Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
anthropic29. Februar 2024 · Q003563

Prompt engineering for business performance

anthropic.com · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Anthropic empfiehlt klare Anweisungen, iterative Tests sowie schrittweises Prompting, Beispiele für gewünschte Antworten und das Aufteilen komplexer Aufgaben in mehrere Prompts. Bei einem anonymisierten Fortune-500-Kunden habe eine Zusammenarbeit zwischen Anthropic-Prompt-Engineering und Fachleuten laut Beitrag die Genauigkeit eines Kunden-Chatbots um 20 Prozent erhöht; Messmethode und Testbedingungen werden nicht angegeben.

Mittel

Anthropic beschreibt Prompt Engineering als Möglichkeit, Claude für geschäftliche Anwendungen genauer, konsistenter und kostengünstiger einzusetzen. Empfohlen werden klare Aufgabenbeschreibungen, regelmäßiges Testen und drei Techniken: schrittweises Vorgehen anregen, gewünschte Ein- und Ausgaben anhand von Beispielen zeigen (Few-Shot-Prompting) und komplexe Aufgaben in mehrere aufeinanderfolgende Prompts zerlegen (Prompt Chaining).

Als Fallbeispiel nennt Anthropic ein nicht genanntes Fortune-500-Unternehmen, das einen Kunden-Chatbot mit Claude Instant entwickelte. Nach unzureichenden ersten Ergebnissen arbeitete ein Anthropic-Prompt-Engineer mit den Fachleuten des Unternehmens zusammen. Sie ergänzten unter anderem ein internes Scratchpad, Stil- und Formatbeispiele sowie Vorgaben zur Nutzung fachlich relevanter Daten und Abläufe. Anthropic zufolge stieg dadurch die Genauigkeit um 20 Prozent; das Produkt sei außerdem schneller und günstiger auf den Markt gekommen. Der Beitrag erläutert jedoch weder Messmethode noch Ausgangswerte oder Testbedingungen. Anthropic weist darauf hin, dass es keine universell beste Technik gibt und empfiehlt die Zusammenarbeit von Prompt Engineers und Fachleuten.

Ausführlich lesen

Der Beitrag von Anthropic beschreibt Prompt Engineering als Mittel, Claude für geschäftliche Anwendungen gezielter einzusetzen. Anthropic behauptet, gut formulierte Prompts könnten die Genauigkeit, Konsistenz und Nützlichkeit von Antworten verbessern, unnötige Rückfragen verringern und dadurch Kosten senken. Als mögliche Einsatzfelder nennt der Text unter anderem Datenverarbeitung, Kundenfragen und Vertragsprüfung. Er empfiehlt, Aufgaben klar und ausführlich zu beschreiben und Prompts systematisch zu testen und weiterzuentwickeln.

Der Beitrag stellt drei Techniken vor. Erstens könne eine Aufforderung, schrittweise vorzugehen, bei bestimmten Aufgaben zu genaueren Antworten beitragen. Als Beispiel dient die Prüfung eines Kfz-Versicherungsanspruchs anhand von Vertragsregeln und Kundenprofil. Zweitens empfiehlt Anthropic Few-Shot-Prompting: realistische Beispiele für gewünschte Eingaben und Ausgaben sollen Format, Stil und den Umgang mit Sonderfällen verdeutlichen. Der Artikel illustriert das an der Entfernung personenbezogener Angaben, etwa Namen, Telefonnummern und Kennungen. Drittens beschreibt er Prompt Chaining, bei dem eine komplexe Aufgabe in mehrere aufeinander aufbauende Prompts geteilt wird. Für eine Frage zum Steuerrecht könnte Claude zunächst relevante Gesetzesstellen sammeln, dann passende Abschnitte bestimmen und schließlich eine Antwort formulieren.

