KI-Tools richtig briefen – Anforderungen klar formulieren

Ein KI-Tool kann in Sekunden Entwürfe, Zusammenfassungen oder Ideen liefern – und trotzdem am Bedarf vorbeischreiben. Der häufigste Grund ist nicht „die KI ist schlecht“, sondern ein unscharfes Briefing. Gemeint sind fehlende Ziele, unklare Zielgruppen, keine Definition von „fertig“ oder zu wenig Kontext. Wer Anforderungen sauber formuliert, bekommt reproduzierbare Ergebnisse, spart Korrekturschleifen und reduziert Risiken.

Dieser Leitfaden zeigt, wie sich ein Briefing so aufbaut, dass es mit ChatGPT, Claude, Gemini, DeepSeek & Co. funktioniert – unabhängig vom Modell. Begriffe werden einfach erklärt, und jedes Kapitel endet mit konkreten Formulierungen, die sofort nutzbar sind.

Warum ein gutes Briefing wichtiger ist als der „perfekte Prompt“

KI antwortet auf Lücken – und füllt sie selbst

LLMs (Large Language Models, große Sprachmodelle) arbeiten wahrscheinlichkeitsbasiert: Sie erzeugen Text, der „passt“, aber nicht zwingend korrekt oder passend zu einem internen Unternehmenskontext ist. Wenn wichtige Angaben fehlen, wird geraten: Ton, Prioritäten, Ziel, Fachniveau oder Randbedingungen. Genau hier entstehen Missverständnisse.

Ein gutes Briefing sorgt dafür, dass die KI nicht interpretieren muss, sondern gezielt arbeiten kann. Praktisch heißt das: weniger Rückfragen, weniger Nacharbeit, konsistentere Qualität.

Wann sich ein Briefing besonders auszahlt

• wiederkehrende Aufgaben (z. B. wöchentliche Updates, Produkttexte, Social Captions)
• Inhalte mit Risiko (z. B. rechtliche Themen, Datenschutz, Medizin, Finanzen)
• Team-Arbeit (mehrere Personen nutzen dieselben Vorlagen)
• Outputs, die weiterverarbeitet werden (z. B. in Notion, Jira, Excel, CMS)

Wer ohnehin an stabilen Ergebnissen arbeitet, profitiert zusätzlich von Standards wie Standards für Prompts im Team oder von einem sauberen KI-Styleguide für Ton und Sprache.

Die 6 Bausteine, die in keinem KI-Briefing fehlen sollten

1) Ziel: Wozu soll das Ergebnis dienen?

Das Ziel ist der wichtigste Anker. Ohne Ziel kann die KI nur raten, ob ein Text informieren, überzeugen, beruhigen, vergleichen oder aktivieren soll.

Zieldefinition als Satzvorlage:

• „Erstelle einen Entwurf, der … (Zweck) für … (Zielgruppe) ermöglicht.“
• „Das Ergebnis wird genutzt für … und muss daher … leisten.“

Beispiel: „Erstelle einen Entwurf für eine interne Mail, die das Team über die Änderung im Prozess informiert und konkrete nächste Schritte auslöst.“

2) Kontext: Was muss die KI wissen, um nicht zu raten?

Kontext ist alles, was im Unternehmen „eh klar“ ist, aber außerhalb fehlt: Produkt, Zielgruppe, vorherige Entscheidungen, Einschränkungen, Begriffe, Do’s & Don’ts. Kurzer Kontext schlägt lange Texte – wichtig ist Relevanz.

Satzvorlagen:

• „Hintergrund: …“
• „Bisheriger Stand: …“
• „Wichtig zu wissen: …“
• „Nicht annehmen: …“

Wenn regelmäßig größere Textmengen oder Dokumente eingehen, hilft es, Inputs vorher zu strukturieren. Passend dazu: KI-Input sauber vorbereiten.

3) Publikum: Für wen ist das geschrieben?

„Für alle“ ist keine Zielgruppe. Ein guter Prompt benennt Lesenden-Typ, Vorwissen, Ton und typische Fragen. So vermeidet die KI zu technische oder zu oberflächliche Ergebnisse.

Mini-Check:

• Welche Rolle liest das? (Kund:innen, Geschäftsführung, Support, Bewerbende)
• Welches Vorwissen ist vorhanden?
• Welche Begriffe sind bekannt/unbekannt?

