Iteratives Prompting & Refinement-Schleifen

Lernziele

• Sie beherrschen mindestens fünf gezielte Folgeprompts (Refinement-Prompts), um einen ersten KI-Output systematisch zu verbessern.
• Sie können die drei grundlegenden Prompting-Modi (Dialog, Briefing, Reasoning) voneinander abgrenzen und situativ einsetzen.
• Sie können Selbstkorrektur-Prompts als Qualitätssprung einsetzen.
• Sie kennen pragmatische Stoppregeln, um Perfektionismus-Iterationsschleifen zu vermeiden.

Auf einen Blick

Worum geht es? — Der didaktische Einstieg

Wenn ein erfahrener Redakteur ein Manuskript bekommt, gibt er es nicht mit einem einzelnen Kommentar zurück und erklärt es für fertig. Er redigiert mehrfach — erst die Struktur, dann den Argumentationsfluss, dann die Tonalität, dann die Formulierungen. Jede Iteration verbessert das Ergebnis in einer spezifischen Dimension.

Die häufigste Fehlerwartung in der KI-Nutzung ist die Erwartung, dass ein einzelner guter Prompt ein fertiges, direkt verwendbares Ergebnis liefert. In der professionellen Praxis ist das selten der Fall — und das ist keine Schwäche von KI, sondern ein Missverständnis der Nutzung. Exzellente KI-Arbeit ist ein iterativer Prozess: Der erste Output ist ein informierter Ausgangspunkt, den der Nutzer durch gezielte Folgeprompts schrittweise in Richtung seiner tatsächlichen Anforderungen führt.

Diese Haltungsänderung — weg vom „Einen perfekten Prompt finden” hin zum „Mit KI gemeinsam entwickeln” — ist eine der wichtigsten in Modul 3.

Lerntext — Theorie und Konzepte

Die drei Prompting-Modi im Vergleich

Dialog-Prompting (explorativ): Natürliches, chat-artiges Vorgehen. Grobe Anfrage → Antwort → konkretisierendes Feedback → Verbesserung → weitere Iteration. Ideal wenn: die Aufgabe noch unklar ist, kreative Exploration gewünscht ist oder das Thema neu ist. Stärke: Flexibilität. Schwäche: nicht reproduzierbar.

Briefing-Prompting (strukturiert): Vollständig ausgearbeiteter Einmal-Prompt nach der 6-teiligen Struktur. Ideal wenn: Aufgabe klar definiert ist, konsistente reproduzierbare Ergebnisse benötigt werden. Stärke: Konsistenz, Skalierbarkeit. Schwäche: upfront-Aufwand.

Reasoning-Prompting (analytisch): Explizite Aktivierung von CoT-Denkschritten (aus UE 27). Ideal für: komplexe Analysen, folgenreiche Entscheidungen. Stärke: Nachvollziehbarkeit, Korrigierbarkeit. Schwäche: mehr Zeit und Tokens.

Abb. 30.1 — Refinement-Schleife: Vom ersten Output zum einsatzbereiten Ergebnis in 3–5 Iterationen

Merksatz

Der erste KI-Output ist kein Versagen — er ist ein informierter Ausgangspunkt. Wer von Anfang an mit der Erwartung arbeitet, dass der erste Output ein Entwurf ist, erlebt KI-Nutzung grundlegend entspannter und produktiver.

Refinement-Schleifen: Eine Bibliothek wirksamer Folgeprompts

Präzision erhöhen: > „Mache das konkreter. Ersetze alle allgemeinen Aussagen durch spezifische Beispiele aus dem IT-Beratungsumfeld.”

Kürzen: > „Halbiere die Länge ohne Informationsverlust bei den drei Kernaussagen.”

Ton anpassen: > „Formuliere das so, dass ein Entscheider ohne technischen Background es in zwei Minuten verstehen kann.”

Perspektive wechseln: > „Schreibe dasselbe aus der Kundenperspektive — was interessiert den Kunden an diesem Punkt?”

Fehler finden: > „Was hast du in deiner Antwort möglicherweise übersehen oder falsch gewichtet? Sei selbstkritisch.”

Varianten: > „Erstelle drei alternative Versionen dieses Absatzes mit unterschiedlicher Argumentationslogik.”

Detailtiefe: > „Gehe bei Punkt 2 drei Ebenen tiefer. Erkläre, wie die konkrete Umsetzung aussehen würde.”

Analogie: > „Erkläre den Kern-Gedanken mit einer Analogie, die ein Nicht-IT-Experte sofort versteht.”

Selbstkorrektur als Qualitätssprung

Eine der wirksamsten Refinement-Techniken ist die direkte Selbstkorrektur-Aufforderung:

„Analysiere deine vorherige Antwort kritisch — welche Punkte könnten präziser, vollständiger oder faktisch stärker belegt sein?”

Diese einfache Folgefrage führt häufig zu substanziellen Verbesserungen, weil das Modell aus einer Meta-Perspektive auf seine eigene Antwort schaut und Lücken identifiziert.

Merksatz

3–5 gezielte Iterations-Schleifen liefern bei den meisten Berufsaufgaben ein qualitativ ausreichendes Ergebnis. Mehr Iterationen lohnen sich nur bei sehr hohen Qualitätsanforderungen. Die Fähigkeit, rechtzeitig zu stoppen, ist selbst eine Kompetenz.

