Strukturierte Outputs (JSON, Markdown, Tabellen)

Lernziele

• Sie können KI-Anfragen so formulieren, dass die Ausgabe in einem definierten, direkt weiterverarbeitbaren Format vorliegt (Markdown, Tabelle, JSON).
• Sie verstehen den Zusammenhang zwischen Output-Format und Nachbearbeitungsaufwand und können ihn quantifizieren.
• Sie können einen JSON-Output für eine einfache Automatisierungs-Pipeline spezifizieren.
• Sie können Länge, Struktur und Stil von KI-Outputs durch präzise Formatanweisungen exakt steuern.

Auf einen Blick

Worum geht es? — Der didaktische Einstieg

Sie haben soeben mit einem strukturierten Prompt einen exzellenten Projektstatusbericht generiert — inhaltlich präzise, alle Kerninformationen vorhanden, die Argumentation überzeugend. Aber der Output ist ein unformatierter Fließtext. Bevor Sie ihn an den Kunden schicken können, müssen Sie ihn in das Confluence-Template einpassen, Überschriften setzen, Tabellen anlegen, Stichpunkte formatieren. Zwanzig Minuten manueller Arbeit für einen Inhalt, dessen Erstellung fünf Minuten gedauert hat.

Das ist eines der häufigsten Effizienzprobleme in der KI-Nutzung — und es hat eine einfache Lösung: Das gewünschte Format explizit im Prompt angeben. Format-Steuerung ist kein kosmetisches Extra, sondern ein Effizienz-Hebel. Ein inhaltlich korrekter KI-Output in einem unstrukturierten Format kostet Nachbearbeitungszeit — oft mehr Zeit, als der ursprüngliche Prompt gespart hat.

Lerntext — Theorie und Konzepte

Markdown als primäres Strukturformat für Wissensarbeit

Markdown ist die universelle, plattformübergreifende Auszeichnungssprache für strukturierte Texte. Sie wird von allen modernen KI-Tools nativ erzeugt und lässt sich mit wenigen Klicks in Word, Confluence, Notion, Teams oder Slack übertragen.

Tabellenformat für Vergleiche, Matrizen und Übersichten

Wann immer mehrere Optionen, Kriterien oder Entitäten verglichen werden sollen, ist eine Tabelle das wirkungsvollste Format. Der Prompt-Zusatz „Erstelle eine Tabelle mit den Spalten X, Y, Z. Maximal N Zeilen” liefert zuverlässig strukturierte, direkt verwertbare Outputs. Besonders nützlich für:

• Entscheidungsmatrizen (Optionen × Kriterien × Bewertung)
• Vergleichsübersichten (Tools × Einsatzbereich × Eignung)
• Action-Item-Listen (Verantwortlich | Aufgabe | Deadline | Status)
• Risikoregister (Risiko | Wahrscheinlichkeit | Impact | Maßnahme)

JSON für maschinenlesbare Daten und Automatisierungsworkflows

In Automatisierungs-Pipelines (Microsoft Power Automate, n8n, Zapier), bei CRM-Importen oder bei der Weiterverarbeitung durch andere Systeme ist JSON-Output notwendig. Der Prompt-Zusatz:

„Antworte ausschließlich im JSON-Format mit exakt diesen Feldern: [Feldliste]. Kein erklärender Text außerhalb des JSON-Blocks.”

erzeugt zuverlässig valide JSON-Strukturen.

{

"kundenname": "Meier GmbH",

"projekt": "Azure-Migration",

"status": "in Bearbeitung",

"naechste_schritte": ["Workshop planen", "Angebot versenden"],

"deadline": "2025-09-30"

}

Abb. 29.1 — Ausgabeformat-Entscheidungsbaum: Welches Format für welchen Anwendungsfall?

Merksatz

Das Ziel jedes strukturierten Outputs ist die direkte Verwendbarkeit: Ein Output sollte idealerweise ohne Nachbearbeitung in ein Zieldokument, System oder Kommunikationsformat übertragen werden können. Wer das gewünschte Format nicht explizit angibt, verschenkt einen erheblichen Teil der KI-Zeitersparnis an manuelle Nachformatierung.

Ausführlichkeit und Länge präzise steuern

Explizite Längenangaben verhindern Über- und Unterlieferung:

• „Maximal 200 Wörter”
• „Genau drei Bullet Points, kein Punkt darf länger als ein Satz sein”
• „Eine DIN-A4-Seite entspricht etwa 400–500 Wörtern”
• „Executive Summary in fünf Sätzen”
• „Pro Abschnitt maximal einen Absatz”

Format-Konsistenz durch Vorlagen erzwingen

Ein praktischer Trick für formatstabile Outputs: Fügen Sie im Prompt eine leere Vorlage in der gewünschten Struktur bei. Das Modell füllt die Vorlage aus, anstatt eine eigene Struktur zu erfinden:

Bitte fülle folgende Vorlage aus:



**Projektname:** [Name]

**Berichtsdatum:** [Datum]



| Workstream | Status | Kommentar |

|---|---|---|

| [WS1] | [Grün/Gelb/Rot] | [Kommentar] |



**Nächste Schritte:**

1. [Schritt 1]



**Risiken:**

- [Risiko 1]

Diese Technik reduziert die Varianz in der Ausgabestruktur erheblich und stellt sicher, dass alle Pflichtfelder ausgefüllt sind.

Präzisions-Prompting für strukturierte Outputs — Fortgeschrittene Techniken

Die Qualität strukturierter Outputs hängt zu einem erheblichen Teil von der Präzision der Output-Beschreibung im Prompt ab. Fortgeschrittene Techniken machen diese Präzision systematisch erreichbar.

