KI den richtigen Kontext geben, nicht mehr Kontext

Im Umgang mit KI-Systemen gibt es einen verbreiteten Reflex: Wenn das Ergebnis nicht ganz passt, fügt man mehr Informationen hinzu. Mehr Hintergrund, mehr Einschränkungen, mehr Erklärungen zur eigenen Situation. Der Prompt wird länger, das Ergebnis generischer, und die Interaktion fühlt sich an, als müsste man einen Schriftsatz verfassen, nur um eine Frage zu stellen. Das Konzept, das man hier verstehen sollte, istKontextpräzision, also die Disziplin, nur jenen Kontext auszuwählen, der die Antwort des Modells tatsächlich prägt, und alles andere als Rauschen zu behandeln.

Das ist kein nebensächlicher Produktivitätstipp. Es ist der Unterschied zwischen dem guten Einsatz eines leistungsfähigen Werkzeugs und dem permanenten Kampf damit.

Warum Kontextpräzision gerade für Fachkräfte zählt

Große Sprachmodelle wie GPT-4o, Claude 3.5 und Gemini 1.5 Pro verarbeiten Kontext nicht so, wie es ein menschlicher Kollege tut. Ein Kollege, der Sie kennt, baut über Monate ein mentales Modell auf. Ein LLMLLMEin Large Language Model ist ein KI-System, das auf riesigen Textmengen trainiert wurde, um Sprache vorherzusagen und zu erzeugen. Damit sind Aufgaben wie Schreiben, Zusammenfassen und Beantworten von Fragen möglich.Vollständige Definition ansehen → verarbeitet Ihren gesamten Prompt gleichzeitig und gewichtet jedes TokenTokenEin Token ist die grundlegende Texteinheit, die Sprachmodelle verarbeiten, oft ein Wortfragment, ein ganzes Wort oder ein Satzzeichen und nicht ein einzelnes Zeichen.Vollständige Definition ansehen → in Beziehung zu jedem anderen Token innerhalb seines Context WindowContext WindowDas Context Window ist die maximale Textmenge (gemessen in Tokens), die ein Sprachmodell auf einmal verarbeiten kann, einschließlich Input-Prompt und generiertem Output.Vollständige Definition ansehen →. Das heißt: Irrelevante Informationen liegen nicht einfach still im Hintergrund. Sie konkurrieren mit den Informationen, auf die es wirklich ankommt, um die Aufmerksamkeit des Modells.

Forschung der Human-Centered AI Group in Stanford hat dokumentiert, was Praktiker „distraction effects" nennen: Fügt man einem Prompt lose verwandten Kontext hinzu, sinkt die Genauigkeit der Modellantwort bei gezielten Aufgaben messbar. Das Modell ignoriert den zusätzlichen Text nicht. Es integriert ihn.

Für eine Fachkraft unter Zeitdruck hat das direkte Kosten. Sie brauchen länger fürs Schreiben der Prompts, die Ergebnisse müssen stärker überarbeitet werden, und Sie entwickeln den falschen Eindruck, das Werkzeug sei weniger leistungsfähig als es ist. In vielen Fällen liefert ein Prompt mit 40 Wörtern und den richtigen drei Kontextangaben bessere Ergebnisse als ein Prompt mit 300 Wörtern, vollgepackt mit Hintergrund, den das Modell nicht brauchte.

Wie Kontextpräzision konkret funktioniert

Die Mechanik ist einfach, sobald man versteht, was „Kontext" in einem Prompt leistet. ErErDas Verhältnis von Interaktionen (Likes, Kommentare, Shares) zur Reichweite eines Inhalts. Zeigt, wie stark die Zielgruppe reagiert, gemessen an der Zahl der Personen, die den Inhalt gesehen haben.Vollständige Definition ansehen → erfüllt eine von vier Aufgaben: die Rolle des Modells festlegen, die Aufgabe definieren, das Ausgabeformat eingrenzen oder Referenzmaterial bereitstellen, auf das das Modell sonst keinen Zugriff hat. Das ist die vollständige Liste.

Ein praktisches Beispiel. Ein Strategiedirektor in einem Konsumgüterunternehmen möchte, dass Claude bei Talking Points für eine Vorstandspräsentation zu einem Vorschlag zur Diversifizierung der Lieferkette hilft.

Ein typischer überkontextualisierter Prompt kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →önnte so lauten: „Ich arbeite in der Strategie eines großen FMCG-Unternehmens, wir haben seit der Pandemie mit Problemen in der Lieferkette zu kämpfen, unser Vorstand ist recht konservativ, frühere Präsentationen wurden abgelehnt, unser CFO ist skeptisch gegenüber kapitalintensiven Vorschlägen, der CEO kam vor zwei Jahren aus dem Tech-Bereich, wir schlagen vor, 30 % unserer Beschaffung von Single-Region-Lieferanten auf ein Dual-Source-Modell über drei Regionen umzustellen, wir wollen zeigen, dass das finanziell tragfähig ist..."

