Auf einen Blick

Inhalt des Kurses

1. Lektion 1: Überblick und die 10x Lücke
2. Lektion 2: Prompt Craft (Disziplin 1)
3. Lektion 3: Context Engineering (Disziplin 2)
4. Lektion 4: Intent Engineering (Disziplin 3)
5. Lektion 5: Specification Engineering (Disziplin 4)
6. Lektion 6: Frontier Operations und die expandierende Blase
7. Lektion 7: Das Tacit Knowledge Problem und Contextual Stewardship
8. Lektion 8: Token-Effizienz und Smart Prompting
9. Lektion 9: Praktischer Leitfaden
10. Quellen (Nate B Jones Videos)

Kursinhalt

Von Prompting zu Intent Engineering

Lerndokument für KI Express Workshops Basierend auf dem Framework von Nate B Jones (YouTube @NateBJones) Stand: Mai 2026

Lektion 1: Überblick und die 10x Lücke

Wer heute noch so promptet wie vor sechs Monaten, hat den Anschluss verloren. Nicht weil Prompting unwichtig geworden ist. Im Gegenteil: Es ist wichtiger denn je. Aber das Wort "Prompting" verbirgt mittlerweile vier völlig unterschiedliche Fähigkeiten, und die meisten Menschen beherrschen nur eine davon.

Die Modelle haben aufgehört, Chat-Partner zu sein. Sie sind Arbeiter geworden. Arbeiter, die stundenlang, tagelang, manchmal wochenlang autonom arbeiten. Und das verändert alles.

"Die Modelle beantworten nicht nur besser. Sie arbeiten autonom, stundenlang, tagelang, gegen Spezifikationen, ohne wirklich nachzufragen. Das verändert, was 'gut im Prompting sein' grundlegend bedeutet." (Nate B Jones)

Das Kernproblem: Die 10x Lücke

Stell dir zwei Personen vor. Gleicher Dienstagmorgen, gleiches Modell, gleiches Abo, gleiches Kontextfenster. Der einzige Unterschied: Die eine Person nutzt 2025er Fähigkeiten, die andere 2026er Fähigkeiten.

Person A (2025 Ansatz): Tippt eine Anfrage ein, bekommt etwas zurück, das zu 80% passt. Verbringt 40 Minuten mit Nachbearbeitung. Freut sich, weil die Präsentation statt drei Stunden nur anderthalb gedauert hat.

Person B (2026 Ansatz): Schreibt in 11 Minuten eine strukturierte Spezifikation. Übergibt sie dem Modell als autonome Aufgabe. Geht Kaffee holen. Kommt zurück zu einer fertigen Präsentation, die jeden Qualitätsstandard erfüllt, der vorab definiert wurde. Macht das gleiche vor dem Mittagessen für fünf weitere Präsentationen.

Gleiches Modell. Gleicher Dienstag. 10x Unterschied.

Person B ist nicht schlauer oder technischer. Sie praktiziert eine andere Fähigkeit, von der Person A nicht einmal weiß, dass sie existiert.

Lektion 2: Prompt Craft (Disziplin 1)

Die Grundlage der KI-Kommunikation

Was es ist: Die klassische Fähigkeit. Du sitzt vor einem Chat-Fenster, schreibst eine Anweisung, bewertest die Ausgabe, iterierst.

Die Kernelemente:

• Klare Anweisungen formulieren
• Relevante Beispiele und Gegenbeispiele einbauen
• Angemessene Leitplanken setzen
• Ein explizites Ausgabeformat definieren
• Klar machen, wie Mehrdeutigkeiten und Konflikte aufgelöst werden sollen

Der Status: Prompt Craft ist nicht irrelevant geworden. Es ist zur Grundvoraussetzung geworden. So wie Zehn-Finger-Tippen einmal ein beruflicher Differenzierungsfaktor war und heute einfach vorausgesetzt wird.

"Wenn du 2026 keinen klaren, gut strukturierten Prompt schreiben kannst, bist du die Person von 1998, die keine E-Mail senden konnte."

