KI trainieren: Wie schwierig kann das sein?

Hier arbeiten IT und Sprachprofis zusammen: Beim Linguistic Prompt Engineering wird die KI genau auf die Anforderungen eines Unternehmens trainiert. Warum ist es so aufwändig, ein sauberes Set-up aufzubauen, dass Profis mindestens eine Woche konzentrierte Arbeit dafür investieren müssen?

Linguistic Prompt Engineering ist weit mehr als „ein bisschen besser prompten“. Es verbindet drei Ebenen:

• Sprachwissenschaft
• Unternehmensspezifische Fachsprache
• Technische Einbindung in KI-Systeme (LLM, RAG, Terminologie, Styleguides)

1.1. Sprachlogik statt Magie

Große Sprachmodelle (Large Language Models, LLM) liefern nur dann professionelle Ergebnisse, wenn sie präzise geführt werden. Vage Prompts wie „Bitte übersetze den folgenden Text“ führen nachweislich zu Fehlübersetzungen, Halluzinationen oder unpassenden Antworten anstelle von Übersetzungen.

Typische Probleme ohne linguistisches Prompt Engineering:

Linguistic Prompt Engineering sorgt dafür, dass das Modell versteht:

1.2. Einmal-Prompt vs. Prompt-Bibliothek

Ein einzelner guter Prompt ist schnell geschrieben. Professionelles Linguistic Prompt Engineering baut hingegen eine strukturierte Prompt-Bibliothek auf:

• Grundprompts (z. B. für technische Übersetzungen, Marketingtexte, rechtliche Inhalte)
• Spezialprompts (z. B. Sicherheitshinweise, Normtexte, Produktdatenblätter, FAQs)
• Korrektur- und Review-Prompts (z. B. „prüfe die Terminologie“, „optimiere den Stil“, „verkürze auf X Zeichen“)

Aus einem „einfachen Prompt“ entsteht ein Set an wiederverwendbaren, getesteten Prompts, die in Prozesse und Systeme eingebunden werden.

1.3. Mindestaufwand: eine Woche für Profis

Der minimale Arbeitsaufwand beträgt eine Woche. Das gilt aber nur für Profis. In dieser Zeit passiert typischerweise Folgendes:

Eine Woche ist dabei die Untergrenze für ein schlankes Set-up mit klar begrenztem Umfang (z. B. eine Hauptsprache, ein Fachbereich, definierte Textsorten). Für größere Unternehmen mit mehreren Sprachen, Abteilungen und Systemen wird entsprechend mehr Zeit benötigt.

Wenn Schmieder Übersetzungen eine bestehende Unternehmens-LLM-Umgebung übernimmt und für Übersetzungen und Sprachprozesse optimiert, bleiben die IT-Aufgaben überschaubar: Die Infrastruktur steht bereits, wir optimieren das Modell, die Prompts und den Umgang mit Sprache.

3.1. Fachterminologie und Konsistenz

Ohne saubere Terminologie bleibt selbst das beste Prompting Stückwerk. KI-Systeme neigen zu inkonsistenter Wortwahl, wenn keine klaren Vorgaben existieren.

• Fachbegriffe sind in verschiedenen Abteilungen unterschiedlich etabliert
• Es existieren nur verstreute Glossare oder alte Excel-Listen
• Benennungen sind nicht sauber definiert oder nicht übersetzt

Linguistic Prompt Engineering muss diese Basis erst konsolidieren, bevor die Prompts verlässlich funktionieren.

3.2. Textsorten und Kontexte

Ein LLM weiß nicht automatisch, ob es eine technische Anleitung, einen Marketingtext, einen Vertragstext oder eine E‑Learning-Einheit verarbeiten soll. Ohne explizite Kontextvorgabe kann das Modell „kreativ“ werden; mit entsprechenden Risiken.

Die Prompts müssen also so strukturiert werden, dass Textart, Zielgruppe, Tonalität und gewünschter Output (Übersetzung, Zusammenfassung, Kürzung, Qualitätscheck etc.) unmissverständlich definiert sind.

3.3. Qualitätssicherung und Verantwortung

LLMs prüfen sich nicht selbst. Es braucht klare Prozesse:

• Wann reicht die KI-Ausgabe ohne menschliches Review?
• Wann ist Post-Editing durch Sprachexperten Pflicht?
• Welche Fehler sind kritisch (z. B. juristisch, sicherheitsrelevant, regulatorisch)?

Linguistic Prompt Engineering muss in bestehende QS-Prozesse eingebettet werden. Das ist organisatorisch oft anspruchsvoller als technisch.

3.4. Datenquellen und RAG

Damit LLMs unternehmensspezifische Inhalte korrekt nutzen, ist häufig Retrieval-Augmented Generation (RAG) sinnvoll, also der gezielte Zugriff auf Wissensquellen wie Terminologiedatenbanken, Styleguides oder Fach-Dokumentationen.

Die Herausforderungen dabei sind:

• Auswahl geeigneter Datenquellen (Aktualität, Qualität, Rechte)
• Strukturierung der Daten (z. B. Segmentierung, Metadaten)
• Sicherstellen, dass die KI wirklich auf diese Daten zugreift und nicht „halluziniert“

Linguistic Prompt Engineering definiert hier, wie die KI auf das Unternehmenswissen zugreifen soll und wie darauf in Prompts verwiesen wird.

3.5. Akzeptanz in den Fachabteilungen

Ein oft unterschätzter Punkt: Wenn Mitarbeiterinnen und Mitarbeiter bereits mit vermeintlich schnellen KI-Tools wie kostenlos zugänglichen Übersetzern oder Chatbots arbeiten, wirkt ein strukturiertes Linguistic-Prompting-Set-up zunächst wie ein Mehraufwand.

Hier muss Verständnis dafür aufgebaut werden, wo die Grenzen der KI sind. Mit dem richtigen Erwartungsmanagement wird klar, dass KI kein Allheilmittel, sondern ein Werkzeug ist, das geführt werden will.