Schema-First-Ansatz:

Statt den Output in Textform zu beschreiben, definieren Sie das Schema direkt als Struktur-Vorlage im Prompt. Für JSON: Fügen Sie ein leeres JSON-Template mit Kommentaren in den Prompt ein. Das Modell interpretiert dieses Template als exakte Struktur-Vorlage.

Beispiel-Prompt-Abschnitt: „Erstelle den Output in folgender JSON-Struktur (Kommentare in /* */ erklären die erwarteten Inhalte):

{

"projekt_id": "/* eindeutige ID, Format: PROJ-XXXX */",

"titel": "/* Projektname, max. 50 Zeichen */",

"status": "/* eines von: aktiv | abgeschlossen | pausiert | geplant */",

"team": [

{

"name": "/* Vollständiger Name */",

"rolle": "/* Berufsbezeichnung */",

"zugewiesen_seit": "/* Datum im Format YYYY-MM-DD */"

}

],

"meilensteine": [

{

"bezeichnung": "/* Meilenstein-Name */",

"zieldatum": "/* YYYY-MM-DD */",

"status": "/* offen | in-bearbeitung | abgeschlossen */"

}

]

}

“

Dieser Schema-First-Ansatz eliminiert die häufigsten Strukturfehler vollständig: Das Modell kann nicht von der vorgegebenen Struktur abweichen, weil die Template-Struktur als direkte Vorlage dient.

Output-Validation im Prompt:

Für kritische Anwendungen kann die Validierungslogik direkt in den Prompt integriert werden: „Nach der JSON-Ausgabe: Prüfe, ob (1) alle Pflichtfelder vorhanden sind, (2) alle Enum-Werte aus den definierten Listen stammen, (3) alle Datumsfelder im Format YYYY-MM-DD sind. Wenn eine Validierung fehlschlägt: Korrigiere den Output und beschreibe die vorgenommene Korrektur in einem separaten ‚validation_notes’-Feld.”

Tabellen-Designs für verschiedene Nutzungsszenarien:

Nicht jede Tabelle ist gleich — die optimale Tabellenstruktur hängt vom Nutzungszenario ab:

Für Präsentationen (wenige Spalten, breite Inhalte): Drei bis vier Spalten, jede Zeile ein vollständiger Gedanke, kein Abkürzungen. Spaltenbreiten explizit definieren: „Die erste Spalte (Kriterium) soll max. 30 Zeichen breit sein, die zweite (Beschreibung) breiter.”

Für Datenanalyse (viele Spalten, maschinell weiterverarbeitbar): Kurze Spaltenbezeichnungen (ohne Leerzeichen), konsistente Datentypen, keine gemischten Typen in einer Spalte. Header in Kleinbuchstaben ohne Sonderzeichen (CSV-kompatibel).

Für Entscheidungsmatrizen (Bewertungen, Prioritäten): Bewertungsskala explizit definieren und einheitlich halten. Legende am Ende der Tabelle: „Legende: 1 = niedrig, 5 = hoch.”

Fehlerhandling für fehlende Daten:

Was soll das Modell tun, wenn für ein Pflichtfeld keine Daten vorliegen? Diese Frage muss im Prompt beantwortet werden — sonst entscheidet das Modell selbst, was oft zu inkonsistenten Ergebnissen führt. Drei Optionen:

Option 1 — Null-Wert: „Wenn ein Wert fehlt, setze null.” Option 2 — Placeholder: „Wenn ein Wert fehlt, setze ‚[NICHT VERFÜGBAR]’.” Option 3 — Ausschließen: „Wenn ein Wert fehlt, lasse den Datensatz vollständig weg.”

Die Wahl hängt davon ab, was das Zielsystem mit dem Wert macht: Kann es mit null umgehen? Erwartet es einen String? Soll der Datensatz trotz fehlender Werte verarbeitet werden?

Merksatz

Der Schema-First-Ansatz — ein leeres Template mit Kommentaren direkt im Prompt — ist die zuverlässigste Methode für strukturierte Outputs. Er eliminiert Struktur-Fehler, weil das Modell die Vorlage direkt ausfüllt, statt eine textuelle Beschreibung zu interpretieren.

Vertiefung — JSON als Datenbrücke zwischen KI und Anwendungen

JSON-Output ist der Standard für alle Szenarien, in denen KI-Ausgaben automatisiert weiterverarbeitet werden sollen. In der modernen Arbeitspraxis entstehen immer mehr Workflows, in denen ein KI-Modell als Verarbeitungsschritt in einer größeren Automatisierungskette sitzt: Ein Ticket-Text wird analysiert, das Ergebnis als JSON zurückgegeben, das JSON-Objekt wird an ein CRM oder Ticketsystem übergeben.

Für solche Szenarien ist die Schema-Definition im Prompt unverzichtbar. OpenAI’s Structured Outputs erlaubt es, ein JSON-Schema direkt als API-Parameter zu übergeben — das Modell garantiert dann schema-konforme Ausgaben. Ein häufiger Fehler: Das Modell produziert „fast-JSON” — syntaktisch leicht fehlerhafte Ausgaben. Gegenmaßnahme: Fügen Sie dem Prompt den Hinweis „Stelle sicher, dass das JSON valide und vollständig ist. Schließe alle Klammern korrekt.” hinzu.

Vertiefung II — XML, YAML und strukturierte Outputs für Automatisierung

JSON und Markdown sind die häufigsten strukturierten Output-Formate — aber für bestimmte Anwendungsszenarien sind XML und YAML relevante Alternativen, und für fortgeschrittene Automatisierung wird das Verständnis dieser Formate wichtig.

