ChatGPT Prompts: Echte Beispiele für jeden Anwendungsfall

Ich frage mich, wie viele Leute chatGPT mal ausprobieren, dann enttäuscht sind und es aufgeben. Ich erinnere mich, dass ein Kollege von mir letzte Woche darum gebeten hat, „bei der Datenanalyse zu helfen“. Sie hat allgemeine Tipps zum Bereinigen von Datensätzen und zum Überprüfen auf Ausreißer bekommen. Technisch gesehen stimmt das, aber für ihr echtes Problem ist es total nutzlos. Ich hab ihr geholfen, mal was Neues auszuprobieren: Schau dir mal diese Verkaufsdaten an, um saisonale Trends zu erkennen, und sag mir, welche Produktkategorien nicht so gut laufen. Damals hat sie in Sekundenschnelle echte Einblicke bekommen.

Der Unterschied lag nicht in der KI. Das war die Aufforderung. Eine Eingabeaufforderung ist einfach die Anweisung, die du chatGPT gibst, und sie bestimmt alles, was du als Antwort bekommst. Es stimmt, dass vage Fragen vage Antworten bringen und konkrete Fragen nützliche Antworten. Aber es steckt noch mehr dahinter. Ich zeig dir, wie's geht.

In diesem Artikel erzähle ich dir, was ich über das Schreiben von effektiven chatGPT-Prompts gelernt habe, und zeige dir konkrete Techniken, die echt funktionieren. Du siehst praktische Beispiele für das Schreiben, Codieren, die Datenanalyse, Geschäftsaufgaben und das Lernen sowie fortgeschrittene Techniken für den Umgang mit komplexen Arbeitsabläufen und Automatisierung.

Die Grundlagen von chatGPT-Prompts

Eine Eingabeaufforderung ist alles, was du in chatGPT eingibst. Das kann eine Frage sein ( „Was ist Gradientenabstieg?“), eine Anweisung („Fasse diesen Absatz zusammen“) oder etwas mit mehr Kontext ( „Du bist SQL-Dozent. Erkläre Anfängern, was Joins sind").

Der Unterschied zwischen einfachen und strukturierten Eingabeaufforderungen ist echt krass. Schau dir die beiden an:

Einfache Aufforderung:

Write about machine learning

Strukturierte Eingabeaufforderung:

Write a 150-word explanation of supervised learning for business analysts with no technical background. Use an analogy involving customer data.

Das erste gibt chatGPT fast nichts, womit es arbeiten kann. Der zweite Punkt geht auf das Publikum, die Länge und den Ansatz ein. Du wirst ganz andere Ergebnisse kriegen.

Prompt Engineering ist die Fähigkeit, gute Eingaben für KI zu machen. Das ist keine Programmierung. Es geht um Kommunikation. Du lernst, wie du klare Anweisungen gibst, basierend darauf, wie chatGPT Sprache verarbeitet.

Ich hab aufgehört, Eingabeaufforderungen wie Suchanfragen zu sehen, und fing an, sie wie Anweisungen zu behandeln. Nachdem ich diese Änderung vorgenommen hatte, wurden meine Ergebnisse echt besser.

Wie chatGPT Eingaben versteht

chatGPT versteht deine Anweisungen anhand von Kontext, Rolle, Tonfall und Struktur. Es „versteht“ nicht wirklich so wie Menschen. Es sagt voraus, welche Antwort sinnvoll ist, basierend auf den Mustern, die es während des Trainings gelernt hat. Deshalb ist Klarheit so wichtig.

Drei wichtige Sachen beeinflussen, wie chatGPT deine Eingabe liest:

• Klarheit: Unklare Formulierungen führen zu uneinheitlichen Ergebnissen. „Python erklären“ kann echt viele verschiedene Sachen bedeuten. „Erkläre anhand von drei Beispielen, wie die Syntax der Listenkomprimierung in Python funktioniert“ ist klar und konkret.
• Spezifität: Allgemeine Fragen kriegen allgemeine Antworten. Frag „Wie analysiere ich Daten?“ und chatGPT muss raten, was du schon weißt, welche Tools du benutzt und was du erreichen willst. Frag einfach: „Zeig mir, wie ich Ausreißer in einem Pandas DataFrame mit der IQR-Methode erkennen kann“, und du bekommst sofort was Nützliches.
• Struktur: Organisierte Aufforderungen funktionieren besser. Wenn du komplizierte Anfragen in nummerierte Schritte oder Stichpunkte aufteilst, kann chatGPT sie leichter nachvollziehen.

