Wie System-Prompts funktionieren – und warum sie für KI-Analytics entscheidend sind

Wenn Sie einer KI jemals eine Frage zu Ihren Daten gestellt haben und eine selbstsichere, detaillierte und völlig falsche Antwort erhalten haben – dann ist der System-Prompt meistens entweder die Ursache oder die Lösung.

Die meisten Menschen sehen nur die sichtbare Seite einer KI-Konversation: Sie tippen etwas, die KI antwortet. Doch es gibt eine zweite Ebene, die die meisten Tools verbergen: den System-Prompt. Er läuft unsichtbar im Hintergrund jedes Gesprächs und bestimmt alles, was die KI tut – worauf sie sich konzentriert, wie sie urteilt, was sie ablehnt und vor allem, was sie tut, wenn sie etwas nicht weiß.

Um zu verstehen, wie System-Prompts funktionieren, braucht man keinen Abschluss in Informatik. Aber es verändert, wie man KI-Tools nutzt – und es ist der Unterschied zwischen einem Assistenten, der plausiblen Unsinn halluziniert, und einem, der verlässlich auf Ihren tatsächlichen Daten basiert.

Was ein System-Prompt wirklich ist

Wenn Sie eine Nachricht an ein KI-Modell senden, gibt es eigentlich zwei Eingaben: Ihre Nachricht und einen System-Prompt. Der System-Prompt ist ein Satz von Anweisungen, der zusammen mit Ihrer Nachricht übermittelt wird – aber er wurde von denjenigen geschrieben, die das Tool entwickelt haben, nicht von Ihnen.

Stellen Sie es sich vor wie ein Briefing für einen Analysten vor Projektbeginn. Sie übergeben ihm Ihre Frage nicht einfach kalt. Sie sagen: Hier ist Ihre Rolle, hier ist, worauf Sie sich konzentrieren sollen, hier ist, wie ich möchte, dass Sie vorgehen, und hier sind die Regeln, die Sie einhalten müssen. Der Analyst wendet dieses Briefing dann auf alles an, was Sie ihm fragen.

Der System-Prompt legt fest:

• Welche Rolle die KI übernimmt („Sie sind ein SEO-Spezialist” vs. „Sie sind ein E-Commerce-Analyst”)
• Welche Datenquellen sie priorisieren soll
• Wie sie vor einer Antwort vorgehen soll
• Was sie bei Unsicherheit tun soll
• Was sie niemals tun darf

Nichts davon ist im Chat-Interface für Sie sichtbar – Sie erleben nur die Ergebnisse. Aber die Ergebnisse hängen fast vollständig davon ab, was in diesem Prompt steht.

Warum Analytics ein besonders heikler Anwendungsfall ist

Universelle KI-Assistenten – die Art, die man für das Verfassen von E-Mails oder das Zusammenfassen von Dokumenten nutzt – können sich eine gewisse kreative Freiheit erlauben. Wenn die Antwort leicht daneben liegt, sind die Konsequenzen meist gering.

Analytics ist anders. Wenn Sie fragen, warum der Traffic letzten Monat gesunken ist, ob Ihre Google-Ads-Kampagne die Conversions verbessert hat oder welche Seiten Ihre organische Klickrate nach unten ziehen, muss die KI mit Ihren tatsächlichen Daten arbeiten – nicht mit Mustern aus dem Training, nicht mit Annahmen darüber, wie „typisches” Verhalten aussieht, und nicht mit einer gebildeten Schätzung.

Hier wird das Halluzinationsproblem real.

KI-Modelle können selbstsicher klingende Antworten produzieren, die keinerlei Grundlage in Ihren Daten haben. Nicht weil sie fehlerhaft sind, sondern weil sie darauf optimiert sind, kohärente, flüssige Antworten zu liefern – und manchmal, wenn Daten mehrdeutig oder die Frage vage ist, kommt eine flüssige Antwort leichter als ein ehrliches Eingeständnis von Ungewissheit. Ohne explizite Anweisungen, die das Modell dazu bringen, sich auf abgerufene Daten zu stützen, Unsicherheit zuzugeben und den Kontext zu prüfen, bevor es Schlussfolgerungen zieht, füllt es Lücken mit Inferenz. Manchmal ist die Inferenz gut. Manchmal nicht.

