Was ist Kontext, einfach erklärt?

Kontext ist die umgebende Information, die einer bestimmten Angabe, Aussage oder einem Ereignis Bedeutung gibt. „Der Umsatz ist um 10 % gestiegen“ bedeutet nichts, solange Sie nicht wissen: verglichen womit? Welches Produkt? Über welchen Zeitraum? Kontext ist der Unterschied zwischen Information und Verständnis.

Im Alltag sagt Ihnen der Kontext, ob „Das ist ja krass!“ Begeisterung oder Abscheu meint. In Daten und KI sagt Ihnen der Kontext, ob „Umsatz“ den wiederkehrenden Jahresumsatz, den Bruttoumsatz oder den Nettoumsatz meint, und ob eine Veränderung um 10 % ein Grund zum Feiern oder zur Sorge ist. Ohne Kontext sind Daten Rauschen. Wie das eigens für KI-Systeme gilt, steht unter Was ist Kontext in der KI.

TL;DR

Kontext ist die Hintergrundinformation, die eine einzelne Tatsache bedeutsam macht. Im Alltag sagt Ihnen der Kontext, ob „Das ist ja krass!“ positiv oder negativ gemeint ist. In Daten und KI sagt er Ihnen, ob „Umsatz“ ARR, Bruttoumsatz oder Nettoumsatz meint, und ob eine Veränderung um 10 % gut oder schlecht ist. Ohne Kontext sind Daten Rauschen und KI-Ausgaben unzuverlässig.

Was Kontext bedeutet

Das einfachste Beispiel: Jemand sagt Ihnen „Draußen sind 30 Grad.“ Ihre Reaktion hängt vollständig vom Kontext ab. In Celsius sind 30 Grad ein heißer Sommertag, also kurze Hose und Sonnencreme. In Fahrenheit sind 30 Grad unter dem Gefrierpunkt, also dicker Mantel und Handschuhe. Die Zahl ist dieselbe. Der Kontext, also welche Temperaturskala und welches Land, entscheidet, was sie bedeutet.

In der Datenarbeit besteht Kontext aus den Metadaten, die Ihnen sagen, was eine Zahl tatsächlich darstellt. Eine Spalte namens „customers“ bedeutet in verschiedenen Systemen Verschiedenes. Im CRM sind es aktive zahlende Konten. In der Support-Datenbank gehören Nutzer der kostenlosen Stufe dazu. Im Marketingsystem zählt jeder dazu, der ein Formular ausgefüllt hat. Der Spaltenname ist identisch. Der Kontext, also das System, die Definition und die fachlichen Regeln, entscheidet über die richtige Lesart.

Kontext löst Mehrdeutigkeit auf. Ein Dashboard, das „4,2 % Churn“ zeigt, ist bedeutungslos, solange man nicht weiß: monatlich oder jährlich? Nach Kundenzahl oder nach Umsatz? Mit oder ohne freiwillige Kündigungen? Für alle Produkte oder eine bestimmte Stufe? Kontext beantwortet diese Fragen, damit die Nutzer der Daten nicht raten müssen.

Arten von Kontext

Zum Vergrößern klicken

In der Datenarbeit tritt Kontext in fünf Formen auf, und jede beantwortet eine andere Frage zu den Daten:

Definitorischer Kontext beantwortet „was bedeutet dieser Begriff?“. Ein Business Glossary liefert ihn. Wenn ein Dashboard „aktive Nutzer“ zeigt, legt der definitorische Kontext fest: Nutzer, die sich in den letzten 30 Tagen angemeldet haben, ohne interne Testkonten, gezählt nach eindeutiger Nutzerkennung.

Zeitlicher Kontext beantwortet „wann wurden diese Daten erfasst oder aktualisiert?“. Metadaten zur Aktualität sagen den Nutzern, ob sie Daten von heute Morgen oder vom letzten Monat sehen. Ein KI-Modell, das auf Daten ohne zeitlichen Kontext trainiert, hält womöglich veraltete Zahlen für die aktuelle Wahrheit.

Relationaler Kontext beantwortet „woher kommen diese Daten und wie wurden sie umgeformt?“. Data Lineage verfolgt den Weg vom Quellsystem bis zum Dashboard und legt jede Umformung, Verdichtung und Filterung offen, die unterwegs angewandt wurde.

Fachlicher Kontext beantwortet „welche branchenspezifischen Regeln und Gepflogenheiten gelten?“. Im SaaS kann „Churn“ verlorene Kunden (Logo-Churn) oder verlorenen wiederkehrenden Umsatz (Revenue-Churn) meinen. In der Telekommunikation meint es oft gekündigte Anschlüsse. Dasselbe Wort, andere Branche, andere Rechnung.

Nutzerbezogener Kontext beantwortet „wer schaut auf diese Daten und was braucht diese Person?“. Ein CFO braucht Zusammenfassungen für den Vorstand. Ein Analyseteam braucht feingranulare, filterbare Datensätze. Kontextbewusste Systeme richten das Gezeigte danach aus, wer fragt.

Warum Kontext zählt

Drei illustrative Fälle zeigen, was passiert, wenn Kontext fehlt.

