Im Juni 2025 hat ein Begriff die KI-Welt erobert, den vorher kaum jemand benutzt hat. Am 19. Juni schrieb Shopify-Chef Tobi Lütke auf X, ihm gefalle Context Engineering besser als Prompt Engineering — es beschreibe die eigentliche Fähigkeit treffender: die Kunst, den gesamten Kontext bereitzustellen, damit eine Aufgabe für das Sprachmodell plausibel lösbar wird.
Sechs Tage später griff Andrej Karpathy den Begriff auf und schärfte ihn nach: die feine Kunst und Wissenschaft, das Kontextfenster mit genau den richtigen Informationen für den nächsten Schritt zu füllen. Danach war der Begriff gesetzt.
Zur Einordnung, weil es viele Quellen falsch wiedergeben: Lütke hat den Begriff nicht erfunden. Er hat sich öffentlich für einen bereits kursierenden Ausdruck ausgesprochen; wer ihn zuerst verwendet hat, ist nicht dokumentiert. Und Karpathy war der Verstärker, nicht der Urheber — mehrere Sekundärquellen drehen diese Reihenfolge um.
Der Unterschied in einem Satz
Prompt Engineering ist die Frage: Wie formuliere ich meine Aufgabe? Context Engineering ist die Frage: Welche Informationen muss das Modell haben, damit es die Aufgabe überhaupt lösen kann?
Ein Beispiel macht es greifbar. Du willst ein Angebot schreiben lassen.
- Prompt-Denken: An der Formulierung feilen. „Du bist ein erfahrener Vertriebler. Schreibe ein überzeugendes Angebot im professionellen Ton.“
- Kontext-Denken: Dem Modell die drei letzten erfolgreichen Angebote mitgeben, die aktuelle Preisliste, die Notizen aus dem Erstgespräch und die Regel, dass ihr keine Rabatte ohne Rücksprache gebt.
Der zweite Weg gewinnt fast immer — und zwar deutlich. Nicht weil die Formulierung egal wäre, sondern weil kein noch so eleganter Prompt Informationen ersetzen kann, die schlicht fehlen.
Warum sich das Gewicht verschoben hat
Drei Entwicklungen haben Kontext wichtiger gemacht als Formulierung.
Die Modelle folgen Anweisungen besser. 2022 musste man Modelle mit Tricks zum Nachdenken überreden. Heutige Modelle verstehen eine klar formulierte Aufgabe auf Anhieb. Der Ertrag von Formulierungskunst ist damit gesunken — den Beleg dafür haben wir uns separat angesehen.
Die Kontextfenster sind gewachsen. Man kann heute ganze Dokumentsammlungen mitgeben. Damit wird die Frage, was man mitgibt, zur eigentlichen Kunst.
Agenten arbeiten über viele Schritte. Ein Agent, der zehn Schritte macht, braucht bei jedem Schritt den passenden Ausschnitt an Information — nicht alles, und nicht zu wenig. Das ist keine Formulierungsfrage mehr, das ist Informationsarchitektur.
Mehr ist nicht besser
Der häufigste Anfängerfehler beim Kontext-Denken: alles hineinkippen. Wenn 10 Seiten gut sind, müssten 500 besser sein.
Das Gegenteil ist der Fall. Je mehr Material im Kontext liegt, desto mehr konkurriert um Aufmerksamkeit — Wichtiges geht zwischen Belanglosem unter. In der Praxis heißt das: Ein sauber ausgewählter Auszug schlägt den kompletten Ordner.
Genau deshalb ist eine Wissensdatenbank mit gezieltem Abruf besser als ein riesiger Kontext. Das System sucht die drei relevanten Absätze heraus, statt dem Modell tausend Seiten vorzulegen. Wie so etwas funktioniert, haben wir in unserem Artikel zu RAG beschrieben.
Die vier Bausteine in der Praxis
Guter Kontext besteht in der Regel aus vier Teilen — unabhängig davon, ob du im Chatfenster arbeitest oder eine Anwendung baust:
- Wer bin ich, wer bist du. Rolle, Unternehmen, Zielgruppe, Tonalität. Das ändert sich selten und gehört deshalb an einen festen Platz, nicht in jeden einzelnen Prompt.
- Was gilt bei uns. Regeln, Grenzen, Verbote. Was nie gesagt werden darf, welche Preise nicht verhandelbar sind, welche Formulierungen tabu sind.
- Womit soll gearbeitet werden. Das konkrete Material für diese eine Aufgabe: Gesprächsnotiz, Dokument, Datenauszug.
- Wie sieht gut aus. Ein bis drei Beispiele gelungener Ergebnisse. Der stärkste einzelne Hebel für gleichbleibende Qualität.
Wer diese vier Blöcke einmal sauber aufschreibt, hat den Großteil der Arbeit erledigt — und zwar dauerhaft. Die Punkte 1, 2 und 4 ändern sich fast nie.
Die drei häufigsten Fehler
Alles in einen Topf. Aufgabe, Material, Regeln und Beispiele unsortiert hintereinander. Das Modell kann dann nicht unterscheiden, was Anweisung und was Rohstoff ist — mit dem Ergebnis, dass es Teile des Materials als Auftrag missversteht. Abhilfe: sichtbare Abschnitte.
Kontext veralten lassen. Eine Preisliste von 2024 im Projektwissen ist schlimmer als keine, weil das Modell sie mit voller Überzeugung verwendet. Wer Kontext bereitstellt, übernimmt Pflegeverantwortung — sonst produziert man Falschauskünfte in industriellem Maßstab.
