Prompt Engineering mit Hindernissen: in scheinbarer Einfachheit lauert eine Falle

Herausforderungen trotz Fragen in natürlicher Sprache 

In Zeiten von Generativer KI und Large Language Models (LLMs) verändert sich die Schnittstelle zwischen Controller und Datenmodell drastisch. 

Statt komplexer Datenbankabfragen genügt heute oft ein natürlicher Satz, um eine Analyse anzufordern. Doch genau in dieser scheinbaren Einfachheit lauert eine methodische Falle: die Verwendung relativer Begriffe im Prompt Design.

Das Phänomen: Eindeutig für Menschen, unpräzise für Maschinen 

Im zwischenmenschlichen Dialog funktionieren relative Wörter hervorragend, weil unser Gesprächspartner auf implizites Kontextwissen, Berufserfahrung und gemeinsame Standards zurückgreift. Sagen wir einem Controller-Kollegen: „Erstelle bitte eine detaillierte Analyse der Abweichungen“, weiß dieser im Rahmen der Unternehmenskultur genau, was gemeint ist.

Eine KI verfügt jedoch nicht über diesen organisch gewachsenen Erfahrungsschatz. Sie interpretiert Begriffe rein statistisch auf Basis ihres Trainingskorpus. Relative Attribute besitzen keine feste mathematische Definition und sind extrem kontextabhängig.

Typische relative Wörter in Prompting-Fallstricken:

• erfahren
• modern
• professionell
• schnell
• detailliert
• umfangreich
• gut
• schlecht
• günstig

Ein Beispiel aus der Controlling-Praxis  

Welche gravierenden Auswirkungen dieses Missverständnis in der täglichen Steuerungspraxis haben kann, verdeutlicht die Gegenüberstellung zweier Prompts zur gleichen Aufgabenstellung:

❌ Ungenauer Prompt (Risikobehaftet):

„Du bist ein erfahrener Controller. Analysiere die Umsatzabweichungen.“

✅ Präziser Prompt (Strukturierte Lösung):

„Du bist ein Controller mit 20 Jahren Berufserfahrung im Handelscontrolling. Analysiere die Umsatzabweichungen bezogen auf Preis-, Mengen- und Mix-Effekte und erstelle eine dreistufige Ursachenanalyse.“

Das Problem dahinter: Die KI weiß nicht direkt, was „erfahren“ konkret bedeutet. Für das Modell kann ein „erfahrener Controller“ bedeuten, dass es hochkomplexe mathematische Derivate berechnen soll, oder aber, dass es das Thema sachlich wie ein Lehrbuch zusammenfasst. Das Ergebnis variiert massiv. Die KI wird hier stark spekulieren und es ist auch viel davon abhängig, wie die vorigen Chatverläufe waren, in diesem Fall startet eine Antwort auch mal mit „Aus unseren vorigen Gesprächen weiß ich,…“

Ohne klare Messgrößen entsteht Fehlinterpretation.

Fazit & Controlling-Learning 

Für ein modernes, KI-gestütztes Berichtswesen gilt daher eine klare Grundregel im Prompt Engineering: Relative Wörter müssen konsequent durch Fakten, Kennzahlen und konkrete Rahmenbedingungen ersetzt werden.

Ersetzen Sie Adjektive durch Quantifizierungen: 

• Statt „schnell“ definieren Sie „in 3 Stichpunkten“;
• statt „umfangreich“ fordern Sie „inklusive Abweichungstabelle und Top-5-Risiken“. 

Nur so sichern Sie die Verlässlichkeit und Reproduzierbarkeit Ihrer Controllingergebnisse.