Der vollständige Qualitätszyklus — fünf Iterations-Schleifen

Iteration 0 — Briefing: Vollständiger 6-teiliger Prompt. Qualitätsstufe: ca. 40–50 %.

Iteration 1 — Präzision: Allgemeine Aussagen durch spezifische Bezüge ersetzen. Qualitätsstufe: ca. 60–65 %.

Iteration 2 — Kürzung: Auf wesentliche Kernpunkte verdichten. Qualitätsstufe: ca. 70–75 %.

Iteration 3 — Ton: Für die Zielgruppe optimieren. Qualitätsstufe: ca. 80–85 %.

Iteration 4 — Selbstkorrektur: Lücken und Schwachstellen identifizieren. Qualitätsstufe: ca. 88–92 %.

Fortgeschrittene Refinement-Techniken

Rollen-Wechsel-Prompt: „Du bist jetzt ein kritischer Gutachter dieses Textes, nicht sein Autor. Identifiziere die drei schwächsten Stellen und formuliere konkrete Verbesserungen.”

Antithesen-Prompt: „Formuliere drei starke Gegenargumente zu dem, was dieser Text behauptet. Dann überarbeite den Text so, dass er diese Gegenargumente antizipiert und entkräftet.”

Zielgruppen-Check: „Lies diesen Text aus der Perspektive von [ZIELGRUPPE]. Was versteht diese Person nicht? Was irritiert sie?”

Systematik der Refinement-Schleifen — Wann was iterieren

Nicht jeder Output hat dieselben Schwachstellen — und nicht jede Schwachstelle wird durch dieselbe Refinement-Strategie behoben. Eine Systematik der Refinement-Typen hilft, Zeit zu sparen und gezielter zu verbessern.

Taxonomie der Refinement-Typen:

Typ 1 — Inhaltliches Refinement: Der Output ist strukturell korrekt, aber inhaltlich unvollständig oder ungenau. Beispiele: fehlende Argumente, oberflächliche Analyse, fehlende Zahlen. Refinement-Strategie: Spezifisch benennen, was fehlt — nicht allgemein „mehr Details” fordern.

Typ 2 — Stilistisches Refinement: Der Inhalt ist gut, aber Ton, Formulierungen oder Lesbarkeit stimmen nicht. Refinement-Strategie: Stilziel präzise beschreiben. Nicht „formeller machen”, sondern „Passivkonstruktionen durch aktive Sätze ersetzen” oder „Sätze unter 20 Wörter kürzen”.

Typ 3 — Strukturelles Refinement: Die Gliederung und der Aufbau sind suboptimal. Refinement-Strategie: Neue Strukturvorlage vorgeben — entweder textlich oder als Outline. Nicht bitten „besser strukturieren”, sondern „Strukturiere den Text in folgende Abschnitte: [Abschnitt 1], [Abschnitt 2], [Abschnitt 3].”

Typ 4 — Fokus-Refinement: Der Output ist zu breit und deckt zu viel ab. Refinement-Strategie: Fokus explizit einengen: „Reduziere den Output auf die drei wichtigsten Punkte für [spezifische Zielgruppe]. Alles andere weglassen.”

Typ 5 — Format-Refinement: Formatierung entspricht nicht den Anforderungen. Refinement-Strategie: Exaktes Zielformat beschreiben oder als Beispiel zeigen.

Kombinations-Refinement und seine Risiken:

Das gleichzeitige Anfordern mehrerer Refinement-Typen ist verlockend, aber riskant: Wenn inhaltliches, stilistisches und strukturelles Refinement gleichzeitig verlangt wird, versucht das Modell alle drei zu optimieren — und optimiert oft keins davon gut. Besser: Refinement-Typen priorisieren und nacheinander abarbeiten. Zuerst Struktur (am einflussreichsten), dann Inhalt, dann Stil.

Konvergenz testen — Ist der nächste Schritt noch sinnvoll?

Ein einfacher Test: Beschreiben Sie in einem Satz, was am aktuellen Output noch nicht stimmt. Wenn Sie keinen konkreten Satz formulieren können — wenn das Gefühl bleibt, „es ist irgendwie noch nicht perfekt”, aber Sie nicht benennen können was — ist das ein Zeichen dafür, dass der Output tatsächlich gut genug ist und das Streben nach Perfektion keine weiteren Iterationen rechtfertigt.

Refinement-Fatigue erkennen:

Nach vielen Iterationen verlieren Anwender den Maßstab: Jeder neue Output wird mit dem vorherigen verglichen, nicht mehr mit dem Zielzustand. Gegenmaßnahme: Den Zielzustand (definiert vor der ersten Iteration) alle drei Iterationen wieder lesen und als Referenz nutzen. Nicht den vorherigen Output als Maßstab nehmen, sondern den definierten Ziel-Zustand.

Automatisiertes Refinement — Von manuell zu systematisch:

Für Teams, die dieselben Dokument-Typen regelmäßig erstellen, lohnt es sich, häufig genutzten Refinement-Prompts zu systematisieren: Eine Refinement-Checkliste pro Dokumenttyp — Liste von Refinement-Anweisungen, die nacheinander auf jeden Output angewendet werden. Beispiel für Berichte: (1) Passive Formulierungen durch aktive ersetzen. (2) Abschnitte über 200 Wörter auf das Wesentliche kürzen. (3) Handlungsempfehlungen explizit als solche kennzeichnen. (4) Quellen für alle Zahlenangaben benennen. Diese Checkliste kann als Batch-Refinement-Prompt formuliert werden: alle vier Punkte in einem einzigen Prompt.