Für Analytics ist das ein echtes Problem. Eine KI, die Ihnen selbstsicher erklärt, dass der Traffic wegen eines Ranking-Rückgangs gesunken ist – obwohl Sie in Wirklichkeit Ihre Google Ads pausiert haben, was die GSC-Impressionen reduziert und die Attribution durcheinandergebracht hat – ist nicht nur nutzlos. Sie ist aktiv irreführend.

Was ein gut gestalteter Analytics-System-Prompt leistet

Ein System-Prompt für ein Analytics-Tool erfüllt gleichzeitig mehrere Aufgaben. Die meisten davon sind Guardrails – Anweisungen, die speziell dafür entwickelt wurden, das Modell daran zu hindern, etwas falsch zu machen.

Das Modell auf Live-Daten statt auf Trainingsdaten ausrichten. Ein guter Analytics-Prompt weist das Modell explizit an, die verfügbaren Datenwerkzeuge zu nutzen und seine Antworten ausschließlich auf deren Ergebnisse zu stützen. Es sollte nicht auf sein allgemeines Wissen darüber zurückgreifen, „was Traffic-Rückgänge normalerweise verursacht” – es sei denn, das wird ausdrücklich angefordert. Die Anweisung lautet sinngemäß: Nennen Sie nur Fakten, die direkt durch die zugänglichen Daten belegt sind. Wenn die Daten nicht ausreichen, um eine Frage zu beantworten, geben Sie klar an, welche Daten fehlen.

Annotation-Prüfung vor zeitbasierten Analysen vorschreiben. Das ist der Guardrail, den die meisten Analytics-Tools nicht haben – und der am wichtigsten ist. Wenn Sie fragen, warum sich Traffic in einem bestimmten Zeitraum verändert hat, liegt der wichtigste Kontext nicht in Ihren GA4-Daten – sondern in Ihrem Wissen darüber, was passiert ist: ein Site-Deployment, ein Kampagnenstart, ein Google-Algorithmus-Update, ein Tracking-Tag, das nicht mehr funktionierte. Ohne diesen Kontext tappt die KI im Dunkeln.

Ein gut gestalteter Prompt macht das Prüfen von Annotationen zur Pflicht, bevor zeitbasierte Daten analysiert werden. Der Ablauf wird: Annotationen zuerst prüfen → Analytics-Daten erfassen → Ergebnisse mit Kontext präsentieren. Nicht umgekehrt.

Spekulation verhindern. Es gibt einen Unterschied zwischen „Organische Sitzungen sanken zwischen dem 4. und 11. März um 12 %, was mit einer Annotation korreliert, die ein Site-Redesign am 5. März vermerkt” und „Der Traffic ist wahrscheinlich gesunken, weil Nutzer das neue Design möglicherweise weniger intuitiv fanden.” Das Erste ist eine Beobachtung. Das Zweite ist Spekulation. Ein guter Prompt verbietet explizit die zweite Art von Antwort, es sei denn, der Nutzer fragt ausdrücklich nach Empfehlungen oder Hypothesen.

Definieren, wofür die KI da ist. Scope ist entscheidend. Ein Analytics-Prompt, der die KI als Datenanalystin definiert, hält sie auf Daten fokussiert. Einer, der sie als E-Commerce-Spezialistin definiert, lenkt jede Antwort in Richtung Umsatz, Conversions und Purchase-Funnel. Die Rollendefinition ist nicht nur kosmetisch – sie verändert, was das Modell priorisiert, wenn Daten auf mehrere Weisen interpretiert werden könnten.

Wie das Prompt-System von AI Data Stream funktioniert

Die meisten KI-Analytics-Tools geben Ihnen einen festen System-Prompt – und das war’s. Sie erhalten das Verhalten, das der Entwickler eingebaut hat. AI Data Stream verfolgt einen anderen Ansatz: Der System-Prompt ist konfigurierbar, und Sie können einen auswählen, anpassen oder selbst schreiben.

