In der heutigen schnelllebigen Welt der Technologie sind künstliche Intelligenz und maschinelles Lernen zu den wichtigsten Innovationsmotoren avanciert. Besonders die Erstellung und Anwendung großer Sprachmodelle (LLMs) revolutioniert zahlreiche Branchen und eröffnet neue Geschäftsmöglichkeiten. Brad Menezes, CEO des auf Unternehmenssoftware spezialisierten Startups Superblocks, teilt seine einzigartige Sichtweise darauf, wie man dank der Analyse von sogenannten Systemprompts in der KI-Branche eine potenzielle Einhorn-Idee findet. Diese Einsichten sind für Gründer, Investoren und Technikbegeisterte gleichermaßen wertvoll, da sie verdeutlichen, wie die Details in diesen Ausführungen an KI-Modelle entscheidend neue Produkte und Lösungen formen können. Systemprompts sind lange und sehr spezifizierte Texte, die an generative KI-Modelle wie die von OpenAI oder Anthropic übermittelt werden.
Diese Prompts legen fest, wie das Modell sich verhalten soll, welche Aufgaben es erfüllen muss und welche Parameter zu beachten sind. Obwohl KI-Tools wie ChatGPT heutzutage Berichte, Codes oder Marketingtexte generieren, liegen hinter all diesen Anwendungen komplexe Anweisungen – eben jene Systemprompts –, die genau definieren, wie das KI-Modell die Eingaben verarbeitet und die Ausgaben gestaltet. Brad Menezes beschreibt diese Systemprompts als eine Art „Meisterklasse“ im Prompt-Engineering. Jedes Start-up, das sich auf den Einsatz solcher KI-Modelle stützt, verfasst individuelle und hochspezifische Systemprompts. Diese reichen oft von 5.
000 bis 6.000 Wörtern und sind essenziell, um das KI-Modell in den jeweiligen Anwendungsfall optimal einzubinden. Die cleveren Unterschiede zwischen den einzelnen Systemprompts geben wertvolle Hinweise darauf, wie Unternehmen künstliche Intelligenz für ihre speziellen Zwecke maßschneidern. Ein zentraler Punkt, den Menezes betont, ist, dass das Systemprompt nur etwa 20 Prozent des Erfolgs ausmacht. Den größten Anteil – ungefähr 80 Prozent – hat das, was er „Prompt-Enrichment“ nennt.
Dabei geht es um die Infrastruktur und die Zusatzlogik rund um die Abfragen an das KI-Modell. Diese Schicht umfasst das Anreichern von Nutzereingaben mit zusätzlichen Informationen, Anweisungen zur Validierung der Antworten und Mechanismen, die beispielsweise auf Genauigkeit oder Sicherheit prüfen. Somit versteht man, dass die bloße Formulierung des Prompts nicht ausreicht, um ein Produkt zu schaffen, das tatsächlich Werte für den Endkunden schafft. Brad Menezes rät daher dazu, beim Studium von Systemprompts nicht nur den Text selbst genau zu analysieren, sondern auch das Umfeld, die technische Einbettung und die automatisierten Abläufe, die das Modell unterstützen. Dieses Gesamtbild zeigt, wie Start-ups komplexe Geschäftsprozesse mit KI automatisieren, absichern und optimieren.
Eine weitere nützliche Unterscheidung in den Systemprompts ist laut Menezes das Zusammenspiel von drei wesentlichen Komponenten: der Rollenprompting, dem Kontextprompting und der Werkzeugnutzung. Rollenprompting sorgt dafür, dass die KI einen definierten Charakter oder eine bestimmte Funktion einnimmt. Das ist wichtig, denn das KI-Modell soll kein allgemeiner Chatbot sein, sondern beispielsweise ein hochqualifizierter Softwareentwickler, ein erfahrener Support-Agent oder ein Finanzanalyst. So setzt Cursor in seinen Anweisungen zum Beispiel fest, dass das Modell nur dann Tools aufruft, wenn es wirklich nötig ist, und bestimmte Informationen vor dem Nutzer verborgen bleiben müssen, um Ablenkungen oder Verwirrung zu vermeiden. Diese Klarheit und Präzision sind entscheidend, um qualitativ hochwertige Ergebnisse zu generieren.
Kontextprompting versorgt die Künstliche Intelligenz mit nötigen Informationen über die Aufgabe, Einschränkungen und Umgebungsbedingungen. Dies schließt Sicherheitsvorgaben, Kosteneffizienz oder das Verhindern von Endlosschleifen ein. Ein prominentes Beispiel hierfür ist der Hinweis, „nur bis zu drei Korrekturdurchläufe an Code vorzunehmen“, um Ressourcen zu schonen und dennoch präzise Fehlerbehebung zu gewährleisten. Der dritte Bereich ist die Werkzeugnutzung. Moderne KI-Modelle sind nicht nur Textgeneratoren, sondern interagieren auch mit realen Werkzeugen.
