Was ist Context Clash?

Context Clash ist ein Fehlermuster von KI-Systemen, bei dem sich zwei oder mehr Informationen im Kontext des Modells widersprechen. Vor widersprüchliche Fakten, Definitionen oder Anweisungen gestellt, muss das Modell sie in Einklang bringen, und das gelingt ihm meist schlecht: Es greift willkürlich eine heraus, mittelt sie zu etwas Falschem oder liefert von einem Moment zum nächsten unterschiedliche Antworten. Das Modell ist nicht kaputt. Ihm wurde ein Widerspruch gereicht, verbunden mit der Aufforderung, so zu tun, als wäre er stimmig.

Context Clash ist eines von vier klassischen Fehlermustern des Kontexts, die Drew Breunig 2025 beschrieben hat. Besonders verbreitet ist es im Unternehmen, wo derselbe Fachbegriff oft mehrere einander widersprechende Definitionen in verschiedenen Systemen hat. Landen sie alle gleichzeitig im Kontext, also „aktiver Kunde“ in drei Lesarten, zwei Kennzahlen, die nicht übereinstimmen, eine neue Anweisung im Widerspruch zu einer alten, dann kann das Modell nicht wissen, welche maßgeblich ist. Die Abhilfe liegt nicht im Prompt, sondern darin, den Widerspruch an der Quelle aufzulösen.

Context Clash im Überblick

Context Clash entsteht immer dann, wenn die in ein Kontextfenster zusammengestellten Informationen in sich widersprüchlich sind. Der Widerspruch kann sachlich sein (zwei Quellen melden unterschiedliche Werte für dieselbe Kennzahl), begrifflich (derselbe Term bedeutet in zwei abgerufenen Dokumenten Unterschiedliches) oder prozedural (eine frühere Anweisung kollidiert mit einer späteren). Welche Form auch immer, die Wirkung ist dieselbe: Das Modell muss einen Widerspruch auflösen, für dessen Auflösung es keine maßgebliche Grundlage hat.

Das Ergebnis ist Unzuverlässigkeit und kein offensichtlicher Fehler. Das Modell folgt vielleicht der Aussage, die zuletzt auftauchte, oder der häufigsten, oder es liefert bei verschiedenen Durchläufen einfach verschiedene Antworten. Weil der Widerspruch im Kontext vergraben liegt, wirkt die Ausgabe plausibel. Sie ist bloß leise inkonsistent, und genau das macht Context Clash besonders schwer zu entdecken, wenn man nur die Antworten liest.

Einer von vier Kontextfehlern

Context Clash ist eine von vier vielzitierten Arten, auf die ein Kontextfenster verfällt. Sie treten häufig gemeinsam auf und untergraben allesamt die Verlässlichkeit.

• Context Poisoning - eine Falschaussage gelangt hinein, gilt als wahr und wirkt über die gesamte Interaktion fort.
• Distraction - so viel angesammelter Kontext, dass das Modell seinen eigenen Verlauf übergewichtet.
• Context Confusion - belanglose Informationen im Kontext beeinflussen die Antwort.
• Context Clash - Teile des Kontexts widersprechen einander, und das Modell löst das schlecht auf.

Wo es bei Poisoning und Confusion um falschen oder belanglosen Kontext geht, geht es bei Clash um widersprüchlichen Kontext. Alle vier speisen Context Rot, den allgemeinen Qualitätsverfall, während sich das Kontextfenster mit mehr und mit einander stärker widersprechendem Material füllt.

