Wie ein Prompt KI von einem beeindruckenden Spielzeug zu echter Verkaufsunterstützung macht

Irgendwann durchläuft fast jedes KI-Projekt im E-Commerce dieselbe Phase. Anfangs sieht alles vielversprechend aus. Das Modell antwortet schnell, klingt flüssig, schreibt ordentliche Sätze und vermittelt den Eindruck, dass es „weiß“, wovon es spricht. In einer Demo sieht das gut aus. In einer Kundenpräsentation sogar noch besser.

Dann kommt die Realität.

Ein Kunde öffnet eine Produktseite und fragt:

• Funktioniert dieses Modul mit meiner Magento-Version?
• Unterstützt dieses Produkt Amasty?
• Worin unterscheidet sich dieses Modell von einem anderen?
• Ist diese Lösung für einen Shop mit mehreren Store Views geeignet?
• Kann ich sie ohne zusätzliche Entwicklungsarbeit einsetzen?

Und genau dann wird klar, dass KI nicht nur ein „gutes Modell“ braucht. Sie braucht Grenzen. Sie braucht eine Priorisierung der Quellen. Sie muss wissen, wann sie direkt antworten soll, wann sie eine klärende Frage stellen soll und wann sie ehrlich sagen muss: „Diese Information ist in den Daten nicht enthalten“.

Hier kommt der Prompt ins Spiel.

In unserem Fall ist das kein abstraktes Thema. Der Prompt beeinflusst direkt, wie Kowal Ask About Product funktioniert und wie es das strukturierte Wissen nutzt, das von Kowal AI Product Feed for OpenAI Vector Store bereitgestellt wird.

Dasselbe Modell, zwei sehr unterschiedliche Verhaltensweisen

Bei der Arbeit mit Modulen, die in KI integriert sind, wird eines sehr schnell deutlich: Dasselbe Modell kann sich wie ein sehr guter Berater verhalten oder wie ein Verkäufer, der zu viele Lücken selbst ausfüllt. Das liegt selten am Modell selbst. Meistens liegt es am Prompt.

Wenn der Prompt zu allgemein ist, versucht die KI, um jeden Preis hilfreich zu sein. In der Praxis bedeutet das:

• fehlende Informationen zu ergänzen,
• Antworten aus allgemeinem Wissen statt aus Shop-Daten aufzubauen,
• Fakten mit Annahmen zu vermischen,
• zu selbstsicher zu klingen, obwohl sie eigentlich sagen sollte: „Ich habe nicht genug Daten“.

Wenn der Prompt gut gestaltet ist, beginnt sich das Modell anders zu verhalten:

• Es respektiert die Quellen,
• es priorisiert FAQ und Retrieval,
• es bleibt auf das aktuelle Produkt fokussiert,
• es verspricht nichts, was nicht in den Daten steht,
• und vor allem hilft es dem Kunden, eine Entscheidung zu treffen, ohne ihn in die Irre zu führen.

Das ist der Moment, in dem KI aufhört, nur ein beeindruckendes Feature zu sein, und beginnt, ein nützlicher Teil des Moduls zu werden.

Ein Prompt ersetzt keine Daten, aber er legt die Spielregeln fest

Am einfachsten lässt sich ein Prompt als Onboarding-Leitfaden für ein neues Teammitglied verstehen.

Stellen Sie sich vor, eine neue Person kommt in Ihr Customer-Support-Team. Sie geben ihr Zugriff auf:

• die Produktbeschreibung,
• freigegebene FAQ,
• Ergebnisse aus dem Vector Store,
• den Gesprächsverlauf des Kunden.

Allein der Zugriff auf diese Daten garantiert nicht, dass die Person gut antworten wird. Sie müssen ihr trotzdem sagen:

• welche Quelle zuerst verwendet werden soll,
• was sie nicht annehmen darf,
• wie sie reagieren soll, wenn Daten fehlen,
• ob sie kurz oder ausführlich antworten soll,
• ob sie klärende Fragen stellen soll,
• und wann sie den Kunden an ein Kontaktformular verweisen soll.

Ein Prompt macht genau dasselbe. Er erzeugt kein Wissen. Er behebt keine schwachen Produktbeschreibungen. Er schließt keine Dokumentationslücken. Er definiert, wie das Modell mit den Informationen umgehen soll, die ihm gegeben wurden.