XML-Outputs für Legacy-Systeme und Enterprise-Integration:

Viele Unternehmens-ERP-Systeme (SAP, Oracle, Microsoft Dynamics) kommunizieren intern über XML-Schnittstellen. Wenn KI-generierte Daten in diese Systeme eingepflegt werden sollen, ist ein XML-kompatibler Output oft die direkteste Route. Prompt-Formulierung: „Erstelle die Ausgabe im XML-Format. Das Wurzelelement heißt [ELEMENTNAME]. Jede [EINHEIT] wird als [UNTERELEMENTNAME]-Element dargestellt mit den Attributen [LISTE DER ATTRIBUTE].”

YAML für Konfigurationsdateien und DevOps-Workflows:

In Software-Entwicklungsteams und IT-Abteilungen ist YAML das Standard-Format für Konfigurationsdateien (Kubernetes, Docker Compose, GitHub Actions, Ansible). KI kann erste Entwürfe von Konfigurationsdateien auf Basis einer Beschreibung in YAML erstellen — diese sind dann von Fachleuten zu prüfen und anzupassen, aber der Zeitaufwand für die Ersterstellung sinkt erheblich.

Pydantic-Style Structured Outputs (API-Kontext):

Für Entwicklerteams, die OpenAI oder Anthropic APIs nutzen, bieten diese seit 2024 native Structured Output-Unterstützung: Das Schema des gewünschten JSON-Outputs wird direkt in der API-Anfrage definiert, und das Modell garantiert schema-konforme Ausgaben. Das eliminiert den Parsing-Aufwand und macht KI-Outputs direkt weiterverarbeitbar in anderen Systemen.

Tabellen-Outputs für Excel-Integration:

Eine besonders praxisrelevante Anwendung für Nicht-Entwickler ist die Tabellen-Ausgabe im CSV-Format: Das Modell generiert strukturierte Daten als CSV, das direkt in Excel geöffnet oder über Power Query weiterverarbeitet werden kann. Wichtige Prompt-Details für robuste CSV-Ausgabe: Trennzeichen explizit angeben (Komma oder Semikolon je nach regionalen Excel-Einstellungen), Zeichenkodierung (UTF-8), und ob Textwerte in Anführungszeichen eingeschlossen werden sollen.

Validierungslogik im Prompt:

Strukturierte Outputs sind nur dann verlässlich, wenn sie korrekt sind. Für kritische Anwendungen empfiehlt sich eine Validierungsanweisung im Prompt: „Prüfe nach der Ausgabe, ob alle Pflichtfelder vorhanden sind. Wenn ein Pflichtfeld fehlt, ergänze es mit dem Wert [NULL] und füge am Ende eine Liste der fehlenden Werte hinzu.” Das gibt dem Ausgabe-Nutzer eine sofortige Qualitätskontrolle-Ebene.

Häufige Fehlerquellen bei strukturierten Outputs:

Problem 1 — Ungültiges JSON: Modelle brechen gelegentlich JSON-Strukturen auf (unbalancierte Klammern, fehlende Anführungszeichen). Lösung: Explizit anweisen „Stelle sicher, dass das JSON valid und parsebar ist. Prüfe alle öffnenden und schließenden Klammern.”

Problem 2 — Halluzinierte Schlüssel: Modelle erfinden manchmal zusätzliche Schlüssel, die nicht im Schema waren. Lösung: „Verwende ausschließlich die definierten Schlüssel. Füge keine zusätzlichen Felder hinzu.”

Problem 3 — Typ-Inkonsistenz: Zahlen als Strings, Boolean-Werte als Text. Lösung: Typen explizit benennen: „Der Wert für ‚score’ ist immer eine Ganzzahl zwischen 0 und 100, niemals ein Text.”

Merksatz

Strukturierte Outputs sind das Bindeglied zwischen KI-Fähigkeiten und bestehender Unternehmens-IT. JSON für Webanwendungen, XML für ERP-Integration, YAML für DevOps-Konfiguration, CSV für Excel-Workflows — die Wahl des Formats richtet sich nach dem Zielsystem, nicht nach persönlicher Präferenz.

Branchen-Anwendungen

IT-Dienstleistung & Beratung

Reporting-Vorlagen für Kundenprojekte können direkt in einem definierten Markdown-Format generiert werden, das nahtlos in Confluence oder Notion eingefügt werden kann. Ein standardisiertes Projektstatusbericht-Template mit den Sektionen Zusammenfassung, Status-Tabelle, Nächste Schritte und Risiken — einmal als Prompt-Template dokumentiert — reduziert die Erstellungszeit pro Bericht erheblich und sichert gleichzeitig die Formatkonsistenz über alle Projektberichte hinweg. Für die automatisierte Verarbeitung von Meeting-Ergebnissen ist JSON der richtige Format-Typ: Entscheidungen, Action Items und Verantwortlichkeiten aus einem Gesprächsprotokoll als JSON-Objekt extrahiert, können direkt in das CRM-System importiert werden.

Industrie & Fertigung

In Fertigungsbetrieben ist JSON-Output besonders wertvoll für die automatisierte Anbindung an ERP- und MES-Systeme (Manufacturing Execution Systems). Wenn Qualitätsmessdaten aus Prüfprotokollen extrahiert und direkt in das Qualitätsmanagementsystem importiert werden sollen, ist ein präzise spezifizierter JSON-Output der effizienteste Weg: „Extrahiere alle Messwerte aus diesem Prüfprotokoll als JSON mit den Feldern: bauteil_id, messwert, einheit, toleranz_ok (boolean), prüfdatum.” Dieser Workflow ersetzt manuelles Eintippen und reduziert Übertragungsfehler auf nahezu null.