Sei es das Abfragen einer Datenbank, das Ausführen von Shell-Kommandos oder das Installieren von Programmierbibliotheken – all diese Aufgaben lassen sich über Schnittstellen steuern. Das erlaubt es dem Modell, Agenten zu bilden, die weit über einfache Textantworten hinausgehen und komplexe Automatisierungen ermöglichen. Brad Menezes hebt hervor, dass der Vergleich verschiedener Systemprompts von führenden KI-Projekten aufschlussreiche Trends erkennen lässt. So fokussieren manche Start-ups wie Loveable oder Bolt auf blitzschnelle Iterationen, wohingegen andere Firmen wie Manus, Devin oder Replit den Schwerpunkt auf die Erstellung vollständiger, jedoch noch roher Software-Codebasen legen. Dieses Wissen half Superblocks dabei, eine eigene Nische zu finden: Tools zu entwickeln, die sogenannten „Nicht-Programmierern“ die Möglichkeit geben, eigene Anwendungen zu erstellen – inklusive der notwendigen Sicherheitsvorkehrungen und der Integration in Unternehmensdatenquellen wie Salesforce.
Superblocks selbst verfolgt einen innovativen Ansatz namens „Vibe-Coding”. Dabei steht der Gedanke im Vordergrund, dass nicht nur Entwickler Software erstellen sollten, sondern auch fachfremde Mitarbeiter in Unternehmen befähigt werden, interne Werkzeuge und Automatisierungen zu schaffen. Brad Menezes berichtet, dass bei Superblocks die Softwareingenieure überhaupt keine internen Tools programmieren dürfen. Stattdessen bauen sie die Kernprodukte, während die Business-Abteilungen mit KI-Agenten ihre eigenen Lösungen konfigurieren. So entsteht eine neue, agile Art der Softwareentwicklung, die sowohl Ressourcen schont als auch die Abhängigkeit von gekauften Lösungen reduziert.
Das Startup konnte bereits namhafte Kunden wie Instacart und Papaya Global gewinnen. Der Erfolg von Superblocks beweist, dass der Weg über das tiefgreifende Verständnis von Systemprompts und die intelligenten Erweiterungen um diese herum Geschäftsprozesse effektiv transformieren kann. Außerdem zeigt es, wie man durch das genaue Studium bestehender KI-Anwendungen eigene innovative Produkte entwickelt, die den Bedürfnissen des Marktes exakt entsprechen. Interessanterweise stellt Menezes den Gedanken zur Verfügung, dass Systemprompts nicht unbedingt Geheimnisse sind. Kunden können durchaus bei vielen KI-Tools erfragen, wie deren Systemprompts gestaltet sind.
Dennoch sind diese oft nicht öffentlich leicht zugänglich, weshalb das Teilen solcher „Best Practices“ ein wichtiger Schritt in der Community sein kann, um das Wissen zu verbreiten und neue Innovationen anzustoßen. Der viral gegangene Tweet von Menezes, in dem er 19 Systemprompts von beliebten KI-Coding-Produkten präsentierte, wurde von zahlreichen Tech-Größen und Investoren in der Silicon Valley-Szene gesehen und diskutiert. Das unterstreicht, welch großes Interesse und Potenzial das Thema Systemprompts im Ökosystem hat. Auch seine jüngste Finanzierungsrunde in Höhe von $23 Millionen als Series A Erweiterung reflektiert das Vertrauen in die Vision von Superblocks. Zusammenfassend lässt sich sagen, dass ein differenziertes Studium von Systemprompts und deren begleitender Infrastruktur eine unschätzbare Inspirationsquelle für Gründer ist, die weltweit nach der nächsten großen „Unicorn“-Idee suchen.
Brad Menezes macht deutlich, dass es dabei nicht nur um die technische Umsetzung geht, sondern auch um das Verständnis, wie man durch kluge Rollenverteilung, kontextuelle Eingrenzungen und effiziente Werkzeuge echte Mehrwerte schafft. Für Unternehmer und Entwicklungsteams ist es deshalb essenziell, nicht nur auf die Oberfläche der KI-Modelle zu schauen, sondern tief in deren Einsatzmechanismen einzutauchen – dort sind Innovationen versteckt, die die Zukunft prägen werden. In einer Ära, in der immer mehr Unternehmen auf KI setzen, wird das differenzierte Wissen über Systemprompts, deren Gestaltung und Einsatzmethoden ein entscheidender Wettbewerbsvorteil. Wer es schafft, dieses Wissen für sein eigenes Geschäftsmodell anzupassen und mit ergänzenden Technologielösungen zu verbinden, hat gute Chancen, die nächste disruptive Plattform zu schaffen und somit ein Einhorn-Unternehmen zu etablieren.