Wenn du eine Rolle zuweist, ändert sich, wie chatGPT reagiert. Schreib „Du bist Finanzanalyst“, und es passt seine Sprache und Tiefe automatisch an. Das klappt, weil das Modell schon unzählige Beispiele dafür gesehen hat, wie Finanzanalysten kommunizieren.

Auch der Ton ist wichtig. Wenn du nach einer „formellen Zusammenfassung“ statt nach einer „lockeren Erklärung für einen Freund“ fragst, kriegst du ganz unterschiedliche Stile.

Anmerkung: Wenn du die chatGPT-API benutzt, kannst du die Zufälligkeit mit der Temperatureinstellung steuern (0 = konsistent, 1 = kreativ) und Systemmeldungen festlegen, die für die ganze Unterhaltung gelten. Für die meisten Leute, die mit der Weboberfläche arbeiten, ist es wichtig, dass du deine Eingabeaufforderungen konkret formulierst.

chatGPT-Beispiele nach Kategorie

Ich hab diese Beispiele nach Kategorien sortiert. Jeder Abschnitt erklärt, warum bestimmte Aufforderungen in diesem Bereich funktionieren, und gibt dir dann Beispiele, die du kopieren und für deine eigene Arbeit anpassen kannst.

Schreibanregungen

Was sie so gut macht:

• Zielgruppe, Tonfall und Format festlegen
• Wörterzahl oder Struktur begrenzen
• Mach den Zweck klar

Beispiel 1: Blog-Einführung

Write a 100-word blog introduction explaining why SQL remains essential for data analysis despite the rise of Python and R. Target audience: data analysts considering which skills to prioritize.

Beispiel 2: Professionelle E-Mail

Draft a 150-word email to a client explaining a project delay. Tone: professional but empathetic. Include a revised timeline and one proactive solution to minimize impact.

Beispiel 3: Social-Media-Inhalte

Write three LinkedIn post variations (under 200 characters each) announcing a new data visualization course. Emphasize practical skills over theory. Use a conversational, encouraging tone.

Beispiel 4: Technische Dokumentation

Rewrite this API error message for non-technical users: "Authentication token expired. Error 401." Make it clear what happened and what action to take.

Beispiel 5: Kreatives Schreiben

Write a 200-word product description for noise-canceling headphones. Target remote workers. Focus on productivity benefits, not technical specs. Conversational tone.

Siehst du das Muster? Jede Eingabeaufforderung sagt dir, wer liest, warum und welches Format du willst. Keine Vermutungen. Du bekommst brauchbare erste Entwürfe.

Codierungshinweise

Was sie so gut macht:

• Gib die Programmiersprache und die Art der Aufgabe an.
• Füge Fehlermeldungen oder den Code-Kontext hinzu.
• Frag nach der Begründung, nicht nur nach dem Ergebnis

Beispiel 1: Codegenerierung

Write a Python function that takes a list of dictionaries and returns a new list containing only items where the 'status' key equals 'active'. Include error handling for missing keys.

Beispiel 2: Fehlersuche

This Python function is supposed to calculate the median of a list, but it fails on even-length lists. Identify the bug and provide a corrected version:

def median(numbers):
    sorted_nums = sorted(numbers)
    mid = len(sorted_nums) // 2
    return sorted_nums[mid]

Beispiel 3: Erklärung des Codes

Explain what this SQL query does, identify any performance concerns, and suggest an optimized version:

SELECT * FROM orders WHERE customer_id IN (SELECT id FROM customers WHERE region = 'West')

Beispiel 4: Umgestaltung

Refactor this JavaScript code to use async/await instead of promise chaining. Maintain the same error handling logic:

[paste code here]

Beispiel 5: Identifizierung von Randfällen

Review this Python function for edge cases it doesn't handle. List each edge case and suggest how to fix it:

def divide_list(numbers, divisor):
    return [n / divisor for n in numbers]

Tipp: Füge zum Debuggen „Erläutere deine Überlegungen bei jedem Schritt“ hinzu, um logische Fehler zu finden, die bei der einfachen Codegenerierung übersehen werden.

