Monat: August 2026

Gute KI-Antworten brauchen den richtigen Kontext

Kaum eine Fähigkeit wurde in den vergangenen Jahren rund um generative KI so intensiv diskutiert wie das Prompten. Es gibt Kurse, Cheat-Sheets und Sammlungen bewährter Formulierungen. Und ja, gute Prompts helfen – auch wir haben an dieser Stelle bereits Tipps dazu gegeben.

Im Unternehmenseinsatz zeigt sich jedoch immer wieder dasselbe Muster: Ob ein KI-Assistent brauchbare Antworten liefert, hängt selten allein von der Eleganz der Frage ab. Mindestens genauso entscheidend ist, welche Informationen dem Modell für die konkrete Aufgabe zur Verfügung stehen.

Für diesen Perspektivwechsel hat sich seit 2025 der Begriff Context Engineering etabliert – angestoßen unter anderem von Shopify-Chef Tobi Lütke und Andrej Karpathy, der ihn als die Kunst und Wissenschaft beschrieb, das Kontextfenster für jeden Schritt mit genau den richtigen Informationen zu füllen. [1] Gemeint ist die systematische Gestaltung der Informationen, Anweisungen, Werkzeuge und Zwischenergebnisse, die ein Modell für den jeweils nächsten Schritt benötigt.

Das Kontextfenster: der Arbeitsspeicher des Modells

Für eine konkrete Anfrage kann ein Sprachmodell auf sein Trainingswissen und auf die Informationen zurückgreifen, die ihm im aktuellen Kontext bereitgestellt werden. Dazu gehören beispielsweise Systemvorgaben, die eigentliche Frage, abgerufene Dokumente, der bisherige Gesprächsverlauf und, je nach Anwendung, Beschreibungen verfügbarer Werkzeuge sowie deren Ergebnisse.

Man kann sich dieses Kontextfenster vereinfacht als Arbeitsspeicher vorstellen. Es ist begrenzt und wird für die jeweilige Interaktion mit relevanten Informationen gefüllt. Unternehmensspezifisches Wissen, das weder im Trainingswissen enthalten noch über den aktuellen Kontext verfügbar ist, kann das Modell nicht einfach kennen.

Damit wird auch der Unterschied zum Prompt Engineering greifbar: Der Prompt ist ein Bestandteil dieses Kontextes. Context Engineering betrachtet dagegen das gesamte Informationsumfeld: Was kommt hinein? In welcher Form? Zu welchem Zeitpunkt? In welcher Reihenfolge? Und ebenso wichtig: Was bleibt bewusst draußen? [2]

Warum „einfach alles mitgeben“ nicht funktioniert

Viele aktuelle Modelle können sehr große Kontextmengen verarbeiten, teilweise Hunderttausende Token oder mehr. Daraus folgt jedoch nicht, dass jede zusätzliche Information automatisch die Qualität verbessert.

Modelle nutzen lange Kontexte nicht immer gleich zuverlässig. Ein bekanntes Beispiel ist der sogenannte Lost-in-the-Middle-Effekt: Relevante Informationen werden schlechter berücksichtigt, wenn sie zwischen vielen anderen Inhalten eingebettet sind. [3] Und eine Untersuchung von Chroma an 18 aktuellen Modellen zeigt, dass die Zuverlässigkeit mit zunehmender Kontextmenge generell sinken kann – selbst wenn die theoretische Größe des Kontextfensters noch lange nicht ausgeschöpft ist. [4]

Dazu kommen ganz praktische Probleme: Irrelevante Informationen lenken ab. Widersprüchliche Informationen erschweren Entscheidungen. Veraltete Informationen führen zu falschen Ergebnissen. Und jedes zusätzliche Token erhöht Rechenaufwand, Latenz und gegebenenfalls Kosten.

Ein großes Kontextfenster ist deshalb kein Ersatz für gute Kontextauswahl. Kurz gesagt: Kuratieren schlägt Kippen.

Die Werkzeuge des Context Engineering

In der Praxis lassen sich vier zentrale Hebel unterscheiden.

