Warum ist Kontext wichtig?

Kontext ist die Hintergrundinformation, die aus rohen Tatsachen nützliches Wissen macht. Eine Zahl, ein Wort oder ein Ereignis bedeutet Verschiedenes, je nachdem, was drumherum steht. „Der Umsatz ist um 12 % gestiegen“ kann ein Triumph oder ein Warnsignal sein. Das hängt vollständig vom Zeitraum ab, von der Vergleichsbasis und davon, ob die Zahl ein einmaliges Geschäft enthält, das sich nicht wiederholt.

Zu verstehen, warum Kontext zählt, ist in der Kommunikation, der Datenanalyse, in KI-Systemen und bei Entscheidungen im Unternehmen gleichermaßen von Belang. Die Folgen, Kontext zu übergehen, reichen von peinlichen Missverständnissen bis zu Fehlern in Millionenhöhe.

Kontext in der Kommunikation

Sprache ist von Natur aus mehrdeutig. Menschen lösen diese Mehrdeutigkeit über den Kontext auf, und wenn der Kontext fehlt, bricht Verständigung zusammen.

Sprachlicher Kontext bestimmt die Wortbedeutung aus dem umgebenden Text. „Er sah die Frau mit dem Fernglas“ hat zwei völlig verschiedene Lesarten: Er benutzte das Fernglas, um sie zu sehen, oder sie hielt eines in der Hand. Erst die umgebenden Wörter, stand er auf einem Aussichtsturm oder beschrieb er, was sie trug, lösen die Mehrdeutigkeit auf. Natürliche Sprache steckt voller solcher Mehrdeutigkeiten, und Kontext ist der einzige Mechanismus, der sie auflöst.

Sozialer Kontext prägt, wie dieselben Worte ankommen. „Das ist in Ordnung“ von Ihrer Führungskraft, nachdem Sie eine Frist verpasst haben, bedeutet etwas anderes als „Das ist in Ordnung“ von einer Freundin bei der Wahl des Restaurants. Die Worte sind identisch; Beziehung, Machtgefälle und Situation ändern alles. Den sozialen Kontext falsch zu lesen steckt hinter vielen Missverständnissen am Arbeitsplatz. Die Nachricht war klar, der Kontext nicht.

Situativer Kontext ändert die Funktion von Sprache vollständig. „Feuer!“ bedeutet im Theater etwas anderes als in einer Töpferei und etwas anderes auf einem Truppenübungsplatz. Das Wort allein ist mehrdeutig, die Situation macht es eindeutig. NLP-Systeme stehen beim Verarbeiten menschlicher Sprache vor genau dieser Aufgabe: Sie müssen die Situation aus den verfügbaren Signalen erschließen.

Kontext in Daten und Analyse

Daten ohne Kontext sind keine Information, sie sind Rauschen mit Komma. Drei Beispiele zeigen, wie Kontext verändert, was Daten bedeuten.

Ein Dashboard, das „der Umsatz ist um 12 % gestiegen“ zeigt, sagt Ihnen nichts Nützliches, solange Sie den Zeitraum nicht kennen (gegenüber dem Vormonat? gegenüber dem Vorjahr?), die Vergleichsbasis (Budget? Vorjahr?) und ob die Kennzahl Retouren, Gutschriften oder einen einmaligen Vertrag enthält, der die Zahl aufbläht. Zwei Analyseteams können auf dieselben „12 % Wachstum“ blicken und zu entgegengesetzten Schlüssen kommen, wenn sie unterschiedliche Annahmen mitbringen.

Ergebnisse eines A/B-Tests ändern ihre Deutung je nach Stichprobengröße, Nutzersegment und Laufzeit. Ein Zuwachs der Konversion um 5 %, der nach zwei Tagen und 200 Besuchern auftaucht, ist nicht derselbe Beleg wie ein Zuwachs um 5 % nach vier Wochen und 50.000 Besuchern. Ohne Kontext zum Testentwurf ist die Zahl bedeutungslos, oder schlimmer, sie ist irreführend genug, um eine schlechte Produktentscheidung anzustoßen.

