Die enorme Leistungsfähigkeit generativer Large Language Models liegt nicht darin, Probleme zu lösen, sondern darin, anspruchsvolle Inhalte kontextspezifisch aufzubereiten und in unterschiedlichen Formaten darzustellen. Damit können sie eine äußerst wertvolle Hilfe in der Projektkommunikation und im Wissensmanagement sein, vorausgesetzt, sie werden richtig angewendet. Dies ist Gegenstand des sogenannten Prompt Engineerings, d.h. des optimalen Formulierens von Befehlen für den Chatbot.

Die in den ersten Jahren kursierenden Tricks, um die Leistungsfähigkeit von Chatbots zu erhöhen (z.B. das Versprechung einer monetären Belohnung), können mittlerweile als nicht mehr relevant betrachtet werden. Die kontinuierliche Weiterentwicklung der Modelle erübrigt zum einen solche "Cheats", zum anderen macht sie es immer wichtiger, qualifizierte Prompts zu erstellen.

Nach wie vor müssen wir uns auf einen Lernprozess einlassen, in dem sowohl wir lernen, wie wir dieses neue Werkzeug sinnvoll und effizient bedienen, als auch die Algorithmen und ihre Entwickler:innen lernen, wie sie die Anforderungen der Anwender:innen am besten erfüllen können. Diese Methodenbeschreibung legt deshalb besonderen Wert auf das Sammeln von Erfahrungen und das kontinuierliche Lernen.

Installieren Sie einen KVP für die Verwendung von KI in Ihrer Organisation!

Haben Sie bereits ein funktionierendes Wissensmanagement in Ihrem Unternehmen, mit dem Sie neue Erfahrungswerte (Lessons Learned) dokumentieren und wieder abrufen können? Dann gehören Sie zu den vermutlich wenigen Prozent Glücklichen, die nur eine neue Kategorie in ihrem Wissensmanagement-System anlegen müssen, z.B. ″Einsatz von Chatbots″.

Für alle anderen empfehle ich als einfachste Möglichkeit, eine Übersichtstabelle (z.B. in einem Tabellenkalkulationsprogramm) und eine Vorlage für eine Textdokumentation anzulegen, in der dann die Chatverläufe abgespeichert werden können. Verwenden Sie einen Ablageort, auf den alle im Team zugreifen können und den sie auch täglich verwenden, z.B. eine Sharepoint-Ablage oder Confluence oder ein anderes dafür geeignetes Collaboration-Tool. Tabelle 1 zeigt eine mögliche Struktur einer solchen Übersichtstabelle.

Tabelle 1: Mögliche Tabellenstruktur für eine Übersicht von Erfahrungswerten für Prompt Engineering

Erstellen Sie auch eine Vorlage für die ausführliche Dokumentation. Diese sollte mindestens die entsprechende Tabellenzeile und den gesamten Chatverlauf enthalten. Sinnvoll ist, dass insbesondere die verwendeten Prompts kommentiert und Empfehlungen gegeben werden.

Natürlich ist es nicht sinnvoll, alle Promptverläufe zu dokumentieren, sondern nur diejenigen, aus denen sich etwas lernen lässt.

Für die Auswertung können Sie selbstverständlich einen Chatbot verwenden, dem Sie diese Daten geben. Gemini bietet hierzu die Funktion Notebook-LM an, bei der Sie zu einem Thema eine Dateisammlung anlegen können.

Die eleganteste Möglichkeit für einen Erfahrungsspeicher des Prompt Engineerings besteht darin, einen personalisierten Chatbot für diesen Zweck einzurichten, zu dem alle Teammitglieder Zugang haben.