Sie laden einen 50-seitigen Vertrag in ChatGPT hoch und fragen: «Was sind die Kündigungsklauseln?» Er gibt Ihnen drei Punkte — von denen zwei falsch sind. Sie versuchen es mit Claude. Er übersieht den Abschnitt komplett. Sie versuchen DeepSeek. Er erfindet eine Klausel, die nicht existiert.
Das Problem ist nicht Ihr Prompt. Es ist, wie Sie das Dokument an die KI füttern.
Die meisten Menschen laden rohe PDFs hoch und erwarten perfekte Ergebnisse. Aber rohe PDFs sind voller Binärrauschen, kaputter Tabellen und Formatierungsartefakte, die jedes KI-Modell verwirren — von ChatGPT und Claude bis DeepSeek, Qwen, Gemini, und sogar dem neuen GLM-5.2 mit seinem massiven 1M-Token-Kontextfenster.
Dieser Leitfaden zeigt Ihnen genau, wie Sie Dokumente vorbereiten und Prompts strukturieren, um präzise, zuverlässige Ergebnisse von jedem großen KI-Modell zu erhalten.
In diesem Leitfaden behandelte Modelle
Schritt 1: Konvertieren Sie Ihr Dokument in Markdown (Vor allem anderen)
Das ist das Einzige mit dem größten Einfluss, was Sie tun können. Bevor Sie auch nur einen einzigen Prompt schreiben, konvertieren Sie Ihr PDF in Markdown. Hier ist warum:
- 70% weniger Tokens — ein 28.000-Token-PDF wird zu einer 8.500-Token-Markdown-Datei
- Tabellen bleiben intakt — PDF-Tabellen sind visuell; Markdown-Tabellen sind strukturierte Daten
- Überschriften sind semantisch —
## Kündigungsklauselnist eindeutig; großer Fettdruck nicht - Kein Binärrauschen — Schriftdateien, Positionierungsdaten und Rendering-Metadaten werden entfernt
Verwenden Sie den kostenlosen Converter von Inputo — laden Sie Ihr PDF hoch, erhalten Sie sauberes Markdown in Sekunden. Keine Anmeldung, keine Limits.
Profi-Tipp: Auch wenn das KI-Modell PDF-Uploads akzeptiert (ChatGPT, Claude und Gemini tun dies), liefert die Konvertierung zu Markdown zuerst konsistenter genauere Ergebnisse — besonders für Tabellen und strukturierte Daten.
Schritt 2: Die richtige Strategie für die Dokumentlänge wählen
Wie Sie das Dokument füttern, hängt davon ab, wie lang es ist und welches Modell Sie verwenden:
| Dokumentlänge | Strategie | Beste Modelle |
|---|---|---|
| 1–5 Seiten | Gesamten Markdown direkt einfügen | Jedes Modell |
| 5–30 Seiten | Relevante Abschnitte mit Kontextüberschriften einfügen | ChatGPT, Claude, DeepSeek, Qwen |
| 30–200 Seiten | Nach Abschnitten aufteilen, iterativ verarbeiten | Claude (200K), GLM-5.2 (1M), Gemini (1M) |
| 200+ Seiten | Vollständiges Dokument nur bei 1M+ Kontextmodellen | GLM-5.2 (1M), Gemini (1M+) |
Für kurze Dokumente (1–5 Seiten)
Fügen Sie den gesamten Markdown in den Chat ein. Fügen Sie am Ende einen klaren Prompt hinzu:
Dies ist ein Vertrag im Markdown-Format:
[Markdown einfügen]
Extrahieren Sie alle Kündigungsklauseln. Für jede Klausel geben Sie an: (1) die Klauselnummer, (2) die Kündigungsbedingungen, (3) die erforderliche Kündigungsfrist und (4) etwaige Strafen. Format: Tabelle.