Warum Prompt Craft allein nicht mehr reicht: Prompt Craft war das gesamte Spiel, als KI-Interaktionen synchron und sitzungsbasiert waren. Du hast etwas geschrieben, etwas zurückbekommen, in Echtzeit verfeinert. Als Mensch warst du gleichzeitig die Intent-Schicht, die Kontext-Schicht und die Qualitäts-Schicht. Du hast alle Aufgaben selbst zerlegt.

Dieses Modell zerbrach in dem Moment, als Agenten anfingen, stundenlang ohne Rückfragen zu arbeiten.

Lektion 3: Context Engineering (Disziplin 2)

Die Infrastruktur für effektive KI-Arbeit

Was es ist: Der Wechsel vom Formulieren einzelner Anweisungen zum Kuratieren der gesamten Informationsumgebung, in der ein Agent operiert.

Shopify-CEO Toby Lütke hat es elegant beschrieben:

"Die grundlegende Fähigkeit ist, ein Problem mit genügend Kontext so zu formulieren, dass ohne zusätzliche Informationen die Aufgabe plausibel lösbar wird."

Was Context Engineering umfasst:

• System-Prompts
• Tool-Definitionen
• Abgerufene Dokumente
• Nachrichtenverläufe
• Speichersysteme
• MCP-Verbindungen
• Projekt-Konventionen und Constraints

Die entscheidende Erkenntnis: Dein Prompt umfasst vielleicht 200 Token. Das Kontextfenster, in dem er landet, hat vielleicht eine Million. Deine 200 Token sind 0,02% von dem, was das Modell sieht. Die anderen 99,98%: Das ist Context Engineering.

Warum es so wichtig ist: Sprachmodelle werden schlechter, je mehr Information du ihnen gibst. Der Punkt ist also, nur relevante Token einzubringen. Das Problem ist nicht, dass die Modelle die Token nicht halten können. Es ist, dass die Abrufqualität sinkt, wenn der Kontext wächst.

"Menschen, die 10x effektiver mit KI sind als ihre Kollegen, schreiben nicht 10x bessere Prompts. Sie bauen 10x bessere Kontext-Infrastruktur."

Praktisches Beispiel: CLAUDE.md Dateien Die besten CLAUDE.md Dateien sind keine langen Regelwerke. Sie sind präzise, hochgradig relevante Constraint-Dokumente: Verwende diese Build-Befehle. Folge diesen Code-Konventionen. Führe diese Tests aus, bevor du eine Aufgabe als abgeschlossen markierst. Ändere niemals diese Dateien ohne explizite Anweisung.

Gemeinschaftskonsens: Jede Zeile in einer solchen Datei muss ihren Platz verdienen. Wenn die Antwort auf "Würde das Entfernen dieser Zeile dazu führen, dass die KI Fehler macht?" Nein lautet, dann lösche die Zeile.

Lektion 4: Intent Engineering (Disziplin 3)

Die Ausrichtung auf organisatorische Ziele

Was es ist: Context Engineering sagt Agenten, was sie wissen sollen. Intent Engineering sagt Agenten, was sie wollen sollen. Es ist die Praxis, organisatorischen Zweck (Ziele, Werte, Abwägungs-Hierarchien, Entscheidungsgrenzen) in Infrastruktur zu kodieren, gegen die Agenten handeln können.

Das Warnsignal: Die Klarna Geschichte Klarnas KI-Agent löste 2,3 Millionen Kundengespräche im ersten Monat. Er optimierte die Bearbeitungszeit von 11 auf 2 Minuten. Klingt großartig.

Das Problem: Er optimierte für das Falsche. Er senkte die Bearbeitungszeiten, aber er optimierte nicht für Kundenzufriedenheit. Klarna geriet in massive Schwierigkeiten und musste menschliche Agenten wieder einstellen.

Die Lektion: Intent Engineering sitzt über Context Engineering, so wie Strategie über Taktik sitzt. Du kannst perfekten Kontext und schreckliche Intent-Ausrichtung haben. Aber du kannst keine gute Intent-Ausrichtung ohne guten Kontext haben, weil der Agent Information braucht, um auf den Intent zu reagieren.

