Du sitzt im Jahr 2015 vor deinem Laptop und sollst eine Website gestalten. Das CSS will nicht so, wie du es dir vorstellst. Die Grundlagen kennst du, aber bei Flexbox oder speziellen Selektoren bist du aufgeschmissen. Also fragst du einen Kollegen oder hoffst, dass jemand im Internet dein Problem schon gelöst hat. Heute tippst du die Frage in einen Chat ein und bekommst in Sekunden eine Antwort, die zumindest funktioniert. Große Sprachmodelle machen aus jedem einen Generalisten. Deshalb glauben viele, der Umgang mit ihnen erfordere keinerlei Können. Das ist ein Irrtum – mit Folgen.
Der Softwareentwickler Sean Goedecke behandelt in einem Blogbeitrag ein Thema, das viele betrifft: die Rolle von Expertenwissen im Umgang mit LLMs. Der Autor argumentiert, dass die wichtigste Fähigkeit beim Prompting nicht die Beherrschung raffinierter Befehlstechniken ist, sondern die Vertrautheit mit dem Fachgebiet. Wer das ignoriert, lässt viel von dem Potenzial ungenutzt, das in diesen Modellen steckt.
Die Illusion der gleichwertigen Ergebnisse
Es ist verlockend zu glauben, dass alle mit denselben Modellen dieselben Ergebnisse erzielen. Schließlich sprechen wir alle mit demselben ChatGPT, derselben API, denselben Parametern. Ein Neuling bekommt eine Antwort auf eine Frage zur Quantenphysik. Ein Nobelpreisträger bekommt auch eine Antwort. Sind die Antworten gleich? Mitnichten. Genau hier setzt die zentrale Beobachtung des Artikels an.
Als Beispiel dient eine Konversation zwischen dem Mathematiker Terence Tao und ChatGPT. Tao, Träger der Fields-Medaille, sprach kürzlich mit dem Modell über ein neu entdecktes Gegenbeispiel zur Jacobi’schen Vermutung. Der Autor stellt fest: Das ist nicht dasselbe ChatGPT, mit dem wir sprechen. Selbst mit unbegrenzten Token-Reserven käme er nicht auf das Niveau, das Tao erreicht. Warum? Weil Tao nicht nur promptet, sondern weil er die Mathematik versteht.
Das widerspricht der Annahme, Prompting sei eine eigenständige, inhaltsleere Fähigkeit. Manche glauben an „Prompt-Alchemie“: bestimmte Zauberwörter, die das Modell zu besseren Antworten bringen. Die Realität ist profaner. Ein LLM ist kein Orakel, sondern ein hochkomplexer Spiegel, der zurückwirft, was wir hineinlegen. Dazu gehört nicht nur der Wortlaut unserer Fragen, sondern auch die implizite Expertise dahinter.
Was wir aus Taos Gespräch lernen können
Der Artikel analysiert Taos Vorgehen und extrahiert Muster, die wie Prompting-Tricks wirken mögen, aber Ausdruck von Fachwissen sind. Taos Nachrichten sind kurz und präzise. Er antwortet nicht Punkt für Punkt auf die Ausgaben des Modells, sondern nur auf den Kern. Seine Formulierungen signalisieren, dass er keine Einführung braucht. Das Modell schaltet dadurch in einen Modus, den man „Gespräch unter Mathematikern“ nennen könnte – nicht „Erklärung für Laien“.
Ein weiteres Muster: Tao widerspricht, wenn die Antwort falsch erscheint, aber indirekt. Er sagt nicht „das ist falsch“, sondern formuliert Sätze wie „das sieht komplexer aus, als ich gehofft hatte“. Das ist keine Höflichkeitsfloskel, sondern eine fachliche Einschätzung. Er erkennt, dass die vorgeschlagene Richtung unnötig verworren ist, und lenkt das Gespräch behutsam um. Tao macht selbst Sprünge und Vorschläge. Er übernimmt fast nie den nächsten Schritt, den das Modell vorschlägt, sondern nutzt die Antworten als Rohmaterial für eigene Überlegungen.