Es gibt drei Wege, Ihren Prompt einzurichten.

1. Mit einer integrierten Vorlage beginnen

Der einfachste Ansatz. AI Data Stream enthält sechs gebrauchsfertige Presets, die jeweils für eine andere Art der Arbeit mit Analytics-Daten entwickelt wurden.

Alle sechs Vorlagen teilen dieselben Kern-Guardrails – obligatorische Annotation-Prüfung vor jeder zeitbasierten Analyse, nur datenbasierte Beobachtungen (keine Spekulation) und ehrlicher Umgang mit fehlenden Daten. Was sich unterscheidet, ist Fokus und Ausrichtung.

Data Analyst ist das Standard-Preset und das strengste. Es basiert auf objektiver Analyse: keine Empfehlungen, es sei denn, Sie fragen danach, präzise Zahlen aus den tatsächlichen Daten, keine Annahmen über das Nutzerverhalten jenseits der Datenlage. Wenn Sie einen sachlichen, faktenbasierten Assistenten wollen, ist das die richtige Wahl.

SEO Specialist wendet dieselben Prinzipien auf die organische Suchperformance an – korreliert Search-Console-Daten mit Analytics-Traffic, erkennt Ranking-Veränderungen und deren Auswirkungen auf den Traffic und prüft stets Annotationen auf Algorithm-Updates oder technische Änderungen, bevor ein Trend als solcher bewertet wird.

Marketing Manager rahmt alles rund um Kampagnenperformance und Business-Impact – vergleicht Vorher/Nachher-Kampagnenzeiträume, analysiert, welche Traffic-Quellen konvertieren, und zieht Annotations-Kontext zu Kampagnenstarts und Budgetänderungen heran, um die Zahlen zu erklären.

Content Strategist konzentriert sich auf seitenbasierte Performance und Engagement – Top-Content, Publikationsdaten-Kontext (aus Annotationen), Engagement-Metriken wie Verweildauer und Content-Lücken, bei denen Ranking-Potenzial besteht.

Executive Summary reduziert alles auf verständliche Sprache für Stakeholder – übergeordnete Traffic- und Conversion-Trends, signifikante Veränderungen mit Kontext und kein Fachjargon. Nützlich, wenn Sie einen Bericht wollen, den auch jemand lesen kann, der nicht täglich in GA4 arbeitet.

Ecommerce Analyst ist speziell für Shops mit GA4-E-Commerce-Tracking konzipiert. Er fokussiert sich auf den vollständigen Purchase-Funnel vom Produktansicht bis zur Transaktion, Umsatz nach Traffic-Quelle, Add-to-Cart- und Checkout-Abschlussraten sowie die Gegenüberstellung von Google-Ads-Ausgaben mit dem tatsächlich attribuierten Umsatz.

Jede Vorlage kann direkt verwendet oder als Ausgangspunkt für Anpassungen genutzt werden.

2. Eine Vorlage an Ihre Bedürfnisse anpassen

Die integrierten Vorlagen sind bewusst allgemein gehalten – sie sind so gestaltet, dass sie für jede Website funktionieren, was bedeutet, dass sie nichts Spezifisches über Ihre Website wissen.

Wenn Sie ein Subscription-SaaS-Produkt, einen E-Commerce-Shop mit saisonalen Aktionen oder eine Content-Website betreiben, bei der bestimmte Seitenbereiche besonders wichtig sind, können Sie jede Vorlage anpassen. Fügen Sie Kontext zu Ihrem Geschäftsmodell hinzu. Teilen Sie der KI mit, welche Metriken für Ihre Situation am wichtigsten sind. Fügen Sie eine feste Anweisung hinzu, immer einen bestimmten Datumsbereich zu prüfen oder immer die Performance eines bestimmten Seitenbereichs zu markieren. Speichern Sie es als Team-Preset, und es steht allen in Ihrem Team zur Verfügung.

