvergleich

Übung 1 — Zero-Shot vs. Few-Shot im direkten Vergleich

Aufgabe: Führen Sie dieselbe Aufgabe einmal als Zero-Shot- und einmal als Few-Shot-Prompt aus. Dokumentieren und vergleichen Sie die Ergebnisse systematisch.

Material: Laptop mit Zugang zu ChatGPT Team oder Microsoft 365 Copilot; zwei eigene, gelungene E-Mails oder Texte aus Ihrem Berufsleben.

Schritt-für-Schritt: 1. Wählen Sie eine Schreibaufgabe, für die Sie Stil-Konsistenz benötigen. 2. Formulieren Sie den Zero-Shot-Prompt: Aufgabe + Kontext, aber ohne Beispiele. Führen Sie ihn aus und kopieren Sie das Ergebnis. 3. Suchen Sie zwei eigene Texte, die Sie als qualitativ gut einschätzen und dem gewünschten Output ähneln. 4. Formulieren Sie den Few-Shot-Prompt mit den zwei Beispielen: ``` Beispiel 1 Input: [Aufgabenbeschreibung] Beispiel 1 Output: [Ihr Beispieltext 1]

Beispiel 2 Input: [Aufgabenbeschreibung] Beispiel 2 Output: [Ihr Beispieltext 2]

Neue Aufgabe: [Ihr tatsächlicher Prompt] ``` 5. Führen Sie den Few-Shot-Prompt aus und kopieren Sie das Ergebnis. 6. Vergleichen Sie: Tonalität, Spezifität, Stil-Konsistenz, direkte Verwendbarkeit. 7. Diskutieren Sie mit einer Nachbarperson: In welchem Output würden Sie weniger nacharbeiten müssen?

Erwartetes Ergebnis: Der Few-Shot-Output entspricht in Tonalität und Struktur deutlich mehr Ihren eigenen Beispieltexten als der Zero-Shot-Output.

Musterlösung (Aufgabe: Angebots-Einleitung):

Zero-Shot-Prompt: > „Schreibe die Einleitung eines IT-Beratungsangebots für einen Kunden im Gesundheitssektor.”

Typisches Zero-Shot-Ergebnis: Generische Formulierungen ohne Persönlichkeit und ohne Bezug zum spezifischen Kundenproblem.

Few-Shot-Ergebnis (mit zwei eigenen Beispielen): Der Text greift typische Stilmerkmale auf — direkte Ansprache, Lösungsfokus, spezifischer Bezug zum Kundenproblem, professionell-zugängliche Sprache.

Strukturierter Vergleichsrahmen: Prüfen Sie (1) Tonalität, (2) Spezifität, (3) Struktur, (4) Direktverwendbarkeit. Erfahrungswert: Bei Stil-sensitiven Aufgaben liegt die Few-Shot-Variante regelmäßig 15–30 Qualitätspunkte höher (auf einer 100-Punkt-Skala).

Übung 2 — Eigene Few-Shot-Bibliothek anlegen (Transfer)

Übung 2 — Few-Shot-Bibliothek für drei typische Aufgaben

Aufgabe: Identifizieren Sie drei typische Schreibaufgaben aus Ihrem Arbeitsalltag, für die Few-Shot Prompting einen messbaren Qualitätsvorteil bieten würde. Erstellen Sie für jede Aufgabe einen Few-Shot-Prompt mit zwei eigenen Beispielen.

Material: Laptop; Zugang zu eigenen Dokumenten und E-Mails; Texteditor für die Ablage.

Schritt-für-Schritt: 1. Notieren Sie drei Aufgaben aus Ihrem Alltag, bei denen Stil-Konsistenz, spezifische Struktur oder Fachsprache wichtig sind. 2. Begründen Sie schriftlich für jede Aufgabe: Warum ist Few-Shot hier besser als Zero-Shot? 3. Suchen Sie für jede Aufgabe zwei Referenztexte (eigene Best-Practice-Beispiele). 4. Prüfen Sie die Qualität der Beispiele: repräsentativ, fehlerfrei, konsistent? 5. Formulieren Sie einen Few-Shot-Prompt für jede der drei Aufgaben. 6. Testen Sie jeden Prompt und bewerten Sie das Ergebnis (Schulnote 1–5). 7. Dokumentieren Sie die drei Prompts in einem Format, das auch eine Kollegin ohne Erläuterung nutzen kann.

