Ob du eine KI anschreist oder lobst, ändert ihre Fähigkeiten nicht. Die Studienlage zum Tonfall ist gemischt: Grobheit schadet in einer grossen Untersuchung, in einer kleinen half sie leicht. Klar belegt ist etwas anderes. Assistenten und Agenten arbeiten besser, wenn du genau sagst, was du willst, warum, und was am letzten Ergebnis gut oder falsch war. Den grössten Gewinn hast du selbst: weniger Runden, weniger Ärger, bessere Ergebnisse.
Drei Studien, drei verschiedene Ergebnisse: Ob Höflichkeit im Prompt hilft, ist offen. Sicher ist dagegen, dass Menschen, die ruhig und genau mit Assistenten sprechen, mehr aus ihnen herausholen als Menschen, die vor dem Bildschirm schimpfen. Der Grund liegt weniger im Ton als in der Information, die mit ihm kommt.
Seit Agenten Aufgaben selbst ausführen und viele sie per Sprache steuern, wird die Art des Gesprächs wichtiger. Wer diktiert, redet so, wie er sich gerade fühlt. Genau dort entscheidet sich, ob die nächste Antwort sitzt oder ob du drei weitere Runden brauchst.
Das Wichtigste in Kürze
- Gebrüll bringt kaum etwas. In einer Studie mit drei Sprachen lieferten unhöfliche Anweisungen oft schlechtere Ergebnisse.
- Übertriebene Höflichkeit hilft auch nicht. Dieselbe Studie fand, dass sehr höfliche Formulierungen keine besseren Antworten garantieren.
- Klarheit wirkt zuverlässig. Anthropic empfiehlt genaue Anweisungen und den Grund dahinter, weil das Modell dann gezielter arbeitet.
- Konkretes Lob ist eine Anweisung. „Genau so, mit Tabelle“ sagt dem Agenten, was er beibehalten soll.
Was die Studien zum Tonfall im Prompt sagen
Die Forschung ist weniger eindeutig, als Schlagzeilen vermuten lassen. Drei Arbeiten zeigen die Spannweite:
| Studie | Befund | Was das bedeutet |
|---|---|---|
| Yin u. a., 2024, Englisch, Chinesisch, Japanisch | Unhöfliche Prompts führten oft zu schlechteren Ergebnissen; sehr höfliche brachten keinen sicheren Vorteil | Ein normaler, respektvoller Ton ist die sichere Wahl |
| Li u. a., 2023, „EmotionPrompt“ | Sätze wie „Das ist mir sehr wichtig“ verbesserten Ergebnisse, in menschlicher Bewertung um rund 11 Prozent | Wer sagt, warum etwas zählt, gibt dem Modell Kontext |
| Dobariya und Kumar, 2025, ein Modell | Grobe Fragen erzielten leicht höhere Trefferquoten, 84,8 statt 80,8 Prozent | Nur 50 Fragen und ein Modell; die Autoren mahnen selbst zur Vorsicht |
Daraus folgt keine Regel „sei nett“ oder „sei hart“. Der Ton allein ist ein schwacher Hebel. Deshalb lohnt der Blick auf das, was nachweislich wirkt.
Was KI-Agenten wirklich brauchen
Anthropic schreibt in seinen Empfehlungen für Prompts, dass Claude auf klare, ausdrückliche Anweisungen gut reagiert. Zudem hilft es, den Grund für eine Anweisung zu nennen. Bemerkenswert ist ein weiterer Rat: Grossbuchstaben und Druckwörter wie „KRITISCH: Du MUSST“ sollen neue Modelle eher abschwächen, weil sie sonst übers Ziel hinausschiessen.
Damit erklärt sich, warum Gebrüll schlecht funktioniert. Wer schimpft, sagt meist nur, dass etwas falsch ist. Was genau falsch ist und wie es richtig aussähe, fehlt. Ein Agent kann daraus wenig lernen und rät beim nächsten Versuch.
So sieht der Unterschied im Alltag aus:
| Situation | Unklar | Klar |
|---|---|---|
| Ergebnis gefällt nicht | „Das ist Mist, nochmal!“ | „Zu lang. Bitte die drei wichtigsten Punkte als Liste.“ |
| Ergebnis gefällt | „Super.“ | „Genau so, mit Tabelle und Empfehlung am Ende.“ |
| Neue Aufgabe | „Mach mal was mit den Zahlen.“ | „Vergleiche die Kosten der zwei Angebote, für den Chef, eine Seite.“ |
Dabei zählt Lob genauso wie Kritik. Ein Agent erfährt durch „genau so“, welcher Weg passt. Viele Assistenten können solche Rückmeldungen sogar als Regel für später speichern. Dann wird jede weitere Sitzung besser.
So sprichst du per Stimme mit einem Agenten
Wer diktiert, formuliert spontaner als beim Tippen. Das ist ein Vorteil, wenn du ein paar Gewohnheiten pflegst:
- Ziel zuerst. Sag in einem Satz, was am Ende herauskommen soll, zum Beispiel „eine Tabelle mit drei Angeboten“.
