Was ist ein Beispiel für Kontext in der KI?

Kontext in der KI ist die umgebende Information, also Gesprächsverlauf, Merkmale des Nutzers, Fachwissen und Metadaten, die einem KI-System helfen, Eingaben zu deuten und relevante Ausgaben zu erzeugen. Ohne Kontext bekommt dieselbe Frage dieselbe allgemeine Antwort, gleich wer sie stellt und warum. Einen breiteren Blick darauf, was KI-Systeme kontextbewusst macht, gibt Was ist Kontext in der KI.

Ein einfaches Beispiel: Wenn Sie eine KI-Assistenz fragen „Wie hoch ist unser Umsatz?“, entscheidet der Kontext, ob sie den ARR des gesamten Unternehmens liefert, eine regionale Quartalszahl oder eine Aufschlüsselung nach Produktlinie. Die Frage ist jedes Mal dieselbe. Der Kontext, also Ihre Rolle, Ihre Abteilung, der bisherige Gesprächsverlauf und die Datendefinitionen Ihres Unternehmens, formt die Antwort.

TL;DR

Kontext in der KI ist die Hintergrundinformation, die prägt, wie ein System Eingaben deutet. Auf die Frage „Wie hoch ist unser Umsatz?“ entscheidet der Kontext, ob die Antwort der ARR des gesamten Unternehmens ist, eine regionale Quartalszahl oder eine Aufschlüsselung nach Produktlinie. Die fünf wichtigsten Arten, also sprachlicher, dialogischer und zeitlicher Kontext, fachlicher Kontext und Kontext aus Metadaten, wirken zusammen und erzeugen relevante, zutreffende Antworten.

Sprachlicher Kontext: Mehrdeutigkeit auflösen

Die einfachste Form von Kontext in der KI ist der sprachliche Kontext, also die umgebenden Wörter, die die Bedeutung eindeutig machen. Das Wort „Bank“ meint ein Geldinstitut in „Ich habe Geld auf der Bank eingezahlt“ und ein Sitzmöbel in „Wir saßen auf der Bank am Fluss“. NLP-Systeme nutzen die Wörter rund um einen mehrdeutigen Begriff, um die richtige Lesart zu wählen.

Die Auflösung von Pronomen funktioniert genauso. In „Die Analystin schickte den Bericht an die Bereichsleiterin, und sie genehmigte ihn innerhalb einer Stunde“ muss das System erkennen, dass sich „sie“ auf die Bereichsleiterin bezieht und nicht auf die Analystin. Es tut das, indem es die syntaktische Struktur und die semantische Plausibilität prüft.

Im Unternehmen reicht sprachlicher Kontext bis in die Fachbegriffe hinein. Ein Business Glossary ist für eine KI eine Form von sprachlichem Kontext: Es sagt dem System, dass „Kunde“ im CRM „aktives zahlendes Konto“ heißt, während „Kunde“ im Support-System Nutzer der kostenlosen Stufe einschließt. Ohne diese definitorische Ebene behandelt die KI beide als identisch und liefert falsche Zahlen.

Dialogischer Kontext: Gedächtnis über mehrere Züge

Dialogischer Kontext ist das, was eine KI Rückfragen beantworten lässt, ohne dass der Nutzer sich wiederholen muss. Nehmen wir eine Abfrage auf Unternehmensdaten:

Nutzer: „Zeig mir den Umsatz in Q3.“
KI: Liefert ein Diagramm des Q3-Umsatzes für das gesamte Unternehmen.
Nutzer: „Schlüssle das nach Region auf.“
KI: Gliedert dieselben Q3-Umsatzdaten nach Region, ohne dass der Nutzer „Umsatz in Q3“ wiederholt.
Nutzer: „Vergleiche mit dem Vorjahr.“
KI: Ergänzt die regionale Q3-Aufschlüsselung um einen Vergleich zum Vorjahr.

Jede Rückfrage baut auf dem dialogischen Kontext der vorherigen Züge auf. Ohne ihn ist „Schlüssle das nach Region auf“ bedeutungslos, weil das System nicht weiß, worauf sich „das“ bezieht. Und ohne den vorigen Zug weiß es bei „Vergleiche mit dem Vorjahr“ nicht, welche Kennzahl und welche Regionen zu vergleichen sind.

Im Oktober 2023 prognostizierte Gartner, dass bis 2026 mehr als 80 % der Unternehmen APIs oder Modelle für generative KI genutzt oder Anwendungen mit generativer KI produktiv ausgerollt haben würden, gegenüber weniger als 5 % im Jahr 2023.

- Gartner, Pressemitteilung vom 11. Oktober 2023

Fachlicher Kontext: Wissen einer Branche

Fachlicher Kontext ist das Spezialwissen, das einer KI sagt, wie sie Eingaben innerhalb eines bestimmten Gebiets zu deuten hat. Eine medizinische KI, die auf „Brustschmerz“ bei einer 65-jährigen Person mit Bluthochdruck und Diabetes trifft, behandelt das ganz anders als dasselbe Symptom bei einer 25-jährigen Person nach dem Sport. Der fachliche Kontext, also Krankengeschichte, Risikofaktoren und klinische Leitlinien, formt die Einschätzung.

Dasselbe Prinzip gilt für Unternehmensdaten. Wenn eine KI einen Datenkatalog abfragt und auf den Begriff „Kunde“ trifft, sagt ihr der fachliche Kontext:

Im CRM-System heißt „Kunde“ ein aktives zahlendes Konto mit unterschriebenem Vertrag
Im Support-System schließt „Kunde“ Nutzer der kostenlosen Stufe ein, die ein Ticket eröffnet haben
In der Marketingdatenbank heißt „Kunde“ jeder, der ein Formular ausgefüllt hat, Interessenten eingeschlossen

Ohne fachlichen Kontext aus einem Business Glossary greift sich eine KI auf die Frage „Wie viele Kunden haben wir?“ die Tabelle heraus, die sie zuerst findet. Die Zahl kann je nach Definition des Systems um eine Größenordnung danebenliegen.

