KI-Anweisungen kürzen: Zu lange Prompts kosten über 20 % mehr

20 % höhere Kosten durch zu viel Text

Weniger und präzisere KI-Anweisungen schlagen lange, überladene System-Prompts. Eine Studie der ETH Zürich (2026) zeigt: KI-generierte, aufgeblähte Anweisungsdateien senken die Erfolgsrate von Coding-Agenten im Schnitt um 3 % und erhöhen die API-Kosten um über 20 %. Kürzere System-Prompts liefern also bessere Ergebnisse zu geringeren Kosten. KI-Anweisungen (System-Prompts) sind der zentrale Konfigurationsbaustein jeder KI-Anwendung im Unternehmen, deshalb wirkt jede Optimierung direkt auf Qualität und Budget.

Die einfachste Analogie dafür ist das Mitarbeiter-Onboarding. Stell dir vor, du stellst einen neuen Mitarbeiter ein und drückst ihm am ersten Tag ein 50-seitiges Handbuch in die Hand. Jede Regel, jeder Sonderfall, jede Ausnahme. Er ist überfordert, macht Fehler und braucht länger für einfache Aufgaben. Genau das passiert auch bei KI-Systemen, wenn du ihre Anweisungen mit Regeln vollpackst. Je mehr Regeln, desto besser, denken viele Unternehmen. Die ETH-Studie zeigt das Gegenteil.

In diesem Artikel:

• 20 % höhere Kosten durch zu viel Text
• Wie KI-Anweisungen funktionieren und was sie kosten
• Was die ETH-Studie konkret zeigt
• Warum wir trotzdem zu viel schreiben
• Fünf Regeln für schlanke KI-Anweisungen
• Rechenbeispiel: Was Kürzen sparen kann
• Häufige Fehler bei KI-Anweisungen im Unternehmen
• So misst du den Erfolg deiner Optimierung
• Der richtige Ansatz: KI-Onboarding statt KI-Überladung
• Was das für die KI-Strategie im Mittelstand bedeutet

Für ein mittelständisches Unternehmen mit 30 Mitarbeitern, das KI-Tools für Kundenservice, Angebotserstellung und Dokumentenverarbeitung nutzt, sind 20 % Mehrkosten keine Kleinigkeit. Das können schnell mehrere tausend Euro pro Jahr sein, die du dir mit besseren Anweisungen sparst. Welche KI-Anwendungen im Mittelstand grundsätzlich den besten ROI bringen, zeigt der Praxisguide zu KI im Mittelstand.

Wie KI-Anweisungen funktionieren und was sie kosten

Bevor wir die Lösung besprechen, kurz zum Mechanismus. KI-Modelle wie Claude, GPT oder Gemini arbeiten mit sogenannten Tokens. Ein Token entspricht ungefähr einem Wort oder Wortteil. Jeder Token kostet Geld.

Der System-Prompt wird immer mitgeschickt

Das Entscheidende: Dein System-Prompt wird bei jeder einzelnen Anfrage mitgesendet. Er ist kein einmaliger Aufwand, sondern ein laufender Kostenfaktor.

Ein Rechenbeispiel:

• Dein System-Prompt hat 2.000 Tokens
• Dein Team stellt 500 Anfragen pro Tag
• Pro Tag verbraucht allein der System-Prompt 1.000.000 Tokens
• Bei einem Preis von 3 USD pro Million Input-Tokens sind das 3 USD am Tag, nur für die Anweisungen
• Auf ein Jahr mit 260 Arbeitstagen gerechnet: rund 780 USD, also etwa 720 EUR

Halbierst du den System-Prompt auf 1.000 Tokens, sparst du 360 EUR pro Jahr. Bei mehreren KI-Anwendungen und höherer Nutzung multipliziert sich der Effekt schnell.

Das Kontextfenster ist begrenzt

KI-Modelle haben ein begrenztes Kontextfenster. Jeder Token, den dein System-Prompt belegt, fehlt für die eigentliche Aufgabe. Ein aufgeblähter Prompt lässt weniger Platz für die Nutzereingabe und die Antwort. Das Ergebnis: kürzere, weniger hilfreiche Antworten bei komplexen Aufgaben.

Was die ETH-Studie konkret zeigt

Forscher der ETH Zürich haben 2026 in der Studie „Evaluating AGENTS.md" untersucht, wie sich Anweisungsdateien auf die Leistung von KI-Coding-Agenten auswirken. Die Ergebnisse sind eindeutig.

Mehr Anweisungen, schlechtere Ergebnisse

Die Studie testete Coding-Agenten mit und ohne Anweisungsdateien, sowohl von Menschen geschriebene als auch KI-generierte. Das Ergebnis: Agenten mit aufgeblähten, KI-generierten Anweisungen lösten Aufgaben im Schnitt 3 % seltener erfolgreich. Gleichzeitig stiegen die Kosten pro Aufgabe um über 20 %.

