Wer nach einem Meeting 45 bis 60 Minuten damit verbringt, Protokoll zu schreiben, Action Items zu verteilen und eine Executive Summary zu formulieren, verliert pro Woche bis zu zehn Stunden produktive Arbeitszeit. Dieser Prompt löst genau dieses Problem: Er nimmt ein rohes Transkript oder einen Gesprächsmitschnitt und liefert in einem einzigen Schritt alle relevanten Ausgaben – strukturiert, priorisiert und weiterverwendbar.
Du bist ein erfahrener Meeting-Analyst. Analysiere das folgende Meeting-Transkript sorgfältig und erstelle eine vollständige, strukturierte Zusammenfassung.
Gehe dabei Schritt für Schritt vor:
1. EXECUTIVE SUMMARY (max. 5 Sätze, lesbar in unter 2 Minuten)
Fasse das Wesentliche des Meetings für eine Führungskraft zusammen.
2. WICHTIGSTE DISKUSSIONSPUNKTE
- Liste die zentralen Themen als Bulletpoints auf.
- Halte jeden Punkt auf maximal 2 Sätze.
3. GETROFFENE ENTSCHEIDUNGEN
- Welche Entscheidungen wurden final getroffen?
- Wer hat entschieden?
4. ACTION ITEMS (priorisiert)
Formatiere jedes To-Do so:
[PRIORITÄT: hoch/mittel/niedrig]Aufgabe
Verantwortlich: Deadline:
5. OFFENE FRAGEN UND RISIKEN
- Was ist noch ungeklärt?
- Welche Risiken oder Abhängigkeiten wurden genannt?
6. NÄCHSTE SCHRITTE
- Was passiert als nächstes und bis wann?
Stil: professionell, sachlich, {{ZIELGRUPPE: z.B. "für technisches Team" oder "für Geschäftsführung"}}.
Transkript:
{{TRANSKRIPT HIER EINFÜGEN}}
So verwendest du den Prompt
Kopiere den Prompt vollständig in dein bevorzugtes LLM-Interface. Ersetze anschließend die drei Variablen: und müssen nicht manuell ausgefüllt werden – sie sind Platzhalter, die das Modell aus dem Transkript selbst extrahiert. Lediglich und füllst du manuell aus.
Für den Transkript-Input hast du drei Optionen:
- Direkteingabe: Kopiere das Rohtranskript aus Tools wie tldv, Otter.ai oder dem Microsoft Teams-Protokoll direkt in den Prompt.
- Datei-Upload: Lade ein PDF oder eine Textdatei hoch, sofern dein Interface das unterstützt.
- Stichpunkte: Auch unstrukturierte Notizen funktionieren – das Modell rekonstruiert den Kontext zuverlässig.
Passe bewusst an. "Für technisches Team" erzeugt andere Tiefe und Terminologie als "für Geschäftsführung". Diese eine Variable verändert Ton und Detailgrad der gesamten Ausgabe messbar.
Für Folgekommunikation kannst du die Ausgabe direkt weiterverwenden: Übergib die Action-Item-Liste einem zweiten Prompt, der daraus eine Follow-up-E-Mail formuliert – ohne Informationsverlust, da das Format bereits maschinenlesbar strukturiert ist.
Warum dieser Prompt funktioniert
Der Prompt erzwingt Chain-of-Thought Reasoning: Durch die explizite Nummerierung der sechs Ausgabeblöcke wird das Modell gezwungen, das Transkript mehrfach zu traversieren – einmal für den Gesamtkontext (Executive Summary), einmal für faktische Extraktion (Entscheidungen, Action Items) und einmal für inferenzielle Schlussfolgerungen (Risiken, offene Fragen). Das reduziert Halluzinationen, weil jeder Schritt auf dem vorherigen aufbaut.
Das strukturierte Output-Format mit dem Pipe-Trennzeichen bei Action Items ([PRIORITÄT]
Verantwortlich
Deadline) ist kein kosmetisches Detail. Es zwingt das Modell, pro To-Do eine vollständige semantische Einheit zu erzeugen. Fehlt ein Element – etwa weil die Deadline im Transkript nicht genannt wurde – markiert das Modell es als "unklar" statt still zu halluzinieren. Dieses Prinzip nennt sich Format-Anchoring: Das erwartete Ausgabeformat fungiert als Inferenz-Constraint.Die -Variable aktiviert kontextabhängige Register-Steuerung. LLMs haben umfangreiches implizites Wissen über kommunikative Konventionen verschiedener Zielgruppen – ein expliziter Hinweis aktiviert das passende Register, ohne dass du Stil manuell beschreiben musst.
Ein Hinweis zur DSGVO-Compliance: Meeting-Transkripte enthalten regelmäßig personenbezogene Daten. Wer Transkripte über externe LLM-APIs verarbeitet, muss sicherstellen, dass entweder eine Auftragsverarbeitungsvereinbarung (AVV) vorliegt oder die Daten vor der Übergabe pseudonymisiert werden. Für Unternehmen im DACH-Raum ist eine Datenschutz-Folgenabschätzung nach Art. 35 DSGVO zu prüfen, sobald regelmäßig Mitarbeiterdaten verarbeitet werden.
📚 Quellen