Typische Anpassungen könnten so aussehen:

• Einen Hinweis hinzufügen, dass die Website auf einem Subscription-Modell basiert und die Conversion von Session zu Trial die primäre Kennzahl ist
• Der KI mitteilen, dass der Traffic am Wochenende immer zurückgeht, und sie bitten, das nur dann als Problem zu markieren, wenn es in die Arbeitswoche anhält
• Kontext zu saisonalen Mustern einbeziehen (eine Travel-Website, die im Januar immer einen Spike verzeichnet, zum Beispiel)
• Anweisung, Search-Console-Rankings immer mit der GA4-Landing-Page-Performance gegenzuchecken

Das sind keine komplexen Eingriffe – es ist nur zusätzlicher Kontext, der die KI-Analyse für Ihre spezifische Situation präziser macht.

3. Blank starten und mit KI generieren

Wenn Sie ungefähr wissen, was Sie möchten, aber keinen Prompt von Grund auf schreiben wollen, gibt es einen integrierten Prompt-Generator. Sie beschreiben, was die KI tun soll – in einfacher Sprache, so viel oder wenig Detail wie Sie möchten – und er erstellt einen vollständigen, strukturierten System-Prompt mit Ihrem vorhandenen KI-Provider-Key.

Beispiel: „Ich möchte einen Assistenten, der sich auf Google-Ads-Performance konzentriert und mir hilft zu verstehen, welche Kampagnen den besten Return liefern. Er soll immer prüfen, welche Kampagnen in einem abgefragten Zeitraum liefen, und darauf hinweisen, wenn eine Performance-Veränderung mit einer Änderung der Gebotsstrategie oder des Budgets korreliert.”

Der Generator wandelt diese Beschreibung in einen vollständigen Prompt um, schlägt einen Namen vor und legt ihn in Ihren Presets zur sofortigen Nutzung oder Bearbeitung ab. Die Generierung verwendet Ihren API-Key (kostet also einen minimalen Betrag an Tokens – typischerweise einen Bruchteil eines Cents) und nutzt ein schnelles, kosteneffizientes Modell.

Das funktioniert gut, wenn Sie einen spezifischen Anwendungsfall vor Augen haben – ein wöchentlicher Reporting-Assistent, ein Keyword-Analyse-Tool, ein Post-Campaign-Review-Format – und nur die Prompt-Struktur benötigen.

Die Vorlagen im Volltext

Hier sind alle sechs integrierten Vorlagen, genau wie sie in der App erscheinen. Jede illustriert einen anderen Ansatz zu den Kernprinzipien: Datenbindung, obligatorische Annotation-Prüfung und Scope-Definition.

Diese können auch als Ausgangspunkte für eigene benutzerdefinierte Prompts außerhalb von AI Data Stream verwendet werden – die Prinzipien funktionieren mit jedem KI-Analytics-Tool, das System-Prompts unterstützt.

Klicken Sie auf eine Vorlage, um den vollständigen Prompt anzuzeigen.

You are a data analyst assistant specializing in Google Analytics and Search Console data. Your role is to help analyze website performance data.

IMPORTANT GUIDELINES:
- Only state facts that are directly supported by the data you can access
- Never make suggestions or recommendations unless explicitly requested
- When asked for insights, present objective observations from the data
- If data is insufficient to answer a question, clearly state what data is missing
- Use precise numbers and metrics from the analytics tools
- Avoid speculation or assumptions about user behavior beyond what the data shows
- Present findings in a clear, professional manner suitable for business decisions

MANDATORY ANNOTATION CHECKING:
Before analyzing ANY metrics or data that involve time periods, you MUST check annotations first. This applies to ALL requests involving:
- Traffic comparisons (before/after, period-over-period)
- Performance metrics over time (bounce rate, conversions, sessions, etc.)
- Any analysis with date ranges or time-based dimensions
- Investigating changes or trends in data

WORKFLOW FOR ALL TIME-BASED ANALYSIS:
1. FIRST: Check annotations for the relevant time period(s) using appropriate annotation functions
2. THEN: Gather the requested analytics data
3. FINALLY: Present findings with annotation context explaining any external factors

Do NOT wait for the user to specifically request annotations. Context from annotations (technical issues, marketing campaigns, system outages, algorithm updates) is essential for accurate interpretation of any time-based data. Analyzing metrics without checking for annotations first may lead to misleading conclusions.

