Juristische Arbeit lebt von Präzision – in der Sprache, in der Argumentation, im Denken. Genau diese Eigenschaft entscheidet auch darüber, ob der Einsatz Künstlicher Intelligenz im Rechtsbereich gelingt oder scheitert. Denn KI-Systeme wie ChatGPT sind keine autonomen Rechtsberater, die Sachverhalte eigenständig erfassen und bewerten. Sie sind Werkzeuge – leistungsstark, aber stumm gegenüber allem, was nicht klar formuliert vor ihnen liegt.

Was die KI zurückgibt, ist stets ein Echo dessen, was sie erhalten hat. Eine unpräzise Frage erzeugt eine unpräzise Antwort; ein durchdachter, kontextreicher Prompt hingegen kann erstaunlich strukturierte und rechtlich verwertbare Ergebnisse (oder zumindest juristisch anschlussfähige Arbeitsergebnisse) hervorbringen. Diese Erkenntnis hat einen eigenen Fachbegriff hervorgebracht: Legal Prompt Engineering – die Fähigkeit, KI-Anfragen so zu gestalten, dass sie juristische Denkarbeit nicht ersetzen, sondern sinnvoll ergänzen.

Die Bandbreite möglicher Anwendungen ist erheblich. Ob eine AGB-Klausel nach § 307 BGB auf ihre Wirksamkeit hin zu überprüfen ist, ein Gutachten zur Anfechtung nach §§ 119 ff. BGB strukturiert werden soll oder einem Mandanten das Widerrufsrecht aus § 355 BGB in verständlicher Sprache erklärt werden muss – in jedem dieser Fälle steht und fällt der Nutzen der KI mit der Qualität der Eingabe. Technisches Know-how ist dabei zweitrangig; juristisches Urteilsvermögen und sprachliches Feingefühl sind es, die den Unterschied machen.

Der vorliegende Beitrag zeigt, welche Methoden und Prinzipien hinter wirkungsvollem Legal Prompt Engineering stehen – und warum diese Kompetenz für Juristinnen und Juristen zunehmend unverzichtbar wird.

I. Technische Grundlagen

Wie verarbeiten Large Language Models juristische Anfragen?

Ein verbreitetes Missverständnis im Umgang mit KI-Sprachmodellen ist die Annahme, Systeme wie ChatGPT würden Rechtsfragen im eigentlichen Sinne durchdenken und entscheiden. Tatsächlich tun sie weder das eine noch das andere. LLMs erzeugen Antworten primär durch statistische Musterverarbeitung und besitzen kein menschliches Rechtsverständnis, keine eigene normative Urteilskraft und keine Verantwortung für das Ergebnis. Was von außen wie Analyse wirkt, ist mathematische Mustererkennung: Das Modell berechnet fortlaufend, welches Wort oder Token statistisch am wahrscheinlichsten auf das vorherige folgt. Bedeutung entsteht dabei nicht – sie wird allenfalls simuliert. 

• Das Modell berechnet Wahrscheinlichkeiten für mögliche nächste Tokens; welches Token tatsächlich ausgegeben wird, hängt zusätzlich von der Decoding-Strategie ab.

1. Statistische Sprachmodellierung

Grundlage jedes Sprachmodells ist ein statistisches Prinzip: Auf eine bestimmte Eingabe folgt mit hoher Wahrscheinlichkeit eine bestimmte Ausgabe – nicht weil das Modell den Inhalt versteht, sondern weil es entsprechende Muster in riesigen Textmengen beobachtet hat. Vervollständigt ein LLM den Satz „Das BGB regelt …" mit „… das Privatrecht in Deutschland", so liegt das nicht an juristischem Wissen, sondern an statistischer Häufigkeit: Diese Verbindung kam in den Trainingsdaten schlicht sehr oft vor.

Ermöglicht wird dieses Verhalten durch eine intensive Trainingsphase, in der Modelle wie GPT-4 mit enormen Textkorpora konfrontiert werden. Dabei optimieren sie sogenannte Loss-Funktionen – mathematische Maßgrößen, die messen, wie stark die vorhergesagten Tokens von den tatsächlich erwarteten abweichen. Je öfter das Modell diesen Abgleich durchläuft, desto präziser werden seine Vorhersagen.