Warum die Einsätze steigen:

• Wenn du als Einzelperson einen Prompt vermasselst: Im schlimmsten Fall kostet es deinen Vormittag.
• Wenn du Context Engineering oder Intent Engineering vermasselst: Du vermasselst es für das gesamte Team, die gesamte Organisation, das gesamte Unternehmen.

Was Intent Engineering in der Praxis erfordert:

1. Zielstrukturen, die Agenten interpretieren können: Nicht "Kundenzufriedenheit steigern" (menschlich lesbare Aspiration), sondern: Welche Signale zeigen Zufriedenheit in unserem Kontext? Welche Datenquellen enthalten diese Signale? Welche Maßnahmen bin ich autorisiert zu ergreifen? Welche Abwägungen darf ich treffen?

2. Delegations-Frameworks: Amazons Führungsprinzip "Customer Obsession" funktioniert für Menschen, weil Menschen es durch Kontexturteil interpretieren können. Ein Agent braucht: Wenn Kundenanfrage X mit Richtlinie Y kollidiert, hier ist die Lösungshierarchie. Wenn Daten Aktion A nahelegen, aber der Kunde Präferenz B äußert, hier ist die Entscheidungslogik.

3. Feedback-Mechanismen: Wenn ein Agent eine Entscheidung trifft: War sie mit dem organisatorischen Intent ausgerichtet? Woher wissen wir das?

Lektion 5: Specification Engineering (Disziplin 4)

Die höchste Stufe der KI-Kommunikation

Was es ist: Die Praxis, Dokumente zu schreiben, die autonome Agenten über längere Zeiträume ausführen können, ohne menschliches Eingreifen.

Das ist ein Level über allem Bisherigen. Die ersten drei Disziplinen fokussieren darauf, wie du Arbeit direkt für einen Agenten vorbereitest. Specification Engineering denkt den gesamten Informationskorpus einer Organisation als agentenlesbar.

Alles, was du schreibst, muss etwas sein, das der Agent lesen und damit arbeiten kann.

Die Analogie: Der Wechsel von Prompt zu Spezifikation spiegelt eine Entwicklung wider, die in der menschlichen Ingenieurwissenschaft vor Jahrzehnten stattfand. Wenn du etwas Kleines baust, funktionieren mündliche Anweisungen und Gespräche prima. Wenn du etwas baust, das groß genug für ein Team ist oder mehrere Sitzungen umfasst, brauchst du Baupläne.

Die fünf Grundbausteine (Primitives) guter Spezifikationen:

1. Selbstgenügsame Problemstellungen Kannst du ein Problem mit genügend Kontext formulieren, dass die Aufgabe plausibel lösbar ist, ohne dass der Agent zusätzliche Informationen einholen muss?

2. Akzeptanzkriterien Wenn du nicht beschreiben kannst, wie "fertig" aussieht, kann ein Agent nicht wissen, wann er aufhören soll.

Nicht: "Baue eine Login-Seite." Sondern: "Baue eine Login-Seite, die E-Mail/Passwort-Anmeldung unterstützt, Social Login via Google und GitHub, progressive Offenlegung von 2FA, Session-Persistenz für 30 Tage und Rate-Limiting nach fünf Fehlversuchen."

3. Constraint-Architektur Vier Kategorien, die eine lockere Spezifikation in eine zuverlässige verwandeln:

• Musts: Was der Agent tun muss
• Must-Nots: Was der Agent nicht tun darf
• Preferences: Was der Agent bevorzugen soll, wenn mehrere gültige Ansätze existieren
• Escalation Triggers: Was der Agent eskalieren soll, statt autonom zu entscheiden

4. Dekomposition Große Aufgaben müssen in Komponenten zerlegt werden, die unabhängig ausgeführt, unabhängig getestet und vorhersagbar integriert werden können.

"Dein Job ist zunehmend nicht, die Teilaufgaben manuell für den Agenten zu schreiben. Dein Job ist, die Zerlegungsmuster bereitzustellen, die ein Planer-Agent nutzen kann, um größere Arbeit zuverlässig aufzuteilen."