- Den Grund dazu. „Für die Sitzung morgen, der Chef will eine Seite“ hilft dem Agenten, Umfang und Ton zu treffen.
- Ein Beispiel nennen. „So wie letzte Woche, nur mit den neuen Preisen“ spart lange Beschreibungen.
- Nach dem Ergebnis kurz urteilen. Ein Satz reicht: was bleibt, was weg soll, was fehlt.
- Bei Ärger kurz durchatmen. Wer im Zorn diktiert, sagt selten, was richtig wäre.
Zudem hilft es, Fehler beim Namen zu nennen, statt sie nur zu beklagen. „Die Zahl in Zeile drei stimmt nicht, laut Rechnung sind es 1200 Franken“ führt sofort zur Korrektur. „Alles falsch“ führt zu einem neuen Versuch, der wieder danebenliegen kann.
Typische Stolpersteine
Manche Fehler wiederholen sich in fast jedem Team. Der häufigste ist die Erwartung, dass der Agent errät, was gemeint ist. Er kennt deinen Kontext nur, wenn du ihn nennst. Ein zweiter ist die Kette von Korrekturen ohne Bilanz: Nach fünf Runden weiss niemand mehr, welche Anweisung gilt. Dann lohnt es sich, kurz zusammenzufassen, was jetzt verlangt ist. Ein dritter ist der Druckton. Wörter wie „SOFORT“ oder „IMMER“ in Grossbuchstaben machen eine Anweisung nicht klarer, sie machen sie nur lauter.
Rückmeldungen dauerhaft machen: Regeln, Gedächtnis, Skills und Hooks
Das beste Lob nützt wenig, wenn der Agent es morgen vergessen hat. Bei Claude Code beginnt laut Anthropic jede Sitzung mit einem frischen Kontext. Deshalb gibt es Wege, Rückmeldungen dauerhaft abzulegen. Oft reicht ein Satz: „Merk dir das als Regel.“
| Ebene | Wofür | Beispiel |
|---|---|---|
| Regeldatei (CLAUDE.md) | Anweisungen, die du selbst schreibst und die in jeder Sitzung gelten | „Antworte auf Deutsch, Schweizer Schreibweise, Du-Form.“ |
| Gedächtnis (Auto Memory) | Notizen, die der Agent aus deinen Korrekturen und Vorlieben selbst anlegt | „Melde nur Ergebnisse und was ich klicken muss, keine Testberichte.“ |
| Skill | Ein fester Ablauf für wiederkehrende Aufgaben | „So baust du einen Bericht: Schritte, Prüfung, Abnahme.“ |
| Hook | Ein Befehl, der an festen Punkten immer läuft, unabhängig vom Modell | „Nach jeder Änderung am Text die Qualitätsprüfung starten.“ |
Der Unterschied ist wichtig. Regeln und Gedächtnis behandelt der Agent als Kontext, also als starke Empfehlung. Hooks dagegen laufen laut Anthropic zuverlässig an festen Punkten, weil sie nicht vom Modell abhängen. Was nie vergessen werden darf, gehört deshalb in einen Hook.
So entsteht nachhaltige Zusammenarbeit. Jede gute Rückmeldung wird zu einer Regel, und der Agent wird mit jeder Woche passender. Wer dagegen jedes Mal neu schimpft, fängt jeden Morgen wieder bei null an.
Einordnung: Was das für dich im Arbeitsalltag heisst
Den grössten Vorteil hast du selbst. Wer klar spricht, braucht weniger Korrekturrunden und spart damit Zeit, bei Sprachsteuerung oft mehrere Minuten pro Aufgabe. Zudem bleibst du ruhiger, und das zahlt sich aus, weil Ärger selten bessere Anweisungen hervorbringt. Die Gewohnheit überträgt sich: Wer gelernt hat, einem Agenten genau zu sagen, was er braucht, briefet auch Kollegen besser. Für den Agenten bleibt der Vorteil kleiner, aber er ist real: Mit klaren Rückmeldungen trifft er öfter beim ersten Mal.
Fazit
Ob du freundlich oder grob bist, entscheidet nicht über die Qualität der KI. Entscheidend sind genaue Anweisungen, der Grund dahinter und konkrete Rückmeldung, ob als Lob oder als Kritik. Wer so spricht, kommt schneller ans Ziel als jemand, der schimpft. Mehr zu den aktuellen Modellen steht im Rückblick auf die Claude-Modelle.
Quellen: Yin u. a., Should We Respect LLMs?, Li u. a., EmotionPrompt, Dobariya und Kumar, Mind Your Tone, Anthropic, Prompting best practices, Claude Code: Gedächtnis, Claude Code: Hooks. Foto: mairaali1121 / Pixabay. Stand: 18. Oktober 2026.
Recherche und Entwurf KI-gestützt, geprüft und freigegeben von Andreas Brauckmann · So arbeitet die Redaktion
Änderungshistorie
- — Artikel veröffentlicht.