Prompting 2026: Vergiss deine Frameworks

Irgendwo in deinem Unternehmen kursiert vermutlich noch ein Cheat-Sheet aus einer KI-Schulung von 2023. CO-STAR steht drauf, oder RISEN, vielleicht auch RTF – hübsche Akronyme, die versprechen, dass beim Prompting nichts schiefgeht, wenn man nur alle Buchstaben abarbeitet. Dergleichen ist mir schon mehrfach gereicht worden, auch gern in Form fertiger Promptlisten, in denen dann die Schlüsselbegriffe nach Bedarf ausgetauscht wurden. „Hat ja schließlich immer irgendwie funktioniert“, wenn auch häufig anders, als erwartet.

Die unbequeme Nachricht vorweg: Diese Frameworks sind keine Best Practice mehr. Sie waren nie wissenschaftliche Standards, sondern Merkhilfen – und für die Modellgeneration von Mitte 2026 sind sie an entscheidenden Stellen sogar kontraproduktiv. Die gute Nachricht steckt gleich dahinter. Was heute funktioniert, ist einfacher zu vermitteln als jedes Akronym. Dieser Artikel ist so gebaut, dass du ihn direkt an dein Team weiterreichen kannst, egal ob dort ChatGPT, Claude oder Gemini im Browser offen ist.

TL;DR

Akronym-Frameworks wie CO-STAR oder RISEN sind Merkhilfen aus der Modellgeneration von 2023 – keine Standards und für aktuelle LLMs oft Ballast.

Moderne LLMs brauchen ein klares Ziel, relevanten Kontext, Grenzen und ein definiertes Ergebnisformat – keinen Buchstaben-Zauber
„Think step by step" bringt bei Reasoning-Modellen kaum noch etwas, kostet aber messbar Zeit
Trinkgeld-Versprechen, Superlativ-Personas und „Halluziniere nicht" kannst du ersatzlos streichen
Mit einer Vorlage und einem Praxisbeispiel, die du kopieren und im Team verteilen kannst

Was CO-STAR und Co. mal waren – und was übrig bleibt

Die Akronym-Frameworks stammen aus einer Zeit, in der Sprachmodelle jede Hilfe brauchten. CO-STAR (Context, Objective, Style, Tone, Audience, Response), RISEN (Role, Instructions, Steps, End Goal, Narrowing), RTF (Role, Task, Format), dazu CRISPE und CREATE in wechselnden Definitionen – sie alle beantworten dieselbe Frage: Woran muss ich denken, bevor ich einem LLM eine Aufgabe gebe? Als Checkliste ist das weiterhin in Ordnung. Wer noch nie strukturiert geprompted hat, vergisst mit CO-STAR seltener die Zielgruppe.

Nur wurde aus der Checkliste irgendwann eine Doktrin. In Schulungen und auf LinkedIn werden diese Muster als „die richtige Art zu prompten“ verkauft, als gäbe es eine geheime Grammatik, die das LLM erst freischaltet.

Keines dieser Frameworks wurde je systematisch über aktuelle Modelle hinweg evaluiert, und was ihnen komplett fehlt, wiegt schwerer als das, was sie enthalten – Umgang mit Quellen, mit Unsicherheit, mit Prüfschritten. Genau dort entscheidet sich heute, ob ein Ergebnis brauchbar ist. Wer mit einem LLM arbeitet, das Fakten konfabuliert, dem hilft der Buchstabe ‚T‘ für Tone herzlich wenig.

Was sich seit den Cheat-Sheets geändert hat

Der wichtigste Unterschied zur Framework-Ära ist unspektakulär und steckt im Modell selbst. Aktuelle Systeme sind Reasoning-Modelle oder schalten je nach Aufgabe selbstständig in einen Denkmodus – sie erzeugen interne Rechenschritte, bevor sie antworten, ohne dass du sie darum bittest. Die drei großen Anbieter sagen dazu Mitte 2026 im Kern dasselbe. OpenAI empfiehlt für seine Reasoning-Modelle, dem Modell nicht jeden Zwischenschritt vorzukauen, sondern Ziel, Grenzen und Ausgabeformat zu definieren. Anthropic rät beim Extended Thinking zu allgemeineren Instruktionen statt starrer Schrittlisten. Und Google formuliert es in seinem Migrationshinweis am deutlichsten – wer bisher aufwendiges Prompt-Engineering betrieben hat, um das Modell zum Denken zu zwingen, soll die Denktiefe hochstellen und den Prompt vereinfachen.

