Kochen mit Vorgaben: Ein Framework für Designer zur Erstellung besserer KI-Aufforderungen

Jeden Abend nach der Arbeit beginne ich meine zweite Schicht als Hauskoch für meine Familie. Die Vorbereitung kann schon in einer Nachmittagspause beginnen – Gemüse schneiden, Proteine marinieren, Timer für den Ofen oder Instapot stellen. Kochen und Design haben viele Gemeinsamkeiten. Zu wissen, was man kochen soll, wann man würzen soll, wie man vorbereitet und wann man Zurückhaltung üben sollte; jede Handlung zählt, um das gewünschte Ergebnis zu erzielen.

Ich sage nie "danke" zu meinen Messern. Oder zum Herd, dem Ofen oder der Mikrowelle. Es gibt einen Grund, warum ihre Knöpfe nicht 'Bitte starten' sagen. Werkzeuge erfordern kein Einfühlungsvermögen. Sie erfordern Klarheit.

Große Sprachmodelle sind nicht anders. Sie sind Maschinen, die gebaut wurden, um zu interpretieren, nicht um zu fühlen. Sie exportieren Empathie auf wunderbare Weise, aber sie benötigen sie nicht als Eingabe. Je höflicher man zu einem Modell ist, desto eher kann es zu Missverständnissen kommen.

Modelle wollen klare Anweisungen und eindeutige Vorgaben. Und während die Fähigkeit, Aufforderungen flüssig zu formulieren, in vielen Rollen zum Standard wird, ist sie für Produktdesigner besonders wichtig. Das liegt daran, dass Modelle von Natur aus probabilistisch und variabel sind. Design ist das Gegenteil: präzise, wiederholbar und gezielt. Diese Lücke zu überbrücken erfordert Systemdenken, nicht nur sprachliches Geschick.

Wo Code Struktur hat und KI stochastisch oder zufällig ist, sitzt das Design dazwischen. Es muss leserlich sein. Genau das macht das Erstellen von Eingabeaufforderungen in einem Design-Tool so besonders: Man kann sich nicht einfach auf sein Bauchgefühl verlassen, um einen funktionierenden Prototyp zu entwickeln. Man braucht Eingaben, die Unsicherheit in Struktur verwandeln.

Mise en place

Beim Kochen wie beim Prompting ist die Vorbereitung das A und O. Wie man in der Haute Cuisine sagt, mise en place, also "alles an seinem Platz", ist der Schlüssel, um Ordnung ins Chaos zu bringen, bevor die Hitze jemals die Pfanne erreicht. Nehmen Sie sich die Zeit, sich richtig vorzubereiten, und Sie werden später weniger Zeit mit dem Reparieren verbringen.

Als Designer sind viele von uns auf ihre Umgebung bedacht – die Musik, die wir spielen, die Beleuchtung, die wir einstellen, und wo alles sowohl auf unserem Schreibtisch als auch auf unserem Desktop arrangiert ist. Manchmal bedeutet es, sich eine neue Datei, eine leere Seite, eine leere Arbeitsfläche zu geben. Bei der Aufforderung müssen wir auch sicherstellen, dass wir bestimmte Dinge arrangiert haben. Jede Aufforderung braucht Klarheit, Kontext und Vorgaben. Ich habe mein eigenes Prompt-Framework entwickelt, und diese TC-EBC-Struktur – Aufgabe, Kontext, Elemente, Verhalten, Vorgaben – hat sich für mich bewährt. Diese Art von Struktur hilft nicht nur, bessere Ergebnisse zu erzielen – sie ist auf das abgestimmt, was sich Ingenieure und Systemdesigner in verschiedenen Disziplinen erarbeiten. Eine häufig geteilte Checkliste eines/r Reddit-Benutzer*in mit über 1.000 Stunden LLM-Prompts kommt zu denselben Prioritäten: klare Aufgabe, Vorgaben, modulare Sequenzierung. Auch die Dokumentation zum Semantic Kernel von Microsoft untermauert dies mit Entwurfsmustern für Prompts, bei denen die Definition der Absicht, der modulare Aufbau und die Vorhersehbarkeit Vorrang vor Raffinesse haben. Es geht eher um die Übereinstimmung der Absichten als um ein genaues Rezept.

