Vage KI-Prompts:Warum „Bau mir ein Dashboard“ scheitert

Vage KI-Prompts wie „Bau mir ein Dashboard“ scheitern in rund 80 % der Fälle, weil die KI jede Lücke, die du lässt, mit einer statistisch durchschnittlichen Vermutung füllt – falsche Tools, falsche Struktur, keine Sicherheit, keine Verbindung zu deinem tatsächlichen Produkt. Die Lösung ist nicht, mehr Wörter zu tippen. Sondern weniger Lücken zu lassen.

Das ist die teuerste Lektion, die nicht-technische Gründer lernen, wenn sie mit KI zu bauen beginnen. Die gute Nachricht: Jemand anderes brauchte 200+ gescheiterte Prompts, um den Ausweg zu kartieren, und das Muster lässt sich in zehn Minuten lernen.

Vage KI-Prompts: die Geschichte von zwei Prompts

Zwei Prompts, dasselbe Feature, dieselbe KI. Der erste: „Bau mir ein Dashboard für das Accelerator-Programm.“ Elf Wörter. Für einen menschlichen Kollegen völlig klar.

Das Ergebnis? Die KI baute … irgendetwas. Es passte nicht zur bestehenden Datenbank. Es zog eine völlig andere Design-Bibliothek ein als der Rest des Produkts. Keine Live-Updates. Keine Trennung zwischen den Daten verschiedener Kunden – ein echtes Sicherheitsproblem. Es sah fertig aus und stürzte zur Laufzeit ab. Zeit für die Korrektur: 2–3 Stunden Hin und Her.

Der zweite Prompt verlangte dasselbe Dashboard, benannte aber den Kontext: aus welcher Datenbanktabelle die Zahlen stammen, welche bestehenden Dateien die zu kopierenden Muster zeigen, wo genau jede neue Datei liegen soll, wie man prüft, dass es funktioniert, und eine kurze Liste von Abkürzungen, die die KI nicht nehmen durfte.

Das Ergebnis: perfekt. Beim ersten Versuch. Fünfzehn Minuten. Läuft heute in Produktion.

Dieselbe KI. Dasselbe Feature. Die einzige Variable war der Prompt.

Warum die KI deine Lücken mit dem Durchschnitt eines anderen füllt

Hier das mentale Modell, das die 80-%-Fehlerquote erklärt. Die KI hat Millionen von Dashboards gelesen. Wenn du sagst „Bau mir ein Dashboard“, fragt sie nicht, welche Datenbank du nutzt, welchem Design-System dein Produkt folgt oder wie die Daten deiner Kunden getrennt sind. Sie beantwortet jede dieser Fragen stillschweigend selbst – mit der häufigsten Antwort aus allem, was sie je gelesen hat.

Die häufigste Antwort ist fast per Definition nicht deine Antwort. Dein Produkt hat eine bestimmte Datenbank, bestimmte Konventionen, bestimmte Sicherheitsregeln. Jedes Detail, das du weglässt, wird durch den Durchschnitt des Internets ersetzt. Elf Wörter Prompt bedeuten Dutzende Entscheidungen, die an eine statistische Vermutung delegiert werden – und es genügt eine falsche Vermutung (meist das Datenmodell), um das Ganze wertlos zu machen.

Ein menschlicher Junior-Entwickler würde Rückfragen stellen. Die KI tut das meist nicht. Sie liefert dir ihre Annahmen mit voller Überzeugung – genau der Fehlermodus, der zur Vibe-Coding-Falle wird: Wochen, in denen du dich produktiv fühlst, auf Code, der still und leise nicht zu deinem Produkt passt.

Die Leiter aus fünf Versuchen von vage bis ausgeliefert

Niemand schreibt am ersten Tag präzise Prompts. Hier die tatsächliche Entwicklung – fünf Versuche für dieselbe Art von Anfrage und was jeder ergab:

Der Durchbruch ist Versuch fünf. Statt Beispiele in Prompts einzufügen, verweist du auf Dateien, die in deinem Produkt bereits existieren. Die KI liest sie, nimmt das Muster auf und wendet es an. Das stellt eine verbreitete Angst auf den Kopf: Eine wachsende Codebasis bremst die KI nicht – sie beschleunigt sie, weil mehr funktionierende Beispiele besseren Kontext bedeuten.