Zum Vergrößern klicken

Metadaten als Kontext für KI im Unternehmen

Im Unternehmen ist die wirksamste Form von Kontext die der Metadaten: Spaltenbeschreibungen, Data Lineage, Zeitstempel zur Aktualität, Angaben zur Verantwortung und Qualitätswerte. Das ist der Kontext, der darüber entscheidet, ob ein KI-Agent geerdete Antworten erzeugt oder Definitionen halluziniert.

Nehmen wir einen KI-Agenten, der einen Quartalsbericht erstellen soll. Ohne Kontext aus Metadaten zieht er Zahlen aus den ersten passenden Tabellen, die er findet. Manche Zahlen stammen aus einer Testumgebung. Eine Kennzahl verwendet eine überholte Rechenweise. Die Zahl zur Belegschaft schließt in einer Quelle Selbstständige ein und in einer anderen aus.

Mit Kontext aus Metadaten prüft derselbe Agent die Lineage jeder Tabelle, vergewissert sich, dass sie produktiv ist, gleicht die Rechenweise mit dem Business Glossary ab und markiert die Ungereimtheit bei der Belegschaft zur Prüfung durch Menschen. Das Modell ist in beiden Durchläufen dasselbe; geändert hat sich nur der verfügbare Kontext.

Deshalb sind RAG-Architekturen in Verbindung mit gesteuerten Metadaten ein verbreiteter Weg, KI im Unternehmen verlässlicher zu machen. Die Forschung stützt den allgemeinen Gedanken, dass Abruf Größe ersetzen kann: Das Modell RETRO von DeepMind erreichte auf dem Benchmark Pile eine mit GPT-3 vergleichbare Leistung, mit etwa 25-mal weniger Parametern, weil es Text aus einer großen Datenbank abrief (Borgeaud et al., 2021). Abruf hilft allerdings nur, wenn das Abgerufene stimmt und richtig definiert ist.

Was passiert, wenn Kontext fehlt

Fehlender Kontext in der KI erzeugt Fehler, die von peinlich bis teuer reichen.

Stimmung falsch gelesen. Eine Kundin schreibt „Das ist ja krank!“ in eine Produktbewertung. Ohne Kontext zur Demografie des Nutzers und zur Produktkategorie (Streetwear) stuft die KI das als negative Bewertung ein. Das Marketingteam entfernt eine Fünf-Sterne-Bewertung.

Falsche Kennzahl, selbstsicher geliefert. Eine Führungskraft fragt einen KI-Copiloten „Wie hoch ist unser Umsatz in diesem Quartal?“. Das Modell liefert den Bruttoumsatz aus der Buchhaltung statt des ARR aus dem Abrechnungssystem, also der Kennzahl, mit der die Führungskraft tatsächlich arbeitet. Die Zahl liegt 2 Mio. US-Dollar über dem Erwarteten. Die Führungskraft nennt sie in einer Vorstandssitzung. Der CFO korrigiert das öffentlich.

Verwirrung über Systemgrenzen hinweg. Ein KI-Agent soll die Kundenzahlen aus dem CRM und dem Support-System vergleichen. Ohne Kontext dazu, wie jedes System „Kunde“ definiert, meldet er eine Abweichung von 40 %. Eine Nachwuchsanalystin verbringt zwei Tage damit, ein Problem der Datenqualität zu untersuchen, das es nicht gibt. Die Definitionen sind schlicht verschieden.

Jeder dieser Fehler geht auf dieselbe Ursache zurück: Der KI fehlte das Kontextverständnis, um die Daten richtig zu deuten. Ein größeres Modell hätte keinen dieser Fehler behoben, klarerer Kontext schon.

Wie Dawiso einer KI Kontext liefert

Der Context Layer von Dawiso stellt KI-Agenten Katalog-Metadaten über den Dawiso MCP Server bereit. Jeder MCP-kompatible Agent kann Katalogobjekte durchsuchen, Objektdetails lesen (Attribute, verknüpfte Glossarkonzepte und die mit einem Objekt verbundenen Personen), die Data Lineage nachverfolgen und Datenstichproben ansehen. Auch Schreibwerkzeuge stehen bereit, abhängig von der Rolle des Nutzers. Statt für jedes KI-Werkzeug eine eigene Pipeline für Kontext zu bauen, können Teams ihre Agenten an einen gesteuerten Katalog anbinden.

Trifft ein KI-Copilot auf die Frage „Wie hoch ist unsere Churn-Rate?“, kann er den Glossarbegriff in Dawiso nachschlagen und die Definition des Unternehmens lesen, etwa monatlicher Logo-Churn für bezahlte SaaS-Konten, ohne Nutzer der kostenlosen Stufe. Er sieht, wer für den Begriff verantwortlich ist, und kann der Lineage zurück zu den Tabellen im Abrechnungssystem folgen, aus denen die Kennzahl berechnet wird. Mit diesem Kontext kann die KI eine geerdete, konkrete Antwort geben statt einer Lehrbuchdefinition oder einer geratenen Zahl.

Das Ergebnis ist KI, die mit dem arbeiten kann, was Daten in Ihrem Unternehmen bedeuten, und ebenso damit, wo sie liegen. Dieser Kontext bringt KI im Unternehmen von der überzeugenden Demo hin zu einem Werkzeug, auf das man sich verlassen kann.