Warum ist Kontext in der KI wichtig?

KI-Systeme verarbeiten Eingaben, doch ob ihre Ausgaben brauchbar sind, entscheidet der Kontext. Eine KI, die auf „Wie hoch ist unsere Abwanderungsquote?“ antwortet, muss wissen, welche Produktlinie, welchen Zeitraum und welches Kundensegment der Fragende meint, sonst ist die Antwort entweder falsch oder nutzlos. Kontext in der KI umfasst alles vom Gesprächsverlauf über die Identität des Nutzers bis zu den Metadaten, die festlegen, was „Abwanderung“ in einer bestimmten Organisation überhaupt bedeutet.

Der Abstand zwischen einem leistungsfähigen KI-Modell und einem brauchbaren KI-Einsatz ist fast vollständig ein Abstand an Kontext. Dasselbe Modell, das eine überzeugend klingende falsche Antwort halluziniert, liefert genaue, fundierte Ausgaben, sobald es Zugang zu den richtigen umgebenden Informationen hat.

Was Kontext in der KI bedeutet

Kontext in der KI ist jede Information über die unmittelbare Eingabe hinaus, die beeinflusst, wie das System verarbeitet und antwortet. Er zerfällt in vier Arten, von denen jede eine andere Aufgabe erfüllt.

Gesprächskontext ist die Geschichte der vorangegangenen Wechsel in einem Dialog. Wenn ein Nutzer sagt „Schlüssle das nach Region auf“, muss das System wissen, worauf sich „das“ aus dem vorherigen Zug bezieht. Ohne Gesprächsverlauf wird jede Äußerung für sich genommen gelesen, und eine mehrstufige Analyse wird unmöglich.

Nutzerkontext umfasst Identität, Rolle, Berechtigungen und die Geschichte der bisherigen Interaktionen. Ein Finanzvorstand, der fragt „Wie stehen wir da?“, erwartet finanzielle Kennzahlen. Ein Entwicklungsleiter, der dasselbe fragt, erwartet Verfügbarkeit der Systeme und Häufigkeit der Bereitstellungen. Die Anfrage ist identisch; die erwartete Ausgabe hängt vollständig daran, wer fragt.

Fachlicher Kontext umfasst die Begriffe einer Branche, Geschäftsregeln und regulatorische Vorgaben. Das englische Wort „discharge“ heißt im Gesundheitswesen die Entlassung einer Patientin aus dem Krankenhaus und in der Elektrotechnik die Entladung einer Batterie; im Deutschen sind das zwei verschiedene Wörter, im Englischen ist es eines. Ein KI-System, das in einem bestimmten Fachgebiet arbeitet, braucht die Begriffskarte genau dieses Gebiets.

Datenkontext sind Metadaten: Lineage, Qualitätswerte, Zeitstempel zur Aktualität und Angaben zur Verantwortung. Wenn eine KI eine Umsatzzahl nennt, beantwortet der Datenkontext die Rückfragen: Woher stammt diese Zahl? Wann wurde sie zuletzt aktualisiert? Hat sie die Qualitätsprüfung bestanden? Ohne diese Schicht erzeugt die KI Antworten, die sie nicht verteidigen kann.

Warum KI ohne Kontext scheitert

KI-Fehler aus fehlendem Kontext folgen vorhersagbaren Mustern. Drei Fälle zeigen die Bandbreite.

Ein Chatbot, gefragt „Wie stehen wir da?“, erzeugt eine muntere Zusammenfassung von Börsenindizes, weil ihm der Kontext der Organisation fehlt, also welche Kennzahlen das Unternehmen des Nutzers verfolgt. Das Modell hat keinen Zugang zum OKR-Dashboard des Unternehmens, zu den Umsatzzielen oder den betrieblichen Kennzahlen. Es füllt die Lücke mit dem nächstbesten Treffer aus seinen Trainingsdaten, nämlich öffentlich verfügbaren Finanzberichten, und erzeugt eine Antwort, die flüssig, plausibel und vollkommen belanglos ist.

Ein Modell zur Betrugserkennung meldet eine rechtmäßige Überweisung über 50.000 US-Dollar als verdächtig, weil ihm der Kontext zum Kunden fehlt. Das überweisende Unternehmen ist ein Immobilienunternehmen, das routinemäßig große Transaktionen abwickelt. Ohne fachlichen Kontext zu Branche, Zahlungsmustern und erwartetem Volumen des Kunden wendet das Modell allgemeine Schwellenwerte an und erzeugt Fehlalarme, die Prüfkapazität verbrauchen und rechtmäßige Geschäfte verzögern.

Eine KI zur medizinischen Ersteinschätzung empfiehlt eine Standardbehandlung, ohne Zugang zur Medikationsgeschichte der Patientin. Die Empfehlung erzeugt eine gefährliche Wechselwirkung, die ein kontextbewusstes System erkannt hätte. Das klinische Wissen des Modells reicht aus; sein Kontext zu dieser bestimmten Patientin fehlt.