Finanzdienstleistung & Versicherung

Im Finanzbereich ist das Tabellenformat besonders wertvoll für Produktvergleiche und Risikoübersichten: „Erstelle eine Markdown-Tabelle mit den Spalten: Produkt | Jahreszins (%) | Mindestsparrate (€/Monat) | Laufzeit | Besonderheiten. Sortiere nach Jahreszins absteigend.” Das Ergebnis ist direkt in Kundenpräsentationen verwendbar. Für die interne Compliance-Dokumentation ist ein strukturierter JSON-Output wertvoll: Alle geprüften Unterlagen, Prüfergebnisse und Freigabeentscheidungen als maschinenlesbare Datei gespeichert, ermöglicht eine automatisierte Audit-Trail-Führung.

Öffentliche Verwaltung

In Behörden ist das strukturierte Markdown-Format besonders relevant für die Erstellung von Berichten und Beschlussvorlagen, die einheitliche Struktur aufweisen müssen. Ein Prompt, der explizit die Gliederung einer Beschlussvorlage vorgibt (Sachverhalt | Begründung | Beschlussempfehlung | Rechtsgrundlage), erzeugt formatkonsistente Vorlagen über verschiedene Sachbearbeiter:innen hinweg. Für die digitale Aktenführung ist JSON-Export relevant: Extrahierte Kerndaten aus Antragsunterlagen (Name, Datum, Aktenzeichen, Entscheidungsempfehlung) als JSON-Datei ermöglichen die automatische Einpflege in das digitale Dokumentenmanagementsystem.

Branchen-Vignette — Finanzdienstleistung & Versicherung

Kontext: Eine mittelgroße Privatbank möchte die Protokollierung von Beratungsgesprächen automatisieren. Regulatorische Vorgaben (MiFID II) erfordern strukturierte Dokumentation jedes Kundengesprächs mit definierten Pflichtfeldern.

Ausgangssituation: Berater Jonas W. protokolliert Gespräche bisher als Fließtext — zeitaufwändig und fehleranfällig. Mit einem strukturierten Output-Prompt lässt er die KI ein Gesprächsprotokoll direkt als JSON-Struktur ausgeben: Pflichtfelder (Datum, Kundennummer, besprochene Produkte, empfohlene Maßnahmen, Risikoeinstufung, Hinweise auf Interessenkonflikte) plus ein Freitext-Feld für Besonderheiten. Die JSON-Ausgabe wird direkt in das CRM-System importiert.

Ergebnis: Dokumentationszeit pro Gespräch sinkt von durchschnittlich 22 auf 6 Minuten. Compliance-Prüferin Andrea S. stellt fest, dass die KI-strukturierten Protokolle vollständiger sind — kein Pflichtfeld fehlt mehr, was bei manuellen Protokollen in 18 % der Fälle vorkam.

Kritische Beobachtung: In drei Fällen hat die KI aus dem Gesprächsgedächtnis des Beraters Felder mit plausiblen, aber nicht tatsächlich besprochenen Inhalten gefüllt. Guardrail-Ergänzung: „Wenn ein Pflichtfeld nicht aus dem Gesprächsinhalt ableitbar ist, fülle es mit dem Wert null und füge ein Flag ‘manuelle Prüfung erforderlich’ hinzu.”

Übertragung: Welche Ihrer Dokumentationsaufgaben könnte durch strukturierte KI-Outputs — JSON, Tabelle oder Markdown — effizienter und vollständiger werden? Und welche Felder müssten immer menschlich verifiziert werden?

Vertiefung II — Strategische Ebene — Power-User-Techniken für strukturierte Outputs in der Praxis

Jenseits der Grundlagen strukturierter Outputs gibt es eine Reihe von Power-User-Techniken, die in professionellen Umgebungen erhebliche Effizienzgewinne erzeugen.

Conditional Formatting — Bedingte Strukturen im Output:

Nicht jeder Output hat dieselbe Struktur — manchmal hängt das Format vom Inhalt ab. Conditional Formatting ermöglicht, diese Abhängigkeiten im Prompt zu kodieren: „Wenn das Ergebnis der Analyse ‚kritisch’ ist (Score unter 3), füge einen rot markierten Warnhinweis an den Anfang. Wenn das Ergebnis ‚positiv’ ist (Score über 7), beginne mit einer grünen Zusammenfassung. In allen anderen Fällen: neutrales Format ohne Farb-Markierung.” Das Ergebnis: Outputs, die inhaltssensitiv formatiert sind und die wichtigsten Informationen sofort visuell signalisieren.

Verschachtelte JSON-Strukturen für komplexe Daten:

Flache JSON-Strukturen (eine Ebene mit Schlüssel-Wert-Paaren) sind der Standard — aber viele Unternehmens-Anwendungen benötigen verschachtelte Strukturen. Prompt-Formulierung: „Erstelle ein verschachteltes JSON-Objekt mit folgender Struktur: Auf der obersten Ebene: ‚projekt’ mit den Feldern id, name, status. Unter ‚team’: ein Array von Objekten mit den Feldern mitarbeiter_id, rolle, stundenplan (seinerseits ein Objekt mit montag, dienstag, mittwoch, donnerstag, freitag als Keys und Stundenzahlen als Values).” Je detaillierter die Struktur-Beschreibung, desto zuverlässiger der Output.