Merksatz

Die fünf Refinement-Typen — inhaltlich, stilistisch, strukturell, Fokus, Format — geben jedem Iterationsschritt eine klare Zielsetzung. Wer vor dem Refinement benennen kann, welchen Typ er anwendet, iteriert effizienter und erreicht schneller den Zielzustand.

Vertiefung — Die Psychologie des Refinements

Iteratives Prompting ist nicht nur eine technische Optimierungsstrategie — es verändert auch die kognitive Haltung gegenüber KI-Outputs. Wer von Anfang an mit der Erwartung in ein KI-Gespräch geht, dass der erste Output ein Entwurf ist, der gezielt weiterentwickelt wird, erlebt KI-Interaktion grundlegend anders als jemand, der bei jedem Ergebnis zwischen „gut genug” und „wertlos” unterscheidet.

Ein häufig unterschätzter Vorteil iterativen Promptings liegt in der kognitiven Entlastung: Der erste Iterations-Schritt erzeugt einen informierten Ausgangspunkt, der es dem menschlichen Bearbeiter ermöglicht, in den Überarbeitungsmodus zu wechseln statt im Erstellungsmodus zu beginnen. Überarbeiten ist kognitiv erheblich weniger anstrengend als Erstellen.

Vertiefung II — Automatisiertes Refinement und Prompt-Chaining

Iteratives Prompting wird in der manuellen Nutzung als sequenzieller Dialog durchgeführt — aber in professionellen Automatisierungsszenarien kann Refinement auch automatisiert ablaufen. Das Verständnis dieses Konzepts hilft, die Grenzen und Möglichkeiten von KI-Workflows zu verstehen.

Prompt-Chaining — Sequenzielle Verarbeitung als Pipeline:

Prompt-Chaining verbindet mehrere Prompts zu einer Pipeline: Der Output von Prompt 1 wird als Input von Prompt 2 verwendet, dessen Output wiederum an Prompt 3 übergeben wird. Jeder Prompt ist auf eine spezifische Aufgabe spezialisiert und liefert einen klar definierten Output.

Beispiel-Pipeline für Marktanalyse: 1. Prompt 1 (Extraktion): „Extrahiere aus folgendem Text alle Aussagen über Wettbewerber: [TEXT]. Output: JSON-Array mit Feldern ‚Wettbewerber’, ‚Aussage’, ‚Quelle’.” 2. Prompt 2 (Analyse): „Analysiere folgende Wettbewerber-Aussagen und kategorisiere sie nach Themen (Preis, Produkt, Service, Markt): [JSON aus Prompt 1].” 3. Prompt 3 (Synthese): „Schreibe basierend auf folgender kategorisierter Analyse eine Executive Summary für das Management (max. 200 Wörter): [Output aus Prompt 2].”

Diese Struktur hat mehrere Vorteile: Jeder Schritt ist separat testbar und optimierbar; Fehler können gezielt im fehlerhaften Schritt behoben werden; die Pipeline ist wiederverwendbar für verschiedene Input-Texte.

Selbst-kritisches Refinement — Das Modell bewertet seinen eigenen Output:

Eine leistungsfähige Refinement-Technik lässt das Modell seinen eigenen Output nach vorgegebenen Kriterien bewerten und dann verbessern. Zwei-Schritt-Prompt:

Schritt 1: „Erstelle [Aufgabe].” Schritt 2: „Bewerte den vorherigen Output nach folgenden Kriterien auf einer Skala 1–5: (a) Verständlichkeit für Laien, (b) Vollständigkeit, (c) Präzision, (d) Handlungsorientierung. Erstelle dann eine verbesserte Version, die in allen schwachen Kriterien besser abschneidet.”

Konditionales Branching — Wenn-Dann-Logik im Prompt:

Für Szenarien, in denen der nächste Schritt vom Output des vorherigen Schritts abhängt, kann konditionale Logik in Prompts integriert werden: „Wenn der analysierte Text ein Beschwerde-Dokument ist, erstelle eine Beschwerde-Antwort nach Template A. Wenn es eine allgemeine Anfrage ist, verwende Template B. Wenn der Typ unklar ist, liste die Merkmale, die Du geprüft hast, und gib die wahrscheinlichste Klassifikation mit Konfidenz-Prozentsatz an.”

Fehler im iterativen Prozess erkennen — Konvergenz vs. Divergenz:

In langen Refinement-Schleifen gibt es das Risiko der Divergenz: Das Modell optimiert in jeder Iteration auf einen anderen Aspekt und verliert dabei die ursprüngliche Zielrichtung. Symptom: Jede Version ist „anders”, aber nicht erkennbar „besser”. Ursache: Fehlende oder zu vage Qualitätskriterien. Lösung: Vor der ersten Iteration explizit definieren, was den Ziel-Zustand ausmacht — messbar, nicht subjektiv. Beispiel: „Das Ergebnis ist optimal, wenn es (a) unter 200 Wörter, (b) mindestens drei konkrete Handlungsempfehlungen, und (c) eine Tabelle mit Prioritäten enthält.”

Anti-Pattern: Das Refinement-Karussell:

Wenn jede Refinement-Runde in dieselbe Richtung verbessert, aber nie wirklich fertig wird, liegt ein Refinement-Karussell vor. Diagnose: Zählen Sie Iterationen. Wenn nach fünf Iterationen noch kein direktverwendbarer Output vorliegt, stimmt das Grunddesign des Prompts nicht — ein fundamentaler Umbau des Prompts ist effizienter als weitere Refinement-Schleifen. Zurück zur Prompt-Anatomie (UE 25) und das Fundament neu bauen.