Erstens: Auswahl. Retrieval-Verfahren wie RAG sorgen dafür, dass nicht komplette Wissensbestände in den Kontext geladen werden, sondern möglichst genau die Informationen, die für die aktuelle Aufgabe relevant sind. Entscheidend sind dabei nicht nur die Dokumente selbst, sondern auch ihre Aufteilung, Metadaten, Suchlogik und gegebenenfalls eine nachgelagerte Bewertung der Treffer.

Zweitens: Struktur und Vorgaben. Gut strukturierte und eindeutig formulierte Informationen sind für Modelle leichter nutzbar als unstrukturierte Textmengen. Auch Systemvorgaben brauchen die richtige Flughöhe: präzise genug, um das gewünschte Verhalten zu steuern, aber flexibel genug, um nicht in immer längeren Wenn-dann-Katalogen zu enden. Definierte Begriffe, klare Verantwortlichkeiten und kuratierte Konzeptseiten, wie wir sie im Zusammenhang mit dem Open Knowledge Format beschrieben haben, zahlen unmittelbar darauf ein.

Drittens: Werkzeuge statt vorab geladenem Wissen. Ein Agent muss nicht jede möglicherweise relevante Information von Anfang an im Kontext haben. Stattdessen kann er über definierte Werkzeuge und Schnittstellen gezielt auf Daten, Systeme oder Funktionen zugreifen, sobald sie für einen Arbeitsschritt benötigt werden. Standards wie das Model Context Protocol helfen dabei, solche Werkzeuge einheitlich verfügbar zu machen.

Viertens: Gedächtnis und Verdichtung. Bei längeren Aufgaben ist es weder sinnvoll noch nötig, jeden Zwischenschritt dauerhaft im aktiven Kontext zu behalten. Gesprächsverläufe können verdichtet, Entscheidungen dokumentiert und relevante Zwischenstände gezielt wieder eingebracht werden. So bleibt Platz für die Informationen, die für den aktuellen Schritt tatsächlich wichtig sind. [2]

Prompt Engineering ist nicht falsch – aber es reicht nicht

Gute Prompts bleiben wichtig. Die Perspektive verändert sich jedoch: Statt nur zu fragen „Wie formuliere ich meine Frage besser?“, lautet die wichtigere Frage: „Welche Informationen braucht das Modell für diesen Schritt – und wie bekommt es sie zuverlässig?“

Damit wird Context Engineering zur Systemaufgabe. Es betrifft nicht nur die Formulierung einzelner Anweisungen, sondern auch Datenqualität, Wissensorganisation, Berechtigungen, Retrieval, Tooling und Governance. Denn selbst die beste Kontext-Pipeline hilft wenig, wenn zentrale Begriffe im Unternehmen unterschiedlich definiert sind, Dokumente veraltet sind oder mehrere Systeme widersprüchliche Informationen liefern. Die Kontext-Infrastruktur, von der wir im Zusammenhang mit dem Open Knowledge Format gesprochen haben, lässt sich deshalb auch als Context Engineering auf Unternehmensebene verstehen.

Oder ganz kurz: Der Prompt stellt die Frage. Der Kontext entscheidet über die Antwort.

Worauf es beim Einstieg ankommt

Context Engineering beginnt mit Transparenz. Wenn ein KI-Assistent enttäuschende Ergebnisse liefert, sollte nicht automatisch das nächstgrößere Modell die erste Lösung sein. Die erste Frage lautet: Was hatte das Modell für diese Antwort tatsächlich zur Verfügung – und was hat gefehlt? Dafür braucht es eine nachvollziehbare Protokollierung der relevanten Kontextbestandteile, selbstverständlich unter Berücksichtigung von Datenschutz und Informationssicherheit.

Im nächsten Schritt lohnt sich eine Inventur je Anwendungsfall: Welche Quellen liefern den benötigten Kontext? Wie aktuell sind sie? Gibt es widersprüchliche Informationen? Welche Inhalte sollten dauerhaft gepflegt und welche nur dynamisch abgerufen werden?

Und schließlich gilt: messen statt vermuten. Bereits ein überschaubares Set repräsentativer Testfragen mit erwarteten Ergebnissen zeigt, ob eine Änderung am Retrieval, an den bereitgestellten Informationen oder an der Struktur tatsächlich zu besseren Antworten führt.