Als Fallbeispiel schildert Anthropic ein nicht namentlich genanntes Fortune-500-Unternehmen, das einen Kunden-Chatbot für komplexe Fragen entwickelte. Laut Beitrag waren andere Lösungen zu wortreich, klangen steif und wirkten uneinheitlich. Zusätzlich sollte die Antwortzeit sinken, ohne die Genauigkeit zu beeinträchtigen. Die ersten Versuche mit Claude Instant hätten die gewünschte Genauigkeit verfehlt. Anthropic ließ daraufhin einen Prompt Engineer mit den Fachleuten des Unternehmens zusammenarbeiten. Zu den Anpassungen gehörten ein internes Scratchpad, das Kunden nicht sehen sollten, Beispiele für gewünschtes Antwortformat und gewünschten Stil sowie Vorgaben, relevante Datenpunkte und von Fachleuten empfohlene Abläufe einzubeziehen. Ein gezeigtes Beispiel für eine Steueranalyse fordert Claude auf, zunächst passende Zitate aus dem Gesetzestext auszugeben und darauf gestützt eine knappe Antwort zu verfassen.

Anthropic berichtet, diese Zusammenarbeit habe die Genauigkeit um 20 Prozent verbessert und zugleich eine schnellere und kostengünstigere Markteinführung unterstützt. Der Beitrag nennt jedoch weder die Messmethode noch Ausgangswerte, Testbedingungen oder eine genaue Definition der Verbesserung. Auch das Unternehmen bleibt anonym; die Fallbeschreibung belegt daher nicht, dass dieselben Effekte allgemein zu erwarten sind. Anthropic betont zudem, es gebe keine einzelne beste Prompting-Technik: Ergebnisse hingen vom Modell und Anwendungsfall ab, und das Verständnis der Technologie entwickle sich weiter. Für den Unternehmenseinsatz empfiehlt der Beitrag Zusammenarbeit zwischen Prompt Engineers und Fachleuten.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Luna hat zwei Zusammenfassungen geliefert; die Bewertung bezieht sich auf beide, die Angaben zur Treue gelten für die mittlere Fassung und die kurze Fassung gleichermaßen. Beide geben die Kernaussagen überwiegend korrekt wieder, insbesondere die 20-Prozent-Verbesserung und den Hinweis, dass Messmethode und Testbedingungen fehlen. Die Bezeichnung „anonymisiert“ in der kurzen Fassung ist eine Interpretation, da der Bericht den Kunden nur als Fortune-500-Unternehmen beschreibt und nicht nennt. Die Einordnung basiert auf dem Bericht selbst; keine der drei Sammelfragen wird von diesem Ratgebertext inhaltlich beantwortet.

Im Bericht, aber nicht in der Zusammenfassung

  • Das Ziel des Kunden, die Latenz zu senken, also schnellere Antworten ohne Genauigkeitsverlust
  • Die Analogie, Claude wie einen Praktikanten am ersten Arbeitstag mit klaren, vollständigen Anweisungen zu behandeln
  • Die vier genannten Vorteile effektiver Prompts im Detail, etwa Konsistenz bei Format und Tonalität und die Kosteneinsparung durch weniger unnötige Rückfragen
  • Die Aussage, dass Prompt Engineering eine Wissenschaft ist und Prompts getestet und laufend verbessert werden sollten, wird nur knapp angedeutet
  • Die Unzufriedenheit des Unternehmens mit den Lösungen anderer Anbieter (Weitschweifigkeit, steifer Ton, mangelnde Kohärenz)

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Fähigkeiten messen
Unabhängig prüfen
Tempo und Grenzen
  1. SF-T1 Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
    • clef 100 %kein Bezug
    • Luna 56 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 62 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
    • Haiku-Prüfung kein Bezug
Vertrauen in Modelle
  1. SF-V4 Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 29 %einzelne zitierbare Belege
    • amos 46 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra offen
  2. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 46 %Hintergrund, keine Belege
    • JEV 33 %beantwortet teilweise oder widerspricht
    • amos 31 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 52 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
    • Haiku-Prüfung nur am Rande erwähnt
Modelle teilen und schützen
  1. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 29 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra offen
Offenlegung und Rechenschaft
Beteiligung und Gemeinwohl
  1. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 42 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra offen
    • Haiku-Prüfung gleiches Oberthema, hilft nicht

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →