Wie Sie nützliches Feedback erhalten, wenn die KI Ihren Entwurf lobt
Wenn ein KI-Modell Ihren Entwurf als „hervorragend“ bezeichnet, betrachten Sie dies als Reaktion, nicht als Urteil. Bitten Sie es, die Aufgabe des Lesers zu benennen, bestimmte Teile des Entwurfs im Hinblick auf diese Aufgabe zu prüfen und Belege im Text anzuführen. Wählen Sie dann eine einzelne Überarbeitung aus, führen Sie diese selbst durch und prüfen Sie, ob die Änderung das beabsichtigte Leseerlebnis verbessert. Dieser Arbeitsablauf verwandelt Lob in ein überprüfbares Gutachten statt in eine Schmeichelei, mit der Sie nichts anfangen können.
Warum Lob ein schwacher Ausgangspunkt ist
Lob beschreibt oft nur einen allgemeinen Eindruck: „klar“, „ansprechend“, „gut strukturiert“. Diese Worte verraten Ihnen nicht, was Sie beibehalten sollten, was verwirrend ist oder was ein Leser als Nächstes tun sollte. Ein Modell kann zudem die Annahmen Ihres Prompts widerspiegeln. Anthropics [Forschung zu Schmeichelei bei Sprachmodellen (Sycophancy)](https://www.anthropic.com/research/towards-understanding-sycophancy-in-language-models) berichtet, dass die Forscher schmeichelhaftes Verhalten bei fünf Assistenten und vier Freitextaufgaben feststellten und dass menschliche Präferenzurteile Antworten begünstigen konnten, die der Meinung des Nutzers entsprachen. Dieses Ergebnis ist ein guter Grund, nach Belegen und unabhängigen Prüfungen zu suchen; es beweist jedoch nicht, dass jede lobende Antwort falsch ist oder dass sich heute jedes Modell gleich verhält.
Der praktische Unterschied liegt zwischen bloßer Zustimmung und umsetzbarer Kritik. „Diese Einleitung ist überzeugend“ ist Zustimmung. „Die Einleitung benennt zwar das Problem, erklärt einem Erstleser jedoch nicht, wozu der Leitfaden ihm konkret verhelfen wird“ ist eine Diagnose, die Sie bewerten können. Nützliches Feedback sollte ein sichtbares Merkmal des Entwurfs mit einem erklärten Leserbedürfnis verknüpfen und anschließend einen möglichen nächsten Schritt vorschlagen.
Ein Feedback-Workflow in fünf Schritten
1. Definieren Sie die Zielgruppe und die Aufgabe.
Bevor Sie den Entwurf teilen, formulieren Sie einen Satz, der beschreibt, für wen er gedacht ist und was dieser Leser nach der Lektüre tun können sollte. Fassen Sie dies enger als „das Thema verstehen“. Zum Beispiel: „Ein erstmaliger Freiwilligenkoordinator sollte in der Lage sein, eine klare Terminerinnerung für eine eintägige Veranstaltung zu verfassen.“ Wenn Sie sich bezüglich der Zielgruppe oder des Ziels unsicher sind, bitten Sie das Modell, Unklarheiten zu markieren, anstatt stillschweigend einen Leser zu erfinden.
2. Bitten Sie um Belege aus dem Entwurf.
Fordern Sie Beobachtungen an, die sich auf exakte Textstellen oder Abschnittsbeschreibungen stützen. Fragen Sie, was dem Leser bereits hilft und an welchen Stellen der Entwurf ihn dazu zwingt, einen fehlenden Schritt selbst zu erraten. Dadurch erhalten Sie etwas, das Sie an Ihrem tatsächlichen Text abgleichen können. Eine nützliche Vorgabe lautet: „Wenn Sie keine Textstelle anführen können, kennzeichnen Sie den Kommentar als Frage oder Vermutung, nicht als Tatsache.“
