Warum KI guten Kontext braucht

Der erste KI-Test enttäuscht oft, weil der Kontext fehlt. Der Guide zeigt, wie Rollen, Beispiele, Projektwissen, Memory und klare Prüfkriterien aus generischen Antworten brauchbare Arbeitsunterstützung machen.

Von Johannes Hartenbauer Veröffentlicht: 13. Juli 2026 9 Min. Lesezeit

Passgenaues Element als Metapher für den richtigen KI-Arbeitskontext

In diesem Artikel

Artikel

Lesezeit: 9 Min. Lesezeit
Veröffentlicht: 13. Juli 2026
Format: Artikel
Niveau: Einsteiger
Thema: KI in Unternehmen

Viele Menschen testen ein KI-Tool einmal kurz, stellen eine allgemeine Frage und bekommen eine Antwort, die ordentlich klingt, aber austauschbar bleibt. Der naheliegende Eindruck: ganz nett, aber für meine echte Arbeit nicht wirklich relevant.

Der Schluss ist oft zu schnell gezogen. Ohne Angaben zu Rolle, Zielgruppe, Qualitätsmaßstäben und Arbeitsbedingungen kann die KI nur allgemein antworten.

Der praktische Hebel liegt deshalb nicht im einen perfekten Prompt. Er liegt darin, KI Schritt für Schritt mit dem richtigen Arbeitskontext zu versorgen: Rollen, Beispiele, Vorlagen, Dokumente, Regeln, Feedback und Prüfkriterien. Erst dann wird aus einem generischen Chat ein brauchbarer Arbeitsassistent.

Kurzfassung

Generische Fragen erzeugen generische Antworten. KI wird erst dann wirklich nützlich, wenn sie Aufgabe, Zielgruppe, Rolle und Qualitätsmaßstäbe kennt.
Personalisierung bedeutet nicht, möglichst viele private Details preiszugeben. Gemeint ist kuratierter Arbeitskontext: Ton, Format, Vorlagen, Regeln, Beispiele und relevante Quellen.
Custom Instructions, Memory, Projekte, Custom GPTs und RAG können Kontext wiederverwendbar machen. Sie ersetzen aber keine Pflege, Kontrolle und fachliche Prüfung.
Mehr Kontext ist nicht automatisch besser. Besser ist Kontext, der aktuell, erlaubt, strukturiert und für die konkrete Aufgabe relevant ist.

Warum der erste KI-Test oft enttäuscht

Ein Prompt wie „Schreib mir eine E-Mail an einen Kunden“ lässt fast alles offen: Anlass, Beziehung, Ton, Ziel, Eskalationsstufe, rechtliche Vorsicht, Vorwissen und gewünschtes Ergebnis. Die KI kann daraus eine sprachlich saubere E-Mail machen. Aber sie muss raten, was in deinem konkreten Fall passt.

Das Problem ist also nicht nur die Formulierung. Das Problem ist der fehlende Arbeitsrahmen. Für eine gute Antwort braucht die KI häufig dieselben Informationen, die auch ein neuer Kollege brauchen würde: Was ist passiert? Wer liest das Ergebnis? Welche Regeln gelten? Was ist kritisch? Was soll auf keinen Fall passieren?

Nutzungsweise	Typischer Input	Typischer Output	Qualitätstreiber
Spontaner Einzelprompt	„Schreib eine E-Mail.“	Ordentlich, aber austauschbar.	Allgemeines Sprachwissen.
Kontextreicher Auftrag	Rolle, Zielgruppe, Anlass, Ton und Grenzen.	Deutlich passender und schneller nutzbar.	Aufgaben- und Zielkontext.
Projektbasierte Nutzung	Zusätzlich Vorlagen, Dateien und frühere Entscheidungen.	Konsistenter Stil und weniger Wiederholung.	Wiederverwendbarer Arbeitskontext.
Workflow-integrierte Nutzung	Zusätzlich Datenquellen, Prüfschritte und Übergaben an Tools.	Arbeitsnahes Ergebnis mit weniger Nacharbeit.	Integration in reale Abläufe.

Personalisierung heißt nicht: Die KI soll alles über dich wissen

Bei Personalisierung denken viele zuerst an persönliche Vorlieben. Für professionelle KI-Nutzung ist das zu eng. Gute Personalisierung bedeutet: Die KI kennt die relevanten Informationen für eine Aufgabe. Dazu gehören zum Beispiel deine Rolle, die Zielgruppe, gewünschte Ausgabeformate, Stilbeispiele, interne Begriffe, Qualitätskriterien und Datenschutzgrenzen.

