Beim Schreiben dieses Blogbeitrags habe ich mich wie eine Investigativjournalistin gefühlt. Ich habe nämlich versucht herauszufinden, welche Systemprompts in Programmen für qualitative Forschung (QDA-Programme) verwendet werden. Immer mehr QDA-Programme nutzen sogenannte KI-Assistenten oder wurden speziell für die qualitative Forschung mit Large Language Models (wie ChatGPT) entwickelt. Um zu steuern, wie Large Language Models qualitative Forschung unterstützen können, braucht es sogenannte Systemprompts. Das sind Anweisungen im Hintergrund – deshalb habt ihr davon vielleicht noch nie gehört – an die verwendeten Large Language Models. Sie können den Output steuern bzw. beeinflussen. Im Folgenden findet ihr meine Erkenntnisse aus der Recherche.
Warum es wichtig ist, zu wissen, welche Systemprompts verwendet werden
Systemprompts sind grundlegende, übergeordnete Anweisungen, die einem Large Language Model wie ChatGPT, Claude oder Gemini vor dem eigentlichen Dialogbeginn gegeben werden. Der Systemprompt kann dabei die Rolle, das Verhalten oder den Stil der Ausgabe bestimmen. Im vorliegenden Fall war meine Annahme, dass der Systemprompt in den Programmen beispielsweise spezifische methodische Annahmen (sequenzielles Vorgehen, Definition von Kategorien oder Interpretationen) oder Rollenzuweisungen (Forschende, Assistenz oder Expert:in) enthalten könnte. Wenn dies der Fall ist, dann ist es wichtig, dies zu wissen, da davon sowohl das methodische Vorgehen (z. B. wie codiert oder „interpretiert“ wird) als auch die inhaltliche Ausgabe betroffen sein könnten. Das heißt, ein Systemprompt könnte eine bestimmte Logik in die Ausgaben einschreiben, die nicht zur eigenen Fragestellung oder zur gewählten Methode passt.
Wenn nicht bekannt ist, welcher Systemprompt verwendet wurde, ist zudem die Nachvollziehbarkeit der Ausgabe eingeschränkt. Damit ist ein wichtiges Qualitätskriterium qualitativer Forschung – die Transparenz und intersubjektive Nachvollziehbarkeit – nicht vollumfänglich erfüllt. Denn ohne die Kenntnis des Systemprompts bleibt ein Teil des Analysepfads unsichtbar. Und wir haben so schon viel Intransparenz in Bezug auf Large Language Models, da wir selten wissen welche Trainingsdaten zugrunde liegen, welche (Nicht-)Zensuren stattfinden und welche Algorithmen genau verwendet wurden. Insofern gilt es für Transparenz zu kämpfen, wo es irgend geht.
Meine Anfrage an die Programme
Um herauszufinden, welche Systemprompts in den verschiedenen QDA-Programmen verwendet werden, habe ich zunächst auf den jeweiligen Webseiten recherchiert. Dabei habe ich mich auf die im deutschsprachigen Raum genutzten Programme fokussiert. Das sind die großen Programme atlas.ti und MAXQDA sowie die neu entwickelten Programme Karl-AI und QInsights und das Open-Source-Programm QualCoder. Leider konnte ich auf keiner der Webseiten Angaben zum Systemprompt finden. Deshalb habe ich allen eine E-Mail geschickt:
„Ich verfolge Ihre innovativen KI-Tools für qualitative Analysen mit großem Interesse. Da die Qualität und Validität qualitativer Forschungsarbeiten entscheidend von der Nachvollziehbarkeit der verwendeten Methoden abhängt, halte ich es für wichtig, dass die zugrunde liegenden Systemprompts, die zur Generierung der Interpretationen verwendet werden, offengelegt werden. Zumindest nehme ich an, dass in XX mit Systemprompts gearbeitet wird. Sollte das nicht der Fall sein, wäre das eine wichtige Information. Die Transparenz über die Systemprompts würde nicht nur das Vertrauen in Ihr Produkt stärken, sondern auch die Möglichkeit bieten, einen kritischen Dialog über die Einsatzmöglichkeiten und -grenzen von KI-gestützten Analyseverfahren zu führen. Dies ist auch für die Lehre und die Vermittlung im Umgang mit dem Tool notwendig. Ich würde mich freuen, mehr über Ihre Ansichten zu diesem Thema zu erfahren und darüber, ob Ihr Unternehmen bereit wäre, die verwendeten Systemprompts näher zu erläutern oder offenzulegen.“
Antworten der Unternehmen
Von atlas.ti und MAXQDA habe ich zunächst standardisierte (KI-)Antworten zu ethischen Richtlinien und Datenschutz erhalten. Auf erneute Nachfrage habe ich dann eine Antwort zu Systemprompts erhalten. Von den drei anderen Programmen haben mir die (Mit-)Gründer*innen selbst geantwortet. Hier die Antworten:
- atlas.ti: Antwortete, dass es sich um ein Firmengeheimnis handelt und dass ich auch ihre Antwort nicht zitieren darf.