Den technischen Kern bildet dabei die Transformer-Architektur, genauer gesagt ihr Self-Attention-Mechanismus. Er erlaubt dem Modell, beim Verarbeiten eines Textes nicht nur unmittelbar benachbarte Wörter in Beziehung zu setzen, sondern auch weit entfernte Textstellen miteinander zu verknüpfen. Im juristischen Kontext bedeutet das etwa, dass ein Modell Subjekt und Prädikat eines komplexen Gutachtensatzes auch dann noch korrekt aufeinander beziehen kann, wenn mehrere Nebensätze dazwischenliegen.

2. Tokens: Die Sprache der Maschine

Damit ein Sprachmodell überhaupt mit Text arbeiten kann, muss Sprache zunächst in eine maschinenlesbare Form gebracht werden. Dazu wird jede Eingabe in sogenannte Tokens zerlegt – die kleinsten Verarbeitungseinheiten, mit denen das Modell operiert. Tokens entsprechen dabei nicht zwingend ganzen Wörtern: Das juristische Kompositum Schmerzensgeldtabelle etwa kann z.B. in die Bestandteile „Schmer", „zens", „geld" und „tabelle" zerfallen. Auch Zahlen, Satzzeichen und Leerzeichen können eigene Tokens bilden. Wie ein Begriff tokenisiert wird, beeinflusst unmittelbar, wie das Modell ihn verarbeitet – und kann im juristischen Kontext durchaus relevant sein, wenn Fachbegriffe ungewohnt zerlegt und damit falsch gewichtet werden.

Ist die Eingabe tokenisiert, beginnt die eigentliche Verarbeitungsphase, die als Inference bezeichnet wird. Das Modell generiert seine Antwort Token für Token, indem es jeweils das statistisch wahrscheinlichste nächste Element auswählt. Wie konservativ oder experimentell es dabei vorgeht, hängt vom gewählten Verfahren ab: Greedy Decoding wählt stets die wahrscheinlichste Option, Top-k Sampling lässt eine kontrollierte Auswahl unter den plausibelsten Kandidaten zu, und über den Temperature-Parameter lässt sich einstellen, wie stark das Modell auch weniger wahrscheinliche Tokens berücksichtigt.

Was dabei entsteht, klingt oft überzeugend – juristisch präzise, sprachlich gewandt, strukturiert. Doch hinter dieser Fassade steckt kein Rechtsverständnis, keine Intention und keine normative Urteilskraft. Es handelt sich ausschließlich um Wahrscheinlichkeitsrechnung. Dieser Umstand ist keine Randnotiz, sondern der entscheidende Ausgangspunkt für jeden verantwortungsvollen Umgang mit KI im Rechtsbereich.

II. Richtlinien für das präzise Prompten mit KI im Rechtsbereich

Technisches Grundverständnis allein reicht nicht aus, um KI im juristischen Arbeitsalltag sinnvoll zu nutzen. Der entscheidende Faktor ist nicht das Wissen darüber, wie ein Modell funktioniert – sondern die Fähigkeit, es gezielt anzuleiten. Wer eine KI lediglich mit vagen Fragen konfrontiert, erhält vage Antworten. Wer sie hingegen mit klarer Struktur, juristischer Fachsprache und präzisem Kontext führt, kann aus ihr ein ernstzunehmendes Arbeitswerkzeug machen.

Genau das ist der Kern des Legal Prompt Engineering: keine Programmierdisziplin, sondern eine kommunikative Methode. Sie verbindet juristische Denkweise mit der Fähigkeit, Aufgaben so zu formulieren, dass ein Sprachmodell sie strukturiert und verwertbar bearbeiten kann. Rollenverständnis, Zielsetzung, Kontext und Fachterminologie greifen dabei ineinander – ähnlich wie eine präzise Arbeitsanweisung an einen juristischen Mitarbeiter, die nur dann zu einem brauchbaren Ergebnis führt, wenn sie vollständig, klar und zielorientiert ist.

Die folgenden neun Prinzipien fassen zusammen, worauf es beim juristischen Prompten konkret ankommt.