5. Evaluationsdesign Woher weißt du, ob das Ergebnis gut ist? Nicht "sieht es vernünftig aus" (so bewerten die meisten Menschen KI-Ausgaben), sondern: Kannst du messbar, konsistent beweisen, dass es gut ist?

Lektion 6: Frontier Operations und die expandierende Blase

Nate B Jones verwendet ein kraftvolles Bild: Stell dir eine Blase vor. Die Luft innerhalb ist alles, was KI-Agenten heute zuverlässig können. Die Luft außerhalb ist alles, was noch einen Menschen braucht. Die Oberfläche dieser Blase, diese dünne gekrümmte Membran, dort passiert die interessante Arbeit.

Die Blase dehnt sich aus. Mit jedem Modell-Release, jedem Fähigkeitssprung, wandern Aufgaben, die auf der Oberfläche saßen, ins Innere der Blase, wo Agenten sie übernehmen. Und die Grenze verschiebt sich weiter nach außen.

Aber: Wenn eine Blase sich ausdehnt, vergrößert sich die Oberfläche. Die Grenzfläche schrumpft nicht, wenn KI fähiger wird. Sie wächst. Es gibt mehr Grenzfläche zu bearbeiten, mehr Stellen für menschliches Urteil, nicht weniger.

Die fünf Fähigkeiten an der Grenzfläche

1. Boundary Sensing (Grenzwahrnehmung) Die Fähigkeit, eine aktuelle, präzise Intuition darüber aufrechtzuerhalten, wo die Mensch-Agent-Grenze für eine gegebene Domäne verläuft. Diese Intuition muss mit jedem Modell-Release aktualisiert werden.

2. Seam Design (Nahtgestaltung) Die Fähigkeit, Arbeit so zu strukturieren, dass Übergänge zwischen Mensch- und Agent-Phasen sauber, überprüfbar und wiederherstellbar sind.

3. Failure Model Maintenance (Fehlermuster-Pflege) Die Fähigkeit, ein aktuelles mentales Modell davon aufrechtzuerhalten, wie Agenten versagen. Nicht dass sie versagen, sondern die spezifische Textur und Form des Versagens auf dem aktuellen Fähigkeitsniveau.

4. Capability Forecasting (Fähigkeitsvorhersage) Die Fähigkeit, vernünftige kurzfristige Vorhersagen darüber zu machen, wohin sich die Blasengrenze als nächstes bewegt, und Lernen und Workflow-Entwicklung entsprechend zu investieren.

5. Leverage Calibration (Hebel-Kalibrierung) Die Fähigkeit, hochwertige Entscheidungen darüber zu treffen, wo menschliche Aufmerksamkeit eingesetzt wird, welche jetzt die knappste Ressource in einer agentenreichen Umgebung ist.

Lektion 7: Das Tacit Knowledge Problem und Contextual Stewardship

Warum dein Agent versagt

Eines der wichtigsten Themen in Nates Arbeit: Die Menschen mit dem größten Gewinn durch Agent-Delegation sind genau die Menschen, deren Arbeit am schwersten zu delegieren ist.

Der Mechanismus: Je erfahrener und wertvoller du wirst, desto mehr wandert deine Arbeit von expliziten Prozessen zu implizitem Urteilsvermögen. Und desto weniger sichtbar wird dein eigenes Betriebssystem für dich selbst.

Als Anfänger ist alles bewusst und absichtlich. Du folgst der Checkliste. Wenn du Expertise gewinnst, werden all diese Schritte zu automatischen Mustern komprimiert. Du hörst auf, über deine Wissensarbeit nachzudenken.

"Die Fähigkeit, die dich schnell und effektiv macht, ist dieselbe, die dein Wissen unzugänglich macht. Es wurde vom Quellcode in Maschinencode kompiliert, metaphorisch gesprochen, und du hast den Quellcode nicht mehr."