Streaming-freundliche Outputs:

In Anwendungen, die KI-Outputs live streamen (d. h. Wort für Wort anzeigen), sind bestimmte Formate effizienter als andere. Strukturen, die erst am Ende des Outputs vollständig werden (z. B. umschließendes JSON-Objekt), sind für Streaming-Anwendungen problematisch. Für diese Szenarien empfiehlt sich ein Zeilenbasiertes Format (JSONL — JSON Lines): Jede Zeile ist ein gültiges JSON-Objekt. Das erlaubt die Verarbeitung jeder Zeile, sobald sie generiert wird, ohne auf den kompletten Output warten zu müssen.

Output-Komprimierung für Token-effiziente Antworten:

In kostensensitiven Anwendungen (z. B. bei hohem API-Volumen) ist die Minimierung der Output-Token relevant. Techniken:

Abkürzungsstandards definieren: „Verwende folgende Abkürzungen: Q1/Q2/Q3/Q4 für Quartale, d für Tag, w für Woche, m für Monat. Definiere jede Abkürzung einmalig am Anfang des Outputs.”

Bulletpoint-First-Format: Ergebnisse zunächst als kompakte Bullet-Liste, dann nur auf explizite Nachfrage mit Fließtext erläutern.

Null-Elemente weglassen: „Wenn ein Feld keinen Wert hat, lasse den Schlüssel komplett weg — setze nicht ‚null’ oder ‚leer’.”

Multimodale Outputs — Zukunftsausblick:

Aktuelle große Sprachmodelle erzeugen primär Text. Die nächste Generation (GPT-4o, Claude 3.5, Gemini 1.5 Pro) kann zunehmend auch Bilder, Audio und strukturierten Code als Output produzieren. Für den Unternehmenseinsatz bedeutet das mittelfristig: Dieselben Prinzipien strukturierter Outputs gelten auch für diese neuen Modalitäten — präzise Formatspezifikation wird noch wichtiger werden, wenn Outputs nicht mehr nur Text, sondern komplexe multimodale Deliverables sind.

Merksatz

Power-User-Techniken für strukturierte Outputs — Conditional Formatting, verschachtelte JSON, JSONL-Streaming, Output-Komprimierung — machen den Unterschied zwischen einem guten und einem professionellen Automatisierungs-Workflow. Sie erfordern etwas mehr Formulierungsaufwand im Prompt, liefern aber erheblich robustere und direkter weiterverarbeitbare Outputs.

Übung 1 — Projektstatusbericht in Markdown

Übung 1 — Projektstatusbericht in definierter Markdown-Struktur

Aufgabe: Generieren Sie einen vollständigen Projektstatusbericht für ein fiktives Projekt in exakt vorgegebener Markdown-Struktur.

Material: Laptop mit ChatGPT Team oder Microsoft 365 Copilot.

Projektdaten: > Projekt: Azure-Cloud-Migration für Logistik-Kunde MeierTransport GmbH. Woche 5 von 12. Status: drei von fünf Workstreams im Plan, ein Workstream mit einer Woche Verzug (Datenmigrations-Tests), ein Workstream noch nicht gestartet (User-Training-Vorbereitung). Nächste Schritte: Kickoff User-Training planen, Datenmigrations-Tests bis Freitag abschließen. Risiken: Abhängigkeit zu SAP-Schnittstelle unklar.

Schritt-für-Schritt: 1. Formulieren Sie den Prompt mit exakter Markdown-Strukturvorgabe (wie in Musterlösung). 2. Führen Sie den Prompt aus. 3. Kopieren Sie den Markdown-Output in ein Word-Dokument. Wie viel manuelle Formatierungsarbeit bleibt übrig? 4. Vergleichen Sie mit einem Output ohne Formatvorgabe: Zeitersparnis schätzen. 5. Testen Sie: Was passiert, wenn Sie einen Bestandteil der Formatvorgabe weglassen?

Erwartetes Ergebnis: Ein vollständiger, sofort in Confluence oder Word verwendbarer Projektstatusbericht.

Musterlösung:

Prompt: > „Erstelle einen Projektstatusbericht in Markdown mit exakt dieser Struktur: > 1. Abschnitt ## Zusammenfassung — drei Sätze, Überblick über Gesamtstatus > 2. Abschnitt ## Status nach Workstream — Markdown-Tabelle mit Spalten: Workstream | Status (Grün/Gelb/Rot) | Kommentar (max. 1 Satz) > 3. Abschnitt ## Nächste Schritte — nummerierte Liste, maximal fünf Punkte > 4. Abschnitt ## Risiken — zwei Bullet Points > > Verwende diese Projektdaten: [Projektdaten einfügen] > Gesamtlänge: maximal 300 Wörter. Kein Text außerhalb dieser vier Abschnitte.”

Übung 2 — Meeting-Ergebnisse als JSON-Struktur

Übung 2 — Meeting-Protokoll in JSON für CRM-Import

Aufgabe: Extrahieren Sie aus einem fiktiven Meeting-Protokoll alle relevanten Strukturdaten in ein JSON-Objekt, das direkt in ein CRM-System importiert werden könnte.

Meeting-Protokoll (fiktiv): > „Meeting 12.09.2025, Teilnehmende: Sarah (Projektleiterin), Thomas (Kunde, IT-Leiter). Thema: Projektstand Woche 5. Entscheidung: User-Training startet am 01.10. Verantwortlich: Sarah. Action Items: (1) Thomas schickt Liste der 30 Key User bis 15.09. (2) Sarah bucht Schulungsräume bis 20.09. (3) Gemeinsamer Review der SAP-Schnittstelle am 19.09. Nächstes Meeting: 26.09., 10:00 Uhr.”