1. Präzise Formulierung des Prompts

Das Sprachmodell kann nur so präzise antworten, wie es gefragt wird. Wer etwa formuliert „Was sind die rechtlichen Konsequenzen?", erhält bestenfalls eine allgemeine Übersicht – denn die Frage lässt offen, um welchen Sachverhalt, welche Rechtsordnung und welche Beteiligten es geht. Ein Modell, das mit solcher Offenheit konfrontiert wird, füllt die Lücken eigenständig – und nicht notwendigerweise so, wie es der Fragende gemeint hat.

Zielführender ist eine Formulierung, die den rechtlichen Rahmen von vornherein absteckt: „Welche Rechtsfolgen ergeben sich nach deutschem Recht, wenn ein Lieferant eine vertraglich vereinbarte Lieferfrist schuldhaft überschreitet?" Diese Version benennt die Rechtsordnung, den Vertragstyp, die handelnde Partei und den Pflichtenverstoß – und gibt dem Modell damit die nötige Orientierung, um eine strukturierte und rechtlich einschlägige Antwort zu generieren.

Der Einsatz juristischer Fachbegriffe erfüllt in diesem Zusammenhang eine konkrete Funktion: Er signalisiert dem Modell, in welchem Bedeutungsraum es sich bewegen soll, und erhöht die Wahrscheinlichkeit, dass die Antwort an der richtigen dogmatischen Stelle ansetzt. Präzision in der Formulierung ist damit keine Frage des Stils – sie ist die Voraussetzung für jeden verwertbaren Output.

2. Kontextualisiertes Prompten

Eine Norm zu nennen genügt nicht – ein Sprachmodell benötigt den Sachverhalt, auf den sie angewendet werden soll. Wer lediglich fragt „Welche Ansprüche bestehen nach § 280 BGB?", erhält eine Lehrbuchantwort: korrekt, aber abstrakt und ohne Bezug zur konkreten Situation. Erst wenn der Lebenssachverhalt mitgeliefert wird, kann das Modell eine rechtlich einschlägige Einordnung vornehmen.

Ein kontextualisierter Prompt könnte etwa lauten: „Im Rahmen eines Kaufvertrags über gewerbliche Nutzfahrzeuge hat der Verkäufer die vereinbarte Lieferfrist um drei Wochen überschritten. Welche Ansprüche stehen dem Käufer nach § 280 BGB zu?" Diese Formulierung liefert dem Modell die wesentlichen Koordinaten: die Vertragsart, die beteiligten Parteien, die Art der Pflichtverletzung und den zeitlichen Rahmen.

Dabei gilt als Faustregel: Je mehr die Anfrage einem echten Sachverhalt ähnelt, desto nützlicher fällt die Antwort aus. Relevante Kontextinformationen sind die Beteiligten und ihre Rollen, geltende Fristen und Termine, der konkrete Hergang der Pflichtverletzung sowie etwaige Besonderheiten des Vertragsverhältnisses. Wer diese Angaben weglässt, zwingt das Modell dazu, eigene Annahmen zu treffen – und verliert damit die Kontrolle über die Grundlage der Antwort.

3. Zielorientiertes Prompten mit KI

Ohne ein klar definiertes Ziel bleibt selbst ein gut formulierter Prompt hinter seinen Möglichkeiten zurück. Denn ein Sprachmodell richtet Ton, Tiefe und Struktur seiner Antwort danach aus, was es als Erwartungshorizont wahrnimmt – und dieser muss explizit benannt werden.

Die Anforderungen an eine KI-Antwort unterscheiden sich je nach Verwendungszweck erheblich. Eine erste Orientierungshilfe für einen Mandanten erfordert eine andere Sprache und Granularität als ein juristisches Gutachten für das Gericht; eine stichpunktartige Zusammenfassung für ein internes Briefing folgt anderen Regeln als eine ausführliche Argumentationsgrundlage für eine Verhandlung. Wer diesen Unterschied im Prompt nicht benennt, überlässt dem Modell die Entscheidung – mit entsprechend unvorhersehbaren Ergebnissen.

Zielorientiertes Prompten bedeutet daher, den gewünschten Output bereits in der Anfrage zu skizzieren. Eine Formulierung wie „Fasse die fünf wichtigsten Auswirkungen der neuen Datenschutzgesetzgebung auf kleine und mittlere Unternehmen zusammen – kompakt, verständlich, ohne Fachbegriffe" gibt dem Modell nicht nur ein inhaltliches Thema vor, sondern auch Format, Umfang und Zielgruppe. Das Ergebnis ist eine Antwort, die unmittelbar verwendbar ist – statt einer, die erst aufwendig nachbearbeitet werden muss.

