Warum KI-Kurse dir die Prompt-Formel beibringen, aber nie, wie du einen misslungenen Prompt reparierst

Kurz gesagt: die Prompt-Formel — Rolle, Aufgabe, Kontext, Format — gibt es umsonst. Jedes Zehn-Minuten-Video schenkt sie dir. Der Ärger fängt einen Schritt später an: Du hast den Prompt nach Vorschrift geschrieben, auf Senden geklickt, und zurück kam Brei. Ab da erklärt dir niemand mehr etwas. Du schreibst planlos um, bis dir irgendetwas gefällt. Das ist keine Fähigkeit, das ist Lotto. Unten steht eine Methode: Symptom benennen, Diagnose stellen, genau eine Änderung machen, vergleichen. Dazu die Reihenfolge, in der du graben solltest: Kontext → Aufgabe → Format → Rolle. Die Prompts in diesem Artikel sind echt — drück auf „Starten“ und sieh dir den Unterschied selbst an.

Was an der Formel nicht stimmt

Die Formel lügt dich nicht an. Rolle, Aufgabe, Kontext, Format sind tatsächlich die vier Regler, die eine Antwort formen. Die Grundlagen behandeln wir in was ein Prompt ist und wie man ihn schreibt, und du brauchst sie. Nur beantwortet die Formel genau eine Frage: Wie schreibe ich einen Prompt von null? In der echten Arbeit schreibst du fast nie von null. Du sitzt vor einem Prompt, der jede Regel befolgt und trotzdem Müll produziert hat.

Hier schweigt die Formel. Sie sagt dir nicht, welcher der vier Regler schuld ist. Sie sagt dir nicht, ob du einen drehen sollst oder alle vier. Sie sagt dir nicht, woran du erkennst, ob die neue Antwort besser oder bloß anders ist. Die Formel ist ein Bauplan. Was du brauchst, ist eine Reparaturanleitung.

Es ist der Unterschied zwischen „hier ist die Zeichnung des Motors“ und „das Auto springt nicht an — wo schaust du zuerst nach?“. Das Erste lernst du an einem Abend. Das Zweite ist ein Beruf. Und das Zweite fehlt auf dem Weiterbildungsmarkt fast völlig.

Genau danach fragen die Teilnehmer — wörtlich

Am 17. Juli 2026 haben wir Daten von Udemy geholt (über die interne API hinter den Kursseiten) und von den Bewertungsseiten von Coursera. Wir haben bewusst die Minderheit gelesen: die Leute mit niedrigen Wertungen. Die dichteste Häufung von Beschwerden fand sich bei Kursen, die prompt engineering direkt im Titel tragen. Die Leute kamen wegen der Fähigkeit auf dem Etikett und bekamen sie nicht. Wörtlich, mit Verfassern und Sternen:

„There is nothing teached about creating a good prompt. It is just an overview of types of prompts“ — Geralt O., 01.07.2026, 2★ (Prompt and Context Engineering 101, Mike Wheeler).

„No specific guidance on prompt engineering… what to avoid while asking, how to organize your thoughts, how to give feedback to AI based on its answers etc.“ — Bharat Ram A., 05.06.2026, 1.5★ (Wheeler).

„i thought it would go deeper in prompts and have more examples and sessions to master or enhance our current prompts“ — Manuel L., 15.06.2026, 2★ (Prompt Engineering for Everyone).

„Too much background on ChatGPT. Get me to how to prompt GPT“ — Mark R., 16.09.2025, 1.5★ (Academind).

Halt kurz bei Bharat Ram A. an. Er zählt drei Dinge auf, und das dritte lautet „how to give feedback to AI based on its answers“. Das ist Debugging, in eigenen Worten beschrieben von einem Mann, der danach gesucht hat und leer zurückkam. Manuel L. bittet um „enhance our current prompts“ — also darum, etwas zu reparieren, das schon geschrieben ist und schlecht läuft. Andere Menschen, andere Kurse, dasselbe Loch.