Der entscheidende Punkt: Diese Techniken funktionieren nur, wenn man die Materie versteht. Man kann Taos Stil nachahmen, aber ohne mathematisches Verständnis wird man nicht die relevante Idee aus einem mehrteiligen Antwortabsatz herausziehen, alternative Ansätze erkennen oder beurteilen, was „seltsam aussieht“. Der Autor bringt es auf den Punkt: Tao ist ein besserer Mathematiker, als der Autor ein Programmierer ist. Das Prinzip – Domänenwissen macht dich besser im Umgang mit LLMs – gilt auch im normalen Arbeitsalltag.
Die eigene Erfahrung des Autors
Der Artikel wechselt zur konkreten Erfahrung. Der Autor arbeitet bei GitHub und kennt die Systeme, für die er verantwortlich ist, in- und auswendig. Wenn er mit einem LLM über eine Codebase spricht, kann er das Modell härter fordern als jemand ohne diese Vertrautheit. Er kann sagen: „Nein, ich denke, hier könnte es einfacher gehen“, oder „Machen wir nicht schon X?“, oder „Können wir das Problem in diesen bekannten Begriffen ausdrücken?“ Diese Fragen entstehen nicht aus einem allgemeinen Verständnis von Softwarearchitektur, sondern aus der Kenntnis konkreter Details in der Codebase.
Diese Einsicht erinnert an eine Idee, die der Autor früher formuliert hat: Systemdesign-Probleme werden von konkreten Spezifika dominiert, nicht von generischen Prinzipien. Beides ist nützlich, aber im Zweifel ist ihm die Vertrautheit mit der Codebase lieber als eine tiefe, allgemeine Theorie softwaresysteme. In Taos Gespräch zeigt sich dasselbe Muster. Tao stellt sehr spezifische Fragen wie „Funktioniert X hier?“ oder „Gegeben Y und Z, warum A?“ Der Autor kann diese Fragen nicht zur Jacobi’schen Vermutung stellen, aber zu den Systemen, die er selbst besitzt.
Das ist ein wichtiger Punkt für alle, die glauben, die Arbeit mit LLMs sei reine Technik. Die Technik ist trivial. Das Wissen ist das Schwere. Wer keine Domänenkenntnis hat, kann sich an das LLM klammern, um wenigstens irgendetwas zu bekommen. Das ist nicht schlecht. Besser als nichts. Aber wer das Fachgebiet versteht, holt aus demselben Modell deutlich mehr Wert heraus, indem er es entschlossen in die gewünschte Richtung steuert.
Mischung aus beidem – und die Zukunft
Die meisten von uns sind in einigen Bereichen Experten und in anderen Laien. Ein Programmierer versteht sich auf Code, aber vielleicht nicht auf Rechtsmedizin. Eine Ärztin versteht sich auf Diagnosen, aber vielleicht nicht auf Datenbankadministration. Im Umgang mit LLMs wechseln wir ständig zwischen diesen Rollen. Mal drücken wir das Modell hart in die Richtung, die wir uns vorstellen, mal lassen wir uns treiben, weil wir nicht genug wissen, um die Antwort zu beurteilen.
Diese Mischung ist kein Mangel, sondern Realität. Sie führt zu einer Frage, die viele umtreibt: Wird unsere Expertise überflüssig, wenn die Modelle immer besser werden? Der Artikel liefert ein Gegenargument. Die Nützlichkeit von Domänenwissen deutet darauf hin, dass menschliche Expertise auch dann wertvoll bleibt, wenn Modelle stärker werden. Bei vielen Aufgaben ist der Mensch der Engpass, nicht das Modell. Der schwierige Teil liegt darin, dem Modell genau zu vermitteln, welche Art von Lösung man möchte. Die Information steckt bereits im Modell, aber es braucht einen sehr intelligenten Menschen, um sie herauszukitzeln.
Das klingt beruhigend für alle, die sich mit ihrem Fachwissen identifizieren. Aber der Autor sieht die Grenzen dieser Beruhigung. Nach seinem Beitrag gab es auf Hacker News eine lebhafte Diskussion. Einige Kommentatoren teilten Anekdoten darüber, wie Expertise geholfen hat und wie ihr Fehlen geschadet hat. Andere zeigten gesunde Skepsis gegenüber einer Sichtweise, die einen beruhigt, weil sie bestätigt, dass man selbst noch wertvoll ist. Der Autor stimmt dieser Skepsis zu, vermutet aber, dass sich die Lage bis zu einer wissenschaftlichen Untersuchung des Phänomens wieder grundlegend verändert haben wird.
