Bessere Ergebnisse mit KI: Warum alles am Kontext hängt

Viele kennen diesen Moment: Output gelesen, kurz gestutzt, und dann dieses leise Gefühl, dass da etwas nicht stimmt. Höflich war die Antwort, vollständig auch – aber irgendwie war das Ergebnis nicht zielführend. Zu glatt, zu generisch, ohne den Ton zu treffen, der eigentlich gemeint war und man denkt sich "naja, KI halt". 

Was in diesem Moment eigentlich immer missverstanden wird: Das Modell hat nicht versagt. Es hat geliefert, was es bekommen hat. Und was es bekommen hat, war zu wenig. 

Schlechte KI-Outputs sind selten ein Modell-Problem. Sie sind ein Kontext-Problem. Wer einem Sprachmodell erklärt, was es tun soll, aber nicht warum, bekommt eine durchschnittliche Antwort aufgrund einer durchschnittlichen Eingabe.

Kontext ist der Hebel, der den Unterschied macht. Und gleichzeitig ist es das, was viele im Alltag vernachlässigen.

Das Modell ist selten das Problem  ​

In der Informatik gibt es einen Grundsatz, der seit den 1960ern gilt und durch die KI-Welle eine völlig neue Relevanz bekommen hat: Garbage in, garbage out (GIGO). Was reingeht, kommt auch wieder raus. Früher galt das vor allem für Datenbanken und Software: Wer fehlerhafte Daten eingibt, bekommt fehlerhafte Ergebnisse zurück. Das System korrigiert nicht, es verarbeitet. Bei klassischer Software war das gut zu kontrollieren – die Eingaben waren strukturiert und die Fehler klar sichtbar.

Bei Sprachmodellen ist das anders. Hier sind die Eingaben freier und die Ausgaben fließend, was GIGO unsichtbarer und gleichzeitig wirkungsvoller macht. Ein Sprachmodell produziert immer eine Antwort, die kohärent klingt und vollständig wirkt, auch wenn der Input unvollständig war. Es gibt kein offensichtliches Fehlersignal, keine Fehlermeldung oder einen roten Hinweis, das etwas fehlt. Die mittelmäßige Antwort sieht aus wie eine halbwegs gute Antwort, und genau deshalb bleibt das eigentliche Problem so lange unentdeckt. 

Wer einem Sprachmodell wenig gibt, bekommt wenig zurück. Das ist keine Schwäche der Technologie, sondern ihre Logik. Ein erster Output ist dabei selten der finale Entwurf. Nachbesserungen und Anpassungen im Dialog sind keine Ausnahme, sondern der normale Arbeitsmodus mit Sprachmodellen. Sie sind darauf ausgelegt, Rückfragen zu stellen, und wer das aktiv nutzt, arbeitet besser.

Ein bewährter Tipp aus der Praxis: Diesen Spieß kann man auch umdrehen. Die KI von Anfang an auffordern, Verständnisfragen zu stellen, bevor sie loslegt. So wird nicht ins Blaue geraten, sondern gezielt gearbeitet.

Der Dialog mit Sprachmodellen ist sehr wertvoll. Nur hat er seinen Preis. Wer bei jeder Aufgabe erst nachsteuern muss, verliert Zeit. Wer stattdessen von Anfang an den richtigen Kontext liefert, braucht weniger Iterationen und kommt schneller zum gewünschten Ergebnis.

Gleiche Aufgabe. Anderes Ergebnis.

Was das in der Praxis bedeutet, lässt sich an einer Aufgabe zeigen, die jeder kennt. Nicht als theoretisches Konstrukt, sondern als direkter Vergleich: dieselbe Aufgabe, zwei verschiedene Inputs, zwei völlig verschiedene Ergebnisse.

Ohne Kontext:
„Schreib eine E-Mail an eine Kundin, die sich über eine Lieferverzögerung beschwert."

Das Ergebnis: höflich, korrekt, austauschbar. Eine E-Mail, die genauso gut aus einem automatisierten Ticketsystem hätte kommen können. Kein Bezug zur Beziehung der Kundin, kein Gefühl für die Situation und auch kein erkennbarer Ton.