Die Lösung: Der erste Agent, den du betreibst, sollte nicht dein Assistent sein. Der erste Agent sollte ein Interviewer sein, der dir hilft, dein operatives Wissen zu externalisieren. Fünf Schichten:

1. Deine Arbeitsrhythmen (nicht die Kalenderversion, die echte)
2. Deine tatsächlichen wiederkehrenden Entscheidungen
3. Deine Abhängigkeiten (von wem brauchst du was, und wann?)
4. Deine Reibungspunkte
5. Dein implizites Qualitätsverständnis

Contextual Stewardship: Die Schlüsselrolle des Menschen

Nate B Jones nennt die wichtigste menschliche Fähigkeit im Zeitalter der Agenten "Contextual Stewardship": Das mentale Modell deines Systems pflegen, repräsentieren was du weißt in Formen, die Maschinen nutzen können, und Urteilsvermögen ausüben darüber, wann technisch korrekte Ausgabe organisatorisch falsch ist.

Das Warnbeispiel: Ein KI-Coding-Agent löschte 1,9 Millionen Zeilen Studentendaten aus einer Produktionsdatenbank. Die Backups verschwanden ebenfalls. Der Agent machte keinen technischen Fehler. Jede Aktion war logisch korrekt. Er wusste einfach nicht, dass er ein Live-System zerstörte, weil das Wissen, das echte Infrastruktur von temporären Kopien unterschied, nur im Kopf des Ingenieurs existierte.

Drei praktische Schritte:

1. Dokumentiere Entscheidungen, nicht nur Ergebnisse. Die meisten Organisationen tracken, was passiert ist. Sie erfassen nie gut genug, warum. Der Entscheidungskontext ist das Rohmaterial, das Agenten effektiv macht. Seine Abwesenheit macht sie gefährlich.

2. Entwickle Systemdenken. Verstehe, wie die Teile deiner Organisation zusammenhängen. Kenne Konsequenzen zweiter Ordnung. Baue ein mentales Modell, das dir erlaubt zu bewerten, ob die Ausgabe eines Agenten für diesen spezifischen Moment angemessen ist.

3. Investiere in deine Fähigkeit, Evaluationen zu schreiben. Du musst kein Ingenieur sein. Du musst deine Domäne gut genug kennen, um zu artikulieren: Hier sind die Dinge, die wahr sein müssen, damit diese Ausgabe in unserer Welt sicher und nützlich ist.

Lektion 8: Token-Effizienz und Smart Prompting

Smart mit Ressourcen umgehen

Ein oft übersehener Aspekt der modernen KI-Kommunikation: Wie effizient du mit Tokens umgehst, bestimmt maßgeblich, wie viel du mit KI erreichen kannst.

Die häufigsten Fehler

Anfänger: Rohe PDFs in den Chat ziehen. 4.500 Wörter Inhalt können durch Formatierungs-Overhead (Header, Footer, Fonts, Layout-Metadaten) zu 100.000+ Token aufgebläht werden. Lösung: Immer zuerst in Markdown konvertieren. Spart 20x.

Fortgeschrittene: Gespräche über 20, 30, 40 Runden ausdehnen. Kein KI-Modell wurde dafür trainiert. Jede Runde sendet die gesamte Konversation zurück. Lösung: Zwei Modi trennen. Informationssammlung (leichte Konversation) und konzentrierte Arbeit (einmaliger, vollständiger Auftrag).

Profis: Zu viele Plugins und Konnektoren geladen. Manche Nutzer starten mit 50.000+ Token im Kontextfenster, bevor sie das erste Wort tippen. Lösung: Regelmäßig auditieren, welche Plugins wirklich Wert liefern.

Fünf Gebote für Agent-Token-Management

1. Indiziere deine Referenzen. Gib dem Agenten relevante Chunks, nicht ganze Dokumente.
2. Bereite Kontext vor. Vorverarbeiten, vorzusammenfassen, vorzerteilen. Ein Referenzdokument sollte im Kontext des Agenten einsatzbereit ankommen.
3. Cache stabilen Kontext. System-Prompts, Tool-Definitionen, Persona-Anweisungen: alles cachen. 90% Rabatt auf Cache-Hits.
4. Scope auf das Minimum. Ein Planungsagent braucht nicht deine vollständige Codebasis. Ein Editieragent braucht nicht deine Projekt-Roadmap.
5. Miss, was du verbrauchst. Du kannst nicht verbessern, was du nicht misst.

