Damit ein Sprachmodell Antworten auf Augenhöhe des Anwenders liefern kann, ist es entscheidend, dem Modell eine klare Rolle zuzuweisen oder die eigene Rolle zu definieren. Dies grenzt den Kontext ab und verbessert die Relevanz der Antworten. Zwei Beispiele verdeutlichen diesen Ansatz:

Input: «Beantworte meine Frage als Ärztin oder Arzt: <Frage>»

Input: «Ich bin ein Hausarzt mit 15 Jahren Berufserfahrung und möchte von dir als <Rolle> (Ärztliche Kollegin, Arzneimittelexperte, Softwarehersteller) eine Antwort auf …» 

Wenn die Rolle definiert wird, passt das Sprachmodell bestimmte Parameter an. Dazu gehört die Temperatur, ein Begriff, der die Zufälligkeit der Antworten beschreibt. Eine hohe Temperatur führt zu kreativeren, aber weniger vorhersehbaren Antworten, während eine niedrige Temperatur präzisere, deterministische Antworten liefert.

Ein weiterer Vorteil der Rollendefinierung ist die Anpassung der Antwort an die Rolle: Das Modell liefert Informationen gezielt und reduziert Missverständnisse, die durch unklare Formulierungen entstehen. Dies steigert sowohl die Effizienz als auch die Relevanz der Antworten.

Vergleich ohne und mit Rollendefinierung:

Ohne Rollendefinierung:
Anwender: «Was ist Diabetes Typ 2?»
Sprachmodell: «Diabetes Typ 2 ist eine Stoffwechselerkrankung. Soll ich dir allgemeine Ernährungstipps geben?»

Mit Rollenerklärung:
Anwender: «Du bist ein medizinischer Experte. Erkläre Diabetes Typ 2 sachlich und präzise für einen Arzt»
Sprachmodell: «Diabetes Typ 2 ist eine chronische Stoffwechselerkrankung, charakterisiert durch Insulinresistenz und eine gestörte Insulinsekretion. Diagnostische Kriterien sind ein HbA1c ≥ 6,5 % ein Nüchternblutzucker ≥ 126mg/dl oder ein OGTT mit einem 2-Stunden-Blutzucker ≥ 200mg/dl.»

Wichtiger Hinweis:
​​​​​​​Die definierte Rolle bleibt im gleichen Dialog bestehen. Weitere Fragen werden automatisch in diesem Kontext beantwortet. Möchte die Anwenderin, der Anwender eine andere Perspektive oder Rolle, muss diese explizit neu definiert werden.

Die Verwendung der Fachsprache erweitert den Kontext und ermöglicht eine klare, präzise Kommunikation mit dem Sprachmodell. Fachsprache ist darauf ausgelegt, komplexe Sachverhalte eindeutig zu beschreiben, und reduziert Missverständnisse, da das Sprachmodell die Art und den Stil der Antwort anpasst.

Ein weiterer Vorteil ist, dass Fachsprache den Anwendenden erlaubt, Informationen direkt im gewünschten Format zu erhalten, ohne dass das Modell sie für Fachunkundige umformulieren muss. Dies erhöht die Effizienz, besonders bei spezifischen Aufgaben wie der Unterstützung wissenschaftlicher Arbeiten, der Erstellung von Berichten oder klinischen Entscheidungen.

Es ist daher nicht nötig, dem Modell grundlegende Fachbegriffe wie HbA1c-Wert oder andere medizinische Parameter zu erklären. Stattdessen sollten Anfragen präzise in der entsprechenden Fachsprache formuliert werden, um die gewünschten Ergebnisse zu erzielen.

Das richtige Mass von Kontext
Damit ein Sprachmodell die gewünschten Anforderungen erfüllen kann, benötigt es den richtigen Kontext. Ohne ausreichenden Kontext ist es nicht in der Lage, präzise oder relevante Informationen zu liefern. Dies kann zu Missverständnissen führen, insbesondere bei Begriffen wie «Therapie» oder «Komplikationen», die je nach Kontext unterschiedlich interpretiert werden. 