Mit Kontext:
„Schreib eine E-Mail an eine Kundin, die sich über eine Lieferverzögerung bei [Produkt] beschwert. Sie gehört zu unseren wichtigsten Kundi:nnen und wir wollen die Beziehung nicht gefährden. Ton: persönlich, direkt, kein Callcenter. Unternehmen: [Unternehmensname], [kurze Beschreibung]. Wir räumen den Fehler ein, ohne uns zu verbiegen."
 

Das Ergebnis ist kein Zufall. Der zweite Prompt ist besser, weil mehr Nachdenken dahintersteckt. Wer sich vor dem Senden kurz fragt, wofür der Output eigentlich gebraucht wird, für wen er gedacht ist und was auf dem Spiel steht, bekommt einen anderen Input – und damit einen anderen Output. Fünf Minuten klares Denken sparen fünfzehn Minuten Korrigieren. Und doch ist das erst die halbe Miete. Unternehmensname, Tonalität, Zielgruppe, Haltung: Das sind keine aufgabenspezifischen Informationen. Das ist Kontext, der bei jeder Aufgabe gilt. Die naheliegende Frage: Warum ihn jedes Mal neu erklären?

Wie aus einem Werkzeug ein System wird

Ein Sprachmodell kennt die Welt aus seinen Trainingsdaten und damit wirklich sehr viel. Was es nicht kennt: das Unternehmen, für das man arbeitet, die eigene Rolle darin, den Ton, den man pflegt und wie man sich eine gute Zusammenarbeit vorstellt. Man kann sich das wie einen neuen digitalen Assistenten vorstellen, der am ersten Tag anfängt: Kompetent, engagiert, aber ohne jeglichen Kontext über die Arbeit, die Ziele und die Erwartungen. Genauso wie wir neuen Kolleg:innen ein Onboarding in ihre Arbeit geben, so sollte es auch der digitale Assistent bekommen.

Dies kann man in den Einstellungen machen und ein Blick hierhin lohnt sich. Hier lässt sich einiges konfigurieren: Individuelle Anweisungen hinterlegen, persönliche Präferenzen festlegen, und je nach Anbieter sogar einstellen, ob Informationen aus vergangenen Gesprächen gespeichert und chatübergreifend verwendet werden. Die Bezeichnungen unterscheiden sich zwischen den verschiedenen Anbietern, die Logik ist überall dieselbe.

Was dabei reingehört, lässt sich in zwei Perspektiven aufteilen: die eine betrifft den Menschen, der mit dem Modell arbeitet. Die andere betrifft das Modell selbst, und wie es sich in der Zusammenarbeit verhalten soll.

Wer hier eigentlich arbeitet

Die erste Perspektive ist die persönlichste: Wer sitzt vor dem Bildschirm und arbeitet mit diesem Werkzeug?
Hierzu gehören berufliche Informationen wie die eigene Rolle und Funktion, das Unternehmen, sein Angebot und die Zielgruppe, für die man tätig ist. Genauso relevant sind die Aufgabenfelder, in denen man sich täglich bewegt. Was sind die wiederkehrenden Themen? Welche Fragen stellen sich immer wieder?

Hinzu kommt die persönliche Ebene: Arbeitsweise, Kommunikationsstil, Interessen oder weitere Hintergründe. All das formt, wie ein Sprachmodell antwortet, welchen Ton es anschlägt und welche Informationen es für relevant hält. Je mehr es über den Menschen weiß, der es bedient, desto weniger muss dieser erklären – und desto passender werden die Ergebnisse.

Die Zusammenarbeit aktiv gestalten

Die zweite Perspektive betrifft nicht den Menschen, sondern das Modell selbst: Wie soll es sich verhalten? Zwei Beispiele, die fast jeder kennt. Das erste: Man teilt einen Gedanken oder Idee und erhält eine begeisterte Antwort – selbst wenn man merkt, dass das eigentlich gar nicht so brillant war. Sprachmodelle neigen dazu, zu bestätigen und zuzustimmen, fast reflexartig. Nicht weil die Idee gut war, sondern weil es so trainiert wurde. Das fühlt sich angenehm an, hilft aber selten weiter.

