Rollenbasiertes Prompting
Indem das Modell eine bestimmte Rolle einnimmt, verändern sich Blickwinkel, Wortwahl und Bewertungsmaßstäbe. So lässt sich dieselbe Frage aus völlig unterschiedlichen Perspektiven beleuchten.
Du kennst das Prinzip schon aus Anatomie eines guten Prompts als einen der fünf Bausteine. Hier gehen wir tiefer: Rollen sind nicht nur ein Stil-Trick, sondern ein Analysewerkzeug.
Warum Rollen überhaupt wirken
Ein LLM hat kein „Ich", das in eine Rolle schlüpft - es simuliert eine Rolle, statt eine zu sein.1 Was tatsächlich passiert: Der Rollenbegriff im Prompt verschiebt über die Attention die Wahrscheinlichkeiten aller folgenden Tokens.
„Du bist Wirtschaftsprüferin" macht Wörter wie Risikorückstellung, Nachweis und Konformität wahrscheinlicher - und Wörter wie cool, revolutionär, disruptiv unwahrscheinlicher.
Die Systemrolle
Technisch gibt es zwei Wege, eine Rolle zu setzen:
Im Chat setzt du die Systemrolle mit /set system:
/set system "Du bist Risikokapitalgeberin mit 15 Jahren Erfahrung."
Ab jetzt gilt sie für jede folgende Frage - du musst die Rolle nicht in jedem Prompt wiederholen:
Bewerte diese Idee: ein Lieferdienst für regionale Bio-Lebensmittel.
Mit /show system kannst du jederzeit nachsehen, welche Rolle gerade gesetzt ist.
Die vier Perspektiven
Für die Bewertung einer Geschäftsidee haben sich vier Rollen bewährt. Jede deckt andere Schwachstellen auf.
-
Experte
„Du bist Professorin für Entrepreneurship mit Schwerpunkt Lebensmittellogistik."
Fragt nach: Machbarkeit, Fachstandards, bekannten Fehlerquellen
Blinder Fleck: unterschätzt oft die Praxis
-
Investor
„Du bist Business Angel und investierst 50.000-200.000 € in Frühphasen-Startups."
Fragt nach: Marktgröße, Skalierbarkeit, Ausstiegsszenario, Team
Blinder Fleck: ignoriert kleine, aber solide Geschäfte
-
Kunde
„Du bist berufstätiger Vater, 38, zwei Kinder, kaufst bisher im Supermarkt ein."
Fragt nach: Nutzen, Preis, Bequemlichkeit, Vertrauen
Blinder Fleck: denkt nicht wirtschaftlich
-
Konkurrent
„Du bist Geschäftsführerin eines etablierten Lieferdienstes mit 200 Mitarbeitenden."
Fragt nach: Wie greife ich an? Was kopiere ich in drei Wochen?
Blinder Fleck: überschätzt die eigene Position
Der eigentliche Wert liegt im Widerspruch
Interessant wird es dort, wo sich die Rollen widersprechen. Wenn der Investor Skalierung fordert und der Kunde Regionalität schätzt, hast du einen echten Zielkonflikt gefunden - etwas, das dir kein einzelner Prompt geliefert hätte.
Was Rollen können und was nicht
Zheng et al.2 haben 162 verschiedene Rollen systematisch auf Faktenfragen getestet. Ergebnis: Eine Rolle im System-Prompt verbesserte die sachliche Richtigkeit im Mittel nicht. Manche Rollen halfen, andere schadeten - und welche das jeweils war, ließ sich nicht vorhersagen.
Das widerspricht diesem Kapitel nicht, es schärft es:
Nutze Rollen als Perspektivwechsel, nicht als Qualitätsverstärker. Bei Fragen mit einer richtigen Antwort bringt „Du bist Expertin für X" nichts - dort helfen Kontext und Beispiele.
Grenzen der Rolle
Eine Rolle ändert Stil und Fokus - aber sie schafft kein Wissen. Ein Modell, das den Innsbrucker Lebensmittelmarkt nicht kennt, kennt ihn auch als „Expertin für den Innsbrucker Lebensmittelmarkt" nicht. Es klingt dann nur überzeugender falsch.
Rollen erhöhen das Halluzinationsrisiko, weil sie Selbstsicherheit erzeugen. Prüfe Fakten immer nach.
🔬 Ollama-Lab
Alles ab hier drehst du an deiner eigenen Geschäftsidee. Die Beispiele oben im Kapitel zeigen das Verfahren - hier wendest du es an. Terminal auf, ollama run gemma3:1b, los.
Übung 1: Vier Rollen, deine Idee
Formuliere für deine Geschäftsidee vier vollständige Rollen - jeweils mit Funktion, Erfahrung, Haltung und Auftrag:
🎓 Experte · 💰 Investor · 🛒 Kunde · ⚔️ Konkurrent
Schicke jede mit /set system los, /clear zwischen den Rollen. Frage jeweils nach den zwei größten Schwachstellen.