Satzvorlage: „Zielgruppe: …, Vorwissen: …, wichtigste Frage der Zielgruppe: …“

4) Output-Format: Wie soll das Ergebnis aussehen?

Viele Missverständnisse entstehen, weil „Artikel“, „Konzept“ oder „Plan“ je nach Person etwas anderes bedeutet. Daher Format konkret machen: Struktur, Länge, Tabellen, Bulletpoints, Überschriften, Tonalität. Wenn das Ergebnis in ein Tool wandert (CMS, Mail, Ticket), sollte es dazu passen.

Output-Format als Satzvorlagen:

• „Gib das Ergebnis als … aus (Liste/Tabelle/Absätze).“
• „Nutze folgende Struktur: …“
• „Maximal … Absätze, jeweils … Sätze.“

Für strukturierte Weiterverarbeitung ist JSON oft praktisch. Dann ist eine klare Schema-Vorgabe entscheidend (sonst bricht die Automatisierung). Vertiefung: KI-Output als JSON: Schema bauen, validieren, reparieren.

5) Qualitätskriterien: Woran erkennt man „fertig“?

Statt „mach es gut“ braucht die KI überprüfbare Kriterien. Das können Pflichtpunkte, Ausschlusskriterien oder eine Prüfliste sein. So wird Qualität messbar – ohne Zahlen zu erfinden.

Akzeptanzkriterien (einfach erklärt: Bedingungen, die erfüllt sein müssen) können so aussehen:

• „Enthält diese drei Kernpunkte: …“
• „Vermeidet diese Aussagen/Behauptungen: …“
• „Nutzt einfache Sprache, keine Fachbegriffe ohne Erklärung.“
• „Wenn Informationen fehlen: stelle Rückfragen statt zu raten.“

Gerade bei faktischen Aussagen lohnt sich eine Prüfroutine. Dazu passt: KI-Antworten prüfen.

6) Grenzen: Was ist tabu, was ist unsicher?

Grenzen reduzieren Risiko und sparen Zeit. Dazu zählen: keine personenbezogenen Daten, keine internen Zahlen, keine rechtlichen Bewertungen, keine Diagnosen. Auch wichtig: Was die KI nicht erfinden soll (z. B. Quellen, Zitate, Studien).

Risikogrenzen als Formulierungen:

• „Keine sensiblen Daten verwenden; nutze Platzhalter wie [NAME], [KUNDE].“
• „Keine rechtliche Beratung; nur allgemeine Hinweise und offene Fragen.“
• „Keine Quellen erfinden; wenn unklar, als Annahme markieren und Rückfrage stellen.“

Eine kurze Vorgehensweise, die im Alltag wirklich funktioniert

In 7 Schritten von „Bitte hilf“ zu stabilen Ergebnissen

Die folgende Box ist bewusst kurz gehalten: Sie passt in ein internes Wiki und funktioniert auch unter Zeitdruck.

• Briefing-Template kopieren und mit 1–2 Sätzen pro Punkt füllen: Ziel, Kontext, Publikum, Format, Kriterien, Grenzen.
• Beispielmaterial ergänzen: 1 gutes Beispiel (was „richtig“ aussieht) und 1 schlechtes Beispiel (was vermieden werden soll).
• Unklarheiten entfernen: Begriffe definieren (z. B. „Lead“, „Test“, „Kampagne“) und Abkürzungen ausschreiben.
• Rückfragen erzwingen: „Stelle zuerst bis zu 3 Rückfragen, falls dir Informationen fehlen.“
• Erst Entwurf, dann Feinschliff: „Liefer zuerst eine Rohversion, danach eine überarbeitete Version nach Feedback.“
• Selbstcheck anfordern: „Prüfe am Ende gegen die Kriterien und liste Abweichungen auf.“
• Finale Ausgabe vereinheitlichen: gleiche Überschriften, gleiche Reihenfolge, gleiche Terminologie.

Typische Briefing-Fehler – und wie sie sich vermeiden lassen

„Mach mal professionell“: zu wenig Steuerung

„Professionell“ kann bedeuten: formell, werblich, nüchtern, technisch oder freundlich. Besser ist eine klare Ton-Ansage plus Beispiel.