Merksatz

Prompt-Chaining automatisiert das iterative Prompting zur Pipeline: Jeder Prompt übernimmt eine klar definierte Aufgabe und gibt seinen Output an den nächsten weiter. Das macht komplexe Workflows wiederverwendbar, testbar und schrittweise optimierbar — und ist die konzeptuelle Grundlage für KI-Agenten-Systeme.

Branchen-Anwendungen

IT-Dienstleistung & Beratung

Ein Beratungsangebot, das innerhalb eines Tages fertig sein muss, entsteht realistischerweise in drei bis fünf Iterationen: Briefing-Prompt für den ersten Strukturentwurf, Refinement für Tonalität und Länge, Selbstkorrektur-Prompt für Vollständigkeit, abschließend ein Perspektivwechsel-Prompt aus Kundensicht. Diese fünf Schritte dauern zusammen weniger als 15 Minuten und liefern einen wesentlich besseren Entwurf als eine einmalige Anfrage. Ein Beratungsangebot, das manuell in zwei bis drei Stunden entsteht, kann mit dem Fünf-Iterationen-Modell in 15–20 Minuten auf vergleichbare Qualität gebracht werden.

Industrie & Fertigung

In der technischen Dokumentation ist iteratives Prompting besonders wertvoll für die Anpassung von Komplexitätsniveau und Zielgruppe. Eine Bedienungsanleitung, die für einen technisch versierten Instandhalter geschrieben wurde, muss oft für Endanwender vereinfacht werden — oder umgekehrt. Statt zwei separate Dokumente zu erstellen, wird der Erst-Output für die erste Zielgruppe durch gezielte Refinement-Prompts für die zweite Zielgruppe angepasst: „Schreibe denselben Abschnitt so um, dass ein Anwender ohne technische Ausbildung ihn sicher ausführen kann. Ergänze explizite Sicherheitshinweise.”

Finanzdienstleistung & Versicherung

Bei der Erstellung von Kundenberichten im Finanzbereich ist der Ton-Refinement-Schritt besonders wichtig: Ein erster Entwurf eines Marktberichte-Abschnitts enthält häufig zu viel Fachjargon für Privatkunden oder zu wenig Tiefe für institutionelle Investoren. Der Refinement-Prompt „Formuliere denselben Abschnitt für einen Privatkunden mit grundlegendem Finanzwissen um — keine Fachabkürzungen, alle Kennzahlen erklärt” ist ein direkter Qualitätshebel, der in der manuellen Erstellung erheblich mehr Zeit kosten würde.

Öffentliche Verwaltung

In Behörden ist der Verständlichkeits-Refinement-Schritt besonders relevant. Erste Entwürfe von Bescheiden enthalten oft verwaltungsrechtliche Terminologie, die für Bürgerinnen und Bürger schwer verständlich ist. Ein gezielter Refinement-Prompt: „Überarbeite den Abschnitt ‚Begründung’ so, dass er ohne Rechtskenntnisse verständlich ist. Erkläre, warum der Antrag abgelehnt wurde, in alltagssprachlichen Formulierungen. Belasse die rechtliche Korrektheit.” reduziert Rückfragen und Widersprüche erheblich.

Branchen-Vignette — Industrie & Fertigung

Kontext: Ein Zulieferbetrieb für die Automobilindustrie muss regelmäßig technische Spezifikationsblätter für Neuentwicklungen erstellen. Diese Dokumente müssen präzise, normgerecht (DIN/ISO) und für verschiedene Zielgruppen (Einkauf, Entwicklung, Qualitätssicherung) aufbereitet sein.

Ausgangssituation: Entwicklungsingenieurin Kerstin B. nutzt iteratives Prompting für den Entwurf neuer Spezifikationsblätter. Im ersten Schritt lässt sie die KI aus einer Stichpunktliste eine Rohversion erstellen. Im zweiten Schritt bittet sie die KI explizit: „Überprüfe den Text auf technische Präzision. Welche Aussagen sind zu vage für ein normgerechtes Spezifikationsblatt — und wie sollten sie formuliert werden?“ Im dritten Schritt lässt sie die KI das Dokument für die jeweilige Zielgruppe adaptieren.

Ergebnis: Drei Iterations-Schleifen ersetzen zwei bis drei Überarbeitungsrunden mit Kolleginnen und Kollegen. Die Rohversion, die Kerstin in die erste Runde mit dem Fachteam mitbringt, ist bereits auf einem deutlich höheren Ausgangsniveau — was die Besprechungszeit um durchschnittlich 35 % reduziert.

Kritische Beobachtung: Kerstin dokumentiert jeden Refinement-Schritt: Ausgangs-Prompt, Iteration 1 mit Feedback, Iteration 2 mit Feedback, Endergebnis. Drei Monate später nutzt sie diese Dokumentation als Trainingsbasis für einen neuen Kollegen — und als Grundlage für eine Team-Vorlage.

Übertragung: Welche Ihrer Dokumente entstehen in mehreren Überarbeitungsrunden mit Kolleginnen, Vorgesetzten oder Kunden? Könnten KI-basierte Refinement-Schleifen diese Runden vorbereiten oder teilweise ersetzen?