OpenAI beschreibt genau diese Richtung in der Academy: ChatGPT wird nützlicher und konsistenter, wenn man es weniger wie eine Suchmaschine und stärker wie einen kollaborierenden Partner behandelt, dem man Kontext und Richtung gibt. Praktisch kann das über Custom Instructions, Memory, Projekte oder eigene GPTs passieren. Bei anderen Tools heißen die Funktionen anders, die Logik bleibt ähnlich.

Baustein	Wofür sinnvoll	Worauf achten
Custom Instructions	Dauerhafte Vorgaben zu Rolle, Ton, Format und Antwortstil.	Nicht mit großen Dokumenten oder wechselnden Projektdetails überladen.
Memory	Wiederkehrende Präferenzen und stabile Kontextpunkte.	Regelmäßig prüfen, korrigieren oder löschen. Sensible Details vermeiden.
Projekte	Längere Vorhaben mit Dateien, Chats und eigenen Projektregeln.	Kontextgrenzen bewusst setzen, vor allem in Teams und Organisationen.
Custom GPTs	Wiederholbare Assistenten für klare Zwecke, etwa Redaktion, Support oder Recherche.	Regeln gehören in Instructions, Referenzmaterial in Knowledge.
RAG	Abruf aus gepflegten Wissensquellen wie Handbüchern, FAQ oder Richtlinien.	Die Wissensbasis muss aktuell, kuratiert und zugriffsrechtlich sauber sein.

Warum Produktivität vom Kontext abhängt

Dass KI bei Schreib- und Wissensarbeit helfen kann, ist nicht nur ein Gefühl. Eine MIT-Studie mit akademisch ausgebildeten Berufstätigen fand bei berufstypischen Schreibaufgaben eine um 40 Prozent kürzere Bearbeitungszeit und 18 Prozent höhere Qualität nach externer Bewertung. Eine NBER-Studie in einem Kundenservice-Kontext fand im Durchschnitt knapp 14 Prozent mehr Produktivität, bei unerfahreneren Mitarbeitenden sogar deutlich mehr.

Wichtig ist die Einschränkung: Solche Studien zeigen nicht, dass jede KI-Antwort automatisch gut ist. Die MIT-Studie weist selbst darauf hin, dass die Aufgaben keine präzise Kenntnis eines konkreten Unternehmens, seiner Ziele oder Kundenpräferenzen verlangt haben. Genau dort beginnt im Alltag aber die eigentliche Arbeit.

In echten Organisationen zählt nicht nur, ob ein Text flüssig klingt. Er muss zur Situation, Zielgruppe, internen Sprache, Datenlage, Verantwortung und rechtlichen Grenze passen. Produktivität entsteht deshalb nicht nur durch „KI nutzen“, sondern durch kontextfähige KI-Nutzung.

Denk an KI wie an einen neuen Kollegen

Eine hilfreiche Analogie: Ein KI-Tool ist weniger wie ein Orakel und mehr wie ein neuer Kollege am ersten Arbeitstag. Dieser Kollege kann schnell schreiben, strukturieren und recherchieren. Aber am Anfang kennt er weder die Organisation noch die Zielgruppe, weder die Abkürzungen noch die informellen Qualitätsmaßstäbe.

Wenn du ihm jedes Mal nur eine knappe Aufgabe gibst, bleibt die Arbeit mittelmäßig. Wenn du ihn mit Beispielen, Zuständigkeiten, Entscheidungskriterien, Vorlagen und Feedback einarbeitest, wird seine Arbeit deutlich besser. KI lernt technisch anders als ein Mensch, aber für deine Arbeitsweise ist der Effekt ähnlich: Ohne wiederverwendbaren Kontext ist jede Aufgabe ein Neustart.

So wird aus einem Prompt ein Arbeitskontext

Der Unterschied zwischen schwachem und starkem Prompting liegt selten in komplizierten Formulierungen. Meist geht es um die einfachen Informationen, die in der spontanen Anfrage fehlen.

Aufgabe	Generischer Prompt	Kontextreicher Auftrag
Beschwerde beantworten	„Schreib eine Antwort auf diese Beschwerde.“	„Antworte als Sachbearbeitung einer öffentlichen Stelle. Der Antrag ist wegen fehlender Unterlagen noch nicht entschieden. Ton: ruhig, verständlich, nicht defensiv. Erkläre die nächsten Schritte und vermeide Schuldzuweisungen.“
Bericht zusammenfassen	„Fasse den Bericht zusammen.“	„Fasse den Bericht für eine Amtsleitung auf maximal einer Seite zusammen. Fokus: Entscheidungsbedarf, Risiken, Kosten und offene Punkte. Nutze nüchterne Verwaltungssprache.“
Präsentation vorbereiten	„Mach eine Gliederung zu KI.“	„Erstelle eine 30-minütige Einführung für Beschäftigte ohne technischen Hintergrund. Ziel: Nutzen und Grenzen verständlich machen. Beispiele aus Büroarbeit, keine Hype-Sprache.“
Text kritisch prüfen	„Ist das gut?“	„Prüfe den Entwurf auf unbelegte Annahmen, missverständliche Begriffe, fehlende Quellen und Stellen, an denen menschliche Freigabe nötig ist.“

Gute Prompts beantworten also nicht nur „Was soll getan werden?“, sondern auch: Für wen? In welchem Kontext? Nach welchen Kriterien? In welchem Format? Mit welchen Grenzen?