Datenanalyse-Eingabeaufforderungen

Was sie so gut macht:

• Beschreib mal die Struktur deines Datensatzes.
• Frag nach der Interpretation und Begründung
• Empfehlungen zur Visualisierung anfordern

Beispiel 1: Explorative Analyse

I have a sales dataset with columns: date, product_category, revenue, region. Suggest five exploratory questions I should investigate first, and explain why each matters for business decisions.

Beispiel 2: Trenderkennung

This dataset shows monthly website traffic for 18 months: [paste data]. Identify three meaningful trends and explain what might be causing each one.

Beispiel 3: Empfehlungen zur Visualisierung

I need to present quarterly revenue by product line (5 categories) to executives. Suggest the best chart type and explain why it's more effective than alternatives.

Beispiel 4: Statistischer Ansatz

I want to test whether a new checkout process increased conversion rates. I have before/after data for 1,000 users. What statistical test should I use and why? What assumptions do I need to verify first?

Beispiel 5: Datenqualitätsbewertung

Review this customer dataset summary: 10,000 rows, 15% missing email addresses, age ranges from 18-120, some negative purchase amounts. Prioritize the three most critical data quality issues and suggest fixes.

Geschäftliche Aufforderungen

Was sie so gut macht:

• Weis eine Rolle mit geschäftlichem Kontext zu
• Strukturierte, umsetzbare Ergebnisse anfordern
• Klare Vorgaben und Szenarien festlegen

Beispiel 1: Marktanalyse

You are a market analyst. Summarize the top three risks for a U.S.-based SaaS company expanding to the European market. For each risk, provide one specific mitigation strategy. Keep the response under 200 words.

Beispiel 2: Wettbewerbspositionierung

Compare three project management tools - Asana, Monday.com, and Trello - for a 50-person marketing team. Focus on collaboration features and pricing. Present findings as a decision matrix.

Beispiel 3: Entwicklung von Business Cases

Draft a business case for implementing automated customer support chatbots. Include expected cost savings, implementation timeline, and two potential risks. Target audience: CFO and operations director.

Beispiel 4: Vorbereitung des Meetings

I'm presenting Q3 results to the board. Revenue is up 12% but customer acquisition cost increased 18%. Prepare three talking points that acknowledge the CAC increase while emphasizing overall growth trajectory.

Beispiel 5: Prozessverbesserung

Our sales team spends 10 hours weekly manually updating CRM records. Suggest three automation solutions, ranked by implementation difficulty and potential time savings.

Lern- und Lehrhinweise

Was sie so gut macht:

• Gib den aktuellen Wissensstand des Lernenden an.
• Frag nach Analogien und konkreten Beispielen.
• Frag nach einer Schritt-für-Schritt-Erklärung

Beispiel 1: Erklärung des Konzepts mit einer Analogie

Explain gradient descent to someone learning machine learning for the first time. Use a hiking analogy. Keep it under 150 words.

Beispiel 2: Einfach zu verstehender Überblick

I'm learning Python and don't understand decorators. Explain what they do, why they're useful, and show one simple example. Assume I understand functions but not advanced concepts.

Beispiel 3: Quiz erstellen

Create five multiple-choice questions testing understanding of SQL joins. Include one question each for: inner join, left join, right join, full outer join, and cross join. Provide explanations for correct answers.

Beispiel 4: Schritt-für-Schritt-Anleitung

Teach me how to create a pivot table in Excel. I've never used them before. Break it into numbered steps with one clear action per step. Use a sample sales dataset as the example.

Beispiel 5: Konzeptvergleich

Explain the difference between supervised and unsupervised learning as if teaching a business analyst with no machine learning background. Use real-world business examples for each.

Wie man bessere chatGPT-Eingabeaufforderungen schreibt

Bessere Eingabeaufforderungen schaffen ein Gleichgewicht zwischen Klarheit und Kontext. Hier sind bewährte Techniken, die die Ergebnisse verbessern:

Zero-Shot-Prompting

Zero-Shot-Prompting heißt einfach, direkt zu fragen, ohne Beispiele zu geben. Es klappt bei einfachen Sachen:

Summarize this paragraph in one sentence: [paste text]

Einmalige Eingabeaufforderung

Mit One-Shot-Prompting gibst du ein Beispiel, um den gewünschten Ton oder das gewünschte Format zu zeigen:

Convert these technical terms to plain language. Example: "API" becomes "a way for software programs to communicate with each other."