Wichtiger Hinweis: Sensible Informationen
Beim Bereitstellen von Kontext müssen sensible Informationen, wie personenbezogene Daten eines Patienten, unbedingt vermieden werden. Solche Daten dürfen unter keinen Umständen in eine Anfrage integriert werden. Werden sie einmal verwendet, können sie nicht mehr gelöscht werden. Es besteht die Möglichkeit, dass diese Informationen später bei anderen Anwendenden oder einer anderen Anfrage wieder auftauchen.

Ein Beispiel zur Veranschaulichung:

Anwender 1: «Patient Max Müller, aus Zürich in der Musterstrasse 16a, ist ein 65-jähriger Mann, der an COPD leidet. Heute wurde Herrn Müller ein Antibiotikum gegen eine bakterielle Infektion verabreicht. Welche weiteren Abklärungen sollten nun gemacht werden?»

Sprachmodell: «Antwort…»

Das technische Problem besteht darin, dass das Modell Daten verknüpfen oder speichern könnte, wodurch diese Informationen später wieder erscheinen. Zudem dürfen wir nicht ausser Acht lassen, dass bei der Verarbeitung einer Anfrage oft zusätzliche Services aktiviert werden, die Log-Dateien (Protokolle über Systemaktivitäten) erstellen können.

Beim Umgang mit generativer KI müssen Datenschutzstandards wie die DSGVO¹¹ (Datenschutzgrundverordnung) in der EU oder das revidierte Datenschutzgesetz¹² (revDSG) in der Schweiz berücksichtigt werden. Diese schreiben vor, dass nur notwendige Daten verarbeitet werden dürfen (Datenminimierung) und personenbezogene Informationen niemals ohne Zustimmung verwendet werden dürfen. Anfragen an KI-Modelle sollten deshalb keine direkt identifizierbaren Patientendaten wie Namen, Adressen oder ähnliche Informationen enthalten.

Die Kunst liegt darin, an Kontext so viel wie nötig, aber so wenig wie möglich bereitzustellen. Eine praktikable Methode ist ein iterativer Ansatz, bei dem schrittweise mehr Kontext gegeben wird, bis das Modell eine präzise Antwort liefert. 

Es gilt abzuwägen, welche Informationen wirklich notwendig sind, um eine relevante Antwort zu erhalten. So kann das Alter eines Patienten wichtig sein, aber personenbezogene Daten wie Namen oder Adresse sollten unbedingt unverwendet bleiben, um datenschutzrechtliche Probleme zu vermeiden.

Beispiele für geeignete und ungeeignete Anfragen:

Ungeeignete Anfrage:
«Ein Patient namens Herr Meier, 72 Jahre alt, wohnt in Basel, leidet an Diabetes Typ 2, hat eine GFR von 25 und wiegt 80 kg. Wie lautet die Therapieempfehlung?»

Geeignete Anfrage:
«Ein 72-jähriger Patient mit Diabetes Typ 2, einer GFR von 25 und einem Gewicht von 80 kg. Welche medikamentösen Therapieoptionen sind gemäss aktuellen Leitlinien geeignet?»

Beispiel für einen iterativen Prozess:
«Was benötigst Du an Informationen, um eine präzise Empfehlung für einen Patienten mit Diabetes Typ 2 zu geben?»

Beim Prompt-Engineering, also dem Formulieren der Anfrage, können Beispiele helfen, Antworten in einem gewünschten Format zu erhalten. Wie im Kapitel 1 dargelegt, arbeiten grosse Sprachmodelle probabilistisch und können eine Aussage auf viele Arten interpretieren. Beispiele helfen dabei, diese Vielfalt einzugrenzen und die Antworten auf ein bestimmtes Format zu reduzieren. Dies ist besonders nützlich, wenn mehrere Fragen an das Modell gestellt werden, da die Varianz der Antworten verringert wird.