Vertiefung II — Strategische Ebene — Qualitätssicherung in iterativen Prompt-Workflows

Iteratives Prompting ohne klare Qualitätskriterien führt zu endlosen, ziellosen Schleifen. Professionelles Iteratives Prompting basiert auf einem expliziten Qualitäts-Framework, das vor der ersten Iteration definiert wird.

Das CRAFT-Qualitätsrahmen für iterative Workflows:

CRAFT steht für: Completeness (Vollständigkeit), Relevance (Relevanz), Accuracy (Richtigkeit), Format (Formatkonformität), Tone (Tonalität). Diese fünf Dimensionen bilden das Bewertungsraster für jeden Output im iterativen Prozess:

Vollständigkeit: Enthält der Output alle geforderten Inhalte? Fehlt eine Sektion, ein Argument, ein Datenpunkt? Relevanz: Ist der gesamte Output relevant für das definierte Ziel? Gibt es Passagen, die nichts zum Ziel beitragen? Richtigkeit: Sind alle faktischen Angaben korrekt? Gibt es verdächtige Behauptungen, die verifiziert werden müssen? Formatkonformität: Entspricht das Format den Spezifikationen im Prompt? Sind Überschriften, Listen, Tabellen korrekt? Tonalität: Ist der Ton für die Zielgruppe angemessen? Zu formell, zu informell, zu technisch?

Dimensionsspezifische Refinement-Prompts:

Für jede CRAFT-Dimension gibt es einen Refinement-Prompt-Typ:

Vollständigkeit verbessern: „Der Output fehlt in folgenden Punkten: [Liste]. Ergänze diese Punkte, ohne den bestehenden Text zu verändern.”

Relevanz erhöhen: „Folgende Passagen tragen nicht zum Ziel [ZIEL] bei: [Zitate]. Ersetze sie durch relevantere Inhalte oder kürze sie auf das Wesentliche.”

Tonalität anpassen: „Der aktuelle Ton ist [Beschreibung]. Die Zielgruppe erwartet [erwarteter Ton]. Passe die Formulierungen entsprechend an — ohne inhaltliche Änderungen.”

Parallelitäts-Strategie für komplexe Dokumente:

Für lange, komplexe Dokumente (z. B. Berichte über zehn Seiten) ist sequenzielles iteratives Prompting oft ineffizient. Effektiver: Parallel-Iteration. Das Dokument wird in Abschnitte aufgeteilt, jeder Abschnitt wird separat iterativ optimiert, und am Ende werden die optimierten Abschnitte zusammengeführt. Vorteil: Jeder Abschnitt kann auf seine spezifischen Qualitätsziele hin optimiert werden, ohne durch die Anforderungen anderer Abschnitte kompromittiert zu werden. Nachteil: Ein abschließender Kohärenz-Check ist notwendig, um sicherzustellen, dass die separat optimierten Abschnitte zusammen ein kohärentes Ganzes bilden.

Dokumentation des Refinement-Prozesses:

Für Qualitätssicherungszwecke empfiehlt sich die Dokumentation des Refinement-Prozesses: Jede Iteration wird mit einer kurzen Beschreibung der vorgenommenen Änderung und dem Ergebnis dokumentiert. Das ermöglicht: Nachvollziehbarkeit (warum sieht die finale Version so aus?), Lernen (welche Änderungen haben die größte Qualitätsverbesserung gebracht?), und Wiederverwendbarkeit (wenn eine ähnliche Aufgabe kommt, welche Iterations-Strategie war am effektivsten?).

Stopping Rules — Wann ist ein Prompt „gut genug”?

Eine klare Stopping Rule für iteratives Prompting verhindert Perfektionismus-Fallen:

Stopping Rule für Routine-Aufgaben: Wenn der Output in CRAFT-Bewertung in allen fünf Dimensionen mindestens 4/5 erhält, ist er „gut genug” für direkte Verwendung.

Stopping Rule für High-Stakes-Aufgaben: Wenn zwei unabhängige Personen den Output als direkt verwendbar bewerten, ist er fertig — unabhängig von der Anzahl der Iterationen.

Absolute Stopping Rule: Maximal fünf Iterationen. Wenn nach fünf Iterationen kein direktverwendbarer Output vorliegt, ist der Grundprompt zu überarbeiten.

Merksatz

Das CRAFT-Qualitätsrahmen macht iteratives Prompting messbar: Statt „noch besser machen” gibt es präzise Kriterien für Vollständigkeit, Relevanz, Richtigkeit, Format und Tonalität. Refinement-Schleifen enden nicht bei subjektivem Wohlgefallen, sondern wenn objektive Qualitätskriterien erfüllt sind.

Übung 1 — Drei Iterations-Schleifen am eigenen Prompt

Übung 1 — Drei gezielte Refinement-Schleifen

Aufgabe: Nehmen Sie einen Prompt aus UE 25 und verbessern Sie den Output durch genau drei gezielte Refinement-Prompts. Dokumentieren Sie nach jeder Iteration die wesentlichen Qualitätsunterschiede.

Material: Laptop; Ihr Prompt aus UE 25 (oder ein neuer Prompt für eine ähnliche Aufgabe).

