Context Engineering für stabile KI-Anwendungen
Viele Unternehmen starten mit KI auf die gleiche Weise: Es wird ein vielversprechender Anwendungsfall getestet, erste Prompts liefern brauchbare Resultate, und anschliessend versucht man, die Qualität mit immer besseren Formulierungen zu steigern. Für einzelne Tests funktioniert das oft erstaunlich gut. Im Alltag zeigt sich jedoch schnell eine Grenze: Die Antworten schwanken, der Bezug zum Prozess fehlt, verschiedene Mitarbeitende erhalten unterschiedliche Ergebnisse, und aus einem nützlichen Experiment wird noch keine verlässliche Anwendung.
Genau hier wird Context Engineering relevant. Gemeint ist nicht die Optimierung einer einzelnen Eingabe, sondern der bewusste Aufbau des Rahmens, in dem eine KI arbeitet: mit klaren Rollen, verbindlichen Regeln, passenden Wissensquellen, geregeltem Datenzugriff, nachvollziehbarem Verlauf und definierten Grenzen. Für Schweizer KMU ist das entscheidend, weil KI nur dann produktiv wird, wenn sie in bestehende Abläufe passt und sich verantwortungsvoll einsetzen lässt.
Prompt Engineering und Context Engineering: Wo der eigentliche Unterschied liegt
Prompt Engineering und Context Engineering werden oft vermischt, obwohl sie unterschiedliche Ebenen betreffen.
Prompt Engineering fokussiert auf die konkrete Eingabe. Es geht darum, Fragen oder Arbeitsaufträge so zu formulieren, dass die KI möglichst präzise, nützlich und strukturiert antwortet. Das ist sinnvoll und bleibt auch in produktiven Anwendungen wichtig. Eine klare Aufgabenbeschreibung, ein gewünschtes Format oder ein konkreter Stil verbessern die Qualität häufig deutlich.
Context Engineering geht einen Schritt weiter. Hier wird nicht nur die Eingabe optimiert, sondern die gesamte Arbeitssituation der KI gestaltet. Dazu gehört zum Beispiel, welche Rolle die KI einnehmen soll, auf welches Wissen sie zugreifen darf, welche Regeln sie befolgen muss, welche Informationen aus dem Prozess vorliegen, wie mit Unsicherheit umzugehen ist und an welchen Stellen eine Antwort bewusst begrenzt werden muss.
Der Unterschied lässt sich einfach zusammenfassen: Prompt Engineering verbessert, wie gefragt wird. Context Engineering gestaltet, unter welchen Bedingungen die KI arbeitet.
Für KMU ist diese Unterscheidung vor allem deshalb wichtig, weil viele praktische Probleme nicht am Prompt entstehen. Wenn eine KI keinen Zugriff auf aktuelle interne Richtlinien hat, hilft auch der beste Prompt nur begrenzt. Wenn unklar ist, ob sie eine Empfehlung abgeben, einen Entwurf formulieren oder verbindlich entscheiden soll, werden die Resultate zwangsläufig uneinheitlich. Und wenn keine Grenzen definiert sind, steigt das Risiko für falsche oder unpassende Ausgaben.
Wer KI-Anwendungen auf stabile Beine stellen will, sollte deshalb nicht nur fragen: „Wie muss der Prompt lauten?“ Wichtiger ist oft die Frage: „Welchen Kontext braucht diese Anwendung, damit sie im Betrieb zuverlässig funktioniert?“
Warum gute Prompts allein keine stabilen KI-Anwendungen schaffen
In frühen Tests wirkt es oft so, als liesse sich jede Schwäche mit einer besseren Formulierung beheben. Kommt eine unpräzise Antwort zurück, wird der Prompt ergänzt. Ist die Struktur nicht ideal, folgt eine neue Version. Fehlt ein Hinweis, wird eine zusätzliche Anweisung eingefügt. Dieses Vorgehen ist nachvollziehbar, stösst im Alltag aber schnell an Grenzen.
Ein typisches Problem sind wechselnde Antworten bei ähnlichen Fragen. Das passiert besonders dann, wenn der Rahmen nicht sauber definiert ist. Ohne klare Regeln entscheidet die KI situativ, welche Aspekte sie gewichtet. Einmal ist die Antwort knapp, einmal ausführlich, einmal vorsichtig und einmal zu bestimmt. Für spontane Nutzung ist das oft akzeptabel. In einem betrieblichen Prozess ist es jedoch problematisch.