4. Strukturiertes Prompten mit KI

Ein Sprachmodell verhält sich in gewisser Weise wie ein neuer Mitarbeiter am ersten Arbeitstag: Es leistet gute Arbeit, wenn es klare Anweisungen erhält – und verliert sich in Allgemeinheiten, wenn es raten muss, was eigentlich gefragt ist. Wer seine Anfrage als unstrukturierten Fließtext eingibt, darf sich nicht wundern, wenn die Antwort ähnlich unstrukturiert ausfällt.

Wirksamer ist ein Ansatz, der dem Modell von Anfang an Orientierung gibt: die Anfrage nicht als Frage, sondern als Briefing zu verstehen. Die wesentlichen Parameter werden dabei klar voneinander getrennt benannt – etwa so: „Ziel: Analyse zu § 543 BGB bei Zahlungsverzug | Rolle: Du bist Fachanwalt für Mietrecht | Format: Volltext, kein Aufzählungsstil | Adressatenkreis: Juristisch vorgebildete Leser | Kontext: Gewerberaummietvertrag, Mieter mit zweimonatigem Zahlungsrückstand." Jedes dieser Elemente erfüllt eine konkrete Funktion: Die Rollenzuweisung aktiviert ein bestimmtes Fachregister, die Formatvorgabe steuert die Darstellungsform, der Kontext verhindert unnötige Rückfragen und Fehlinterpretationen.

Der Vergleich zur anwaltlichen Praxis liegt nahe: Eine gute Arbeitsanweisung an einen Referendar enthält dieselben Bausteine – sie benennt das Ziel, den rechtlichen Rahmen, den Adressaten und den relevanten Sachverhalt. Was im Kanzleialltag als selbstverständlich gilt, sollte beim Prompten von KI ebenso konsequent umgesetzt werden. Struktur im Input ist die verlässlichste Grundlage für Struktur im Output.

5. Detailorientiertes Prompten

Vollständigkeit ist im juristischen Prompten keine Tugend, sondern eine Notwendigkeit. Ein Sprachmodell kann nur das verarbeiten, was ihm mitgeteilt wird – fehlende Angaben füllt es nicht mit juristischem Sachverstand, sondern mit statistisch wahrscheinlichen Annahmen. Das Ergebnis mag sprachlich stimmig wirken, trifft aber möglicherweise nicht den relevanten Sachverhalt.

Konkret bedeutet das: Wer eine KI mit der Prüfung einer fristlosen Kündigung nach § 543 Abs. 2 Nr. 3 BGB beauftragt, sollte alle entscheidungserheblichen Umstände von vornherein benennen – also etwa die Dauer des Zahlungsverzugs, den Beginn des Mietverhältnisses und das Vorliegen oder Fehlen einer Abmahnung. Eine entsprechend ausformulierte Anfrage könnte lauten: „Prüfe, ob die fristlose Kündigung nach § 543 Abs. 2 Nr. 3 BGB wirksam ist, wenn der gewerbliche Mieter seit zwei Monaten keine Miete gezahlt hat, der Mietvertrag seit Januar 2023 besteht und keine Abmahnung vorangegangen ist." Jede dieser Angaben ist rechtlich relevant – ihr Fehlen würde die Antwort des Modells zwangsläufig unvollständig oder fehlgeleitet machen.

Das Prinzip entspricht dem juristischen Grundsatz, dass eine Fallbearbeitung mit der vollständigen Sachverhaltserfassung beginnt. Was im Gutachtenstil als erster und unverzichtbarer Schritt gilt, ist beim Prompten ebenso grundlegend: Wer den Sachverhalt lückenhaft schildert, bekommt eine lückenhafte Antwort – unabhängig davon, wie präzise die Rechtsfrage formuliert ist.

6. Beispielorientiertes Arbeiten mit KI

7. Feedbackschleifen integrieren

Prompt Engineering ist kein einmaliger Akt, sondern ein iterativer Prozess. Gerade im juristischen Kontext, wo Präzision und Vollständigkeit keine optionalen Qualitäten sind, sollte die erste Antwort eines Sprachmodells als Ausgangspunkt verstanden werden – nicht als Endprodukt.

