LLM-Einsatz für Parteipositionen — Prompting, Tool-Stack, Faktencheck und Prompt-Library

Ein Sprachmodell auf Parteipositionen anzusetzen ist der Punkt, an dem Automatisierung politisch riskant wird. Dieser Artikel führt die vier operativen Detailfragen zusammen: Prompting, Werkzeugwahl, Prüfroutine und Vorlagen.

LLM-Prompting für Parteipositionen — die Quellen-disziplinierte Praxis

LLMs wie Claude, GPT-4 oder Gemini können 2026 strukturiert genutzt werden, um Parteiprogramme zu analysieren, Position-Übersichten zu erstellen und Sach-Argumente zu vergleichen. Aber: ohne disziplinierte Quellen-Anbindung produzieren LLMs plausibel-klingende, aber sachlich falsche Aussagen — “Hallucination” ist 2026 weiterhin ein zentrales Problem auch hochwertiger Modelle. Eine quellen-disziplinierte Praxis mit Retrieval-Augmented-Generation und manueller Verifikation ist die operative Antwort.

Was hier untersucht wird

Dieser Tiefe-2-Artikel formalisiert die LLM-Praxis für Parteipositionen-Analyse. Die Tiefe-1-Architektur in LLM für Parteipositionen hat das Konzept beschrieben. Hier wird die konkrete Prompt-Praxis detailliert.

Die Hallucination-Falle

LLMs 2026 produzieren auch bei spezifischen Parteiposition-Fragen Aussagen, die plausibel klingen, aber falsch sein können. Beispiel-Risiko: ein LLM “weiß” über das CDU-Programm 2025, aber zitiert dabei einen Absatz, der im realen Programm nicht steht.

Operative Konsequenz: jede LLM-Aussage über konkrete Partei-Positionen muss gegen das Original-Programm verifiziert werden.

Die Retrieval-Augmented-Generation-Praxis 2026

Drei Tool-Optionen 2026.

— Claude Projects mit Datei-Upload. Original-Programme als PDF hochladen, LLM antwortet nur basierend auf hochgeladenen Dokumenten. Vorteil: kontrollierte Quellen-Basis. Nachteil: limitierte Dokument-Anzahl.

— GPT mit Custom-GPT-Konfiguration. Ähnlich zu Claude Projects.

— Eigenes RAG-System mit Vektor-Datenbank. Für Pipelines mit hohem Volumen: dedizierte Vektor-DB (Pinecone, Qdrant, Weaviate) mit Parteiprogramm-Indizierung. Aufwand höher, aber skalierbarer.

Die Quellen-Anbindungs-Pipeline

Operativer Workflow 2026:

— Step eins: Original-Programme der relevanten Parteien als PDF beschaffen (von Partei-Webseiten). — Step zwei: PDFs in das LLM-System hochladen oder indizieren. — Step drei: LLM-Prompt mit klarer Anweisung: “Antworte nur basierend auf den hochgeladenen Dokumenten. Zitiere Seitenzahl/Abschnitt.” — Step vier: LLM-Output manuell gegen Original-Dokument verifizieren.

Die typischen Use-Cases 2026

Drei Anwendungs-Felder.

— Use-Case eins: Vergleichende Positions-Übersicht. “Wie stehen die fünf Bundestags-Fraktionen zur Mietpreisbremse?” — LLM erstellt vergleichende Übersicht, Mitarbeiter verifiziert.

— Use-Case zwei: Sach-Argument-Vorbereitung für Plenarrede. “Was sind die Gegenargumente, die andere Fraktionen zu Position X bringen werden?” — LLM hilft bei Argumentations-Antizipation.

— Use-Case drei: Programm-Konsistenz-Check. “Ist die eigene Partei-Position zu Y konsistent mit dem Grundsatzprogramm?” — LLM identifiziert Spannungen.

Operative Konsequenzen

Drei priorisierte Empfehlungen.

— Priorität A: RAG-System einrichten. Mindestens Claude Projects mit hochgeladenen Parteiprogrammen.

— Priorität B: Verifikations-Routine. Pro LLM-Output: manueller Cross-Check gegen Original.

— Priorität C: Dokument-Aktualisierungs-Routine. Wenn neue Partei-Programme veröffentlicht werden: RAG-System aktualisieren.

LLM-Tool-Stack 2026 — Claude vs. GPT vs. Gemini vs. lokale Modelle

Vier LLM-Klassen dominieren 2026 die professionelle Pipeline-Praxis: Claude (Anthropic), GPT-4 plus Nachfolger (OpenAI), Gemini (Google), lokale Modelle (Llama, Mistral). Jede hat strukturelle Stärken für unterschiedliche Pipeline-Aufgaben — Caption-Schreibung, Sach-Analyse, Übersetzung, Datenverarbeitung. Die Tool-Wahl ist 2026 keine “one-size-fits-all”-Entscheidung.