Wie KI-Systeme Kontext nutzen

Drei Mechanismen erklären, wie moderne KI-Systeme Kontext in ihre Verarbeitung aufnehmen.

Aufmerksamkeitsmechanismen sind das Fundament der Transformer-Architekturen. Jedes Token der Eingabe „achtet auf“ jedes andere Token und berechnet dabei Gewichte, die bestimmen, wie stark jedes Wort die Verarbeitung jedes anderen beeinflusst. Im Satz „Der Wagen passte nicht in die Lücke, weil er zu groß war“ hilft der Aufmerksamkeitsmechanismus dem Modell, „er“ mit „Wagen“ zu verbinden und nicht mit der Lücke, weil „groß“ zu dem Ding passt, das nicht hineinpasst. BERT verarbeitet Kontext in beide Richtungen und sieht den ganzen Satz auf einmal. GPT baut Kontext von links nach rechts auf und fügt jedes neue Token einem wachsenden Kontextfenster hinzu.

Retrieval-Augmented Generation (RAG) erweitert den Kontext über die Trainingsdaten hinaus. Bevor das Modell antwortet, holt es passende Dokumente, Datensätze oder Metadaten aus externen Quellen. Eine KI mit RAG, die „Wie lautet unsere Rückgaberegelung?“ beantwortet, durchsucht die Regelwerke des Unternehmens, holt die aktuelle Fassung und erzeugt eine Antwort, die in genau diesem Text verankert ist, statt aus allgemeinen Trainingsdaten zum Onlinehandel zu raten.

Werkzeugnutzung und Werkzeugaufrufe lassen KI-Agenten in Echtzeit auf externe Systeme zugreifen. Über Protokolle wie das Model Context Protocol (MCP) kann ein KI-Agent die API eines Datenkatalogs aufrufen, um die Definition einer Kennzahl nachzuschlagen, ein Dashboard zur Datenqualität auf Aktualität prüfen oder ein Berechtigungssystem abfragen, ob der aktuelle Nutzer die angeforderten Daten überhaupt sehen darf. Das macht aus statischen Modellen dynamische Systeme, die sich ihren Kontext bei Bedarf zusammenstellen.

Kontext in KI-Anwendungen im Unternehmen

Drei konkrete Anwendungen zeigen, wie Kontext KI im Unternehmen von einer Vorführung zu einem Produktivsystem macht.

KI-gestützte Suche in Datenkatalogen. Eine Produktmanagerin, die in einem Katalog mit 2.000 Datensätzen nach „Kundenbindung“ sucht, erwartet Treffer, die zu ihrem Team und ihrer Produktlinie passen, und nicht jede Tabelle, in der das Wort „Kunde“ vorkommt. Eine kontextbewusste Suche ordnet die Treffer nach Abteilung, letzten Anfragen und den Datensätzen, die das Team tatsächlich nutzt. Ohne Nutzerkontext liefert die Suche eine flache Liste, die von Hand gefiltert werden muss.

Dialogorientierte BI. Ein KI-Copilot hält den Kontext über eine mehrstufige Analysesitzung hinweg. Auf „Zeig mir den Umsatz in Q3“ folgt „Schlüssle das nach Region auf“, dann „Vergleiche mit Q2“. Jede Anfrage hängt am vorherigen Kontext: an der Umsatzkennzahl, am Zeitraum, an der Aufschlüsselungsdimension. Ohne Gesprächskontext beginnt jede Rückfrage bei null, und der Nutzer muss jeden Parameter erneut angeben.

Automatische Bewertung der Datenqualität. Zu entscheiden, ob ein fehlender Wert in einer Spalte ein Fehler oder erwartet ist, verlangt Kontext über den Zweck der Spalte, ihre vorgelagerte Pipeline und ihre bisherige Füllquote. Eine Spalte „secondary_phone“ mit 40 % fehlenden Werten ist normal. Eine Spalte „customer_email“ mit 40 % fehlenden Werten deutet auf einen Ausfall der Pipeline. Dieselbe Quote bedeutet Gegenteiliges, und nur der Metadatenkontext der Spalte löst die Mehrdeutigkeit auf.

Kontext und Sicherheit von KI

Kontext betrifft nicht nur die Güte der Ausgabe, er ist ein Sicherheitsmechanismus.

Weniger Halluzinationen. Modelle, die in geholtem Kontext verankert sind, halluzinieren weniger, weil sie sachliche Anker haben. Wenn eine KI eine Antwort zur Aufbewahrungsregel eines Unternehmens erzeugt, holt ein kontextbewusstes System das tatsächliche Regelwerk und verankert seine Antwort in diesem Text. Ein kontextblindes System erfindet eine plausibel klingende Aufbewahrungsfrist, die falsch sein kann und, wenn danach gehandelt wird, Anforderungen an die Compliance verletzen könnte.