Beispiele dienen somit als eine Art Wegleitung, wie das Sprachmodell Antworten generieren soll. Sie sind nicht nur nützlich, um das Format zu bestimmen, sondern können auch als Templates bzw. Vorlagen für ähnliche Anfragen dienen. Dies ist besonders hilfreich in Bereichen wie der Medizin oder Wissenschaft, wo Präzision und Einheitlichkeit erforderlich sind. 

Ein grosser Vorteil ist dabei, dass durch Beispiele nicht nur die inhaltliche Struktur, sondern auch das Antwortformat definiert werden kann. Nutzer können explizit angeben, dass die Antwort beispielsweise im Markdown-Format, in einer Tabelle, als Bulletpoints oder als Fliesstext dargestellt werden soll. Diese Flexibilität ist besonders nützlich für Berichte, Datenzusammenfassung oder strukturierte Informationen. 

Beispiel für Formatvorgaben:

• Markdown-Format: «Fasse die folgenden Informationen als Liste in Markdown zusammen.»
• Tabelle: «Stelle die Daten zur Medikamentenentwicklung in einer Tabelle dar. Beispiel: Spalte 1: Medikament, Spalte 2: Wirkung, Spalte 3: Nebenwirkungen»

Zudem können Beispiele gezielt dazu verwendet werden, das Modell auf erwünschte und unerwünschte Antworten hinzuweisen. Während positive Beispiele zeigen, wie das Modell antworten soll, können negative Beispiele demonstrieren, welche Arten von Antworten vermieden werden sollten. 

Ein weiterer Vorteil von Beispielen ist ihre Flexibilität. Sie erlauben eine iterative Verbesserung der Anfrage, wenn die erste Antwort nicht den Erwartungen entspricht. Nutzer können ihre Beispiele anpassen, erweitern oder verfeinern, um die gewünschten Ergebnisse zu erzielen.

Ein Beispiel für den praktischen Einsatz:

• Unpräzise Anfrage: «Erkläre Multiple Sklerose.»
• Mit Illustration: «Erkläre Multiple Sklerose präzise und im Stil eines ärztlichen Gutachtens. Beispiel: Multiple Sklerose ist eine chronisch-entzündliche neurologische Autoimmunerkrankung, charakterisiert durch verstreute, flickenförmige Demyelinisierung.»

Besonders bei komplexen Aufgaben kann es hilfreich sein, eine Reihe von Beispielen bereitzustellen, die dem Modell eine klare Struktur vorgeben. Dies reduziert die Gefahr von Missverständnissen und erhöht die Relevanz der generierten Antworten. Trotz ihrer Vorteile sollten Beispiele sorgfältig ausgewählt werden. Zu viele oder stark abweichende Beispiele können das Modell verwirren oder inkonsistente Antworten hervorheben.

Prompt-Engineering ist ein grundlegender Bestandteil der erfolgreichen Interaktion mit generativen KI-Modellen. Die Qualität der Antworten hängt massgeblich davon ab, wie präzise und kontextgerecht die Anfragen formuliert werden. Ein schlecht formulierter Prompt führt oft zu ungenauen, irrelevanten oder missverständlichen Antworten, ein frustrierendes Ergebnis für den Anwender. 

Indem klare Rollen definiert werden, Fachsprache zur Anwendung kommt, richtigen Kontext bereitgestellt und durch Beispiele das gewünschte Format illustriert wird, lässt sich die Leistung der KI erheblich steigern. Diese Techniken helfen nicht nur dabei, präzisere und konsistentere Ergebnisse zu erreichen, sondern ermöglichen auch eine effizientere Kommunikation, die Zeit spart und Unsicherheiten reduziert. 

Das Ziel des Prompt-Engineerings ist es, die generative KI so zu leiten, dass sie genau das liefert, was benötigt wird, ob in der Wissenschaft, Medizin oder einem anderen professionellen Kontext. Im Folgenden sind die zentralen Methoden für ein erfolgreiches Prompt-Engineering zusammengefasst:

• Definiere die Rolle der KI.
• Kommuniziere in Fachsprache.
• Verwende den richtigen Kontext.
• Illustriere mit Beispielen.

