Die KI kann keine Gedanken lesen. Eigentlich banal. Trotzdem liegt genau hier einer der größten Fehler in der täglichen Arbeit mit ChatGPT, Claude, Gemini und anderen Systemen.
Wir schreiben drei Sätze, drücken auf Enter und erwarten ein Ergebnis, das unser Ziel, unsere Zielgruppe, unsere Erfahrung, unsere Tonalität, unsere Quellen und am besten noch unsere unausgesprochenen Vorbehalte berücksichtigt. Wenn die Antwort dann generisch ausfällt, bekommt die KI die Schuld.
Ganz ehrlich: Woher soll sie es wissen?
Ein guter Prompt bleibt wichtig. Aber er ist nur der Auslöser. Die eigentliche Qualität entsteht aus dem Zusammenhang, in dem die Aufgabe steht. Aus Material, Regeln, Beispielen, Quellen, Entscheidungen und Prüfpunkten. Genau darum geht es beim Kontext-Engineering.
Kontext-Engineering bedeutet, einer KI gezielt die Informationen und Arbeitsbedingungen bereitzustellen, die sie für eine konkrete Aufgabe tatsächlich braucht. Nicht alles. Das Richtige.
Das klingt weniger spektakulär als der angebliche Wunderprompt. Ist aber wesentlich näher an echter Arbeit.
Buch · Die Journalisten-Methode
Vom Rohmaterial zum eigenständigen Beitrag.
Wenn du mit KI arbeitest, aber nicht wie alle anderen klingen willst, zeigt dir die Journalisten-Methode einen belastbaren Weg: eigene Quellen, bessere Fragen und menschliche Endabnahme.
Der Amazon-Link ist ein Affiliate-Link. Für dich ändert sich der Preis nicht.
Vom Prompt zum Arbeitssystem
Als generative KI für ein breites Publikum zugänglich wurde, drehte sich fast alles um Prompting. Welcher Befehl liefert die beste Antwort? Welche Formulierung erzeugt den perfekten Text? Manche verkauften ganze Prompt-Sammlungen, als hätten sie die geheimen Zaubersprüche einer neuen Zunft gefunden.
Für den Einstieg war das verständlich. Menschen mussten erst lernen, dass ein Sprachmodell keine klassische Suchmaschine ist. Eine ausführlichere, präzisere Eingabe führte oft zu besseren Ergebnissen. Das war ein Fortschritt.
Nur blieb das Denken am einzelnen Befehl hängen.
In meiner eigenen Arbeit hat sich der Schwerpunkt inzwischen deutlich verschoben. Früher fragte ich stärker: Wie bekomme ich aus dieser einen Anfrage ein gutes Ergebnis? Heute frage ich: Wie muss der gesamte Prozess aussehen, damit wiederholt gute Ergebnisse entstehen?
Das ist ein anderer Maßstab.
Ein einzelner Prompt kann zufällig hervorragend funktionieren. Ein belastbarer Workflow muss auch beim nächsten Beitrag, beim nächsten Projekt und nach einer längeren Pause noch nachvollziehbar sein. Er braucht deshalb mehr als eine geschickte Formulierung. Er braucht Kontext.
Anthropic beschreibt Kontext als eine kritische, aber begrenzte Ressource. Der Punkt ist wichtig: Mehr Material ist nicht automatisch besser. Entscheidend ist, welche Informationen für die aktuelle Aufgabe relevant sind und wie sie strukturiert werden. Ein zugemülltes Projekt ist kein kluges Projekt. Es ist nur ein größerer Haufen.
Externe Quelle: Anthropic: Effective context engineering for AI agents.
Was gehört zum Kontext?
Kontext ist die Gesamtheit der Informationen und Anweisungen, die einem Modell bei einer konkreten Bearbeitung tatsächlich zur Verfügung stehen. Prompting gestaltet die Anweisung, während Systemanweisungen und hochgeladene Dateien mögliche Bestandteile des Kontexts sind. Retrieval bedeutet, relevante Informationen bei Bedarf gezielt nachzuladen. Kontext-Engineering verbindet diese Einzelteile: Es entscheidet, was im richtigen Moment verfügbar sein muss, was Vorrang hat und was draußen bleibt.
Für redaktionelle und strategische Arbeit sind sieben Bausteine besonders nützlich.