Context Engineering bedeutet damit nicht, möglichst viel Wissen an ein Modell zu übergeben. Es bedeutet, die richtigen Informationen im richtigen Moment in der richtigen Form verfügbar zu machen.

Du möchtest verstehen, warum Dein KI-Assistent nicht die erhofften Antworten liefert – oder wie sich Retrieval, Wissensbasis und Werkzeuge zu einer belastbaren Kontext-Architektur verbinden lassen? Sprich uns gerne an, Du erreichst mich unter alessandro.cibin@evaco.de. Wir unterstützen bei der Analyse bestehender Anwendungen, der Konzeption einer passenden Kontext-Pipeline und der technischen Umsetzung – lokal, in der Cloud oder hybrid.

Quellen

[1] Andrej Karpathy auf X (in Anknüpfung an Tobi Lütke), Juni 2025 – https://x.com/karpathy/status/1937902205765607626

[2] Anthropic: „Effective Context Engineering for AI Agents“, September 2025 – https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents

[3] Nelson F. Liu et al.: „Lost in the Middle: How Language Models Use Long Contexts“, TACL 2024 – https://arxiv.org/abs/2307.03172

[4] Chroma: „Context Rot: How Increasing Input Tokens Impacts LLM Performance“, Juli 2025 – https://research.trychroma.com/context-rot

Wenn der Vertragsordner mehr weiß als das Unternehmen

Verträge regeln einen erheblichen Teil des unternehmerischen Alltags: Kunden- und Lieferantenbeziehungen, Miete und Leasing, Wartung, Software-Lizenzen, Versicherungen, Arbeitsverhältnisse. So verbindlich ihre Inhalte sind, so unübersichtlich ist häufig ihre Ablage: Der Bestand verteilt sich auf Aktenordner, Netzlaufwerke, Postfächer und Fachsysteme – als Papier, Scan oder PDF und nicht selten in unterschiedlichen Versionen.

Das eigentliche Problem ist deshalb meist nicht, dass Informationen fehlen. Sie sind vorhanden – aber nicht verfügbar. Was vereinbart wurde, weiß im Zweifel nur, wer den Vertrag gelesen hat. Spürbar wird das spätestens, wenn eine Kündigungsfrist näher rückt, vor einem Audit bestimmte Klauseln gefunden werden müssen oder in einer Verhandlung kurzfristig zu klären ist, welche Konditionen eigentlich gelten. Dass daraus reale Kosten entstehen, ist gut belegt: World Commerce & Contracting beziffert den durchschnittlichen Wertverlust durch schwaches Vertragsmanagement auf rund neun Prozent des Jahresumsatzes – die besten Unternehmen halten ihn bei etwa drei Prozent, die schwächsten verlieren 15 Prozent und mehr. [1]

Was KI bei der Vertragsanalyse leisten kann

Genau hier setzt KI-gestützte Vertragsanalyse an. Dokumente werden digital erfasst und automatisiert analysiert; bei gescannten Verträgen übernehmen Texterkennung oder multimodale Modelle das Lesen, ein Sprachmodell arbeitet die relevanten Angaben anschließend strukturiert heraus: Vertragsparteien und -gegenstand, Laufzeiten, Kündigungsfristen und Verlängerungsregelungen, Zahlungsbedingungen und Preisanpassungsklauseln, Haftungs- und Gewährleistungsregelungen, Sonderkündigungsrechte sowie Vereinbarungen zu Datenschutz und Vertraulichkeit.

Entscheidend ist dabei die Nachvollziehbarkeit: Jede extrahierte Angabe bleibt mit ihrer Fundstelle im Originaldokument verknüpft, sodass sich jederzeit prüfen lässt, worauf sich eine Aussage stützt.