You are an SEO specialist assistant. Your role is to analyze search performance and provide technical SEO insights.

FOCUS AREAS:
- Organic search traffic trends and patterns
- Keyword rankings and performance
- Click-through rates and impressions
- Page indexing status and issues
- Technical SEO factors affecting visibility

ANALYSIS APPROACH:
- Always check annotations before analyzing trends
- Correlate Search Console data with Analytics traffic
- Identify ranking changes and their impact on traffic
- Flag technical issues affecting search performance
- Provide data-driven observations only (no speculation)

When analyzing search performance drops or gains, always check annotations first to understand if external factors (algorithm updates, technical changes, content updates) are involved.

You are a marketing analytics assistant. Your role is to analyze campaign performance and business metrics.

FOCUS AREAS:
- Campaign performance and ROI
- Conversion tracking and funnel analysis
- Traffic source effectiveness
- User acquisition and retention
- Marketing channel attribution

ANALYSIS APPROACH:
- Check annotations for campaign launches and changes
- Compare pre/post campaign performance
- Analyze conversion paths and drop-off points
- Identify high-performing traffic sources
- Present metrics in business impact terms

Always reference annotations when analyzing campaign periods to provide context about marketing activities, budget changes, or external factors affecting performance.

You are a content strategy assistant. Your role is to analyze content performance and user engagement.

FOCUS AREAS:
- Page-level performance metrics
- User engagement and behavior
- Content consumption patterns
- Top performing content themes
- Content gaps and opportunities

ANALYSIS APPROACH:
- Check annotations for content publication dates
- Analyze engagement metrics (time on page, scroll depth)
- Identify high-performing content formats
- Track content improvements over time
- Provide actionable content insights

When analyzing content performance changes, always check annotations to understand if content updates, redesigns, or technical changes occurred that might explain metric shifts.

You are an executive analytics assistant. Your role is to provide concise, high-level insights for stakeholders.

REPORTING STYLE:
- Focus on key business metrics only
- Present trends in simple, clear language
- Highlight significant changes with context
- Avoid technical jargon
- Provide actionable summaries

KEY METRICS:
- Overall traffic trends
- Conversion performance
- Top traffic sources
- Major performance changes
- Business impact metrics

Always check annotations to explain significant changes in metrics. Present findings in business terms with clear context about what drove changes.

You are an ecommerce analytics specialist. Your role is to analyze online store performance and purchase behavior using GA4 ecommerce data.

FOCUS AREAS:
- Revenue and transaction metrics
- Conversion funnel performance (view → add to cart → checkout → purchase)
- Average order value (AOV) and items per transaction
- Product performance and category analysis
- Cart abandonment patterns
- Purchase frequency and customer lifetime value indicators

KEY ECOMMERCE METRICS TO TRACK:
- Total revenue and transaction count
- Ecommerce conversion rate (purchasers / users)
- Add-to-cart rate and checkout completion rate
- Average order value trends
- Top-selling products and categories
- Revenue by traffic source (which channels drive sales)
- Device performance (mobile vs desktop purchasing)

ANALYSIS APPROACH:
- Always check annotations before analyzing sales trends (promotions, sales events, stock issues)
- Correlate traffic changes with revenue impact
- Identify high-converting traffic sources vs high-volume sources
- Analyze the purchase funnel to find drop-off points
- Compare performance across device types for mobile optimization insights
- Cross-reference with Google Ads data to calculate true ROAS (Return on Ad Spend)

IMPORTANT CONSIDERATIONS:
- Distinguish between revenue fluctuations from traffic changes vs conversion rate changes
- Consider seasonality and promotional calendar when analyzing trends
- Look for product affinity patterns (what products are bought together)
- Flag unusual patterns that may indicate tracking issues

When analyzing revenue drops or spikes, always check annotations first to understand if promotions, stock issues, site changes, or external factors are involved. Present findings with clear business impact (e.g., "Revenue dropped 15% primarily due to a 20% decrease in checkout completions").

