Context Management – Was die KI außer deinem Prompt noch sieht

Gleicher Prompt, anderer Context

Zwei Anfragen an dieselbe KI. Beide haben exakt denselben Prompt. Der Unterschied liegt darin, was die KI zusätzlich weiß.

Variante A bekommt einen generischen Mustertext. Variante B bekommt ein Angebot, das Kundenhistorie, Preisrahmen und Unternehmensstimme berücksichtigt. Der Prompt-Kern ist identisch. Der Context macht den Unterschied.

Was dich erwartet

Diese Lesson geht hinter die Kulissen. Du lernst, was überhaupt alles zum Context gehört, wie er sich zwischen Business-Cases unterscheidet, warum er in Unternehmen oft der eigentliche Engpass ist — und wie du ihn aktiv gestaltest statt dem Zufall zu überlassen.

Statisch vs. Laufzeit

Die sechs Kategorien

Mit dem Typ-Raster im Kopf wird die Context-Landschaft sortierbar. Sechs Kategorien decken ab, was die KI vor ihrer Antwort an Information gesehen haben kann.

Die fünfte Kategorie ist der spannendste Hybrid: Du verbindest einmal eine Datenquelle (statisch). Bei jeder Aufgabe liefert sie dann frische Daten nach (Laufzeit). Genau da setzen später die Hebel an.

Marketing: Content-Produktion

Ein Team schreibt regelmäßig Whitepaper, Blogposts und Launch-Texte. Der Prompt ist oft kurz ("Entwurf zu Thema X"). Entscheidend ist, was außen herum liegt: Brand-Guidelines, frühere Whitepaper als Stil-Referenz, Produkt-FAQ mit Begriffs-Definitionen, Persona-Beschreibungen der Zielgruppe.

HR: Bewerbungssichtung

Personalabteilung sichtet 200 Bewerbungen für eine Vakanz. Hier zählt ein ganz anderer Context: die konkrete Stellenbeschreibung mit Muss- und Kann-Kriterien, die Team-Kultur der einstellenden Abteilung, rechtliche Leitplanken (AGG, keine Diskriminierung), frühere Beispiele, die gut gepasst haben.

Support: Ticket-Beantwortung

Kundenservice beantwortet technische Anfragen. Der Context ist ganz konkret: aktuelle Produktdokumentation, frühere ähnliche Tickets mit ihrer Lösung, Eskalations-Policy (wann geht ein Fall an Tier 2?), bekannte offene Bugs. Ohne diesen Context produziert die KI plausiblen Unsinn.

Gegenüberstellung

Die unsichtbare Realität

Was in Unternehmen als "vorhandenes Wissen" firmiert, sieht beim genaueren Hinschauen oft so aus:

• PDFs, die gescannte Bilder sind — technisch Bild, nicht Text. Ohne OCR unlesbar für die KI.
• PowerPoints, in denen die Info in Grafiken steckt — Sprechzettel fehlen, Kern-Botschaft nur im Bild.
• Intranet-Seiten ohne Export — Wissen existiert, ist aber nicht strukturiert abrufbar.
• CRM-Felder mit freier Texteingabe — uneinheitlich gepflegt, schwer auswertbar.
• Tool-Landschaften (ERP, SharePoint, Shopify, Jira, E-Mail) — jede Anwendung hält ihre Daten in ihrem eigenen Silo.
• Wissen im Kopf einzelner Leute — nie dokumentiert, aber entscheidend für gute Entscheidungen.

Warum das ein KI-Problem ist

Die KI kann nur mit dem arbeiten, was in ihrem Context Window landet. Daten, die in einem gescannten PDF oder einem gut gepflegten, aber abgeschotteten Fachtool liegen, existieren für die KI nicht. Sie wird an ihre Stelle plausibel klingende Vermutungen setzen. Das ist keine böse Absicht — das ist ihre Funktionsweise.

Drei typische Engpass-Muster

Die vier Hebel im Überblick

Hebel 1: Aufbereiten

Aus Bild-PDF wird durchsuchbarer Text. Aus PowerPoint-Grafik wird strukturierte Notiz. Aus handschriftlichem Flipchart wird ein digitales Protokoll. Aus E-Mail-Thread wird eine Zusammenfassung der Entscheidungen. Oft reichen heute KI-Tools selbst, um das zu erledigen — Screenshot rein, Text und Struktur raus. Der Skill ist: wissen, was man aufbereitet und warum.

Hebel 2: Strukturieren

Ein 40-Seiten-Bericht ohne Überschriften ist für die KI (und für Menschen) fast wertlos. Derselbe Text mit klaren Abschnitten, Zwischenüberschriften, einer Management Summary oben drüber und Metadaten (Datum, Autor, Status) ist ein anderer Gegenstand. Strukturieren heißt: Navigierbarkeit ins Dokument bringen, die vorher nur im Kopf des Autors existierte.

