Context Engineering: Warum KI den richtigen Kontext braucht

Wenn du das nächste Mal in New York City bist, stell dich in die Schlange in der 63rd Street, östlich des Central Parks. Warte lange genug, und man lässt dich hinein – in den Showroom von Goyard, dem ältesten noch aktiven Lederwarenhersteller der Welt, gegründet 1792.

Eine Verkaufsberaterin begrüßt dich, nimmt deine Kontaktdaten auf und ermutigt dich, eine der Handtaschen in die Hand zu nehmen. Vielleicht gehst du mit leeren Händen. Doch Goyard hat dich nicht vergessen. Tage später erhältst du ein Foto von dir mit deiner Lieblingstasche. Die Nachricht kommt um 20 Uhr an einem Freitag – genau dann, wenn du mit Freunden unterwegs bist, beim zweiten Cocktail. Plötzlich wirkt die Tasche erschwinglich. Notwendig.

Das ist kein Zufall. Die Beraterin wusste, dass du freitagabends Cocktails trinkst. Von allen Details, die du ihr erzählt hast, merkte sie sich genau dieses eine. Das ist ihre Superkraft: Sie sammelt, kuratiert und nutzt Kontext.

Clienteling: Persönliche Ansprache, die nicht skaliert

Diese Verkaufsmethode heißt Clienteling – der gezielte Aufbau langfristiger Kundenbeziehungen durch personalisierte Ansprache. Im Luxussegment steigert sie den durchschnittlichen Warenkorbwert um 30 bis 50 Prozent. Perfekt getimte Nachrichten lohnen sich bei Handtaschen für mehrere tausend Euro.

Aber bei Software, Beratungsleistungen oder alltäglichen Produkten? Da ist eine persönliche Beraterin pro Kunde nicht bezahlbar. Genau dieses Dilemma – persönliche Ansprache im großen Maßstab – steht im Zentrum der Arbeit von Andy Rossmeissl, CEO von Faraday. Seine ML-Plattform hilft Marken vorherzusagen, was ihre Kunden als Nächstes tun werden.

Das Kontextproblem: Agenten haben Werkzeuge, aber kein Urteil

Inzwischen sind KI-Agenten in jeder Branche angekommen: Support, Vertrieb, Marketing, Finanzen, Recht. Die seriösen unter ihnen funktionieren. Sie greifen auf Inventar, E-Mails, Kommunikationshistorie und Dokumente zu.

Aber ihnen fehlt etwas Entscheidendes: Sie kennen Transaktionen, nicht Motive. Sie wissen, was ein Kunde gekauft hat – aber nicht, warum. Sie haben Daten – aber keinen Kontext.

Daten ohne Kontext

Kunde hat 3x bestellt
Letzte Interaktion: 14 Tage
Segment: "Wiederkäufer"
E-Mail-Öffnungsrate: 42 %

Daten mit Kontext

Kauft immer freitags nach 18 Uhr
Reagiert auf persönliche Ansprache
Interessiert sich für Nachhaltigkeit
Entscheidet impulsiv bei Angeboten

Der Unterschied? Links stehen Fakten. Rechts steht Verstehen. Erst mit Kontext wird aus einer Datenbank eine Entscheidungsgrundlage.

40 % aller Enterprise-Anwendungen werden bis Ende 2026 KI-Agenten enthalten – ein Sprung von unter 5 % in 2025. Gleichzeitig prognostiziert Gartner, dass über 40 % dieser Agentic-AI-Projekte eingestellt werden oder nie in Produktion gehen. Der Unterschied zwischen Erfolg und Misserfolg? Die Qualität des Kontexts, den die Agenten erhalten.

Context Engineering: Die neue Disziplin

Was ist die beste Musik? Die meisten werden sagen: "Kommt drauf an." Ein Weckruf passt morgens, ein Wiegenlied abends. Kein Lied ist an sich gut oder schlecht – es ist gut oder schlecht für diesen Moment, diese Person, diese Stimmung. Das ist Kontext.

Ein Großteil moderner Geschäftsentscheidungen sind solche "Es kommt darauf an"-Fragen: Welche Nachricht soll diese Person sehen? Welches Feature heben wir hervor? Anrufen oder schreiben?

Hier kommt Context Engineering ins Spiel – die systematische Auswahl und Aufbereitung der richtigen Informationen für KI-Systeme. Der Begriff etabliert sich 2026 als eigenständige Disziplin, analog zu "Prompt Engineering" in 2023.