Deshalb ist der Prompt in unseren KI-Modulen kein Extra. Er ist eine Steuerungsebene.

Wo der Prompt das Verhalten des Moduls wirklich beeinflusst

Theoretisch ist ein Prompt nur ein paar Sätze lang. In der Praxis steuert er sehr konkretes Verhalten.

Im KI-Assistenten auf der Produktseite, verfügbar in Kowal Ask About Product, beeinflusst der Prompt unter anderem:

• den Ton der Antwort,
• die Sprache der Antwort,
• wie prägnant die Antwort ist,
• die Grenzen des Wissens des Modells,
• die Priorität der Quellen: lokaler Kontext, FAQ, Retrieval, Gesprächsverlauf,
• das Verhalten bei mehrdeutigen Fragen,
• wie Vergleichs- und Empfehlungsfragen behandelt werden,
• wie der Assistent auf unvollständige oder widersprüchliche Daten reagiert.

Deshalb können zwei Shops, die dasselbe Modul und dasselbe KI-Modell verwenden, völlig unterschiedliche Ergebnisse erzielen. Nicht weil einer die „bessere KI“ hat, sondern weil einer die Rolle und die Grenzen des Assistenten klarer definiert hat.

Der erste Fehler: ein Prompt, der nett statt präzise sein will

Der häufigste Implementierungsfehler sieht ungefähr so aus:

Antworte als hilfreicher Shop-Assistent und hilf dem Kunden, das beste Produkt auszuwählen.

Das klingt gut. Aber für das Modell reicht es nicht aus. „Dem Kunden helfen“ bedeutet ohne zusätzliche Grenzen oft:

• höflich sein,
• überzeugend sein,
• versuchen, das Gespräch am Laufen zu halten,
• den Kunden nicht ohne Antwort zurücklassen.

Und genau so entstehen Antworten, die gut klingen, aber inhaltlich schwach sind.

Ein Kunde fragt nach der Kompatibilität mit einer bestimmten Systemversion. Das Modell kann diese Information in den Daten nicht sehen, möchte aber helfen und antwortet deshalb zu entschlossen.

Ein Kunde fragt nach der Implementierung. Das Modell hat nicht den vollständigen technischen Kontext, konstruiert aber trotzdem eine Antwort, die selbstbewusst klingt.

Ein Kunde fragt nach Unterschieden zwischen Produkten. Das Modell kennt nur eines davon gut, erstellt aber trotzdem einen Vergleich, weil der Prompt ihm nicht gesagt hat, dass es das nicht tun soll.

Diese Art von Prompt ist nicht schwach, weil sie kurz ist. Sie ist schwach, weil sie keine Grenzen definiert.

Der zweite Fehler: anzunehmen, dass das Modell Prioritäten selbst erkennt

Wenn das Modul Folgendes enthält:

• Produktdaten,
• freigegebene FAQ,
• Gesprächsverlauf,
• Vector Store,
• AI Feed,

dann muss das Modell wissen, was am wichtigsten ist. In der Praxis zeigt diese Architektur klar den Wert der Kombination von Kowal Ask About Product mit Kowal AI Product Feed for OpenAI Vector Store, denn erst dann beginnt der Prompt mit Daten zu arbeiten, die strukturiert und retrieval-bereit sind.

Ohne diese Anleitung behandelt das Modell alles als gleich wichtig. Und dann entstehen Situationen, in denen:

• das Retrieval-Ergebnis korrekt ist, das Modell sich aber zu stark auf älteren lokalen Kontext verlässt,
• die FAQ etwas Konkretes sagt, das Modell dies aber mit zusätzlichen Kommentaren verwässert,
• der Gesprächsverlauf Ton und Emotion enthält, aber harte Produktdaten nicht überstimmen sollte.

Deshalb muss ein guter Prompt klar festlegen:

1. zuerst Retrieval und freigegebene FAQ,
2. dann strukturierte Produktdaten,
3. und schließlich der Gesprächsverlauf als unterstützender Kontext.

Das ist keine kosmetische Formulierung. Es ist der Unterschied zwischen einer kontrollierten Antwort und einer Antwort, die nur intelligent klingt.