Für mittlere Dokumente (5–30 Seiten)
Fügen Sie nicht alles ein. Extrahieren Sie zuerst die relevanten Abschnitte, dann fügen Sie sie mit Abschnittsüberschriften als Kontext ein:
Ich werde Abschnitte eines 20-seitigen Arbeitsvertrags teilen. Jeder Abschnitt wird durch seine Überschrift als Kontext eingeleitet.
## Abschnitt 4: Kündigung
[Abschnitt einfügen]
## Abschnitt 7: Wettbewerbsverbot
[Abschnitt einfügen]
Basierend auf diesen Abschnitten fassen Sie die Pflichten des Mitarbeiters zusammen, wenn er im ersten Jahr kündigt.
Für lange Dokumente (30–200 Seiten)
Verwenden Sie eine Chunking-Strategie. Teilen Sie das Dokument in logische Abschnitte und verarbeiten Sie jeden mit einer konsistenten Prompt-Vorlage:
Sie analysieren einen 100-seitigen Finanzbericht. Ich werde Ihnen Abschnitte einzeln senden. Für jeden Abschnitt extrahieren Sie: Kennzahlen, Veränderungen zum Vorjahr und alle erwähnten Risikofaktoren.
Nachdem alle Abschnitte verarbeitet sind, werde ich eine Zusammenfassung anfordern.
---
ABSCHNITT 1: Management-Zusammenfassung
[Abschnitt einfügen]
Für sehr lange Dokumente (200+ Seiten)
Nur zwei Modelle können dies in einem einzigen Durchgang bewältigen:
- GLM-5.2 (Zhipu AI) — 1M-Token-Kontext, MIT-Lizenz, open-weight. Im Juni 2026 veröffentlicht, wird es bereits als «der ChatGPT-Moment für lokale KI» bezeichnet. Es übertrifft Claude Opus 4.8 und GPT-5.5 bei langfristigen Coding-Aufgaben.
- Gemini 2.5 Pro (Google) — 1M+ Token-Kontext. Ausgezeichnet für Dokumentenanalyse mit seinem massiven Fenster.
Für andere Modelle benötigen Sie die oben genannte Chunking-Strategie, oder Sie können Markdown verwenden, um den Token-Verbrauch zu reduzieren und mehr Inhalt unterzubringen.
Schritt 3: Prompts schreiben, die Halluzinationen verhindern
Das größte Risiko bei der Verwendung von Dokumenten mit KI ist die Halluzination — das Modell erfindet Informationen, die nicht im Dokument stehen. So verhindern Sie es:
Die «Nur aus diesem Dokument»-Regel
Sagen Sie dem Modell immer, dass es NUR das bereitgestellte Dokument verwenden soll. Dieser eine Satz eliminiert die meisten Halluzinationen:
Beantworten Sie NUR auf Basis des unten bereitgestellten Dokuments. Wenn die Information nicht im Dokument steht, sagen Sie «Diese Information steht nicht im bereitgestellten Dokument.» Verwenden Sie kein externes Wissen.
Die «Quellen zitieren»-Technik
Bitten Sie das Modell, den genauen Text zu zitieren, auf den es jede Antwort stützt:
Für jede Antwort fügen Sie das genaue Zitat aus dem Dokument ein, das Ihre Antwort stützt. Format: Antwort: [Ihre Antwort] | Quelle: «[genaues Zitat aus dem Dokument]»
Der «Vertrauensscore»-Prompt
Für kritische Dokumente (rechtlich, finanziell, medizinisch) fragen Sie nach Vertrauensstufen:
Analysieren Sie diese Vertragsklausel. Für jeden extrahierten Punkt bewerten Sie Ihr Vertrauen: HOCH (ausdrücklich angegeben), MITTEL (stark impliziert) oder NIEDRIG (abgeleitet). Kennzeichnen Sie alle NIEDRIG-Vertrauenspunkte zur menschlichen Überprüfung.
Schritt 4: Modellspezifische Optimierung
🇺🇸 ChatGPT (GPT-4o, o3)
Stärken: Ausgezeichnet bei strukturierten Prompts, gut bei Tabellenextraktion aus Markdown.