Context Engineering beschreibt den Prozess, aus einer großen Menge verfügbarer Daten genau die Informationen auszuwählen und aufzubereiten, die ein KI-Agent für eine bestimmte Aufgabe braucht. Zu wenig Kontext führt zu generischen Antworten, zu viel Kontext zu Halluzinationen und Fokusverlust. Das Ziel: die richtige Information zur richtigen Zeit.

Das Kernproblem: KI-Agenten haben begrenzte "Kontextbudgets" – sie können nur eine bestimmte Menge Information gleichzeitig verarbeiten (das sogenannte Kontextfenster, vergleichbar mit der Anzahl Seiten, die die KI gleichzeitig lesen kann). Zu viele Informationen führen zu Überforderung. Die Goyard-Beraterin merkt sich nicht alles – nur das Entscheidende.

So löst du das Kontextproblem: Ein praktischer Leitfaden

Daten anreichern – über das Offensichtliche hinaus

Sammle Informationen über deine Kunden, die über Transaktionshistorie hinausgehen: Demografie, Interessen, Verhaltenssignale. Im B2B-Bereich helfen Tools wie Clay (mit Zugang zu über 100 Datenquellen inkl. LinkedIn), im B2C-Bereich spezialisierte Datenanbieter. Faraday etwa arbeitet mit 1.500 Attributen auf 240 Millionen Erwachsenen (USA).

Filtern – von tausend Details auf wenige Variablen

Hier liegt der eigentliche Hebel. Nutze maschinelles Lernen, um aus tausenden Datenpunkten die entscheidenden herauszufiltern:

•Clustering – automatisches Erkennen von Kundensegmenten mit ähnlichem Verhalten
•Entscheidungsbäume – Ja/Nein-Fragen, die Schritt für Schritt zum Muster führen
•ML-Plattformen wie Faraday, die diese Modelle automatisch erstellen und pflegen

Kontext an den Agenten übergeben

Nun übergibst du den kuratierten Kontext an deinen KI-Agenten. Dafür gibt es verschiedene Wege:

•Model Context Protocol (MCP) – ein offener Standard von Anthropic (November 2024), der KI-Modelle standardisiert mit Datenquellen verbindet. Inzwischen der De-facto-Standard: 97 Millionen monatliche SDK-Downloads, über 10.000 aktive Server weltweit. Im Dezember 2025 übergab Anthropic MCP an die neu gegründete Agentic AI Foundation unter dem Dach der Linux Foundation – mit OpenAI, Google, Microsoft und AWS als Mitgliedern. Vergleichbar mit USB-C: Ein Standard, auf den sich alle einigen.
•Gut formulierte Prompts – in der Praxis reicht oft ein präziser Prompt mit den wenigen entscheidenden Kontextvariablen.

Beispiel: Der Goyard-Prompt

Was die Verkaufsberaterin intuitiv macht, lässt sich als Prompt formulieren:

System-Prompt:

Du bist ein Verkaufsberater in einem Luxusgeschäft. Ein unentschlossener Kunde überlegt, einen Artikel zu kaufen. Du hast ein Foto von ihm mit dem Produkt. Unter vielen Details hat er erwähnt, dass er freitags um 20 Uhr Cocktails trinken geht. Entwickle einen Engagement-Plan mit maximaler Kaufwahrscheinlichkeit.

Der entscheidende Punkt: Dieser Prompt enthält nicht alles, was über den Kunden bekannt ist – sondern nur das, was für diese spezifische Entscheidung relevant ist. Das Cocktail-Detail. Nicht das Geburtsdatum, nicht der Wohnort, nicht der Beruf.

Drei Strategien gegen "Context Rot"

Je länger ein KI-Agent arbeitet, desto mehr Kontext sammelt sich an – und desto ungenauer werden seine Antworten. Anthropic nennt dieses Phänomen "Context Rot" (wörtlich: Kontext-Verfall) und empfiehlt drei Gegenstrategien:

1Compaction – Zusammenfassen statt Anhäufen

Die Konversationshistorie wird regelmäßig verdichtet. Wichtige Entscheidungen und Fakten bleiben erhalten, irrelevante Details werden entfernt. Wie ein gutes Meeting-Protokoll: nicht jedes Wort, sondern die Essenz.

2Strukturierte Notizbücher – Externes Gedächtnis

Agenten führen eigene Gedächtnisdateien, auf die sie bei Bedarf zurückgreifen. Statt alles im "Arbeitsspeicher" zu halten, schreiben sie wichtige Erkenntnisse auf – und lesen sie nur dann, wenn sie relevant sind. Wie ein Notizbuch neben dem Schreibtisch.