Erwartetes JSON-Format:

{

"meeting_datum": "2025-09-12",

"teilnehmende": [...],

"entscheidungen": [...],

"action_items": [

{"aufgabe": "...", "verantwortlich": "...", "deadline": "..."}

],

"naechstes_meeting": "..."

}

Musterlösung (Prompt): > „Extrahiere alle strukturierten Informationen aus diesem Meeting-Protokoll und gib sie ausschließlich als JSON aus. Kein erklärender Text außerhalb des JSON-Blocks. Verwende exakt diese Felder: meeting_datum (YYYY-MM-DD), teilnehmende (Array von Strings), entscheidungen (Array von Strings), action_items (Array von Objekten mit den Feldern aufgabe, verantwortlich, deadline), naechstes_meeting (Datum und Uhrzeit als String). [Protokolltext einfügen]”

Promptbaustein — Direktverwendbarer Statusbericht-Prompt

Rolle: Du bist Senior-Projektleiter:in in einem IT-Dienstleistungsunternehmen.

Aufgabe: Erstelle einen Projektstatusbericht in Markdown.

Ziel: Dem Kunden klaren Überblick geben, Entscheidungsbedarf transparent machen.

Kontext: Projekt: [PROJEKTNAME], Kunde: [BRANCHE/GROESSE], Phase: [PHASE] Woche [N]/[GESAMT], Highlights: [STICHPUNKTE], Status Arbeitspakete: [BESCHREIBUNG], Risiken: [LISTE], Nächste Schritte: [LISTE MIT TERMINEN].

Output: Markdown mit (1) Executive Summary 3 Sätze, (2) Statusübersicht Tabelle Workstream|Status Grün-Gelb-Rot|Kommentar, (3) Nächste Schritte nummeriert max. 5, (4) Risiken max. 3 Bullets. Max. eine A4-Seite. Kein Werbejargon.

Beispiele: Keine Phrasen wie „Das Projekt läuft hervorragend.” Direkte, konkrete Aussagen mit Zahlen und Terminen.

Übung 3 — Strukturierten Output in ein reales Format übersetzen

Übung 3 — Von der KI-Ausgabe zum verwendbaren Dokument

Aufgabe: Sie entwickeln einen Prompt, der strukturierte Daten in einem für Ihre Arbeitssituation geeigneten Format ausgibt, und überprüfen, ob dieser Output direkt in ein Werkzeug (Excel, ein CRM, einen Bericht) importiert oder übernommen werden könnte.

Material: Laptop mit Zugang zu ChatGPT Team oder Microsoft 365 Copilot; optional Excel oder ein Texteditor.

Schritt-für-Schritt: 1. Wählen Sie eine Aufgabe, bei der Sie regelmäßig Daten sammeln und strukturieren (z.B. Projektfortschritt, Besprechungsergebnisse, Kundenanforderungen). 2. Entscheiden Sie, welches Format für den Output am sinnvollsten ist: JSON (für Systemintegration), Markdown-Tabelle (für Berichte und Dokumentation), CSV (für Excel-Import) oder strukturierter Fließtext mit definierten Abschnitten. 3. Formulieren Sie einen Prompt, der: (a) die Aufgabe und den Kontext klar definiert, (b) das Ausgabeformat exakt vorschreibt (Felder, Reihenfolge, Trennzeichen), (c) einen Beispiel-Datensatz als Referenz enthält. 4. Führen Sie den Prompt mit einem konkreten Szenario aus. 5. Prüfen Sie: Könnte dieser Output ohne manuelle Nachbearbeitung übernommen werden? Wenn nicht — was muss am Prompt angepasst werden? 6. Ergänzen Sie den Prompt um eine Validierungsregel: „Prüfe vor der Ausgabe, ob alle Pflichtfelder ausgefüllt sind. Fehlende Werte mit ‘FEHLT’ kennzeichnen.”

Erwartetes Ergebnis: Ein getesteter Prompt, der valide, direkt verwendbare strukturierte Daten liefert — mit bewusstem Umgang mit Fehlern und Lücken im Output.

Transferfrage: Welche manuellen Datenstrukturierungsaufgaben in Ihrem Team könnten durch einen standardisierten Output-Prompt effizienter werden — und was würde für die Einführung sprechen bzw. dagegen?

Cheatsheet — Die wichtigsten Punkte

Cheatsheet — Die wichtigsten Punkte

• Markdown-Standard: Für alle Texte, die in Confluence, Notion, Teams, Word landen → immer Markdown anfordern
• Tabelle: Bei Vergleichen, Matrizen, Action Items → Spalten explizit benennen, max. Zeilenanzahl angeben
• JSON: Bei Weiterverarbeitung durch Systeme → „Nur JSON, kein Text außerhalb” immer explizit angeben
• Länge: Immer Wort- oder Zeichenobergrenze angeben — verhindert ausschweifende Outputs
• Vorlage: Eine leere Vorlage im Prompt mitsenden erzwingt formatkonsistente Outputs
• Kombinieren: Format-Elemente kombinieren: „Markdown, Tabelle mit 4 Spalten, max. 6 Zeilen, darunter 2-Satz-Zusammenfassung”
• Anti-Pattern: Kein Format angeben und dann manuell formatieren — das kostet mehr Zeit als es spart
• Nachbearbeitungs-Test: Öffnen Sie das Zieldokument und fügen Sie den Output direkt ein — was muss noch angepasst werden? Das zeigt Ihnen, was im nächsten Prompt-Format verbessert werden muss.