Das Prompt-Engineering ist der Schlüssel, um generative KI effizient und zielgerichtet zu nutzen. Durch die Kombination aus klaren Rollen, präziser Fachsprache, passendem Kontext und anschaulichen Beispielen kann die Qualität der Antworten erheblich erhöht werden.

Mit jeder neuen Generation grosser Sprachmodelle werden diese Systeme besser darin, unstrukturierte oder vage formulierte Anfragen korrekt zu interpretieren. Moderne Modelle wie GPT-4 sind in der Lage, Rollen und Kontexte implizit zu erkennen, Rückfragen zu stellen und sich flexibel auf neue Situationen einzustellen, selbst bei suboptimal formulierten Prompts. Das bedeutet: Die Bedeutung des Prompt-Engineerings verändert sich, vom Pflichtwerkzeug zur Feinsteuerung. 

In vielen Fällen liefern grosse Sprachmodelle heute bereits brauchbare Erstvorschläge, selbst wenn der Prompt nicht perfekt ist. Die Kunst liegt zunehmend darin, die Qualität und Konsistenz der Antworten zu verfeinern, nicht mehr unbedingt darin, sie überhaupt erst korrekt auszulösen. Gerade im professionellen Umfeld bleibt gutes Prompt-Engineering vorerst ein Wettbewerbsvorteil, doch mit der Weiterentwicklung der Modelle verschiebt sich der Fokus von «Wie frage ich?» hin zu «Wie nutze ich das Ergebnis verantwortungsvoll?».

Mit den Grundlagen des Prompt-Engineerings lässt sich die Qualität der Antworten generativer KI-Modelle bereits deutlich verbessern. Doch um noch präzisere, konsistentere und strukturiertere Ergebnisse zu erzielen, gibt es weiterführende Methoden, die über diese Basics hinausgehen. Diese fortgeschrittenen Techniken helfen dabei, komplexe Aufgaben effizienter zu lösen, Antworten gezielter zu steuern und die Übersichtlichkeit der generierten Inhalte zu optimieren. Da sich diese Methoden ständig weiterentwickeln, konzentrieren wir uns hier auf die wichtigsten Ansätze, die das Prinzip des Prompt-Engineerings sinnvoll ergänzen und vertiefen. 

1. Zero-shot-Prompting

Zero-shot-Prompting beschreibt die Fähigkeit generativer KI-Modelle, Aufgaben direkt anhand einer klar formulierten Anweisung auszuführen, ohne dass dafür Beispiele oder Vorlagen bereitgestellt werden müssen. Der Begriff «Zero-shot» bedeutet, dass das Modell eine Aufgabe auf Anhieb bewältigen kann, weil es während des Trainings mit grossen Datenmengen allgemeine Zusammenhänge gelernt hat. 

Solche Aufgaben sind meist einfach und erfordern kein spezielles Hintergrundwissen oder zusätzliche Kontextinformationen. Typische Anwendungsfälle für Zero-shot-Prompting sind:

• Übersetzungen (z. B. Deutsch → Englisch)
• Zusammenfassung von Texten
• Grammatikprüfungen
• Themenklassifikationen

Auch im medizinischen Alltag ergeben sich nützliche Einsatzmöglichkeiten für Zero-shot-Prompting:

• Verknüpfen von Symptomen mit möglichen Krankheitsbildern
• Patientenaufklärung in verständlicher Sprache
• Erkennung von Wechselwirkungen zwischen Medikamenten
• Triage-Klassifizierung zur Einschätzung von Dringlichkeiten

Damit Zero-shot-Prompting zuverlässig funktioniert, wurden generative KI-Modelle gezielt darauf trainiert, allgemeine Anweisungen klar zu verstehen und konsistent zu beantworten. Dieses Anweisungstraining (Instruction Tuning) sorgt dafür, dass standardisierte Aufgaben ohne zusätzliche Erklärungen präzise gelöst werden können [41]. 

