Intent Engineering ist die Disziplin, die vor dem Prompt beginnt. Nicht „Wie sage ich es der KI?" – sondern: Was wollen wir eigentlich erreichen? Für wen? Mit welchem Ergebnis?
Wer diese Frage nicht stellt, erhält präzise das Falsche. Und zwar schnell, flüssig und auf den ersten Blick überzeugend.
Was ist Intent Engineering?
Intent Engineering bezeichnet die systematische Arbeit an der Absichtsschicht eines KI-Systems – bevor eine einzige Anweisung formuliert wird. Es ist keine Prompt-Technik. Es ist die strategische Grundlage, auf der alle Prompt-Techniken erst ihre Wirkung entfalten.
Der Begriff setzt sich aus zwei Konzepten zusammen:
- Intent — Die Absicht hinter einer Anfrage: nicht das, was man der KI sagt, sondern das, was man mit ihrer Ausgabe tatsächlich bewirken will. Auf welcher Entscheidungsebene? Mit welchem Wirkungsgrad? Für welche Zielgruppe?
- Engineering — Die handwerkliche Strukturierung dieser Absicht, sodass ein KI-System sie zuverlässig, reproduzierbar und skalierbar umsetzen kann.
Intent Engineering ist damit das Bindeglied zwischen Geschäftsstrategie und KI-Architektur. Wer es überspringt, baut auf einem blinden Fleck.
Prompt Engineering vs. Intent Engineering – wo liegt der Unterschied?
Prompt Engineering optimiert die Formulierung. Intent Engineering klärt das Ziel. Beide sind notwendig – aber in der falschen Reihenfolge angewendet, neutralisieren sie sich gegenseitig.
Ein Beispiel: Ein Unternehmen möchte KI einsetzen, um Angebote zu erstellen. Das Prompt Engineering liefert einen perfekt strukturierten Prompt. Das Ergebnis: flüssige, professionelle Angebotstexte – die aber weder den Ton der Marke treffen noch die spezifischen Schmerzen des adressierten Einkäufers ansprechen.
Die Ursache liegt nicht im Prompt. Sie liegt darin, dass niemand gefragt hat: Wer liest dieses Angebot? Was entscheidet dieser Mensch in diesem Moment? Was darf auf keinen Fall passieren?
Prompt Engineering beantwortet: Wie sage ich es? Intent Engineering beantwortet: Was will ich eigentlich bewirken – und warum?
Die drei Dimensionen eines Intents
Ein sauber formulierter Intent besteht aus drei Schichten, die ineinandergreifen:
- Ziel: Was ist das konkrete Ergebnis, das ich will – nicht für die KI, sondern für mein Unternehmen? Ein Lead, eine Entscheidung, eine Verhaltensänderung beim Leser? Das Ziel ist nie „ein guter Text". Das Ziel ist immer eine Wirkung.
- Kontext: Welche Informationen muss die KI kennen, um dieses Ziel zu erreichen? Branchensprache, Zielgruppenprofil, Unternehmenspositionierung, regulatorischer Rahmen – all das ist kein Nice-to-have, sondern Bedingung für relevante Ausgaben.
- Constraint: Was darf auf keinen Fall passieren? Welche Grenzen – inhaltlich, rechtlich, stilistisch – sind nicht verhandelbar? Constraints sind keine Einschränkungen des Systems, sondern Qualitätssicherung durch Ausschluss.
Erst wenn alle drei Dimensionen bewusst definiert sind, lässt sich ein KI-System so instruieren, dass seine Ausgaben strategisch nützlich sind – und nicht nur technisch korrekt.
Warum Intent Engineering in der Praxis scheitert
Die häufigste Ursache: Unternehmen übertragen ihren KI-Einsatz direkt an Fachabteilungen, ohne vorher eine gemeinsame Sprache für Ziele, Kontexte und Grenzen zu entwickeln. Das Ergebnis sind zehn verschiedene Vorstellungen davon, was „guter Output" bedeutet – und ein KI-System, das zwischen diesen Vorstellungen navigiert, ohne eine davon wirklich zu kennen.
Die zweite häufige Ursache: Das Unternehmenswissen ist nicht strukturiert verfügbar. Intent Engineering definiert, was die KI wissen muss. Aber wenn dieses Wissen in verstreuten Dokumenten, in unstrukturierten Ablagen oder ausschließlich in den Köpfen erfahrener Mitarbeiter existiert, kann selbst ein präzise formulierter Intent nicht greifen.
Intent Engineering im KI-Betriebsmodell
Intent Engineering ist keine einmalige Übung. Es ist eine operative Disziplin, die in das KI-Betriebsmodell eingebettet werden muss.
In der Praxis bedeutet das: Für jeden wiederkehrenden KI-Einsatz – Angebotserstellung, Kundenkommunikation, interne Analysen – wird ein Intent-Dokument gepflegt. Es enthält Ziel, Kontext und Constraints. Es wird von den Verantwortlichen regelmäßig überprüft und angepasst, wenn sich Marktumfeld oder Unternehmenspositionierung ändern.
Wer Prompt-Chaining einsetzt, um komplexe Aufgaben in logische Schritte zu zerlegen, braucht Intent Engineering auf übergeordneter Ebene: Erst wenn das Gesamtziel der Kette klar ist, lassen sich die Teilziele sinnvoll strukturieren. Wer Advanced Persona Steering betreibt, um präzise Zielgruppenansprache zu simulieren, braucht Intent Engineering, um die psychologischen Profile auf echte Geschäftsziele zu kalibrieren.
Intent Engineering ist damit keine neue Methode, die sich neben bestehende Ansätze stellt. Es ist die Schicht, die alle anderen Methoden zusammenhält.
Experten-Tipp: Der einfachste Test, ob Intent Engineering in einem Projekt fehlt: Fragen Sie drei Beteiligte unabhängig voneinander, was der KI-Einsatz leisten soll. Wenn die Antworten voneinander abweichen, haben Sie kein Prompt-Problem. Sie haben ein Intent-Problem.