Nehmen wir zum Beispiel an, du entwirfst einen Prompt für ein neues Figma Make, das Rezepte aus Fotos deiner Vorratskammer generiert. Wenn du einfach in natürlicher Sprache aufschreiben würdest, was du erreichen möchtest, könnte das in etwa so aussehen:

Bitte entwickle eine neue App, mit der Hobbyköche ein Foto ihrer Vorratskammer oder ihres Gefrierschranks machen können, um Rezeptvorschläge zu erhalten. Berücksichtige dabei eventuelle Allergien oder Vorlieben. Vielen Dank!

Das ist so, als würde man alle Zutaten einfach in einen Topf werfen und hoffen, dass daraus eine Mahlzeit wird. Und ehrlich gesagt bin ich nicht begeistert von dem, was wir erhalten haben.

Ohne die visuelle Gestaltung zu diskutieren, ist dieses Ergebnis im Allgemeinen unzureichend. Es ist kein schlechter Ausgangspunkt – es hat einige grundlegende Funktionen und Merkmale, aber insgesamt ist es uninteressant und nur einen Schritt über einem Wireframe.

Versuchen wir nun, denselben Prompt an das TC-EBC-Format anzupassen:

• Aufgabe: Erstelle eine KI-gesteuerte Mahlzeitenvorschlags-App mit Fotoeingaben aus Speisekammer/Kühlschrank
• Kontext: Kochassistent für Haushalte mit diätetischen Einschränkungen
• Elemente: Kameraeingabe, Vorratsscanner, Formular für Ernährungseinstellungen, Liste mit Essensvorschlägen, Rezeptkarten
• Verhalten: Benutzer*innen laden Fotos hoch; die App durchsucht das Inventar, filtert nach Vorlieben, schlägt Rezepte vor
• Vorgaben: Mobile-First, iOS/Android, zugängliche UI, unterstützt mehrere Haushaltsprofile

Wie du siehst, ist der im TC-EBC-Format gestaltete Prompt klar, übersichtlich und gibt genau an, welches Verhalten und welche UI gewünscht sind. Außerdem ist es viel wahrscheinlicher, dass damit das gewünschte Ergebnis erzielt wird, während der ursprüngliche Prompt langatmig und vage war und die eigentliche Aufgabe hinter Höflichkeitsfloskeln versteckt hat. Die strukturierte Version ersetzt das Ausprobieren durch klare Anleitungen. Ein gut konzipierter Prompt macht die Absicht eindeutig, genauso wie ein hervorragendes Designsystem einem Design die passende Struktur und Orientierung geben kann.

Und die Ergebnisse? Der linke Teil des Screenshots war das erste Ergebnis der oben genannten, nach dem TC-EBC-Schema strukturierten Prompt. Der Kontext, die Elemente und die Vorgaben boten, was Figma Make (und das zugrunde liegende LLM) benötigten, um die App zu bauen, die wir wollten, die App, die wir beabsichtigten zu bauen. Neben einem reichhaltigeren, optisch ansprechenderen Design schuf der verfeinerte Prompt bessere Grundlagen, auf denen aufgebaut werden konnte.

Frag dich, welchen Kontext dein Modell benötigt, um erfolgreich zu sein, und entferne dann alles andere. Unnötiger Ballast verlangsamt den Prozess, verwirrt das Modell oder zwingt das LLM zumindest dazu, zusätzliche Zyklen zu verwenden, um die Bedeutung zu entschlüsseln. Eleganz in KI, wie Eleganz im Design, ist ein Prozess der Subtraktion. Der Schlüssel ist, sich auf das Wesentliche zu konzentrieren, was eine sorgfältige Vorbereitung und ein robustes, gut definiertes Designsystem erfordert, um Klarheit und Kohärenz zu gewährleisten.

Brauchst du Hilfe bei deinen Prompts? Dann probier meinen Make Prompt Assistant GPT aus. Ich habe den anfänglichen „höflichen” Prompt in das GPT eingegeben und ihm gesagt, dass es dem Prompt mehr Struktur und Klarheit verleihen soll, um eine überzeugendere App zu erstellen. Das Ergebnis war der TC-EBC-Prompt, den wir oben verwendet haben.

Das Rezept verfeinern

Ein gut strukturierter Prompt liest sich wie eine Rezeptkarte: kurz, direkt und instruktiv. Jedes "vielleicht", "nur" oder "bitte" verwässert die Absicht und fügt Lärm hinzu. Das Ziel ist nicht, ausführlich oder höflich zu sein – es geht darum, klar zu sein.