Schwäche: Neigt dazu zu zusammenzufassen statt wörtlich zu extrahieren. Kann Details in langen Dokumenten übersehen.
Optimierung: Verwenden Sie «Fassen Sie nicht zusammen. Extrahieren Sie wörtlich.» in Ihrem Prompt. Für Tabellen spezifizieren Sie das gewünschte genaue Ausgabeformat.
Extrahieren Sie alle Positionen aus dieser Rechnung. Fassen Sie NICHT zusammen. Ausgabe als Markdown-Tabelle mit Spalten: Artikel | Menge | Stückpreis | Gesamt. Jede Zeile aufnehmen.
🇺🇸 Claude (Opus 4.8, Sonnet 4.6)
Stärken: 200K-Kontextfenster, ausgezeichnet bei nuancierter Analyse, befolgt komplexe Anweisungen präzise.
Schwäche: Kann zu wortreich sein. Fügt manchmal Einschränkungen hinzu statt direkte Antworten zu geben.
Optimierung: Verwenden Sie explizite Ausgabeformat-Anweisungen. Claude reagiert gut auf XML-artige Tags zur Strukturierung von Eingabe/Ausgabe.
<dokument>
[Markdown einfügen]
</dokument>
<aufgabe>Extrahieren Sie alle Zahlungsbedingungen aus dem obigen Dokument. Format: nummerierte Liste. Jeder Punkt: [Klauselreferenz] — [Bedingungen]. Max. 200 Wörter insgesamt.</aufgabe>
🇨🇳 DeepSeek (V3, R1)
Stärken: Starkes Reasoning (besonders R1), ausgezeichnet bei technischen und strukturierten Inhalten, kostenlose Stufe verfügbar.
Schwäche: Kann bei nuancierter Rechtssprache Probleme haben. Priorisiert manchmal Geschwindigkeit über Genauigkeit.
Optimierung: DeepSeek wurde intensiv auf GitHub und technischer Dokumentation trainiert, daher verarbeitet es Markdown außergewöhnlich gut. Verwenden Sie Schritt-für-Schritt-Prompts für komplexe Analysen.
Analysieren Sie diese technische Spezifikation Schritt für Schritt:
1. Zuerst identifizieren Sie alle Leistungsanforderungen
2. Dann vergleichen Sie jede Anforderung mit den Testergebnissen
3. Schließlich listen Sie alle Anforderungen auf, die NICHT erfüllt werden, mit der spezifischen Lücke
[Markdown einfügen]
🇨🇳 GLM-5.2 (Zhipu AI) — Der neue Herausforderer
Stärken: 1M-Token-Kontextfenster (größtes open-weight Modell), MIT-Lizenz, übertrifft Claude Opus 4.8 und GPT-5.5 bei langfristigen Aufgaben. Kann ganze Bücher in einem einzigen Durchgang verarbeiten. Läuft lokal auf einem einzigen Mac.
Schwäche: Neueres Modell — weniger Community-Wissen über Prompt-Engineering verfügbar. Coding-first-Design bedeutet, dass es mehr Anleitung für kreative Schreibaufgaben benötigen kann.
Optimierung: GLM-5.2 glänzt bei langen Dokumenten. Sein 1M-Kontext bedeutet, dass Sie ganze Berichte ohne Chunking einfügen können. Verwenden Sie explizite Reasoning-Prompts — es hat wählbare Reasoning-Modi, die eine tiefere Analyse aktivieren.
Sie analysieren ein 200-seitiges technisches Handbuch. Das gesamte Dokument wird unten im Markdown-Format bereitgestellt.
[gesamten Markdown einfügen — GLM-5.2 kann damit umgehen]
Aufgabe: Erstellen Sie ein umfassendes Verzeichnis aller Sicherheitshinweise in diesem Dokument. Für jeden Hinweis geben Sie an: (1) Abschnittsnummer, (2) Schweregrad, (3) Hinweistext, (4) für welche Ausrüstung er gilt.