Hinzu kommt der fehlende Prozessbezug. Eine KI kann sprachlich überzeugend antworten und dennoch am eigentlichen Bedarf vorbeigehen. Wenn sie zum Beispiel im Support eingesetzt wird, aber weder Prioritäten, Eskalationsstufen noch interne Servicevorgaben kennt, bleibt die Antwort oberflächlich oder unbrauchbar. Dasselbe gilt für interne Assistenzfunktionen, die ohne Zugang zu aktuellen Dokumenten oder klaren Zuständigkeiten arbeiten.
Ein weiteres Risiko ist die Abhängigkeit von einzelnen Nutzenden. Wenn gute Ergebnisse nur dann entstehen, wenn bestimmte Mitarbeitende genau wissen, wie sie fragen müssen, ist die Anwendung nicht stabil. Produktive KI-Anwendungen sollten so aufgebaut sein, dass die Qualität nicht an wenige Personen oder an fragile Prompt-Formulierungen gebunden ist.
Oft zeigt sich auch eine unklare Verantwortung. Wer prüft die Antworten? Wann darf die KI automatisch unterstützen, wann nur vorbereiten? Welche Informationen sind verbindlich, welche nur Entwurf? Wenn diese Fragen offen bleiben, entstehen Unsicherheit und Fehlanwendungen, selbst wenn die sprachliche Qualität gut wirkt.
Das Grundproblem ist einfach: Eine KI arbeitet nie im luftleeren Raum. Sie verarbeitet immer den Kontext, der ihr gegeben wird oder eben fehlt. Gute Prompts sind hilfreich, aber sie ersetzen keine klare Anwendungslogik. Stabile KI-Anwendungen entstehen erst dann, wenn der Rahmen ebenso bewusst gestaltet wird wie die Eingabe selbst.
Die Bausteine von Context Engineering im KMU-Umfeld
Context Engineering wird greifbar, wenn die einzelnen Bausteine klar benannt werden. Für KMU geht es dabei nicht um theoretische Modellfragen, sondern um die praktische Ausgestaltung einer Anwendung.
Systemregeln: Was die KI grundsätzlich einhalten muss
Systemregeln definieren das Grundverhalten einer KI-Anwendung. Sie legen fest, wie die KI antworten soll, welche Prioritäten gelten und welche Regeln immer Vorrang haben. Dazu kann gehören, dass nur auf interne Wissensquellen Bezug genommen werden darf, dass Unsicherheit offen ausgewiesen werden muss oder dass keine rechtlich verbindlichen Aussagen formuliert werden dürfen.
Der Nutzen liegt in mehr Konsistenz. Wenn diese Regeln zentral gesetzt sind, bleibt das Verhalten auch dann nachvollziehbar, wenn verschiedene Personen dieselbe Anwendung nutzen.
Rollen: In welcher Funktion die KI arbeitet
Eine KI kann vieles gleichzeitig sein: Assistenz, Formulierungshilfe, Rechercheunterstützung, Strukturierer oder Vorprüfer. In produktiven Anwendungen sollte diese Rolle jedoch klar eingegrenzt sein. Eine Support-KI hat einen anderen Auftrag als eine interne Wissensassistenz für HR oder eine Zusammenfassungsfunktion für Besprechungen.
Klare Rollen reduzieren Fehlinterpretationen. Sie helfen der KI, die passende Tiefe, Sprache und Verantwortung einzuhalten. Für Mitarbeitende wird ausserdem verständlicher, wofür die Anwendung gedacht ist und wofür nicht.
Wissensquellen: Worauf sich die Antworten stützen dürfen
Eine der wichtigsten Fragen im Context Engineering lautet: Auf welche Inhalte darf die KI zugreifen? Interne Richtlinien, Prozessdokumentationen, Produktinformationen, Vorlagen, FAQ, Serviceleitfäden oder Projektnotizen können wertvolle Wissensquellen sein. Entscheidend ist, dass diese Quellen relevant, aktuell und zugänglich sind.
Ohne passende Wissensquellen bleibt die KI auf allgemeines Sprachwissen beschränkt. Das führt oft zu plausibel klingenden, aber betrieblich ungenauen Antworten. Mit kuratierten Wissensquellen steigt die Nachvollziehbarkeit und Fachnähe deutlich.