Lektion 9: Praktischer Leitfaden

Schritt 1: Prompt Craft Gap schließen

• Prompting-Dokumentation erneut lesen (Anthropic, OpenAI, Google)
• Einen Ordner mit wiederkehrenden Aufgaben anlegen, den besten Prompt für jede schreiben, Ergebnisse als Baseline speichern, regelmäßig überarbeiten

Schritt 2: Persönliche Kontext-Schicht aufbauen

• Ein CLAUDE.md-Äquivalent für deine Arbeit schreiben
• Deine Ziele, Constraints, Kommunikationspräferenzen, Qualitätsstandards, institutionellen Kontext dokumentieren
• KI-Sitzungen beginnen, indem du diesen Kontext lädst
• Der Qualitätsunterschied sollte sofort spürbar sein

Schritt 3: Intent-Infrastruktur kodieren

• Entscheidungsrahmen deines Teams, die implizit gelten, explizit machen
• Definiere, was "gut genug" für jede Arbeitskategorie aussieht
• Definiere, was KI eskaliert vs. was KI autonom entscheidet
• Aufschreiben, strukturieren, für Agenten verfügbar machen

Schritt 4: Specification Engineering praktizieren

• Ein reales Projekt nehmen (kein Spielzeugproblem)
• Vor dem Einsatz von KI eine vollständige Spezifikation schreiben
• Akzeptanzkriterien, Constraint-Architektur, Dekomposition einbeziehen
• Die Spezifikation an einen Agenten übergeben und sehen, was zurückkommt
• Jedes Dokument, das du berührst, als Spezifikation denken, die ein Agent lesen und gegen die er arbeiten muss

Die vier Level im Überblick

Diese Level bauen aufeinander auf. Du kannst keine gute Spezifikation schreiben, wenn du keinen guten Prompt schreiben kannst. Du kannst keine effektiven Agent-Systeme bauen, wenn du Context Engineering nicht verstehst. Du kannst Agent-Verhalten nicht mit organisatorischen Zielen ausrichten, ohne zu verstehen, wie Intent funktioniert.

Der tiefere Punkt: Kommunikation für Menschen und Maschinen

Shopify-CEO Toby Lütke hat beobachtet, dass er durch besseres Prompting ein besserer CEO geworden ist. Seine E-Mails sind präziser, seine Memos besser, seine Entscheidungsrahmen stärker.

"KI erzwingt eine Kommunikationsdisziplin, die die besten Führungskräfte immer schon intuitiv praktiziert haben, und die jetzt jeder braucht, um effektiv zu sein."

Die Fähigkeit, hochwertigen Input an intelligente Systeme zu liefern, erweist sich als eine Fähigkeit, die sowohl für KIs als auch für Menschen übertragbar ist. Es ist eine fundamentale Fähigkeit des Agenten-Zeitalters, die uns auch als Menschen und in unserer Zusammenarbeit profitieren lässt.

Quellen (Nate B Jones Videos)

1. "Prompting Just Split Into 4 Skills" (BpibZSMGtdY): Das Vier-Disziplinen-Framework
2. "Prompt Engineering Is Dead. Context Engineering Is Dying." (QWzLPn164w0): Intent Engineering und die Klarna-Story
3. "Why Every AI Skill You Learned 6 Months Ago Is Already Wrong" (RnjgLlQTMf0): Frontier Operations und die expandierende Blase
4. "Your Claude Limit Burns In 90 Minutes" (5ztI_dbj6ek): Token-Effizienz und Smart Prompting
5. "You Can't Describe Your Own Job. That's Why Your Agent Fails." (2PWJu6uAaoU): Tacit Knowledge und Agent-Onboarding
6. "Your AI Agent Fails 97.5% of Real Work" (awV2kJzh8zk): Contextual Stewardship und Evaluationsdesign
7. "Your Prompts Didn't Change. Opus 4.7 Did." (tJB_8mfRgCo): Intent-first Prompting und Modell-Anpassung

Alle Videos verfügbar auf: youtube.com/@NateBJones

Basierend auf dem Framework von Nate B Jones Erstellt für KI Express Workshops, Mai 2026