2. Grenzen von Zero-shot-Prompting

Bei komplexen oder mehrdeutigen Aufgaben kann Zero-shot-Prompting an seine Grenzen stossen. In solchen Fällen sind Few-shot- oder One-shot-Prompting-Methoden effektiver, da sie dem Modell durch gezielte Beispiele helfen, komplexe Zusammenhänge besser zu erfassen. Besonders bei sensiblen Themen wie medizinischen Diagnosen oder Therapieempfehlungen ist eine sorgfältige Überprüfung der generierten Antworten unerlässlich. 

3. One-shot- und Few-shot-Prompting

Wenn Zero-shot-Prompting an seine Grenzen stösst, kommen erweiterte Methoden wie One-shot oder Few-shot-Prompting zum Einsatz. Im Gegensatz zum Zero-shot-Prompting, bei dem das Modell lediglich eine Anweisung erhält, werden hier gezielt Beispiele gegeben, um das Modell besser auf die gewünschte Aufgabe vorzubereiten.

Die Technik basiert auf dem Prinzip des Kontextlernens (In-Context-Learning): Das Sprachmodell lernt durch konkrete Beispiele, wie es ähnliche Aufgaben lösen soll. Dadurch verbessert sich die Qualität und Präzision der Antworten, insbesondere bei komplexeren Fragestellungen. 

Ob von One-shot- oder Few-shot-Prompting die Rede ist, hängt einzig von der Anzahl der bereitgestellten Beispiele ab [4]. 

• One-shot-Prompting – Das Modell erhält ein Beispiel zur Orientierung.
• Few-shot-Prompting – Das Modell erhält mehrere Beispiele, um komplexere Aufgaben besser zu verstehen.

Mit zunehmender Modellgrösse und Leistungsfähigkeit, wie sie durch Fortschritte bei grossen Sprachmodellen [42] erreicht wurden, hat sich Few-shot-Prompting als besonders effektiv erwiesen [43].

Ein Beispiel von Brown et al. [4] zeigt, wie ein One-shot-Prompting angewendet wird:

Aufforderung One-shot-Prompting:

Aufforderung Few-shot- Prompting¹³:

In beiden Fällen erkennt das Modell anhand der Beispiele, wie es die Aufgabe lösen soll. Je mehr Beispiele (Few-shot) geliefert werden, desto besser kann das Modell komplexere Muster erkennen. 

Wie Min et al. [44] herausfanden, spielt die klare Trennung zwischen Aufgabe, Beispiel und Antwort eine wichtige Rolle für die Qualität der generierten Ergebnisse. Trennsymbole wie Pfeile (->), Bindestriche (-) oder Doppelpunkt (:) helfen dem Modell, den Übergang zwischen Anweisung, Beispiel und erwarteter Antwort besser zu verstehen. Wichtig ist auch eine konsistente Struktur, das erhöht die Präzision und Verlässlichkeit der generierten Antworten. 

Grenzen von Few-shot-Prompting
​​​​​​​Obwohl Few-shot-Prompting bei vielen Aufgaben gut funktioniert, stösst diese Methode bei komplexeren Aufgaben, insbesondere bei logischem Denken oder mehrstufigem Schlussfolgern, an ihre Grenzen. 

Fragt man die generative KI nun z. B., ob eine Summe an Zahlen eine gerade oder ungerade Zahl ergibt, verändert sich die Antwort:

Die Antwort folgt nicht mehr statisch den mitgegebenen Beispielen. Der Prompt ändert sich automatisch zu Chain-of-Thought-Methode, in welcher er die Herleitung für die Antwort mitliefert (s. auch unten).