Das verschiebt die Arbeit. Die Steuergröße ist nicht mehr die Rhetorik im Prompt, sondern die Frage, welche Informationen das LLM bekommt und welche nicht. Prompt Engineering wird dadurch nicht überflüssig, es wird nur unglamouröser – weniger Zauberformeln, mehr saubere Arbeitsaufträge. Wie ein guter Auftrag an einen fähigen Kollegen, der keine Gedanken lesen kann. Warum der perfekte Prompt ohnehin nur ein Baustein ist, habe ich an anderer Stelle ausführlicher aufgeschrieben.

Die Struktur, die übrig bleibt

Wenn du dir eine einzige Vorlage merken willst, dann diese. Sie funktioniert für Reasoning- und Non-Reasoning-Modelle, für ChatGPT genauso wie für Claude oder Gemini, und sie besteht hauptsächlich aus Fragen statt aus Buchstaben:

## Ziel
Welches Ergebnis soll erreicht werden?

## Kontext
Relevante Informationen, Daten, Rahmenbedingungen

## Aufgabe
Der konkrete Arbeitsauftrag

## Anforderungen
- Was muss enthalten sein, was ist ausgeschlossen?
- Wie soll das Modell mit Unsicherheit umgehen?

## Ergebnisformat
Struktur, Länge, Sprache

## Qualitätskriterien
Woran erkenne ich ein gutes Ergebnis?

Das Ganze kopierst du als ganz normale Nachricht ins Chatfenster – mehr braucht es nicht.

Wie das in echt aussieht, zeigt ein Fall, der in jedem Unternehmen vorkommt: Mehrere Quellen zu einem Thema liegen auf dem Tisch, und jemand soll daraus eine verständliche Zusammenfassung bauen. Die Version, die dafür im Alltag meist abgeschickt wird:

Du bist ein weltklasse Analyst mit 25 Jahren Erfahrung. 
Fasse die drei angehängten Dokumente präzise und professionell zusammen.
Halluziniere nicht.

Klingt vernünftig, lässt aber alles offen, worauf es ankommt – für wen das Ergebnis ist, wie lang es sein darf, was bei Widersprüchen zwischen den Quellen passiert. Zwei der vier Prompt-Tricks, um die es gleich noch geht, stecken obendrein schon drin. Mit der Vorlage wird aus demselben Auftrag:

## Ziel
Ein internes Briefing, das den Stand zur EU-KI-Verordnung
für unser Marketing-Team zusammenfasst.

## Kontext
Angehängt sind drei Quellen: ein Auszug aus dem Gesetzestext,
ein Kanzlei-Newsletter und ein Verbands-Blogartikel.

## Aufgabe
Prüfe die drei Quellen gegeneinander, führe die übereinstimmenden
Kernaussagen zusammen und verdichte sie zu einem Briefing.

## Anforderungen
- Verwende ausschließlich die angehängten Quellen
- Kennzeichne Aussagen, die nur in einer Quelle stehen
- Benenne Widersprüche zwischen den Quellen offen, statt sie zu glätten
- Wenn sich eine Frage aus den Quellen nicht beantworten lässt, teile dies mit

## Ergebnisformat
Markdown mit Zwischenüberschriften, maximal 600 Wörter, deutsch

## Qualitätskriterien
- Verständlich für Kolleginnen und Kollegen ohne IT- oder Jura-Hintergrund
- Jeder Fachbegriff in einem Halbsatz erklärt
- Jede Kernaussage lässt sich einer Quelle zuordnen

Kein einziger Zauberspruch, keine Rolle, kein Framework-Akronym – und trotzdem steckt alles drin, was das LLM braucht: gebundene Quellen, ein Umgang mit Lücken und Widersprüchen, ein klares Format und ein Qualitätsmaßstab, der sich prüfen lässt. Die vier Zeilen im Anforderungsblock sind dabei der eigentliche Unterschied zum Bauchgefühl-Prompt. Sie legen fest, was passiert, wenn die Quellen nicht hergeben, was man gern hätte – und genau da entstehen sonst die stillen Erfindungen.

