Context-Engineering: Warum KI ohne Kontext mittelmäßig bleibt — und was Sie dem Modell über sich verraten sollten
Dasselbe KI-Modell liefert dem einen Nutzer brillante, dem anderen mittelmäßige Ergebnisse — bei identischer Frage. Der Unterschied ist fast nie das Modell. Es ist der Kontext, den man ihm gibt. Context-Engineering ist die unterschätzteste Disziplin im praktischen KI-Einsatz: die Kunst, dem Modell genau die richtigen Informationen zur richtigen Zeit mitzugeben. Hier ist, wie es funktioniert, was Sie dem Modell über sich und Ihr Unternehmen verraten sollten — und wo die Datenschutz-Grenze verläuft, die Sie nie überschreiten dürfen.
Zwei Menschen stellen demselben KI-Modell dieselbe Frage. Der eine bekommt eine brillante, präzise Antwort, die er fast unverändert nutzen kann. Der andere bekommt etwas Generisches, Mittelmäßiges. Der Unterschied ist fast nie das Modell. Es ist der Kontext, den die beiden mitgeliefert haben.
Context-Engineering — die Kunst, dem Modell genau die richtigen Informationen zur richtigen Zeit zu geben — ist die unterschätzteste Disziplin im praktischen KI-Einsatz. Sie ist wichtiger als die Wahl des Modells und wichtiger als ausgefeilte Prompt-Tricks. Dieser Artikel erklärt, wie sie funktioniert, was Sie teilen sollten — und wo die Grenze verläuft.
Warum Kontext den Unterschied macht
Ein LLM weiß nichts über Sie, Ihr Unternehmen, Ihre Branche, Ihre bisherigen Entscheidungen — es sei denn, Sie sagen es ihm. Ohne diesen Kontext antwortet es auf Basis des statistischen Durchschnitts seiner Trainingsdaten. Das Ergebnis ist zwangsläufig generisch, weil es für niemanden Bestimmtes geschrieben ist.
Beispiel: Die Frage „Wie sollte ich meine Vertriebsstrategie für nächstes Jahr aufstellen?" produziert ohne Kontext eine Lehrbuch-Antwort. Mit Kontext — „B2B-Maschinenbau, 40 Mio. Umsatz, 12 Außendienstler, Hauptmarkt DACH, Problem: lange Verkaufszyklen, Wettbewerb über Preis" — produziert dasselbe Modell eine Antwort, die auf Ihre konkrete Situation passt. Der Kontext verwandelt ein generisches Werkzeug in einen spezifischen Berater.
Die drei Ebenen von Kontext
Context-Engineering arbeitet auf drei Ebenen, die zunehmend dauerhafter werden:
- Ad-hoc-Kontext (pro Anfrage): Die Informationen, die Sie in einem konkreten Prompt mitgeben. Schnell, flexibel, aber jedes Mal neu.
- Persistenter Kontext (pro Projekt/Person): Dauerhaft hinterlegte Informationen — etwa über die „Projekte"-Funktion in Claude, „Custom Instructions" in ChatGPT oder „Gems" in Gemini. Einmal hinterlegt, gilt es für alle folgenden Gespräche.
- System-Kontext (organisationsweit): In eigenen Anwendungen fest eingebauter Kontext — Unternehmensrichtlinien, Markenstimme, Faktenbasis. Der Nutzer merkt nichts davon, aber das Modell „weiß" es bei jeder Interaktion.
Der Reife-Sprung im Unternehmen passiert beim Übergang von Ebene 1 zu Ebene 2 und 3 — von „jeder tippt jedes Mal alles neu" zu „der relevante Kontext ist hinterlegt und wird automatisch mitgegeben".
Was Sie dem Modell über sich verraten sollten
Für die persönliche Produktivität (Ebene 2) lohnt es sich, dem Modell ein dauerhaftes Profil zu geben. Was hilft konkret:
- Ihre Rolle und Branche — damit Antworten den richtigen fachlichen Zuschnitt haben.
- Ihre wiederkehrenden Aufgaben — damit das Modell den Anwendungskontext kennt.
- Ihre Stil-Präferenzen — „direkt, keine Floskeln, Fließtext statt Listen" verändert jede Antwort.
- Ihre Standard-Constraints — Sprache, Format, Zielgruppe Ihrer typischen Outputs.
- Was Sie nicht wollen — die Negativ-Liste aus dem Prompt-Engineering-Artikel, einmal dauerhaft hinterlegt.
Diese Investition — einmal ein gutes Profil anlegen — multipliziert die Qualität jeder folgenden Interaktion. Es ist der Unterschied zwischen einem Werkzeug, das Sie kennt, und einem, das bei null beginnt.