Prompt

Kontextbriefing für bessere KI-Antworten

Für Aufgaben, bei denen die KI nicht nur texten, sondern passend zu deinem Arbeitsrahmen helfen soll.

Ich möchte, dass du mir bei einer Aufgabe hilfst. Rolle: Unterstütze mich als [Rolle/Perspektive]. Ziel: Am Ende brauche ich [konkretes Ergebnis], damit [Zweck/Entscheidung/Nutzung]. Zielgruppe: Das Ergebnis richtet sich an [Zielgruppe] mit [Vorwissen/Situation]. Kontext: Beachte diese Informationen, Regeln und Einschränkungen: [Kontext einfügen] Material: Nutze vorrangig diese Quellen oder Beispiele: [Text, Links, Daten, Vorlagen] Ausgabeformat: Liefere die Antwort als [Format] mit [Länge/Struktur]. Grenzen: Erfinde keine Fakten. Trenne gesicherte Aussagen, Annahmen und offene Fragen. Markiere Punkte, die menschlich oder fachlich geprüft werden müssen. Qualitätskriterien: Eine gute Antwort ist [Kriterien]. Aufgabe: [konkreter Arbeitsauftrag].

Projekte, Custom GPTs und RAG machen Kontext wiederverwendbar

Bei wichtigen oder wiederkehrenden Aufgaben ist es mühsam, denselben Kontext immer wieder in den Chat zu schreiben. Genau deshalb werden Projektfunktionen, eigene Assistenten und Wissensbasen immer wichtiger.

Claude Projects wurden ausdrücklich als Lösung gegen das „cold start problem“ beschrieben: Ein Projekt kann interne Wissensbestände wie Styleguides, Codebasen, Interviews oder frühere Arbeitsergebnisse bündeln. ChatGPT Projects verfolgen eine ähnliche Richtung: Chats, Dateien und projektbezogene Anweisungen bleiben in einem Arbeitsbereich zusammen. Eigene GPTs trennen wiederum zwischen Verhalten und Quellenmaterial: Instructions definieren Regeln, Ton und Ablauf; Knowledge liefert Referenzmaterial.

Für Organisationen wird zusätzlich RAG wichtig. Retrieval-Augmented Generation bedeutet vereinfacht: Das Sprachmodell beantwortet eine Frage nicht nur aus seinem allgemeinen Modellwissen, sondern ruft vorher passende Informationen aus einer angebundenen Wissensbasis ab. Das kann Antworten aktueller, relevanter und besser belegbar machen. Es funktioniert aber nur gut, wenn die zugrunde liegenden Quellen gepflegt sind.

Wann lohnt sich ein eigenes Projekt?

Die Aufgabe wiederholt sich regelmäßig.
Die KI soll bestimmte Vorlagen, Beispiele oder Regeln kennen.
Mehrere Chats gehören zu demselben Vorhaben.
Der Stil oder die Zielgruppe soll konsistent bleiben.
Das Ergebnis muss später nachvollziehbar geprüft werden können.

Die Grenze: Personalisierung darf keinen Ja-Sager bauen

Mehr Personalisierung ist nicht automatisch besser. Wenn ein KI-System zu stark auf eine Person ausgerichtet ist, kann es zu zustimmend werden. MIT und Penn State berichteten 2026, dass längere Interaktionen und gespeicherte Nutzerprofile die Wahrscheinlichkeit erhöhen können, dass Modelle Ansichten spiegeln oder zu selten widersprechen. Dieses Verhalten wird als Sycophancy bezeichnet.

Für professionelle Nutzung ist das ein wichtiger Punkt. Ein guter KI-Assistent soll nicht nur deinen Stil treffen. Er soll auch sagen können: Diese Annahme ist nicht belegt. Diese Zahl braucht eine Quelle. Diese Formulierung ist zu werblich. Hier fehlt eine Rechtsgrundlage. Die Daten reichen für diese Schlussfolgerung nicht aus.

Personalisierung braucht deshalb Gegenrollen. Neben „Schreibe in unserem Stil“ gehört oft auch ein Auftrag wie „Prüfe kritisch“, „nenn Gegenargumente“ oder „markiere Unsicherheiten“ in den Arbeitskontext.