1. Der Auftrag
Was soll entstehen? Für wen? Mit welchem Zweck? Wo wird das Ergebnis eingesetzt?
„Schreib einen Artikel über KI“ ist kein belastbarer Auftrag. „Erstelle einen Fachbeitrag für Verantwortliche kleiner Content-Teams, der erklärt, warum wiederkehrende KI-Arbeit klare Quellen-, Tonalitäts- und Freigabepunkte braucht“ ist einer.
Der Unterschied liegt nicht in der Länge. Er liegt in der Entscheidung.
2. Das Primärmaterial
Eigene Notizen, Diktate, Interviews, Dokumente, Produktinformationen, Erfahrungsberichte und vorhandene Texte geben einem Ergebnis Herkunft.
Das ist für mich der stärkste Hebel. Ich diktiere Gedanken häufig beim Gehen, auf dem Fahrrad, auf der Baustelle oder beim Spaziergang mit dem Hund. In diesen Rohfassungen stecken nicht nur Fakten. Dort liegen Beobachtungen, Zweifel, Beispiele, Sprachrhythmus und manchmal auch die entscheidende Formulierung, nach der ich am Schreibtisch eine Stunde gesucht hätte.
Wenn ich einer KI nur das Thema gebe, muss sie den fehlenden Zusammenhang selbst ergänzen. Wenn ich ihr mein Material gebe, kann sie ihre Antwort an meiner Perspektive ausrichten.
3. Fachlicher Hintergrund und Quellen
Ein System muss wissen, welche Informationen verbindlich sind und welche lediglich als Orientierung dienen.
Dazu gehören beispielsweise:
- Primärquellen und offizielle Dokumente;
- interne Unterlagen;
- freigegebene Interviews;
- aktuelle Forschungsdossiers;
- frühere, weiterhin gültige Entscheidungen;
- Hinweise auf offene oder strittige Punkte.
Eine KI-Ausgabe ist dabei keine Quelle. Sie kann beim Finden, Strukturieren und Vergleichen helfen. Die behauptete Tatsache muss trotzdem auf einen überprüfbaren Ursprung zurückgeführt werden.
4. Regeln und Grenzen
Was darf das System tun? Was ausdrücklich nicht?
In einem redaktionellen Projekt können solche Regeln lauten:
- keine Erfahrungen, Kunden oder Ergebnisse erfinden;
- Zitate nicht umschreiben;
- veränderliche Fakten aktuell prüfen;
- Unsicherheit sichtbar machen;
- vorhandene starke Passagen bewahren;
- keine Veröffentlichung ohne menschliche Freigabe.
Grenzen sind keine Bremse. Sie verhindern, dass Geschwindigkeit in die falsche Richtung entsteht.
5. Gute und schlechte Beispiele
Beispiele zeigen häufig präziser als abstrakte Stilvorgaben, welches Ergebnis gemeint ist.
Eine Voice-DNA kann erklären, dass ein Text direkt, lebendig und systemisch klingen soll. Zwei oder drei echte Texte zeigen zusätzlich, wie sich diese Eigenschaften im Satzrhythmus, in Übergängen und in der Argumentation ausdrücken.
Genauso hilfreich sind Gegenbeispiele: typische Floskeln, zu glatte Absätze, unbelegte Zuspitzungen oder Strukturen, die im Projekt ausdrücklich nicht mehr verwendet werden sollen.
6. Qualitätskriterien
Woran wird erkennbar, dass das Ergebnis gut ist?
Ohne Kriterien produziert die KI eine plausible Antwort. Mit Kriterien lässt sich die Antwort prüfen.
Für einen Fachbeitrag können die Prüffragen beispielsweise lauten:
- Beantwortet der Text eine klar umrissene Leserfrage?
- Enthält er einen eigenständigen Informationsgewinn?
- Sind Erfahrung, Fakt, Schlussfolgerung und Prognose unterscheidbar?
- Trägt jede Quelle die konkrete Aussage?
- Passt der Text zur Stimme und zur Positionierung?
- Ist der nächste Schritt für den Leser sinnvoll?
Das ist der Moment, in dem aus „gefällt mir“ eine redaktionelle Entscheidung wird.