Gerade an der Schnittstelle von Prozessen, Berechtigungen und technischer Einbettung lohnt sich eine enge Abstimmung zwischen Fachbereichen und IT und Digitalisierung.
Gesprächshistorie: Was aus dem bisherigen Verlauf relevant bleibt
Viele Anwendungen hängen nicht nur von einer einzelnen Frage ab, sondern vom bisherigen Austausch. Wenn eine KI bereits weiss, welches Produkt gemeint ist, welcher Kunde betroffen ist oder welche Randbedingungen zuvor genannt wurden, kann sie im nächsten Schritt präziser unterstützen.
Gesprächshistorie ist deshalb mehr als Komfort. Sie ist ein Teil des Kontexts. Richtig eingesetzt, verhindert sie Rückfragen, Wiederholungen und widersprüchliche Antworten. Gleichzeitig muss bewusst entschieden werden, welche Verlaufsinformationen wirklich nötig sind und welche aus Datenschutz- oder Qualitätsgründen nicht weitergetragen werden sollen.
Prozesskontext: In welchem Arbeitsschritt die KI eingesetzt wird
Die gleiche Frage kann je nach Prozessschritt eine andere Bedeutung haben. Ein Entwurf vor interner Prüfung ist etwas anderes als eine Nachricht, die bereits an Kundinnen und Kunden gehen soll. Eine Zusammenfassung für das Team ist nicht dasselbe wie ein dokumentierter Beschluss. Context Engineering berücksichtigt deshalb den genauen Einsatzpunkt im Ablauf.
Das ist für KMU besonders relevant, weil KI selten losgelöst vom Betrieb arbeitet. Sie ergänzt bestehende Arbeitsschritte. Je besser klar ist, wo die Anwendung im Prozess beginnt, was sie vorbereitet und wo der Mensch übernimmt, desto robuster wird der Einsatz.
Datenzugriff: Welche Informationen die KI tatsächlich sehen darf
Nicht jede KI braucht Zugriff auf alle Daten. Im Gegenteil: Zu breiter Zugriff erhöht Risiken und erschwert die Kontrolle. Context Engineering prüft deshalb gezielt, welche Daten für den konkreten Nutzen notwendig sind. Reicht der Zugriff auf freigegebene Handbücher? Braucht es Projektdaten? Sind Kundendaten erforderlich oder genügt eine anonymisierte Form?
Der Nutzen einer sauberen Regelung liegt in besserer Verlässlichkeit bei geringerem Risiko. Die KI erhält genug Kontext, um sinnvoll zu arbeiten, aber nicht mehr Daten als nötig.
Klare Grenzen: Was die KI nicht tun soll
Zu einem guten Kontext gehört auch die bewusste Begrenzung. Eine KI soll vielleicht formulieren, strukturieren oder vorschlagen, aber keine Freigaben erteilen. Sie darf möglicherweise interne Informationen zusammenfassen, aber keine vertraglichen Zusagen machen. Solche Grenzen sind kein Zeichen von Schwäche, sondern Voraussetzung für einen tragfähigen Einsatz.
Gerade in produktiven Umgebungen sind Grenzen oft entscheidender als zusätzliche Funktionen. Sie schaffen Klarheit über Verantwortungen und verhindern, dass aus einer nützlichen Assistenz ungewollt ein unsicherer Entscheidungsträger wird.
KI Guardrails, Grenzen und Datenzugriff: Sicherheit und Verlässlichkeit im Alltag
Wenn KI in Prozesse eingebunden wird, reichen gute Antworten allein nicht aus. Es braucht Leitplanken, die festlegen, was möglich ist, was geprüft werden muss und wo die Anwendung stoppt. Diese Leitplanken werden oft als KI Guardrails bezeichnet.
Im betrieblichen Alltag erfüllen Guardrails mehrere Funktionen. Erstens begrenzen sie die Aufgabe. Eine KI darf etwa Antworten vorbereiten, aber nicht selbst versenden. Zweitens steuern sie den Umgang mit sensiblen Informationen. Drittens helfen sie, mit Unsicherheit kontrolliert umzugehen, zum Beispiel indem die KI auf fehlende Daten hinweist statt zu spekulieren.
