KI-Bildgenerierung funktioniert genauso schlecht wie KI-Textgenerierung, wenn man dem KI-Werkzeug zu ungenaue Vorgaben mache. Das ist scheinbar eine triviale Erkenntnis, aber wie macht man nun die genauen Vorgaben so, dass man ein einigermaßen berechenbares Ergebnis bekommt? Stephan Wiesner erklärt in einem kurzen Video, worauf man zu achten hat. Selten habe ich in so kurzer Zeit, so prägnant beschrieben bekommen, worauf es bei einem guten Prompt ankommt. Deshalb lohnt sich das Video und diese einordnende Zusammenfassung, wenn man in Zukunft mehr gute Ergebnisse bekommen möchte.

Stephan Wiesner verspricht in seinem Video nicht weniger als einen Kompetenzsprung: Wer seine Methode versteht, soll „besser als 90 % der User“ mit KI arbeiten können. Das sind eine steile These – und gleichzeitig ein guter Aufhänger für ein Video, das sich konsequent an Praktiker richtet.

Schon der Einstieg macht klar, worum es Wiesner geht: KI ist kein Ersatz für menschliche Arbeit, sondern ein Verstärker. Entscheidend sei nicht, ob man KI nutzt, sondern wie gut. Die eigentliche Bedrohung für die eigene Bequemlichkeit gehe nicht von der Technologie selbst aus, sondern von Menschen, die sie effizienter einsetzen.

Diese Argumentation ist inzwischen fast schon ein Topos in der KI-Debatte. Wiesner bringt das Argument solide. Interessanter ist eher, wie konsequent sein Konzept ihn im weiteren Verlauf operationalisiert: als 4-Schritte-Formel

Der Kern des Videos ist eine einfache, aber wirkungsvolle Struktur:

Wiesner illustriert das zunächst mit einem banalen Beispiel: ein Rezept mit Reis wird benötigt. Die Qualität der Antwort hängt nicht an der Frage selbst, sondern an der Einbettung. Ein „italienischer Koch“ liefert andere Ergebnisse als ein „indischer Koch“, und zusätzliche Informationen (Kind als Zielgruppe, Geschmack, Zutaten) verengen den Möglichkeitsraum sinnvoll.

Das Beispiel ist didaktisch geschickt gewählt, weil es sofort einleuchtet. Gleichzeitig bleibt es natürlich auf einem sehr niedrigen Komplexitätsniveau – der eigentliche Test ist, ob die Formel auch bei anspruchsvolleren Aufgaben trägt.

Genau das versucht Wiesner im Anschluss zu zeigen.

Vom Spielzeug zur echten Anwendung

Ein besonders starkes Beispiel von Wiesner ist die Kamerasuche. Statt einer generischen Frage („Was sind die besten Kameras?“) formuliert Wiesner eine hochspezifische Anfrage mit technischen und praktischen Einschränkungen: Gewicht, Baujahr, Objektivtyp, Einsatzzweck.

Das Ergebnis: keine „Larifari-Antwort“, sondern eine strukturierte Auswahl inklusive Tabelle.

Hier zeigt sich die eigentliche Stärke des Videos. Wiesner demonstriert nicht nur, dass bessere Prompts helfen, sondern auch warum: Der gute Prompt reduziert Suchraum und Ambiguität. Das ist letztlich ein epistemisches Argument(hochgestochen ausgedrückt): bessere Fragen erzeugen besseres Wissen.

KI als Entscheidungspartner

Besonders interessant wird es im Beispiel zur Heizungsreparatur. Wiesner nutzt KI, um ein Angebot zu bewerten – unter Einbeziehung steuerlicher Rahmenbedingungen und der persönlichen Situation.

Er beschreibt dabei einen entscheidenden Trick: getrennte Chats mit dauerhaftem Kontext. So wird die KI zu einer Art dauerhaft aktiv bleibenden Experten-System.

Hier bewegt sich Wiesner an der Grenze zwischen sinnvoller Nutzung und potenzieller Überschätzung. Die Idee, mehrere „Expertenrollen“ in einem System zu bündeln, ist praktisch – aber sie setzt voraus, dass die Antworten tatsächlich zuverlässig sind. Genau diese epistemische Unsicherheit blendet das Video weitgehend aus.

Trotzdem ist der Nutzen klar: Wiesner verschafft sich Gesprächskompetenz gegenüber echten Fachleuten.