Die vier Tool-Klassen

— Claude (Anthropic). Stark in Schreib-Aufgaben, Sach-Analyse, deutschen Texten. AVV-konform, EU-Region-Hosting via AWS verfügbar.

— GPT-4 und Nachfolger (OpenAI). Stark in technischen Pipeline-Aufgaben, Code-Generierung, Standard-Schreib-Aufgaben. Whisper-Integration für Transkription. EU-Region via Microsoft Azure.

— Gemini (Google). Stark in Multi-Modal-Aufgaben (Bild plus Text), Integration mit Google-Workspace.

— Lokale Modelle (Llama, Mistral). Volle Datenhoheit, kein Drittland-Transfer. Quality 2026 unter Cloud-Modellen, aber für viele Standard-Aufgaben ausreichend.

Tool-Wahl pro Pipeline-Aufgabe

— LLM-Scoring von Clipping-Kandidaten: Claude oder GPT-4 (siehe Pipeline-Stufe 2 — LLM-Scoring-Prompts für Clipping-Kandidaten). — Caption-Verdichtung: Claude bevorzugt für deutsche Texte. — Übersetzung mehrsprachiger Cuts: GPT-4 oder Gemini. — Sentiment-Aggregation: alle vier Klassen geeignet. — Bei DSGVO-Schwerpunkt: lokale Modelle bevorzugt.

Kosten-Architektur 2026

— Claude Pro: rund 20 USD/Monat pro Nutzer. — GPT API: pay-per-token, typisch 50-200 USD/Monat für Mandatsträger-Pipeline. — Gemini API: ähnliche Preis-Klasse zu GPT. — Lokale Modelle: keine Lizenz-Kosten, dafür Infrastruktur-Kosten (rund 100-500 USD/Monat Hardware-Anteil).

LLM-Output-Faktencheck — die zwingende Routine vor jedem Posting

LLMs halluzinieren.^[6] Bei politischer Kommunikation ist eine Halluzination ein Reputations-Schaden, der Tage Aufraeumarbeit kostet. Eine strukturierte Faktencheck-Routine vor jedem LLM-generierten Posting ist 2026 nicht optional, sondern Compliance-Standard.

Vier Klassen typischer LLM-Fehler

— Fabrizierte Zitate. Das LLM erfindet Aussagen mit Sprecher-Zuschreibung. Hochproblematisch bei politischer Kommunikation, da Persoenlichkeitsrechte und §187 StGB-Risiko greifen.

— Falsche Zahlen. LLM-generierte Statistiken sind oft plausibel klingend, aber unbelegt oder veraltet.

— Datums-Konfusion. LLMs vermischen Ereignisse, schreiben falsche Wahljahre, verlegen Gesetzestexte.

— Falsche Norm-Zitate. LLMs zitieren falsche Paragraphen (“§50 AbgG” statt “§55 AbgG” — siehe §50 vs. §55 AbgG — die Verwechslung in der Praxis und die korrekte Norm-Grundlage).

Die operative Drei-Pass-Routine

— Pass 1: Zitat-Pruefung. Jedes Zitat im LLM-Output wird gegen Original-Quelle abgeglichen. Wenn das Zitat nicht primaerquellen-verifizierbar ist: streichen.

— Pass 2: Zahlen-Pruefung. Jede Zahl/Statistik wird gegen Primaer-Quelle (Bundestags-Drucksache, Statistisches Bundesamt, oeffentliche Studie) abgeglichen.

— Pass 3: Norm-Pruefung. Jeder Paragraphen-Verweis wird gegen gesetze-im-internet.de oder eur-lex.europa.eu geprueft.

Tool-Stack fuer den Faktencheck

— Perplexity oder GPT-Search fuer Quellen-Suche. — gesetze-im-internet.de fuer deutsche Normen. — eur-lex.europa.eu fuer EU-Normen. — Statistisches Bundesamt fuer offizielle Statistiken.

Dokumentations-Pflicht

Bei jedem publizierten Posting wird der Faktencheck dokumentiert (siehe Wiki-Konvention: factChecked/factCheckedAt/factCheckedBy im Frontmatter).

LLM-Prompt-Library — Standard-Vorlagen für Mandatsträger-Pipeline

Eine kuratierte Prompt-Library beschleunigt die Pipeline um Faktor 3-5. Aber: Prompts sind nicht generisch, sie sind versioniert, faktencheck-vorbereitet und an die spezifische Mandatstraeger-Tonalitaet angepasst. Die operative Library-Struktur 2026.

