Kein Master Prompt ersetzt ein gutes Datenfundament

Warum die Qualität einer KI-Anwendung bereits vor dem ersten Prompt entschieden wird.

Es ist verführerisch, jede schwache KI-Antwort als Promptproblem zu behandeln. Wenn ein Ergebnis zu allgemein bleibt, wird die Rolle ausführlicher beschrieben. Wenn Details fehlen, wächst die Aufgabenstellung. Wenn die Struktur nicht stimmt, kommen Formatregeln, Beispiele und zusätzliche Kontrollschleifen hinzu. Das alles kann die Ausgabe verbessern. Doch irgendwann erreicht diese Optimierung eine Grenze: Ein Prompt kann nur mit dem arbeiten, was dem System als belastbare Grundlage zur Verfügung steht.

Liegen veraltete Richtlinien, widersprüchliche Tabellen und unmarkierte Entwürfe nebeneinander, hilft selbst ein brillanter Master Prompt nur begrenzt. Er kann verlangen, die „gültige Version" zu verwenden. Er kann aber nicht zuverlässig erkennen, welche Version gültig ist, wenn diese Information nirgendwo festgehalten wurde. Er kann um aktuelle Zahlen bitten. Er kann Aktualität jedoch nicht herstellen, wenn Zeitstempel fehlen oder eine korrigierte Quelle nie aufgenommen wurde.

Der Prompt steuert die Aufgabe – die Daten begrenzen die Wahrheit

Ein Prompt beschreibt Absicht, Rolle, Verfahren und Ausgabe. Das Datenfundament bestimmt, welche Aussagen das System überhaupt begründen kann. Diese Trennung ist zentral. Sie verhindert, dass sprachliche Präzision mit sachlicher Zuverlässigkeit verwechselt wird.

Ein Modell kann aus einem ungeordneten Bestand eine überzeugende Antwort formulieren. Genau das macht das Problem gefährlich. Grammatik, Tonalität und Struktur können professionell wirken, obwohl die Grundlage falsch gewählt wurde. Die entscheidende Qualitätsfrage lautet deshalb nicht nur: „Hat die KI meine Anweisung verstanden?" Sie lautet ebenso: „Welche Informationen durfte sie als gültig behandeln – und warum?"

In einem kleinen Projektordner können ein Briefing, zwei Gesprächsnotizen, eine Kalkulation und mehrere Präsentationen liegen. Für erfahrene Teammitglieder ist möglicherweise intuitiv klar, welche Datei zählt. Ein KI-System verarbeitet dagegen die Signale, die verfügbar sind: Dateiname, Textinhalt, Metadaten, Ähnlichkeiten und technische Filter. Fehlen Status, Datum, Herkunft und Beziehung, muss es aus unvollständigen Hinweisen auswählen. Schon hier entsteht ein vorgelagerter Grounding- und Qualitätsrisikofaktor.

Datenqualität ist kein einzelner Wert

„Saubere Daten" klingt eindeutig, ist es aber nicht. Datenqualität ist zweckgebunden. Eine vollständige Kundenliste kann für eine aktuelle Kontaktkampagne ungeeignet sein, wenn die Adressen veraltet sind. Eine richtige Zahl kann für die heutige Entscheidung falsch verwendet werden, wenn sie einen früheren Berichtszeitraum beschreibt. Ein exaktes Gesprächsprotokoll kann irreführen, wenn es eine später verworfene Idee dokumentiert.

Für KI-Anwendungen sind mindestens sechs Fragen hilfreich:

1 · Herkunft: Woher stammt die Information, und lässt sich die Quelle wiederfinden?

2 · Gültigkeit: Ist sie Entwurf, geprüft, freigegeben, ersetzt oder archiviert?

3 · Aktualität: Für welchen Zeitraum gilt sie, und wann wurde sie zuletzt überprüft?

4 · Eindeutigkeit: Sind Begriffe, Einheiten und Identifikatoren konsistent definiert?

5 · Zugriff: Wer oder welches System darf sie für welchen Zweck verwenden?

6 · Verantwortung: Wer bestätigt fachliche Bedeutung und notwendige Änderungen?

Diese Fragen sind keine bürokratische Dekoration. Sie übersetzen menschliche Projektlogik in eine Struktur, die Suchsysteme, Retrieval-Pipelines und Agenten berücksichtigen können.

Mehr Material ist nicht automatisch mehr Kontext

Wenn Unsicherheit entsteht, reagieren viele Teams mit Volumen: Sie laden zusätzliche Ordner, E-Mails und Präsentationen hoch. Damit wächst der Bestand, aber nicht zwingend die Orientierung. Doppelte Aussagen können im Retrieval mehrfach auftauchen. Ähnliche Zwischenstände konkurrieren miteinander. Thematisch passende, aber veraltete Dokumente können höher gerankt werden als eine kurze, aktuelle Freigabe.

Ein praktikables Muster ist die Trennung zwischen aktivem Arbeitsraum und Archiv. Im aktiven Bereich liegen nur die für eine Aufgabe zugelassenen und ausreichend aktuellen Quellen. Das Archiv bewahrt Historie, Alternativen und Nachweise, wird aber nicht ungefiltert in jede Anfrage einbezogen. So geht nichts verloren, ohne dass alles gleichzeitig um Aufmerksamkeit konkurriert.

Diese Trennung muss nicht zwingend durch zwei physische Ordner entstehen. Sie kann über Statusfelder, Versionen, Gültigkeitszeiträume und Retrieval-Filter umgesetzt werden. Entscheidend ist, dass „auffindbar" nicht automatisch „für jede Antwort verwendbar" bedeutet.

