Was ist Kontextverständnis in der KI?

Kontextverständnis in der KI ist die Fähigkeit eines Systems, zu erfassen, was Eingaben in einer bestimmten Lage bedeuten. Es geht nicht darum, Wortmuster abzugleichen, sondern zu begreifen, wer fragt, was diese Person braucht und wie die aktuelle Frage mit früheren Austauschen zusammenhängt. Das ist die Fähigkeit, die eine KI, die Definitionen nachplappert, von einer unterscheidet, die einem CFO auf dieselbe Frage anders antwortet als einer Person aus dem Data Engineering. Zum weiter gefassten Begriff siehe Kontext-KI.

Wie tief das Kontextverständnis reicht, entscheidet darüber, wie nützlich ein KI-System in der Praxis ist. Verständnis an der Oberfläche klärt mehrdeutige Wörter: „Bank“ meint ein Geldinstitut, wenn „Einzahlung“ in der Nähe steht. Tieferes Verständnis erfasst die pragmatische Absicht: Eine Bereichsleitung, die fragt „Wie stehen wir da?“, will eine Zusammenfassung der Kennzahlen, keine philosophische Antwort.

Stufen des Kontextverständnisses

KI-Systeme zeigen unterschiedlich tiefes Kontextverständnis. Vier Stufen bilden eine Rangfolge, jede baut auf der darunter auf.

Kontextverständnis an der Oberfläche nutzt nahe stehende Wörter, um die Bedeutung zu klären. Sieht die KI „Einzahlung“ neben „Bank“, wählt sie die Lesart Geldinstitut. Das ist die einfachste Form, und jedes moderne Sprachmodell beherrscht sie gut.

Semantisches Kontextverständnis erfasst Beziehungen zwischen Entitäten und Begriffshierarchien. Das System weiß, dass „Umsatz“ den „Abo-Umsatz“ einschließt, aber nicht den „abgegrenzten Umsatz“, dass „Kunde“ im CRM eine Teilmenge von „Kontakt“ ist und dass „Nordamerika“ die „Vereinigten Staaten“ und „Kanada“ enthält. Diese Stufe verlangt strukturiertes Wissen: Business Glossaries, Ontologien oder Knowledge Graphs.

Pragmatisches Kontextverständnis erfasst die tatsächliche Absicht hinter einer Frage. Ein CFO, der fragt „Was ist Churn?“, will die aktuelle Kennzahl für die Vorstandsunterlage. Eine Person im Praktikum, die dasselbe fragt, will eine Definition. Jemand aus dem Data Engineering will die SQL-Logik hinter der Berechnung. Pragmatisches Verständnis richtet die Antwort danach aus, wer fragt und warum, und das verlangt Kontext über den Nutzer und nicht bloß eine sprachliche Analyse.

Kontextverständnis aus Alltagsverstand wendet die alltägliche Logik an, die Menschen für selbstverständlich halten. Endet Q3 am 30. September, muss ein „Q3-Bericht“, der am 1. Oktober angefordert wird, die Daten des Septembers enthalten. Hat ein Unternehmen im Juli einen Wettbewerber übernommen, müssen Vorjahresvergleiche nach Juli die verschmolzene Einheit berücksichtigen. Heutige LLMs erreichen bei Aufgaben an der Oberfläche und auf semantischer Ebene nahezu menschliche Leistung, tun sich mit dem Alltagsverstand im Unternehmenskontext aber weiterhin schwer.

Fünf Dimensionen des Kontexts, die KI verarbeiten muss

Kontextverständnis wirkt über fünf Dimensionen. KI im Unternehmen braucht alle fünf, um verlässliche Ausgaben zu erzeugen.

Sprachlicher Kontext: die umgebenden Wörter und die Syntax, die die Bedeutung festlegen. „Das Modell laufen lassen“ heißt im maschinellen Lernen etwas anderes (ausführen) als in der Mode (über den Laufsteg gehen). NLP-Systeme lösen das über kontextabhängige Embeddings, die für dasselbe Wort in verschiedenen Sätzen verschiedene Darstellungen erzeugen.

Gesprächskontext: der Verlauf des Dialogs und der Wechsel der Sprecher, die Rückfragen mit früheren Austauschen verbinden. Fragt ein Nutzer „Zeig mir den Umsatz in Q3“ und sagt dann „Vergleiche mit dem Vorjahr“, sagt der Gesprächskontext dem System, dass „Vorjahr“ das Q3 des Vorjahres meint und nicht das ganze Vorjahr.