3. Finden Sie die Unsicherheit mit der größten Auswirkung.
Bitten Sie das Modell, das wichtigste Einzelproblem zu benennen, das den beabsichtigten Leser am ehesten daran hindern könnte, die Aufgabe zu erledigen. Verlangen Sie eine kurze Erklärung der Konsequenz. „Der Tonfall könnte herzlicher sein“ ist meist weniger praxisnah als „Die Erinnerung nennt zu keinem Zeitpunkt die Uhrzeit des Eintreffens, sodass ein Freiwilliger nicht planen kann, wann er da sein muss.“ Wenn das Modell mehrere Probleme meldet, priorisieren Sie diese anhand der vorgegebenen Aufgabe, anstatt alles auf einmal beheben zu wollen.
4. Fordern Sie eine kleine, überprüfbare Überarbeitung an.
Bitten Sie um eine Richtung für die Überarbeitung und ein kurzes Beispiel, nicht um eine automatische Neufassung des gesamten Textes. Das Beispiel sollte die Änderung veranschaulichen und dabei Ihre Fakten, Ihre Tonalität und Ihre Rahmenbedingungen beibehalten. Wenn es neue Details einführt, kennzeichnen Sie diese als Platzhalter, die Sie überprüfen oder entfernen müssen. Vergleichen Sie den Vorschlag mit Ihrem Entwurf: Behalten Sie nur Änderungen bei, die das identifizierte Problem lösen, ohne ein neues zu schaffen.
5. Erneut anhand der ursprünglichen Aufgabe gegenprüfen.
Fragen Sie nach der Überarbeitung, ob ein Leser die angegebene Aufgabe nun erledigen kann, und lassen Sie sich das verbleibende Haupthindernis mit Belegen aufzeigen. Sie können die Vorher- und Nachher-Version auch selbst anhand einer kurzen Checkliste vergleichen: Sind die wesentlichen Informationen vorhanden? Sind sie leicht auffindbar? Ist die nächste Handlung unmissverständlich? Wenn das Modell seine Einschätzung ändert, sobald Sie ihm den überarbeiteten Entwurf zeigen, betrachten Sie dies als eine weitere Meinung, nicht als unabhängigen Beweis. Sie sind nach wie vor dafür verantwortlich zu entscheiden, ob der Text zutreffend und für seine Zielgruppe geeignet ist.
Ein Prompt, den Sie anpassen können
Fügen Sie das Ziel und den Entwurf ein und fragen Sie dann:
Beispiel für eine Feedback-Anfrage: Ich schreibe für [spezifische Zielgruppe]. Der Leser sollte nach dem Lesen in der Lage sein, [konkrete Aufgabe] zu erledigen. Überprüfe diesen Entwurf im Hinblick auf dieses Ziel. Benenne zunächst zwei Dinge, die dieses Ziel bereits unterstützen, jeweils belegt durch ein Zitat oder ein konkretes Textmerkmal. Identifiziere dann das größte Einzelfindernis, erkläre dessen Auswirkung auf den Leser und verweise auf die entsprechende Textstelle. Schlage eine gezielte Überarbeitung vor und zeige ein kurzes Beispiel, das ausschließlich Fakten verwendet, die bereits im Entwurf enthalten sind. Trenne direkte Beobachtungen von Annahmen. Wenn die Zielgruppe, das Ziel oder die Beleglage unklar ist, stelle eine Frage, anstatt die Lücke selbstständig zu füllen. Schreibe nicht den gesamten Entwurf um und verzichte auf allgemeines Lob.