GLM-5.2 ist verfügbar über den GLM Coding Plan von Z.AI, OpenRouter, und kann selbst gehostet werden. Es hat eine MIT-Lizenz, also können Sie es ohne Einschränkungen einsetzen. Für die Dokumentenanalyse ist sein 1M-Kontextfenster ein Game-Changer — kein Chunking mehr nötig.
🇨🇳 Qwen (Qwen3)
Stärken: Ausgezeichneter mehrsprachiger Support (besonders CJK-Sprachen), gut bei strukturierter Extraktion.
Schwäche: Kleineres Kontextfenster als GLM-5.2. Kann bei sehr langen Dokumenten Probleme haben.
Optimierung: Qwen funktioniert am besten mit expliziter Struktur. Verwenden Sie nummerierte Listen und Tabellen in Ihren Prompts. Für chinesische Dokumente übertrifft Qwen westliche Modelle.
🇺🇸 Gemini 2.5 Pro (Google)
Stärken: 1M+ Token-Kontext, ausgezeichnete multimodale Fähigkeiten (kann Bilder in PDFs direkt lesen).
Schwäche: Manchmal übermäßig vorsichtig — kann die Analyse bestimmter Dokumenttypen verweigern.
Optimierung: Das massive Kontextfenster von Gemini bedeutet, dass Sie ganze Dokumente hochladen können. Verwenden Sie Google AI Studio für die beste Erfahrung mit langen Dokumenten.
🇨🇳 Kimi (Moonshot AI)
Stärken: Starke Langkontext-Fähigkeiten, gut bei chinesischer und englischer Dokumentenanalyse.
Schwäche: International weniger bekannt — weniger Prompt-Engineering-Ressourcen verfügbar.
Optimierung: Kimi reagiert gut auf strukturierte Prompts mit klaren Ausgabeformat-Spezifikationen. Verwenden Sie Markdown-Eingabe für beste Ergebnisse.
🇫🇷 Mistral (Large)
Stärken: Effizient, gut bei europäischen Sprachen, starkes Reasoning.
Schwäche: Kleineres Kontextfenster als Konkurrenten. Am besten für kürzere Dokumente.
Optimierung: Halten Sie Prompts prägnant. Mistral funktioniert am besten mit fokussierten, spezifischen Fragen statt breiter Analyseanfragen.
Schritt 5: Fortgeschrittene Techniken
Die «Zwei-Durchgänge»-Methode
Für kritische Dokumente verwenden Sie zwei Durchgänge:
- Durchgang 1 — Extraktion: «Extrahieren Sie alle wichtigen Datenpunkte aus diesem Dokument in eine strukturierte Tabelle.»
- Durchgang 2 — Verifizierung: «Überprüfen Sie die Tabelle unten gegen das Originaldokument. Kennzeichnen Sie Diskrepanzen oder fehlende Daten.»
Die «Rolle»-Technik
Weisen Sie der KI eine spezifische Rolle für domänenspezifische Dokumente zu:
Sie sind ein leitender Steuerberater mit 20 Jahren Erfahrung im deutschen Steuerrecht. Analysieren Sie diese Steuererklärung und identifizieren Sie alle Abzüge, die der Steuerpflichtige möglicherweise übersehen hat. Verweisen Sie auf spezifische Zeilennummern aus dem Dokument.
Der «Gedankenkette»-Prompt
Für komplexe Dokumente zwingen Sie das Modell, Schritt für Schritt zu denken:
Analysieren Sie diese Vertragsklausel. Denken Sie Schritt für Schritt:
1. Zuerst identifizieren Sie die beteiligten Parteien
2. Dann identifizieren Sie die beschriebene Verpflichtung
3. Dann identifizieren Sie alle Bedingungen oder Auslöser
4. Schließlich identifizieren Sie die Konsequenzen, wenn die Verpflichtung nicht erfüllt wird
Zeigen Sie Ihre Begründung für jeden Schritt.