Daneben steht das Zitat, das zeigt, was passiert, wenn gar nichts geprüft wird:

„you send your assignments and immediatly you got your results: 100% correct. I am still speechless. I put all that effort in and have no idea whether I my answer was correct or not“ — Shinysheep, 21.09.2023, 1★ (Prompt Engineering, Vanderbilt).

Und in derselben Reihe: „quizzes give unhelpful feedback for incorrect answers and just say 'watch the video again'“ — Cory Covino, 04.05.2024, 2★ (IBM). „All the coding is done in the labs for you. You won't have to debug anything or figure anything out, just press shift-enter“ — Cornelius Griggs, 1★ (Generative AI with LLMs).

Griggs bringt es am genauesten auf den Punkt, ohne es zu wollen. „You won't have to debug anything“ beschreibt ein Lernprodukt, dem man das Debugging herausoperiert hat. Die Übung läuft, es fühlt sich nach Praxis an, und auf dem Spiel stand nie etwas.

Noch eines, aus einem anderen Kurs, das den Kreis schließt: „Didnt meet expectations, only theory is discussed which we already know“ — Aditya Nagavolu, 19.11.2023, 1★ (Generative AI for Everyone). Die Theorie, die alle schon kennen, ist die Formel. Was sie nicht kennen, ist, was zu tun ist, wenn sie versagt.

Warum das Loch existiert: Architektur, nicht Faulheit

Es ist verlockend, faule Dozenten dafür verantwortlich zu machen. Diese Erklärung ist schlechter als die Wahrheit. Die Wahrheit ist strukturell.

Es gibt genau einen Weg, einen Prompt zu prüfen: ihn auf einem Modell laufen lassen und die Antwort ansehen. Einen zweiten gibt es nicht — einen Prompt kann man nicht ansehen und beurteilen, so wenig wie man Code beurteilt, ohne ihn auszuführen. Und eine Videoplattform hat kein Modell in der Lektion. Also gibt es nichts, womit geprüft werden könnte. Übrig bleibt ein Autograder nach Schlüsselwörtern, und der vergibt „100% correct“ — genau das, was Shinysheep sprachlos gemacht hat.

Dann kommt das Detail, das die Sache entscheidet. Die Prompt Engineering Specialization von Vanderbilt verlangt ein kostenpflichtiges ChatGPT+-Abo, um die Aufgaben zu bearbeiten. Der Kurs schickt den Teilnehmer nach draußen, in einen anderen Tab, ein Modell suchen. Die Rechnung eines Coursera-Teilnehmers sieht dann so aus: Coursera Plus für 50 €/Monat (oder 343 €/Jahr mit 14 Tagen Rückgabefrist), dazu ein Modell-Abo — rund 70 €/Monat dafür, Videos zu schauen und automatisch 100 % zu bekommen. Beim genauen Preis dieses Modell-Abos sind wir ehrlich: Wir haben ihn aus keiner Primärquelle bekommen, sämtliche OpenAI-Domains antworteten mit 403, also drucken wir keine Zahl. Die 50 € für Coursera Plus stammen von deren eigener Seite.

Sobald das Modell außerhalb des Kurses lebt, sieht der Kurs deine Arbeit nicht mehr. Er weiß nicht, welchen Prompt du geschrieben hast, was zurückkam und warum es schlecht war. Blind kann man Debugging nicht unterrichten. Also lehrt der Kurs die Formel — den einzigen Teil, der auf eine Folie passt.

Und daher kommt eine Beschwerde, die auf den ersten Blick von etwas anderem handelt:

„why read straight from the slide? I can do that. This was not a helpful course at all“ — Janie I., 02.07.2026, 1★ (Justin Barnett).

„I can do that“ ist kein Urteil über einen schlechten Dozenten. Es ist die Feststellung, dass nur die Formel auf eine Folie passt. Debugging passt nicht auf eine Folie, weil es aus einer lebendigen Antwort besteht, die niemand vorher kennt.

Debugging ist Diagnose, kein Neuschreiben

Der Reflex von Anfängern sieht so aus: Antwort ist schlecht → ganzen Prompt markieren → neu schreiben, länger und hübscher. Manchmal klappt es. Warum es geklappt hat, lässt sich nicht sagen, und beim nächsten Mal fängst du wieder bei null an.