Praxis-Exkurs — Strukturierte Outputs in der Automatisierungspraxis

Vollständiger Workflow-Beispiel — Bewerbungs-Screening:

Ein HR-Team erhält 50 Bewerbungen für eine Stelle. Manuelles Screening dauert ca. 5 Minuten pro Bewerbung — 250 Minuten gesamt. Mit strukturierten Outputs: 10 Minuten Gesamtaufwand.

Prompt: „Du bist eine erfahrene HR-Fachkraft, spezialisiert auf die schnelle Vorauswahl von Bewerbungen.

Aufgabe: Analysiere folgende Bewerbung und erstelle eine strukturierte Beurteilung.

Ziel: Eindeutig entscheiden, ob die Bewerbung für ein weiteres Gespräch qualifiziert (JA/NEIN/VIELLEICHT), damit das HR-Team effizient priorisieren kann.

Kontext: Stelle ist Projektmanager im IT-Bereich, Anforderungen: min. 3 Jahre PM-Erfahrung, PMP/PRINCE2 von Vorteil, Erfahrung mit agilen Methoden, fließend Deutsch und Englisch.

Bewerbungstext: [BEWERBUNGSTEXT EINFÜGEN]

Output: Ausschließlich folgendes JSON-Objekt — kein Text außerhalb: { ‚empfehlung’: ‚JA | NEIN | VIELLEICHT’, ‚begruendung’: ‚Max. 40 Wörter’, ‚pflicht_kriterien’: { ‚pm_erfahrung_jahre’: Zahl oder null, ‚zertifizierung’: ‚PMP | PRINCE2 | keine | unklar’, ‚agile_erfahrung’: true/false/null, ‚sprachkenntnisse’: ‚beide | nur_deutsch | nur_englisch | unklar’ }, ‚staerken’: [‚max. 3 Strings’], ‚bedenken’: [‚max. 2 Strings oder leer’] }”

Dieser Prompt erzeugt für jede Bewerbung ein maschinenlesbares JSON-Objekt, das direkt in eine Spreadsheet-Tabelle importiert werden kann. HR kann alle 50 Bewerbungen in einem Dashboard vergleichen — sortiert nach Empfehlung und Pflichtkriterien.

Power-Tabellen-Prompt — Lieferantenvergleich:

Ein Einkäufer im Fertigungsunternehmen vergleicht fünf Lieferanten für eine neue Komponente:

„Erstelle eine Vergleichstabelle für folgende fünf Lieferanten-Angebote: [ANGEBOTS-DETAILS EINFÜGEN].

Format: Markdown-Tabelle mit folgenden Spalten: | Lieferant | Preis/Einheit (€) | Lieferzeit (Wochen) | Mindestmenge (Stk) | Zahlungsziel (Tage) | Qualitätszertifizierungen | Risiko-Score (1-5) |

Nach der Tabelle: Empfehlung für Hauptlieferanten und Risikolieferanten (je 3 Sätze, begründet durch die Tabellendaten). Keine Schlussfolgerungen, die nicht direkt aus den Angebotsdaten abgeleitet werden können.”

Reflexionsfragen

1. Welche Ihrer häufigen KI-Outputs erfordern aktuell am meisten manuelle Nachformatierung — und was würde ein präziser Formatprompt sparen?
2. Wo in Ihrem Arbeitsablauf könnten JSON-Outputs automatisch in bestehende Systeme (CRM, Projektmanagement) fließen?
3. Wie ändert sich die Qualitätsbewertung eines KI-Outputs, wenn man Inhalt und Format getrennt bewertet?
4. Warum kann ein formatbezogener Zusatz im Prompt manchmal wichtiger sein als eine inhaltliche Anweisung?
5. Welche Formatkonventionen in Ihrer Organisation (Berichte, Angebote, Protokolle) sollten als Standard-Formatprompt für das gesamte Team verfügbar sein?
6. Wenn ein KI-Output direkt in ein System (CRM, ERP, Datenbank) importiert wird, ohne menschliche Zwischenprüfung — welche Kontrollen müssen außerhalb des Prompts existieren, um Datenqualität zu sichern?
7. Strukturierte Outputs reduzieren Flexibilität. Wann ist ein weniger strikt strukturierter Output trotzdem der bessere Ansatz — und welche Aufgabentypen profitieren nicht von starrer Formatierung?

Praxis-Exkurs II — Erweiterte Automatisierungsszenarien mit strukturierten Outputs

Szenario: Automatisierte Berichts-Pipeline für Qualitätssicherung (Industrie):

Ein Qualitätsmanagement-Team in einem Fertigungsunternehmen verarbeitet täglich 15–20 Prüfprotokolle aus der Produktion. Jedes Protokoll soll automatisch analysiert, klassifiziert und in ein einheitliches Berichtsformat überführt werden. Mit KI und strukturierten Outputs wird aus einem manuellen 2-Stunden-Prozess ein 20-Minuten-Workflow.

Die Pipeline in drei Schritten: Schritt 1 — Extraktion (KI liest Prüfprotokoll und extrahiert Messwerte als JSON). Schritt 2 — Klassifikation (KI bewertet jede Messung gegen Toleranzgrenzen und klassifiziert als IO/NIO/Grenzwertig). Schritt 3 — Berichts-Generierung (KI aggregiert alle Einzelergebnisse zu einem Tages-Qualitätsbericht im Markdown-Format mit Tabellen, Fehlerrate und Eskalationsempfehlung).