3Sub-Agenten – Arbeitsteilung mit sauberem Fokus

Spezialisierte Unter-Agenten übernehmen Teilaufgaben mit einem frischen, sauberen Kontextfenster und liefern verdichtete Ergebnisse zurück. Wie ein Team, in dem jeder seinen Bereich beherrscht – niemand muss alles wissen.

Das Gute: Diese Architektur lässt sich mit Open-Source-Tools umsetzen – LangChain für die Orchestrierung, LlamaIndex für die Wissensanbindung, n8n für automatisierte Workflows. Kein Vendor-Lock-in, volle Kontrolle über die eigenen Daten.

Europäische Perspektive: Zwischen Aufholbedarf und Regulierung

Die Ausgangslage in Deutschland ist ernüchternd: Eine Metastudie von Dr. Justus & Partners (2020–2025) zeigt, dass 94 % der deutschen Mittelstandsfirmen KI noch nicht operativ implementiert haben. Die Hauptbarriere ist dabei nicht der Datenschutz – sondern fehlende interne Kompetenzen. Über 60 % der KMU nennen mangelnde Mitarbeiter-Skills als primäres Hindernis.

Gleichzeitig nimmt der Originalartikel eine US-Perspektive ein. Faradays Zugriff auf 240 Millionen Personenprofile ist in Europa unter der DSGVO so nicht möglich. Doch das ändert nichts am Kernprinzip: Auch mit First-Party-Daten (also Daten, die Kunden direkt bei dir hinterlassen) lässt sich Context Engineering wirkungsvoll betreiben. Die Kunst liegt nicht in der Menge der Daten, sondern in der Auswahl der richtigen.

Ab August 2026 greifen die Anforderungen für Hochrisiko-KI-Systeme nach dem EU AI Act – darunter KI in Beschäftigung, Kreditentscheidungen und Bildung. Verstöße können mit bis zu 35 Millionen Euro oder 7 % des weltweiten Jahresumsatzes bestraft werden. Die gute Nachricht: Gutes Context Engineering – minimaler, hochrelevanter Kontext mit klarer Datenherkunft – ist gleichzeitig die beste Compliance-Strategie. Weniger, aber besserer Kontext deckt sich mit dem europäischen Prinzip der Datenminimierung.

Context Engineering ist für den Mittelstand kein Luxus-Thema – es ist der pragmatische Einstiegshebel. Firmen, die mit eng definierten Anwendungsfällen starten (z.B. einen einzelnen Vertriebsprozess automatisieren), bauen schrittweise Vertrauen und Kompetenz auf.

2026: Das Jahr des Kontexts

KI-Modelle werden sich weiter rasant entwickeln. Doch bloßer Zugang zu Technologie ist kein Wettbewerbsvorteil mehr – die gleichen Modelle stehen allen zur Verfügung. Der Hebel liegt im Kontext.

Drei Fragen für dein nächstes Strategiegespräch

1Welche drei Informationen über einen Kunden machen den größten Unterschied für deine Ansprache?
2Haben deine KI-Tools Zugang zu diesen Informationen – oder nur zu den einfach verfügbaren?
3Wer in deinem Team ist verantwortlich für die Qualität des Kontexts, den deine KI-Systeme erhalten?

Manche Unternehmen werden ihre Agenten mit irrelevanten Details überfluten. Die Gewinner wissen: Weniger ist mehr. Der Cocktail-Plan entscheidet.

Quellen

•Andy Rossmeissl: "How Luxury Handbags Can Help Solve AI's Context Problem" – Every.to, Februar 2026
•Faraday – Customer Prediction Platform: faraday.ai
•Anthropic: Model Context Protocol (MCP) – anthropic.com, November 2024
•NewStore: Clienteling in Luxury Retail – newstore.com
•Clay – B2B Data Enrichment: clay.com
•Gartner: "40% of Enterprise Apps Will Feature Task-Specific AI Agents by 2026" – gartner.com, August 2025
•Anthropic: "Effective Context Engineering for AI Agents" – anthropic.com
•Dr. Justus & Partners: "94% of German Mittelstand Without AI" – justus.partners, 2025
•Linux Foundation: Agentic AI Foundation – linuxfoundation.org, Dezember 2025

Academy

ChatGPT Academy: Vom Einsteiger zum Power User

Lerne, wie du mit Context Engineering bessere Ergebnisse aus ChatGPT holst — in 22 Kapiteln.

Kurs starten

Weiterlesen

Strategie

Unsichtbar für KI? So wirst du gefunden

Warum klassisches SEO nicht mehr reicht – und was Unternehmen jetzt tun müssen.