Die 9 Level des Promptens

„Was ist KI?“ — diese Frage bekommt heute jede:r gratis beantwortet, von jedem Sprachmodell der Welt. Die Antwort ist immer dieselbe: freundlich, korrekt, vergessen, sobald man weiterklickt. Zwischen dieser ersten Frage und einer KI, die als Arbeitskollege eigene Rollen übernimmt, komplexe Analysen gemeinsam bewältigt und Strategien entwirft — das ist der Weg, den die meisten Unternehmen und Fachleute gerade gehen. Er lässt sich in Stufen beschreiben.

Die von AutogenAI populär gemachte Einordnung „Die 9 Level des Promptens“ zeigt diese Reise als Aufstieg — vom vagen Fragezeichen bis zum Agenten-Kollektiv. Neun Stufen, die sich in vier Erkenntnisphasen bündeln lassen.

Phase 1: Bitten (Level 1–3) — Der Fragebogen

Level 1, Zero- und Basic-Prompting, ist die Suchmaschinen-Gewohnheit: „Was ist KI?“ Wer so fragt, bekommt eine Enzyklopädie-Antwort — korrekt, beliebig, austauschbar. Level 2, Directive Prompting, fügt Richtung hinzu: „Erkläre, wie SEO funktioniert.“ Schon besser. Level 3, Structured Prompting, legt zum ersten Mal die Antwortform fest: „Erstelle die Antwort als Tabelle mit drei Spalten: Problem, Ursache, Lösung.“

Der Sprung von 1 auf 3 ist der größte Hebel am Anfang. Struktur — Überschriften, Tabellen, klar definierte Segmente — verbessert Verständnis und Behalten messbar. Wer das Antwortformat vorgibt, denkt zum ersten Mal über sein eigenes Problem nach, nicht nur über die Antwort.

Phase 2: Rollen und Denken (Level 4–5) — Der Perspektivwechsel

Level 4, Role- und Persona-Prompting, gibt der KI eine Identität: „Du bist ein erfahrener CTO. Erkläre die Vor- und Nachteile von Option X für unser Architekturproblem.“ Die Rolle verändert Ton, Tiefe und Blindstellen der Antwort — ein CTO antwortet anders als ein Vertriebsleiter, auch auf dieselbe Frage.

Level 5, Chain-of-Thought-Prompting, verändert nicht die Person, sondern den Prozess: „Löse die Aufgabe Schritt für Schritt und erkläre dein Denken bei jedem Schritt.“ Was 2022 als Forschungsergebnis zur besseren Logik-Fähigkeit großer Modelle beschrieben wurde [1], ist heute Standard: Modelle, die ihren Lösungsweg aussprechen, machen weniger Fehler — weil Zwischenschritte prüfbar werden. Für Fachleute ist das der entscheidende Punkt: Man kann widersprechen, bevor die Antwort fertig ist.

Phase 3: Füttern und Rahmen (Level 6–7) — Der Wissensvorsprung

Level 6, Context Engineering, ist der eigentliche Quantensprung für den professionellen Einsatz: „Nutze die folgenden Dokumente und Daten, um eine präzise Marktanalyse zu erstellen und Risiken und Chancen zu ermitteln.“ Ab hier arbeitet die KI nicht mehr mit Weltwissen, sondern mit Ihrem Wissen. Die Qualität der Antwort wird zur Qualität Ihrer Vorarbeit: Firmendaten, Verträge, Marktdaten, interne Reports. Das Modell wird zum Analysten Ihres Materials statt zum Plauderpartner.

Level 7, Framework-Prompting, verheiratet dieses Material mit Denkschablonen: SWOT, Porters Five Forces, OKR. „Analysiere unser Unternehmen mit SWOT und leite drei priorisierte Handlungsempfehlungen ab.“ Frameworks sind verpönte Managementwerkzeuge — aber in der KI-Anwendung haben sie eine zweite Karriere: Sie erzwingen Vollständigkeit. Eine KI mit SWOT-Rahmen vergisst keine der vier Quadranten.