Schritt-für-Schritt: 1. Führen Sie Ihren Ausgangs-Prompt aus. Kopieren Sie den Output. 2. Analysieren Sie: Was ist gut? Was fehlt? Was ist zu lang, zu unspezifisch, im falschen Ton? 3. Formulieren Sie Refinement 1 (fokussiert auf ein spezifisches Problem: z. B. Konkretheit). 4. Führen Sie Refinement 1 aus. Kopieren Sie den Output. 5. Formulieren Sie Refinement 2 (fokussiert auf ein anderes Problem: z. B. Tonalität oder Länge). 6. Führen Sie Refinement 2 aus. Kopieren Sie den Output. 7. Wenden Sie den Selbstkorrektur-Prompt an: „Analysiere deinen Output kritisch — was fehlt, was ist unklar?” 8. Führen Sie die korrigierte Version aus. Kopieren Sie den finalen Output. 9. Vergleichen Sie Ausgangs-Output und finaler Output nebeneinander.

Erwartetes Ergebnis: Ein messbar verbesserter Output nach drei gezielten Refinements.

Musterlösung:

Ausgangs-Output: Generischer Projektstatusbericht-Entwurf ohne spezifische Bezüge.

Refinement 1: „Ersetze alle generischen Aussagen durch spezifische Referenzen zu den im Kontext genannten Workstreams.”

Refinement 2: „Kürze auf maximal 150 Wörter. Behalte nur die drei wichtigsten Informationen für den Kunden.”

Selbstkorrektur: „Analysiere diese Version — fehlt ein konkreter nächster Schritt oder eine klare Handlungsaufforderung?”

Finaler Output: Kompakt, spezifisch, mit konkretem Next Step — direkt verwendbar ohne weitere manuelle Bearbeitung.

Übung 2 — Iteratives Prompting für ein vollständiges Dokument

Übung 2 — Vollständiges Dokument in vier Iterationen

Aufgabe: Erstellen Sie ein vollständiges, einsatzreifes Dokument durch einen strukturierten iterativen Prozess mit mindestens vier Iterationen.

Dokumenttypen zur Auswahl: - Einführungsabschnitt eines Kundenangebots für eine IT-Migration (3 Seiten) - Modulüberblick für eine interne Schulungsunterlage - Stakeholder-Kommunikation über ein neues KI-Projekt in Ihrer Organisation

Schritt-für-Schritt: 1. Formulieren Sie den Briefing-Prompt (vollständig, 6-teilig) — Iteration 1. 2. Wählen Sie für jede der folgenden Iterationen einen spezifischen Refinement-Fokus: Struktur, Tonalität, Konkretheit, Kürzen. 3. Dokumentieren Sie nach jeder Iteration: Was hat sich verändert? Was wurde besser? 4. Führen Sie nach Iteration 4 den Selbstkorrektur-Prompt aus. 5. Bewerten Sie das finale Dokument: Ist es direkt verwendbar? Wenn nicht, welcher eine Schritt fehlt noch?

Erwartetes Ergebnis: Ein einsatzreifes Dokument nach vier Iterationen, das ohne weitere manuelle Bearbeitung verwendet werden kann.

Promptbaustein — Selbstkorrektur und Qualitätsprüfung

Rolle: Du bist jetzt ein kritischer Gutachter des gerade erstellten Textes — nicht sein Autor.

Aufgabe: Analysiere den vorstehenden Text kritisch.

Ziel: Die drei wichtigsten Verbesserungspotenziale identifizieren.

Schritt 1: Welche Informationen fehlen, die ein kritischer Leser vermissen würde? Schritt 2: Welche Aussagen sind zu allgemein und benötigen konkretere Belege? Schritt 3: Welche Formulierungen wirken schwach oder nicht überzeugend?

Output: Drei konkrete Verbesserungsvorschläge, jeweils mit: Problem (1 Satz) + Verbesserungsvorschlag (1–2 Sätze). Dann: Verbesserte Gesamtversion des Textes.

Übung 3 — Refinement-Dokumentation als Lernwerkzeug

Übung 3 — Den Refinement-Prozess systematisch dokumentieren

Aufgabe: Wählen Sie eine kurze Schreibaufgabe (max. eine halbe A4-Seite) und durchlaufen Sie bewusst drei Iterations-Schleifen. Dokumentieren Sie nach jeder Schleife, welchen Feedback-Typ Sie gegeben haben und was sich dadurch verändert hat.

Material: Laptop mit Zugang zu ChatGPT Team oder Microsoft 365 Copilot; ein einfaches Textdokument zur Dokumentation.

Schritt-für-Schritt: 1. Wählen Sie eine Aufgabe: z.B. einen Abschnitt für eine interne Präsentation, ein Anschreiben oder eine Produktbeschreibung. 2. Iteration 1 — Rohversion: Geben Sie einen strukturierten Basis-Prompt und erhalten Sie den ersten Output. 3. Dokumentation Iteration 1: Notieren Sie — Was ist gut? Was fehlt? Was ist zu vage, zu lang, falsch getont? 4. Iteration 2 — Inhaltliches Feedback: Geben Sie gezieltes inhaltliches Feedback: „[Spezifischer Aspekt X] ist zu allgemein — mach es konkreter mit [Hinweis].” Notieren Sie nach Erhalt des neuen Outputs, was sich verändert hat. 5. Iteration 3 — Format/Stil-Feedback: Justieren Sie jetzt nur noch Format und Stil, ohne den Inhalt zu verändern. 6. Vergleichen Sie Rohversion und Endversion. Erstellen Sie eine kurze Tabelle: Schleife | Feedback-Typ | Verbesserung. 7. Überlegen Sie: Hätte eine vierte Schleife noch substanziell etwas verbessert — oder wäre es Perfektionismus?