Wenn der Prompt beginnt, den Shop zu verstehen, nicht nur die KI

Der interessanteste Moment bei der Arbeit am Prompt entsteht, wenn wir aufhören, „für das Modell“ zu schreiben, und anfangen, „für den Shop-Typ“ zu schreiben.

Denn ein Shop, der Magento-Module verkauft, hat nicht dieselben Risiken wie ein Fashion-Shop.

In einem Software-Shop fragen Kunden nach:

• Kompatibilität,
• Integrationen,
• Anforderungen,
• Funktionsumfang,
• Implementierungsbeschränkungen.

Hier muss KI konkret, vorsichtig und technisch sein. Es ist besser, wenn sie kurz, aber ehrlich antwortet, als eine ausgefeilte Antwort ohne Grundlage zu liefern.

In einem Elektronik-Shop sind die Prioritäten anders:

• technische Spezifikationen,
• Gerätekompatibilität,
• Unterschiede zwischen Varianten,
• Hardwarebeschränkungen.

Hier sollte der Prompt das Modell stark bremsen, sobald es beginnt, Kompatibilität zu erraten.

In einem Fashion-Shop verschiebt sich der Schwerpunkt erneut:

• Material,
• Passform,
• Größen,
• Stil,
• Verwendung.

Dort kann KI natürlicher klingen, sollte aber trotzdem keine perfekte Passform versprechen, wenn der Shop keine Größentabellen oder klaren Hinweise bereitstellt.

In einem B2B- oder technischen Shop sollte der Prompt noch disziplinierter sein:

• kein Fluff,
• keine Marketingverzierungen,
• klare Kommunikation von Anforderungen und Einschränkungen,
• Bereitschaft zu sagen „das wissen wir nicht“, statt das Problem zu verwischen.

Das ist eine wichtige Erkenntnis: Es gibt keinen einzigen perfekten Prompt für jeden Shop. Es gibt jedoch eine Reihe guter Prinzipien und viele sinnvolle Spezialisierungen.

Wie ein guter Starter-Prompt aussieht

Ein guter Starter-Prompt für einen KI-Assistenten auf der Produktseite sollte nicht übermäßig kreativ sein. Er sollte stabil sein.

In der Praxis sollte er fünf Fragen beantworten:

1. Wer ist der Assistent?
2. Welche Daten darf er verwenden?
3. Was darf er nicht tun?
4. Wie soll er antworten?
5. Was soll er tun, wenn er etwas nicht weiß?

Deshalb klingt ein sinnvoller Basis-Prompt eher wie eine Arbeitsanweisung als wie ein Marketing-Slogan.

Das Ziel ist nicht, die KI „intelligent klingen“ zu lassen. Das Ziel ist sicherzustellen, dass sie:

• keine Daten erfindet,
• nicht über den bereitgestellten Kontext hinausgeht,
• in der Sprache des Shops antwortet,
• zugeben kann, wenn etwas in den Daten fehlt,
• bei Bedarf eine kurze klärende Frage stellt.

Diese Art von Prompt beeindruckt nicht auf einer Präsentationsfolie. Aber sie funktioniert sehr gut in einem echten Kundengespräch.

Die echte Wirkung eines Prompts zeigt sich bei schwierigen Fragen

Einfache Fragen sind kein guter Test für KI. Wenn ein Kunde nach etwas fragt, das klar in den FAQ beschrieben ist, wird fast jeder Prompt einigermaßen gut funktionieren.

Der wirkliche Unterschied zeigt sich bei schwierigeren Fragen:

• „Funktioniert das mit meinem Setup?“
• „Ist dieses Modul besser als ein anderes?“
• „Kann ich das ohne Entwickler einsetzen?“
• „Wird dieses Produkt mein konkretes Problem lösen?“
• „Ist das mit meiner Version, meinem Theme oder meiner Erweiterung kompatibel?“

Das sind die Fragen, bei denen ein schwacher Prompt das Modell zum Raten verleitet.

Ein guter Prompt macht das Gegenteil. Er lehrt das Modell, dass es:

• bei den Fakten bleiben soll,
• auf das aktuelle Produkt fokussiert bleiben soll,
• fehlende Informationen klar benennen soll,
• nicht zu breit antworten soll, wenn der Kontext eng ist.