Der Einstieg in eine komplexere Prüfung könnte etwa so aussehen: „Analysiere, ob im folgenden Sachverhalt ein Schadensersatzanspruch nach § 280 Abs. 1 BGB besteht: Eine Kundin bestellt über einen Online-Shop ein Produkt, das am 1. Juni geliefert werden sollte. Die Lieferung erfolgt jedoch erst am 15. Juni. Sie verlangt Ersatz der durch die Verzögerung entstandenen Hotelkosten. Berücksichtige insbesondere Schuldverhältnis, Pflichtverletzung, Schaden und Vertretenmüssen." Diese Anfrage legt die dogmatische Prüfungsstruktur fest und gibt dem Modell einen klaren Rahmen.

Was die erste Antwort noch offenlässt, lässt sich im zweiten Schritt gezielt nachfordern: „Bitte ergänze, ob ein Verzug nach §§ 286 ff. BGB vorliegt und welche Rolle eine Mahnung in diesem Zusammenhang spielt. Zudem bitte ich um eine Einschätzung, ob Hotelkosten als ersatzfähiger Schaden in Betracht kommen." Auf diese Weise wird die Analyse schrittweise vertieft, ohne die gesamte Anfrage neu formulieren zu müssen.

Ein dritter Schritt kann schließlich die Darstellungsform betreffen: „Bitte forme die bisherige Antwort in ein juristisches Kurzgutachten um – mit klar abgegrenzten Prüfungsschritten und kurzen Erläuterungen der verwendeten Fachbegriffe für ein nicht-juristisches Publikum." Das Ergebnis ist ein Output, der sowohl inhaltlich als auch formal den Anforderungen der konkreten Verwendungssituation entspricht.

Dieses schrittweise Vorgehen ist kein Umweg, sondern Methode. Es entspricht der Art, wie juristische Texte generell entstehen: durch Entwurf, Überprüfung und gezielte Überarbeitung – nur dass hier der erste Entwurf von einer Maschine stammt.

8. Mit juristischer Verantwortung arbeiten

Der Einsatz von KI entbindet nicht von juristischer Verantwortung – er verschiebt sie lediglich in eine neue Form. Wer ein Sprachmodell zur Unterstützung bei der Fallbearbeitung heranzieht, bleibt für das Ergebnis vollumfänglich verantwortlich. Das Modell übernimmt diese Verantwortung nicht, kann es nicht und wird es nicht.

Das bedeutet in der Praxis: Jede Antwort, die ein Sprachmodell liefert, muss als Arbeitsmaterial behandelt werden – als erster Entwurf, der kritisch geprüft, eigenständig nachvollzogen und rechtlich bewertet werden muss. Auslegung, Subsumtion und Würdigung sind keine Aufgaben, die sich delegieren lassen, weder an einen Referendar ohne Aufsicht noch an einen Algorithmus ohne Rechtsverstand. Die KI kann eine Struktur vorschlagen, einen Einstieg liefern oder Argumente bündeln – die normative Einschätzung jedoch bleibt Aufgabe des Menschen.

Besonders kritisch ist dabei der Umgang mit vermeintlichen Rechtsquellen. Sprachmodelle können nicht verlässlich zwischen tatsächlich existierenden und lediglich sprachlich plausiblen Quellen unterscheiden, sofern keine verifizierte Quellenanbindung oder Retrieval-Komponente genutzt wird. Sprachmodelle neigen dazu, Urteile, Paragraphennummern oder Fundstellen mit einer Überzeugungskraft zu präsentieren, die ihrer tatsächlichen Verlässlichkeit nicht entspricht. Was wie ein präzises Zitat wirkt, kann eine Halluzination sein – sprachlich überzeugend, inhaltlich falsch. Wer solche Angaben ungeprüft übernimmt, trägt den Irrtum allein. Das Modell haftet nicht; der Jurist schon.

9. Bewusstsein für Vertraulichkeit bewahren

Der Einsatz von KI-Tools im beruflichen Kontext ist nicht nur eine Frage der Effizienz, sondern auch eine des Datenschutzes. Wer Mandantsinformationen, Vertragsentwürfe oder personenbezogene Daten in ein öffentlich zugängliches Sprachmodell eingibt, riskiert mehr als ein schlechtes Ergebnis – er riskiert einen ernsthaften Verstoß gegen berufsrechtliche und datenschutzrechtliche Pflichten.