Eigene Prompts schreiben: die entscheidenden Prinzipien

Ob Sie eine Vorlage anpassen oder von Grund auf neu beginnen – dieselben Kernprinzipien gelten. Sie müssen kein bestimmtes Format einhalten, aber jeder effektive Analytics-Prompt enthält diese Elemente.

Der KI eine Rolle geben. Eine Rollendefinition bestimmt alles. „Sie sind ein Datenanalyst” und „Sie sind ein SEO-Spezialist” liefern auf dieselbe Frage mit identischen Daten merklich unterschiedliche Antworten. Benennen Sie die Rolle, definieren Sie die Schwerpunkte – und das Modell kalibriert sich entsprechend.

Annotation-Prüfung zur Pflicht machen. Das ist der wichtigste Guardrail für zeitbasierte Analytics. Die Anweisung muss explizit und bedingungslos sein – nicht „Annotationen prüfen, wenn relevant”, sondern „Annotationen vor jeder zeitbasierten Analyse prüfen, ausnahmslos.” Sobald es optional wird, wird es übersprungen.

Spekulation verbieten. Ohne Einschränkungen bieten KI-Modelle Hypothesen und Empfehlungen an, wenn die unterstützenden Daten ausgehen. Im Analytics-Bereich sind das die Quellen irreführender Antworten. Die Anweisung ist einfach: Spekulieren Sie nicht und treffen Sie keine Annahmen über das hinaus, was die Daten zeigen. Wenn die Daten nicht ausreichen, sagen Sie es.

Unsicherheit ehrlich behandeln. Eine gut promptete KI teilt Ihnen mit, wenn sie eine Frage mit den vorhandenen Daten nicht beantworten kann. Das ist ein Feature, kein Fehler. Die Anweisung: Wenn die Daten nicht ausreichen, um eine Frage zu beantworten, geben Sie klar an, welche Daten fehlen.

Den Scope eingrenzen. Je spezifischer der Prompt, desto fokussierter und nützlicher die Analyse. Ein E-Commerce-Analyst, der weiß, dass er sich auf den Purchase-Funnel konzentrieren soll, geht direkt zu Conversion-Raten und Abbruchpunkten – statt mit einem allgemeinen Traffic-Überblick zu beginnen, den Sie gar nicht angefordert haben.

Eine Anmerkung zu dem, was System-Prompts können und nicht können

System-Prompts sind mächtig, aber kein Allheilmittel. Ein gut geschriebener Prompt reduziert Halluzinationen, hält die KI fokussiert und verbessert die Antwortqualität – eliminiert aber nicht die inhärent probabilistische Natur des Modells.

Was ein System-Prompt beheben kann:

• Spekulative oder annahmebasierte Antworten
• Fehlender Kontext (keine Annotation-Prüfung)
• Scope-Drift (eine andere Frage beantworten als die gestellte)
• Inkonsistenter Ton oder inkonsistente Ausrichtung

Was ein System-Prompt nicht beheben kann:

• Unvollständige oder fehlende Daten (wenn GA4-Daten nicht vorhanden sind, kann kein Prompt sie erschaffen)
• Tool-Limitierungen (die KI kann nur mit den eingerichteten Datenverbindungen arbeiten)
• Sehr lange oder komplexe Gespräche, bei denen früher genannter Kontext zu verloren geht

Die zuverlässigste Analytics-KI ist nicht die mit dem ausgefeiltesten Modell – sondern die mit der besten Datenbindung. Das bedeutet gute Datenverbindungen, Annotationen, die tatsächlich widerspiegeln, was mit der Website passiert ist, präzise Fragen und einen System-Prompt, der die KI ehrlich hält darüber, was sie weiß und was nicht.

Die Prompt-Presets von AI Data Stream werden unter Team-Einstellungen → Prompt-Presets verwaltet. Der KI-Prompt-Generator steht beim Erstellen eines neuen Presets zur Verfügung. Alle sechs integrierten Vorlagen können direkt angewendet oder als Ausgangspunkt für individuelle Anpassungen gespeichert werden.

Bereit, es auszuprobieren? Kostenlos registrieren →