Zugriffskontrolle. Der Kontext darüber, wer fragt, bestimmt, was die KI preisgeben darf. Eine Junior-Analystin und ein Finanzvorstand, die beide „Wie war das Ergebnis in Q4?“ fragen, sollten unterschiedlich viel Detail erhalten, besonders bevor die Zahlen öffentlich bekannt gegeben sind. Kontextbewusste KI achtet auf die Regeln der Data Governance und prüft Rollen, Klassifizierung der Daten und Zugriffsrechte, bevor sie eine Antwort zusammenstellt. Kontextblinde KI behandelt jeden Nutzer gleich und riskiert, sensible Informationen an unberechtigte Rollen zu geben.

Aktuelle Grenzen

Drei ehrliche Grenzen beschreiben den heutigen Stand des Kontexts in der KI.

Grenzen des Kontextfensters. Selbst Modelle mit Kontextfenstern von über 100.000 Tokens können das Wissen einer ganzen Organisation nicht fassen. Ein großes Unternehmen hat Millionen Dokumente, Tausende Definitionen von Kennzahlen und Milliarden Datensätze. Kein Kontextfenster kann das alles auf einmal aufnehmen. Abruf und Verdichtung, also die Auswahl, welcher Kontext für eine bestimmte Anfrage mitgegeben wird, sind notwendig, und ein misslungener Abruf ist eine Hauptquelle von KI-Fehlern.

Filterung nach Relevanz. Zu viel Kontext verschlechtert die Leistung. Ein Modell, dem 50 geholte Dokumente vorgelegt werden, von denen nur 3 passen, verdünnt den nützlichen Kontext mit Rauschen. Zu bestimmen, welcher Kontext für eine Anfrage passt, verlangt eine eigene Schicht an Intelligenz, also faktisch KI darüber, welchen Kontext die KI bekommt. Dieses übergeordnete Problem ist eines der aktivsten Forschungsfelder der KI im Unternehmen.

Aktualität. Kontext muss aktuell sein. Ein Eintrag im Datenkatalog, der vor 18 Monaten zuletzt aktualisiert wurde, kann die KI in einer überholten Definition einer Kennzahl verankern. Ein Regelwerk aus der Zeit vor zwei Produktversionen kann Hinweise zur Compliance erzeugen, die nicht mehr gelten. Eine Infrastruktur für Kontext braucht eine Überwachung der Aktualität, also Zeitstempel, Warnungen bei Veralterung und eine automatische erneute Prüfung, damit KI-Systeme nicht selbstbewusst in der Vergangenheit verankert bleiben.

Wie Dawiso KI-Kontext liefert

Der Datenkatalog, das Business Glossary und der Lineage-Graph von Dawiso bilden die Infrastruktur an Kontext, die KI im Unternehmen braucht. Wenn ein KI-Agent fragt „Was ist der Kundenlebenszeitwert?“, liefert der Context Layer von Dawiso die Definition der Kennzahl, das verantwortliche Team, die Quelltabelle, die Berechnungsformel, das Datum der letzten Qualitätsprüfung und die Liste der nachgelagerten Dashboards, die sie verwenden.

Über das Model Context Protocol (MCP) steht dieser Kontext jedem KI-System zur Verfügung, ohne eigene Integrationen. Ein KI-Copilot kann nachschlagen, was „aktiver Kunde“ im Vertrieb bedeutet (hat in den letzten 90 Tagen gekauft) und was im Support (hat in den letzten 12 Monaten ein Ticket eröffnet). Er kann prüfen, ob die Umsatztabelle, die er gleich abfragen will, heute aktualisiert wurde und nicht im letzten Monat. Er kann prüfen, ob der fragende Nutzer die zugrunde liegenden Daten überhaupt sehen darf.

Das Ergebnis: KI-Antworten, die in gesteuertem Wissen der Organisation verankert sind statt in allgemeinen Trainingsdaten. Die Leistungsfähigkeit des Modells bleibt dieselbe; der Kontext macht den Unterschied.

Fazit

Kontext ist die Größe, die KI-Vorführungen von KI im Einsatz trennt. Dieselbe Modellarchitektur erzeugt ohne Kontext halluzinierte, allgemeine Ausgaben und mit Kontext genaue, rollengerechte, überprüfbare. Für KI im Unternehmen ist Kontext kein Zusatz, sondern die Infrastrukturschicht, die darüber entscheidet, ob Investitionen in KI messbaren Wert erzeugen oder teure Enttäuschungen. Organisationen, die zuerst die Infrastruktur für Kontext bauen, also Kataloge, Glossare, Lineage und Governance, schaffen die Bedingungen, unter denen KI ihr Versprechen tatsächlich einlösen kann.