Der Forschungs-Synthetisierer: Verstreute Quellen in eine Karte aus Übereinstimmungen und Widersprüchen verwandeln
Warum dieser Prompt wichtig ist
Without a structured synthesis step, people default to citing whichever single source already matched what they expected to find, and the gap surfaces at the worst possible moment — when a stakeholder points out mid-meeting that another source in the same pile actually argues the opposite. That credibility hit costs far more time and trust to recover from than the twenty minutes a proper synthesis would have taken upfront.
Wofür wir ihn verwenden
A product manager has four analyst reports and a dozen saved articles on whether on-device AI or cloud AI will dominate enterprise deployment by 2027, needs to present a one-page synthesis to the leadership team by Friday afternoon, and does not have time to read everything closely enough to defend a recommendation under questioning in the room.
Prompt
Role: Act as a research synthesis analyst who specializes in finding genuine points of agreement, disagreement, and unaddressed gaps across multiple sources covering the same question — not a summarizer who blends everything into one smooth narrative. Context: I am researching [YOUR RESEARCH QUESTION]. Here are the sources, each clearly labeled: Source A: [PASTE SUMMARY, ABSTRACT, OR FULL TEXT] Source B: [PASTE SUMMARY, ABSTRACT, OR FULL TEXT] Source C: [PASTE SUMMARY, ABSTRACT, OR FULL TEXT] [ADD MORE SOURCES AS NEEDED, LABELED SOURCE D, E, ETC.] Task: Produce a structured synthesis that: 1. Identifies the 3 to 5 core claims being made across all sources combined 2. For each core claim, states which sources agree, which disagree, and quotes or closely paraphrases the specific language showing the agreement or disagreement 3. Distinguishes disagreements that are factual (verifiable, at least one source is likely wrong) from disagreements that are interpretive (both sources can be reasonably right, they emphasize different things) 4. Identifies at least [NUMBER] unaddressed gaps — specific sub-questions none of the sources cover, that would need separate research 5. Flags any source that appears to have a conflict of interest or vested stake in a particular conclusion, such as a vendor-sponsored study or an advocacy group Constraints: - Do not average disagreements into a vague middle-ground conclusion. State disagreements explicitly, with attribution to the specific source. - Do not treat source volume as a proxy for correctness. Three sources repeating the same unverified claim is not stronger evidence than one source citing primary data — check whether sources are independently reporting or just citing each other before counting them as separate confirmations. - If two sources make the same claim but one cites a primary source and the other cites the first source, note this explicitly as one underlying data point, not two. - Keep the total output under [WORD LIMIT] words. Output Format: 1. A short summary paragraph (3 to 4 sentences) stating the overall state of consensus or lack of it 2. "Where Sources Agree" — list of claims with supporting sources 3. "Where Sources Disagree" — list of claims with which sources say what, and whether the disagreement is factual or interpretive 4. "Unaddressed Gaps" — list of the open sub-questions 5. "Caveats" — short section flagging any source credibility concerns
Ergebnis
Overall State of Consensus: Of the three sources reviewed, there is partial agreement that on-device inference will handle a growing share of routine enterprise AI tasks by 2027, but the sources sharply disagree on whether this displaces cloud AI for core workloads or simply adds a new tier alongside it. Source C's central claim appears to rest heavily on Source A's original survey data without independent verification.
Where Sources Agree: - On-device inference costs have dropped enough to handle routine classification and short-context tasks locally (Sources A, B, C) - Enterprise IT buyers cite data residency, not raw cost savings, as the top driver for on-device adoption (Sources A, B)
Where Sources Disagree: - Claim: "On-device AI will capture the majority of enterprise AI spend by 2027." Source A projects 35% share by 2027 based on a survey of 200 IT buyers; Source B projects under 15% share, arguing complex reasoning tasks still require cloud-scale models regardless of hardware improvements. This is a factual disagreement — the two sources make incompatible quantitative predictions, and only one survey methodology can be sounder. Worth checking sample composition before trusting either figure. - Claim: "Cloud AI providers are cutting prices industry-wide to defend market share." Source C asserts this is already happening broadly; Source A documents only one vendor doing this. This is an interpretive disagreement — Source C may be generalizing from a single data point rather than an industry pattern.