Der ingenieurmäßige Weg ist ein anderer, und er hat vier Schritte.

1. Symptom. Benenne den Fehler in Worten, die du überprüfen kannst. Nicht „schlecht“, sondern: hat einen Fakt erfunden; hat das Format ignoriert; zu allgemein; hat meine eigene Eingabe nachgeplappert; hat eine andere Frage beantwortet; ist bei langem Text auseinandergefallen. Solange das Symptom keinen Namen hat, gibt es nichts zu behandeln.
2. Diagnose. Jedes Symptom hat eine typische Ursache. Das ist eine Hypothese, kein Urteil — aber sie sagt dir, wo du zuerst gräbst.
3. Eine Änderung. Ändere genau eine Sache. Eine.
4. Vergleich. Lauf noch einmal und vergleiche mit der vorherigen Antwort nach deinem eigenen Kriterium. Nicht „gefällt mir besser“, sondern „ist genau das besser geworden, was ich behandelt habe?“.

Wiederhole, bis das Symptom weg ist. Das sind meist zwei, drei Runden, nicht zwanzig.

Die Ein-Schraubenzieher-Regel

Der am meisten unterschätzte Schritt ist der dritte. Ändere immer nur eine Sache.

Du änderst fünf Dinge, die Antwort wird besser, und du weißt nicht, welche Änderung es war. Schlimmer: Vielleicht waren vier neutral, eine war aktiv schädlich, und die fünfte hat sie überdeckt. Du schleppst das ganze Paket in den nächsten Prompt, die schädliche Zeile inklusive, und einen Monat später besitzt du eine zweiseitige Textwand, in der die Hälfte der Zeilen gegen dich arbeitet.

Das haben nicht wir erfunden. Es ist die Grundregel jedes Debuggings — dieselbe wie beim Experiment, wo man nur eine Variable auf einmal ändert. Nur ist bei Text die Versuchung, alle Regler gleichzeitig zu drehen, viel größer, weil eine Änderung eine Sekunde kostet.

Ein Einwand gegen uns selbst. Die Regel hat ihren Preis. Eine Änderung pro Runde ist langsam, und bei echter Arbeit wirst du abkürzen. Der ehrliche Kompromiss: Die Ein-Schraubenzieher-Regel gilt, solange du die Krankheit noch suchst. Sobald die Diagnose klar ist und du nur noch polierst, ändere ruhig im Bündel — das Risiko ist dann klein.

Zweite Ehrlichkeit: Modelle sind nicht deterministisch. Ein einzelner Lauf ist eine Stichprobe der Größe eins. Die Antwort wurde nach deiner Änderung besser? Vielleicht lag es gar nicht an der Änderung, sondern an Glück. Deshalb verdient ein Vergleich mindestens drei verschiedene Eingaben, nicht eine Lieblingseingabe.

Die Reihenfolge der Hypothesen: Kontext → Aufgabe → Format → Rolle

Sobald das Symptom einen Namen hat, stellt sich die Frage, welchen Regler du anfasst. Wir haben eine Reihenfolge, und sie ist nicht willkürlich: häufigste Ursache zuerst, seltenste zuletzt; teuerster Fehlschuss zuerst, billigster zuletzt.