- MAXQDA: „Leider können wir keine Informationen über die eingesetzten Systemprompts veröffentlichen. Die Prompts werden in monatelanger Arbeit entwickelt und kontinuierlich gegen neue Modelle evaluiert und aktualisiert. Sie bilden somit den Kern unserer KI-Funktionen und unterliegen ständiger Veränderung, um die bestmöglichen Ergebnisse zu produzieren.“
- Karl-AI: Hat sehr ausführlich per E-Mail geantwortet und dann den Systempromopt bei LinkedIn wie folgt beschrieben: Der Systemprompt ist bei uns relativ schlicht. Er enthält im Wesentlichen Sicherheitsregeln, einen Rollenrahmen („Expert:in für qualitative Sozialforschung“) und einige sehr allgemeine Leitlinien wie Materialorientierung und sequenzielles Vorgehen.
Die eigentliche methodische Steuerung erfolgt jedoch über die Prompts der Forschenden selbst – dort werden Methodologie, Interpretationsschritte oder theoretische Bezüge festgelegt. - QInsights: „You are Qinsights AI, a qualitative research assistant helping users analyze their research data (interviews, surveys, documents). Dann gibt es natürlich eine Reihe von Anleitungen, die allerdings mehr mit Prozessschritten zu tun haben, als mit Anweisungen für die Analyse. Die Anweisungen für die Analyse kommen vom Nutzer – der Kontext über die Projektbeschreibung. Prozessschritte sind z.B. sich jedes Dokument einzeln anzuschauen, Textstellen zurückzuliefern, damit wir Sie als Referenzen bereit stellen können, die Quelltexte gelb markieren, usw.“
- QualCoder: „bei QualCoder besteht der Systemprompt im Wesentlichen aus dem sogenannten ‚Projektmemo‘, in dem die Nutzenden selbst ihr Projekt beschreiben können – Fragestellung, Ziele, Methoden und erhobene Materialien. Man erreicht dieses Memo über das Menü ‚Projekt > Projektmemo‘. Wenn man hier eine gute Charakterisierung des Projektes vornimmt, erhöht das die Qualität der Ergebnisse deutlich. Ansonsten ist der Sytemprompt aktuell einfach: “You are assisting a team of qualitative social researchers. Here is some background information about the research project the team is working on.” …und dann wird das Projektmemo angehängt.
Was bedeuten diese Antworten für die Nutzung der Tools?
Black Box für Forschende (ATLAS.ti, MAXQDA): Methodische Nachvollziehbarkeit und Replizierbarkeit sind eingeschränkt. Besonders Prompt-Änderungen über Versionen hinweg bleiben für Nutzerinnen und Nutzer unsichtbar. Dies ist problematisch, da bei längeren Projekten oder auch bei langwierigen Auswertungen plötzlich Veränderungen in den Ausgaben auftreten können, die nicht nachvollziehbar sind.
Nutzergetriebene Instruktion (QInsights, QualCoder, Karl-AI): Der Systemprompt ist minimal, vielmehr kommt die Analyseanweisung aus Projektmemo bzw. Kontext. Das erhöht die Transparenz und Passung zur Methode, verlagert aber die Verantwortung und die Kompetenzanforderungen auf die Forschenden. Das heißt, Forschende sollten sich intensiv mit Prompting auseinandersetzen.
Die Recherche zeigt, dass bei der Entscheidung, ob KI für die qualitative Forschung eingesetzt wird, kein einfaches Ja/Nein möglich ist, sondern diverse zusätzliche Entscheidungen getroffen werden müssen. Neben Ethik, Datenschutz und Ressourcenverbrauch muss auch die Frage „Welches Programm nutze ich dafür und warum?“ berücksichtigt werden. Denn es wurde hoffentlich deutlich: Programme sind (und waren noch nie) neutrale Werkzeuge!
Nur der Text ist unter der Lizenz Creative Commons Namensnennung 4.0 International nutzbar. Alle anderen Elemente (Abbildungen, importierte Anhänge) sind „Alle Rechte vorbehalten“, sofern nicht anders angegeben.
OpenEdition schlägt Ihnen vor, diesen Beitrag wie folgt zu zitieren:
Isabel Steinhardt (13. März 2026). Systemprompts in QDA-Programmen – eine investigative Recherche. Sozialwissenschaftliche Methodenberatung. Abgerufen am 19. April 2026 von https://doi.org/10.58079/15vey