Deshalb reduziert ein gut gestalteter Prompt riskante Antworten wirksamer als eine weitere kosmetische Änderung an der Benutzeroberfläche.

Der Prompt sollte gemeinsam mit dem Modul reifen

Es gibt noch einen Punkt, der leicht übersehen wird: Ein Prompt ist nichts, was man einmal festlegt und dann für immer vergisst.

Am Anfang arbeitet ein Shop möglicherweise nur mit:

• Produktdaten,
• einigen FAQ-Einträgen,
• einfachem Gesprächskontext.

Dann kommen weitere Ebenen hinzu:

• besser strukturierte FAQ,
• Store Views,
• Sprachversionen,
• Frageanalysen,
• FAQ-Kandidaten,
• Vector Store,
• AI Feed,
• Retrieval-first.

Das ist auch der Punkt, an dem Kowal AI Product Feed for OpenAI Vector Store aufhört, nur ein technisches Add-on zu sein, und zu einer der wichtigsten Wissensquellen für den Assistenten wird, der in Kowal Ask About Product läuft.

Und an diesem Punkt sollte sich auch der Prompt weiterentwickeln.

In einer frühen Phase besteht das Hauptziel darin, das Modell zu disziplinieren und Halluzinationen zu reduzieren.

In einer reiferen Phase können Sie stärker steuern:

• Retrieval-Priorität,
• wie Vergleichsfragen beantwortet werden,
• Verhalten bei unvollständigen Daten,
• einen Antwortstil, der an einen bestimmten Shop angepasst ist.

Das ist einer der interessantesten Aspekte bei der Arbeit mit KI-Modulen: Der Prompt entwickelt sich gemeinsam mit der Wissensarchitektur des Shops weiter.

Warum das ein starkes Thema für einen Blog über KI-Implementierungen ist

Weil der Prompt zu den Dingen gehört, die von außen klein wirken, in der Praxis aber einen großen Einfluss auf die Qualität der Implementierung haben.

Es ist leicht, sich auf das Modell, die API, den Vector Store oder die Integration mit einem Produktfeed zu konzentrieren. All das ist wichtig. Aber der Prompt sorgt dafür, dass diese Elemente nach klaren Regeln zusammenarbeiten. Deshalb ist es in der Praxis sinnvoll, über die Implementierung von Kowal Ask About Product zusammen mit der Daten- und Retrieval-Ebene nachzudenken, die von Kowal AI Product Feed for OpenAI Vector Store bereitgestellt wird.

Man kann es einfach ausdrücken:

• Das Modell liefert die Fähigkeit,
• die Daten liefern die Substanz,
• Retrieval liefert den Zugang zum Wissen,
• aber der Prompt definiert die Arbeitsweise.

Und genau deshalb können zwei Implementierungen, die auf derselben Technologie basieren, zwei sehr unterschiedliche Geschäftsergebnisse liefern.

Was sich in einem Folgeartikel zu behandeln lohnen würde

Dieses Thema öffnet ganz natürlich die Tür zu mehreren weiteren Artikeln:

• wie man einen Prompt mit echten Kundenfragen testet,
• wann man vom Hybridmodus zu Retrieval-first wechseln sollte,
• wie man FAQ für KI aufbaut, nicht nur für SEO,
• wie man in Logs prüft, ob das Modell tatsächlich den Vector Store verwendet,
• wie man unterschiedliche Prompts für technische Shops, Fashion-Shops und B2B-Shops vorbereitet.

Abschließender Gedanke

Wenn nach diesem Artikel nur eine Idee hängen bleiben sollte, dann diese:

Der Prompt ist kein Add-on zur KI. Der Prompt ist die Antwort-Policy.

Er entscheidet, ob das Modell nur beeindruckend oder tatsächlich vertrauenswürdig ist. Ob es rät oder seine Quellen schützt. Ob es „verkaufsorientiert“ klingt oder dem Kunden wirklich hilft, eine gute Entscheidung zu treffen.

Im E-Commerce macht das einen großen Unterschied. Denn Kunden brauchen keine KI, die nur gut klingt. Sie brauchen KI, die verantwortungsvoll antwortet.