1. Kontext zuerst. Die überwältigende Mehrheit schlechter Antworten sind Antworten auf eine Frage ohne Fakten darin. Das Modell kennt dein Produkt nicht, deine Zielgruppe nicht, deine Einschränkungen, Zahlen, Namen, früheren Entscheidungen nicht. Es füllt die Leere mit Durchschnittsfüllung — weil Durchschnittsfüllung die korrekte Antwort auf eine kontextlose Frage ist. Wenn das Ergebnis wässrig ist, allgemein, für jeden passend, ist fast immer der Kontext schuld, und kein Rollenspiel kuriert das.
2. Aufgabe als Zweites. Prüfe, ob du eine Handlung verlangst und nicht drei, und ob das Verb überprüfbar ist. „Analysiere“ ist kein Verb; darunter passt alles. „Liste fünf Risiken, je eine Zeile“ ist eins. Wenn das Modell eine andere Frage beantwortet oder nur die Hälfte deiner Frage, liegt es an der Aufgabe.
3. Format als Drittes. Billig zu reparieren, und das Ergebnis siehst du sofort. Wenn der Inhalt stimmt und nur die Form nicht, korrigiere das Format und rühr sonst nichts an. Was funktioniert: ein Muster der gewünschten Ausgabe einfügen, zwei, drei Zeilen. Ein Muster schlägt jede Beschreibung.
4. Rolle zuletzt. Die Rolle bewegt vor allem Ton und Wortwahl. „Du bist ein erfahrener Marketer“ liefert null Fakten über deinen Markt — es ist die eine Zeile, die alle zuerst schreiben, und sie entscheidet fast nichts. Greif zur Rolle, wenn alles andere sitzt und dir schlicht die Stimme nicht gefällt.

Warum diese Reihenfolge? Weil sie abbildet, wie viel Information du hinzufügst. Kontext fügt Fakten hinzu — das Maximum. Die Aufgabe fügt Zielschärfe hinzu. Das Format fügt Form hinzu. Die Rolle fügt Stil hinzu. Die meisten machen es andersherum: Sie feilen ewig an der Rolle und fühlen sich dann von der Füllung verraten.

Die Tabelle: Symptom → Diagnose → eine Änderung

• Wässrig, allgemein, passt auf jeden. Diagnose: kein Kontext. Änderung: Füge fünf konkrete Fakten ein — wer liest das, was ist das Produkt, was ist die Einschränkung, eine Zahl, ein Beispiel. Sonst nichts anfassen.
• Hat einen Fakt, einen Link, ein Zitat erfunden. Diagnose: Du hast etwas verlangt, das das Modell nicht hat. Änderung: Entweder die Daten in den Prompt packen oder ausdrücklich „ich weiß es nicht“ erlauben. Die Zeile „wenn du die Daten nicht hast, sag es — erfinde nichts“ kostet wenig und fängt viel. Mehr dazu in warum KI-Halluzinationen entstehen.
• Hat das Format ignoriert. Diagnose: Die Formatvorgabe ist in der Mitte ertrunken oder steht im Widerspruch zur verlangten Länge. Änderung: Zieh das Format in einen eigenen Block ans Ende und zeig ein Muster der Ausgabe.
• Hat eine andere Frage beantwortet. Diagnose: zwei Handlungen in einer Aufgabe, das Modell hat sich eine ausgesucht. Änderung: Lass ein Verb stehen. Die zweite Handlung wird ein zweiter Prompt.
• Hat meine Eingabe nachgeplappert. Diagnose: kein Verb der Umformung. „Hier ist der Text, schau mal drüber“ ist keine Aufgabe. Änderung: Sag, was mit dem Text passieren soll — kürzen, umbauen, Widersprüche finden.
• Falscher Ton, „das ist nicht meine Stimme“. Diagnose: Du hast einen Stil beschrieben, statt ihn zu zeigen. Änderung: Füg einen eigenen Absatz ein und bitte um Treffer. „Schreib freundlich, aber professionell“ bewirkt nichts; ein Muster schon.
• Ist bei langem Text auseinandergefallen. Diagnose: Die Anweisung ist in den Daten verloren gegangen. Änderung: Trenn mit Markern (---TEXT--- / ---AUFGABE---) und wiederhol die Aufgabe nach dem Text, nicht nur davor.
• Zu lang, endlose Vorrede. Diagnose: Du hast es nie verboten. Änderung: eine Zeile — „Keine Vorrede, kein Schlussfazit. Nur die Liste“.

Beachte: In sechs von acht Fällen ist die Reparatur kein „Prompt neu schreiben“, sondern eine Sache hinzufügen oder verschieben.

Sieh es dir selbst an: ein schlechter Prompt, eine Änderung, der Unterschied

Jetzt der Teil, den eine Videoplattform physisch nicht bieten kann. Jeder Block unten hat einen Starten-Button: Drück ihn direkt hier und sieh dir die lebendige Antwort an. Die Reihenfolge zählt — lauf sie nacheinander und vergleiche.