Baue eine Matrix: Zeilen = Rollen, Spalten = genannte Punkte. Markiere die Einzelnennungen - Punkte, die nur eine Rolle sieht. Genau dort liegt der Gewinn; was alle sagen, hättest du auch ohne Rollen bekommen.
| Thema → | Logistik | Preis | Kapital | Zeitersparnis | … |
|----------------|----------|-------|---------|---------------|---|
| Experte | x | | | | |
| Investor | x | | x | | |
| Kunde | | x | | x | |
| Konkurrent | x | x | | | |
Übung 2: Den Zielkonflikt finden
Geh deine Matrix aus Übung 1 durch und suche eine Stelle, an der sich zwei Rollen widersprechen - etwa Investor fordert Skalierung, Kunde schätzt Regionalität.
- Beschreibe den Konflikt in zwei Sätzen. Das ist ein echter Fund: etwas, das dir kein einzelner Prompt geliefert hätte.
- Löse ihn auf. Welcher der beiden Seiten gibst du nach - und was ändert das konkret an deiner Idee? Ein Satz genügt, aber er muss eine Entscheidung enthalten.
- Halte die Änderung fest, im
lab_log.md. In Kritisches Prompting schreibst du deineidee.mdfort - diese Entscheidung gehört dann mit hinein.
Speichere deine vier Rollendefinitionen im lab_log.md unter ## 04 Rollen - zusammen mit deiner Matrix.
Rollen tragen die Vorurteile ihrer Trainingsdaten
Wenn du „Du bist Investor" schreibst, holst du nicht die Investorenperspektive - du holst den statistischen Durchschnitt dessen, was im Internet über Investoren steht: männlich, angelsächsisch geprägt, wachstumsfixiert, zahlengetrieben.
Das ist manchmal genau das, was du willst - und manchmal blendet es aus, was zählt. Probier den Gegentest: Formuliere die Investorenrolle einmal als „Business Angel mit Fokus auf regionale Kreislaufwirtschaft, bewertet Rendite und Wirkung gleichrangig" und vergleiche.
Rollen sind ein Werkzeug zum Perspektivwechsel, keine Quelle für Wahrheit über echte Menschen. Wenn dir eine Rollenantwort verdächtig glatt vorkommt, ist das meist ein Hinweis auf ein Klischee - nicht auf eine Erkenntnis.
🐍 Optional (Python): alle Rollen automatisch durchlaufen
Vier Rollen von Hand durchzuklicken ist machbar. Bei acht Rollen und drei Ideen wird es mühsam:
from llm import frage
IDEE = ("Ein Lieferdienst für regionale Bio-Lebensmittel in Innsbruck. "
"Zwei Gründer, 15.000 € Startkapital, Lieferung per Lastenrad.")
ROLLEN = {
"🎓 Experte": ("Du bist Professorin für Entrepreneurship mit Schwerpunkt "
"Lebensmittellogistik. Du bewertest fachlich und nüchtern."),
"💰 Investor": ("Du bist Business Angel und investierst 50.000-200.000 € in "
"Frühphasen-Startups. Du bist skeptisch und zahlengetrieben."),
"🛒 Kunde": ("Du bist berufstätiger Vater, 38 Jahre, zwei Kinder, kaufst "
"bisher im Supermarkt. Du achtest auf Preis und Zeitersparnis."),
"⚔️ Konkurrent": ("Du bist Geschäftsführerin eines etablierten Lieferdienstes "
"mit 200 Mitarbeitenden. Du willst den Neuling verdrängen."),
}
AUFGABE = ("Nenne aus deiner Perspektive die zwei größten Schwachstellen "
"dieser Idee. Maximal 2 Sätze pro Punkt. Antworte auf Deutsch.")
ergebnisse = {}
for name, rolle in ROLLEN.items():
ergebnisse[name] = frage(f"{IDEE}\n\n{AUFGABE}", system=rolle)
# Wer nennt welches Thema? Einzelnennungen sind die interessanten.
BEGRIFFE = ["Kapital", "Skalier", "Preis", "Zeit", "Logistik", "Wettbewerb"]
print(f"{'Begriff':<14} {'Rollen':<8} Wer?")
print("-" * 60)
for begriff in BEGRIFFE:
nenner = [n for n, t in ergebnisse.items() if begriff.lower() in t.lower()]
marker = "⭐" if len(nenner) == 1 else " "
print(f"{marker}{begriff:<12} {len(nenner)}/4 {', '.join(nenner) or '-'}")
Begriff Rollen Wer?
------------------------------------------------------------
⭐Kapital 1/4 💰 Investor
⭐Skalier 1/4 💰 Investor
Preis 2/4 🛒 Kunde, ⚔️ Konkurrent
⭐Zeit 1/4 🛒 Kunde
Logistik 3/4 🎓 Experte, 💰 Investor, ⚔️ Konkurrent
Wettbewerb 2/4 🎓 Experte, ⚔️ Konkurrent
Der Stern markiert Themen, die nur eine einzige Rolle anspricht - genau dort steckt der Mehrwert. „Logistik" nennen drei von vier Rollen; das hättest du auch ohne Rollen bekommen.
Quellen
Zur Ausarbeitung wurden generative Tools unterstützend eingesetzt.
-
M. Shanahan, K. McDonell, and L. Reynolds, "Role play with large language models," Nature, vol. 623, pp. 493-498, 2023, doi: 10.1038/s41586-023-06647-8. ↩
-
M. Zheng, J. Pei, L. Logeswaran, et al., "When 'a helpful assistant' is not really helpful: Personas in system prompts do not improve performances of large language models," arXiv:2311.10054, 2023. ↩