Phase 4: Ziele und Agenten (Level 8–9) — die Kommandoebene

Level 8, Strategic Prompting, definiert Ziel, Bedingungen und erwartete Ergebnisse: „Entwickle eine skalierbare Wachstumsstrategie für ein SaaS-Unternehmen im B2B-Markt, mit konkreten Maßnahmen und KPIs.“ Das ist kein Prompt mehr, sondern ein Mandat. Der Unterschied zu Level 7: Hier wird nicht ein Analyserahmen gefüllt, sondern ein Entscheidungskontext geschaffen — Ziele vor Analyse, Erfolgskriterien vor Ausarbeitung.

Level 9, Multi-Agent-Prompting, schließlich verteilt die Arbeit: „Lass einen Analysten, einen Kritiker und einen Strategen zusammenarbeiten, um eine Go-to-Market-Strategie zu entwickeln und zu bewerten.“ Mehrere KI-Instanzen mit spezialisierten Rollen bearbeiten komplexe Aufgaben gemeinschaftlich — Forschung, Strategie, mehrstufige Projekte. Der Kritiker-Agent, der die Entwürfe des Analysten angreift, bevor der Stratege sie fertigstellt, ist das Vier-Augen-Prinzip — auf Maschinengeschwindigkeit.

Der Haken mit der Leiter

So einleuchtend die Stufenleiter ist: Sie hat zwei Schwächen.

Erstens ist sie keine Karriereleiter. Niemand muss Level 9 erreichen, um professionell zu arbeiten. Für die meisten Fachaufgaben liegt das Optimum bei Level 6 plus 4 — gutes Material, passende Rolle. Wer Multi-Agenten-Orchestrierung für eine E-Mail bemüht, optimiert das Werkzeug, nicht das Ergebnis.

Zweitens verdeckt die Leiter die eigentliche Schwelle. Die Schwelle verläuft nicht zwischen Level 8 und 9, sondern zwischen Level 5 und 6: Vor der Schwelle fragt man ein Modell. Hinter der Schwelle arbeitet man mit einem System, dessen Ergebnisse so gut sind wie die zugeführte Datenbasis. Genau hier trennt sich die KI-Nutzung in Unternehmen: Die größten Erfolge entstehen erfahrungsgemäß nicht durch bessere Prompts allein, sondern durch neu gestaltete Arbeitsabläufe und saubere Datenzugänge.

Was Sie morgen anders machen

Drei Regeln, die aus der Leiter folgen:

• Format vor Inhalt denken (Level 3): Bevor Sie tippen, entscheiden Sie, wie die Antwort aussehen soll. Das diszipliniert die Frage.
• Rolle und Material kombinieren (Level 4 plus 6): Die häufigste Professionalitäts-Steigerung im Alltag ist simpel — der KI eine Rolle geben und die relevanten Dokumente mitliefern.
• Den Kritiker einbauen (Level 9 light): Sie brauchen keine Agenten-Armee. Ein zweiter Durchgang mit dem Prompt „Greife die folgende Analyse an: Was fehlt, was ist schwach belegt?“ liefert einen Großteil des Multi-Agenten-Effekts.

Wer die Stufen kennt, wählt bewusst. Und bleibt gelegentlich bei Level 2 — weil die Frage an den Kollegen nebenan immer noch der schnellste Prompt ist, den es gibt.

Die 9 Level auf einen Blick

Quellenverzeichnis

[1] Wei, Jason / Wang, Xuezhi / Schuurmans, Dale / Bosma, Maarten / Ichter, Brian / Xia, Fei / Chi, Ed / Le, Quoc V. / Zhou, Denny. (2022). Chain-of-Thought Prompting Elicits Reasoning in Large Language Models. Advances in Neural Information Processing Systems (NeurIPS) 35. arXiv: 2201.11903.