7. Projektzustand und Entscheidungen
Was wurde bereits beschlossen? Welche Fassung ist aktuell? Welche Annahme wurde verworfen? Was ist noch offen?
Gerade bei längeren Vorhaben geht ohne diese Ebene viel Arbeit verloren. Nach vier Wochen beginnt man sonst wieder mit denselben Grundsatzdiskussionen. Ich dokumentiere deshalb nicht nur Ergebnisse, sondern auch Entscheidungen, Versionen und Begründungen.
Die Dokumentation ist dabei zunehmend von der KI für die KI. Ein neues System kann sich einlesen, versteht den bisherigen Weg und muss nicht so tun, als beginne das Projekt jeden Morgen bei null.
Mein Schreibprojekt als praktisches Beispiel
Mein Schreibprojekt existiert nicht aus einem einzigen Masterprompt. Es besteht aus mehreren Schichten.
Im Fundament liegen die übergreifenden Regeln: Wahrheitsanspruch, Quellenlogik, menschliche Endabnahme, Umgang mit Unsicherheit und meine grundsätzliche Arbeitsweise. Dazu kommen projektspezifische Dokumente: Voice-DNA, starke Textbeispiele, redaktionelle Playbooks, Recherchematerial und die konkrete Aufgabe.
Für einen neuen Beitrag läuft der Prozess vereinfacht so:
- Ich definiere den Job der Seite und die Zielgruppe.
- Ich gebe vorhandene Texte und technisches Ausgangsmaterial hinein.
- Ich diktiere eigene Erfahrungen, Beobachtungen und die Kernthese.
- Aktuelle oder strittige Aussagen werden recherchiert.
- Die KI analysiert Material, Widersprüche und Lücken.
- Aus dem geprüften Kontext entsteht ein Entwurf.
- Fakten, Logik, Tonalität, Suchintention und interne Links werden getrennt geprüft.
- Ich entscheide über die Endfassung und die Veröffentlichung.
Die KI schreibt also nicht „einfach meinen Artikel“. Sie arbeitet in einem redaktionellen System.
Das klingt nach einem feinen Unterschied. In der Praxis ist es der ganze Unterschied.
Der Kontext braucht eine Hierarchie
Je größer ein Projekt wird, desto wichtiger wird die Frage, welcher Kontext Vorrang hat.
Ein altes Briefing kann einem neuen Beschluss widersprechen. Ein früherer Beispieltext kann stilistisch stark, inhaltlich aber überholt sein. Eine allgemeine Markenregel kann für eine konkrete Textsorte eine Ausnahme besitzen.
Ich ordne Kontext deshalb nach Verbindlichkeit:
- Aktueller Auftrag und harte Grenzen
- Freigegebene Primärquellen und Projektdaten
- Aktuelle Entscheidungen und Qualitätskriterien
- Fachlicher Hintergrund und Recherche
- Stilbeispiele und frühere Fassungen
- Ideen, Hypothesen und noch ungeprüftes Material
Ohne diese Ordnung behandelt ein Modell womöglich eine alte Idee wie eine neue Vorgabe. Das ist kein Modellversagen. Das ist schlechtes Informationsdesign.
Content · Redaktion · KI-Workflows
Wenn aus einer guten Idee ein verlässlicher Prozess werden soll.
Ich unterstütze stille Experten und kleine Teams dabei, Fachwissen in klare Inhalte, belastbare Redaktionsabläufe und sinnvolle KI-Workflows zu übersetzen.
Ein paar klare Sätze reichen. Keine automatisierte Verkaufsschleife.
Fünf typische Fehler beim Kontext-Engineering
Der Kontextfriedhof
Alles wird in ein Projekt geworfen, nichts entfernt, nichts datiert. Das System soll sich schon das Richtige heraussuchen. Irgendwann schwimmen veraltete Regeln, widersprüchliche Entwürfe und irrelevante Dokumente nebeneinander.
Besser: aktive Dateien, Referenzen und Archiv sauber trennen.
Die falsche Sicherheit
Viel Kontext fühlt sich belastbar an. Er kann trotzdem falsch sein. Ein sauber strukturiertes Gerücht bleibt ein Gerücht.
Besser: Quellenstatus und Unsicherheit kennzeichnen.
