Die Modelle sind nicht das Problem

Claude versteht eine Million Tokens. Gemini schluckt zwei Millionen. GPT-4.1 kommt auf eine Million über die API. Llama 4 hat ein Context Window von zehn Millionen Tokens. Wer heute noch glaubt, die Modelle seien der Flaschenhals, hat den Markt nicht verstanden.

Der tatsächliche Flaschenhals sitzt eine Ebene tiefer: Was fütterst du diesen Modellen? Wenn dein KI-System nichts über dein Unternehmen weiss - keine Prozesse, keine Entscheidungshistorie, keine Kundensprache - dann ist es egal, ob du GPT-5 oder Claude Opus nutzt. Müll rein, Müll raus. Nur dass der Müll jetzt eloquenter klingt.

Laut einer MIT-Studie scheitern 95 Prozent aller generativen KI-Pilotprojekte daran, schnell produktiven Wert zu liefern. Der Grund ist fast nie das Modell. Es ist der fehlende Kontext.

Prompt Engineering ist tot - lang lebe Context Engineering

2023 hat die halbe Branche Prompt Engineering gefeiert. Kurse, Zertifikate, LinkedIn-Titel. Wer den perfekten Prompt schrieb, galt als KI-Experte. Das Problem: Ein Prompt ist eine Einweg-Anweisung. Er sagt dem Modell, was es tun soll. Aber er sagt ihm nicht, was es wissen muss.

Context Engineering dreht diese Logik um. Es geht nicht mehr darum, eine einzelne Frage perfekt zu formulieren. Es geht darum, die gesamte Informationsumgebung zu gestalten, in der ein KI-System arbeitet. Welche Dokumente kennt es? Welche Entscheidungen der letzten Monate? Welche Regeln gelten? Wer sind die Stakeholder?

Gartner hat diesen Shift 2025 erstmals klar benannt: Context Engineering ersetzt Prompt Engineering als kritische Kompetenz für Enterprise AI. Nicht weil Prompts unwichtig werden - sondern weil sie allein nicht skalieren.

Was Context Engineering konkret bedeutet

Stell dir zwei Szenarien vor. Szenario A: Du öffnest ChatGPT und schreibst "Erstelle mir eine Vertriebsstrategie." Du bekommst generische Bullet Points, die auf jedes Unternehmen passen könnten. Und auf keines wirklich.

Szenario B: Dein KI-System hat Zugriff auf die letzten 50 Meeting-Transkripte deines Vertriebsteams, die aktuellen Pipeline-Daten aus dem CRM, die Kundenreklamationen der letzten sechs Monate und die Wettbewerbsanalyse von letzter Woche. Jetzt fragst du: "Was sollten wir im nächsten Quartal anders machen?"

Der Unterschied ist nicht der Prompt. Der Unterschied ist der Kontext. Und genau das ist Context Engineering: Das systematische Aufbauen, Kuratieren und Bereitstellen von Organisationswissen für KI-Systeme.

MCP: Der Standard, der alles verbindet

Anthropic hat Ende 2024 das Model Context Protocol als Open-Source-Standard veröffentlicht. Die Idee: Ein einheitliches Protokoll, über das KI-Systeme auf externe Datenquellen, Tools und Systeme zugreifen können. Wie USB für KI-Integrationen.

Bis Anfang 2026 ist MCP explodiert. OpenAI, Google, Microsoft, AWS und Cloudflare haben sich der Agentic AI Foundation unter der Linux Foundation angeschlossen. Gartner prognostiziert, dass 75 Prozent der Gateway-Anbieter bis Ende 2026 MCP-Features integriert haben werden.

Was bedeutet das praktisch? Dein KI-Agent kann über MCP direkt auf dein CRM zugreifen, Slack-Nachrichten lesen, Google Drive durchsuchen und Kalendereinträge prüfen - alles über ein standardisiertes Protokoll. Kein Custom Code für jede Integration. Kein fragiles Zusammenkleben von APIs.

Enterprise-Plattformen wie Langdock haben MCP bereits nativ integriert. Die Verbindung zwischen KI-Modell und Unternehmensdaten wird damit zum konfigurierbaren Standard statt zum Entwicklungsprojekt.

Organisationswissen systematisch erfassen

Context Engineering braucht Rohmaterial. Und das wertvollste Rohmaterial in jedem Unternehmen ist das implizite Wissen - die Erfahrungen, Einschätzungen und Entscheidungsmuster, die in den Köpfen deiner Leute stecken.