Erwartetes Ergebnis: Ein dokumentierter Refinement-Prozess, der zeigt, welche Feedback-Typen welche Art von Verbesserungen erzeugen — als persönliche Referenz für zukünftige Iterations-Schleifen.

Transferfrage: Wann ist iteratives Prompting effizienter als ein aufwändig formulierter Erst-Prompt — und wann ist es sinnvoller, mehr Zeit in die Anfangsformulierung zu investieren?

Cheatsheet — Die wichtigsten Punkte

Cheatsheet — Die wichtigsten Punkte

• Faustformel: 3–5 Iterationen sind für die meisten Berufsdokumente ausreichend.
• Konversationskontext: Nutzen Sie die Konversationshistorie — beim Refinement müssen Sie nicht den gesamten Ausgangsprompt wiederholen.
• Stoppkriterium: „Ist der Output jetzt direkt verwendbar?” — Ja → stoppen.
• Anti-Pattern: Wiederholung desselben Refinements ohne spezifische Richtungsänderung liefert dieselben Ergebnisse.

Praxis-Exkurs — Iteratives Prompting: Fünf vollständige Refinement-Verläufe

Refinement-Verlauf A — Executive Summary für Management (3 Iterationen):

Iteration 1 — Initial Prompt: „Schreibe eine Executive Summary für unser Q1-Ergebnis.” Output: Allgemeine 300-Wort-Zusammenfassung ohne Fokus.

Refinement 1: „Die Summary ist zu lang und zu allgemein. Kürze auf max. 150 Wörter. Priorisiere: (1) Umsatz vs. Plan, (2) EBIT-Entwicklung, (3) den einen wichtigsten Risikofaktor.” Output: 150 Wörter, strukturiert, aber ohne Handlungsempfehlung.

Refinement 2: „Gut. Füge am Ende einen einzigen Satz ‚Empfohlene nächste Schritte’ hinzu — konkret, nicht allgemein.” Output: Direktverwendbar für Führungskräfte-Kommunikation.

Refinement-Verlauf B — Technische Dokumentation (4 Iterationen):

Iteration 1: Output zu technisch für Zielgruppe. Refinement 1: Sprache vereinfachen. Iteration 2: Sprache besser, aber Struktur unübersichtlich. Refinement 2: Nummerierte Schritte statt Fließtext. Iteration 3: Struktur gut, aber fehlende Warnsymbole für kritische Schritte. Refinement 3: „Füge vor jedem kritischen Schritt (ein Fehler kann Schäden verursachen) einen ⚠ Hinweis ein.” Iteration 4: Direktverwendbar.

Analyse: Vier Iterationen für komplexe technische Dokumentation sind normal — aber jede Iteration hatte ein klar benanntes Ziel (nicht „besser machen”). Der Schlüssel: Nie zwei Aspekte gleichzeitig verbessern.

Refinement-Verlauf C — Kundenpräsentation (2 Iterationen, schneller Erfolg):

Ausgangsprompt war bereits gut strukturiert (Rolle, Aufgabe, Ziel, Kontext, Output, Beispiel). Erster Output bereits 4/5 Qualität. Einziges Refinement: „Die dritte Folie klingt zu werblich — ersetze ‚branchenführend’ und ‚revolutionär’ durch konkrete Zahlen und Fakten.” Zweiter Output: direkt verwendbar. Zwei Iterationen sind das Minimum für einen guten ersten Prompt — ein Beweis dafür, dass Investition in den Initialprompt Iterations-Zyklen spart.

Anti-Pattern: Das endlose Refinement-Karussell:

Ein Anwender reformuliert einen Bericht siebenmal — ohne dass der Output erkennbar besser wird. Diagnose: Das Output-Element des Initialprompts war nie klar definiert. Das Modell hat keine Zielvorlage und optimiert ohne Richtung. Lösung: Stopp nach drei Iterationen, Initialprompt von Grund auf überarbeiten, Output-Element präzise definieren.

Reflexionsfragen

1. Welches Ihrer häufigen Arbeitsdokumente würde am stärksten von einem iterativen Prozess mit drei bis vier gezielten Refinements profitieren?
2. Was verändert sich in Ihrer Haltung gegenüber KI, wenn Sie den ersten Output nicht mehr als Ergebnis, sondern als Arbeitsgrundlage betrachten?
3. Wie könnte Ihr Team einen gemeinsamen Satz von Standard-Refinement-Prompts entwickeln und teilen?
4. Wann ist Perfektionismus durch zu viele Iterationen eine Zeitfalle — und wie erkennen Sie diesen Moment?
5. Welche Refinement-Technik aus der Bibliothek würden Sie ab morgen zuerst ausprobieren?
6. Iteratives Prompting ähnelt dem Feedback-Prozess mit menschlichen Kollegen — aber es gibt Unterschiede. Welche Qualitäten eines erfahrenen Kollegen kann die KI im Refinement-Prozess nicht ersetzen?
7. Ab welchem Punkt wird iteratives Refinement zum Perfektionismus — und welches Qualitätskriterium hilft Ihnen persönlich zu entscheiden, wann ein Output gut genug ist?

Praxis-Exkurs II — Refinement-Dokumentation als Lernquelle

Die Dokumentation von Refinement-Verläufen ist nicht nur Qualitätssicherung — sie ist eine der wertvollsten Lernquellen für Prompt Engineering. Wer seine Iterationsschritte systematisch aufzeichnet, entwickelt ein tiefes Verständnis dafür, wie Prompts und Outputs zusammenhängen.