Stattdessen:

• „Ton: klar, freundlich, sachlich. Keine Floskeln. Kurze Sätze.“
• „Orientiere dich am Stil dieses Beispiels: … (kurzer Auszug in eigenen Worten oder Stichpunkte).“

Zu viel Kontext ohne Prioritäten

Wenn zehn Punkte gleich wichtig wirken, wählt die KI selbst aus. Das führt zu langen Texten und verpassten Kernbotschaften.

Besser:

• „Priorität 1: …, Priorität 2: …, optional: …“
• „Wenn Platz fehlt, streiche zuerst: …“

Verdeckte Annahmen: „Du weißt schon…“

KI kennt interne Prozesse nicht. Sobald im Briefing Sätze stehen wie „wie üblich“, „wie immer“ oder „nach unserem Standard“, fehlen konkrete Regeln.

Besser:

• „Unser Standard bedeutet: … (3–5 Regeln).“
• „So sieht ein fertiges Ergebnis aus: … (Struktur).“

Mini-Vergleich: Welche Modelle reagieren wie auf Briefings?

Was in der Praxis auffällt (ohne Tool-Hype)

Unabhängig vom Anbieter gilt: Je klarer Ziel, Format und Kriterien, desto besser. Unterschiede zeigen sich oft darin, wie stark ein Modell nachfragt, wie konservativ es formuliert und wie gut es mit langen Kontexten umgeht.

Fallbeispiel aus dem Arbeitsalltag: Von „schreib eine Mail“ zu brauchbar

Ausgangslage

Ein Team möchte Kund:innen über eine Änderung in der Abrechnung informieren. Der erste Prompt lautet: „Schreib eine Mail zur neuen Abrechnung.“ Ergebnis: zu lang, zu vage, keine klare Handlungsaufforderung, falsche Annahmen über den Prozess.

Verbessertes Briefing (als Vorlage)

• Prompt-Blueprint: „Aufgabe: Entwurf einer Kundenmail.“
• Ziel: „Informieren und zur Prüfung der nächsten Rechnung anleiten.“
• Kontext: „Änderung: neue Positionsbezeichnungen; Preise bleiben gleich; Startdatum: [DATUM].“
• Zielgruppe: „Bestandskund:innen, wenig Zeit, kein Fachwissen.“
• Format: „Betreff + 3 kurze Absätze + 3 Bulletpoints + freundlicher Abschluss.“
• Kriterien: „Klar sagen: Was ändert sich, was bleibt, was soll der Kunde tun. Keine technischen Details.“
• Grenzen: „Keine Zusagen zu Einzelfällen; keine personenbezogenen Daten; bei Sonderfällen auf Support verweisen.“

Ergebnis: kürzer, klarer, weniger Nacharbeit. Vor allem ist er reproduzierbar: Das Template funktioniert bei der nächsten Änderung genauso.

Häufige Fragen aus der Praxis, kurz beantwortet

Wie lang sollte ein Briefing sein?

So kurz wie möglich, so konkret wie nötig. In der Praxis reichen oft 8–15 Zeilen plus ein Beispiel. Wenn es länger wird, helfen Prioritäten und klare Abschnittsüberschriften.

Soll die KI zuerst Rückfragen stellen oder direkt liefern?

Für riskante oder teure Aufgaben sind Rückfragen sinnvoll. Für Routine-Aufgaben kann das Briefing „wenn unklar, Annahmen als Annahmen markieren“ erlauben. Wichtig ist, das Verhalten explizit zu steuern.

Was tun, wenn Ergebnisse trotz Briefing schwanken?

Dann fehlen meist Akzeptanzkriterien oder ein Beispiel. Alternativ sind die Anforderungen widersprüchlich. Hilfreich ist ein kurzer Debug-Schritt: „Liste die Punkte, die im Briefing unklar sind, und schlage präzise Rückfragen vor.“

Ein Briefing-Template zum Kopieren (für ChatGPT, Claude, Gemini)

Zum Einsetzen in den Chat

• Ziel: …
• Kontext (kurz): …
• Zielgruppe & Ton: …
• Output-Format (Struktur, Länge): …
• Kriterien (Pflichtpunkte): …
• Grenzen/Tabus: …
• Beispiel (optional): …
• Arbeitsweise: „Wenn Infos fehlen, stelle zuerst bis zu 3 Rückfragen.“