Irgendwo auf deiner Festplatte liegt eine Datei mit guten Prompts. Ein paar Screenshots aus LinkedIn, eine Vorlage von einer Kollegin, drei Sachen, die letztes Mal erstaunlich gut funktioniert haben. Und trotzdem fängst du bei jeder neuen Aufgabe wieder bei null an.

Das ist kein Disziplinproblem. Das liegt daran, dass eine Prompt-Sammlung genau so lange hilft, wie deine Aufgabe der letzten ähnelt. Sobald sie das nicht mehr tut, hast du eine Sammlung – aber keine Fähigkeit.

Der Mythos vom perfekten Prompt hält sich hartnäckig: Irgendwo da draußen gäbe es die eine magische Formulierung, die deine unscharfe Aufgabe in einem Rutsch löst. Gibt es nicht. Für alles, was komplex und unscharf ist, entsteht Qualität nicht aus der perfekten Frage, sondern aus dem Dialog.

Und genau den kann man lernen. In diesem Workshop trainierst du ein Verfahren, das wir LLM-Prompting nennen: Du entwickelst deinen Prompt gemeinsam mit dem Modell, statt ihn vorher zu erraten. Klingt banal, ist es nicht – und es ist der Unterschied zwischen „ich habe einen guten Prompt“ und „ich kann mir für jede Aufgabe einen bauen“.

Wir üben das an echten UX-Research-Aufgaben. Die Fähigkeit selbst ist völlig fachunabhängig – sie funktioniert genauso für dein nächstes Konzept, deinen nächsten Report, dein nächstes Was-auch-immer.

Warum du dabei sein solltest

• Du hörst auf, bei null anzufangen: Kein Nachbauen fremder Prompts mehr. Du hast ein Vorgehen, das bei jeder neuen Aufgabe funktioniert – auch bei der, die es noch gar nicht gibt.

• Du übst es, statt es nur zu sehen: Ein Verfahren einmal vorgeführt zu bekommen, reicht nicht. Du wendest es im Workshop mehrfach an – an Aufgaben, die absichtlich unterschiedlich aussehen. Genau daran merkst du, dass es überall trägt.

• Du kannst deinen Ergebnissen wieder trauen: Du lernst, Outputs systematisch zu prüfen, statt zu hoffen. Inklusive der Frage, an welchen Stellen ein LLM zuverlässig ist – und an welchen strukturell nicht.

• Du verlierst die Ehrfurcht: AI-Modelle sind erstaunlich gut und erstaunlich renitent. Beides gleichzeitig. Wer das nüchtern einordnen kann, arbeitet schneller und ärgert sich weniger.

• Du nimmst etwas mit, das nicht in drei Monaten veraltet ist: Tool-Tipps sind Verbrauchsmaterial. Ein Verfahren nicht.

Das erwartet dich

Wie AI wirklich funktioniert – und warum das für dich praktisch relevant ist

• Was ein Sprachmodell tatsächlich tut, wenn es antwortet (Spoiler: es weiß nichts, es rechnet)

• Warum Halluzinationen kein Versehen sind, sondern in der Architektur angelegt – und was daraus für deine Arbeit folgt

• Der Unterschied zwischen einem Modell, das dir gefallen will, und einem, das recht hat

Frameworks: das eingefrorene Ergebnis von jemand anderem

• Wie erprobte Prompt-Frameworks aufgebaut sind – und was sie dir zeigen, was sie dir aber nicht abnehmen

• Warum ein fertiges Framework nur so lange hilft, wie deine Aufgabe hineinpasst

• Livedemo: Wie ein solches Framework überhaupt entsteht

LLM-Prompting: das Kernverfahren

• Mit dem Modell über die Aufgabe reden, bevor du es die Aufgabe erledigen lässt

• Meta-Prompting: das LLM den Prompt entwickeln lassen, den du danach einsetzt

• Iterieren, testen, im frischen Chat gegenprüfen – und wissen, wann du fertig bist

• Mehrere Durchläufe an bewusst verschiedenen Aufgabentypen, mit steigender Selbstständigkeit

Komplexe Aufgaben zerlegen

• Prompt-Ketten für Analysen, die zu groß für einen einzigen Prompt sind

• Kritische Regeln, die verhindern, dass dir das Modell die Lücken hübsch zufantasiert: Quellenbeschränkung, Zitatpflicht, Interpretationsverbot, ehrliches „dafür reichen die Daten nicht“

• Der Qualitätsmanager-Schritt: das Modell seine eigene Arbeit prüfen lassen

Kontext geben – Fluch und Segen

• Warum eigene Daten die Ergebnisse deutlich besser machen

• Und warum dieselbe Mechanik einen falschen Input genauso überzeugend trägt wie einen richtigen

• Quellenhygiene: eine Kompetenz, die du als UX-Researcher:in im Prinzip schon hast – nur auf ein neues Objekt gerichtet

Einordnen und mitnehmen

• Erstellen vs. Analysieren: wo die Risiken jeweils liegen

• Welcher Aufgabentyp welches Vorgehen braucht

• Die Alltags-Checkliste, mit der du morgen weitermachst

Wie wir arbeiten

Der Workshop ist zu zwei Dritteln Übung. Du arbeitest in kleinen Gruppen an einem durchgehenden Fall: ein fiktives Startup, das die Customer Journey rund um Zahnarztbesuche verbessern will. Der Fall ist bewusst neutral – so kann jede:r mit dem LLM der eigenen Wahl arbeiten, ohne dass vertrauliche Daten in einem Chatfenster landen, das niemand kontrolliert.

Inhouse mit sicherer Umgebung? Dann können wir stattdessen mit euren echten Daten und euren echten Aufgaben arbeiten. Sprich uns einfach an – das lässt sich einrichten.

Für wen ist das Seminar?

Für alle, die AI nicht mehr nur ausprobieren, sondern zuverlässig einsetzen wollen. Der Workshop richtet sich an UX-Menschen mit sehr unterschiedlichem Vorwissen: Wer noch wenig gemacht hat, bekommt hier einen belastbaren Einstieg. Wer schon länger prompted, bekommt das, was in den meisten AI-Trainings fehlt – nicht noch mehr Techniken, sondern das Verfahren dahinter.

Die Beispiele kommen aus dem UX-Research. Die Fähigkeit nimmst du mit in jedes andere Feld.