Wir verwenden TC-EBC, um diese Struktur zu erstellen:

• Aufgabe definiert, was du baust.
• Kontext beschreibt, warum und für wen. Es verhindert Abweichung.
• Einschränkungen setzen die Leitplanken, um das System kontrolliert und konsistent zu halten.

Jeder Teil der TC-EBC-Struktur verringert Mehrdeutigkeiten und stärkt die Absicht. Gemeinsam verwandeln sie Raten in Führung. Wir alle, die wir schon stundenlang auf die Statusmeldung „Nachdenken–Warten–Überlegen–Anpassen–Entscheiden“ eines LLM gestarrt haben, verstehen intuitiv, dass Präzision eine Designentscheidung ist, die Energie spart und für mehr Klarheit sorgt. Der geringere Verbrauch von Tokens wird zu einer Übung in Effizienz.

Betrachten wir ein weiteres Beispiel anhand eines Szenarios, mit dem sich die meisten Produktdesigner in letzter Zeit auseinandergesetzt haben:

Vager Prompt:

Verfasse eine Beschreibung für diese Funktion. Halte sie einfach, aber auch spannend. Vielleicht so, wie Apple es macht?

TC-EBC-Prompt:

• Aufgabe: Schreib eine kurze Produktmerkmalbeschreibung.
• Kontext: Für ein neues „One-Click-Exportieren“-Feature in einem Designtool.
• Elemente: Überschrift (maximal 7 Wörter), Unterüberschrift, ein einziger Satz im Hauptteil.
• Verhalten: Der Text sollte Geschwindigkeit, Einfachheit und Vertrauen vermitteln.
• Vorgaben: Keine Fachsprache. Der Textstil sollte dem von Duolingo oder Notion entsprechen. Gesamtlänge: unter 200 Zeichen.

Der TC-EBC-Prompt hilft einem viel besser dabei, zu definieren, was man will und wie man dorthin gelangt. Wenn man Vorgaben und konkrete Anweisungen für Elemente und Verhaltensweisen festlegt, kommt man zweifellos seinem Ziel näher, und ich würde behaupten, dass die Ergebnisse schneller und präziser ausfallen werden.

Wie Figma Dev Advocate Jake Albaugh sagt: „Je direkter die Sprache, desto effizienter der Austausch.“ Spezifität bedeutet nicht Starrheit. Es ist Präzision gepaart mit Anpassungsfähigkeit; straff genug, um seine Form zu halten, flexibel genug, um sich weiterzuentwickeln. Genau wie beim Design und beim Kochen kommt es auch hier auf die richtige Balance an.

Füge Geschmack hinzu

Prompting ist iterativ. Man probiert, testet und passt die Eingaben laufend an. Das Ziel ist nicht Perfektion, sondern Feinabstimmung, und jede Runde wird neue Aspekte, Lücken oder Übertreibungen in der Argumentation des Modells aufdecken. Ganz gleich, ob du eine App in Make entwickelst, mit ChatGPT an einer Buchidee arbeitest oder mit Cursor und dem MCP-Server von Figma Code schreibst – bei den Änderungen geht es darum, den Kontext schrittweise zu erweitern, um ein besseres Endergebnis zu erzielen.

Um den größtmöglichen Nutzen aus den Überarbeitungs-Prompts zu ziehen, ist es wichtig zu definieren, was in das Sichtfeld deines Modells gehört und was nicht. Anthropic nennt dies Kontext-Engineering: das Kuratieren dessen, was das Modell sieht, sich merkt und abwägt. Das Ziel ist es, die Absicht rein zu halten. Wenn mise en place Vorbereitung ist, bedeutet Kontext Disziplin.

In Figma Make kannst du einen breiten Kontextbereich für deine Kreationen bereitstellen. Wie bei jedem anderen Modell auch kannst du in Make einfach Screenshots hochladen, um den Designkontext zu verdeutlichen – und dafür gibt es durchaus Situationen, in denen dies sinnvoll ist –, aber wenn möglich, solltest du einen Figma-Frame bereitstellen, da dies zu besseren Ergebnissen führt. Das liegt daran, dass der Design-Frame strukturierte Daten enthält. Anstatt Make zu bitten, ein Bild zu extrapolieren und zu interpretieren, stellst du ihm gut strukturierte Designdaten zur Verfügung, auf denen es aufbauen kann. Es muss nicht so hart arbeiten, um zu übersetzen, weil es bereits in einer Sprache „geschrieben“ ist, die es intuitiv versteht.