Schritt 1. Starte einen absichtlich schlechten Prompt

Das ist ein echter Prompt, geschrieben „nach der Formel“: Rolle da, Aufgabe da, Höflichkeit da. Starte ihn und schau dir an, was zurückkommt. Die Chancen stehen gut, dass du einen Text bekommst, der zu jeder Firma der Welt passen würde.

Du bist ein erfahrener Marketer. Schreib eine E-Mail an unsere Kunden über den Launch unseres neuen Produkts. Mach den Text professionell, modern und ansprechend.

Worauf du achtest. Steht in dieser Antwort auch nur eine Aussage, die du nicht unverändert in die Mail einer anderen Firma verschieben könntest? Meistens nicht. Symptom benannt: Füllung. Diagnose nach unserer Reihenfolge: Kontext.

Schritt 2. Eine Änderung — nur Kontext

Gleiche Aufgabe, gleicher Ton, gleiche Rolle. Wir ändern genau eine Sache: Wir fügen Fakten hinzu. Rolle unberührt, Format unberührt — damit wir ehrlich sehen, was Kontext allein bringt.

Du bist ein erfahrener Marketer. Schreib eine E-Mail an unsere Kunden über den Launch unseres neuen Produkts.
Mach den Text professionell, modern und ansprechend.

KONTEXT:
- Produkt: ein Schichtplaner für Cafés mit 3-15 Mitarbeitenden.
- Leser: Café-Inhaber, die unsere Warenwirtschafts-App seit einem halben Jahr
  nutzen. Sie vertrauen uns, aber sie haben nicht nach einem neuen Button gesucht.
- Was neu ist: Schichten werden jetzt automatisch erstellt, unter
  Berücksichtigung der Urlaubswünsche der Mitarbeitenden. Vorher hat der
  Inhaber den Plan in einer Tabelle zusammengebaut.
- Ehrliche Einschränkung: nur ein Standort, Ketten unterstützen wir noch nicht.
- Preis: im aktuellen Tarif enthalten, kein Aufpreis.
- Was der Leser tun soll: den Bereich „Schichten“ in seinem Konto einschalten.

Worauf du achtest. Die Antwort ist konkret geworden — und ist vermutlich immer noch lang und startet immer noch mit einer Vorrede. Das ist in Ordnung: Wir haben nur den Kontext behandelt. Und merk dir: „professionell, modern und ansprechend“ hat unverändert überlebt, als nicht überprüfbare Vorgabe, und hat nichts bewirkt.

Schritt 3. Noch eine Änderung — Aufgabe und Format

Jetzt reparieren wir Länge und Form. Die Rolle streichen wir komplett, um die Hypothese zu testen, dass sie nichts beiträgt. Und „ansprechend“ ersetzen wir durch etwas Überprüfbares.

Schreib eine E-Mail an Kunden, die eine neue Funktion ankündigt.

KONTEXT:
- Produkt: ein Schichtplaner für Cafés mit 3-15 Mitarbeitenden.
- Leser: Café-Inhaber, die unsere Warenwirtschafts-App seit einem halben Jahr
  nutzen. Sie vertrauen uns, aber sie haben nicht nach einem neuen Button gesucht.
- Was neu ist: Schichten werden automatisch erstellt, unter Berücksichtigung der
  Urlaubswünsche der Mitarbeitenden. Vorher hat der Inhaber den Plan in einer
  Tabelle zusammengebaut.
- Ehrliche Einschränkung: nur ein Standort, Ketten unterstützen wir noch nicht.
- Preis: im aktuellen Tarif enthalten, kein Aufpreis.
- Aktion des Lesers: den Bereich „Schichten“ im Konto einschalten.

FORMAT:
- Betreffzeile: maximal 45 Zeichen. Verbotene Wörter: revolutionär, einzigartig, innovativ.
- Text: maximal 120 Wörter.
- Aufbau: Zeile eins - was sich geändert hat; Zeile zwei - was das spart;
  dann die Einschränkung im Klartext; eine Aktion am Ende.
- Keine Vorrede, kein „wir freuen uns, ankündigen zu dürfen“, kein Abschiedsabsatz.