Die Datenschutz-Grenze — was nie ins Modell gehört
Hier ist die wichtigste Einschränkung, und sie ist nicht verhandelbar. Bevor Sie Kontext teilen, müssen Sie zwischen zwei Welten unterscheiden:
Bei Consumer-Tarifen (ChatGPT Plus, Gemini Free, kostenlose Claude-Nutzung) gilt: Behandeln Sie alles, was Sie eingeben, als potenziell nicht vertraulich. Diese Tarife können Eingaben zur Modell-Verbesserung nutzen, sofern nicht ausdrücklich deaktiviert. Hier gehören niemals hinein: personenbezogene Daten Dritter (Kunden, Mitarbeiter), Geschäftsgeheimnisse, Vertragsinhalte, Finanzdaten, alles unter Geheimhaltung.
Bei Enterprise-/Business-Tarifen mit Auftrags- verarbeitungsvertrag (DPA) und der vertraglichen Zusicherung, dass Daten nicht zum Training genutzt werden, verschiebt sich die Grenze — aber sie verschwindet nicht. Auch hier gilt: personenbezogene Daten Dritter nur, wenn die DSGVO-Grundlage stimmt (siehe DSGVO-Artikel), und hochsensible Daten gehören in self-hosted Lösungen (siehe Open-Source-vs-Frontier-Artikel).
Die praktische Faustregel: Kontext über Sie selbst und Ihre öffentlich bekannte Geschäftssituation — großzügig teilen. Kontext über identifizierbare Dritte oder Geschäftsgeheimnisse — nur unter den richtigen vertraglichen und technischen Bedingungen.
Memory-Systeme — wie KI sich „erinnert"
Wie im Artikel über die Grenzen von LLMs beschrieben: Das Modell selbst hat kein Gedächtnis zwischen Sitzungen. Was als „Memory" beworben wird, ist immer ein zusätzlicher Layer, der Kontext speichert und bei Bedarf wieder einspeist. Drei Ausprägungen:
- Eingebaute Memory-Funktionen (ChatGPT Memory, Claude Projects): bequem für Einzelpersonen, aber die Kontrolle darüber, was gespeichert wird, ist begrenzt.
- Eigene Memory-Architektur: In Unternehmensanwendungen baut man ein System, das gezielt speichert, was relevant ist, und beim nächsten Mal wieder mitgibt. Volle Kontrolle, aber Eigenbau.
- RAG als Memory: Für faktisches Unternehmenswissen ist RAG (siehe RAG-Artikel) die strukturierte Form von „Gedächtnis" — abrufbar, auditierbar, aktualisierbar.
Praktische Patterns für den Mittelstand
Pattern 1 — Das Unternehmens-Briefing. Erstellen Sie ein standardisiertes Kontext-Dokument über Ihr Unternehmen (Branche, Größe, Zielgruppe, Markenstimme, Tabus), das in jede KI-gestützte Aufgabe einfließt. Einmal geschrieben, vielfach genutzt.
Pattern 2 — Rollen-Profile. Unterschiedliche Abteilungen brauchen unterschiedlichen Kontext. Ein Vertriebs-Profil, ein Marketing-Profil, ein Controlling-Profil — jeweils mit dem relevanten Hintergrund vorkonfiguriert.
Pattern 3 — Die Kontext-Hygiene. Kontext veraltet. Wer dem Modell vor einem Jahr seine Strategie hinterlegt hat, arbeitet heute mit veralteten Annahmen. Persistenter Kontext gehört regelmäßig überprüft und aktualisiert — sonst wird aus dem Vorteil eine Fehlerquelle.
Die Quintessenz
Wer bessere KI-Ergebnisse will, fragt zuerst nicht „welches Modell?", sondern „welcher Kontext?". Die meisten Qualitätssprünge im praktischen Einsatz kommen nicht vom teureren Modell, sondern vom besseren Kontext — und der kostet nichts außer dem einmaligen Aufwand, ihn sauber aufzusetzen.
Gleichzeitig ist der Kontext genau der Punkt, an dem Datenschutz-Fehler passieren — wenn in der Begeisterung über bessere Ergebnisse sensible Daten in Systeme wandern, in die sie nicht gehören. Die Disziplin besteht aus beidem: großzügig teilen, wo es sicher ist, und eine klare Linie ziehen, wo es das nicht ist. Wer beides beherrscht, holt aus denselben Werkzeugen deutlich mehr heraus als der Wettbewerb — bei geringerem Risiko.
Stand: 26. Mai 2026. Dieser Artikel ist keine Rechtsberatung; für die datenschutzrechtliche Bewertung konkreter Setups ziehen Sie Ihren Datenschutzbeauftragten hinzu. Verwandte Artikel: Prompt-Engineering · Grenzen von LLMs · RAG im Mittelstand.