Außerdem kannst du Anweisungen zu APIs und/oder Abhängigkeiten wie three.js oder D3js.org hinzufügen, die Make verwenden und referenzieren soll. Und auch wenn ein strukturierter Ansatz für deinen Prompt wie TC-EBC bei Überarbeitungs-Prompts nach wie vor wichtig ist, verleiht zusätzlicher Kontext dem Ganzen Substanz und jene einzigartige Note, die du von ausgefeilten, verkaufsfertigen Designs erwartest.

Du kannst außerdem stilistische Kontexte einbinden, indem du eine Bibliothek hinzufügst, Verhaltens- und Strukturvorgaben durch Anpassen der Make-Richtlinien festlegst oder deinen Prompts über MCP-Verbinder zu Notion, Asana, GitHub, Atlassian, Linear und Monday.com tiefgreifende Kontexte hinzufügst. Anstatt lediglich eine gewünschte Änderung zu beschreiben, kannst du ein PRD hinzufügen, das du in Notion verfasst hast, oder eine Aufgabe, die du bereits in Asana, Jira oder Linear definiert hast. (Es gibt auch einen GPT zum Erstellen dieser PRDs.)

Betrachte das als kreatives Debugging. IIm Laufe der Zeit lernt das Modell anhand von Überarbeitungen deinen Designstil und deine Herangehensweise kennen, und du beginnst, die Grenzen des Modells besser zu verstehen – wie viel Komplexität es verkraften kann, wo es Struktur benötigt und wann es von Einfachheit profitiert. Der Prozess wird mit jeder Runde schneller, präziser und ausdrucksstärker.

Die Arbeit mit KI-Modellen ist keine exakte Wissenschaft, aber durch die Einbeziehung des Designkontexts wird der Prozess deterministischer – und ähnelt weniger dem Hineinwerfen von Zutaten in den Topf in der Hoffnung, dass daraus eine Mahlzeit entsteht. Am Ende erhält man Prompts, die weniger wie Rezepte auf Papier wirken, sondern eher wie eine ausgefeilte Technik.

Das richtige Messer wählen

Jedes Modell schneidet anders. Ihre Bauweise, ihre Trainingsdaten und ihre Ausrichtung machen jede Klinge zu einem ganz besonderen Typ – manche sind auf feine Details ausgelegt, andere für breitere, schnellere Schnitte konzipiert. Behandel sie wie einen gut sortierten Werkzeugkasten: Wenn du die jeweiligen Vorteile der einzelnen Modelle kennst, kannst du das auswählen, das am besten zu deinem Arbeitsablauf passt und das Ergebnis optimiert.

In Figma Make ist unser Standardmodell Claude Sonnet 4.5. Es ist großartig im Zusammenfassen, beim Befolgen von nuancierten Strukturen oder leichtem Kontext und liefert einen freundlichen Ton. CS 4.5 neigt dazu, Intentionen elegant zu erschließen, wenn sie klar angesprochen werden, und bevorzugt architektonische Prompts mit reich eingebetteter Logik, wie die TC-EBC-Promptrahmen. Stell dir Claude wie einen gut ausgebildeten Sous-Chef vor: Wenn deine Anweisungen präzise sind, wird er sie hervorragend umsetzen. Wenn sie vage sind, wird er versuchen, dir zu gefallen – manchmal sogar bis zum Äußersten.

Kürzlich haben wir Gemini 3 (Nano Banana Pro) als alternatives Modell in Make eingeführt. Und es ist gut. Ehrlich gesagt, es ist wirklich gut. (Hier erfährst du, wie du es aktivieren kannst.) Gemini ist schnell, strukturiert und bei kurzen Eingabeaufforderungen und engen Vorgaben manchmal präziser. Es performt gut unter Mehrdeutigkeit, wenn Präzision erzwungen wird. Es wird sich nicht durch unklare Eingaben davon abbringen lassen. Auch bei speziellen Aufgaben wie dem Umbenennen von Ebenen, dem Austauschen von Icons oder der Anpassung der Layout-Sprache überzeugt es.