Wie es dazu kommt

Context Clash ist ganz überwiegend ein Problem der Datenkonsistenz, das im Modell zutage tritt:

• Widersprüchliche Definitionen. Derselbe Begriff, „Umsatz“, „aktiver Nutzer“, „Abwanderung“, ist in Teams und Systemen unterschiedlich definiert, und die widersprüchlichen Fassungen erreichen alle den Kontext. Das ist die semantische Lücke, wie sie in der KI auftritt.
• Nicht übereinstimmende Daten. Zwei Quellen melden für dieselbe Kennzahl unterschiedliche Zahlen, weil sie unterschiedlich berechnet wurden, und dem Modell werden beide gereicht.
• Gestapelte Anweisungen. In langen Läufen eines Agenten widerspricht eine spätere Anweisung einer früheren, die noch im Kontext steht, und das Modell versucht, beide zu erfüllen.
• Vermischter Abruf. Ein Schritt mit RAG zieht Dokumente aus verschiedenen Zeiträumen oder Fachbereichen heran, die schlicht nicht übereinstimmen.

Der gemeinsame Faden ist das Fehlen einer maßgeblichen Antwort. Wenn keine einzelne Definition und kein einzelner Wert als verbindlich ausgewiesen ist, wirkt jede widersprüchliche Kopie gleich gültig, für das Modell und oft auch für Menschen.

Wie Sie es verhindern

Context Clash zu verhindern heißt, Widersprüche aufzulösen, bevor sie das Modell erreichen:

• Einmal definieren, und zwar maßgeblich. Legen Sie für jeden Fachbegriff und jede Kennzahl eine einzige vereinbarte Definition fest, in einem gesteuerten Business Glossary, damit es eine kanonische Antwort gibt und nicht fünf.
• Die kanonische Fassung ausliefern. Geben Sie der KI die gesteuerte Definition und den vertrauenswürdigen Wert, statt sie widersprüchliche Kopien aus verstreuten Quellen zusammensuchen zu lassen.
• Daten an der Quelle abgleichen. Nutzen Sie Data Lineage und einheitliche Transformationslogik, damit dieselbe Kennzahl überall gleich gerechnet wird.
• Die Reihenfolge der Anweisungen führen. Setzen Sie im Entwurf eines Agenten überholte Anweisungen ausdrücklich außer Kraft, statt Widersprüche im Kontext auflaufen zu lassen.

Der entscheidende Schritt ist der erste. Context Clash ist im Kern das alte Problem uneinheitlicher Definitionen, und die Antwort darauf ist dieselbe wie eh und je: sich einmal darauf einigen, was die Dinge bedeuten.

Wie Dawiso hilft

Dawiso beseitigt die Grundursache von Context Clash: mehrere konkurrierende Fassungen der Wahrheit. Das Business Glossary legt eine gesteuerte Definition je Begriff fest, Datenkatalog und Lineage halten die Daten hinter jeder Definition einheitlich und nachvollziehbar, und der Context Layer liefert diese einheitliche Datenbasis über den Dawiso MCP Server an jeden Agenten. Statt dass ein Agent sich drei widersprüchliche Definitionen von „aktiver Kunde“ zusammensucht, erhält er die eine, auf die sich das Unternehmen geeinigt hat. Wenn jeder Abnehmer von KI aus demselben gesteuerten Kontext schöpft, gelangen die Widersprüche, die Clash auslösen, gar nicht erst ins Fenster, und die Antworten hören auf, einander leise zu widersprechen.

Fazit

Context Clash ist das, was passiert, wenn einer KI ein Widerspruch gereicht wird, verbunden mit der Aufforderung, stimmig zu klingen: Sie bringt widersprüchliche Definitionen, Daten oder Anweisungen schlecht in Einklang und liefert inkonsistente, unzuverlässige Antworten. Im Unternehmen ist die Ursache sehr oft das Fehlen einer einzigen vereinbarten Definition, also die semantische Lücke in ihrer KI-Form. Die Abhilfe heißt Governance und nicht Prompting: jeden Begriff einmal definieren, seine Daten einheitlich halten und diese eine Datenbasis an jeden Agenten ausliefern. Tun Sie das über einen gesteuerten Context Layer, und Ihre KI hört auf, mit sich selbst zu streiten.