Die vergessene Zielgruppe
Das Material ist hervorragend, aber niemand hat entschieden, für wen das Ergebnis gedacht ist. Dann entsteht ein fachlich ordentlicher Text ohne klaren Leserjob.
Besser: Zielgruppe, Frage und Entscheidungssituation an den Anfang stellen.
Die fehlende Gegenprüfung
Das System erhält nur Material, das die Lieblingsidee bestätigt. So wird Kontext zum Verstärker des eigenen Bestätigungsfehlers.
Besser: Gegenargumente, Alternativerklärungen und Kill-Kriterien ausdrücklich aufnehmen.
Die ausgelagerte Verantwortung
Weil das Projekt gut vorbereitet ist, wird die Ausgabe ungeprüft übernommen. Genau dann wird aus einem starken Werkzeug ein unnötiges Risiko.
Besser: Fakten, Tonalität und Freigabe bleiben klar menschlich zugeordnet.
Ein Kontextpaket, das auf eine Seite passt
Für einen ersten belastbaren Anwendungsfall braucht es kein eigenes Wissensministerium. Diese Struktur genügt häufig:
1. Ziel und Nutzer
2. Gewünschtes Ergebnis
3. Primärmaterial und Quellen
4. Wichtige Regeln und No-Gos
5. Zwei bis drei Beispiele
6. Qualitätscheck
7. Offene Fragen und FreigabeDas Paket kann als Markdown-Datei, Projektbriefing oder sauber gegliederte Notiz vorliegen. Das Format ist weniger wichtig als die Klarheit.
Danach beginnt der eigentliche Test: Verbessern die Antworten sich sichtbar? Muss das System weniger raten? Werden Rückfragen präziser? Wiederholen sich bestimmte Fehler?
Woran erkennt man einen guten Kontext? An den Ergebnissen. Nicht an der Zahl der Dateien.
Kontext-Engineering ist kein einmaliges Setup
Projekte verändern sich. Modelle verändern sich. Ziele verändern sich. Deshalb ist Kontext kein Denkmal, sondern ein gepflegter Arbeitsbestand.
Ich ergänze neue Entscheidungen, entferne überholte Vorgaben und archiviere Material, das nicht mehr aktiv gebraucht wird. Nach wichtigen Fehlern entsteht eine neue Regel. Nach einem guten Ergebnis wird geprüft, welcher Teil des Kontextes dazu beigetragen hat.
So entsteht eine Aufwärtsspirale: Der Prozess wird besser, die Ergebnisse werden besser, und aus den Ergebnissen lernt wiederum der Prozess.
Genau an diesem Punkt endet Prompt-Spielerei und beginnt Content Operations.
Fazit: Zusammenhang schlägt Zauberspruch
Ein guter Prompt kann viel auslösen. Er kann fehlendes Wissen, ungeklärte Ziele und widersprüchliche Regeln aber nicht wegformulieren.
Der eigentliche Hebel liegt nicht im Prompt allein:
- im eigenen Material;
- in belastbaren Quellen;
- in klaren Entscheidungen;
- in relevanten Beispielen;
- in prüfbaren Qualitätsmaßstäben;
- und in einer menschlichen Verantwortung, die nicht an das Modell delegiert wird.
Kontext-Engineering bedeutet deshalb nicht, möglichst viel in ein Fenster zu kippen. Es bedeutet, einem System genau den Zusammenhang zu geben, den es für gute Arbeit braucht.
Die KI kann keine Gedanken lesen. Wir sollten endlich aufhören, unsere Prozesse so zu bauen, als könnte sie es.
Quellen und weiterführende Literatur
- Anthropic: Effective context engineering for AI agents
- Anthropic: Building effective agents
- Anthropic: Measuring AI agent autonomy in practice
- Google Search Central: Creating helpful, reliable, people-first content
- Google Search Central: Guidance on using generative AI content
Kontext in einen verlässlichen Workflow übersetzen
Ein gutes Kontextpaket ist der Anfang. Danach müssen Recherche, Entwurf, Prüfung, Aktualisierung und Freigabe sauber ineinandergreifen. Auf meiner Leistungsseite beschreibe ich, wie ich Content-Strategie, Redaktion und KI-Workflows verbinde. Für eine erste Einordnung reichen auf der Kontaktseite ein paar Sätze zur Ausgangslage und zum größten Engpass.