Ein praktisches Beispiel: Eine KI unterstützt den Kundensupport bei Antwortentwürfen. Ohne Guardrails könnte sie aus allgemeinen Mustern eine plausible, aber sachlich falsche Aussage zur Lieferfrist generieren. Mit Guardrails greift sie nur auf freigegebene Produkt- und Prozessinformationen zu, weist bei Unsicherheit auf fehlende Daten hin und markiert den Entwurf als prüfpflichtig. Das Ergebnis ist nicht fehlerfrei, aber deutlich belastbarer.
Datenzugriff gehört eng zu diesen Guardrails. Nicht jede Anwendung braucht operative Systemdaten oder personenbezogene Informationen. Wer von Anfang an Berechtigungen sauber trennt, reduziert Risiken und schafft klarere Verantwortlichkeiten. Gerade bei Automatisierung und KI entscheidet diese Kombination aus Nutzen und Begrenzung darüber, ob eine Lösung alltagstauglich wird.
Wichtig ist dabei eine nüchterne Sicht: Guardrails verhindern nicht jeden Fehler. Sie senken aber die Wahrscheinlichkeit unpassender Antworten, ungewollter Aktionen und missverständlicher Ergebnisse. Für KMU ist genau das relevant. Nicht absolute Perfektion, sondern ein kontrollierbarer und nachvollziehbarer Einsatz.
Gesprächshistorie und Prozesskontext: Warum der Verlauf mitentscheidet
Viele Schwächen von KI-Anwendungen lassen sich nicht verstehen, wenn nur auf den aktuellen Prompt geschaut wird. In der Praxis beeinflussen frühere Aussagen, bereits verwendete Daten und der aktuelle Bearbeitungsstand das Ergebnis oft stärker als die letzte Formulierung.
Ein einfaches Beispiel ist der interne Support. Fragt eine Mitarbeiterin nach einer Reisespesenregelung, macht es einen Unterschied, ob die KI bereits weiss, aus welchem Bereich die Anfrage kommt, welche Reiseart betroffen ist und ob die Person eine interne Richtlinie hochgeladen hat. Ohne diesen Verlauf liefert die KI eher allgemeine Antworten. Mit passendem Kontext wird sie zielgerichteter und relevanter.
Ähnlich ist es bei einer Assistenz für Besprechungszusammenfassungen. Wenn die KI weiss, ob es sich um ein Erstgespräch, ein Statusmeeting oder eine Entscheidungsrunde handelt, kann sie Schwerpunkte anders setzen. Im Erstgespräch sind offene Punkte und Anforderungen zentral, in einer Entscheidungsrunde eher Beschlüsse, Fristen und Verantwortlichkeiten.
Auch im Kundenkontakt ist Prozesskontext entscheidend. Eine KI, die einen Antwortbaustein für eine erste Anfrage erstellt, braucht einen anderen Kontext als eine Anwendung, die auf eine Reklamation im fortgeschrittenen Fall reagiert. Die Tonalität, die Datengrundlage und die zulässigen Aussagen unterscheiden sich.
Der wichtige Punkt ist: Kontext ist zeitlich und prozessual. Er besteht nicht nur aus statischen Regeln, sondern auch aus dem Verlauf einer Aufgabe. Wer stabile Resultate will, muss deshalb mitdenken, welche Informationen aus früheren Schritten übernommen werden sollen und an welchem Punkt der Prozess bewusst neu beginnt.
KMU-taugliche Beispiele für stabile KI-Anwendungen
Context Engineering wird besonders greifbar, wenn konkrete Anwendungsfälle betrachtet werden. Für Schweizer KMU sind vor allem Szenarien interessant, bei denen der Nutzen klar ist und der Kontext gut steuerbar bleibt.
Interne Wissensassistenz für Richtlinien und Prozessfragen
Ein häufiges Einsatzfeld ist die interne Unterstützung bei wiederkehrenden Fragen: Ferienregelungen, Spesenprozesse, Onboarding-Schritte, Freigaben oder interne Standards. Der Nutzen ist hoch, weil Mitarbeitende schneller zu relevanten Informationen kommen.
Damit diese Anwendung stabil funktioniert, braucht sie klar definierte Wissensquellen, etwa interne Handbücher, Richtlinien und Prozessbeschreibungen. Zusätzlich sind Regeln nötig, wie mit unklaren oder fehlenden Informationen umzugehen ist. Die KI sollte im Zweifel auf die zuständige Stelle verweisen, statt Vermutungen als Fakten darzustellen.