Mit herkömmlichem Few-shot-Prompting erhielten wir noch einfache Antworten wie «Die Antwort ist richtig». Mithilfe des Chain-of-Thought-Promptings verändert sich nun jedoch der Ansatz: Statt einer direkten Antwort liefert das Modell eine strukturierte Abfolge von Denkprozessen und Zwischenschritten, um komplexe Aufgaben systematisch zu lösen.

4. Chain-of-Thought-Prompting

Beim Chain-of-Thought (CoT)-Prompting wird eine Aufgabenstellung in mehrere logische Einzelschritte zerlegt. Das Modell wird dabei gezielt durch den Lösungsweg geführt, indem es Schritt für Schritt die Aufgabe bearbeitet. Diese Methode fördert das logische Vorgehen und hilft dem Modell, schlüssige Argumentationen zu entwickeln. Besonders bei Aufgaben, die mehrstufige Analysen, mathematische Berechnungen oder komplexe Schlussfolgerungen erfordern, zeigt das CoT-Prompting deutliche Verbesserungen in der Antwortqualität.

Moderne generative KI-Modelle können mittlerweile eigenständig erkennen, wann ein Problem komplex genug ist, um den Chain-of-Thought-Modus zu aktivieren. Wir sprechen dann von dem automatisierten CoT Prompting. In früheren Forschungsarbeiten, wie etwa bei Wie et al. [45], war dieser automatische Wechsel noch nicht etabliert, was häufiger zu Fehlern in den Antworten führte.

Sollte das Modell jedoch nicht von selbst auf das CoT-Prompting umschalten, also dem automatisiertem CoT-Prompting, kann dies erzwungen werden. Wie Kojima et al. [46] gezeigt haben, genügt oft ein einfacher Hinweis wie «Denke in Schritten» oder «Let’s think step by step», um das Modell zu einer strukturierten Problemlösung zu bewegen.

Der grosse Vorteil dieser Methode liegt in der Transparenz. Anwender erhalten Einblick in die Prozesse (Generierung) der KI. Dies erhöht auch die Sicherheit, da nachvollzogen werden kann, wie das Modell zu einer Antwort gelangt.

Grenzen des Chain-of-Thought-Promptings
Trotz seiner Vorteile hat-CoT Prompting auch Einschränkungen. 

• Zeitaufwand – Die schrittweise Herleitung ist deutlich zeitintensiver als eine direkte Antwort.
• Fehleranfälligkeit – Fehler können nicht nur in der Endantwort, sondern auch in den einzelnen Zwischenschritten auftreten.
• Nicht immer sinnvoll – Bei einfachen Aufgaben steht der Aufwand oft in keinem Verhältnis zum Nutzen.

Das Chain-of-Thought-Prompting erweitert die Möglichkeiten generativer KI-Modelle erheblich, indem es Prozesse transparent und nachvollziehbar macht. Besonders bei komplexen Aufgaben mit mehreren Analyseschritten führt diese Methode zu einer höheren Antwortqualität. 

5. Zusammenfassung

In diesem Kapitel haben wir die verschiedenen Methoden des Prompt-Engineerings kennengelernt, mit denen sich die Qualität und Genauigkeit der Antworten generativer KI-Modelle gezielt steuern lässt. Die Wahl der richtigen Methode hängt dabei massgeblich von der Komplexität der Aufgabe ab. Je komplexer die Fragestellung, desto mehr Unterstützung benötigt das Modell, um präzise und nachvollziehbare Antworten zu generieren.

Beim Zero-shot-Prompting erhält das Modell lediglich eine klare Anweisung, ohne dass zusätzliche Beispiele bereitgestellt werden. Diese Methode eignet sich besonders gut für einfache und standardisierte Aufgaben wie Übersetzungen, Zusammenfassung oder Themenklassifikationen. Allerdings stösst Zero-sho- Prompting bei komplexeren Aufgaben schnell an seine Grenzen, da das Modell ohne weitere Kontextinformationen nicht immer in der Lage ist, präzise und korrekte Antworten zu liefern.