Drei Hebel, die wir aus der täglichen Arbeit mit Unternehmen kennen:

Meeting-Transkription als Wissenspipeline. Jedes Meeting produziert strukturierten Kontext. Wer spricht mit wem über welches Problem? Welche Entscheidungen fallen? Welche Bedenken werden geäußert? Tools wie Fireflies, Otter oder Gemini Notes machen diese Informationen durchsuchbar und maschinell verwertbar. Der AI Meeting Assistant-Markt wächst mit über 25 Prozent jährlich - weil Unternehmen verstanden haben, dass Gespräche die reichste Wissensquelle sind.

Exit-Interviews und AMA-Sessions. Wenn jemand das Unternehmen verlässt, nimmt er Jahrzehnte an Erfahrung mit. Strukturierte Exit-Interviews, transkribiert und indexiert, verwandeln diesen Wissensverlust in ein dauerhaftes Asset. Dasselbe gilt für interne Ask-Me-Anything-Sessions mit Fachexperten.

Prozessdokumentation durch Nutzung. Der eleganteste Weg, Prozesse zu dokumentieren: Sie einfach ausführen und dabei aufzeichnen. Walk-and-Talk-Sessions, in denen ein Experte seinen Workflow erklärt, während er ihn durchführt, liefern mehr verwertbaren Kontext als jedes Confluence-Wiki.

Der verteidigbare Vorteil

Modelle kann jeder kaufen. GPT-5, Claude, Gemini - ein API-Key und los. Prompts kann jeder kopieren. Die besten Prompt-Templates sind einen Google-Search entfernt.

Aber dein Organisationskontext? Deine spezifische Kombination aus Branchenwissen, Kundenhistorie, internen Prozessen und Teamdynamik? Das kann niemand replizieren. Es ist proprietär by default.

Unternehmen, die Context Engineering ernst nehmen, berichten von messbaren Ergebnissen: bis zu 93 Prozent weniger Fehler bei KI-gesteuerten Workflows und 40 bis 60 Prozent Kosteneinsparung gegenüber klassischen Prompt-Engineering-Ansätzen. Nicht weil die Modelle besser werden - sondern weil sie endlich wissen, worüber sie reden.

Wo die meisten scheitern

Die häufigste Falle: Unternehmen kaufen eine Enterprise-KI-Plattform, aktivieren den Chat und wundern sich, warum die Ergebnisse generisch sind. Klar - die Plattform hat keinen Kontext. Sie weiss nichts über das Unternehmen.

Die zweithäufigste Falle: Alles auf einmal machen wollen. Jedes System anbinden, jedes Dokument indexieren, jeden Prozess abbilden. Das Ergebnis ist ein Datenfriedhof, durch den kein Modell sinnvoll navigieren kann.

Was funktioniert: Klein anfangen, aber systematisch. Ein Team, ein Prozess, ein klar definierter Kontext. Messen, was sich verändert. Dann erweitern. Context Engineering ist kein einmaliges Projekt - es ist eine fortlaufende Praxis.

Einordnung

Die Technologie-Diskussion der letzten Jahre hat sich auf Modelle und deren Fähigkeiten konzentriert. Welches Modell ist schneller, welches günstiger, welches schreibt besseren Code. Diese Diskussion wird zunehmend irrelevant, weil die Modelle konvergieren. Der Qualitätsunterschied zwischen den Top-5-Modellen wird kleiner, nicht größer.

Der Differenzierungsfaktor verschiebt sich: Weg vom Modell, hin zum Kontext. Wer sein Organisationswissen systematisch erfasst, strukturiert und für KI-Systeme zugänglich macht, baut einen Wettbewerbsvorteil auf, den kein Modell-Upgrade der Konkurrenz ausgleichen kann.

Drei konkrete Schritte für den Anfang:

1. Meeting-Transkription einschalten. Ab sofort. Für jedes relevante Meeting. Die Kosten sind minimal, der Wissensgewinn enorm.

2. Einen Kontext-Verantwortlichen benennen. Jemand muss entscheiden, welche Informationen in welcher Struktur für KI-Systeme aufbereitet werden. Das ist keine IT-Aufgabe - das ist eine strategische Funktion.

3. Klein starten, aber messen. Ein Use Case, ein Team, klare Metriken. Wie viel Zeit spart der kontextualisierte KI-Workflow gegenüber dem generischen? Daraus skalieren.

Die Modelle werden weiter besser. Die Context Windows werden weiter wachsen. Aber der entscheidende Unterschied zwischen Unternehmen, die mit KI Wert schaffen, und solchen, die es nur versuchen, liegt nicht in der Technologie. Er liegt in der Frage, ob du dein Wissen für Maschinen zugänglich gemacht hast.