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.

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.

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.

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. Der Unterschied liegt nicht in der Leistungsfähigkeit des Modells, sondern in der Verfügbarkeit von Kontext.

Deshalb erzeugen RAG-Architekturen in Verbindung mit gesteuerten Metadaten verlässlichere KI im Unternehmen als größere Modelle ohne Kontext. Die Qualität des abgerufenen Kontexts wiegt schwerer als die Zahl der Parameter.

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. Die Abhilfe ist kein besseres Modell, sondern besserer Kontext.

Wie Dawiso einer KI Kontext liefert

Der Context Layer von Dawiso liefert KI-Agenten Definitionen, Lineage und Metadaten zur Verantwortung über MCP. Statt für jedes KI-Werkzeug eigene Pipelines für Kontext zu bauen, nutzen Teams Dawiso als die eine Quelle des fachlichen Kontexts.

Trifft ein KI-Copilot auf die Frage „Wie hoch ist unsere Churn-Rate?“, liefert der Katalog von Dawiso den Kontext: Churn ist definiert als monatlicher Logo-Churn für bezahlte SaaS-Konten, ohne Nutzer der kostenlosen Stufe, gerechnet aus dem Abrechnungssystem, verantwortet vom Team für Kundenbindung, zuletzt heute aufgefrischt. Die KI liefert eine geerdete, konkrete Antwort statt einer Lehrbuchdefinition oder einer halluzinierten Zahl.

Das Ergebnis: KI-Systeme, die verstehen, was Daten bedeuten, und nicht nur, wo sie liegen. Kontext macht aus KI im Unternehmen statt einer demotauglichen Kuriosität ein produktiv verlässliches Werkzeug.