Unterstützung im Support mit vorgegebenem Rahmen
Im Support kann KI helfen, Anfragen zu strukturieren, passende Antwortentwürfe zu erstellen oder relevante Informationen aus bekannten Fällen zusammenzuführen. Der Nutzen entsteht durch schnellere Reaktion und einheitlichere Kommunikation.
Hier ist der Kontext besonders wichtig: Produktwissen, Servicevorgaben, Eskalationslogik, Tonalität und klare Grenzen, welche Aussagen verbindlich sind. Ohne diesen Rahmen bleibt die Antwort oft sprachlich gut, aber fachlich zu vage. Mit sauberem Context Engineering wird die Anwendung deutlich verlässlicher.
Strukturierte Zusammenfassungen von Gesprächen
Besprechungen, Kundenanrufe oder interne Abstimmungen lassen sich mit KI effizient zusammenfassen. Produktiv wird das jedoch erst, wenn klar ist, was die Zusammenfassung leisten soll. Geht es um Beschlüsse, Aufgaben, Risiken, offene Punkte oder eine neutrale Verlaufsdokumentation?
Der nötige Kontext umfasst hier das Format, den Zweck des Protokolls, den Prozessschritt und gegebenenfalls Rollen der Beteiligten. Eine gute Zusammenfassung entsteht nicht nur aus dem gesprochenen Inhalt, sondern aus der Frage, wofür das Ergebnis anschliessend genutzt wird.
Antwortbausteine im Kundenkontakt
Viele KMU möchten wiederkehrende Antworten standardisieren, ohne unpersönlich zu wirken. KI kann hier Entwürfe auf Basis vorgegebener Bausteine, Tonalität und Freigaberegeln erstellen. Das spart Zeit und erhöht die Einheitlichkeit.
Damit diese Anwendung tragfähig bleibt, braucht sie klare Guardrails: keine rechtlich heiklen Zusagen, keine freien Spekulationen zu Terminen oder Preisen, und im Zweifel ein Hinweis auf interne Prüfung. Genau solche Anwendungen zeigen, dass nicht der einzelne Prompt den Unterschied macht, sondern der sauber definierte Kontext.
Wie Schweizer KMU Context Engineering sinnvoll einführen
Für die Einführung braucht es kein Grossprojekt. Sinnvoll ist ein pragmatisches Vorgehen mit einem klar abgegrenzten Anwendungsfall.
Am Anfang steht die Auswahl eines Prozesses, bei dem heute bereits wiederkehrende Arbeit anfällt und der Nutzen einer KI-Unterstützung realistisch beurteilbar ist. Gute Kandidaten sind Prozesse mit vielen Standardfragen, viel Textarbeit oder häufigen Zusammenfassungen.
Danach sollten die relevanten Wissensquellen definiert werden. Welche Dokumente, Vorlagen oder Daten braucht die Anwendung wirklich? Welche davon sind aktuell und freigegeben? Hier zeigt sich oft schon, dass nicht die KI das erste Problem ist, sondern die Qualität und Verfügbarkeit des zugrunde liegenden Wissens.
Im nächsten Schritt werden Rollen und Regeln festgelegt. Was genau soll die KI tun: formulieren, zusammenfassen, strukturieren, vorschlagen? Was darf sie nicht? Wie soll sie mit Unsicherheit umgehen? Welche Sprache, welcher Stil und welche Eskalation sind passend?
Ebenso wichtig ist die Prüfung der Zugriffe. Die Anwendung sollte nur die Daten sehen, die für den Anwendungsfall nötig sind. Berechtigungen, Freigaben und Verantwortlichkeiten müssen dabei nicht kompliziert sein, aber klar dokumentiert.
Anschliessend lohnt sich ein iteratives Vorgehen. Nicht dutzende Anwendungsfälle gleichzeitig, sondern ein sauber eingegrenzter Start mit Beobachtung im Alltag. Wo entstehen gute Resultate? Wo fehlt Kontext? Wo müssen Regeln oder Quellen nachgeschärft werden? Context Engineering ist keine einmalige Konfiguration, sondern eine laufende Präzisierung auf Basis echter Nutzung.
Für die Geschäftsführung schafft dieses Vorgehen mehr Transparenz über Nutzen, Risiken und Prioritäten. Für IT und Operations wird klarer, wie KI sinnvoll in bestehende Prozesse eingebettet werden kann, ohne unkontrollierte Parallelwelten zu erzeugen.