Dieser Absatz enthält mindestens fünf Informationen, mit denen das Modell nichts Sinnvolles anfangen kann (die Persönlichkeit des CFO, frühere Ablehnungen, der Hintergrund des CEO), vermischt mit den zwei, die wirklich zählen: der Vorschlag selbst und der Entscheidungsrahmen des Publikums.

Eine präzise Version wäre: „Sie erstellen Talking Points auf Vorstandsniveau. Der Vorschlag: 30 % der Beschaffung auf ein Dual-Region-Modell umstellen. Das Publikum priorisiert Kapitaleffizienz und Absicherung nach unten gegenüber Growth-Narrativen. Geben Sie mir fünf Talking Points, jeweils unter 40 Wörtern."

Der zweite Prompt ist kürzer und liefert ein fokussierteres, brauchbareres Ergebnis. Das Modell hat eine klare Rolle, ein konkretes Thema und eine relevante Einschränkung zu den Werten des Publikums. Der Rest ist Redaktion, nicht PromptingPromptingPrompt Engineering ist die Praxis, Texteingaben so zu gestalten und zu verfeinern, dass große Sprachmodelle präzise, relevante und verlässliche Ergebnisse liefern.Vollständige Definition ansehen →.

Das Prinzip lautet: Fragen Sie sich, bevor Sie eine Kontextangabe hinzufügen, ob sich die Antwort spürbar ändern würde, wenn Sie diesen Satz weglassen. Wenn nicht, streichen Sie ihn.

Wann Sie es einsetzen und wann nicht: die ehrlichen Abwägungen

Kontextpräzision funktioniert am besten bei abgegrenzten, klar umrissenen Aufgaben: ein Dokument entwerfen, einen bestimmten Datensatz analysieren, strukturierte Informationen umformatieren, Optionen innerhalb definierter Parameter generieren. Das sind Fälle, in denen die Aufgabe Kanten hat und das Modell innerhalb dieser Kanten bleiben muss.

Weniger geeignet ist sie für exploratives oder offenes Arbeiten, wo mehr Spielraum für das Modell Ihnen tatsächlich mehr bringt. Wenn Sie eine Geschäftsstrategie auf Belastbarkeit prüfen wollen und das Modell wirklich Annahmen zutage bringen soll, an die Sie nicht gedacht haben, ist ein enger Prompt das falsche Werkzeug. In diesem Modus hilft eine breitere Rahmung.

Es gibt außerdem eine Kategorie von Aufgaben, bei denen Referenzmaterial tatsächlich notwendig ist und Menge nicht ersetzbar ist. Wenn Sie ein Modell bitten, einen 50-seitigen Vertrag zusammenzufassen oder Widersprüche über mehrere Finanzberichte hinweg zu finden, polstern Sie den Prompt nicht mit irrelevantem Kontext auf. Sie liefern das Primärmaterial. Auf Quelldokumente ist das Prinzip nicht anwendbar.

Eine ehrliche Einschränkung: Kontextpräzision zu entwickeln setzt voraus, dass Sie wissen, was Sie wollen, bevor Sie prompten. Das klingt selbstverständlich, aber viele Fachkräfte nutzen KI genau deshalb als Partner zum Lautdenken, weil sie ihr eigenes Ziel noch nicht geklärt haben. Das ist ein legitimer Anwendungsfall, und er wird unsaubere Ergebnisse liefern. Die Lösung ist dort nicht, einen engeren Prompt zu schreiben. Sie besteht darin, zu erkennen, dass Sie in einem explorativen Modus sind, die Erwartungen entsprechend anzupassen und dann zum präzisen Prompting zu wechseln, sobald das Ziel klar ist.

Eine nützliche Arbeitsgewohnheit: Schreiben Sie Ihren ersten Prompt-Entwurf, lesen Sie ihn dann zurück und streichen Sie jeden Satz, der Ihre Unternehmensgeschichte, Ihre früheren Erfahrungen mit dem Thema oder kontextuelles Kolorit beschreibt, das nicht direkt prägt, was das Modell tun soll. Meist streichen Sie 40 bis 60 Prozent des Geschriebenen, und das Ergebnis wird besser.

Kontextpräzision ist die Disziplin, zu wissen, welche Information in einem Prompt Arbeit leistet und welche sich nur relevant anfühlt. Wer diesen Unterschied verinnerlicht, verbringt weniger Zeit damit, KI-Ergebnisse zu überarbeiten, und mehr Zeit damit, sie zu nutzen.