Was ist Context Rot?

Context Rot ist der messbare Verfall der Ausgabequalität eines Sprachmodells, während die Menge an Informationen in seinem Kontextfenster wächst. Das Widersinnige daran: Er setzt deutlich vor dem Punkt ein, an dem das Fenster voll ist. Ein Modell mit einem Fenster von 200.000 Token kann schon bei einem Bruchteil davon schlechtere Antworten liefern, Details übersehen, den Faden verlieren und bei Aufgaben abfallen, die es mit einer kürzeren Eingabe mühelos löst. Mehr Kontext macht Modelle ab einem bestimmten Punkt dümmer, nicht klüger.

Geprägt wurde der Begriff von der Forschung von Chroma aus dem Jahr 2025, die 18 führende Modelle getestet hat, darunter die Familien GPT, Claude und Gemini, und bei jedem einzelnen einen Qualitätsverfall mit wachsender Eingabelänge gefunden hat, selbst bei einfachen Abrufaufgaben. Context Rot rückt eine Grundannahme der Ära langer Kontexte zurecht: Ein größeres Fenster ist eine Chance, keine Garantie. Was Sie hineinlegen und wie viel davon, entscheidet weiterhin über die Qualität dessen, was herauskommt.

Context Rot im Überblick

Context Rot beschreibt, wie die Verlässlichkeit erodiert, während die Eingabe länger wird. Entscheidend ist die Abgrenzung zum Überlauf des Kontextfensters: Überlauf heißt, die harte Token-Grenze zu erreichen, ab der Inhalte abgeschnitten werden. Context Rot ist das leisere Problem, das sich vollständig innerhalb dieser Grenze abspielt. Das Modell nimmt alle Token weiterhin an, es verarbeitet sie nur immer schlechter, je mehr sich davon ansammeln. Das Fenster sagt, es sei noch Platz; die Qualität sagt etwas anderes.

Praktisch bedeutet das: Die plakative Fenstergröße eines Modells ist eine Obergrenze und kein nutzbares Arbeitsvolumen. Ein großes Fenster als Freibrief zu lesen, alles Verfügbare hineinzuschütten, ist genau das, was Context Rot auslöst. Wirksamer Kontext hat eine optimale Größe, die weit unter dem Maximum liegt, und in ihrer Nähe zu bleiben ist eine Entwurfsentscheidung und kein Zufall.

Was die Forschung zeigt

Die kontrollierten Experimente von Chroma haben die Eingabelänge als Variable isoliert und beobachtet, wie die Leistung mit ihr fällt.

Die Ergebnisse waren über die Modellfamilien hinweg einheitlich: Die Verlässlichkeit sank mit längeren Eingaben, und der Rückgang verlief ungleichmäßig. Beeinflusst wurde er davon, wie ähnlich die gesuchte Stelle der Frage war, davon, ob Ablenker vorhanden waren, und von der Struktur des umgebenden Textes. Selbst einfache Aufgaben wie das Auffinden einer Tatsache oder das Wiedergeben von Text wurden mit der Länge schlechter. Die Lehre daraus ist nicht, dass langer Kontext nutzlos wäre, sondern dass er nicht umsonst zu haben ist: Jedes zusätzliche Token mit nur am Rande relevantem Material ist eine kleine Steuer auf die Verlässlichkeit des Modells.

Was Context Rot verursacht

Context Rot ist ein Sammelbegriff für mehrere zusammenwirkende Mechanismen:

• Verdünnung der Aufmerksamkeit. Je länger die Eingabe wird, desto dünner verteilt sich die Aufmerksamkeit des Modells, und wirklich wichtige Token konkurrieren mit einer größeren Menge unwichtiger.
• Angehäufte Fehlermuster. Längere Kontexte enthalten eher vergiftetes, belangloses oder widersprüchliches Material, also die klassischen Kontextfehler, die die Qualität jeweils nach unten ziehen.
• Positionseffekte. Modelle beachten Informationen, die in der Mitte einer langen Eingabe vergraben sind, oft schlechter als solche an ihrem Anfang oder Ende.
• Drift im Verhältnis von Rauschen zu Signal. Je mehr Sie „für alle Fälle“ hinzufügen, desto kleiner wird der Anteil des Kontexts, der für die Aufgabe tatsächlich zählt.

Wie Sie es beheben

Weil die Ursache zu viel und zu lose relevanter Kontext ist, liegt die Abhilfe in der Kuratierung und nicht in der Kapazität:

• Weniger, besserer Kontext. Zielen Sie auf den kleinsten Kontext, der die Aufgabe vollständig beantwortet, nicht auf den größten, den das Fenster zulässt.
• Präzise abrufen. Setzen Sie auf hochrelevanten Abruf und auf Neusortierung, damit nur einschlägiges Material ins Fenster gelangt. Das ist der Kern von Context Engineering.
• In gesteuerten, vertrauenswürdigen Daten erden. Relevante, maßgebliche, widerspruchsfreie Eingaben vermeiden die Fehlermuster, die Context Rot beschleunigen.
• Verdichten und auffrischen. Fassen Sie lange Verläufe zusammen und erden Sie erneut an der maßgeblichen Quelle, statt Kontext ungeprüft anwachsen zu lassen.

Ein größeres Fenster verleitet dazu, mehr hineinzulegen. Context Rot zu schlagen heißt, dieser Versuchung zu widerstehen und den Kontext auf das herunterzuarbeiten, was zählt.

Wie Dawiso hilft

Dawiso ist um genau das Prinzip herum gebaut, das Context Rot schlägt: weniger, besseren Kontext ausliefern. Statt einen großen Korpus ins Fenster zu kippen, lässt der Context Layer einen Agenten genau die gesteuerten Definitionen und vertrauenswürdigen Daten abrufen, die eine Aufgabe braucht, nach Bedeutung und aus einer einheitlichen Datenbasis, über den Dawiso MCP Server. Weil dieser Kontext relevant, maßgeblich und widerspruchsfrei ist, umgeht er Context Poisoning, Context Confusion und Context Clash, die Context Rot beschleunigen, und er hält den Arbeitskontext knapp. Das Ergebnis ist ein Agent, der über einen kleinen, vertrauenswürdigen Kontext schließt statt über einen aufgeblähten, und genau unter dieser Bedingung bleiben Modelle verlässlich.

Fazit

Context Rot ist die harte Lehre der Ära langer Kontexte: Die Qualität sinkt, während die Eingaben wachsen, und das beginnt lange bevor das Fenster voll ist. Ein großes Kontextfenster ist eine Obergrenze, die zu respektieren ist, und kein Volumen, das gefüllt werden will. Die Forschung ist eindeutig darin, dass mehr Kontext nicht mehr Leistung bedeutet, und die Abhilfe heißt Kuratierung: weniger, besserer, gesteuerter Kontext, präzise abgerufen und frei von Rauschen und Widerspruch. Erden Sie Ihre KI in einem gesteuerten Context Layer, der genau das liefert, was jede Aufgabe braucht, und Sie bekommen die Verlässlichkeit, die aufgeblähte Kontextfenster leise untergraben.