Prompt für Schritt 3 (Aggregation): „Du bist Qualitätsmanager in einem Präzisionsfertigungsunternehmen. Erstelle aus folgenden JSON-Einzelprüfungen einen Tages-Qualitätsbericht. JSON-Daten: [JSON-ARRAY MIT ALLEN TAGESMESSUNGEN]. Output: (1) KPI-Tabelle: Bauteil | Gesamt geprüft | IO | NIO | Grenzwertig | Fehlerrate %. (2) Eskalationsliste: Alle NIO-Bauteile mit Bauteil-ID, Messwert, Abweichung von Toleranz. (3) Empfehlung: Welche Maschine oder welcher Prozessschritt benötigt sofortige Überprüfung? Max. 3 Empfehlungen, begründet durch die Daten.”

Szenario: KI-gestützte Rechnungsprüfung (Finanzdienstleistung):

Eine Buchhaltungsabteilung verarbeitet monatlich 300–500 Eingangsrechnungen. Grundprüfung (Vollständigkeit der Pflichtangaben nach § 14 UStG) wird KI-gestützt automatisiert: Pflichtangaben werden als JSON extrahiert, gegen Lieferantenstammdaten verglichen, und bei Abweichungen werden Ausnahme-Berichte generiert.

Kritischer Hinweis für den Unterricht: KI prüft Vorhandensein und Format der Pflichtangaben — nicht ihre steuerliche Korrektheit. Finale Prüfverantwortung liegt beim qualifizierten Buchhalter oder der qualifizierten Buchhalterin. Dieser Anwendungsfall zeigt exemplarisch, wo KI Routineaufgaben übernehmen kann und wo menschliche Fachkompetenz unverzichtbar bleibt.

Quellen & Weiterlesen

Trainer-Hinweise

Didaktische Vertiefung — Strukturierte Outputs als Brücke zur IT-Abteilung

UE 29 hat eine besondere Stellung in Modul 3: Sie ist die Einheit, die den KI-Einsatz von der individuellen Produktivitätssteigerung zur unternehmensweiten Integration führt. Strukturierte Outputs sind die Sprache, in der KI mit anderen Systemen kommuniziert.

IT-Business-Dialog fördern:

Laden Sie — wenn möglich — eine Person aus der IT-Abteilung als Gast in UE 29 ein. Die Frage: „Welche Schnittstellen in unseren Systemen könnten KI-generierte strukturierte Daten verarbeiten?” Dieser Dialog öffnet oft unerwartete Integrationsmöglichkeiten und macht die strategische Relevanz von UE 29 unmittelbar sichtbar.

Fehlertoleranz demonstrieren:

Demonstrieren Sie live, was passiert, wenn ein JSON-Output einen kleinen Syntaxfehler enthält: Das Parsing schlägt fehl, der gesamte Workflow bricht. Das zeigt plastisch, warum Validierungsanweisungen im Prompt kritisch sind. Dieser Moment des „echten Scheiterns” ist lehrreicher als jede abstrakte Erklärung.

Excel-Integration als sofortiger Praxis-Transfer:

Für Teilnehmende ohne Entwicklungshintergrund ist die Excel-CSV-Integration der direkteste Einstieg in strukturierte Outputs. Demonstrieren Sie live: Prompt mit CSV-Output-Anweisung → Ergebnis in eine .csv-Datei kopieren → in Excel öffnen → mit Power Query weiterverarbeiten. Diese fünfminütige Demo zeigt, dass strukturierte Outputs auch ohne IT-Kenntnisse sofort nutzbar sind.

Hinweise für AI Champions — So vermitteln Sie das Thema — UE 29

Timing (45 Min): 5 Min Einstieg (Statusbericht-Szenario), 10 Min Lerntext (Markdown, Tabelle, JSON), 15 Min Übung 1 (Statusbericht live), 10 Min Übung 2 (JSON-Extraktion), 5 Min Reflexion.

Methodische Empfehlung: Zeitvergleich live durchführen: Denselben Inhalt einmal ohne und einmal mit Formatprompt generieren, dann die Zeit schätzen, die manuelle Nachformatierung kosten würde. Dieser Zeitvergleich motiviert mehr als jede Erklärung.

Häufige Stolpersteine: (a) JSON erscheint zu technisch — betonen, dass JSON für die meisten Anwendungen nicht selbst programmiert werden muss; der Prompt generiert es, ein Automatisierungstool (Power Automate) nutzt es. (b) Zu langes Format-Briefing im Prompt — Vorlage-Technik (leere Struktur einfügen) als effizientere Alternative zeigen. (c) Überzeugung, dass Markdown nur für Entwickler ist — zeigen, wie direkt Markdown in Word und Teams übertragen werden kann.

Differenzierung: Power-User: Entwickeln Sie einen Automatisierungs-Workflow: JSON-Output aus Meeting-Protokoll → Power Automate → CRM-Eintrag. Einsteiger: Konzentrieren Sie sich auf Markdown und Tabellen für direkte Verwendung in Kundendokumenten.

Tipp zur Branchenauswahl: Für IT-Dienstleister ist das Statusbericht-Szenario sofort anwendbar. Für Industrie: Qualitätsprotokoll-Extraktion als JSON. Für Finanz: Tabellenvergleich von Produktoptionen. Für Verwaltung: Beschlussvorlagen-Struktur in Markdown.

Übergang zur nächsten UE: „Sie können jetzt das Format steuern. In UE 30 lernen Sie, wie Sie durch gezielte Nachbearbeitung in 3–5 Schritten aus einem guten ersten Output ein exzellentes Dokument machen.”

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