Die Datenkarte als kleinste Governance-Einheit

Schon ein kompaktes Metadatenschema kann die Zuverlässigkeit deutlich erhöhen. Für jedes wichtige Objekt hält eine Datenkarte Zweck, Quelle, Stand, verantwortliche Rolle, Schutzklasse, Beziehungen und offene Fragen fest.

id: policy-042
title: Reisekostenrichtlinie
source: internes Richtlinienregister
status: approved
valid_from: 2026-04-01
supersedes: policy-031
owner: Finance Operations
ai_use: internal-approved
review_due: 2027-03-01

Die Datenkarte sagt nicht, dass der Inhalt fehlerfrei ist. Sie macht jedoch überprüfbar, warum ein System ihn verwenden durfte. Wenn eine neue Fassung entsteht, kann die Beziehung zur ersetzten Version dokumentiert und das Retrieval angepasst werden.

Was KI sinnvoll übernehmen kann

KI eignet sich gut für skalierbare Vorarbeit. Sie kann Dokumenttypen klassifizieren, Metadaten vorschlagen, mögliche Dubletten erkennen, ungewöhnliche Werte markieren und widersprüchliche Aussagen nebeneinanderstellen. Diese Ergebnisse sind Vorschläge, keine stillen Wahrheitsentscheidungen.

Bei kritischen Feldern sollte die Originalinformation erhalten bleiben. Eine automatische Änderung braucht mindestens Ausgangswert, Vorschlag, Methode, Zeitpunkt und Freigabe. So lässt sich später rekonstruieren, ob ein Fehler in der Quelle, der Transformation, dem Retrieval oder der Antwort entstand.

Der Mensch wird dadurch nicht zum manuellen Sortierer jeder Datei. Seine wichtigere Rolle besteht darin, Bedeutung, Grenzen und Freigaben zu definieren. Er entscheidet, welche Definition im Unternehmen gilt, welche Unsicherheit akzeptabel ist und an welcher Stelle ein System pausieren oder eskalieren muss.

Ein robuster Minimalprozess

Vor dem Einsatz einer KI lassen sich fünf Schritte als wiederholbarer Qualitätsprozess etablieren:

1 · Inventarisieren: Quellen erfassen, Formate und Verantwortlichkeiten sichtbar machen.

2 · Qualifizieren: Relevanz, Gültigkeit, Aktualität, Schutzbedarf und Qualität prüfen.

3 · Kuratieren: Aktive Quellen auswählen, Dubletten und ersetzte Fassungen aus dem Standard-Retrieval nehmen.

4 · Bereitstellen: Metadaten, Zugriffsregeln, Chunking und Retrieval für den Anwendungsfall konfigurieren.

5 · Evaluieren: Mit Testfragen prüfen, ob die richtigen Quellen gefunden und Aussagen durch Belege getragen werden.

Dieser Prozess ist nicht einmalig. Daten verändern sich, Systeme werden aktualisiert und neue Fehlerbilder werden sichtbar. Deshalb braucht das Datenfundament einen Lebenszyklus mit Review-Terminen, Änderungsprotokoll und klarer Stilllegung alter Versionen.

Der entscheidende Perspektivwechsel

Prompt Engineering bleibt wichtig. Ein guter Prompt formuliert Ziel, Grenzen, Verfahren und gewünschte Form. Doch seine Wirkung hängt davon ab, ob das System auf einen verantworteten Informationsraum zugreift. Der Prompt beschreibt den Auftrag. Das Datenfundament definiert, worauf dieser Auftrag verlässlich bauen darf.

Bevor du also den nächsten Master Prompt um eine weitere Seite verlängerst, prüfe die Unterlagen darunter. Benenne ihre Herkunft. Markiere ihren Status. Trenne aktuelle Freigaben von historischen Fassungen. Definiere, wer fachliche Gültigkeit bestätigt. Teste anschließend nicht nur die Antwort, sondern auch die Auswahl ihrer Belege.

Die stärkste KI-Anweisung ist manchmal keine neue Formulierung. Es ist die Entscheidung, die Grundlage endlich so zu ordnen, dass das System nicht raten muss.

Übungsblatt: Baue das Datenfundament für eine KI-Aufgabe

Wähle einen realen Anwendungsfall und drei bis fünf dazugehörige Dateien. Erstelle für jede Datei eine Datenkarte und entscheide anschließend, welche Quellen in den aktiven Arbeitsraum gehören.

1. Zweck und Entscheidung bestimmen. Formuliere die konkrete KI-Aufgabe. Notiere, welche Entscheidung oder welches Arbeitsergebnis daraus folgen soll und welche Fehlerfolge besonders kritisch wäre.

2. Quellen qualifizieren. Erfasse je Datei Herkunft, Datum, Status, verantwortliche Rolle, Schutzklasse, mögliche Widersprüche und erlaubte KI-Nutzung.

3. Aktiven Kontext kuratieren. Ordne jede Quelle einem Zustand zu: aktiv, nur als Referenz, archiviert oder gesperrt. Begründe die Zuordnung in einem Satz.

4. Kontrollfragen entwickeln. Erstelle drei Fragen, deren richtige Beantwortung nur mit den freigegebenen Quellen möglich ist. Ergänze eine unbeantwortbare Frage, bei der das System transparent ablehnen soll.

5. Ergebnis prüfen. Bewerte getrennt, ob die richtigen Quellen ausgewählt wurden und ob jede zentrale Aussage tatsächlich durch eine Passage getragen wird.

Alle Materialien zum Download – die Themenübersicht und das Übungsblatt:

Abgrenzung: Das NIST AI RMF ist freiwillig. Artikel 10 des EU AI Act gilt für Hochrisiko-KI-Systeme und wird hier nicht als allgemeine Pflicht für jede KI-Anwendung dargestellt.

Quellen und fachliche Einordnung