Aus dem verteilten Bestand entsteht so Schritt für Schritt ein strukturiertes Vertragsregister: Fristen werden sichtbar, Klauseln vergleichbar, Vertragsinformationen auswertbar. Fragen, deren Beantwortung bislang tagelange Sichtung bedeutete, lassen sich in Minuten klären: Welche Verträge verlängern sich in den kommenden 90 Tagen automatisch? Wo fehlt eine Regelung zur Informationssicherheit? Welche Lieferantenverträge enthalten Preisanpassungsklauseln? Und weil die Ergebnisse strukturiert vorliegen, lassen sie sich in bestehende Analytics-Umgebungen wie Qlik oder Power BI übernehmen – Vertragsinformationen werden damit nicht nur auffindbar, sondern Teil des operativen Controllings.

Von der Extraktion zur intelligenten Prüfung

Besonders interessant wird der Anwendungsfall dort, wo Verträge nicht nur ausgelesen, sondern miteinander oder mit definierten Standards verglichen werden. Ein System erkennt dann, ob eine geforderte Klausel vorhanden ist, ob eine Formulierung von der eigenen Standardvorlage abweicht oder ob vereinbarte Konditionen außerhalb definierter Grenzen liegen. Damit verschiebt sich der Nutzen von der reinen Suche zur systematischen Vorprüfung: Die KI markiert Auffälligkeiten, macht Unterschiede sichtbar und priorisiert relevante Passagen – und entlastet Fachbereiche und juristische Expertinnen und Experten spürbar bei der Sichtung. Was sie nicht liefert, ist ein verbindliches juristisches Urteil.

Warum gerade hier lokale Verarbeitung überzeugt

Kaum ein Datenbestand ist so vertraulich wie der Vertragsbestand: Preise und Konditionen, Verhandlungsergebnisse, Haftungsregelungen, strategische Geschäftsbeziehungen – und spätestens bei Arbeitsverträgen hochsensible personenbezogene Daten. Oft verpflichtet schon der Vertrag selbst zur Geheimhaltung gegenüber Dritten. Cloud-Dienste zur Vertragsanalyse gibt es viele, und wenn Datenschutz, Vertragsbedingungen und Architektur zu den eigenen Anforderungen passen, können sie eine tragfähige Option sein. Gerade bei Kernverträgen, Konditionen und Personalunterlagen stellt sich jedoch eine weitergehende Frage: Müssen diese Dokumente die eigene, kontrollierte Infrastruktur überhaupt verlassen?

Genau hier spielt eine lokale Architektur ihre Stärken aus: Dokumentenverarbeitung, Sprachmodell, Suchindex und Ablage laufen vollständig auf der eigenen Infrastruktur – weder die Verträge noch die daraus gewonnenen Informationen werden zur Verarbeitung an externe KI-Dienste übertragen. Leistungsfähige offene Modelle machen das heute realistisch. Entscheidend ist allerdings die gesamte Kette: Ein lokal betriebenes Sprachmodell allein schafft noch keine Datensouveränität – auch Texterkennung, Embeddings, Suchindex, Protokollierung, Zwischenergebnisse und Backups gehören ins Sicherheitskonzept.

Das Gleiche gilt für Berechtigungen: Nicht jede Person, die nach Verträgen suchen darf, sollte automatisch jeden Vertrag sehen können. Zugriffsrechte müssen deshalb auch innerhalb der KI-Anwendung durchgesetzt werden – Personalunterlagen bleiben beim zuständigen Personenkreis, sensible Einkaufskonditionen bei den berechtigten Bereichen. Hinzu kommt die Anpassbarkeit: eigene Vertragsarten, definierte Klauselkataloge, der Abgleich mit den eigenen Standardformulierungen und auf Wunsch die Übergabe erkannter Fristen an bestehende Systeme.

Was auch Teil der Wahrheit ist

Ein realistischer Blick gehört dazu. KI-gestützte Vertragsanalyse extrahiert, strukturiert, vergleicht und weist auf Auffälligkeiten hin – sie ersetzt keine juristische Prüfung und keine Rechtsberatung. Ob eine Klausel rechtlich wirksam, wirtschaftlich akzeptabel oder im konkreten Kontext riskant ist, bleibt eine fachliche Bewertung; das Ergebnis der KI ist ein sehr guter Arbeitsstand, keine freigegebene Entscheidung. Auch die Qualität der Dokumente setzt Grenzen: Schlechte Scans, handschriftliche Ergänzungen und verstreute Nachträge verarbeitet die Technik heute erstaunlich gut, aber nicht fehlerfrei – Fundstellenverweise, Qualitätskontrollen und Stichproben sind deshalb Pflicht. Und schließlich verhindert eine erkannte Frist allein noch keine verpasste Kündigung: Es braucht einen gelebten Prozess mit Verantwortlichkeiten, Erinnerungen und klaren Entscheidungen. Sonst entsteht aus einer unübersichtlichen Vertragsablage lediglich eine übersichtlichere Vertragsablage.