Den Menschen vergessen. Guter Kontext hilft dem Modell und dem Team gleichermaßen. Wer aufschreibt, was eine neue Mitarbeiterin wissen müsste, hat nebenbei ein Einarbeitungsdokument erstellt. Wer das nur für die KI tut, verschenkt den halben Nutzen.
Alle drei Fehler haben denselben Kern: Kontext wird als einmalige technische Aufgabe behandelt statt als gepflegter Bestand. Er ist aber eher wie eine Preisliste als wie eine Softwareinstallation.
Wo das im Unternehmen landet
Und damit ist Context Engineering kein KI-Thema mehr, sondern ein Wissensthema. Die Frage „Welche Informationen braucht das Modell?“ ist fast wortgleich mit „Welche Informationen bräuchte eine neue Mitarbeiterin am ersten Tag?“
Unternehmen, die ihr Wissen ohnehin geordnet haben, sind hier im Vorteil — sie müssen es nur zugänglich machen. Unternehmen, bei denen alles in Köpfen und Postfächern liegt, merken an dieser Stelle, dass ihnen etwas Grundsätzliches fehlt. Genau das meinen wir, wenn wir sagen: Wissen schlägt Modell.
Praktisch beginnt das klein. Eine Datei mit Positionierung, Zielgruppe, Tonalität und drei Beispieltexten — im Chat als Projektwissen hinterlegt, in Claude Code als Projektdatei, in einer eigenen Anwendung als Systemanweisung. Der Aufwand liegt bei Stunden, nicht Wochen. Der Effekt: Alle im Team bekommen vergleichbare Ergebnisse, statt dass jeder sein eigenes Glück versucht.
Woran du merkst, dass es funktioniert
Ein einfacher Test: Lass zwei Kollegen dieselbe Aufgabe mit KI erledigen, unabhängig voneinander. Wenn beide vergleichbare Ergebnisse bekommen, stimmt der Kontext. Wenn die Ergebnisse weit auseinanderliegen, hängt die Qualität noch an der Person — und damit an Zufall.
Das ist übrigens auch der betriebswirtschaftliche Kern der ganzen Sache. Ein Werkzeug, das bei einem Mitarbeiter glänzt und bei fünf anderen enttäuscht, ist kein Werkzeug, sondern ein Talent. Erst gemeinsamer Kontext macht daraus etwas, worauf sich ein Prozess stützen lässt.
Häufige Fragen zu Context Engineering
Was hat das mit einem Second Brain zu tun?
Mehr, als es zunächst scheint. Ein persönliches oder betriebliches Wissenssystem ist genau der Bestand, aus dem sich guter Kontext speisen lässt — geordnet, verlinkt, auffindbar. Wer sein Wissen ohnehin so pflegt, hat den Kontext für die KI beinahe nebenbei erzeugt. Wir haben beschrieben, wie sich ein solches externes Gedächtnis aufbauen lässt.
Ist Prompt Engineering damit überholt?
Nein, es ist eine Teilmenge geworden. Eine klar formulierte Aufgabe bleibt nötig — sie ist nur nicht mehr der Engpass. Wer beides beherrscht, formuliert präzise und stellt die richtigen Informationen bereit.
Brauche ich dafür ein bestimmtes Werkzeug?
Zum Anfangen nicht. Projektwissen im Chat, eine Projektdatei im Entwicklungswerkzeug, eine Systemanweisung in der Schnittstelle — mehr braucht es für die ersten Schritte nicht. Werkzeuge werden erst interessant, wenn viel Material dazukommt und gezielt gesucht werden muss.
Was ist mit dem Datenschutz, wenn ich Firmenwissen hochlade?
Eine berechtigte Frage, und sie gehört vorher geklärt. Sobald personenbezogene Daten im Kontext landen, greifen die üblichen Pflichten — Rechtsgrundlage, Auftragsverarbeitung, Tool-Wahl. Die sechs Bausteine dafür stehen in unserem Überblick zum DSGVO-konformen KI-Einsatz.
Wie fange ich konkret an?
Nimm die Aufgabe, die bei euch am häufigsten mit KI erledigt wird. Schreib auf, was jemand wissen müsste, um sie gut zu erledigen. Häng zwei gelungene Beispiele an. Leg das an einen festen Platz, auf den alle zugreifen. Das ist bereits Context Engineering — ohne dass jemand ein Werkzeug installieren müsste.
Wie viel Kontext ist zu viel?
Eine feste Grenze gibt es nicht, aber eine gute Faustregel: Wenn du selbst nicht mehr sagen könntest, warum ein bestimmtes Dokument im Kontext liegt, gehört es raus. Praktisch bewährt hat sich, den Kontext regelmäßig zu prüfen wie einen Aktenschrank — einmal im Quartal durchgehen, Veraltetes entfernen, Fehlendes ergänzen.
Fazit: Der Begriff ist neu, die Aufgabe nicht
Context Engineering klingt nach einer neuen Disziplin. Tatsächlich beschreibt es etwas, das jede Führungskraft kennt: Wer eine Aufgabe delegiert, ohne die nötigen Informationen mitzugeben, bekommt ein enttäuschendes Ergebnis — bei Menschen wie bei Maschinen.
Die Verschiebung vom Prompt zum Kontext ist deshalb eine gute Nachricht für Unternehmen. Sie bedeutet, dass der Wettbewerbsvorteil nicht bei denen liegt, die die raffiniertesten Formulierungen kennen, sondern bei denen, die ihr Wissen im Griff haben. Das ist eine Aufgabe, die sich lohnt — auch ohne KI.
Wenn ihr wissen wollt, wo euer Wissen aktuell liegt und wie es für KI nutzbar wird, schauen wir uns das in einer kostenlosen Prozessanalyse an.