Erwartetes Ergebnis: Drei dokumentierte, getestete Few-Shot-Prompts — der Beginn einer persönlichen Prompt-Bibliothek.

Musterlösung (Aufgabe: Absageschreiben an Bewerber:innen):

Begründung: Absageschreiben müssen einen sehr spezifischen Tonbalance treffen — wertschätzend ohne falsche Versprechungen, klar ohne Abweisung. In Worten schwer vollständig beschreibbar; Beispiele sind effizienter.

Few-Shot-Prompt: > Beispiel 1 Input: Absage an Bewerber:in nach Erstgespräch, Position IT-Projektmanager:in > Beispiel 1 Output: [Einzufügendes Best-Practice-Beispiel aus dem HR-System] > > Beispiel 2 Input: Absage nach der ersten Sichtung, Position Senior Consultant > Beispiel 2 Output: [Einzufügendes Best-Practice-Beispiel] > > Neue Aufgabe: Schreibe eine Absage an [NAME] für die Position [POSITION]. Der Grund ist [GRUND], den wir jedoch nicht vollständig offenlegen. Verwende denselben Ton wie in den Beispielen.

Promptbaustein — Few-Shot-Vorlage für Kundenkommunikation

Rolle: Du bist Kommunikationsexpertin in einem Unternehmen mit einem etablierten, professionell-zugänglichen Kommunikationsstil.

Aufgabe: Schreibe [DOKUMENTTYP] für [EMPFÄNGER] zum Thema [THEMA].

Ziel: [ZIEL DES DOKUMENTS — z.B. „Kunden über Projektstatus informieren und Vertrauen stärken”].

Kontext: [RELEVANTE HINTERGRUNDINFORMATIONEN].

Stil-Beispiel 1: Input: [Frühere ähnliche Aufgabe] Output: [Ihr Best-Practice-Beispieltext 1 — 100–200 Wörter]

Stil-Beispiel 2: Input: [Frühere ähnliche Aufgabe] Output: [Ihr Best-Practice-Beispieltext 2 — 100–200 Wörter]

Output: [FORMAT: z.B. „E-Mail, max. 150 Wörter, formell, drei Absätze”]

Hinweis: Übernehme den Stil der Beispiele, nicht den Inhalt.

Übung 3 — Few-Shot-Qualitätsprüfung: Gute und schlechte Beispiele unterscheiden

Übung 3 — Beispiele analysieren und optimieren

Aufgabe: Sie erhalten vier Few-Shot-Beispiele für dieselbe Aufgabe (Produktbeschreibung schreiben). Beurteilen Sie, welche Beispiele die KI in die richtige Richtung lenken und welche sie in die Irre führen. Optimieren Sie dann das schwächste Beispiel.

Material: Laptop mit Zugang zu ChatGPT Team oder Microsoft 365 Copilot; folgende vier Beispiel-Prompts.

Aufgabe: Produktbeschreibung für einen Konferenzraum-Buchungsdienst schreiben.

Beispiel A (Few-Shot-Kandidat): > Input: Buchungstool für Besprechungsräume | Output: „Unser innovativer Buchungsservice revolutioniert Ihre Meeting-Erfahrung mit modernster Technologie und benutzerfreundlichem Interface für maximale Effizienz.”

Beispiel B (Few-Shot-Kandidat): > Input: Buchungstool für Besprechungsräume | Output: „Räume buchen in drei Klicks: Verfügbarkeit prüfen, Zeitfenster wählen, bestätigen. Alle Buchungen in einer Übersicht.”

Beispiel C (Few-Shot-Kandidat): > Input: Kantine — Mittagessen bestellen | Output: „Täglich frisch: Das Mittagsmenü vorbestellen, den Tisch reservieren und direkt nach dem Meeting in der Kantine erscheinen — ohne Wartezeit.”

Beispiel D (Few-Shot-Kandidat): > Input: Firmenfahrzeug reservieren | Output: „Fahrzeugpool einfach nutzen: Verfügbarkeit online prüfen, Schlüssel digital übergeben lassen, Fahrt dokumentieren. Kein Papierkram.”