Now convert: "OAuth authentication"

Few-Shot-Prompting

Few-Shot-Prompting gibt mehrere Beispiele, um ein Muster zu lernen:

Convert these product names to URL-friendly slugs:
"Premium Wireless Headphones" → "premium-wireless-headphones"
"4K Ultra HD Monitor" → "4k-ultra-hd-monitor"

Now convert: "Ergonomic Standing Desk Pro"

Tipp: Speicher deine besten Few-Shot-Prompts. Leg dir ein Dokument mit Vorlagen für Code-Reviews, Datenanalysen und das Schreiben von Berichten an, die du immer wieder brauchst.

Gedankenkette anregen

Bei der Kettenargumentation wird chatGPT gebeten, Schritt für Schritt zu argumentieren:

A store sells notebooks for $3 each. If you buy 5 or more, you get 20% off the total. How much do 7 notebooks cost? Think step by step.

Rollenanweisung

Die Rolle bestimmt die Expertise und den Kommunikationsstil:

You are a SQL instructor teaching beginners. Explain what a foreign key is and why it matters in 100 words or less. Use a real-world analogy.

Einschränkungen und Formatierungen sorgen dafür, dass die Antworten auf den Punkt kommen:

List three advantages of cloud computing. Requirements:
Bullet points
One sentence per point
Focus on cost and scalability
Under 100 words total

Ich schaffe es selten beim ersten Versuch. Mein Arbeitsablauf: einfach anfangen, das Ergebnis checken und dann 2-3 spezifische Details für den nächsten Versuch hinzufügen. Meistens klappt's beim zweiten oder dritten Versuch.

Fortgeschrittene Techniken zum Auffordern

Ich zeig dir Techniken, die die Fähigkeiten von chatGPT in Sachen Argumentation, Konsistenz und Automatisierung bei komplizierten Aufgaben verbessern.

Selbstkonsistenz und Reflexionsaufforderungen

Frag chatGPT, mehrere Lösungen zu generieren und sie zu vergleichen:

Generate three approaches to reducing customer churn for a SaaS company, each in 2 sentences. Then compare them in 3 sentences and recommend the best one.

Reflexionsaufforderungen fangen Fehler ab:

Review your previous answer for accuracy, clarity, and completeness. Identify any gaps or potential improvements.

Meta-prompting

Frag chatGPT, ob es dir Prompts entwerfen kann:

I need to summarize academic papers. Generate three reusable prompt templates: one for methodology, one for key findings, and one for limitations. Keep each template under 20 words.

Verwaltung von Kontextfenstern

Halte lange Gespräche auf Kurs, indem du chatGPT an deine Ziele erinnerst:

Reminder: We're designing a data pipeline for real-time analytics. All suggestions should prioritize low latency over storage efficiency.

Now, how should we handle schema changes?

In langen Gesprächen wiederhole ich alle paar Sätze mein Hauptziel. Dadurch bleibt chatGPT auf das ausgerichtet, was ich wirklich erreichen will.

Mehrfach- und modulare Eingabeaufforderungen

Teile große Aufgaben in einzelne Schritte auf:

Beispiel-Workflow für das Schreiben eines technischen Artikels:

Aufforderung 1:

Generate an outline for a 2,000-word article on API rate limiting. Include 5 main sections with 2-3 subsections each.

Aufforderung 2:

Using the outline you just created, write a 200-word introduction that explains why rate limiting matters for API developers.

Aufforderung 3:

Now expand the "Implementation Strategies" section. Include code examples in Python.

Überprüfe und passe bei jedem Schritt an, anstatt alles auf einmal zu machen. Für die Automatisierung können Entwickler diese Abläufe mit der OpenAI-API programmieren.

Rollen- und Perspektivenüberlagerung

Kombiniere mehrere Rollen für ausgewogene Antworten:

You are both a data scientist and a project manager. Explain how to prioritize machine learning projects. Address both technical feasibility and business impact.