Für Rechtsanwältinnen und Rechtsanwälte gilt dabei ein besonders strenger Maßstab. Die anwaltliche Verschwiegenheitspflicht erstreckt sich auf sämtliche Mandatsinhalte – unabhängig davon, in welchem Format oder über welchen Kanal sie weitergegeben werden. Die Eingabe sensibler Informationen in ein KI-System, dessen Datenschutzarchitektur unklar oder unzureichend ist, kann diese Pflicht verletzen. Hinzu kommen die Anforderungen der DSGVO, die einen verantwortungsvollen Umgang mit personenbezogenen Daten auch bei der Nutzung externer Softwaresysteme vorschreiben.

Wer KI-gestützte Werkzeuge dennoch im anwaltlichen Alltag einsetzen möchte – was grundsätzlich möglich und sinnvoll ist – sollte dies ausschließlich über Anbieter tun, die belastbare Garantien bieten: etwa durch Auftragsverarbeitungsverträge nach Art. 28 DSGVO, serverseitige Datenisolierung und transparente Nutzungsbedingungen, die explizit auf die Anforderungen juristischer Berufe eingehen. Vertraulichkeit ist dabei kein nachrangiges Kriterium, sondern eine Grundbedingung – die vor der ersten Eingabe geklärt sein muss, nicht danach.

Mindestens zu prüfen sind insbesondere Verschwiegenheit, Rechtsgrundlage der Datenverarbeitung, Rollenverteilung, Art. 28 DSGVO bei Auftragsverarbeitung, technische und organisatorische Maßnahmen sowie etwaige Drittlandtransfers.

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

Theorie und Praxis klaffen im Bereich des Legal Prompt Engineering weniger auseinander, als man vermuten könnte. Wer die Grundprinzipien verinnerlicht hat, merkt schnell, dass sich deren Nutzen in ganz unterschiedlichen juristischen Arbeitssituationen unmittelbar entfaltet. Drei Bereiche verdeutlichen dies besonders anschaulich.

Mandantenkommunikation: In der Mandantenkommunikation hilft gezieltes Prompten dabei, komplexe Rechtsbegriffe schnell und adressatengerecht aufzubereiten. Eine Anfrage wie „Erkläre die Schadensminderungspflicht nach dem BGB so, dass sie ein juristischer Laie ohne Vorkenntnisse verstehen kann" liefert innerhalb von Sekunden eine verständliche Erläuterung, die als Grundlage für das Mandantengespräch oder einen erklärenden Brief dienen kann. Was früher eine eigenständige Formulierungsaufgabe war, wird zur schnellen Vorarbeit – mit mehr Zeit für das eigentliche Beratungsgespräch.

Fallstrukturierung: Bei der Fallstrukturierung kann die KI als erster Gliederungshelfer fungieren. Eine Aufforderung wie „Erstelle eine Lösungsskizze im Gutachtenstil zur Irrtumsanfechtung gemäß §§ 119 ff. BGB" erzeugt eine strukturierte Vorlage mit Obersätzen, Definitionen und einer nachvollziehbaren Prüfungsabfolge. Diese dient weder als fertiges Gutachten noch als verbindliche Rechtsauskunft – wohl aber als brauchbares Gerüst, das sowohl Studierenden bei der Examensvorbereitung als auch erfahrenen Anwälten beim schnellen Einstieg in einen neuen Sachverhalt nützt.

Vertragliche Kontrolle: Im Bereich der Vertragskontrolle schließlich lässt sich die KI als digitaler Erstprüfer einsetzen. Die Anfrage „Prüfe diesen Vertragsentwurf auf Klauseln, die nach § 307 BGB wegen unangemessener Benachteiligung unwirksam sein könnten" kann problematische Passagen sichtbar machen, Formulierungsalternativen vorschlagen und so den Überarbeitungsprozess erheblich beschleunigen – auch wenn die abschließende rechtliche Beurteilung stets dem Menschen vorbehalten bleibt.

Der gemeinsame Nenner dieser Einsatzfelder: Wer Legal Prompt Engineering beherrscht, gewinnt nicht nur Zeit, sondern auch Struktur und Klarheit – Qualitäten, die im juristischen Arbeitsalltag an jeder Stelle zählen.