Schritt-für-Schritt: 1. Beurteilen Sie jedes Beispiel: Ist es als Few-Shot-Beispiel geeignet oder nicht? Begründen Sie kurz. 2. Welche zwei Beispiele würden Sie in einen Few-Shot-Prompt aufnehmen? Warum? 3. Welches Beispiel würden Sie ausschließen — und warum schadet es der Output-Qualität? 4. Schreiben Sie einen Few-Shot-Prompt mit Ihren zwei gewählten Beispielen und der Aufgabe: „Schreibe eine Produktbeschreibung für ein digitales Onboarding-Tool für neue Mitarbeitende.” 5. Führen Sie den Prompt aus und bewerten Sie: Hat die KI Tonalität und Stil der Beispiele übernommen?

Musterlösung: Beispiel A ist ungeeignet (Marketingsprech, keine konkreten Features). Beispiele B, C und D sind geeignet — klarer Nutzen, konkrete Handlungen, kein Jargon. A würde die KI in Richtung generischer Werbetexte ziehen.

Transferfrage: Wenn Sie für Ihre häufigste Schreibaufgabe eine Few-Shot-Bibliothek anlegen würden — woher würden Sie die ersten Beispiele nehmen? Und wer sollte die Qualität der Beispiele absichern?

Cheatsheet — Die wichtigsten Punkte

Cheatsheet — Die wichtigsten Punkte

• Zero-Shot nutzen bei: einfachen, klar beschreibbaren Aufgaben, Faktenfragen, allgemeinen Übersetzungen, Aufgaben ohne spezifische Stilanforderungen
• Few-Shot nutzen bei: Stil-Übertragung, domänenspezifischen Formaten, Klassifikationsaufgaben, Bewertungslogiken — immer wenn „zeigen” effizienter ist als „beschreiben”
• Anzahl der Beispiele: 2–3 Beispiele sind in den meisten Fällen optimal; mehr bringen selten proportionalen Mehrwert
• Reihenfolge der Beispiele kann die Ausgabe beeinflussen — das letzte Beispiel hat tendenziell den stärksten Effekt
• Anti-Pattern: Schlechte Beispiele verwenden, weil sie gerade verfügbar sind — lieber Zero-Shot als Few-Shot mit schlechten Beispielen
• Negative Beispiele: Ein bis zwei Anti-Beispiele mit „NICHT so” können wirksamer sein als ein weiteres positives Beispiel
• Bibliothek aufbauen: Gute eigene Texte laufend als Referenz ablegen — das ist der nachhaltigste Weg zur Few-Shot-Ressource
• Abgrenzung: Few-Shot ersetzt keinen guten Kontext im Prompt — beide Techniken sind komplementär

Praxis-Exkurs — Few-Shot in komplexen Unternehmensszenarien

Szenario 1 — Sentiment-Analyse für Kundenfeedback (Finanzdienstleistung):

Eine Privatbank erhält täglich 40–80 Kundenanfragen per E-Mail. Das Team will automatisch erkennen, ob eine Anfrage dringend, neutral oder positiv ist — um Bearbeitungsprioritäten zu setzen.

Few-Shot-Prompt mit drei Beispielen:

„Klassifiziere folgende Kundenanfrage als DRINGEND, NEUTRAL oder POSITIV.

Beispiel 1 — Input: ‚Ich habe seit drei Tagen keinen Zugang zu meinem Konto und brauche dringend eine Klärung.’ Output: DRINGEND (Zugriffsproblem, Zeitdruck, direkte Forderung)

Beispiel 2 — Input: ‚Könnten Sie mir bitte die aktuellen Konditionen für Tagesgeld zusenden?’ Output: NEUTRAL (Informationsanfrage, kein Zeitdruck, kein Konflikt)

Beispiel 3 — Input: ‚Ich bin sehr zufrieden mit der Beratung letzte Woche und wollte mich kurz bedanken.’ Output: POSITIV (Lob, kein Handlungsbedarf außer Dankesantwort)

Jetzt klassifiziere: [KUNDENANFRAGE EINFÜGEN]. Antworte ausschließlich mit der Klassifikation und einer einzeiligen Begründung.”

Ergebnis: Das Modell klassifiziert neue Anfragen konsistent nach den drei Beispiel-Kategorien. Die Klassifikation kann direkt im E-Mail-System als Prioritäts-Tag verwendet werden.