Schließlich werden GPT-4 und jetzt GPT-5 in meinem Make Prompt Assistant GPT verwendet und sind im Allgemeinen einige der bekanntesten Modelle. GPT ist die bekannte Größe: intelligent, wortreich und unglaublich fähig, aber gelegentlich ein wenig zu eifrig, zu helfen. Es mag Beispiele. Es reagiert gut auf Demonstrationen. Und es bleibt der beste Generalist, der verfügbar ist.

Bei der Verständlichkeit von Prompts geht es nicht nur um die Struktur. Es geht um die Modellwahl. Und in Figma Make geben wir dir die Möglichkeit, die Modelle explizit zu wechseln. Das bedeutet, dass du jetzt deinen Prompt und deine Erwartungen auf das Modell abstimmen kannst, das für die jeweilige Aufgabe am besten geeignet ist. So wird das Prompting zu einer Designentscheidung und nicht nur einer Interaktion.

Also, welches solltest du verwenden? Das hängt von der Aufgabe ab:

Verwende Claude als ausgewogenes Werkzeug, das mehrschichtige Strukturen verarbeiten kann.

• Ideal für: Saubere Zusammenfassungen, strukturierte Nachverfolgung und freundliche, leicht kontextuelle Arbeit
• Eignet sich am besten, wenn: deine Anweisungen prägnant sind und deine Logik direkt in der Aufgabenstellung eingebettet ist (TC-EBC-Fans, los geht's!)
• Stimmung: Ein gut ausgebildeter Sous-Chef – gibt man ihm klare Anweisungen, zaubert er etwas Wundervolles auf den Teller; sind die Anweisungen zu vage, bemüht er sich ein bisschen zu sehr, einen zufrieden zu stellen.

Verwende Gemini, wenn du bei spezifischen Aufgaben schnelle und konsistente Ergebnisse erzielen möchtest.

• Ideal für: Präzise Prompts, schnelle strukturierte Aufgaben und alles mit klaren Vorgaben
• Eignet sich am besten für: Fälle, in denen Präzision gefragt ist, der Textumfang jedoch gering ist – hier umbenennen, dort austauschen, den Wortlaut hier verfeinern
• Vibe: Das scharfe Gebrauchsmesser – knackig, schnell, keine Geduld für unklare Andeutungen; gibt man ihm eine präzise, schneidet es jedes Mal sauber.

Verwende ChatGPT für Argumentationen, Beispiele oder exploratives Umdenken.

• Ideal für: Allgemeines logisches Denken, anschauliche Beispiele, ausführliche Strukturen und alles, was vom Prinzip „Zeigen statt erzählen“ profitiert
• Am besten geeignet für: Demonstrationen oder Vorlagen, denen es folgen kann – es verbessert sich selbst, indem es das spiegelt, was ihm vorgegeben wird
• Vibe: Das klassische Kochmesser, auf das sich jeder verlässt – unglaublich vielseitig, stets einsatzbereit und nach wie vor der zuverlässigste Allrounder in der Schublade

Den Teller anrichten

Am Ende einer jeden durch LLM unterstützten Entwurfs- oder Entwicklungssitzung steht nicht nur ein Ergebnis. Du entwickelst ein wiederholbares System für die Zukunft. Du hast mit einer klaren Absicht angefangen. Du hast die Logik strukturiert. Du hast das richtige Modell für diese Aufgabe ausgewählt. Und wenn du es gut gemacht hast, kannst du das Ergebnis auf die Entscheidungen zurückführen, die es geformt haben.

Beim Prompting geht es nicht um magische Worte oder clevere Formulierungen. Es geht um Architektur, Kontext und Werkzeugbeherrschung. Es geht darum, einen Workflow zu entwerfen, in dem das Modell nicht raten muss. Es setzt um. Genauso wie Designsysteme es Teams ermöglichen, schneller und konsistenter zu arbeiten, ermöglicht strukturiertes Prompting uns, Absicht in funktionierende Prototypen zu übersetzen.

Das ist der neue kreative Kreislauf: Mit Klarheit beginnen, durch Kontext ausbauen und anhand von Feedback verfeinern. Es sind Fachkenntnis und Präzision, nicht Charme, die dir einen Platz am Tisch sichern.

Erkunde Software Is Culture, eine Sammlung von Geschichten, die den Einfluss von Design auf unser Denken, Fühlen und unsere zwischenmenschlichen Beziehungen beleuchten.