Was genau passiert, wenn du der KI sagst “nenn mir die beste Lösung” und die KI entscheidet, was “beste” bedeutet?

Dies und noch vieles mehr rund um generative KI und Prompting habe ich im KAI-Podcast mit Heike Gruber besprochen.

Über was wir uns unterhalten haben:

💡 Wie kann man Bias reduzieren?

Durch vage Begriffe wie “Optimiere” oder “Nenn mir die beste Lösung” sicher nicht. Solche Formulierungen klingen nach klaren Aufträgen, sind aber typische Bias-Fallen. Denn “beste” und “optimieren” sind keine objektiven Kriterien. Mit vagen Angaben überlässt du der KI die Entscheidung, welche Wertebasis sie anlegt. Das Ergebnis spiegelt dann eher statistische Durchschnittswerte wider, aber nicht deine Werte.

💡 Wie lassen sich Halluzinationen erkennen und reduzieren?

Ein paar einfache Kniffe, um Halluzinationen zu reduzieren: von Begrenzung der Antwortlänge bis Quellenanforderung. Und: warum erkennen wir Halluzinationen oft nicht, sondern lassen uns von den plausiblen Argumentationen der KI blenden?

Und natürlich:

💡 Rollenprompts

Wenn du einer KI sagst “Du bist ein Marketingleiter mit 25 Jahren Erfahrung”: was willst du damit konkret erreichen? Du versuchst, implizit Kontext zu geben. Aber die KI liefert ohnehin die qualitativ beste Antwort, die sie geben kann. Sie wartet nicht auf eine Rollenzuweisung, bevor sie anfängt, kompetent zu sein. Aber es gibt auch Einsatzbereiche, in denen Rollenprompts sinnvoll sind.

Halluzinationen, Confirmation Bias, Prompt-Länge oder Metaprompting aber auch die Frage: Ersetzt KI Fachexpertise? Heike hat die richtigen Fragen gestellt, und ich habe Antworten gegeben. Keine Hochglanzanleitung, sondern ein authentischer Austausch.

Wissensvermittlung muss nicht immer trocken sein, man kann jede Menge Spaß dabei haben, daher mussten Heike Gruber und ich beim Aufnehmen des Podcasts auch reichlich lachen 😄.

Den Podcast findet ihr hier:

Spotify: https://shorturl.at/PQ8LU

Apple Podcasts: https://shorturl.at/N5zlm

Webseite des wvgw: https://shorturl.at/w0902

Hier geht es zum Beitrag auf LinkedIn: Podcast Prompting

Du willst bessere Ergebnisse aus generativer KI rausholen?

Dann lohnt sich ein Blick auf Markdown.

Markdown ist eine simple Methode, Text zu formatieren: Zwei Sternchen um ein Wort? Fettdruck. Eine Raute vor einer Zeile? Überschrift. So einfach ist es. Wer diese einfache Sprache beherrscht, bekommt klarere und strukturiertere Antworten von ChatGPT & Co.

Dabei hat Markdown einen entscheidenden Vorteil: Es ist lesbar für Menschen UND Maschinen. Während Word-Dokumente komplexe Binärdaten nutzen, ist Markdown purer Text. KI kann ihn ohne Umwege direkt verarbeiten, da die Modelle Markdown strukturell interpretieren können, ohne Konvertierung oder Formatierungslogik.

Braucht KI zwingend Markdown?

Nein. Aber Markdown hilft der KI, Informationen konsistent zu strukturieren und erleichtert Parsing durch Tools oder Agents, die das Modell-Output weiterverarbeiten.

Ein Beispiel: Wenn du schreibst “Nenne mir die Vor- und Nachteile”, könnte die KI dir Fließtext, eine Tabelle oder eine Aufzählung liefern. Wenn du dagegen

##Vorteile
– …

##Nachteile

– …

vorgibst, bekommst du genau zwei saubere Listen mit Überschriften.

Warum funktioniert das so gut? KI-Modelle wie GPT wurden mit Millionen Markdown-Dokumenten trainiert. Sie “sprechen” Markdown fließend.

Markdown für präzise Prompts

Besonders wichtig: Markdown ist nicht nur für Outputs nützlich, sondern macht auch deine Prompts präziser. Gerade in Systemprompts, Custom GPTs oder Claude Projects sorgt es für konsistente Strukturen.

Übrigens ist auch für LinkedIn formatierter Texte nicht direkt zugänglich: Wenn du die wichtigsten Passagen im Post fett formatierst läufst du Gefahr, dass genau dieser wichtige Text im Algomithmus keine Berücksichtigung findet. Warum das so ist zeige ich im Carousel. Leider setzt LinkedIn auch kein Markdown um.

Im Carousel bekommst du eine Übersicht über die wichtigsten Markdown Befehle und ich zeige dir, wann Markdown bei KI wirklich Sinn macht und wann nicht.

Hier geht es zum Beitrag auf LinkedIn: Markwown: Die Sprache der KI

„Zeig mir 04:35 Uhr” klingt einfach. Ist für eine Bild-KI aber ein Problem.

Warum? Die Antwort verrät viel über die Funktionsweise generativer KI.

Die Screenshots im Carousel zeigen die Ergebnisse meiner Tests: Die Zeiger stehen selten da, wo sie sollen, Ein volles Weinglas ist selten voll.

Aber warum eigentlich?

Wie funktioniert ein KI Bildgenerator: Diffuionmodell

Bildgeneratoren funktionieren komplett anders, als viele denken. Sie „verstehen” keinen Prompt. Sie haben während des Trainings Millionen Bilder von Uhren gesehen und dabei gelernt, wie Uhren AUSSEHEN (Ziffernblatt, Zeiger, Gehäuse, Zahlen). Was sie nicht gelernt haben: Was eine bestimmte Uhrzeit BEDEUTET. Dass 14:35 heißt, der große Zeiger steht auf der 7 und der kleine kurz vor der 3. Das ist für ein Diffusion Model unsichtbar.

Noch verrückter: Weil Uhren in Werbung und Produktfotos fast immer 10:10 Uhr zeigen (das symmetrische „V” rahmt das Logo ein), sind die Trainingsdaten massiv in diese Richtung verzerrt. Die KI hat also nicht nur kein Verständnis von Zeit, sie hat auch noch einen eingebauten Bias Richtung 10:10 Uhr.

Im Carousel erkläre ich Slide für Slide, was da technisch passiert, vom Training über Embeddings bis zu den Grenzen der aktuellen Architektur.

Das Uhr-Problem verrät darüber hinaus ziemlich viel darüber, wo KI-generierte Bilder insgesamt ihre Schwächen haben.

Hier geht es zum Beitrag auf LinkedIn: Wie funktioniert KI Bilidgenerierung?