Prompting mit Co-Star: Struktur statt Zufall im Umgang mit KI

Stand: 12.11.2025 13:00 Uhr

Große Sprachmodelle liefern beeindruckende Antworten - aber nicht immer die richtigen. Das Co-Star-Framework zeigt, wie Unternehmen mit intelligentem Prompting mehr Präzision und Konsistenz aus der KI herausholen können.

Jeder, der mit großen KI-Sprachmodellen (LLMs) arbeitet, kennt die Herausforderung: Sie reagieren schnell und formulieren überzeugend, sind aber nicht immer korrekt oder zuverlässig. Für den produktiven Einsatz in Unternehmen reicht das nicht aus. Entscheidend ist, dass die KI immer wieder genau das tut, was verlangt wird. Der Schlüssel dazu liegt im Prompting, also in der Art und Weise, wie Aufgaben für ein Modell formuliert werden. Das Co-Star Framework ist ein erprobtes Verfahren, um Struktur und Konsistenz zu erreichen.

Warum Prompting entscheidend ist

LLMs sind darauf trainiert, in fast jedem Kontext eine Antwort zu geben. Obwohl dies auf den ersten Blick flexibel und hilfreich erscheint, führt es zu typischen Problemen:

• Scheinbare Korrektheit: Die Antworten klingen plausibel, aber der Inhalt ist falsch.

• Inkonsistenz: Kunden werden mal förmlich, mal beiläufig angesprochen.

• Mangelnde Präzision: Kleinteilige Entscheidungen scheitern oft.

• Mangelnde Differenzierung: Anfragen, die nicht in den vorgesehenen Kontext passen, werden beantwortet statt abgelehnt.

• Mangelnde Verlässlichkeit: Bei mehrmaliger Ausführung der gleichen Aufforderung werden unterschiedliche Ergebnisse erzielt.

Damit KI im Arbeitsalltag zuverlässig arbeiten kann, braucht sie Prompts, die den Kontext abgrenzen und klare Handlungsanweisungen geben. Zu diesem Zweck gibt es zahlreiche Prompting-Richtlinien, die das LLM dazu bringen, den riesigen Kontext einzugrenzen und sich nur mit einer bestimmten Aufgabe zu beschäftigen. Eines dieser Prompting-Frameworks, das wir auch intern verwenden, heißt "Co-Star", das 2023 einen Prompting-Engineering-Wettbewerb in Singapur gewonnen hat.

Der Co-Star-Rahmen: Struktur und Grundsätze

Der Co-Star-Rahmen bietet eine strukturierte Vorlage für Prompter. Es besteht aus sechs Bausteinen:

1. Kontext

2. Zielsetzung

3. Stil

4. Tonfall

5. Zuhörerschaft (Zielgruppe)

6. Antwortformat (Format der Antwort)

Es ist eigentlich eher für den kreativen Bereich gedacht, z. B. für das Schreiben von Blogbeiträgen. Aber mit kleinen Anpassungen eignet es sich auch für präzise Anwendungen, wie wir sie im Kundenservice brauchen. Wir haben daher ein angepasstes Co-Star Framework für das interne Prompting entwickelt.

Angepasstes Co-Star Prompting für den Kundenservice

Für eine präzise Anwendung, wie wir sie im Kundenservice benötigen, konzentrieren wir uns mehr auf die auszuführenden Schritte und haben Ton und Stil kombiniert. Unser modifizierter Co-Star-Rahmen sieht nun wie folgt aus:

1. Kontext: Welche Rolle soll das Modell spielen? In welchem Szenario wird es eingesetzt?

2. Zielsetzung : Klare und kurze Definition des Ziels: Was genau soll erreicht werden?

3. Schritte: Welche Schritte sind notwendig, um das Ziel zu erreichen? Gliedern Sie die einzelnen Schritte auf, fügen Sie Regeln und Beispiele ein.

4. Tonfall: Welcher Tonfall ist angemessen (z. B. sachlich, freundlich, formell)?

5. Adressaten: Für wen ist die Antwort bestimmt?

6. Format der Antwort: In welchem Format soll die Ausgabe erfolgen (z. B. JSON, Markdown, Fließtext)?

Vergleich: Einfacher Prompt vs. angepasster Co-Star

Ein anschauliches Beispiel ist die Aufgabe, Kleinbuchstaben "r" in einem Satz zu zählen und diese Aufforderung 10 Mal mit GPT 4o mini zu wiederholen.

Co-Star in der Praxis: drei Anwendungsbereiche

Die wahre Stärke des Frameworks zeigt sich im Unternehmenskontext. Hier sind drei Beispiele mit steigender Komplexität.

Prompting bleibt iterativ

Aber auch mit Co-Star ist der erste Prompt selten der beste. Prompting ist ein iterativer Prozess, der systematisch getestet und optimiert werden muss. Die folgenden Best Practices haben sich in der Praxis bewährt:

• Klarheit vor Länge: Kurze, klare Ziele statt langatmiger Texte.

• Beispiele einbinden: Konkrete Muster (z.B. JSON-Schema) erhöhen die Erfolgsquote.

• Live-Überwachung: Beobachten Sie die Ergebnisse während des Betriebs und passen Sie sie laufend an.

Das Co-Star-Framework zeigt, wie LLMs durch klare Struktur und Schritt-für-Schritt-Anleitungen von unsicheren "Plaudertaschen" zu zuverlässigen Teamplayern entwickelt werden können. Ob für Call Summaries, Vorqualifizierung von Anrufen oder wissensbasierte Chatbots - Co-Star sorgt dafür, dass KI präzise, konsistent und produktiv eingesetzt werden kann.

Prompting ist nicht länger eine Sache des Zufalls oder des Bauchgefühls, sondern ein Werkzeug, das steuerbar und überprüfbar ist - und damit den produktiven Einsatz von KI im Unternehmen ermöglicht.