Dokumentenvergleich über Modelle hinweg
Für hochkritische Dokumente führen Sie denselben Prompt über mehrere Modelle aus und vergleichen die Ergebnisse. Diskrepanzen heben Bereiche hervor, die menschliche Überprüfung benötigen:
| Anwendungsfall | Bestes Modell | Warum |
|---|---|---|
| Vertragsanalyse | Claude Opus 4.8 | Am besten bei nuancierter Rechtssprache |
| Finanzberichte | GPT-4o | Ausgezeichnet bei numerischer Extraktion |
| Technische Handbücher (vollständig) | GLM-5.2 | 1M Kontext — liest das gesamte Handbuch auf einmal |
| Chinesische Dokumente | Qwen3 | Bester CJK-Sprachsupport |
| Gescannte Dokumente | Gemini 2.5 Pro | Native Bild-/Multimodale-Verarbeitung |
| Budgetanalyse | DeepSeek R1 | Starkes Reasoning, kostenlose Stufe |
| Europäische Rechtsdokumente | Mistral Large | Stark in FR/DE/IT/ES-Sprachen |
| Lange chinesische Berichte | Kimi | Langer Kontext + ausgezeichnetes Chinesisch |
Häufige Fehler (Und wie man sie vermeidet)
❌ Rohe PDFs hochladen
Die Lösung: Immer zuerst in Markdown konvertieren. Verwenden Sie den kostenlosen Converter von Inputo.
❌ Das gesamte Dokument senden, wenn Sie nur einen Abschnitt brauchen
Die Lösung: Extrahieren und fügen Sie nur die relevanten Abschnitte ein. Das spart Tokens und verbessert die Genauigkeit.
❌ Vage Prompts
❌ «Fassen Sie dieses Dokument zusammen.»
✅ «Extrahieren Sie die 3 wichtigsten Finanzkennzahlen aus diesem Bericht. Für jede geben Sie an: Kennzahlenname, aktueller Wert, Vorperiodenwert und prozentuale Veränderung.»
❌ Ausgabeformat nicht spezifizieren
❌ «Was sind die wichtigsten Punkte?»
✅ «Listen Sie die wichtigsten Punkte als nummerierte Liste auf. Jeder Punkt: max. 2 Sätze. Fügen Sie die Seiten-/Abschnittsreferenz für jeden ein.»
❌ Der ersten Ausgabe vertrauen
Die Lösung: Überprüfen Sie immer kritische Daten gegen das Quelldokument. Verwenden Sie die Zwei-Durchgänge-Methode für hochkritische Analysen.
Das Fazit
Große Ergebnisse von KI mit Dokumenten zu erzielen hängt nicht davon ab, welches Modell Sie verwenden — es hängt davon ab, wie Sie das Dokument vorbereiten und Ihren Prompt strukturieren. Die drei Regeln:
- Zuerst in Markdown konvertieren — spart Tokens, bewahrt Struktur, verhindert Halluzinationen
- Spezifisch sein — sagen Sie dem Modell genau, was extrahiert und wie formatiert werden soll
- Verifizieren — überprüfen Sie immer die KI-Ausgabe gegen das Quelldokument für kritische Daten
Ob Sie ChatGPT, Claude, DeepSeek, das neue GLM-5.2, Qwen, Gemini oder ein anderes Modell verwenden — diese Prinzipien funktionieren bei allen.
Starten Sie mit dem richtigen Format — Kostenlos
Konvertieren Sie Ihr PDF in Sekunden zu Markdown. Keine Anmeldung, keine Limits, kein Wasserzeichen. Funktioniert mit jedem KI-Modell.
PDF zu Markdown konvertieren →Weiterlesen: Kostenloser PDF-zu-Markdown-Converter für jede KI · Warum Markdown das beste Format für KI ist