Das One-shot-Prompting bietet hier eine erste Verbesserung. Indem dem Modell ein einziges Beispiel gegeben wird, erhält es eine Orientierungshilfe, wie die Antwort strukturiert sein soll. Diese Methode ist hilfreich bei Aufgaben, die mehr Kontext oder eine bestimmte Struktur erfordern, etwa bei der Texterstellung oder der Formatierung von Informationen. Dennoch reicht ein einzelnes Beispiel bei komplexeren Fragestellungen oft nicht aus, um optimale Ergebnisse zu erzielen. 

Eine weitere Steigerung bietet das Few-shot-Prompting, bei dem dem Modell mehrere Beispiele zur Verfügung gestellt werden. Durch diese Vielfalt an Beispielen kann das Modell komplexere Aufgaben mit unterschiedlichen Interpretationsmöglichkeiten lösen oder strukturierte Informationen verarbeiten. Allerdings kann auch Few-shot-Prompting bei Aufgaben, die mehrstufiges logisches «Denken» erfordern, an seine Grenzen stossen. 

Um genau solche komplexen Herausforderungen zu bewältigen, wurde das Chain-of-Thought (CoT)-Prompting entwickelt. Bei dieser Methode wird das Modell gezielt angewiesen, eine Aufgabe Schritt für Schritt zu lösen, anstatt sofort eine direkte Antwort zu liefern. Dies fördert das logische Analysieren und führt zu schlüssigeren und nachvollziehbareren Antworten. CoTPrompting zeigt besonders bei Aufgaben, die mehrstufiges «Denken», mathematische Berechnungen oder komplexe Schlussfolgerungen erfordern, deutliche Verbesserungen in der Antwortqualität. Moderne KI-Modelle sind mittlerweile in der Lage, eigenständig zu erkennen, wann eine Aufgabe komplex genug ist, um automatisch in den Chain-of-Thought-Modus zu wechseln. In diesem Fall spricht man von automatisiertem CoT-Prompting. Sollte das Modell diese Einschätzung nicht selbstständig treffen, kann dieser Modus gezielt durch Anweisungen wie «Denke in Schritten» oder «Let’s think step by step» aktiviert werden, wie es Kojima et al. [46] gezeigt haben. 

Ein wesentlicher Vorteil des Chain-of-Thought-Promptings liegt in der Transparenz: Man erhält Einblick in die Verarbeitungsprozesse der KI und kann genau nachvollziehen, wie das Modell zu einer Antwort gelangt. Dies erhöht die Sicherheit und das Vertrauen in die generierten Inhalte. Dennoch bringt CoT-Prompting auch gewisse Einschränkungen mit sich. Die schrittweise Herleitung ist deutlich zeitintensiver als eine direkte Antwort, und Fehler können nicht nur in der Endantwort, sondern auch in den einzelnen Zwischenschritten auftreten. Zudem ist diese Methode bei einfachen Aufgaben oft nicht sinnvoll, da der zusätzliche Aufwand nicht im Verhältnis zum Nutzen steht. 

Zusammenfassend lässt sich sagen, dass die Kombination aus Zero-shot-, One-shot-, Few-shot- und Chain-of-Thought-Prompting eine flexible und effektive Möglichkeit bietet, die Leistung generativer KI-Modelle gezielt zu steuern. Während einfache Aufgaben effizient mit Zero-shot-Prompting gelöst werden können, profitieren komplexere Aufgaben von der schrittweisen und logischen Herangehensweise des CoT-Promptings. Wenn das Modell nicht automatisch den passenden Modus wählt, können passende Anweisungen die gewünschte Tiefe und Struktur der Antwort beeinflussen. Die besprochenen Methoden ergänzen sich und ermöglichen es, die Qualität, Transparenz und Nachvollziehbarkeit von KI-generierten Antworten erheblich zu verbessern. Dies ist insbesondere in sensiblen Bereichen wie der Medizin, der Wissenschaft oder bei komplexen Entscheidungsprozesse von grosser Bedeutung.