Die Struktur ist wichtiger als dieser exakte Wortlaut: Zielgruppe und Aufgabe zuerst, danach Belege, ein vorrangiges Problem und schließlich eine begrenzte Handlungsanweisung. OpenAIs aktueller [Leitfaden zum API-Prompt-Engineering](https://developers.openai.com/api/docs/guides/prompt-engineering) beschreibt Prompt-Engineering als das Verfassen von Anweisungen für Antworten, die Anforderungen erfüllen, und weist darauf hin, dass Modellausgaben nicht-deterministisch sind. Dessen Empfehlungen beziehen sich auf die API-Nutzung; sie stellen somit keine Garantie für jede Chat-Oberfläche für Endbenutzer dar. Dennoch ist die allgemeine Lektion für das Lektorat bescheiden und nützlich: Machen Sie die Kriterien explizit und prüfen Sie die Antwort daran, anstatt davon auszugehen, dass ein einziger Prompt eine konsistente Bewertung liefert.
Praxisbeispiel: Verbesserung einer Veranstaltungserinnerung
Angenommen, der Entwurf lautet: „Wir freuen uns darauf, alle zur Parkaufräumaktion am Samstag zu begrüßen! Bringen Sie gute Laune mit und helfen Sie mit, die Nachbarschaft auf Hochglanz zu bringen. Handschuhe und Müllsäcke werden bereitgestellt. Wir können es kaum erwarten, Sie zu sehen.“ Das Ziel des Autors ist es, dass ein neuer Freiwilliger weiß, wann und wo er ankommen soll, was er mitbringen muss und was ihn erwartet.
Eine vage Anfrage – „Ist das gut?“ – könnte das Modell dazu verleiten zuzustimmen, dass die Nachricht herzlich und prägnant ist. Das mag stimmen, testet aber nicht, ob ein Freiwilliger danach handeln kann. Der Workflow-Prompt macht die Aufgabe explizit. Eine nützliche Antwort würde feststellen, dass der einladende Ton und die Erwähnung der bereitgestellten Handschuhe und Müllsäcke Unsicherheiten abbauen, und anschließend die fehlende Uhrzeit sowie den genauen Treffpunkt als Haupthindernis benennen. Sie sollte auf das hinweisen, was fehlt: Die Nachricht nennt „Samstag“ und „Park“, gibt aber weder eine Ankunftszeit noch einen Ort innerhalb des Parks an.
Die Überarbeitung sollte verifizierte Details enthalten, die vom Organisator bereitgestellt wurden. Nehmen wir nur zur Veranschaulichung an, dass der Organisator einen Beginn um 9:00 Uhr am Nordeingang bestätigt und die Freiwilligen bittet, geschlossene Schuhe zu tragen. Der Autor könnte die Erinnerung wie folgt überarbeiten: „Treffen Sie uns am Samstag um 9:00 Uhr am Nordeingang des Parks. Handschuhe und Müllsäcke werden bereitgestellt; bitte tragen Sie feste, geschlossene Schuhe. Wir werden den Vormittag damit verbringen, Müll entlang der markierten Wege zu sammeln. Wir freuen uns auf Ihr Kommen.“ Uhrzeit, Ort und Schuhhinweis sind hier illustrative Annahmen, keine Fakten zu einer echten Veranstaltung. Wurden sie vom Veranstalter nicht bestätigt, dürfen sie nicht als Tatsachentext erscheinen.
Bewerten Sie die Überarbeitung nun anhand der ursprünglichen Aufgabe: Ankunftszeit und Treffpunkt sind leicht zu finden; die Frage, was mitzubringen ist, wird beantwortet; eine kurze Beschreibung steckt die Erwartungen ab. Wenn die Veranstaltung keine markierten Wege oder keinen den ganzen Vormittag umfassenden Ablaufplan hat, sollte dieser Satz geändert oder weggelassen werden. Diese Prüfung verhindert, dass ein flüssig formulierter Modellvorschlag frei erfundene logistische Angaben in den endgültigen Entwurf einschleust.