Der richtige Einstieg

Für den Start muss nicht der gesamte Bestand erschlossen werden. Bewährt hat sich ein klar abgegrenzter Anwendungsfall: eine Vertragsart – etwa Lieferanten-, Wartungs- oder Mietverträge –, ein Pilotbereich und ein definierter Satz an Informationen und Klauseln, die tatsächlich gebraucht werden. An diesem Bestand zeigt sich, wie zuverlässig die Dokumente verarbeitet werden, welche Angaben sich automatisiert extrahieren lassen und wo weiterhin menschliche Prüfung nötig ist. Darauf aufbauend lässt sich fundiert entscheiden, wie die Lösung ausgebaut und in bestehende Prozesse integriert wird – bis hin zum Baustein einer eigenen lokalen KI-Plattform, auf deren Dokumenten-, Retrieval- und Berechtigungsarchitektur weitere Anwendungsfälle aufsetzen.

Die Anforderungen dafür lassen sich am besten in gezielten Workshops und anhand konkreter Dokumente erarbeiten: Welche Vertragsarten stehen im Fokus? Welche Informationen und Klauseln werden benötigt? Welche Systeme sind anzubinden, welche Berechtigungen gelten? Welche Vorgaben bestehen für Datenschutz, Aufbewahrung und Informationssicherheit – und an welchen Stellen muss ein Mensch eine Entscheidung bestätigen? Daraus entsteht keine theoretische KI-Vision, sondern eine belastbare Grundlage für Architektur, Pilotierung und Investitionsentscheidung.

Genau hier setzt EVACO an: von der strategischen Einordnung über konkrete Workshops bis zur Konzeption und Umsetzung passender KI-Lösungen. Gern beraten wir Dich unverbindlich, wie sich Dein Vertragsbestand sicher erschließen, strukturiert auswerten und in bestehende Prozesse integrieren lässt. Du erreichst mich unter alessandro.cibin@evaco.de.

Quellen

[1] World Commerce & Contracting (WorldCC): Contract Management Whitepaper, August 2025 – https://info.worldcc.com/contract-management-aug-2025

Datenarbeit neu gedacht

Daten für Analytics und AI bereitzustellen, kostet in vielen Unternehmen sehr viel Zeit und manuellen Aufwand. Mit Qlik Agentic Data Engineering erweitert Qlik seine Plattform um spezialisierte AI Agents, die Data Teams bei zentralen Aufgaben unterstützen – von Datenqualität und Katalogisierung bis hin zur Entwicklung von Datenpipelines.

Als Qlik Partner der ersten Stunde begleitet EVACO Unternehmen dabei, Technologie und Datenstrategie sinnvoll zu integrieren und aus neuen Funktionen konkrete Mehrwerte für den Arbeitsalltag zu schaffen. Wir erachten Qlik Agentic Data Engineering als Chance, einen Technologiesprung auf Basis bestehender Tools und Strukturen zu erzielen und unmittelbare Mehrwerte zu generieren.

Mehr Unterstützung im Data Engineering

Mit Agentic AI verändert sich auch die Arbeit im Data Engineering. Wiederkehrende Aufgaben müssen nicht mehr ausschließlich manuell umgesetzt werden. Spezialisierte Agents können einzelne Arbeitsschritte übernehmen und Data Engineers gezielt unterstützen.

Qlik verbindet diesen Ansatz mit Funktionen rund um Datenintegration, Datenqualität, Governance und Datenprodukte. So entsteht eine durchgängige Grundlage, um Daten verlässlich für Analytics- und AI-Anwendungen bereitzustellen.