Den Einsatz strukturiert klären
Viele KI-Initiativen scheitern nicht an zu wenig Interesse, sondern an unscharfen Voraussetzungen. Es wird getestet, verglichen und experimentiert, aber der eigentliche Rahmen bleibt offen. Genau deshalb lohnt sich vor dem Ausbau eine strukturierte Klärung: Welcher Anwendungsfall ist sinnvoll? Welchen Kontext braucht er? Welche Datenzugriffe sind notwendig? Wo müssen Grenzen gesetzt werden?
Eine fundierte Potenzialanalyse hilft, diese Fragen früh zu beantworten. Sie schafft eine sachliche Basis, um geeignete KI-Anwendungen zu priorisieren und den Aufwand realistisch einzuschätzen, bevor Zeit in uneinheitliche Pilotversuche fliesst. Für Schweizer KMU ist das oft der sinnvollste nächste Schritt, wenn KI nicht nur interessant, sondern verlässlich in bestehende Prozesse integriert werden soll.
Häufig gestellte Fragen
Worin unterscheidet sich Context Engineering konkret von Prompt Engineering?
Prompt Engineering optimiert die Formulierung einer Eingabe. Context Engineering gestaltet den gesamten Rahmen der Anwendung, also Rollen, Regeln, Wissensquellen, Verlauf, Datenzugriff und Grenzen. In der Praxis bedeutet das: Ein guter Prompt kann eine Antwort verbessern, aber erst ein sauber gesetzter Kontext macht eine KI-Anwendung im Betrieb konsistent und nachvollziehbar.
Welche Rollen, Regeln und Wissensquellen sind für stabile KI-Anwendungen am wichtigsten?
Entscheidend sind zuerst die Elemente, die direkt mit dem Anwendungsfall zusammenhängen. Die Rolle sollte klar benennen, ob die KI etwa zusammenfasst, formuliert oder Wissen bereitstellt. Die Regeln sollten festlegen, wie mit Unsicherheit, sensiblen Aussagen und Freigaben umzugehen ist. Bei den Wissensquellen zählen vor allem aktuelle, freigegebene und für den Prozess relevante Inhalte wie Richtlinien, Produktinformationen, Vorlagen oder interne FAQ.
Wie viel Datenzugriff braucht eine KI, ohne unnötige Risiken zu schaffen?
So viel wie nötig, aber nicht mehr. Eine KI sollte nur auf jene Daten zugreifen können, die sie für den konkreten Prozessschritt wirklich braucht. Oft reichen ausgewählte Dokumente, strukturierte Wissensquellen oder anonymisierte Informationen. Breiter Datenzugriff erhöht nicht automatisch den Nutzen, kann aber Verantwortung, Datenschutz und Qualität unnötig verkomplizieren.
Warum ist die Gesprächshistorie für gute KI-Ergebnisse relevant?
Weil viele Antworten vom bisherigen Verlauf abhängen. Frühere Angaben, bereits geklärte Rahmenbedingungen oder geladene Dokumente verändern, was im nächsten Schritt sinnvoll ist. Ohne passende Gesprächshistorie muss die KI mehr raten oder allgemeiner antworten. Mit sauber gesteuertem Verlauf werden Antworten oft präziser, konsistenter und besser auf den Prozess abgestimmt.
Wie können Schweizer KMU KI-Guardrails sinnvoll festlegen?
Am besten ausgehend vom Prozess, nicht von der Technologie. Zuerst sollte definiert werden, welche Aufgabe die KI übernehmen darf und wo bewusst menschliche Prüfung nötig bleibt. Danach werden Regeln zu Datenzugriff, Tonalität, Freigaben, Eskalation und Umgang mit Unsicherheit festgelegt. Gute Guardrails machen die Anwendung nicht perfekt, aber deutlich kontrollierbarer und alltagstauglicher.
Woran erkennt man, ob ein KI-Anwendungsfall eher am Kontext als am Prompt scheitert?
Ein typisches Zeichen ist, wenn ähnliche Fragen je nach Nutzer oder Situation stark unterschiedliche Resultate liefern. Auch fehlender Bezug zu internen Richtlinien, unklare Verantwortlichkeiten, zu allgemeine Antworten oder schwankende Qualität trotz aufwendig optimierter Prompts deuten darauf hin. Wenn die Anwendung nur mit viel manuellem Nachsteuern funktioniert, liegt die Ursache oft nicht im Prompt, sondern im unzureichend definierten Kontext.