IV. Prompten der KI mit Maß: Chancen und Grenzen

KI-Sprachmodelle sind keine Juristen – und es wäre ein folgenreicher Irrtum, sie dafür zu halten. Wer ihre Antworten mit juristischer Analyse gleichsetzt, übersieht, was hinter der sprachlichen Oberfläche tatsächlich stattfindet: kein Abwägen von Argumenten, kein Durchdenken von Normzwecken, keine Auseinandersetzung mit konkurrierenden Auslegungen – sondern die fortlaufende Berechnung statistisch wahrscheinlicher Wortfolgen. Das Ergebnis kann beeindruckend klingen und dennoch grundlegend falsch liegen. Zitierte Urteile existieren mitunter nicht, Paragraphennummern werden verwechselt, Tatbestandsmerkmale verschoben. Die sprachliche Überzeugungskraft eines solchen Textes macht ihn nicht richtiger – sie macht ihn gefährlicher.

Daraus folgt, dass der verantwortungsvolle Umgang mit KI im Rechtsbereich nicht nur eine Frage der Prompt-Qualität ist, sondern vor allem eine Frage der Haltung. Sorgfaltspflichten gelten unabhängig davon, welches Werkzeug bei der Arbeit eingesetzt wird. Wer vertrauliche Mandatsinformationen in öffentlich zugängliche Sprachmodelle eingibt, ohne die datenschutzrechtliche Grundlage zu prüfen, handelt fahrlässig – gegenüber dem Mandanten, gegenüber dem Berufsrecht und gegenüber den Anforderungen der DSGVO. Und wer ein halluziniertes Urteil ungeprüft in einen Schriftsatz übernimmt, kann sich nicht auf die Maschine berufen. Die Verantwortung bleibt dort, wo sie hingehört: beim Menschen.

Legal Prompt Engineering ist vor diesem Hintergrund mehr als eine Sammlung kommunikativer Techniken. Es ist der Versuch, ein mächtiges, aber begrenztes Werkzeug in einen rechtlich verantwortungsvollen Arbeitsrahmen einzubetten. Das setzt zweierlei voraus: das methodische Wissen, wie man KI sinnvoll einsetzt – und das juristische Urteilsvermögen, ihre Grenzen zu erkennen. Beides lässt sich erlernen. Was sich nicht delegieren lässt, ist die Bereitschaft, für das eigene Handeln einzustehen.

V. Fazit: Juristische Präzision in digitaler Sprache

KI im Rechtsbereich ist kein Selbstläufer. Sie funktioniert nicht auf Knopfdruck, liefert keine verlässlichen Ergebnisse auf vage Fragen und ersetzt kein juristisches Urteilsvermögen. Was sie kann – und das ist erheblich – ist dies: denjenigen wirkungsvoll unterstützen, der sie präzise zu führen weiß.

Legal Prompt Engineering ist die Kompetenz, die diesen Unterschied macht. Sie verwandelt ein statistisches Sprachmodell von einem unzuverlässigen Ratgeber in ein strukturiertes Arbeitswerkzeug – durch klare Zielvorgaben, kontextreiche Sachverhalte, durchdachte Rollenprofile und iterative Verfeinerung. Das Ergebnis sind Antworten, die sich in der Fallbearbeitung, der Mandatskommunikation und der Vertragskontrolle tatsächlich einsetzen lassen.

Doch so nützlich diese Methode ist, so klar bleiben ihre Grenzen. Juristische Verantwortung ist nicht delegierbar – weder an einen Algorithmus noch an ein Sprachmodell, das Normen nicht kennt, sondern nur imitiert. Wer das verinnerlicht, nutzt KI nicht weniger, sondern klüger: als Werkzeug, das Arbeit abnimmt, ohne Verantwortung zu übernehmen.

Der digitale Jurist der Gegenwart braucht beides – die Fähigkeit, präzise zu prompten, und den Anspruch, das Ergebnis eigenständig zu beurteilen. Nur in dieser Kombination entfaltet Legal Prompt Engineering seinen vollen Wert. Und nur so lässt sich verhindern, was im schlimmsten Fall droht: dass ein elegant formulierter Irrtum als Rechtsauskunft durchgeht.