Ich hab gemerkt, dass die Kombination von Rollen wie „Datenwissenschaftler und Business Analyst” mir ausgewogene Antworten liefert, wenn ich sowohl technisches Fachwissen als auch praktische Anwendung brauche.

Fragen zur Bewertung und Selbstkritik

Lass chatGPT seine eigenen Ergebnisse bewerten:

[After receiving a response]

Rate your previous answer on these dimensions:
- Clarity (1-10)
- Accuracy (1-10)
- Completeness (1-10)

For any score below 8, explain what's missing and provide an improved version.

Vorlagen und Wiederverwendbarkeit

Erstell wiederverwendbare Vorlagen für Aufgaben, die du oft machst:

Vorlage für die Analyse von Datensätzen:

Analyze this [DATASET TYPE] dataset with [NUMBER] rows and [NUMBER] columns.

Provide:
1. Overview: Key characteristics and data types
2. Trends: Three meaningful patterns
3. Outliers: Unusual values or anomalies
4. Visualizations: Suggest three charts with rationale

Dataset: [PASTE DATA OR DESCRIPTION]

Häufige Fehler und wie man sie behebt

Fehler 1: Unklare oder zu weit gefasste Eingabeaufforderungen

Schlecht: Tell me about Python

Warum es nicht klappt: chatGPT muss raten, was du willst. Du bekommst allgemeine Inhalte.

Behoben:

Explain how Python's list comprehension syntax works. Include three examples: filtering a list, transforming values, and nested comprehensions.

Fehler 2: Mehrere nicht zusammenhängende Fragen auf einmal stellen

Schlecht: Explain machine learning, recommend a Python course, and help me debug this code

Warum es nicht klappt: chatGPT teilt seine Aufmerksamkeit auf drei Aufgaben auf. Jede Antwort wird oberflächlich sein.

Behoben: Teile es in einzelne Aufforderungen auf, jeweils eine Aufgabe pro Aufforderung.

Fehler 3: Modellbeschränkungen ignorieren

Schlecht: What were Apple's exact revenue figures for Q3 2025?

Warum es nicht klappt: chatGPT kann nicht auf Echtzeitdaten zugreifen und könnte Zahlen erfinden, die plausibel klingen.

Behoben:

Explain how to interpret a company's quarterly revenue report. What metrics should I focus on beyond top-line revenue?

Fehler 4: Keine Einschränkungen oder Formatspezifikationen

Schlecht: Summarize this article: [paste long article]

Warum es nicht klappt: Keine Vorgaben zu Länge, Schwerpunkt oder Zielgruppe.

Behoben:

Summarize this article in three bullet points. Focus on actionable takeaways for data analysts. Maximum 150 words total.

Fehler 5: Angenommen, chatGPT erinnert sich an den Kontext von früher

Schlecht: Use the approach we discussed earlier (nach 20 Transaktionen)

Behoben:

Use the Python pandas approach we discussed for handling missing values (forward fill method). Apply it to this new dataset: [paste data]

Fazit

Gute chatGPT-Eingabeaufforderungen kommen auf klare Kommunikation an. Der Unterschied zwischen okayen und super Ergebnissen ist die Genauigkeit: Sag, wer deine Zielgruppe ist, setz Grenzen und sag klar, was du willst.

Ich hab mit den Grundlagen angefangen – Rollenzuweisung, Few-Shot-Beispiele, Kettenargumentation – und sie für meine Arbeit angepasst. Ich habe darauf geachtet, welche Aufforderungen funktioniert haben und welche nicht. So bin ich besser geworden.

Diese Techniken funktionieren in verschiedenen Bereichen, weil sie der Art und Weise entsprechen, wie chatGPT Sprache verarbeitet. Egal, ob du programmierst, Daten analysierst oder Geschäftsdokumente schreibst, es gelten immer die gleichen Regeln: Sei klar, sei konkret und passe dich den Ergebnissen an.

Um deine KI- und Datenkenntnisse zu verbessern, schau dir unsere  Einführung in chatGPT und den Kurs Grundlagen der KI an. Für praktische Übungen mit Eingabeaufforderungen bei der Datenverarbeitung schau mal hier rein Arbeiten mit der OpenAI-API