„Denk Schritt für Schritt“ kann weg: Die Prompt-Streichliste mit Belegen

Darum geht es

„Du bist ein erfahrener Experte für …“, „Denk Schritt für Schritt“, „WICHTIG: Halte dich IMMER an diese Regel“: Solche Formeln stehen in deutschen Prompt-Ratgebern, in Firmenvorlagen und in vielen AGENTS.md- und CLAUDE.md-Dateien. Das sind die Textdateien, mit denen man Coding-Agenten dauerhafte Anweisungen für ein Projekt mitgibt. PC-WELT empfahl 2024 als ersten Tipp, der KI eine Expertenrolle zu geben, weil das Wort „Experte“ eine „starke Signalwirkung“ habe.

Innerhalb weniger Wochen haben nun Anthropic und OpenAI Leitfäden veröffentlicht, die im Kern dasselbe sagen: Viele dieser Gewohnheiten bringen bei den aktuellen Modellen nichts mehr oder bremsen sie aus. Unsere These: Den meisten Tricks hatte schon vorher niemand einen sauberen Nutzen nachgewiesen. Neu ist nur, dass die Hersteller es jetzt selbst sagen. Wir stellen die Herstellerempfehlungen den unabhängigen Messungen gegenüber, Trick für Trick.

Was die Hersteller jetzt selbst sagen

Anthropic hat am 12. November 2026 einen Leitfaden veröffentlicht, wie man Opus 5.5 als Standardmodell für Wissensarbeit nutzt. The Decoder und DiarioBitcoin haben darüber berichtet. Die Kernpunkte: „think hard“ und „think carefully“ streichen, weil Opus 5.5 ohnehin immer nachdenkt. Mit der Effort-Stufe Medium beginnen, also dem Regler, der festlegt, wie viel Rechenaufwand das Modell vor der Antwort betreibt, und nur bei Bedarf auf High gehen. Das fertige Dokument direkt anfordern statt erst eine Gliederung. Die Entwickler-Doku Prompting Claude Opus 5.5 wird noch deutlicher. Wer weniger Denkaufwand will, soll den Effort senken, denn das reduziere das Nachdenken „zuverlässiger als Prompt-Anweisungen“. Als Herstellerangabe heißt es außerdem, Opus 5.5 auf Medium erreiche oder übertreffe Opus 5 auf High. Schon im Juli hatte Anthropic geschrieben, man habe über 80 Prozent des Systemprompts von Claude Code gestrichen, „ohne messbaren Verlust“ in den eigenen Coding-Tests. Die Beschreibung des Aufgabenlisten-Werkzeugs schrumpfte dabei von etwa 9.100 Zeichen auf wenige Zeilen.

OpenAI argumentiert ähnlich, für GPT-5.6 und GPT-6 Astra. Der Prompt-Leitfaden zu GPT-5.6 rät, von einem funktionierenden Prompt Gruppe für Gruppe Anweisungen zu entfernen und nach jedem Schritt erneut zu testen. Absolute Wörter wie ALWAYS, NEVER oder „must“ sollen nur für echte Invarianten stehen, etwa Sicherheitsregeln. Im Blogbeitrag „Rethinking skills and prompts for GPT-6 Astra“ von Eric Provencher heißt es über alte, strenge Freigaberegeln:

„Astra könnte sie zu ernst nehmen und die Arbeit dort stoppen, wo du eigentlich froh wärst, wenn es weitermacht.“

Google fällt aus dem Muster. Für Gemini 4 sagt die Doku vor allem, welche Parameter man entfernen soll: Temperatur, top_p und top_k werden ignoriert. Statt eines Denkbudgets gibt es jetzt eine Denkstufe (thinking_level). Die allgemeine Seite zu Prompting-Strategien empfiehlt aber weiterhin: „Wir empfehlen, immer Few-Shot-Beispiele in den Prompt aufzunehmen.“ Few-Shot bedeutet, dem Modell ein paar Musterlösungen mitzugeben. Die Seite rät auch zu einer Rolle im Systemprompt und hält „Think very hard before answering“ bei schweren Aufgaben für hilfreich. Eine eigene Gemini-4-Streichliste haben wir nicht gefunden.

