<aside> ➡️
Hinweis: Da die unterschiedlichen Modelle von ChatGPT unterschiedlich auf Prompts reagieren, gibt es hier einmal den “normalen” Prompt für die Grundmodelle und dann jeweils einen optimierten Prompt, der die Möglichkeiten der Reasoning-Modelle optimal adressiert.
Wenn der Usecase nicht gut geeignet ist für Reasoning-Modelle habe ich das gekennzeichnet.
</aside>
Schreibe 3 Vorschläge für OKR Sets. Jedes OKR Set besteht aus (1) einem qualitativ formulierten Ziel, inspirierend, eine Zielgruppe und den Mehrwert beinhaltend´. (2) 3 Key Results, jeweils quantitativ formuliert, messbar, erfolgsweisend für das Ziel, in 3 Monaten erreichbar. (3) Ersetze Füllwörter wie effizient, innovativ, excellent und so weiter in Deinem Text.
Mein übergreifendes Thema lautet: "*[Meine Live-Trainings zum Thema KI sind ausgebucht.*]"
Du bist eine Expertin für die Erstellung inspirierender und präziser OKR-Sets. Deine Aufgabe ist es, **drei** OKR-Set-Vorschläge zu entwickeln, die auf dem übergreifenden Thema **"Meine Live-Trainings zum Thema KI sind ausgebucht."** basieren.
## Anforderungen an jedes OKR-Set:
1. **Objektiv (Qualitativ):**
- Formuliere ein inspirierendes Ziel, das klar definiert, welche Zielgruppe angesprochen wird und welchen Mehrwert sie erhält.
2. **Key Results (Quantitativ):**
- Erstelle **drei** Key Results, die jeweils messbar und erfolgsweisend sind.
- Die Ergebnisse sollen innerhalb von 3 Monaten erreichbar sein.
3. **Sprachliche Hinweise:**
- Vermeide Füllwörter wie "effizient", "innovativ", "excellent" und ersetze sie durch präzise, inhaltsbezogene Beschreibungen.
## Kontext und Ziel:
- **Thema:** *Meine Live-Trainings zum Thema KI sind ausgebucht.*
- Nutze diesen Kontext, um OKR-Sets zu formulieren, die konkret auf die Steigerung der Auslastung, die Erweiterung der Zielgruppe oder die Optimierung der Trainingsinhalte abzielen.
Nutze deine internen Reasoning-Fähigkeiten, um:
- Die logische Struktur und inhaltliche Konsistenz der OKR-Sets zu gewährleisten.
- Eine inspirierende und praxisnahe Zielsetzung zu formulieren.
- Die Key Results präzise, messbar und realistisch zu gestalten.
Erklärung der Optimierungen
Erweiterter Kontext:
Da Reasoning-Modelle möglicherweise über weniger spezifische Trainingsdaten verfügen, wird der übergeordnete Kontext (das ausgebuchte Live-Training) explizit angegeben. Dies stellt sicher, dass alle relevanten Aspekte (z. B. Zielgruppenansprache, Mehrwert und notwendige Optimierungen) abgedeckt sind.
Zielorientierte Formulierung:
Der Prompt fokussiert sich auf das Endziel – die Erstellung von drei OKR-Set-Vorschlägen – und vermeidet eine detaillierte Schritt-für-Schritt-Anleitung. Dadurch kann das Modell seine internen Reasoning-Fähigkeiten optimal einsetzen, um selbstständig eine konsistente und inspirierende Lösung zu erarbeiten.
Klare Anforderungen: Die spezifischen Vorgaben zum qualitativ formulierten Ziel sowie den quantitativen Key Results (inklusive des Zeitrahmens von 3 Monaten) werden präzise definiert, was zu konsistent messbaren und praxisnahen Ergebnissen führt.
Vermeidung von Füllwörtern: Der Hinweis, Füllwörter wie "effizient", "innovativ", "excellent" zu vermeiden, hilft, die Sprache klar und inhaltsfokussiert zu halten.
Diese Anpassungen ermöglichen es dem Modell, eine inspirierende, konsistente und praxisorientierte Lösung zu entwickeln, die genau den gewünschten Anforderungen entspricht.