Kontext ist wichtig, aber das Kontextfenster muss beachtet werden

Die KI kann nur so präzise sein wie das Material, mit dem sie arbeitet. Nutzer müssen oft „ihr halbes Leben erzählen“ – also Rahmenbedingungen wie Budget, Zielgruppe oder zeitliche Fristen (z. B. Haltefristen bei Immobilien) liefern –, um das System aus der Vagheit zu zwingen. Deshalb ist es oft besser länger in einem Chat zu bleiben, bzw. Chats für verschiedene Aufgabenstellungen parallel aufzubauen, meint Wiesner.

Wiesner hat aber nicht erwähnt, dass man das beschränkte Kontextfenster des KI-Werkzeugs beachten muss. Irgendwann vergisst die KI den Anfang des Chatverlaufs. Deshalb könnte es eine gute Idee sein, wenn man irgendwann eine Zusammenfassung des Chatverlaufs verlangt und diese Zusammenfassung zu einem neuen Chatbeginn nutzt.

Output als unterschätzter Hebel

Ein oft übersehener Punkt ist die Output-Form. Wiesner betont, dass es einen Unterschied macht, ob man eine lose Antwort bekommt oder ein direkt nutzbares Artefakt (PDF, Tabelle, Bild).

Seine Beispiele – Einkaufslisten fürs Holzprojekt, Visualisierungen für Lederarbeiten oder Raumgestaltung – zeigen, wie stark KI in den Bereich „Denkarbeit + Visualisierung“ hineinwirkt.

Das ist einer der stärksten Teile des Videos. Während viele Prompt-Guides bei Text stehen bleiben, erweitert Wiesner die Perspektive auf multimodale Outputs – ein realistischer Blick auf aktuelle KI-Nutzung.

KI im beruflichen Kontext

Im Bereich Akquise zeigt Wiesner, wie sich aus wenigen Stichpunkten professionelle Anschreiben generieren lassen. Besonders interessant ist hier die iterative Nutzung im selben Chat: vom Pitch über die Planung bis zum konkreten Drehkonzept.

Hier wird deutlich, dass der eigentliche Mehrwert nicht im einzelnen Prompt liegt, sondern im Workflow, in der Iteration, im „Dialog“ mit dem KI-Werkzeug. Wiesner beschreibt implizit eine Art dialogisches Systemdesign – das hätte man noch expliziter herausarbeiten können.

Auch Wiesners Umgang mit E-Mails ist bemerkenswert: KI als „Empathie-Proxy“, der eigene kommunikative Schwächen ausgleicht.

Das ist ehrlich – und zugleich ambivalent. Die Externalisierung von Empathie an ein System wirft Fragen auf: Wird Kommunikation dadurch besser oder nur glatter? Wiesner stellt diese Frage nicht, liefert aber ein sehr reales Praxisbeispiel.

 

Push vs. Pull: Ein unterschätztes Konzept

Ein besonders wertvoller Abschnitt ist die Unterscheidung zwischen „Push“ (man gibt alles vor) und „Pull“ (die KI stellt Fragen).

Gerade bei unbekannten Themen empfiehlt Wiesner, die KI aktiv nach fehlenden Informationen fragen zu lassen.

Das ist konzeptionell der stärkste Teil des Videos. Hier verlässt Wiesner die Ebene von Tipps und berührt tatsächliche Interaktionsdesign-Prinzipien.

Fazit: Pragmatismus statt Theorie

Wiesners Video ist kein theoretischer Deep Dive, sondern ein praxisorientiertes Playbook. Seine Stärke liegt in konkreten, nachvollziehbaren Beispielen und einer klaren Struktur.

Verbesserungspotential liegt dort, wo er implizite Annahmen nicht reflektiert: etwa die Zuverlässigkeit von KI-Antworten oder die Grenzen solcher Systeme in komplexen Entscheidungssituationen.

Trotzdem bleibt der zentrale Punkt überzeugend: Gute Prompts sind keine Magie, sondern saubere Interaktion und Iteration. Wer Rolle, Kontext, Ziel und Ausgabe klar definiert, bekommt bessere Ergebnisse – nicht weil die KI „intelligenter“ wird, sondern weil die Anfrage präziser ist.

Und genau darin liegt vielleicht die eigentliche Pointe des Videos: Es geht weniger um KI-Kompetenz als um Denkkompetenz.