Die Streichliste im Überblick

Was unabhängige Studien messen

Die gründlichste Messreihe sind die „Prompting Science Reports“ der Wharton Generative AI Labs (Meincke, Mollick, Mollick, Shapiro u. a.). Sie stellen jede Frage viele Male, weil ein einzelner Durchlauf bei Sprachmodellen wenig aussagt.

• Chain of Thought (Report 2, Juni 2025) – so heißt die Aufforderung, Schritt für Schritt zu denken. Getestet wurden 198 GPQA-Diamond-Fragen auf Doktorandenniveau mit je 25 Durchläufen. Bei klassischen Modellen half der Trick im Schnitt: Gemini 2.0 Flash +13,5 Prozent, Claude 3.5 Sonnet +11,7 Prozent. Dafür dauerten die Antworten 35 bis 600 Prozent länger, außerdem wurden die Ergebnisse unbeständiger. Bei Reasoning-Modellen, die von sich aus vor der Antwort nachdenken, blieb fast nichts übrig: o3-mini +2,9 Prozent, o4-mini +3,1 Prozent, Gemini 2.5 Flash −3,3 Prozent. Der Zeitaufschlag lag bei 20 bis 80 Prozent.
• Drohungen und Trinkgeld (Report 3, August 2025). Die Forscher testeten Prompts wie „Ich trete einen Welpen“, 1.000 Dollar Trinkgeld oder eine Billion Dollar. Anlass war die Behauptung von Google-Mitgründer Sergey Brin, Modelle arbeiteten unter Drohung besser. Ergebnis: im Allgemeinen kein signifikanter Effekt. Die eine Auffälligkeit, rund zehn Prozentpunkte Plus bei Gemini 2.0 Flash mit der Geschichte einer krebskranken Mutter, werten die Autoren als Eigenheit dieses einen Modells.
• Expertenrollen (Report 4, Dezember 2025). Sechs Modelle, 25 Durchläufe pro Frage. Keine Expertenrolle verbesserte die Trefferquote bei GPQA zuverlässig. Rollen wie „Kleinkind“ oder „Laie“ senkten sie oft. Passte die Expertenrolle nicht zum Fach, verweigerte Gemini 2.5 Flash im Schnitt 10,56 von 25 Antworten, weil ihm angeblich die Expertise fehle.
• Höflichkeit (Report 1, März 2025). Ob man „Please“ oder „I order“ schreibt, verschob einzelne Fragen um bis zu 60 Prozentpunkte. Über den ganzen Datensatz glich sich das aber weitgehend aus.

Dieses Muster zieht sich durch: Im Durchschnitt bewirkt der Trick wenig, bei einzelnen Fragen kann er viel ändern, in beide Richtungen. Report 3 fand Ausschläge von +36 und −35 Prozentpunkten. Wer einen Trick an drei Beispielen ausprobiert und eine Verbesserung sieht, hat deshalb womöglich nur Zufall gemessen.

Zu Kontextdateien gibt es zwei Studien, die sich widersprechen. Forscher der ETH Zürich (arXiv 2602.11988, ICLR 2026) fanden, dass AGENTS.md-Dateien die Erfolgsquote im Allgemeinen nicht erhöhen, die Kosten aber um mehr als 20 Prozent steigern. Übersichten über das Repository brachten trotz Herstellerempfehlung keinen Nutzen. Lulla et al. (arXiv 2601.20404) maßen dagegen bei 124 Pull Requests eine um 28,6 Prozent kürzere mittlere Laufzeit und 16,6 Prozent weniger Ausgabe-Token, bei vergleichbarem Erfolg. Die Stichprobe ist allerdings klein, und die Autoren sprechen nur von einem Zusammenhang. Unsere Einschätzung: Es kommt auf den Inhalt der Datei an. Wenig, aber Unübliches hilft, Wiederholungen der vorhandenen Doku kosten nur. Dazu passt der Benchmark IFScale. Dort hielten selbst die besten Modelle bei 500 gleichzeitigen Anweisungen nur 68 Prozent ein.

