One-Shotting

Wenn man einem KI-Modell eine Aufgabe stellt, kann man ihr einfach die Frage hinschreiben — oder man zeigt dem Modell vorher ein fertiges Beispiel, wie die Antwort aussehen soll. Letzteres nennt man One-Shotting: genau ein Beispiel, dann die eigentliche Frage. Das Modell soll das Muster aus diesem einen Beispiel erkennen und auf die neue Situation übertragen. Diese Technik gehört zum sogenannten Prompting, also der gezielten Formulierung von Anfragen an ein Sprachmodell. Sie steht zwischen zwei Extremen: Zero-Shotting, bei dem man gar kein Beispiel gibt, und Few-Shotting, bei dem man mehrere gibt.

One-Shot als Mittelweg zwischen Aufwand und Präzision

Ein Modell ohne Beispiel anzusprechen ist schnell — aber ungenau. Es interpretiert die Aufgabe dann nach seiner eigenen Einschätzung, was oft reicht, aber manchmal in die falsche Richtung geht. Mit einem einzigen Beispiel lässt sich das Ziel deutlich schärfer einrasten, ohne dass man viel Zeit mit dem Zusammenstellen vieler Beispiele verbringt.

Das ist besonders dann wertvoll, wenn man ein spezifisches Format braucht. Soll das Modell zum Beispiel Produktbeschreibungen immer in drei Sätzen mit einem bestimmten Aufbau schreiben, reicht oft ein einziges gezeigtes Muster, damit die Ausgaben konsistent werden. Viele Nachjustierungen, die sonst durch langes Ausprobieren entstehen, lassen sich so vermeiden.

Außerdem spart One-Shotting Rechenzeit und Kosten. Jedes Wort im Prompt muss das Modell verarbeiten. Wer statt fünf Beispielen nur eines schickt, senkt die Menge an Text, die das Modell vor jeder Antwort durchrechnen muss. Bei Millionen von Anfragen summiert sich das.

Wie ein einziges Beispiel das Modell lenkt

Große Sprachmodelle wurden auf riesigen Textmengen trainiert. Dabei haben sie gelernt, Muster fortzuführen. Zeigt man ihnen ein Eingabe-Ausgabe-Paar, behandeln sie das als Anfang eines Musters und setzen es fort. Das Beispiel verändert das Modell nicht dauerhaft — es gibt dem Modell nur im Moment der Anfrage einen Hinweis, in welche Richtung es denken soll.

Ein typischer One-Shot-Prompt sieht so aus: Zuerst kommt ein Beispiel mit Eingabe und der zugehörigen gewünschten Ausgabe. Direkt danach folgt die echte Frage, ohne Ausgabe — die soll das Modell jetzt selbst liefern. Das Modell liest den gesamten Text von oben nach unten und ergänzt ihn sinnvoll.

Ein wichtiger Unterschied zu echtem Lernen: Das Modell „merkt“ sich das Beispiel nicht für spätere Gespräche. Sobald das Gespräch endet, ist der Kontext weg. One-Shotting ist eine Technik für den Moment, kein dauerhaftes Training. Wer das Verhalten des Modells dauerhaft ändern will, müsste es tatsächlich nachtrainieren — ein deutlich aufwendigerer Prozess.

One-Shotting in der Praxis: Produkte und Fachdiskussionen

In der Arbeit mit KI-Werkzeugen wie ChatGPT, Claude oder ähnlichen Systemen wenden viele Nutzerinnen und Nutzer One-Shotting intuitiv an, ohne den Begriff zu kennen. Man schreibt: „Hier ist ein Beispiel, wie ich es haben will: … Jetzt mach das Gleiche für: …“ — das ist One-Shotting.

In Unternehmen, die KI in ihre Prozesse einbauen, ist die Methode fester Bestandteil des sogenannten Prompt-Engineerings — also der Disziplin, Modelle durch geschickte Formulierungen möglichst verlässlich zu steuern. Wer Kundenservice-Antworten, Zusammenfassungen oder Code-Snippets automatisiert generieren will, testet in der Regel verschiedene Prompts gegeneinander, darunter Zero-, One- und Few-Shot-Varianten.

In der Forschung taucht der Begriff vor allem in Benchmarks auf. Dort testet man, wie gut ein Modell mit minimalem Kontext zurechtkommt — One-Shot-Benchmarks messen also, wie schnell ein Modell „begreift“, was verlangt wird. Das gilt als Maßstab für die Flexibilität und Generalität eines Modells: Ein starkes Modell braucht wenige Hinweise. Ein schwaches braucht viele.