Fall 1: Der Streit über die Definition. Zwei Abteilungen melden im Monatsbericht unterschiedliche Zahlen für „aktive Nutzer“. Das Marketing zählt jeden, der die Website besucht hat. Das Produktteam zählt Nutzer, die sich in der Anwendung angemeldet haben. Keine der beiden liegt falsch, sie verwenden nur unterschiedliche Definitionen. Ohne definitorischen Kontext, dokumentiert in einem gemeinsamen Glossar, frisst dieser Streit jeden Monat eine ganze Sitzung.

Fall 2: Die Entscheidung auf veralteten Daten. Ein KI-Modell erstellt eine Bedarfsprognose auf Basis einer Preistabelle von Lieferanten. Die Tabelle wurde sechs Wochen lang nicht aktualisiert, weil die ETL-Pipeline stillschweigend fehlgeschlagen ist. Ohne zeitlichen Kontext, also einen Zeitstempel zur Aktualität, behandelt das Modell überholte Preise als aktuell. Die Prognose fällt um 15 % zu optimistisch aus. Das Team für die Lieferkette bestellt zu viel.

Fall 3: Die nicht überprüfbare Kennzahl. Eine Bereichsleiterin bittet das Datenteam zu erklären, warum eine Zahl im Dashboard von einer Tabelle abweicht, die ihr Team pflegt. Ohne relationalen Kontext, also Lineage, kann niemand nachvollziehen, wie die Zahl im Dashboard gerechnet wurde, welche Quellsysteme sie gespeist haben und woher die Daten der Tabelle stammen. Die Untersuchung dauert drei Tage. Die Ursache: ein Filter in der ETL-Pipeline, der Testkonten ausschließt.

Schlechte Datenqualität kostet Unternehmen mindestens 12,9 Millionen US-Dollar pro Jahr im Durchschnitt, laut Gartner-Forschung aus dem Jahr 2020.

Kontext und Künstliche Intelligenz

KI-Systeme sind auf Kontext angewiesen, um relevante Ausgaben zu erzeugen. Ohne Kontext behandelt ein Sprachmodell „Wie hoch ist unser Churn?“ als allgemeine Frage und liefert eine Lehrbuchdefinition. Mit Kontext, also welches Produkt, welcher Zeitraum, welches Kundensegment und wie Churn in diesem Unternehmen definiert ist, liefert das Modell eine Antwort, mit der sich arbeiten lässt.

Zu den Mechanismen, die einer KI Kontext zuführen, gehören Retrieval-Augmented Generation (RAG), die vor der Antwort des Modells passende Dokumente und Metadaten heranzieht, und das Model Context Protocol (MCP), ein offener Standard, der KI-Anwendungen mit externen Systemen verbindet, etwa mit Datenkatalogen.

Das Muster ist beständig: Die Qualität einer KI-Ausgabe ist durch die Qualität des Kontexts begrenzt, den sie bekommt. Ein großes Modell ohne Kontext erzeugt wortgewandte Vermutungen. Ein kleineres Modell mit reichem, gesteuertem Kontext erzeugt verlässliche, geerdete Antworten.

Kontext als Kern der Data Governance

Data Governance ist im Kern die Praxis, Kontext für die Daten eines Unternehmens aufzubauen und zu pflegen.

Ein Business Glossary liefert definitorischen Kontext: was jeder Begriff bedeutet, wer ihn festgelegt hat und welche Rechenweise die kanonische ist. Data Lineage liefert relationalen Kontext: woher Daten kommen, wie sie umgeformt wurden und welche nachgelagerten Systeme von ihnen abhängen. Metadaten zur Verantwortlichkeit liefern den Kontext der Rechenschaft: wen man anspricht, wenn eine Kennzahl falsch aussieht. Qualitätswerte liefern den Kontext des Vertrauens: ob die Daten für einen bestimmten Zweck verlässlich genug sind.

Rahmenwerke der Governance halten fest, wie Kontext entsteht, gepflegt und im Unternehmen geteilt wird. Ohne Governance lebt Kontext formlos in einzelnen Köpfen und geht verloren, wenn Menschen die Rolle wechseln, das Unternehmen verlassen oder es schlicht vergessen. Mit Governance ist Kontext dokumentiert, versioniert und für jeden Abnehmer zugänglich, ob Mensch oder KI.

Zum Vergrößern klicken

Wie Dawiso Kontext liefert

Dawiso bündelt Kontext, also Definitionen, Lineage und Verantwortlichkeiten, in einem einzigen Datenkatalog mit Business Glossary. Statt dass Kontext in verstreuten Wikis, Tabellen und einzelnen Köpfen lebt, pflegt Dawiso ihn als strukturierte, durchsuchbare, gesteuerte Metadaten.

Der MCP-Server von Dawiso stellt diesen Kontext KI-Systemen über MCP bereit. Trifft ein KI-Agent auf eine Frage zu Daten, kann er Dawiso durchsuchen und die passenden Definitionen und die Lineage lesen. Das Ergebnis: KI-Agenten können dieselben dokumentierten Definitionen und dieselbe Lineage lesen, die auch Analystinnen und Analysten verwenden.

Für Fachbereiche macht Dawiso Daten selbsterklärend, denn jede dokumentierte Kennzahl kann ihre Definition, ihren Verantwortlichen und ihre Quelle tragen. Für KI-Agenten macht Dawiso Daten deutbar, denn ein Agent kann den Kontext nachschlagen, den er für eine konkrete Antwort statt einer allgemeinen Vermutung braucht.