Ist Prompt Engineering tot? Was Studien und Stellenmarkt zeigen

Im März 2024 erklärte IEEE Spectrum Prompt Engineering für tot. In der Printausgabe hieß der Artikel „Don’t Start a Career as an AI Prompt Engineer“. Zweieinhalb Jahre später taucht der Satz in meinem Feed immer noch regelmäßig auf.

Ich arbeite seit 1989 in der Kommunikationsbranche, war von 2005 bis 2011 Microsoft MVP und habe auf digitalhandwerk.rocks über 640 Artikel zu KI veröffentlicht. Die These wollte ich weder einfach glauben noch einfach abtun, also habe ich Studien, Herstellertexte und Stellendaten durchgelesen. Tot sind der Jobtitel und ein Teil der Trickkiste. Die Fähigkeit dahinter lebt weiter, nur unter anderem Namen. Am Ende weißt du, welche Teile der Todesthese belegt sind und wohin du deine Zeit besser steckst. Schauen wir zuerst, woher die These kommt.

Ich halte Prompt Engineering für lebendig, aber verändert: Aus Zaubersprüchen ist die sorgfältige Auswahl dessen geworden, was ein Modell wissen muss.

Woher kommt die Behauptung, Prompt Engineering sei tot?

Die Autorin des IEEE-Artikels, Dina Genkina, berichtete über eine Studie von Rick Battle und Teja Gollapudi bei VMware. Die beiden testeten drei Open-Source-Modelle mit je 60 Prompt-Varianten an Grundschul-Mathematik. Selbst Chain-of-Thought, also die Bitte, Schritt für Schritt zu denken, half mal und schadete mal. „The only real trend may be no trend“, schreiben die Autoren. Ließen sie das Modell seinen Prompt selbst optimieren, schlug der Treffer fast immer den besten von Hand gefundenen, und zwar in Stunden statt Tagen.

Seitdem hat sich der Begriff verschoben. Shopify-Chef Tobi Lütke und der KI-Forscher Andrej Karpathy sprachen im Juni 2025 lieber von Context Engineering. Karpathys Argument: Bei „Prompt“ denken die meisten an eine kurze Aufgabenbeschreibung im Chat, in jeder ernsthaften Anwendung füllt man aber das ganze Kontextfenster mit den passenden Informationen für den nächsten Schritt.

Was an der Todesthese stimmt

Die Trickkiste leidet am meisten. Anthropic schreibt im Engineering-Beitrag Effective context engineering for AI agents vom September 2025, dass die genaue Formatierung von Prompts mit leistungsfähigeren Modellen vermutlich an Bedeutung verliert. Klügere Modelle brauchen demnach weniger vorschreibende Technik.

Ein Preprint auf arXiv vom Oktober 2025 geht weiter. Der unabhängige Forscher Imran Khan testete eine streng regelbasierte Prompt-Vorlage an 1.317 Mathe-Aufgaben mit gpt-5. Sie erreichte 94,00 Prozent, exakt so viel wie die Aufgabe ganz ohne Zusatz. Der schlichte Satz „Denk Schritt für Schritt“ kam auf 96,36 Prozent. Bei gpt-4o hatte dieselbe Vorlage noch gewonnen, mit 97 gegen 93 Prozent, allerdings bei nur 100 Aufgaben.

Ich ordne das vorsichtig ein: eine einzelne Studie, ein Autor, nur Mathematik, nur OpenAI-Modelle. Ich bin mir bei der Übertragbarkeit auf Textarbeit nicht sicher. Als Warnung taugt es trotzdem. Ein Prompt, der bei einem Modell glänzte, kann beim nächsten bremsen.

Was spricht gegen die These?

Melanie Sclar und Kollegen zeigten auf der Konferenz ICLR 2024, dass Formatänderungen ohne Bedeutungsunterschied bei LLaMA-2-13B bis zu 76 Genauigkeitspunkte ausmachten. Die Empfindlichkeit blieb bei größeren Modellen, mehr Beispielen und Instruction Tuning bestehen. Welches Format gut funktioniert, hängt zwischen Modellen nur schwach zusammen. Das waren ältere Open-Source-Modelle, aber der Befund passt zum Preprint: Prompt-Details wirken messbar und gelten nicht modellübergreifend.