Eine Warnung zur Datenqualität über 30 % Nullwerte in einer Spalte kann eine Krise sein oder völlig erwartbar. Speichert die Spalte die „zweite Telefonnummer“, sind 30 % Nullwerte normal, denn viele Menschen geben keine zweite Nummer an. Speichert die Spalte die „Kunden-E-Mail“ in einem CRM, signalisieren 30 % Nullwerte einen Ausfall der Pipeline. Dieselbe Quote bedeutet Entgegengesetztes, je nachdem, was die Spalte darstellt und wie sie nachgelagerte Modelle speist.

Kontext bei Entscheidungen

Entscheidungen ohne Kontext wirken für sich genommen vernünftig und im Rückblick verheerend. Zwei hypothetische Beispiele zeigen das Muster.

Nehmen wir ein Unternehmen, das das Marketingbudget kürzt, weil „die Kosten der Kundengewinnung zu hoch sind“. Die Zahl sieht schlecht aus: 320 US-Dollar je Kunde gegen einen Branchendurchschnitt von 180 US-Dollar. Der fehlende Kontext ist, dass Kunden aus diesem teuren Kanal mehr als das Dreizehnfache des Kundenwerts der Kunden aus günstigeren Kanälen erreichen. Die Kunden für 320 US-Dollar bleiben vier Jahre und geben 12.000 US-Dollar aus. Die Kunden für 180 US-Dollar wandern nach sechs Monaten ab und geben 900 US-Dollar aus. Ohne den Kontext des Kundenwerts zerstört die Entscheidung, den teuren Kanal zu kürzen, den profitabelsten Wachstumsmotor des Unternehmens.

Oder nehmen wir eine Krankenhausleitung, die sieht, dass die durchschnittliche Wartezeit in der Notaufnahme um 15 % gesunken ist, eine Schlagzeilenkennzahl, die nach besserem Betrieb aussieht. Doch der Kontext zeigt, dass die Verbesserung daher kam, dass komplexe Fälle an andere Häuser weitergeleitet wurden. Die verbliebenen Patientinnen und Patienten waren einfachere Fälle mit von Natur aus kürzeren Wartezeiten. Die zugrunde liegende Kapazität hat sich nicht geändert, die Kennzahl verbesserte sich, weil sich geändert hat, wer gemessen wurde. Ohne zu verstehen, wie sich die Zusammensetzung verschoben hat, reklamiert die Leitung einen Erfolg, den es nicht gibt.

Kontext in KI-Systemen

KI-Systeme scheitern ohne Kontext auf bestimmte, vorhersagbare Weise. Die Fehler sehen anders aus als menschliche Missverständnisse, haben aber dieselbe Wurzel: zu wenig umgebende Information.

Ein LLM, das „Wie hoch ist unser Umsatz?“ beantwortet, muss wissen, zu welchem Bereich der Nutzer gehört, um welches Geschäftsjahr es geht und welche Definition von Umsatz gilt: gebucht, realisiert oder prognostiziert. Ohne diesen Kontext erzeugt das Modell entweder eine allgemeine Antwort aus seinen Trainingsdaten (falsch) oder greift sich eine plausibel aussehende Zahl (gefährlich). Kontextbewusste KI holt diese Informationen vor der Antwort aus Metadatenschichten. Kontextblinde KI füllt die Lücke mit selbstsicher klingender Erfindung.

Dasselbe Muster zieht sich durch alle KI-Anwendungen. Ein Empfehlungssystem ohne Kontext zum Nutzer liefert beliebte statt passender Artikel. Ein Modell zur Betrugserkennung ohne Kontext zur Transaktion kennzeichnet rechtmäßige Großeinkäufe als verdächtig. Ein System zur Moderation von Inhalten ohne kulturellen Kontext hält Humor für Hassrede. In jedem Fall ist nicht die Leistungsfähigkeit des Modells das Problem, sondern der fehlende Kontext.

Was fehlender Kontext kostet

Fehlender Kontext stiftet nicht nur Verwirrung, er richtet messbaren Schaden an.

Knight Capital verlor im August 2012 460 Millionen US-Dollar, nachdem eine Softwareauslieferung schiefgegangen war. Laut der Verfügung der SEC hatte ein Techniker den neuen Code für das Order-Routing auf einen von acht Servern nicht kopiert. Der neue Code nutzte einen Schalter um, der früher „Power Peg“ aktiviert hatte, eine Funktion, die Knight Jahre zuvor eingestellt hatte, und auf dem achten Server löste dieser Schalter stattdessen den alten Code aus. Das Ergebnis waren 4 Millionen Ausführungen in 154 Aktien in rund 45 Minuten. Der fehlende Kontext war betrieblicher Art: Niemand prüfte, ob auf jedem Server derselbe Code lief, und so bedeutete derselbe Schalter zwei verschiedene Dinge.