Der Grund liegt im Verhalten der LLMs. Zu viele Anweisungen erzeugen Konflikte. Wenn Regel A sagt "Sei ausführlich" und Regel B sagt "Fass dich kurz", muss die KI abwägen. Das kostet Rechenzeit, erzeugt inkonsistente Ergebnisse und kann Halluzinationen begünstigen.

KI-generierte Anweisungen sind besonders problematisch

Ein weiteres Ergebnis der Studie: Anweisungen, die von KI-Modellen selbst geschrieben wurden, performen schlechter als menschlich verfasste. Der Grund: KI-Modelle neigen zu Redundanz. Sie wiederholen Regeln in anderen Worten, fügen unnötige Einschränkungen hinzu und erzeugen widersprüchliche Vorgaben.

In meiner Beratungsarbeit begegnet mir genau dieser Ansatz regelmäßig: Unternehmen lassen ChatGPT oder Claude ihre System-Prompts schreiben. Das spart Zeit bei der Erstellung, kostet aber bei jeder Nutzung mehr Geld und liefert schlechtere Resultate.

Warum wir trotzdem zu viel schreiben

Wenn weniger besser ist, warum schreiben wir dann so viel? Drei psychologische Muster erklären das Verhalten.

Kontrollillusion

Mehr Regeln fühlen sich an wie mehr Kontrolle. Wenn du jede Eventualität abdeckst, kann nichts schiefgehen, glauben viele. Tatsächlich ist das Gegenteil der Fall. Je mehr Regeln, desto wahrscheinlicher sind Widersprüche und unvorhersehbares Verhalten.

Der Fluch des Wissens

Wer viel über sein Unternehmen weiß, will alles teilen. Aber die KI braucht nicht deine komplette Firmengeschichte, um eine Kundenanfrage zu beantworten. Sie braucht klare, konkrete Handlungsanweisungen.

Copy-Paste-Kultur

Viele System-Prompts wachsen organisch. Ein Mitarbeiter fügt eine Regel hinzu, ein anderer ergänzt eine Ausnahme. Nach sechs Monaten ist der Prompt ein Flickenteppich aus widersprüchlichen Anweisungen, die niemand mehr hinterfragt.

Fünf Regeln für schlanke KI-Anweisungen

Die Forschungsergebnisse lassen sich in fünf konkrete Handlungsempfehlungen übersetzen.

1. Schreibe Anweisungen selbst

Lass deine KI-Anweisungen nicht von einer KI schreiben. Formuliere sie selbst, in deinen Worten. Menschlich geschriebene Anweisungen sind kürzer, präziser und erzeugen weniger Konflikte.

Das heißt nicht, dass du keine KI zur Hilfe nehmen darfst. Nutze sie als Sparringspartner: Lass die KI Fragen stellen, Lücken aufzeigen oder Formulierungen prüfen. Aber die finale Anweisung schreibst du.

2. Führe den Streichtest durch

Geh jede einzelne Anweisung durch und stell dir die Frage: Was passiert, wenn ich das streiche? Wenn die Antwortqualität gleich bleibt, ist die Anweisung überflüssig.

Diesen Test kannst du systematisch durchführen:

1. Dokumentiere die aktuelle Ergebnisqualität (z. B. 10 Testanfragen)
2. Entferne eine Anweisung
3. Wiederhole die 10 Testanfragen
4. Vergleiche die Ergebnisse
5. War kein Unterschied? Die Anweisung bleibt draußen

3. Eliminiere Duplikate

Suche nach Anweisungen, die dasselbe in anderen Worten sagen. "Antworte freundlich" und "Sei höflich und zuvorkommend" sind redundant. Eine der beiden reicht.

Besonders bei gewachsenen System-Prompts verstecken sich Duplikate in verschiedenen Abschnitten. Lies den gesamten Prompt einmal durch und markiere alles, was doppelt vorkommt.

4. Nutze konkrete Beispiele statt langer Regeln

Statt fünf Regeln zur Tonalität zu schreiben, gib ein Beispiel. Ein konkretes Frage-Antwort-Paar zeigt der KI besser, was du willst, als abstrakte Beschreibungen. Das Konzept nennt sich Few-Shot Learning und ist eine der effektivsten Techniken für präzise KI-Ergebnisse.

Das Beispiel spart Tokens und ist gleichzeitig unmissverständlich.

5. Trenne Pflicht von Kür

Nicht jede Anweisung muss bei jeder Anfrage dabei sein. Trenne deine Anweisungen in:

• Kern-Anweisungen: Gelten immer (Tonalität, Sprache, Grenzen)
• Kontext-Anweisungen: Nur bei bestimmten Aufgaben relevant

Viele KI-Plattformen erlauben es, unterschiedliche Prompts für verschiedene Anwendungsfälle zu definieren. Ein Kundenservice-Assistent braucht andere Anweisungen als ein interner Recherche-Assistent.

