GPT-5 ist wieder eine neue Stufe. Nach dem ganzen Chaos mit drölf unterschiedlichen Modellen hat OpenAI hier eine ganz neue Generation an LLM (Large Language Model) veröffentlicht.
Die einfache Prompt-Struktur für GPT-5
Ganz anders, als wir vielleicht vermuten würden, machen wir jetzt die Rolle rückwärts, was Prompting anbelangt. Es wird wieder einfacher! Eine klare Struktur liefert die besten Ergebnisse.
Diese vier Elemente reichen aus.
Rolle
Perspektive und Expertise weiterhin definieren. Beispiel: Du bist IT-Berater mit Fokus auf Prozessautomatisierung.
Aufgabe
Das Ziel prägnant und klar formulieren: Beschreibe den erwarteten Output.
Kontext
Gaaaanz wichtig: Liefere zusätzlich relevante Details. Rahmenbedingungen. Beispiele. Je klarer der Kontext, desto besser der Output.
Format
Lege das Ausgabeformat fest. Tabelle. Bericht. Liste. So bleibt die Antwort verwertbar.
Rolle + Aufgabe + Kontext + Format. Und schon ist dein Prompt fertig!
Konkrete Rückfragen zu GPT-5?
Lass uns gemeinsam schauen, wie sich das schnellstmöglich lösen lässt!
Die drei Steuerparameter
Durch GPT-5 gibt es auch Änderungen bei den Parametern (die komplette API-Doku).
Wenn du bisher mit Parametern wie temperature oder top_p gearbeitet hat, musst du bei GPT-5 umdenken. Diese Felder sind bei den neuen Modellen nicht mehr unterstützt. Wenn du sie (via API) trotzdem übergibst, löst das einen Fehler aus.
GPT-5 nutzt ein neues Steuerungssystem, das auf den tatsächlichen Denkprozess abgestimmt ist. Statt Zufall und Wahrscheinlichkeitssteuerung gibt es jetzt klare Parameter für Denkaufwand/Logik, Länge und Detailtiefe/Eigenständigkeit.
Einerseits passiert das ganz automatisch über die „Hinweise“ im Prompt (bspw. „analysiere fundiert“ vs. „fasse kurz zusammen“). Andererseits kannst du bspw. beim Einsatz über die API diese Parameter aktiv gestalten:
Reasoning Effort
- Low: schnelle Antworten für einfache Fragen
- Medium: ausgewogene Ergebnisse für den Alltag
- High: tiefe Analyse für Strategie und Forschung
Verbosity
- Low: kurz und prägnant
- Medium: normal ausführlich
- High: sehr detailliert
Eagerness
Regelt, wie eigenständig das Modell arbeitet. Niedrig für sensible Aufgaben. Hoch für offene Recherchen und komplexe Delegation. Für den agentischen Einsatz findest du Grundlagen hier: KI-Agenten: Definition, Nutzen und Abgrenzung
Umstieg von GPT-4 auf GPT-5
Der Wechsel von GPT-4 zu GPT-5 ist ein ziemlich cooler Schritt. GPT-5 bringt eingebaute Reasoning-Modelle mit und bietet Varianten wie mini und nano für API-Einsatz. In Summe wird sowohl die Modellwahl als auch das Prompting deutlich einfacher. Lange Anweisungen zur Art und Weise des Arbeitens brauchst du nicht mehr. GPT-5 arbeitet ohnehin sorgfältig und „plant“ die Schritte. Halte Aufgaben kurz und eindeutig, dann wird auch das Ergebnis besser.
Jetzt aber mal zu den Unterschieden bzw. Neuerungen
GPT-5 kombiniert zwei Modi und wählt (bei Auto in ChatGPT selbst aus, was sinnvoll ist)
- Instant: einen schnellen, generellen Modus für einfache Aufgaben
- Thinking: einen tieferen, thinking oder reasoning Modus für komplexe Aufgaben
- Pro: lt. OpenAI „Intelligenz auf dem höchsten Level“
Der Router im Auto-Modus entscheidet je nach Aufgabe, ob das Modell „denkt“ oder direkt antwortet. Das heißt: du musst nicht immer explizit sagen „Überlege zuerst“. Wenn du aber möchtest, kannst du mit Reasoning-Parameter steuern, wie viel Denkarbeit erlaubt wird.