Szenario 2 — Technische Dokumentation standardisieren (Industrie & Fertigung):

Ein Maschinenbauunternehmen hat über 200 unterschiedlich formatierte Wartungsprotokolle, die vereinheitlicht werden sollen. Few-Shot-Prompt mit einem vollständigen Transformationsbeispiel:

„Transformiere folgendes Wartungsprotokoll in das Standardformat.

Beispiel-Input (früheres Format): ‚Anlage 3B, 14.03.2026: Ölstand geprüft, i.O. Schmiermittel erneuert (Typ Castrol 320). Keine Auffälligkeiten. Nächste Wartung: 14.06.2026. Techniker: M. Weber’

Beispiel-Output (Standardformat):

WARTUNGSPROTOKOLL

Anlage-ID: 3B

Datum: 2026-03-14

Techniker: Weber, M.

Durchgeführte Maßnahmen:

- Ölstand-Prüfung: in Ordnung

- Schmiermittel-Erneuerung: Castrol 320

Befund: keine Auffälligkeiten

Nächste Wartung: 2026-06-14

Jetzt transformiere: [PROTOKOLL EINFÜGEN]”

Ergebnis: Einheitliche Protokoll-Struktur, direkt in das digitale Wartungsmanagementsystem einpflegbar.

Szenario 3 — Angebotsformulierungen vereinheitlichen (IT-Beratung):

Ein IT-Beratungsunternehmen stellt fest, dass Angebote von verschiedenen Beratern stark im Ton variieren — von sehr technisch bis sehr verkäuferisch. Few-Shot mit zwei Positiv- und einem Negativ-Beispiel schafft schnell Konsistenz.

Negativ-Beispiel: „Unsere hochmoderne KI-gestützte Cloud-Migrationslösung revolutioniert Ihre Infrastruktur durch disruptive Technologie-Integration.” (zu marketinglastig, Buzzwords)

Positiv-Beispiel 1: „Wir migrieren Ihre on-premise SAP-Umgebung innerhalb von 90 Tagen in die Azure Cloud — mit garantierter Systemverfügbarkeit von 99,5 % während der Migration.” (konkret, Zahlen, Kundennutzen)

Positiv-Beispiel 2: „Das Projektteam besteht aus zwei zertifizierten Azure-Architekten und einem SAP-Migrationsexperten mit 15 erfolgreichen Migrationsprojekten. Wöchentliche Statusberichte halten Sie transparent informiert.” (Vertrauen, Kompetenznachweis, Transparenz)

After the examples, new proposal sections are generated consistently in the desired tone — concrete, trustworthy, without buzzwords.

Reflexionsfragen

1. Welche Ihrer häufigen Schreibaufgaben wären am schwersten in Worten zu beschreiben, aber leicht durch zwei Beispiele zu zeigen?
2. Warum könnte ein schlechtes Few-Shot-Beispiel schlimmer sein als kein Beispiel?
3. Wie würde eine Team-Few-Shot-Bibliothek die Einarbeitung neuer Mitarbeitender in Ihrer Organisation verändern?
4. Stellen Sie sich vor, Sie verwenden Ihre eigenen besten Texte als Beispiele — welche Qualitätsmerkmale dieser Texte würde die KI am wahrscheinlichsten übernehmen?
5. In welchen Situationen würden Sie bewusst auf Few-Shot verzichten, auch wenn die Aufgabe technisch dafür geeignet wäre?
6. Stellen Sie sich vor, ein Kollege hat eine Few-Shot-Bibliothek für Angebots-E-Mails angelegt — aber alle Beispiele stammen von einer einzigen Person. Welche Risiken entstehen dadurch für die stilistische Vielfalt und für blinde Flecken?
7. Wann würden Sie bewusst auf Few-Shot-Beispiele verzichten, obwohl die Aufgabe komplex ist — und stattdessen die Qualität durch Chain-of-Thought-Prompting steigern?

Quellen & Weiterlesen

Trainer-Hinweise

Didaktische Vertiefung — Few-Shot als kollaborativer Lernprozess

UE 26 hat ein besonders hohes Kollaborationspotenzial: Die Entwicklung von Few-Shot-Beispiel-Bibliotheken ist eine genuin kollaborative Aufgabe — weil gute Beispiele von verschiedenen Perspektiven profitieren.