Danach, in einer eigenen Zeile: drei Gründe, warum diese Mail ungeöffnet bleiben oder gelöscht werden könnte.

Worauf du achtest. Vergleich alle drei Antworten. Du hast gerade eine saubere Debugging-Sitzung hinter dich gebracht: Symptom benannt, Hypothese aufgestellt, eine Änderung gemacht, Ergebnisse verglichen. Nebenbei hast du ein kleines Experiment zur Rolle gefahren — vergleich die Stimme von Antwort zwei und drei und entscheide selbst, ob „du bist ein erfahrener Marketer“ den Platz verdient hat, den ihr jeder Kurs einräumt.

Schritt 4. Die Diagnose-Übung

Am schwersten ist es, ein Symptom in fremder Arbeit zu benennen. Hier denkt sich das Modell einen Fall für dich aus und bewertet deine Diagnose streng. Ein automatisches „100% correct“ wird es nicht geben.

Prüfe mich in der Diagnose von Prompts. Regeln:

- Du gibst mir EINEN Fall: die Aufgabe, den vollständigen Prompt und die
  schlechte Ausgabe des Modells. Denk dir den Fall selbst aus: realistisch,
  aus dem Büroalltag. Die schlechte Ausgabe schreibst du auch selbst -
  genau so schlecht, wie sie in der Realität wäre.
- Ich benenne das Symptom mit einem Begriff und sage, was ich ZUERST ändern würde.
- Du bewertest streng: Ist das Symptom richtig, ist die Hypothese richtig,
  welche Hypothese wäre stärker gewesen als meine und warum.
  Wenn ich vorschlage, mehrere Dinge auf einmal zu ändern, weise gesondert darauf hin.
- Stimm mir nicht aus Höflichkeit zu. Wenn ich falsch liege, sag es direkt.
- Dann der nächste Fall, schwerer. Insgesamt fünf Fälle.

Fang mit dem ersten Fall an. Erklär vorher keine Theorie.

Was ein Prompt nicht reparieren kann

Die halbe Arbeit beim Debuggen ist, früh zu merken, dass der Prompt nicht das Problem ist. Sonst polierst du Formulierungen in einer Schicht, in der nichts kaputt ist.

• Fehlende Daten. Keine Formulierung holt einen Fakt hervor, den das Modell nie bekommen hat. Wenn du die Zahlen aus deiner Tabelle brauchst, füg sie ein; bettel nicht darum.
• Die Aufgabe ist mit Text nicht lösbar. „Rechne exakt“, „prüf die aktuelle Website“, „garantiere“ — das ist keine Frage der Formulierung, das ist eine Frage der Werkzeuge. Hier betrittst du das Gebiet der KI-Agenten.
• Keine Definition von „gut“. Wenn du nicht sagen kannst, warum Antwort A besser ist als Antwort B, debuggst du nicht — du mischst Varianten, bis du müde wirst. Das Kriterium ist der Teil des Prompts, der in deinem Kopf lebt, und auch der muss aufgeschrieben werden.
• Falsches Modell. Dieselbe Aufgabe verhält sich von Modell zu Modell anders — siehe unseren Vergleich von ChatGPT, Claude und Gemini. Bevor du einen Prompt zwanzigmal umbaust, probier denselben Prompt auf einem anderen Modell: Das ist eine Änderung, nicht zwanzig.

Ein Versionslogbuch: langweilig und entscheidend

Leg eine Datei an. Drei Spalten: was im Prompt stand, was du geändert hast, was mit der Antwort passiert ist. Eine Zeile pro Debugging-Runde.

Klingt nach Bürokratie. Es ist das Einzige, was deine Läufe in Wissen verwandelt. Einen Monat später öffnest du die Datei und siehst: „Ausgabemuster statt Formatbeschreibung“ hat elf von zwölf Mal funktioniert, „du bist ein Weltklasse-Experte“ null Mal. Das ist deine eigene Statistik, und sie schlägt jede Liste mit 500 fertigen Prompts. Nimm unsere Prompt-Beispiele als Rohmaterial; das Logbuch macht aus Rohmaterial dein Werkzeug.