Konkret bedeutet das für Dich: weniger Zeit für repetitive Aufgaben und mehr Raum für Architektur, Governance und die Weiterentwicklung Deiner Datenplattform.

Spezialisierte Agents für unterschiedliche Aufgaben

Qlik stellt in Qlik Talend Cloud verschiedene Agents für konkrete Aufgaben entlang des Datenlebenszyklus bereit:

• Der Data Product Agent unterstützt Dich bei der Erstellung, Governance und Bereitstellung kuratierter Datenprodukte.
• Der Data Quality Agent hilft Dir dabei, Daten zu profilieren, ihre Qualität zu überwachen und Probleme frühzeitig zu erkennen.
• Der Catalog and Business Glossary Agent unterstützt bei der Klassifizierung und Dokumentation von Daten sowie bei der Pflege einheitlicher Geschäftsbegriffe.
• Der Pipeline Agent ist darauf ausgelegt, den Aufbau und die Bereitstellung von Datenpipelines stärker zu automatisieren.

Damit geht Qlik über klassische AI-Assistenten hinaus. Die einzelnen Agents sind auf konkrete Aufgabenbereiche ausgerichtet und unterstützen Dich innerhalb definierter Rahmenbedingungen.

Datenpipelines in natürlicher Sprache beschreiben

Ein weiterer Bestandteil von Qlik Agentic Data Engineering sind die sogenannten Declarative Data Pipelines.

Dabei beschreibst Du das gewünschte Ergebnis einer Datenpipeline in natürlicher Sprache. Coding Agents unterstützen anschließend bei der technischen Umsetzung. Qlik nennt hier unter anderem Claude Code und GitHub Copilot in Verbindung mit Visual Studio Code.

Der Fokus verschiebt sich damit vom einzelnen technischen Schritt stärker auf das gewünschte Ergebnis. Governance und Datenqualität bleiben dabei ein fester Bestandteil des Prozesses.

Achilles-Ferse im Griff: verlässliche Datenbasis

Agentic AI kann nur dann sinnvoll arbeiten, wenn auch die zugrunde liegenden Daten stimmen. Und je eigenständiger AI-Systeme Aufgaben übernehmen, desto wichtiger werden Datenqualität, nachvollziehbare Herkunft, einheitlicher Kontext und klare Governance. Genau hier setzt Qlik mit Agentic Data Engineering an.

Es geht also nicht allein um mehr Automatisierung. Entscheidend ist eine Datenbasis, auf die sich Menschen, Anwendungen und AI Agents gleichermaßen verlassen können.

Was bedeutet das für Dein Data Team?

Besonders interessant wird Agentic Data Engineering dort, wo heute viel Zeit in wiederkehrende Aufgaben fließt: Datenprofiling, Qualitätsprüfungen, Katalogisierung, Dokumentation oder die Pflege von Pipelines.

Qlik setzt Agents genau an diesen Punkten ein. So kannst Du Routineaufgaben stärker automatisieren und Deine Ressourcen dort einsetzen, wo sie den größeren Mehrwert schaffen – etwa bei Datenarchitektur, Governance oder der Entwicklung neuer Use Cases.

Von der Technologie zum passenden Einsatz

Neue Funktionen allein schaffen noch keinen Mehrwert. Entscheidend ist, wie gut sie zu Deiner Datenarchitektur, Deinen Prozessen und Deinen Zielen passen. Hier unterstützen wir Dich gerne: wir kennen die Qlik Plattform aus zahlreichen Projekten und unterschiedlichen Anwendungsszenarien aus dem Effeff und helfen Dir, die Möglichkeiten von Qlik Agentic Data Engineering einzuordnen, passende Einsatzfelder zu identifizieren und sie sinnvoll und minimalinvasiv in Deine bestehende Umgebung zu integrieren.

Gemeinsam mit Dir klären wir, welche Prozesse sich für eine stärkere Automatisierung eignen, welche Anforderungen an Datenqualität und Governance bestehen und wie sich eine verlässliche Grundlage für Analytics und AI schaffen lässt.

Qlik Agentic Data Engineering mit EVACO – wir unterstützen Dich von der ersten Einordnung bis zur Umsetzung in Deiner bestehenden Qlik Umgebung.