Prompt

Kritische Gegenrolle aktivieren

Für Entwürfe, Konzepte, Empfehlungen und Entscheidungen, bei denen die KI nicht nur bestätigen soll.

Agiere jetzt als kritischer Reviewer. Prüfe meinen Entwurf oder Plan anhand dieser Fragen: 1. Welche Annahmen sind unbelegt oder schwach? 2. Welche Gegenargumente wären am stärksten? 3. Wo fehlen Quellen, Zahlen oder klare Begriffe? 4. Welche Risiken übersehe ich? 5. Wo klingt der Text überzeugender, als die Faktenlage erlaubt? 6. Welche Punkte müssen menschlich, fachlich oder rechtlich geprüft werden? Bleibe konstruktiv. Trenne sichere Kritikpunkte von möglichen Risiken.

Datenschutz: Die KI braucht nicht alles, sondern das Richtige

Kontext ist wertvoll, aber nicht jeder Kontext gehört in ein KI-System. Es ist ein Unterschied, ob die KI weiß, dass du kurze Entscheidungsvorlagen bevorzugst, oder ob du sensible Personal-, Gesundheits-, Finanz- oder Bürgerdaten hochlädst.

Für Arbeit, Unternehmen und Verwaltung ist das Prinzip einfach: so viel Kontext wie nötig, so wenig sensible Daten wie möglich. Interne Dokumente sollten nicht wahllos hochgeladen werden. Besser sind freigegebene Vorlagen, klare Zugriffsrechte, gepflegte Wissensbasen, Versionierung und eindeutige Lösch- oder Korrekturprozesse.

Leitfrage	Gute Praxis	Schlechte Praxis
Muss die KI diese Information dauerhaft kennen?	Nur stabile Präferenzen und wiederkehrende Rollen speichern.	Einmalige oder sensible Details dauerhaft ablegen.
Ist die Quelle aktuell?	Versionierte Dokumente und gepflegte Wissensbasen nutzen.	Alte Vorlagen und widersprüchliche Dateien mischen.
Ist der Zweck klar?	Kontext nur für konkrete Arbeitsaufgaben bereitstellen.	Daten „auf Vorrat“ hochladen.
Kann die Ausgabe geprüft werden?	Quellen, Annahmen und Unsicherheiten sichtbar machen.	KI-Ausgaben ohne Kontrolle übernehmen.
Darf die Information verarbeitet werden?	Datenschutz, Vertraulichkeit und Berechtigungen prüfen.	Personenbezogene oder vertrauliche Daten unreflektiert eingeben.

Der Kontext-Kompass

Für den Alltag reicht ein einfacher Kontext-Kompass. Bevor du eine wichtige KI-Aufgabe startest, beantworte fünf Fragen:

Wer bin ich in dieser Aufgabe: Rolle, Verantwortung, Entscheidungsspielraum?
Für wen ist das Ergebnis: Fachteam, Leitung, Kundinnen, Bürger, Öffentlichkeit?
Was ist das Ziel: informieren, entscheiden, prüfen, dokumentieren, erklären, verkaufen?
Welche Regeln gelten: Ton, Format, Quellen, Datenschutz, Freigaben, rechtliche Grenzen?
Was soll die KI kritisch prüfen: Annahmen, Risiken, Gegenargumente, fehlende Informationen?

Die wichtigste Verschiebung ist mental: KI ist nicht nur ein Textgenerator, sondern ein Werkzeug, das du in deinen Arbeitsprozess einbettest. Gute Ergebnisse entstehen dann nicht aus einem Trick, sondern aus sauberem Briefing, guten Quellen, klaren Grenzen und konsequenter Prüfung.

Fazit

Der erste Eindruck eines KI-Tools sagt oft mehr über die Qualität des Briefings aus als über das Potenzial der Technologie. Wer KI ohne Kontext nutzt, bekommt ein Werkzeug im Auslieferungszustand. Wer KI mit relevanten Informationen, Beispielen, Arbeitsregeln und Feedback ausstattet, baut schrittweise ein brauchbares Arbeitsinstrument.

Die entscheidende Kompetenz ist deshalb nicht, möglichst spektakuläre Prompts zu schreiben. Wichtiger ist, Arbeitskontexte so zu strukturieren, dass KI sinnvoll daran anschließen kann.

KI muss dich nicht privat kennen. Sie muss deine Arbeit kennen. Sie muss wissen, welches Ziel verfolgt wird, welche Sprache passt, welche Standards gelten, welche Informationen belastbar sind und wann sie widersprechen soll.

Quellen und weiterführende Informationen

Hinweis: Einige Quellen führen zu englischsprachigen Hersteller-, Hilfe- oder Forschungsseiten. Die Linktexte beschreiben auf Deutsch, welche Information dort zu finden ist.