Das BuchThe Solopreneur RevolutionLuis Gonçalves darüber, wie du neben dem Job mit KI ein Solopreneur-Business aufbaust.Zum Buch →

Was, wie, Beispiele

Die ganze Leiter verdichtet sich zu drei Zeilen, die du über deinen Schreibtisch hängen solltest:

Schlechte Prompts beschreiben, WAS du willst. Gute Prompts beschreiben, WIE es zu bauen ist. Produktions-Prompts verweisen auf BEISPIELE dafür, wie du es zuvor gebaut hast.

„Bau mir ein Dashboard“ ist reines WAS. Mit deinen Tools und deiner Struktur kommst du zum WIE. Auf deine eigenen funktionierenden Dateien zu verweisen – „folge dem Muster in dieser Datei“ – ist die BEISPIELE-Ebene, und dort hört die KI auf zu raten und beginnt zu replizieren, was in deinem Produkt schon funktioniert.

Beachte, was das von dir verlangt. Keine Programmierfähigkeit – Entscheidungen. Welchem Muster soll das folgen? Wo liegen die Daten? Was darf es nie tun? Das sind Architekturfragen, und sie zu beantworten ist deine Aufgabe. Diese Rollenverteilung ist das Thema von du bist der Architekt.

Die wahren Kosten vager KI-Prompts

Die Falle ist, dass sich vages Prompten produktiv anfühlt. Du tippst einen Satz, die KI produziert hunderte Zeilen, etwas erscheint auf dem Bildschirm. Dopamin allerorten. Die Kosten kommen später: 2–3 Stunden Nacharbeit pro Feature, Code, der nicht zum Rest deines Produkts passt, und – der teure Teil – Sicherheitslücken, die du nicht siehst, weil du der KI nie deine Regeln gesagt hast.

Multipliziere das über ein echtes Produkt, und der Unterschied sind nicht Stunden, sondern Monate. Die präzise Version des Dashboard-Prompts brauchte ein paar Minuten mehr beim Schreiben und sparte die 2–3 Stunden Korrektur. Dieser Tausch – Minuten Nachdenken gegen Stunden Nacharbeit – ist die gesamte Ökonomie des Bauens mit KI.

Was gehört also in die präzise Version? Es sind genau fünf Elemente – Kontext, Struktur, Validierung, Randbedingungen und Sonderfälle – und sie verdienen einen eigenen Beitrag: die Anatomie eines Produktions-Prompts. Lerne sie einmal, und „Bau mir ein Dashboard“ wird der letzte vage Prompt sein, den du je schreibst.

12 WochenDeine Konzernkarriere war nie der PlanBewirb dich beim Solopreneur Accelerator.Jetzt bewerben →

Häufig gestellte Fragen

Ist das eine Grenze des KI-Modells?

Nein – es ist eine Grenze der Informationen, die du lieferst. Dasselbe Modell erzeugte sowohl das kaputte als auch das perfekte Dashboard. Die KI kann die Konventionen deines Produkts nicht aus dem Nichts lesen; sie kann nur nutzen, was du ihr gibst, oder raten. Bessere Modelle verbessern die Qualität der Vermutungen, aber eine Vermutung über deine konkrete Datenbank bleibt eine Vermutung.

Funktionieren längere Prompts immer besser?

Nein. Präzision schlägt Länge. Ein 200-Zeilen-Beispiel in den Prompt zu kopieren funktionierte, war aber ausufernd und langsam; ein einzeiliger Verweis auf eine bestehende Datei funktionierte besser. Das Ziel sind weniger unbeantwortete Fragen, nicht mehr Wörter.

Ich bin nicht technisch – woher weiß ich, welche Details ich nennen soll?

Du weißt mehr, als du denkst. Wo die Daten liegen, was das Feature leisten muss, was es nie tun darf und welchem bestehenden Teil deines Produkts es ähneln soll – das sind Produktentscheidungen, keine Programmierfähigkeiten. Die Rolle ist Architekt, nicht Bauarbeiter: du triffst die Entscheidungen, die KI tippt.

Was enthält ein vollständiger Produktions-Prompt?

Fünf Elemente: Kontext (welchen Mustern und Beispielen zu folgen ist), Struktur (wo genau was hingehört), Validierung (wie man beweist, dass es funktioniert), Randbedingungen (was nicht zu tun ist) und Sonderfälle (die Fehlermodi, die die KI vergisst). Die vollständige Aufschlüsselung mit Vorher-Nachher steht in der Anatomie eines Produktions-Prompts.