Dazu kommt, was Anthropic von System-Prompts verlangt. Sie sollen klar und direkt sein, auf der richtigen Flughöhe zwischen starren Wenn-dann-Regeln und schwammigen Vorgaben. Minimal heißt dort ausdrücklich nicht kurz. Statt jeden Sonderfall aufzulisten, empfiehlt Anthropic wenige, vielfältige Beispiele. Das ist Prompt-Handwerk, nur unter dem Dach von Context Engineering.

Ist der Job „Prompt Engineer“ tot?

Beim Jobtitel sind die Belege am stärksten. In Microsofts Work Trend Index 2025 (31.000 Beschäftigte in 31 Ländern) landete Prompt Engineer fast am Ende der Rollen, die Firmen in den nächsten 12 bis 18 Monaten einstellen wollen. Den Rückgang der Stellenanzeigen mit diesem Titel beziffern drei Quellen mit rund 30, rund 40 und rund 79 Prozent. Alle drei sind Blogs, deren Methode ich nicht prüfen konnte, also trau keiner dieser Zahlen einzeln. Die Richtung ist überall dieselbe: Die Aufgabe wandert in Rollen wie AI Engineer. IEEE sah das 2024 schon kommen, nämlich als Teil von LLMOps.

Ich habe selbst geschrieben, dass Prompt Engineering zur Kernkompetenz wird und dass dafür neue Rollen entstehen. Die Kompetenz stimmt. Eigene Rollen rund ums Prompten sehe ich in den Daten nicht bestätigt, zumindest nicht unter dem Titel Prompt Engineer.

Was heißt das für deinen Alltag?

Praktisch heißt das fünf Schritte. Den Maßstab liefert Anthropic: die kleinstmögliche Menge an Information, die das gewünschte Ergebnis am wahrscheinlichsten macht. Mehr ist nicht besser, weil jedes zusätzliche Dokument die Aufmerksamkeit des Modells verteilt. Das ist für mich der brauchbarste Satz der ganzen Debatte:

1. Schlicht starten. Ziel, Zielgruppe, Format, relevanter Kontext: Das Grundgerüst aus Rolle, Aufgabe, Format und Kontext reicht meistens. Anweisungen ergänzt du erst, wenn du Fehler siehst. So empfiehlt es auch Anthropic.
2. Geben, was das Modell nicht wissen kann. Fakten, Unterlagen, zwei bis drei gute Beispiele statt einer Liste von Ausnahmen.
3. Wiederkehrendes auslagern. Für meine Home-Assistant-Installation habe ich einen eigenen Skill, der mein Setup kennt, und tippe es nicht in jeden Chat. Skills laden gestaffelt, nur die Kurzbeschreibung steht dauerhaft im Kontext. Wie das funktioniert, habe ich bei Claude Skills und Progressive Disclosure beschrieben.
4. Kontext schlank halten. Anthropic beschreibt „Context Rot“: Je mehr Tokens im Fenster, desto schlechter holt das Modell Details heraus. Wie ich Ordnerstruktur und Connectoren dafür aufbaue, steht in meinem Artikel zur Arbeit mit Ordnern und Connectoren. Fallstrick: Mehr Kontext heißt mehr Daten im Modell. Bei Kundendaten klärst du vorher Auftragsverarbeitung und Anonymisierung, sonst hast du ein DSGVO-Problem.
5. Nach jedem Modellwechsel neu testen. Was gestern funktionierte, ist kein Beweis für heute.

Ist Prompt Engineering also tot?

Nein. Der Jobtitel schrumpft, die Zaubertricks halten bei neuen Modellen schlecht, und der Begriff ist zu Context Engineering gewandert. Die Fähigkeit, einem Modell präzise zu sagen, was es tun soll und was es dafür wissen muss, brauchst du, solange Modelle Text lesen. Hör auf, Prompts zu sammeln. Fang an, Kontext zu bauen.

Häufige Fragen