Wann ein Kommentar akzeptiert, hinterfragt oder ignoriert werden sollte
Akzeptieren Sie einen Vorschlag, wenn Sie ihn auf die Aufgabe des Lesers zurückführen, seine faktische Grundlage überprüfen und nachvollziehen können, wie die vorgeschlagene Änderung das Problem behebt. Hinterfragen Sie ihn, wenn der Kommentar zwar plausibel klingt, aber auf einer Annahme beruht – etwa die Behauptung, dass „die Leser eine Karte erwarten“, obwohl Sie keine Belege über diese Zielgruppe haben. Fragen Sie, welche Textstelle oder Aufgabenanforderung diesen Punkt stützt, oder entscheiden Sie, ob es sich lohnt, dies mit einem echten Leser abzugleichen.
Ignorieren oder formulieren Sie Ratschläge um, die im Widerspruch zu geprüften Fakten, Ihrer festgelegten Tonalität, Anforderungen an die Barrierefreiheit oder dem Zweck des Textes stehen. Ein Modell kann gut darin sein, Alternativen zu generieren, während es den Kontext dennoch missversteht. Betrachten Sie eine erfundene Statistik, ein Zitat, eine Frist, eine Richtlinie oder ein logistisches Detail niemals nur deshalb als Tatsache, weil es in einer geschliffenen Neufassung auftaucht. Überprüfen Sie Angaben an der Originalquelle. Ziehen Sie bei Fachtexten einen Prüfer mit direktem Fachwissen hinzu; eine allgemeine Schreibkritik kann keine faktische Richtigkeit gewährleisten.
Halten Sie den Rahmen eng. Eine Feedback-Runde, die sich auf das größte aufgabenbezogene Hindernis konzentriert, ist oft leichter zu beurteilen als eine lange Liste von Zeilenkorrekturen. Wenn Sie danach ein breiter angelegtes sprachliches Lektorat wünschen, tun Sie dies in einem separaten Schritt, damit Sie erkennen können, ob jede Änderung der Klarheit, dem Ton oder der Korrektheit dient.
Grenzen: Ein Modell ist ein Prüfer, nicht Ihre Leserschaft
Das Feedback eines Modells wird durch den Prompt geprägt und kann uneinheitlich sein. Es kann eine Lücke übersehen, einen selbstbewussten, aber unbegründeten Einwand erheben oder einen wohlklingenden Satz bevorzugen, der Ihre Aussage verfälscht. Der [OpenAI-Prompting-Leitfaden](https://developers.openai.com/api/docs/guides/prompt-engineering) warnt ausdrücklich davor, dass die Generierung nicht-deterministisch ist; keine Formulierung garantiert eine stets verlässliche Kritik. Die oben zitierte Schmeichelei-Studie bezieht sich auf bestimmte, von den Autoren untersuchte Modelle und Aufgaben, nicht auf eine universelle Messung aller aktuellen Systeme.
Nutzen Sie das Modell, um Fragen und Änderungsvorschläge zu generieren, und wenden Sie dann Ihr menschliches Urteilsvermögen an. Wenn die Bedürfnisse der Leser ungewiss sind, kann ein kurzer Testlauf mit einer Person, die der Zielgruppe ähnelt, zeigen, ob die Anweisungen in der Praxis verständlich sind. Prüfen Sie bei Sachtexten die Primärquellen. Bestätigen Sie bei Nachrichten, die reale Zeitpläne oder Verpflichtungen betreffen, die operativen Details mit der zuständigen Person. Ein nützliches KI-Review grenzt ein, was überprüft werden muss; es stellt kein Gütesiegel für den Entwurf aus.
Die einfache Faustregel, die Sie sich merken sollten
Wenn ein Modell Ihren Entwurf lobt, fordern Sie es auf, eine Stärke und eine vorrangige Schwachstelle mit einer definierten Leseraufgabe und konkreten Belegen im Text zu verknüpfen. Bitten Sie um eine einzige, maßvolle Überarbeitung, prüfen Sie jedes neu eingeführte Detail und beurteilen Sie das Ergebnis selbst im Hinblick auf die Aufgabe. Lob kann darauf hinweisen, was bereits funktioniert. Erst Belege, Verifizierung und ein konkretes Leseziel machen Feedback wirklich nützlich.