Hebel 3: Kuratieren

Nicht alles, was du hast, muss in jedem Prompt mitgegeben werden. Jede KI kann nur eine begrenzte Textmenge auf einmal verarbeiten — das sogenannte Context-Fenster. Zu viel Rauschen darin macht die Antworten schlechter, nicht besser. Kuratieren heißt: für diese konkrete Aufgabe die fünf relevanten Seiten aus den 200 Seiten Gesamtdoku auswählen — und nur die mitgeben.

Hebel 4: Verbinden

Die Königsdisziplin. Statt jedes Mal manuell Dokumente hochzuladen, schaffst du eine Verbindung: Das KI-System greift automatisch auf deine Wissensdatenbank zu, zieht sich pro Anfrage die relevanten Ausschnitte, hält den Context aktuell. Technisch steckt dahinter eine Schnittstelle (englisch: API) oder ein Connector — beides sind Brücken zwischen deinen Daten und der KI. Ein häufiges Muster dafür heißt RAG: Die KI sucht automatisch in deinen Dokumenten und nutzt die passenden Treffer. Das ist technisch anspruchsvoller, braucht meistens IT oder Dienstleister — skaliert dafür enorm.

Die fünf Fragen

1. Was braucht die KI, um meine Version der Aufgabe gut zu lösen? — nicht irgendeine Aufgabe, sondern deine konkrete.
2. Wo liegt dieses Wissen heute? — im Dokument, in einem Tool, im Kopf einer Kollegin, im Wiki.
3. Ist es LLM-zugänglich? — also als Text verfügbar, strukturiert, auslesbar.
4. Wie oft brauche ich das? — einmalig → manuell mitgeben reicht. Regelmäßig → aufbereiten oder verbinden lohnt sich.
5. Was davon ist sensibel? — Datenschutz, Betriebsgeheimnisse, geistiges Eigentum, rechtliche Rahmen.

Durchgespielt: Kundenanschreiben

Wie ein konkreter Durchlauf aussieht — am Beispiel: Follow-up-Mail nach einem Messegespräch.

Du hast jetzt drei Werkzeuge, die ineinandergreifen: Das Mental Model mit zwei Typen und sechs Kategorien macht Context sortierbar. Die vier Hebel geben dir die Handgriffe. Die Checkliste bringt beides in den Alltag.

Wie du morgen anfängst

1. Wähle einen einzigen Use Case, den du regelmäßig machst. Nicht den spannendsten, den häufigsten.
2. Baue einmal statischen Context für genau diesen Use Case: Persona, Tonalität, Produkt-Kontext — in Custom Instructions oder einem Project.
3. Übe Kuratieren: bei den nächsten fünf Anwendungen bewusst entscheiden, welchen Ausschnitt du pro Aufgabe mitgibst.

Wie es weitergeht

Context Management ist kein Einmal-Projekt, sondern eine Gewohnheit. Sie wächst mit jedem neuen Use Case. In der nächsten Stufe geht es um Techniken innerhalb des Prompts (Prompting fortgeschritten) und um die Frage, wie du den Output kritisch prüfst — denn selbst mit perfektem Context bleibt die KI ein Entwurfs-Generator, kein Orakel.

Begriffe aus dieser Lesson

• Context Engineering — Context Engineering ist die Disziplin, einem KI-Modell den richtigen Kontext in der richtigen Form bereitzustellen, damit Antworten präziser, faktentreuer und anwendungsspezifischer werden.
• Context Management — Context Management ist der bewusste, alltagstaugliche Umgang mit dem, was eine KI außer deinem Prompt sonst noch sieht — mitgegebene Dokumente, Chat-Verlauf, Voreinstellungen, verknüpfte Datenquellen. Einsteigerperspektive auf das größere Thema „Context".

Passende Fragen

• Ist mehr Kontext im Prompt immer besser?
  Nein. „Lost in the Middle" zeigt: Informationen in der Mitte langer Kontexte werden schlechter verarbeitet. Größere Context-Windows kosten mehr und die Aufmerksamkeitsverteilung leidet. Gezieltes RAG ist oft effektiver als das Hineinwerfen ganzer Dokumente.
• Warum liefert KI auf meinen Firmendaten so schlechte Ergebnisse?
  Meist liegt es nicht am Modell, sondern daran, dass die Daten für die KI gar nicht sichtbar sind. Gescannte PDFs, Info in PowerPoint-Grafiken, Tool-Silos ohne Export — was die KI nicht lesen kann, füllt sie mit Wahrscheinlichkeiten. Der Hebel ist Datenaufbereitung, nicht das bessere Modell.
• Was ist der Unterschied zwischen Prompt und Context?
  Der Prompt ist, was du tippst. Der Context ist alles andere, was die KI vor ihrer Antwort sieht — mitgegebene Dokumente, Chat-Verlauf, Voreinstellungen, verknüpfte Datenquellen. Prompt-Tricks sind irgendwann ausgereizt. Context zu gestalten ist der größere Hebel.