In den meisten Unternehmen sieht KI-Nutzung so aus: Jeder Mitarbeiter hat seine eigenen Chatverläufe, seine eigenen Formulierungen, seine eigenen Tricks. Der Kollege, der den perfekten Prompt für Angebotstexte gefunden hat, verlässt die Firma — und das Wissen ist weg. Das ist derselbe Fehler, den Firmen vor zwanzig Jahren mit Excel-Makros auf lokalen Rechnern gemacht haben. Nur schneller.
Prompts sind Prozesse, keine Zaubersprüche
Ein Prompt, der zuverlässig gute Ergebnisse liefert, ist das Ergebnis von Iteration: Kontext geschärft, Format festgelegt, Gegenbeispiele eingebaut, an echten Fällen getestet. Das ist exakt die Arbeit, die auch in eine gute SOP fließt. Der Unterschied ist nur: SOPs werden abgelegt, gepflegt und geschult — Prompts leben in privaten Chatfenstern. Wer das ändert, verwandelt individuelle Fingerfertigkeit in ein Firmen-Asset, das bleibt, skaliert und vererbbar ist.
Was in einen Bibliotheks-Eintrag gehört
- Zweck und Auslöser: Wofür ist der Prompt da, wann wird er benutzt?
- Der vollständige Prompt-Text: inklusive Rollenbeschreibung, Kontextblock und Formatvorgabe — nicht die Kurzfassung aus dem Gedächtnis.
- Zielmodell und Einstellungen: Ein Prompt, der auf einem Modell brilliert, kann auf einem anderen mittelmäßig sein.
- Ein Beispiel für guten Output: der Goldstandard, gegen den künftige Ergebnisse verglichen werden.
- Owner und Prüfdatum: Ohne verantwortliche Person verrottet jeder Eintrag.
Das Format ist zweitrangig. Ein Git-Repository mit Markdown-Dateien reicht, ein internes Wiki auch. Entscheidend ist, dass es genau einen Ort gibt — Single Source of Truth gilt auch hier.
Versionierung: Modelle ändern sich, Prompts driften
Der unterschätzte Teil: Prompts altern. Ein Modell-Update kann einen eingespielten Prompt still verschlechtern — die Tonalität kippt, das Format bricht, die Fehlerquote steigt. Wer seine Prompts versioniert und Beispiel-Outputs hinterlegt hat, merkt das in einem fünfminütigen Vergleichstest. Wer nicht, merkt es erst, wenn ein Kunde die merkwürdige E-Mail beantwortet. Deshalb gehört zu jeder Bibliothek ein einfacher Review-Rhythmus: geschäftskritische Prompts bei jedem Modellwechsel testen, den Rest im Quartal.
Ein Prompt, der nur im Chatverlauf eines Mitarbeiters lebt, ist Wissen mit Verfallsdatum. Ein Prompt in der Bibliothek ist ein Asset, das jede neue Kraft am ersten Tag nutzen kann.
Der Compounding-Effekt über mehrere Einheiten
Richtig interessant wird die Bibliothek, wenn mehr als eine Marke oder Abteilung damit arbeitet. Ein sauber gebauter Prompt für Erstkontakt-Mails braucht für die zweite Marke nur einen neuen Kontextblock — die Struktur, die Gegenbeispiele, die Formatlogik sind schon bezahlt. Im Löwen Codex läuft das konsequent so: Ein Ökosystem, eine Bibliothek. Jede Verbesserung an einem zentralen Prompt wirkt sofort überall dort, wo er eingesetzt wird. Das ist derselbe Zinseszins-Mechanismus wie bei Automatisierungen — nur dass hier Sprache das Kapital ist.
In einer Woche zum ersten Stand
- Tag 1: Die fünf häufigsten KI-Aufgaben im Team identifizieren — nicht mehr.
- Tag 2–3: Die besten existierenden Prompts dafür einsammeln, testen, den Gewinner pro Aufgabe küren.
- Tag 4: Einträge nach dem Schema oben anlegen, Owner benennen.
- Tag 5: Team-Regel etablieren: Wer einen Prompt verbessert, aktualisiert den Eintrag — nicht seinen privaten Chatverlauf.
Mehr braucht der Start nicht. Die Bibliothek muss nicht vollständig sein, sie muss existieren und gepflegt werden. Vollständigkeit entsteht im Betrieb — wie bei jedem guten System.