“Prompten” – Legal Prompt Engineering als Handwerk des digitalen Juristen

Man stelle sich einen hochbegabten Assistenten vor – belesen, unermüdlich, schnell. Doch dieser Assistent versteht nur, was man ihm in klaren, sorgfältig formulierten Sätzen sagt. Willkommen in der Welt der Künstlichen Intelligenz, die längst nicht mehr nur ein Thema für Tech-Enthusiasten ist, sondern sich ihren festen Platz im juristischen Alltag erobert hat. Doch anders als manch digitaler Mythos suggeriert, spricht die KI nicht unsere Sprache – sie spricht Prompt. Und sie antwortet nur dann überzeugend, wenn sie zuvor präzise gefragt wird.

Hier beginnt das Feld des Legal Prompt Engineering – jener Kunstfertigkeit, bei der aus bloßen Texteingaben strukturierte juristische Denkarbeit wird. Ob es darum geht, eine AGB-Klausel nach § 307 BGB auf Unangemessenheit zu prüfen, ein Gutachten zur Anfechtung nach § 119 BGB zu strukturieren oder Laien das Widerrufsrecht aus § 355 BGB verständlich zu erklären: Wer KI für Juristen gewinnbringend einsetzen will, muss Prompt Engineering beherrschen – oder es sich wie einen neuen Fremdsprachenakzent aneignen.

Denn die wahre Kunst im “Prompten” der KI liegt nicht im technischen Know-how, sondern im juristischen Feingefühl: ChatGPT ist im juristischen Kontext kein Orakel, sondern ein Spiegel dessen, wie klar und kontextreich wir fragen. Und genau das ist der Unterschied zwischen austauschbaren Textmodulen und echter Unterstützung im KI Recht.

Dieser Beitrag erklärt, wie das gezielte Prompten KI im juristischen Alltag revolutioniert und warum Legal Prompt Engineering zur Schlüsselkompetenz moderner Jurist:innen wird.

I. Technische Erklärung: Wie Large Language Models juristische Anfragen verarbeiten

Wer annimmt, ChatGPT treffe Entscheidungen im juristischen Sinne, unterliegt einem doppelten Irrtum – einem semantischen und einem systemischen. Denn die Verwendung von KI für Juristen bedeutet nicht, dass ein Modell wie GPT-4 denkt oder gar urteilt. Es „versteht“ nicht im menschlichen Sinne – es berechnet Wahrscheinlichkeiten, mit welcher Wahrscheinlichkeit auf ein bestimmtes Wort oder Token das nächste folgt.

1. Statistische Sprachmodellierung

Im Zentrum steht das Prinzip der statistischen Sprachmodellierung:

Auf die Eingabe „Das BGB regelt …“ folgt mit hoher Wahrscheinlichkeit „… das Privatrecht in Deutschland.“ – nicht weil die KI den Inhalt kennt, sondern weil sie ihn in Milliarden Texten so gesehen hat. Diese Fähigkeit zur Mustererkennung ist das Ergebnis einer komplexen Trainingsphase: Large Language Models (LLMs) wie GPT-4 wurden mit gewaltigen Textkorpora „gefüttert“ und haben dabei statistische Beziehungen zwischen Begriffen erlernt.

Das geschieht mathematisch über die Optimierung sogenannter Loss-Funktionen, mit denen das Modell misst, wie nah seine Token-Vorhersage an der tatsächlichen Antwort liegt. ^{1 2}

Herzstück dieser Modelle ist die sogenannte Transformer-Architektur – genauer: der Mechanismus der Self-Attention ³ Dieser erlaubt es dem Modell, auch über längere Distanzen hinweg grammatikalische und semantische Bezüge herzustellen – etwa Subjekt und Prädikat in einem Gutachtenstil über mehrere Absätze hinweg.

2. Tokens

Bevor ein Modell antworten kann, muss Sprache in Einheiten zerlegt werden: Tokens.

Das können Wortteile wie „Schmer“, „zens“, „geld“ und „tabelle“  (Schmerzensgeldtabelle) sein – aber auch Zahlen oder Satzzeichen. Die Art der Tokenisierung beeinflusst maßgeblich, wie Prompten KI überhaupt „versteht“, was gemeint ist.

Wenn ein Prompt ausgeführt wird, beginnt die sogenannte Inference: Das Modell wählt die wahrscheinlichsten nächsten Tokens – je nach Verfahren konservativ (sog. Greedy Decoding), flexibel (sog. Top-k Sampling) oder kreativ (via Temperature-Parameter). Doch auch in diesem Stadium gilt: Keine Bedeutung, nur Berechnung. ⁴

II. Guidelines für das präzise “Prompten” mit KI

Wenn man KI im juristischen Umfeld einsetzen will, braucht man mehr als ein Grundverständnis von künstlicher Intelligenz. Entscheidend ist, wie man das Modell anleitet. Genau hier setzt das sogenannte Legal Prompt Engineering an: eine Methode, bei der juristische Fachsprache, Rollenverständnis, Zielsetzung und Kontext gezielt kombiniert werden, um strukturierte und verwertbare Ergebnisse zu erzielen.