Eine weitere Kritik lautete, die von OpenAI veröffentlichten Mathe-Prompts seien unprofessionell gewesen, und man brauche keine Expertise, um mit LLMs gute Ergebnisse zu erzielen. Der Autor antwortet mit einem wichtigen Hinweis: OpenAI hat ein Team von Expertenmathematikern, die die vorgeschlagenen Entdeckungen des Modells überprüft und gefiltert haben. Dieser Schritt lässt sich nicht überspringen. Man kann nicht einfach auf den Prompt verzichten, ohne die Qualitätskontrolle zu verlieren. Die Expertise steckt nicht nur im Prompt, sondern auch in der nachgelagerten Beurteilung.
Fachbegriffe ohne Wörterbuch
Um die Bedeutung dieser Erkenntnis zu verstehen, lohnt ein Blick auf die Mechanik von Sprachmodellen. Ein LLM ist ein Wahrscheinlichkeitssystem, das auf der Grundlage von Mustern aus riesigen Textmengen Wörter vorhersagt. Es speichert kein explizites Faktenwissen, sondern formt statistische Beziehungen zwischen Begriffen. Wenn ein Experte eine Frage stellt, enthält sie oft implizite Annahmen und Einschränkungen, die das Modell in einen bestimmten Lösungsraum führen. Ein Laie stellt die Frage offener, und das Modell wählt den wahrscheinlichsten, aber nicht unbedingt besten Pfad.
Man kann sich das wie einen Reiseführer vorstellen. Fragst du: „Was kann ich in Rom machen?“, bekommst du eine Liste mit Sehenswürdigkeiten. Fragst du als Kunsthistoriker: „Was ist die ikonografische Bedeutung der Fresken in der Sixtinischen Kapelle im Vergleich zu denen in der Brancacci-Kapelle?“, bekommst du eine Antwort auf einem ganz anderen Niveau. Der Reiseführer ist nicht dümmer geworden. Die Frage setzt einen Rahmen, der das Gespräch lenkt. So ähnlich funktioniert das mit LLMs.
Das hat praktische Auswirkungen. Wer bessere Antworten möchte, sollte nicht nach „besseren Prompts“ suchen, sondern nach mehr Verständnis des Fachgebiets. Das heißt nicht, dass man ein Studium absolvieren muss, bevor man ein LLM benutzt. Aber man sollte sich bewusst sein, wo die eigenen Wissenslücken liegen. Und man sollte die Antworten des Modells nicht als Wahrheit, sondern als Vorschlag betrachten, den man einordnen muss.
Was das konkret für dich bedeutet
Die Fähigkeit, mit LLMs zu arbeiten, lernt man nicht in einem Kurs. Sie wächst mit dem eigenen Fachwissen. Das ist eine gute Nachricht für alle, die bereits Experten in einem Bereich sind. Sie haben einen Vorsprung, den sie nutzen können, indem sie das LLM als Gesprächspartner auf Augenhöhe behandeln – nicht als Autorität, sondern als Werkzeug, das man mit präzisen Fragen steuert.
Für alle anderen bedeutet es: Wer sich in einem neuen Feld zurechtfinden möchte, kann LLMs als Sprungbrett nutzen. Aber man sollte sich nicht darauf verlassen, dass die Antworten immer korrekt oder angemessen sind. Das Modell hilft dir, die Grundlagen zu verstehen, aber es sagt dir nicht, wo die feinen Nuancen liegen, die einen Experten ausmachen. Diese Nuancen sind es, die in der Interaktion den Unterschied machen. Und genau diese Nuancen werden auch in Zukunft schwer zu automatisieren sein.
Die Erkenntnis ist einfach: LLMs belohnen Expertise, weil Expertise die wahre Promptsyntax ist. Die besten Fragen sind nicht die mit den ausgefeiltesten Formulierungen, sondern die mit dem tiefsten Verständnis. Wer das verinnerlicht, holt aus jedem Sprachmodell mehr heraus – unabhängig davon, wie sich die Technologie entwickelt. Die Fähigkeit, die richtigen Fragen zu stellen, bleibt eine menschliche Kunst.
Quelle: seangoedecke.com