Team-Beispiel-Bibliothek als Unterrichts-Artefakt:

Nutzen Sie UE 26 als Startschuss für eine Team-Few-Shot-Bibliothek: Jede Person entwickelt in Übung 2 mindestens zwei Positiv-Beispiele und ein Negativ-Beispiel für ihren Hauptanwendungsfall. Diese werden am Ende der UE in einem gemeinsamen geteilten Dokument zusammengeführt. Das Ergebnis ist eine kuratierten Beispielsammlung, die das Team direkt in der Praxis nutzen kann — und die regelmäßig aktualisiert wird, wenn Teilnehmende neue bessere Beispiele finden.

Reverse-Engineering als Lernmethode:

Zeigen Sie einen exzellenten KI-Output (ohne den Prompt zu zeigen). Lassen Sie Teilnehmende den Prompt rekonstruieren: „Welche Beispiele müssen im Prompt gewesen sein, damit dieser Output entstand?” Diese Reverse-Engineering-Übung schärft das Verständnis dafür, wie Beispiele die Modell-Ausgabe formen — und macht das Konzept intuitiv erfahrbar.

Graduelle Komplexitätssteigerung:

Beginnen Sie UE 26 mit einem einfachen Klassifikations-Beispiel (Ton einer E-Mail: formell/informell), steigern Sie zu einem Stil-Übertragungsbeispiel (E-Mail in Unternehmens-Ton), und enden Sie mit einem komplexen Struktur-Übertragungsbeispiel (Bericht in definiertem Template). Diese Gradation zeigt, wie Few-Shot mit steigender Aufgabenkomplexität flexibel bleibt.

Hinweise für AI Champions — So vermitteln Sie das Thema — UE 26

Timing (45 Min): 5 Min Einstieg (Kollegin-Analogie), 12 Min Lerntext (Zero-/One-/Few-Shot erklären, Grafik zeigen), 15 Min Übung 1 (Direktvergleich live), 8 Min Übung 2 (Bibliotheks-Beginn), 5 Min Reflexion.

Methodische Empfehlung: Übung 1 ist der didaktische Kern dieser UE — der Direktvergleich macht den Unterschied erlebbar. Ermutigen Sie Teilnehmende, ihre eigenen beruflichen Texte als Few-Shot-Beispiele zu nutzen, nicht die im Handout vorgeschlagenen generischen Beispiele. Der persönliche Bezug erhöht die Transferwirkung erheblich.

Häufige Stolpersteine: (a) Teilnehmende unterschätzen die Qualität ihrer eigenen Texte als Beispiele — ermutigen Sie aktiv, eigene gute Texte zu verwenden. (b) Verwechslung von Few-Shot (Kontext-Beispiele) mit System-Prompt (dauerhafter Rahmen) — Unterschied in einer Folie klar machen. (c) Überzeugung, dass mehr Beispiele immer besser sind — 2–3 sind optimal, klar kommunizieren.

Diskussionsfragen für Plenum: (1) Welches Ihrer Arbeitsdokumente wäre das ideale erste Few-Shot-Beispiel für Ihr Team? (2) Was wäre das Risiko, wenn das Team Few-Shot-Beispiele nie systematisch sammelt?

Tafelbild-Vorschlag: Tabelle Zero-Shot | One-Shot | Few-Shot mit Spalten: Beschreibung, Stärke, Schwäche, Typischer Anwendungsfall.

Differenzierung: Power-User: Erproben Sie CoT Few-Shot — zeigen Sie nicht nur den Output, sondern auch den Denkweg in Ihrem Beispiel. Einsteiger: Beginnen Sie mit One-Shot statt Few-Shot, um die Technik niedrigschwellig einzuführen.

Tipp zur Branchenauswahl: Für Fertigungs- und Industriekunden bietet sich die Klassifikationsaufgabe (Tickets nach Dringlichkeit) besonders an. Für Finanzdienstleister ist die Bewertungslogik-Anwendung besonders relevant. Für IT-Dienstleister ist das Angebots-Einleitungs-Beispiel sofort anwendbar.

Übergang zur nächsten UE: „Few-Shot hilft beim Qualitätsmuster. In UE 27 lernen Sie Chain-of-Thought — eine Technik, die hilft, wenn Sie nicht nur das Ergebnis, sondern auch den Denkweg der KI kontrollieren wollen.”

Quelle: KI-Wissensbasis von MindsMachines, Edition Juni 2026. Vollständige Fassung mit Anhängen und Musterlösungen: als PDF anfordern.