Doch was macht ein gutes Prompt im juristischen Bereich eigentlich aus – und wie gelingt es, aus einem statistischen Sprachmodell ein brauchbares Hilfsmittel für die Fallbearbeitung zu machen? ⁵

III. Prompten KI in der Praxis: Vom Klauselcheck bis zur klaren Kommunikation

Als juristische Werkzeugkunst verstanden, wird „Prompten“ KI zu einem methodisch vielseitigen Instrument jenseits technischer Spielerei. Doch was heißt das konkret? Hier einige Szenen aus der Praxis:

Mandantenkommunikation

Fallstrukturierung

Vertragliche Kontrolle

„Erkläre die Schadenminderungspflicht im BGB für einen Laien in verständlicher Sprache.“ – Was früher mehrere Minuten sorgfältiger Erklärung erforderte, gelingt dank gezieltem “Prompten” der KI nun in einem Bruchteil der Zeit. Eine präzise Auskunft kann erheblich zur effizienten Beratung von Mandanten beitragen.

„Erstelle eine Lösungsskizze im Gutachtenstil zur Anfechtung gemäß §§ 119 ff. BGB.“ – hiermit kann die KI eine erste Gliederung mit Obersätzen, Definitionen und Prüfungsreihenfolgen geben, welche dann als strukturelles Grundgerüst genutzt werden kann. Sowohl für Studierende als auch für Rechtsanwält:innen kann dies als wertvoller Einstieg in juristische Denkprozesse dienen.

„Bitte prüfe diesen Entwurf auf einseitig benachteiligende AGB nach § 307 BGB.“ – Mit diesem Prompt lässt sich die KI zu einem digitalen Erstprüfer machen. Sie kann potenziell unwirksame Klauseln benennen und auf  juristische Schwachstellen hinweisen, sowie alternative  Formulierungsvorschläge unterbreiten.

Juristen, die über grundlegende Kenntnisse im Legal Prompt Engineering verfügen, sparen Zeit, strukturieren Argumente besser – und gewinnen Klarheit im Kommunikationsprozess. ⁹ ; ¹⁰

IV. “Prompten” der KI mit Maß: Chancen und Grenzen

Wenn man jetzt aber meint, die KI für Juristen wäre fähig in Echtzeit Recht zu sprechen, verkennt ihre Funktionsweise grundlegend. Denn was auf den ersten Blick wie juristisches Denken wirkt, ist in Wahrheit statistisches Raten. ChatGPT kennt keine Rechtsfortbildung, keine Meinungsstreite, keine methodisch geleitete Subsumtion – es berechnet Wahrscheinlichkeiten. Und so entstehen Antworten, die zwar sprachlich glänzen, inhaltlich aber entgleiten können. Mal fehlen aktuelle Urteile, mal werden Absätze erfunden, die es nie in ein Gesetz geschafft haben. Nicht selten zitiert die KI aus dem Reich der Imagination – elegant, aber irreführend. Wer also KI ohne juristischen Verstand und Augenmaß  “promptet” wird schnell zum Opfer der eigenen Erwartungen.

Gerade deshalb verlangt “Prompten” der KI nach Maß – nicht nur in der Formulierung, sondern auch in der Verantwortung. Denn der glänzend formulierte Irrtum bleibt ein Irrtum. Rechtliche Sorgfaltspflichten enden nicht am Bildschirmrand. Wer etwa sensible Mandatsdaten ohne Absicherung in öffentlich zugängliche Modelle einspeist, verletzt nicht nur die DSGVO, sondern riskiert auch die anwaltliche Verschwiegenheitspflicht. Und wo generative KI im Ergebnis irrt – etwa durch ein halluziniertes Urteil oder eine falsch subsumierte Norm – haftet am Ende nicht der Algorithmus, sondern der Mensch.

Legal Prompt Engineering ist daher mehr als Technik: Es ist juristische Integrationsarbeit. Und sie beginnt mit der Erkenntnis, dass Verstehen nicht simuliert werden kann – Verantwortung hingegen schon.

V. Fazit: Juristische Präzision in digitaler Sprache

“Prompten” heißt nicht raten lassen, sondern gezielt führen. Erst durch Legal Prompt Engineering wird aus einem Sprachmodell wie etwa ChatGPT ein nützliches Werkzeug für die juristische Praxis. Denn wer präzise fragt, erhält strukturierte rechtlich verwertbare Antworten. Die Verantwortung bleibt aber letztlich menschlich denn KI kann unterstützen, aber nicht urteilen.

Nur wer rechtlich denkt und sorgfältig “promptet” nutzt KI sinnvoll – und vermeidet, dass Eleganz zum Irrtum wird.

Quellen: