Drei Dinge über Prompts, die ich erst nach einer Million Produkttexten verstanden habe

Im September habe ich auf über eine Million Produkttexte zurückgeschaut, die ich innerhalb von einem Jahr mit KI produziert habe (Übersetzungen mitgezählt) und meine fünf wichtigsten Learnings daraus aufgeschrieben. Darin ging es vor allem um Daten und darum, wie wir die Texte prüfen. Was dabei aber zu kurz kam, ist das eigentliche Prompten. Und gerade da habe ich auch einiges auf die harte Tour gelernt. Deshalb geht es heute um drei Dinge, die bei mir in der Praxis ziemlich viel ausgemacht haben, über die man in den üblichen Prompt-Tipps aber eher wenig liest.

Warum funktioniert derselbe Prompt auf einem neuen Modell plötzlich nicht mehr?

Unsere ersten Produkttexte für einen Drogeriehändler liefen auf einer Vorabversion von Gemini 2.5 Pro. Der Prompt war genau auf dieses Modell abgestimmt. Er ist über 22 Versionen gewachsen, und in jeder Schleife haben wir ihn an das Feedback vom Kunden angepasst. Am 2. Dezember 2025 hat Google diese Version dann abgeschaltet.

Also habe ich denselben Prompt auf das Nachfolgemodell gesetzt und die Texte, die dabei rauskamen, ehrlich gesagt kaum wiedererkannt. Dass das neue Modell jedes noch so kleine Detail aus dem Feed in die Texte gepresst hat, hatte ich im September schon erzählt. Woran das eigentlich lag, kam dort aber zu kurz. Im Prompt stand zum Beispiel „NIEMALS Wortdoppelungen“. Das alte Modell hatte das eher als Tendenz verstanden. Das neue hat es dagegen als Gesetz genommen und lieber „Trinkgefäß“ geschrieben, als ein zweites Mal „Flasche“ zu sagen. Genauso war es mit der Wortspanne. Das alte Modell blieb meistens am unteren Rand, das neue hat den Platz einfach bis zum Ende aufgefüllt. Und während das alte Modell nur 8 von 22 Texten mit dem Produkttitel angefangen hat, waren es beim neuen ganze 16. Schlechter gelesen hat das neue Modell den Prompt also gar nicht, nur sehr viel wörtlicher.

Ich bin dann erstmal zur regulären Version von 2.5 Pro zurück, um zu sehen, ob das hilft. Der Stil war tatsächlich wieder wie beim alten Modell. Die Pflegehinweise, die das neue Modell überall reingeschrieben hatte, gingen von 6 auf 1 runter und die Ersatzwörter von 11 auf 0. Dafür kamen aber die Produktnamen schlechter durch, aus „UKON!C“ wurde z. B. plötzlich „UKONIC“. Und auf der Deprecation-Seite von Google steht für dieses Modell inzwischen der 1. Dezember 2026, ab dann landen alle Anfragen automatisch bei Gemini 3.8 Flash. Als langfristige Lösung taugte das also auch nicht.

Am Ende läuft jetzt Version 23k des Prompts auf Gemini 3.8 Flash, also dem kleineren und günstigeren Modell der neuen Generation. Bis dahin waren es ziemlich viele Zwischenversionen, und jede davon war nötig, weil die vorherige irgendwo eine Nebenwirkung hatte. In Version 23a hat zum Beispiel ein Einstiegsbeispiel mit den Worten „Mit dem …“ dafür gesorgt, dass drei von 22 Texten die Leser plötzlich siezen. Danach mussten wir Logo-Beschreibungen aus der Bildanalyse verbieten. Die Bildanalyse darf Logos zwar erkennen, weil wir sie für die Markenerkennung brauchen, im Text beschrieben werden sollen sie aber nicht. Dann kamen noch Verbote für Größentabellen und Farbangaben bei Varianten dazu, und erst mit Version 23k lief das Ganze stabil.

Was ich damit sagen möchte, ist, dass ein Prompt also nicht einfach für jedes Modell gleich funktioniert. Er ist immer auf ein bestimmtes Modell mit all seinen Eigenheiten abgestimmt. Wer das Modell wechselt, fängt zwar nicht wieder bei null an, fertig ist er damit aber auch nicht. Und abgeschaltet werden Modelle sowieso irgendwann, ob man will oder nicht.

Warum machen mehr Regeln einen Prompt nicht automatisch besser?

Nehmen wir nochmal die Regel gegen Wortwiederholungen. Dabei kam das „Trinkgefäß“ raus, weil „Flasche“ nicht zweimal vorkommen durfte, und am Ende habe ich elf solcher Ersatzwörter in 22 Texten gezählt.

Bei den Markentexten für eine Parfümerie hatten wir ein ganz ähnliches Problem. Da stand im Prompt eine ziemlich strenge Regel, dass sich generell nichts wiederholen darf. Das Modell hat das dann aber so ernst genommen, dass es auch jede Überleitung und jeden Bezug auf den Satz davor als Wiederholung gesehen und rausgeworfen hat. Übrig blieben Texte, die sich dann lasen wie eine Liste von Stichpunkten, nur eben mit Punkt am Ende. Besser wurde das erst, als wir im Prompt genauer erklärt haben, was eigentlich gemeint ist. Fakten sollten nur einmal vorkommen, Überleitungen zwischen den Sätzen waren aber ausdrücklich erlaubt.