Der gescheiterte Start von HealthCare.gov 2013 hatte organisatorische Ursachen. Das HHS Office of Inspector General führte ihn auf fehlende klare Führung, ein schwaches Management des zentralen Entwicklungsvertrags sowie eine Organisationsstruktur und Organisationskultur zurück, die den Fortschritt behinderten, darunter eine mangelhafte Abstimmung zwischen der Arbeit an den Regelungen und der technischen Arbeit. Im Grunde hatte niemand das Gesamtbild, wie die Teile zusammenpassen.

Schlechte Datenqualität kostet Unternehmen mindestens 12,9 Millionen US-Dollar pro Jahr im Durchschnitt, so Gartner-Forschung aus dem Jahr 2020. In der Praxis gehören zu den häufigen Ursachen doppelte Datensätze, uneinheitliche Definitionen und Entscheidungen auf Zahlen, die etwas anderes bedeuteten, als die Entscheidenden annahmen.

Wie Unternehmen Kontext-Infrastruktur aufbauen

Kontext ist im Unternehmen keine Haltung, sondern Infrastruktur. Drei Systeme bringen ihn in die Praxis.

Datenkataloge beantworten „welche Daten gibt es, wem gehören sie und wann wurden sie zuletzt aktualisiert“. Ohne Katalog verbringen Analyseteams einen großen Teil ihrer Zeit damit, Datenquellen zu suchen und zu prüfen, bevor sie anfangen können. Der Katalog liefert den Kontext, der Daten auffindbar und vertrauenswürdig macht.

Business Glossaries beantworten „was bedeutet dieser Begriff, und sind sich alle einig“. Wenn „Kunde“ im Marketing (jeder, der sich registriert hat), im Finanzbereich (jeder, der gezahlt hat) und im Support (jeder, der ein Ticket eröffnet hat) Verschiedenes bedeutet, liefern bereichsübergreifende Berichte Zahlen, die sich nicht zusammenführen lassen. Ein gesteuertes Glossar ist der gemeinsame Kontext, der die Daten eines Unternehmens stimmig macht.

Data Lineage beantwortet „woher kam diese Zahl, und was ist unterwegs mit ihr passiert“. Die Lineage verfolgt, wie Daten von den Quellsystemen über Umformungen in Dashboards und Berichte fließen. Wenn eine Zahl falsch aussieht, liefert die Lineage den Kontext, um sie bis zur Quelle zurückzuverfolgen und die Stelle zu finden, an der das Problem entstand.

Das sind keine Dokumentationsprojekte, sondern Kontext-Infrastruktur, die jede nachgelagerte Entscheidung verlässlicher macht. Katalog, Glossar und Lineage von Dawiso liefern diesen Kontext. Über den MCP-Server von Dawiso, der auf dem Model Context Protocol (MCP) aufbaut, können KI-Agenten Definitionen nachschlagen und die Lineage verfolgen.

Fazit

Kontext ist der Unterschied zwischen Daten und Verständnis. Er verändert, was Zahlen bedeuten, was Worte vermitteln und ob Entscheidungen gelingen oder scheitern. Die Beispiele sind über alle Felder hinweg gleich: Verständigung bricht ohne sozialen und situativen Kontext zusammen, Datenanalyse zieht ohne methodischen Kontext falsche Schlüsse, und KI-Systeme halluzinieren ohne Kontext aus dem Unternehmen. Die praktische Antwort darauf ist nicht, „mehr über Kontext nachzudenken“, sondern Kontext-Infrastruktur zu bauen: Kataloge, Glossare und Lineage-Systeme, die Kontext in jeden Datenbestand einbetten, damit jeder Abnehmer dieser Daten, ob Mensch oder Maschine, die umgebende Information bekommt, die er zum richtigen Deuten braucht.

Quellen

• U.S. Securities and Exchange Commission (2013) - In the Matter of Knight Capital Americas LLC, Release No. 34-70694
• HHS Office of Inspector General (2016) - HealthCare.gov: Case Study of CMS Management of the Federal Marketplace
• Gartner - Data Quality: Why It Matters and How to Achieve It
• Dawiso Help - Dawiso Model Context Protocol (MCP)