Die „alten“ Reasoning-Modelle der „o-Serie“ (o3, o3-mini, o1 etc.) waren im Prinzip die Vorstufe dieser Architektur.
Mini & Nano als Varianten für in der API
Für produktive Anwendungen, bei denen Latenz, Kosten oder Skalierung wichtig sind, bietet OpenAI die Varianten:
- gpt-5: maximaler Reasoning-Kraft, ideal für komplexe Aufgaben
- gpt-5-mini: ausgewogenes Modell, weniger Ressourceneinsatz, gutes Reasoning bei mittlerer Latenz
- gpt-5-nano: minimalistische Variante, optimiert für Geschwindigkeit und Kosten; Einschränkungen im reasoning und Kontext möglich
Beispiel: Für kritische Backend-Routen oder Trigger, bei denen du viele Anfragen gleichzeitig hast, passt nano. Für Moderation, Kundenservice, Szenarien mit mittlerer Komplexität passt mini. Für Strategie, Analyse, Agent-Workflows: Vollversion mit High Reasoning.
Mini und Nano unterstützen ebenfalls die neuen Parameter (reasoning, verbosity, max_output_tokens). Sie sind also vollständig kompatibel mit deinem neuen Steuerungsparadigma.
Konkrete Schritte zur Migration
- Entrümpeln: Entferne „Mikroanweisungen“
- Streiche Teile wie „erzähle Schritt für Schritt“, „sei kreativ“, „überdenke zuerst“. GPT-5 macht das, wenn du ihm den Raum gibst.
- Strukturiere mit den vier Bausteinen: Für jeden alten Prompt: ordne Rolle, Aufgabe, Kontext, Format neu und ergänze, wo sinnvoll, Reasoning und Stop-Kriterien.
- Denke an die korrekten Parameter bei API-Nutzung
Test mit Mini / Nano
Zum ressourcenschonen kannst du mit mini in deinem Stack starten. Wenn Qualität passt, kannst du sogar versuchen auf nano zu wechseln. Wenn die Qualität nicht ausreicht lohnt sich ein „Upgrade“ auf 5 in der Vollversion.
Wir hatten bspw. bei
Aber abseits der Modellwahl und ganz grundsätzlich gilt für GPT-5: „Weniger ist mehr“!
Häufige Fehler beim GPT-5-Prompting
- Unklare Aufgaben: Formuliere Ziel und Output.
- Widersprüche in der Anweisung: Entscheide dich für Länge und Tiefe.
- Fehlender Kontext: Nenne Randbedingungen und Beispiele.
- Overengineering: Einfache Fragen brauchen keine Analyse.
Beispielprompt
# Rolle Du bist Organisationsberater mit Erfahrung in Teamproduktivität. # Aufgabe Erstelle drei konkrete Vorschläge, wie Meetings effizienter werden. # Kontext Vermeide Allgemeinplätze. Liefere kleine, sofort umsetzbare Maßnahmen. # Format Tabelle mit Spalten: Vorschlag | Beschreibung | Nutzen # Reasoning Erkläre kurz, warum jede Maßnahme wirkt. # Stop Beende nach drei geprüften Vorschlägen.
Das Ergebnis bleibt kurz. Es ist nachvollziehbar. Du kannst es direkt verwenden.
FAQ zu GPT-5
Wie steuere ich die Länge von Antworten in GPT-5?
Nutze den Verbosity-Wert. Stelle ihn auf Low für kurze Antworten. Erhöhe auf High für ausführliche Erklärungen.
Wann setze ich High Reasoning Effort?
Bei Analysen mit mehreren Schritten. Bei Entscheidungen mit hoher Tragweite. Bei Recherchen mit Quellenvergleich.
Wie viel Freiheit bekommt GPT-5 für agentische Aufgaben?
Regle das über Eagerness. Setze klare Ziele. Definiere Stoppregeln. Nutze Review-Punkte bei sensiblen Themen.
Wie migriere ich meine Prompts von GPT-4o nach GPT-5?
Deine Prompts brauchen ein Refresh! Bei GPT-5 gilt als Daumenregel: Weniger ist mehr. Klare Prompts, konkreter Kontext. Mit dem Wissen Rolle+Aufgabe+Kontext+Format(+Reasoning+Stop) im Hinterkopf ist das aber absolut machbar.