Rechenbeispiel: Was Kürzen sparen kann

Stell dir ein Großhandelsunternehmen mit 30 Mitarbeitern vor, das KI für drei Bereiche nutzt: Kundenanfragen beantworten, Angebote erstellen und Lieferscheine verarbeiten. Der System-Prompt ist über Monate gewachsen und umfasst 4.500 Tokens. Dieses Szenario ist illustrativ, die Zahlen zeigen das Potenzial, keine garantierten Ergebnisse.

Die Analyse

Angenommen, die Überprüfung ergibt in diesem fiktiven Beispiel:

• 30 % der Anweisungen sind Duplikate in verschiedenen Formulierungen
• 15 % der Regeln betreffen Sonderfälle, die in der Praxis nie auftreten
• 10 % der Anweisungen widersprechen sich gegenseitig
• Der Prompt enthält eine komplette Firmenhistorie (irrelevant für die Aufgaben)

Das Ergebnis nach der Optimierung

Der System-Prompt ließe sich so auf 1.800 Tokens kürzen, eine Reduktion um 60 %. Die möglichen Ergebnisse:

• API-Kosten: Sinken spürbar, weil jede einzelne Anfrage 2.700 Tokens weniger transportiert. Je nach Nutzungsvolumen kann das über das Jahr mehrere tausend Euro Ersparnis bedeuten
• Antwortqualität: Verbessert, weil widersprüchliche Regeln entfallen
• Antwortgeschwindigkeit: Kürzere Prompts bedeuten schnellere Verarbeitung
• Wartungsaufwand: Sinkt deutlich, weil der Prompt übersichtlich wird

Genau hier liegt das eigentliche Problem: Unternehmen können unbemerkt Geld verbrennen, wenn niemand den System-Prompt kritisch hinterfragt.

• System-Prompt auf Duplikate geprüftAlle Anweisungen durchlesen und redundante Formulierungen markieren
• Streichtest durchgeführtJede Anweisung einzeln entfernen und prüfen, ob die Ergebnisqualität sinkt
• KI-generierte Anweisungen identifiziertPrüfen, ob Teile des Prompts von einer KI geschrieben wurden, und durch eigene Formulierungen ersetzen
• Beispiele statt Regeln eingebautLange abstrakte Regeln durch konkrete Frage-Antwort-Beispiele ersetzen
• Pflicht und Kür getrenntKern-Anweisungen von kontextspezifischen Anweisungen trennen
• Token-Anzahl vorher/nachher dokumentiertKosten pro Anfrage vor und nach der Optimierung vergleichen
• Ergebnisqualität mit Testanfragen validiertMindestens 10 typische Anfragen vor und nach der Kürzung vergleichen

Häufige Fehler bei KI-Anweisungen im Unternehmen

Neben zu langen Prompts gibt es weitere Stolperfallen, die Kosten treiben und Qualität senken.

Die Firmengeschichte im Prompt

"Wir sind ein 1985 gegründetes Familienunternehmen mit Sitz in Stuttgart und 47 Mitarbeitern in drei Abteilungen..." Solche Informationen sind für die meisten KI-Aufgaben irrelevant. Die KI braucht sie nicht, um eine Kundenanfrage zu beantworten oder ein Angebot zu erstellen.

Stattdessen: Nur die Informationen einfügen, die das Ergebnis direkt beeinflussen. Produktnamen, Preisregeln, Eskalationspfade.

Der Negativkatalog

"Sage niemals X, verwende niemals Y, erwähne niemals Z." Lange Listen von Verboten verbrauchen Tokens und sind weniger effektiv als positive Anweisungen. Sag der KI, was sie tun soll, nicht was sie lassen soll.

Stattdessen: "Verwende diese Formulierungen: ..." statt "Verwende niemals folgende Formulierungen: ..."

Das jährliche Update vergessen

KI-Strategien entwickeln sich weiter, Prozesse ändern sich, neue Produkte kommen dazu. Aber der System-Prompt bleibt unverändert. Ergebnis: veraltete Anweisungen, die Verwirrung stiften.

Stattdessen: Plane eine quartalsweise Überprüfung. 30 Minuten reichen, um den Prompt auf Aktualität zu prüfen.

So misst du den Erfolg deiner Optimierung

Optimierung ohne Messung ist Rätselraten. Drei Kennzahlen helfen dir, den Effekt deiner Prompt-Kürzung zu bewerten.

1. Kosten pro Anfrage

Miss die durchschnittlichen API-Kosten pro Anfrage vor und nach der Optimierung. Die meisten KI-Plattformen zeigen den Token-Verbrauch pro Anfrage. Multipliziere mit dem Token-Preis und du hast deine Kosten.