Das zweite Beispiel ist stilistischer Natur: Texte, die auf Anhieb nach Sprachmodell klingen. Gedankenstriche in jedem zweiten Satz sind eine klassische KI-Krankheit. Wer das als Vermeidung hinterlegt, muss nicht immer wieder aufs Neue die Chatanweisung übermitteln “weniger Gedankenstriche!”.

Beide Beispiele zeigen dasselbe Prinzip: Man kann einem Sprachmodell sagen, was es tun soll, aber genauso, was es lassen soll. Wer das nutzt, formt aus einem gefälligen Assistenten einen strategischen Sparringpartner, der Annahmen hinterfragt, Schwachstellen benennt und widerspricht, wenn es angebracht ist.

Hier sind einige Beispiele für weitere Konfigurationsmöglichkeiten: direkt antworten ohne ausschweifende Einleitungen, bei Unklarheiten nachfragen bevor losgelegt wird, Unsicherheiten offen benennen, statt darüber hinwegzugehen, keine Zusammenfassungen ans Ende jeder Antwort stellen, Alternativen vorschlagen, wenn ein Ansatz schwach ist. Die Liste ließe sich fortsetzen. Die Zusammenarbeit mit einem Sprachmodell ist gestaltbar, und wer das einmal verinnerlicht hat, fängt an, sie aktiv zu nutzen.

Wer diese Einstellungen nutzt, arbeitet nicht mit einem generischen Werkzeug, sondern mit einem, das die eigenen Präferenzen wirklich kennt.

Von der Konfiguration zur Wissensbasis

Wer die Einstellungen einmal sauber aufgesetzt hat, hat den wichtigsten Schritt getan. Der nächste führt noch weiter: Kontext, der nicht nur in den Einstellungen hinterlegt ist, sondern in Form von Dateien und Dokumenten dauerhaft verfügbar bleibt.

Styleguides, Produktbeschreibungen, häufige Kundenfragen, Referenztexte – all das kann einem Sprachmodell zur Verfügung gestellt werden, sodass es bei Bedarf gezielt darauf zugreift. Das Modell rät nicht mehr, es arbeitet auf Basis echter Informationen. Halluzinationen entstehen fast immer dort, wo verlässliche Informationen fehlen. Wer eigene Wissensquellen einbringt, schließt diese Lücke.

Das ist die effizienteste Form von Kontext: einmal gut aufgebaut, werden diese Informationen dauerhaft verfügbar. Aus einem Sprachmodell wird so ein System, das die eigene Arbeitsweise kennt, das nicht bei null beginnt und das mit jeder Nutzung besser zur eigenen Arbeit passt.

Das Fundament macht den Unterschied

Kontext zu liefern ist keine KI-Kompetenz. Es ist Klarheit über die eigene Arbeit. Wer einem Sprachmodell nur sagt, was es tun soll, bekommt eine Antwort. Wer erklärt, warum – wer die Zielgruppe kennt, das Ziel versteht, den Rahmen setzt – bekommt eine gute Antwort. Wer diesen Kontext einmalig als Fundament hinterlegt, arbeitet dauerhaft besser. Der Rest ist Iteration.

Kontext ist nicht das Zünglein an der Waage. Es ist das Fundament.

Wer dieses Fundament für das eigene Unternehmen legen möchte, muss das nicht alleine herausfinden. Die Digitalagentur Berlin bietet kostenlose KI-Orientierungsgespräche für Berliner Unternehmen an: In einer Stunde erarbeiten wir gemeinsam, was für Ihre Arbeit relevant ist, wie Sie es strukturieren und dauerhaft verankern. Kostenlos, individuell, keine Vorkenntnisse nötig. Vereinbaren Sie jetzt ein DAB Orientierungsgespräch.