Nebeneffekt: Nach einem Monat hast du ein Portfolio. Kein Zertifikat, das 698.444 andere auch haben, sondern ein Dutzend zerlegte Fälle mit Vorher und Nachher. Im Vorstellungsgespräch sind das zwei Gewichtsklassen.

Wie du einen Kurs prüfst — auch unseren

Unsere Prüfung läuft auf vier Fragen hinaus. Stell sie jeder Weiterbildung.

1. Wo lasse ich den Prompt laufen? Lautet die Antwort „in einem anderen Tab, mit einem eigenen Abo“, sieht der Kurs deine Arbeit nie und kann sie nicht zerlegen. Siehe Vanderbilt und die ChatGPT+-Pflicht.
2. Wer bewertet meinen Prompt? Ein Autograder nach Schlüsselwörtern reicht dir „100% correct“ und null Information. Das ist exakt der Fall Shinysheep.
3. Gibt es eine Lektion, in der ein Prompt scheitert? Öffne das Curriculum und such danach. Gibt es keine, geht der Kurs über eine Formel.
4. Wann wurden die Inhalte tatsächlich aktualisiert? Nicht nach dem Datum auf der Karte, sondern nach den Bewertungen des letzten Monats.

Ehrliche Anmerkungen zu unseren Daten. Der Anteil negativer Bewertungen (≤3.5★) auf Udemy liegt bei 9,61 % für Generative AI for Beginners und bei 10,36 % für den Complete AI Guide; bei Prompt and Context Engineering 101 (die schlechteste Wertung in unserer Stichprobe, 4.31) bei ≥4,00 %. Auf Coursera sind es 1,5–3,5 %. Heißt: Die überwältigende Mehrheit der Teilnehmer ist zufrieden, und wir haben bewusst die Minderheit gelesen. Nicht um zu beweisen, dass die Kurse schlecht sind: Ein zufriedener Teilnehmer schreibt „großartiger Kurs“, ein unzufriedener benennt die Lektion, die genau gefehlt hat. Zweiter Einwand: Der Sternefilter von Coursera läuft im Browser, deshalb stammen die Zitate, an die wir herankamen, von der Standardseite, die jeder Besucher sieht. Wir haben sie nicht aus der Tiefe eines 1★-Filters gefischt — können aber auch nicht behaupten, jede Bewertung gesehen zu haben.

Und ein Einwand zu uns. Unsere Sandbox hat ein hartes Tageslimit an Läufen. Das heißt: Die Methode oben zählt mehr als der Button. Der Button lässt dich den Unterschied sehen; die Methode lässt dich Prompts dort reparieren, wo es keinen Button gibt — in deinem eigenen Arbeitschat.

Fazit

Die Prompt-Formel ist das, was auf eine Folie passt, deshalb wird sie an Millionen verkauft. Debugging passt nicht auf eine Folie, lässt sich ohne lebendiges Modell in der Lektion nicht prüfen, und deshalb wird es fast nirgends verkauft — während die Teilnehmer wörtlich danach fragen, Bewertung für Bewertung. Genau dort sitzt das Loch im Markt, und es ist zugleich der schnellste Weg, besser zu werden als die meisten Leute mit Zertifikat.

Merk dir die vier Schritte: Symptom → Diagnose → eine Änderung → Vergleich. Und die Reihenfolge der Hypothesen: Kontext, Aufgabe, Format, Rolle. Fang mit den Grundlagen an in was ein Prompt ist; sieh dir an, was aus dem Markt für diesen „Beruf“ geworden ist, in Prompt Engineer: was er zahlt und ob es ihn noch gibt; lern, das Modell beim Erfinden zu erwischen, in KI-Halluzinationen. Und wenn du es systematisch willst, mit absichtlich zerlegten Fehlschlägen, gibt es unseren Kurs zu Prompt Engineering.