Situativer Kontext: Zeit, Ort, Gerät und aktuelle Aufgabe. Eine Frage am Montag um 8 Uhr betrifft wahrscheinlich die Wochenberichte. Eine Frage um 23 Uhr ist wahrscheinlich dringend. Eine Frage von einem Mobilgerät legt nahe, dass der Nutzer eine Zusammenfassung will und keine ausführliche Tabelle.

Kontext über den Nutzer: Vorlieben, Rolle, Verlauf und Erfahrungsgrad. Eine Person aus der Analyse erwartet SQL-Schnipsel. Eine Bereichsleitung erwartet eine erzählende Zusammenfassung. Kontextverständnis heißt, Form und Detailtiefe der Antwort an den Nutzer anzupassen, statt alle gleich zu behandeln.

Fachlicher Kontext: Branchenvokabular, Geschäftsregeln und regulatorische Vorgaben. „Exposure“ meint im Bankwesen das Risiko im Portfolio, im Gesundheitswesen den Kontakt zu Patienten und im Marketing die Zahl der Anzeigenkontakte. Ein Semantic Layer und ein Business Glossary liefern KI-Systemen diesen fachlichen Kontext.

Wie KI-Systeme Kontextverständnis aufbauen

Vier technische Mechanismen ermöglichen modernen KI-Systemen Kontextverständnis, jeder steuert eine andere Fähigkeit bei.

Kontextabhängige Embeddings. Modelle wie BERT und GPT erzeugen für dasselbe Wort je nach Umgebung verschiedene Vektordarstellungen. Das Wort „Umsatz“ in „Gesamtumsatz für Q3“ bekommt ein anderes Embedding als in „Richtlinie zur Umsatzrealisierung“. Damit kann die weitere Verarbeitung Bedeutungen auf semantischer Ebene unterscheiden.

Aufmerksamkeitsmechanismen. Transformer-Architekturen gewichten über Selbstaufmerksamkeit, welche Teile der Eingabe für jedes ausgegebene Token am meisten zählen. Beim Erzeugen einer Antwort über „Churn in Q3“ richtet sich die Aufmerksamkeit auf den Zeitbezug „Q3“ und die Kennzahl „Churn“ und gewichtet unwichtigen Kontext ab. So erkennen Modelle, welche Kontextteile für die aktuelle Frage einschlägig sind.

Retrieval-Augmented Generation. RAG ruft zur Abfragezeit einschlägigen Kontext aus externen Quellen ab, etwa aus Datenkatalogen, Business Glossaries oder der Dokumentation, und legt ihn in den Prompt des Modells. Damit erreicht das Modell aktuellen, fachspezifischen Kontext, der nicht in seinen Trainingsdaten stand. Die Güte des Abrufs entscheidet über die Güte des Kontextverständnisses.

Strukturierte Metadaten. Knowledge Graphs, Katalogeinträge und Daten aus der Lineage liefern ausdrücklichen, eindeutigen Kontext, der das wahrscheinlichkeitsbasierte Verständnis aus Embeddings und Aufmerksamkeit ergänzt. Schlägt eine KI „Churn“ in einem Business Glossary nach und erhält eine genaue Definition, die Berechnungsweise und das verantwortliche Team, muss sie das nicht aus dem umgebenden Text erschließen. Sie hat es unmittelbar.

Warum Kontextverständnis für KI im Unternehmen zählt

Schwaches Kontextverständnis erzeugt drei Arten des Scheiterns von KI im Unternehmen, alle teuer, alle vermeidbar.

Falsch gedeutete Definitionen. Ein KI-Copilot wird gefragt: „Wie viele aktive Kunden haben wir?“ Zwei Systeme bestimmen „aktiver Kunde“ unterschiedlich: Das CRM zählt Konten mit unterzeichnetem Vertrag, die Produktanalyse zählt Nutzer, die sich in den letzten 30 Tagen angemeldet haben. Ohne das Kontextverständnis, diese Mehrdeutigkeit zu erkennen und im Datenkatalog die maßgebliche Definition nachzuschlagen, greift die KI zufällig eine heraus. Die Zahl ist um 40 % falsch. Die Führungskraft, die sie zitiert hat, verliert an Glaubwürdigkeit.