Unaddressed Gaps: - No source addresses how data-residency requirements outside the US and EU affect this split - No source quantifies the latency threshold at which enterprises actually migrate workloads from cloud to on-device, versus simply running new workloads on-device from the start
Caveats: Source C is published by a chipmaker with a direct commercial interest in on-device AI adoption and should be weighted accordingly — its 35%-by-2027 figure traces back to Source A's survey rather than independent data.
Der übliche Umgang mit widersprüchlichen Quellen besteht darin, diejenige auszuwählen, die bereits dem entspricht, was man glauben wollte, oder ein KI-Tool um eine schnelle Zusammenfassung zu bitten, die alles in einen selbstbewussten Absatz mischt. Beide Ansätze löschen leise die nützlichste Information im Stapel: die konkreten Punkte, an denen glaubwürdige Quellen tatsächlich uneins sind, und warum.
Warum die Role hier wichtig ist
Die Role stellt das Modell als Synthese-Analysten dar statt als Zusammenfasser, denn das sind unterschiedliche Aufgaben. Die Aufgabe eines Zusammenfassers ist Verdichtung; die Aufgabe eines Synthese-Analysten ist es, Meinungsverschiedenheiten zu kartieren und korrekt zuzuordnen. Einen allgemeinen Assistenten zu bitten, “diese vier Berichte zusammenzufassen”, erzeugt fast immer die geglättete Version, weil Glättung das ist, worauf Zusammenfassung standardmäßig optimiert ist.
Was der Task-Abschnitt tatsächlich bewirkt
Die fünf nummerierten Anforderungen erzwingen eine bestimmte Reihenfolge: zuerst die Kernaussagen finden, dann die Übereinstimmung pro Aussage prüfen, dann Meinungsverschiedenheiten in faktisch versus interpretativ einordnen. Diese letzte Unterscheidung ist die, die die meisten Menschen überspringen, und sie ist die wichtigste. Eine faktische Meinungsverschiedenheit bedeutet, dass jemand wahrscheinlich falsch liegt und es sich lohnt, die Methodik zu untersuchen. Eine interpretative Meinungsverschiedenheit bedeutet, dass beide Quellen recht haben können, während sie unterschiedliche Dinge betonen — sie als faktischen Streit zu behandeln verschwendet Zeit bei der Suche nach einer “richtigen” Antwort, die es nicht gibt.
Die Constraint, die die eigentliche Arbeit leistet
“Mitteln Sie Meinungsverschiedenheiten nicht zu einer vagen Mittelwegschlussfolgerung” ist die Anweisung, die den gesamten Zweck der Übung schützt. Ohne Einschränkung werden die meisten Modelle die Spannung lösen, indem sie weiche, zurückhaltende Sprache finden, die technisch jede Quelle berücksichtigt — genau die Ausgabe, die jemanden unvorbereitet überrascht, wenn ein Kollege darauf hinweist, dass die Quellen eigentlich nie übereinstimmten. Die Zitationszähl-Constraint ist genauso wichtig: drei Blogbeiträge, die alle dieselbe ursprüngliche Studie zitieren, sind ein Datenpunkt in drei verschiedenen Kostümen, nicht drei unabhängige Bestätigungen.
Warum das Ausgabeformat in vier Abschnitte unterteilt ist
Die Trennung von “Wo Quellen Übereinstimmen” und “Wo Quellen Abweichen” zwingt die Meinungsverschiedenheiten, sichtbar zu bleiben, statt in einer kombinierten Erzählung zu verschwinden. Der Abschnitt “Unbehandelte Lücken” existiert, weil der teuerste Forschungsfehler nicht das Missverstehen einer Quelle ist — es ist die Annahme, dass eine Frage behandelt wurde, obwohl sie nie gestellt wurde. Der Abschnitt “Vorbehalte” erfasst Quellen, die einen Grund haben, eine bestimmte Schlussfolgerung zu bevorzugen, was mehr zählt als die Quellenanzahl bei der Entscheidung, wie viel Gewicht einer Aussage gegeben wird.
Führen Sie dies vor jedem Meeting, Memo oder jeder Entscheidung aus, die davon abhängt, mehrere einander widersprechende Quellen in Einklang zu bringen — nicht danach, wenn die Lücken bereits zum Einwand eines anderen geworden sind.