2. Ergebnisqualität

Definiere 10 bis 20 Standardanfragen, die dein Team regelmäßig stellt. Bewerte die Antworten auf einer Skala von 1 bis 5. Vergleiche die Durchschnittswerte vor und nach der Prompt-Optimierung. Die Qualität sollte gleich bleiben oder steigen.

3. Bearbeitungszeit

Kürzere Prompts werden schneller verarbeitet. Miss die Zeit zwischen Anfrage und Antwort. Besonders bei zeitkritischen Anwendungen wie Kundenservice macht jede Sekunde einen Unterschied.

Der richtige Ansatz: KI-Onboarding statt KI-Überladung

Die Parallele zum Mitarbeiter-Onboarding ist kein Zufall. Gute Einarbeitung funktioniert nach dem gleichen Prinzip, egal ob Mensch oder Maschine.

Ein neuer Mitarbeiter bekommt am ersten Tag die wichtigsten Regeln. Nicht alle. Er lernt den Rest im Arbeitsalltag. Genau so solltest du auch deine KI-Systeme einrichten:

1. Starte minimal: Nur die absolut notwendigen Anweisungen
2. Beobachte die Ergebnisse: Wo macht die KI Fehler?
3. Ergänze gezielt: Nur dort, wo tatsächlich Probleme auftreten
4. Prüfe regelmäßig: Sind alle Anweisungen noch relevant?

Dieser iterative Ansatz spart Kosten, liefert bessere Ergebnisse und hält den Wartungsaufwand niedrig. Er ist auch die Grundlage für eine erfolgreiche KI-Einführung im Mittelstand.

Was das für die KI-Strategie im Mittelstand bedeutet

Die Erkenntnisse aus der Forschung haben direkte Auswirkungen auf die tägliche KI-Nutzung im Unternehmen. Drei Punkte sind besonders relevant.

Prompt-Management wird zur Managementaufgabe

Wer den System-Prompt schreibt und pflegt, beeinflusst die Kosten und die Qualität der gesamten KI-Nutzung. Das ist keine IT-Aufgabe, sondern eine Führungsaufgabe. Definiere klare Verantwortlichkeiten: Wer darf den Prompt ändern? Wer prüft die Änderungen?

Einfachheit als Wettbewerbsvorteil

Unternehmen, die ihre KI-Anweisungen schlank halten, haben niedrigere Kosten und bessere Ergebnisse. Das ist ein konkreter Wettbewerbsvorteil gegenüber Konkurrenten, die ihre KI mit überladenen Prompts drosseln. Bei steigender KI-Nutzung wächst dieser Vorteil.

Skalierung braucht Disziplin

Wenn du KI in mehreren Abteilungen einsetzt, multiplizieren sich die Kosten für ineffiziente Prompts. Ein optimierter System-Prompt zahlt sich bei jeder zusätzlichen Anwendung aus. Investiere die Zeit für die Optimierung, bevor du skalierst.

Zusammengefasst: Weniger schreiben, mehr erreichen

Die ETH-Studie (2026) ist eindeutig: Zu viele und KI-generierte Anweisungen führen zu schlechteren Ergebnissen bei höheren Kosten. Der Reflex, möglichst viel zu erklären, schadet mehr als er nutzt.

Prüfe deine bestehenden KI-Anweisungen mit dem Streichtest. Eliminiere Duplikate, ersetze abstrakte Regeln durch konkrete Beispiele und trenne Pflicht von Kür. Die Investition: ein Nachmittag. Das realistische Potenzial: bessere KI-Ergebnisse und niedrigere Kosten, und zwar bei jeder weiteren Anfrage.

Der nächste konkrete Schritt: Öffne deinen wichtigsten System-Prompt, zähle die Tokens und streich alles, was die Qualität nicht messbar verbessert.

Geschrieben von Jannis Gerlinger, Geschäftsführer der Jannis Gerlinger GmbH, TÜV-zertifiziert in Verkaufspsychologie und seit 2007 in der Digitalbranche, heute mit Fokus auf KI im Mittelstand.

Jannis Gerlinger KI-Berater und Geschäftsführer, JANGER GmbH

Jannis Gerlinger berät kleine und mittlere Unternehmen bei der Einführung von Künstlicher Intelligenz und setzt die Lösungen selbst um: KI-Assistenten, Automationen und individuelle Web-Apps. Als Geschäftsführer der JANGER GmbH arbeitet er seit 2007 an digitalen Systemen für Handwerk, Handel und Industrie, von Onlineshops bis zu internen Werkzeugen. Seine TÜV-Zertifizierung in Verkaufspsychologie verbindet technisches Know-how mit einem tiefen Verständnis für Geschäftsprozesse.