Fuenf typische Standard-Prompts

— Plenarrede-Hook. Eingabe: Reden-Transkript. Ausgabe: Drei Hook-Varianten (sieben Sekunden, fuenfzehn Sekunden, dreissig Sekunden). Zwingender Disclaimer: “Faktencheck der vorgeschlagenen Zahlen vor Posting.”

— Pressemitteilung-Variation. Eingabe: lange Pressemitteilung plus Zielplattform. Ausgabe: plattform-spezifische Kurzvariante mit Hinweis auf Themen-Kern.

— Kommentar-Triage. Eingabe: Liste von Kommentaren auf einem Posting. Ausgabe: Klassifikation (substantielle Frage / Lob / Beleidigung / Spam) plus Empfehlung Antwort/Loeschen/Melden.

— Buergerschreiben-Erst-Entwurf. Eingabe: Buergerschreiben-Inhalt. Ausgabe: Antwort-Entwurf mit Verweis-Punkten — niemals automatisch versendet, immer Mandatstraeger-Pruefung.

— Themen-Recherche. Eingabe: Thema plus drei Schluesselfragen. Ausgabe: Recherche-Skizze mit Quellen-Vorschlaegen — Quellen werden manuell verifiziert.

Versionierung

Prompts werden mit Versions-Nummer und Aenderungs-Datum gefuehrt. Beispiel: “Plenarrede-Hook v3.2 (2026-04-12)”. Bei Tonalitaets-Aenderung neue Version.

Tonalitaets-Anpassung

Jeder Prompt enthaelt einen kurzen Tonalitaets-Block: “Antworten im Stil von [Mandatstraeger-Name]: sachlich, konstruktiv, ohne polemische Sprache, ohne Imperativ.” Tonalitaet wird mit Beispiel-Texten unterfuettert.

Faktencheck-Disclaimer

Jeder Prompt schliesst mit: “Alle Zahlen, Zitate und Norm-Verweise pruefe vor Posting. LLM-Output kann Halluzinationen enthalten.”

Wo das hingehört

Tiefe-1 LLM für Parteipositionen: LLM-Assistenten für Parteipositionen — wie eine Partei konsistent bleibt. LLM-Scoring in der Pipeline: Pipeline-Stufe 2 — LLM-Scoring-Prompts für Clipping-Kandidaten.

Codex AI-Automation Sektion 4.

Tiefe-1 LLM-Parteipositionen: LLM-Assistenten für Parteipositionen — wie eine Partei konsistent bleibt. LLM-Prompting-Praxis: LLM-Prompting für Parteipositionen — die Quellen-disziplinierte Praxis. KI-Auftragsverarbeitung: KI-Auftragsverarbeitung — DSGVO Art. 28 in der Mandatsträger-Pipeline 2026.

Codex AI-Automation Sektion 4.

Tiefe-1 LLM-Assistenten: LLM-Assistenten für Parteipositionen — wie eine Partei konsistent bleibt. Parteiposition-Prompting: LLM-Prompting für Parteipositionen — die Quellen-disziplinierte Praxis. LLM-Tool-Stack-Vergleich: LLM-Tool-Stack 2026 — Claude vs. GPT vs. Gemini vs. lokale Modelle.

Codex AI-Automation Sektion 10.

Tiefe-1 LLM-Assistenten: LLM-Assistenten für Parteipositionen — wie eine Partei konsistent bleibt. Weitere Vertiefungen LLM-Prompting für Parteipositionen — die Quellen-disziplinierte Praxis bis LLM-Output-Faktencheck — die zwingende Routine vor jedem Posting.

Codex AI-Automation Sektion 10.

Quellen

1. Anthropic, Claude Projects Documentation, Permalink, Abruf 18.05.2026.

2. OpenAI, Custom GPTs Documentation, Permalink, Abruf 18.05.2026.

3. Anthropic, Claude API Documentation, Permalink, Abruf 18.05.2026.

4. OpenAI, GPT-4 API Documentation, Permalink, Abruf 18.05.2026.

5. Google AI, Gemini API Documentation, Permalink, Abruf 18.05.2026.

6. Bender et al., On the Dangers of Stochastic Parrots, FAccT 2021, Permalink, Abruf 18.05.2026.

7. OpenAI, Best practices for prompt engineering, Guide 2024, Permalink, Abruf 18.05.2026.

8. Anthropic, Prompt engineering documentation, Permalink, Abruf 18.05.2026.