COSTAR, CREATE und SIFT: Drei Prompt-Frameworks – und die Erkenntnis dahinter
Zum Thema Prompting ist das hier nicht der erste Tipp: Erst vor Kurzem habe ich die offiziellen Prompting-Guides von Anthropic, OpenAI, Gemini und Copilot zu zehn Tipps zusammengefasst. Und die Community hat in den letzten Jahren ein regelrechtes Framework-Füllhorn abgeworfen – RISE, RTF, CRISPE, CAT oder das charmante Schweizer KATZE (Kontext, Auftrag, Ton, Ziel, Evaluation). Die Landschaft ist unübersichtlich geworden. Umso bemerkenswert ist eine Stimme, die es mal wieder ohne Hype macht: Matthias Schüssler von Clickomania hat seine drei Lieblingsmethoden vorgestellt – und sie konsequent als Hilfsmittel statt als Zauberinstrumente eingestuft.
Seine Haltung: differenziert, ohne Bekehrungseifer
Schüssler trennt sauber: Für Erkundungsfragen und Modellvergleiche mag er das spontane, «naive» Prompting – es lässt Raum für Überraschungen. Wenn Ergebnisse aber zuverlässig und weiterverarbeitbar sein müssen (bei seinen Produktionshelfern für WordPress, Korrespondenz und Social Media) oder bei gezielten Tiefenrecherchen, zahlt sich ein strukturierter Prompt aus. Nicht weil die Methode Magie wäre, sondern weil sie das eigene Denken ordnet.
COSTAR – Präzision über Zielgruppe und Stil
COSTAR steht für Context (Hintergrund), Objective (Ziel), Style (Stil), Tone (Tonalität), Audience (Zielgruppe) und Response Format (Output). Es verfeinert das klassische Schema RTKAA (Rolle, Tonalität, Kontext, Aufgabenstellung, Ausgabeformat) um zwei Punkte und lässt dafür die Rolle weg.
Der Gedanke dahinter: Im beruflichen Einsatz ist das Modell eher Informationslieferant als Co-Autor – je präziser der Informationsauftrag, desto besser das Resultat. Und die Zielgruppe ändert die Antwort häufig stärker als jede andere Angabe.
CREATE – mit Rolle, Beispielen und Selbstprüfung
Wer die Rolle behalten möchte, fährt mit CREATE besser: Character (Rolle), Request (Aufgabe), Examples (Beispiele), Adjustments (Einschränkungen wie «nur Quellen ab 2020»), Type of Output (Format) und Evaluation (explizite Aufforderung zur Prüfung vor der Antwort).
Der Kern ist das «E» für Examples, fachlich bekannt als Few-Shot-Prompting: Statt Stil und Format ausführlich zu beschreiben, zeigt man ein gutes Beispiel. Schüsslers Beobachtung: ausformulieren ist anstrengender, aber es schafft beim Promptenden selbst Klarheit und reduziert den Interpretationsspielraum.
SIFT – nicht für die KI, sondern für dich
SIFT richtet sich nicht ans Modell, sondern an den Nutzer: Stop (innehalten, nicht blind vertrauen), Investigate the source (Primärquelle identifizieren), Find better coverage (unabhängige Belege suchen), Trace claims (Zahlen und Zitate zurückverfolgen).
Hinter dem Akronym steckt das Ad-fontes-Prinzip, das jeder Historikerin geläufig sein sollte – hier unter dem Namen «laterales Lesen». Praktisch heisst das: Parallelfenster aufmachen und prüfen, ob da wirklich steht, was das Modell behauptet.
Bonus: Vibe-Prompting
Analog zum Vibe Coding gibt es das Vibe-Prompting: Man formuliert die Recherche-Vorgabe frei, lässt das Sprachmodell daraus einen geschärften Prompt nach einem Schema bauen, streicht Überflüssiges und setzt den Prompt dann für die eigentliche Recherche ein. Laut Schüssler steht die Chance gut, dass das Ergebnis deutlich besser ausfällt.
Die Botschaft dahinter
Alle drei Methoden sind im Kern Banalitäten, in ein Akronym gegossen – und genau deshalb funktionieren sie. Der eigentliche Skill bleibt unverändert: scharf denken und treffsicher formulieren, auf der Metaebene wie im gewöhnlichen Schreiben. Frameworks helfen, Lücken zu erkennen und implizite Erwartungen explizit zu machen. Zauber sind sie keine – die gibt es auch nach drei Jahrzehnten Prompt-Engineering weiterhin nicht.