Das Refinement-Log:

Ein einfaches Refinement-Log enthält vier Spalten: Iteration | Geänderte Prompt-Element | Art der Änderung | Ergebnis (besser/gleich/schlechter). Nach zehn dokumentierten Refinement-Verläufen entstehen statistisch robuste Muster: Welche Prompt-Elemente-Änderungen liefern die größten Qualitätssprünge? Welche Änderungen verschlechtern den Output oft, auch wenn sie intuitiv sinnvoll erscheinen?

Diese Muster werden in der Team-Bibliothek als „Refinement-Regeln” dokumentiert — spezifische Empfehlungen für häufige Aufgabentypen, basierend auf gesammelter Team-Erfahrung.

Iterationen als Bibliotheks-Wissen:

Ein besonders wertvoller Bibliotheks-Zusatz: Nicht nur den fertigen Prompt, sondern auch den wichtigsten Refinement-Schritt dokumentieren. Format im Bibliothekseintrag: „Bekanntes Problem: Wenn [SITUATION], liefert der Prompt [PROBLEM]. Lösung: [REFINEMENT-ANWEISUNG].”

Dieses explizite Fehler-Wissen verhindert, dass andere Teammitglieder denselben Refinement-Weg wiederholen müssen — und ist eine der wertvollsten Formen kollaborativen Prompt-Engineering-Lernens.

Quellen & Weiterlesen

Trainer-Hinweise

Didaktische Vertiefung — Refinement als Mindset, nicht nur als Technik

UE 30 lehrt nicht nur eine Technik — sie vermittelt ein Mindset: Der erste Output ist selten der beste, und systematisches Verbessern ist effizienter als Neuanfangen.

Der „Draft-One”-Akzeptanz-Reflex:

Viele Teilnehmende haben den Reflex, einen KI-Output sofort vollständig zu akzeptieren oder vollständig abzulehnen. UE 30 bricht diesen Reflex: Der erste Output wird als „Draft One” bezeichnet — gut genug, um darauf aufzubauen, aber nie das Endprodukt. Diese semantische Verschiebung (von „Output” zu „Draft One”) verändert, wie Teilnehmende mit KI-Ergebnissen umgehen.

Refinement-Protokoll visualisieren:

Erstellen Sie auf dem Beamer eine Tabelle mit vier Spalten: Iteration | Änderung | Ergebnis | Bewertung (1-5). Füllen Sie diese Tabelle live während einer Demonstration. Nach vier bis fünf Iterationen zeigt die Tabelle, wie sich Qualität systematisch steigert — und macht den Refinement-Prozess als Ganzes sichtbar.

Anti-Perfektionismus als Unterrichtsziel:

Explizit ansprechen: Iteratives Prompting ist nicht dazu da, perfekte Outputs zu erzeugen — sondern direktverwendbare Outputs mit minimalem Zeitaufwand. Der Unterschied zwischen einem 4/5-Output (direktverwendbar) und einem 5/5-Output (perfekt) rechtfertigt oft keine weitere Iteration. Gute-Genug-Kompetenz ist eine professionelle Fähigkeit, keine Schwäche.

Hinweise für AI Champions — So vermitteln Sie das Thema — UE 30

Timing (45 Min): 5 Min Einstieg (Redakteur-Analogie), 10 Min Lerntext (3 Modi, Refinement-Bibliothek), 15 Min Übung 1 (drei Schleifen live), 10 Min Übung 2 (vollständiges Dokument), 5 Min Reflexion.

Methodische Empfehlung: Übung 1 sollte von allen Teilnehmenden live durchgeführt werden — der eigene Output vom ersten Prompt aus UE 25 ist das ideale Ausgangsmaterial. Der Direktvergleich zwischen ersten und fünftem Output ist der stärkste Motivator für iteratives Arbeiten.

Häufige Stolpersteine: (a) Überzeugung, dass gute Prompts immer sofort funktionierende Outputs liefern sollten — Haltungsänderung als Kernbotschaft dieser UE. (b) Wiederholung desselben Refinements ohne Richtungsänderung — Bibliothek wirksamer Folgeprompts als Orientierungshilfe nutzen. (c) Perfektionismus-Falle — Stoppregeln explizit besprechen.

Diskussionsfragen: (1) Welcher Refinement-Typ hat in Ihrer Übung den größten Qualitätssprung erzeugt — und warum? (2) Was würde in Ihrer Organisation nötig sein, damit iteratives KI-Arbeiten zur Norm wird?

Differenzierung: Power-User: Erproben Sie den Antithesen-Prompt für argumentative Dokumente. Einsteiger: Beginnen Sie mit einem einzigen Refinement-Schritt (Selbstkorrektur) — das allein erzeugt bereits deutliche Qualitätsverbesserung.

Tipp zur Branchenauswahl: Für IT-Dienstleister ist das Angebots-Szenario ideal. Für Industrie empfehlen sich technische Berichte. Für Finanzdienstleister Marktberichte oder Kundenpräsentationen. Für Verwaltungen Bescheidtexte oder Pressemitteilungen.

Übergang zur nächsten UE: „Iteratives Prompting verbessert, was die KI erzeugt. In UE 31 lernen Sie, wie Sie durch explizite Ausschlüsse von Anfang an verhindern, dass unerwünschte Inhalte im Output erscheinen.”

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