Was das in der Praxis bedeutet
Wenn die KI nicht das Ergebnis liefert, das Sie wollen, liegt es fast immer an einer von zwei Sachen: am Prompt oder am Kontext. Context Engineering befasst sich mit dem Zweiten.
Die wirksamste Frage, die Sie im Unternehmen stellen können, lautet: Wie geben wir der KI genug Kontext, damit sie das ab jetzt allein erledigt? Die Antwort ist meist überraschend konkret:
- Zugang zu den Daten und zur Kundenkorrespondenz
- die Wissensbasis und interne Richtlinien
- Spezifikationen und Produktbriefings
- Muster dafür, wie ein gutes Ergebnis aussieht
- eine Beschreibung des Kommunikationstons
- Logdateien und Rückmeldungen von Nutzern
- Produktfotografie
Ein Beispiel aus der Praxis
Bei einem Trading-Kunden war die Marketingkommunikation uneinheitlich und klang nicht nach den Gründern. Die Lösung waren nicht bessere Prompts. Wir haben Podcast-Gespräche mit CEO, COO und Gründern transkribiert und zusammen mit dem Unternehmenshandbuch und internen Notizen in die Wissensbasis eines Custom GPT gelegt.
Das Ergebnis änderte sich über Nacht — nicht weil das Modell besser wurde, sondern weil es endlich wusste, wovon es sprach.
Warum Datenzugang der größte Hebel ist
Ein Agent ohne Daten kann raten. Ein Agent mit Zugang zum Postfach, zur Datenbank und zu den Dokumenten kann arbeiten. Umgekehrt gilt aber auch: Mehr Daten bedeuten nicht automatisch ein besseres Ergebnis. Es kommt darauf an, welche Daten, in welcher Struktur — und wer darauf Zugriff haben sollte.