Wo die alten Tricks doch wirken

Ganz wirkungslos sind die Tricks nicht:

• Hervorhebung bei Formatregeln: Eine Studie vom März 2026 (arXiv 2603.23530) zeigt, dass Modelle Formatvorgaben unter gleichzeitiger Aufgabenlast um 2 bis 21 Prozent schlechter einhalten. Bei Vorgaben für das Ende der Antwort sind es bis zu 50 Prozent. Eine ausdrückliche Markierung („IMPORTANT“) und eine Erinnerung am Ende stellten in vielen Settings 90 bis 100 Prozent Einhaltung wieder her. WICHTIG kann also helfen, wenn es einmal und gezielt eingesetzt wird.
• Rollen bei subjektiven Aufgaben: Bei der Erkennung von Hassrede verbesserten Persona-Prompts die Klassifikation (arXiv 2601.20757). Die Begründungen des Modells wurden dabei aber schlechter. Auch die Wharton-Autoren betonen, dass sie nur die Treffergenauigkeit gemessen haben, nicht Ton oder Perspektive.
• Beispiele für das Format: In Report 1 senkte das Weglassen von Formatanweisungen die Leistung bei beiden getesteten Modellen.

Auch die Hersteller sind nicht konsequent. Anthropics eigene Best-Practice-Seite zeigt weiterhin Systemprompts wie „You are a helpful coding assistant specializing in Python“. Ein Design-Beispiel dort endet mit „it is critical that you think outside the box!“, obwohl die Opus-5.5-Seite gleichzeitig erklärt, dass allgemeine Wünsche wie „vermeide einen generischen KI-Look“ meist nur einen Standardstil gegen einen anderen tauschen.

Was stattdessen wirkt

Was alle Leitfäden gemeinsam empfehlen:

1. Ziel und Abschluss definieren. OpenAI rät, festzulegen, was „fertig“ bedeutet, etwa umsetzen, ausführen, prüfen, Fehler beheben. Eine Pflicht zur Rückmeldung nach dem ersten Entwurf lässt Astra dagegen zu früh anhalten.
2. Kontext statt Beschwörung. Dateien und Diagramme anhängen statt abtippen, Hausstil und Vorlagen mitgeben, unerwünschte Muster konkret benennen.
3. Effort statt „denk gründlich“. Der Regler ist laut Anthropic der wichtigste Hebel für Qualität, Wartezeit und Kosten. Ein unabhängiger Test von David Krcek (rotecodefraktion.de) stützt das: Opus 5.5 auf Medium löste alle 30 Durchläufe wie Opus 5 auf High, war aber 44 Prozent günstiger und im Median etwa doppelt so schnell.
4. Erlaubnis ausdrücklich geben. Statt vieler Verbote sichere Abläufe freigeben, etwa „betroffene Tests ohne Rückfrage erneut ausführen“. Harte Grenzen für riskante Aktionen bleiben trotzdem stehen.

Einordnung

Unsere Einschätzung: Die Leitfäden widerrufen weniger, als es scheint. „Denk Schritt für Schritt“ war ein sinnvoller Kniff für Modelle, die nicht von selbst nachdachten. Seit das Nachdenken eingebaut ist und per Regler gesteuert wird, ist die Zeile Ballast. Expertenrollen, Drohungen und Trinkgeld hatten dagegen nie einen belastbaren Nachweis, nur Anekdoten.

Zwei Einschränkungen gehören dazu. Die Wharton-Messungen stammen von Modellen aus den Jahren 2024 und 2025 und messen nur Multiple-Choice-Treffer. Für Opus 5.5, GPT-6 Astra oder Gemini 4 gibt es bisher nur Herstellerangaben und wenige Einzeltests. Und die Hersteller haben ein Eigeninteresse: Kürzere Prompts lassen ihre Modelle schneller und günstiger wirken.

Der praktische Rat für alle, die gerade umsteigen: Alte Prompts und Skill-Dateien nicht ungeprüft mitnehmen. Eine Regelgruppe nach der anderen streichen und an echten Aufgaben mit mehreren Durchläufen nachmessen.