Oder die Anweisung, die Wörter zu zählen. Am Ende des Prompts stand eine kleine Checkliste, auf der das Modell vor der Ausgabe „Wörter gezählt“ abhaken sollte. Zwei von 22 Ausgaben bestanden danach nur noch aus dem Denkprotokoll und hatten gar keinen Produkttext mehr, weil sich das Modell beim Zählen so verrannt hat, dass es das Tokenlimit gesprengt hat.

Und selbst Regeln, die für sich genommen funktionieren, machen zusammen nicht unbedingt alles besser. Die Vorgabe „genau zwei Sätze“ hat zum Beispiel richtig gut geklappt, dazu gleich noch mehr. Als ich aber noch Vorgaben zum Satzbau dazugepackt habe, wurden die Texte wieder schlechter als mit den zwei Sätzen allein. Bei den Floskeln war es ähnlich, da hat eine lange Verbotsliste schlechter abgeschnitten als eine kurze. Bei der Parfümerie ging das sogar so weit, dass in unseren Tests die einfachste Fassung des Prompts dreimal hintereinander gegen die ausgefeilte mit allen Regeln gewonnen hat. Jede Regel löst also ein Problem und kann dabei ganz nebenbei ein neues machen.

Wenn Modelle nicht zählen können, warum lassen wir sie dann prüfen?

Im Prompt stand die Zeichenvorgabe „150 bis 210“, und gerade mal 31 Prozent der Texte lagen tatsächlich in diesem Rahmen. Als ich den Rahmen dann auf 165 bis 185 enger gefasst habe, wurden die Texte sogar länger. Was dagegen richtig gut funktioniert hat, war die Vorgabe „genau zwei Sätze“. Die Längen schwankten damit nur noch halb so stark, und kein Text war mehr zu kurz. Mit einer Wortzahl statt Zeichen hat es dann auch wieder nicht geklappt, da lag das Modell nur in 7 von 15 Fällen richtig. Bis hierhin kennt das wahrscheinlich jeder, der schon mal mit Prompts gearbeitet hat.

Spannend wurde es erst bei der Balance. Auf der Produktseite stehen drei Karten nebeneinander, und die müssen ungefähr gleich lang sein, sonst sieht das Layout kaputt aus. Alle drei Texte entstehen in einem Durchgang, das Modell hat sie also gleichzeitig vor sich. Trotzdem waren am Ende höchstens 67 Prozent der Produkte ausgewogen, und das, obwohl ich es auf vier Wegen versucht habe. Es gab eine Regel im Prompt, ein Prüfkriterium, Grenzen im Schema und eine Anweisung zur Überarbeitung. Am meisten überrascht hat mich dabei der Prüfer, der ebenfalls alle drei Karten auf einmal bewertet hat. Bei deutlich unterschiedlichen Längen hätte er eigentlich nur 0 bis 20 Punkte vergeben sollen. Für Karten mit 131, 145 und 230 Zeichen gab es aber 85 Punkte, und auch sonst bekam jedes der 18 unausgewogenen Produkte mindestens 70. Die ausgewogenen schnitten dabei kaum besser ab, einen echten Unterschied hat der Prüfer also gar nicht erkannt. Ein kleines Skript hat das dagegen sofort gesehen. Es rechnet einfach nach, ob die längste Karte mehr als 25 Zeichen länger ist als die kürzeste, und lag damit jedes Mal richtig.

Und das finde ich eigentlich das Verrückte daran. Dass ein Modell nicht zählen kann, wusste ich ja, und beim Schreiben habe ich mich deshalb auch nicht mehr auf eine Zeichenvorgabe verlassen. Beim Prüfen habe ich es dann aber trotzdem beurteilen lassen, ob drei Texte gleich lang sind oder ob sich Wörter wiederholen. Das war halt bequem, weil es den Prüfer sowieso schon gab und die Länge einfach als weiteres Kriterium dazukam. Und weil am Ende eine Zahl wie 85 von 100 rauskommt, wirkt das Ergebnis total genau. Dabei hat das Modell die Längen nie gemessen, sondern nur geschätzt.

Seitdem trenne ich Rechnen und Bewerten ganz klar. Ein Skript prüft inzwischen nicht nur die Balance, sondern alles, was sich nachzählen lässt, zum Beispiel auch, ob sich Wörter wiederholen oder ob zwei Produkte dasselbe Label haben. Das Modell bewertet nur noch das, wofür es wirklich ein Urteil braucht, also ob ein Satz konkret genug ist, ob ein Duft richtig beschrieben ist oder ob ein Label passt.

Wann ist ein Prompt eigentlich fertig?

Nie so ganz, und das ist eigentlich auch okay so. Ein Prompt läuft immer auf einem bestimmten Modell, und irgendwann kommt halt das nächste. Im Nachhinein klingen die drei Dinge ziemlich logisch, im Alltag gehen sie aber trotzdem ständig unter. Mir ging es jedenfalls so, und deshalb wollte ich sie einmal aufschreiben.

Alle Zahlen stammen aus unseren Kundenprojekten 2025 und 2026.