Nicht jeder Alltagsprompt braucht diesen Aufbau – eine Mail umformulieren geht weiterhin in einem Satz. Sobald aber etwas vom Ergebnis abhängt, lohnt die Struktur. Der unterschätzte Block ist der letzte. Wer aufschreiben muss, woran ein gutes Ergebnis erkennbar ist, merkt oft erst dabei, dass er es selbst noch nicht weiß – und genau diese Unklarheit hätte das Modell sonst ausbaden müssen. Constraints und Format sind dabei keine Förmelei, sondern der Teil, der Nacharbeit verhindert.

Vier Prompt-Tricks, die du ersatzlos streichen kannst

„Think step by step.“ Der Klassiker unter den Prompt-Zusätzen, und er hatte seine Berechtigung – bei der Modellgeneration von damals. Das Generative AI Lab der Wharton School hat die Anweisung 2025 systematisch nachgemessen: Bei Reasoning-Modellen lagen die Genauigkeitsgewinne im niedrigen einstelligen Prozentbereich, die Antwortzeiten stiegen um 20 bis 80 %. Ein teurer Reflex für wenig Ertrag. Bei einem getesteten Modell fielen die Ergebnisse mit der Anweisung unter strengen Bewertungsmaßstäben schlechter aus als ohne. Für ältere Non-Reasoning-Modelle bleibt der Trick situativ nützlich, dazu mehr in Teil 2 – als Standardzusatz hat er ausgedient.

Trinkgeld, Drohungen, Durchatmen. „Das ist wichtig für meine Karriere“, „du bekommst 1.000 Euro Trinkgeld“, „atme tief ein“ – emotionale Prompt-Tricks aus der Frühzeit, die als Geheimwissen durch Feeds geistern. Auf einzelne Benchmarks alter Modelle mag mancher davon mal einen messbaren Effekt gehabt haben. Eine verlässliche Methode war es nie, und für aktuelle Modelle gibt es schlicht keinen Beleg, dass sich Schmeichelei auszahlt. Ein LLM ist kein unwilliger Praktikant, den man erst motivieren muss.

Die Superlativ-Persona. „Du bist der weltbeste Stratege mit 30 Jahren Erfahrung und einem IQ von 180“ liefert dem LLM exakt null operative Information. Eine Perspektive kann dagegen nützlich sein – „bewerte das aus Sicht eines IT-Leiters, der Datenschutz und Betriebskosten verantwortet“ enthält Kriterien, mit denen sich arbeiten lässt. Der Unterschied liegt nicht in der Länge der Rollenbeschreibung, sondern darin, ob sie dem LLM sagt, worauf es achten soll. Ausufernde Instruktionsprosa richtet eher Schaden an, das gilt für Prompts wie für Instruktionsdateien.

„Halluziniere nicht.“ Klingt nach Qualitätssicherung, ist aber ein Wunschzettel. Ein Verbot ersetzt keine Prüfung. Wirksamer ist, dem Modell einen Umgang mit Lücken vorzugeben – etwa die Regel, nur die mitgelieferten Quellen zu verwenden, fehlende Informationen ausdrücklich zu kennzeichnen und Fakten von Schlussfolgerungen zu trennen. Das sind drei Zeilen im Anforderungsblock, und sie leisten mehr als jede Beschwörungsformel.

Zum Weiterreichen

Falls du das intern verteilst, hier die Kurzfassung für die Kaffeeküche: Schreib dem LLM, was du erreichen willst, was es dafür wissen muss, was rauskommen soll und woran du Qualität erkennst. Lass die Zauberformeln weg. Prüfe das Ergebnis, bevor es jemand anderes tut.

Mein schmaler Take dazu: Die Framework-Ära war kein Fehler, sie war ein Übergangsphänomen. Merkhilfen für eine Technologie, die noch keine eigene Arbeitsstruktur hatte. Diese Phase ist vorbei, und wer heute noch CO-STAR-Poster druckt, schult seine Leute für Modelle, die es so nicht mehr gibt. Im nächsten Teil wird es konkreter – dann geht es um den Unterschied zwischen Reasoning- und Non-Reasoning-Modellen und die Frage, wann welcher Typ die bessere Wahl ist.