Verlorener Gesprächsfaden. Eine Person im Produktmanagement untersucht mit einem KI-Copiloten Churn-Daten über sechs Rückfragen hinweg. Bei der vierten Frage verliert der Copilot, welche Filter in der zweiten gesetzt waren. Er setzt den Umfang stillschweigend von „nur Enterprise-Stufe“ auf „alle Stufen“ zurück. Auffallen wird es erst drei Fragen später, wenn die Zahlen keinen Sinn mehr ergeben. Das Werkzeug wird aufgegeben.

Veraltete Daten, selbstbewusste Antworten. Ein automatischer Wochenbericht lässt einen KI-Agenten die Pipeline-Daten ziehen. Die Datenquelle hat sich seit Freitag nicht aktualisiert, weil eine Pipeline ausgefallen ist. Ohne Kontext zur Aktualität erzeugt die KI am Montag einen Bericht aus Freitagsdaten und legt ihn als aktuell vor. Der Vertrieb trifft Prognoseentscheidungen auf Zahlen, die drei Tage alt sind.

Kontextverständnis in der Praxis verbessern

Vier Maßnahmen verbessern das Kontextverständnis beim Einsatz von KI im Unternehmen. Jede schließt eine bestimmte Lücke.

Ein Business Glossary aufbauen und pflegen. Ein Glossar gibt KI-Systemen den Kontext der Definitionen, also die maßgebliche Bedeutung jedes fachlichen Begriffs. Hat „Churn“ eine gesteuerte Definition statt fünf informeller, wird die Deutung durch die KI vorhersagbar. Die Pflege eines Glossars ist kein einmaliges Projekt; Definitionen entwickeln sich mit dem Geschäft.

Data Lineage einführen. Die Lineage gibt der KI den Kontext der Beziehungen, also woher Daten stammen, wie sie umgeformt wurden und welche nachgelagerten Systeme von ihnen abhängen. Eine KI, die vor der Antwort die Lineage prüfen kann, vermeidet das Problem der falschen Tabelle: Sie stellt sicher, dass die gefundene Tabelle die produktive ist und keine Kopie aus der Staging-Umgebung und kein abgekündigter Auszug.

MCP oder ein ähnliches Protokoll nutzen, um strukturierten Kontext auszuliefern. MCP vereinheitlicht, wie KI-Agenten zur Abfragezeit auf Metadaten des Katalogs zugreifen. Statt Kontext von Hand in Prompts zu schreiben, was brüchig ist und nicht skaliert, liefert MCP eine verlässliche, programmierbare Kontextzufuhr, die über KI-Werkzeuge hinweg funktioniert.

KI-Ausgaben gegen die Erwartungen von Fachleuten prüfen. Benchmark-Datensätze messen allgemeine Fähigkeiten. Verlässlichkeit im Unternehmen verlangt eine Prüfung gegen das, was Fachleute erwarten: die richtige Definition der Kennzahl, den richtigen Zeitraum, die richtige Verdichtung für die Rolle des Nutzers. Diese Rückkopplung findet Kontextlücken, die kein Benchmark erwischt.

Kontextverständnis mit Dawiso

Dawiso baut Kontextverständnis in die KI im Unternehmen ein, indem es gesteuerte Metadaten bereitstellt: Definitionen, Lineage, Verantwortung und Qualitätswerte, ausgeliefert über seinen Context Layer. KI-Agenten erreichen diesen Kontext über MCP und überbrücken damit den Abstand zwischen sprachlicher Verarbeitung an der Oberfläche und dem tiefen fachlichen Verständnis, das Fragen im Unternehmen verlangen.

Stößt ein KI-Copilot auf „Wie hoch ist unser Customer Lifetime Value?“, liefert der Katalog von Dawiso die Definition (durchschnittlicher Umsatz je Kunde über die Dauer der Beziehung, ohne Konten, die innerhalb von 30 Tagen abgewandert sind), die Berechnungsweise, die Quelltabelle, das verantwortliche Team und den Zeitpunkt der letzten Aktualisierung. Das Modell muss nichts davon aus Trainingsdaten erschließen. Es bekommt ausdrücklichen, aktuellen, gesteuerten Kontext.

So wird aus KI im Unternehmen etwas Betriebstaugliches statt etwas Demotauglichem: nicht über größere Modelle, sondern indem man Modellen das Kontextverständnis gibt, das sie brauchen, um fachliche Fragen so zu deuten, wie eine Fachperson es täte.