Kommentar von Tobias Knieper, Fivetran Warum Context Engineering zum nächsten großen KI-Thema wird

Von Tobias Knieper 5 min Lesedauer

Anbieter zum Thema

Ein Vertriebsleiter fragt einen KI-Agenten: „Welche unserer zehn wichtigsten Kunden könnten im kommenden Quartal abspringen und wo sollten wir aktiv werden?“ Der Agent durchsucht CRM-Daten, Support-Tickets, Vertragsinformationen und Nutzungsdaten und erstellt eine Prioritätenliste. Das Ergebnis sieht plausibel aus. Doch bei einem Kunden wurde eine kürzlich vereinbarte Vertragsverlängerung noch nicht im CRM aktualisiert.

Der Autor: Tobias Knieper ist Senior Manager, EMEA Marketing, bei Fivetran. (Bild:  Fivetran)
Der Autor: Tobias Knieper ist Senior Manager, EMEA Marketing, bei Fivetran.
(Bild: Fivetran)

Ein anderer Kunde wird im CRM und ERP unter unterschiedlichen Namen geführt und deshalb nicht als derselbe Kunde erkannt. Bei einem dritten deutet die geringe Produktnutzung auf ein Abwanderungsrisiko hin – allerdings nutzt er das Produkt saisonbedingt nur in bestimmten Monaten.

Der Agent greift zwar auf reale Unternehmensdaten zu, zieht daraus jedoch die falschen Schlüsse. Denn Datenzugriff bedeutet nicht automatisch auch Datenverständnis. Entscheidend ist, ob ein KI-System Informationen richtig einordnen, Zusammenhänge erkennen und ihren geschäftlichen Kontext berücksichtigen kann.

Solange generative Künstliche Intelligenz (KI) vor allem Texte zusammenfasste, Fragen beantwortete oder Inhalte erstellte, konzentrierte sich die Diskussion stark auf Modelle und Prompts: Wer bessere Antworten wollte, musste bessere Fragen stellen. Mit AI Agents verschiebt sich der Fokus. Sie reagieren nicht mehr nur auf Anfragen, sondern greifen eigenständig auf Informationsquellen zu, kombinieren Daten, führen mehrstufige Aufgaben aus und können Aktionen anstoßen.

Damit lautet die entscheidende Frage nicht mehr nur: „Wie erklären wir der KI ihre Aufgabe?“, sondern: „Welchen Kontext braucht sie, um diese Aufgabe zuverlässig auszuführen?“ Genau hier beginnt Context Engineering.

Ein guter Prompt kann fehlenden Kontext nicht ersetzen

Prompt Engineering beschreibt, was ein KI-System tun soll. Context Engineering gestaltet die Informationsumgebung, in der es diese Aufgabe bearbeitet. Dazu gehören Unternehmensdaten ebenso wie Metadaten, fachliche Definitionen, Beziehungen zwischen Informationen, Zugriffsrechte sowie Angaben zu Aktualität und Herkunft.

Ein Agent muss beispielsweise nicht nur einen Umsatzwert finden. Er muss wissen, welche Umsatzdefinition gilt, aus welchem System der Wert stammt und auf welchen Zeitraum er sich bezieht. Erst diese zusätzlichen Informationen ermöglichen es, den Wert im jeweiligen Geschäftskontext einzuordnen.

Menschen ergänzen solchen Kontext häufig aus Erfahrung. Sie wissen etwa, welche Kennzahl in einem bestimmten Fachbereich gilt oder welches Datenfeld seit einer Systemumstellung nicht mehr verwendet wird. Ein KI-Agent besitzt dieses institutionelle Wissen nicht automatisch. Context Engineering macht dieses bislang oft implizite Wissen für KI-Systeme nutzbar, indem es relevante Informationen, fachliche Zusammenhänge und Regeln strukturiert bereitstellt.

Fünf Fragen, die ein Agent beantworten können muss

Damit KI-Agenten Unternehmensdaten nicht nur abrufen, sondern auch im richtigen geschäftlichen Kontext nutzen können, müssen sie folgende Punkte verstehen:

  • 1. Was bedeuten die Daten? Begriffe und Kennzahlen brauchen eine eindeutige fachliche Bedeutung. Was gilt als „aktiver Kunde“, „Umsatz“ oder „Churn“? Existieren mehrere Definitionen, muss klar sein, welche im jeweiligen Kontext gilt.
  • 2. Woher stammen die Informationen? Data Lineage macht nachvollziehbar, aus welcher Quelle Daten stammen und welche Verarbeitungsschritte sie durchlaufen haben.
  • 3. Wie aktuell und zuverlässig sind sie? Auch korrekte Informationen können für operative Entscheidungen wertlos sein, wenn sie veraltet sind. Das wird besonders relevant, wenn Agents nicht nur analysieren, sondern Aktionen auslösen.
  • 4. Welche Informationen gehören zusammen? Kundendaten liegen im CRM, Rechnungen im ERP, Interaktionen im Support-System und Nutzungsdaten in weiteren Plattformen. Erst wenn diese Informationen zuverlässig zusammengeführt und verknüpft werden, entsteht ein verwertbarer Gesamtzusammenhang.
  • 5. Was darf der Agent damit tun? Technische Verfügbarkeit bedeutet nicht, dass jeder Agent jede Information verwenden darf. Rollen, Berechtigungen und Governance-Regeln müssen deshalb auch für maschinelle Nutzer gelten.

Context Engineering bedeutet damit mehr, als einem Large Language Model zusätzliche Informationen bereitzustellen. Es schafft die Voraussetzungen dafür, dass Maschinen die Bedeutung, die Herkunft, die Aktualität und die zulässige Verwendung von Daten einordnen können.

Aus einer KI-Frage wird eine Infrastrukturfrage

Damit wird Context Engineering zur Aufgabe der Datenarchitektur. Viele Datenlandschaften wurden für Reporting und Business Intelligence konzipiert: Daten werden zusammengeführt, ein Analyst interpretiert sie und entscheidet, was zu tun ist. Der Mensch liefert einen Teil des Kontextes selbst.

Wenn Agents eigenständig auf Daten zugreifen und auf deren Basis handeln, muss dieser Kontext stärker in der Datenumgebung verankert sein. Gleichzeitig werden Unternehmen unterschiedliche Modelle, Agents und KI-Plattformen einsetzen. Eine Datenarchitektur für Agentic AI muss daher Kontext zuverlässig bereitstellen, ohne Daten an einzelne Modelle oder Tools zu binden.

Open Data Infrastructure als Grundlage

Hier setzt Open Data Infrastructure (ODI) an: eine offene, interoperable Datenbasis, auf die unterschiedliche Analyse-, Compute- und KI-Systeme zugreifen können. Statt Daten für jeden neuen Anwendungsfall erneut in isolierte Umgebungen zu verschieben, arbeiten verschiedene Anwendungen auf einer gemeinsamen Grundlage.

Eine zentrale Voraussetzung ist, Unternehmensdaten aus ihren unterschiedlichen Quellen zusammenzubringen. Datenkonnektoren schaffen standardisierte Verbindungen zu CRM-, ERP-, Marketing-, Support- oder Finanzsystemen und führen deren Daten kontinuierlich in einer zentralen Datenumgebung zusammen. Plattformen wie die von Fivetran + dbt labs stellen dafür vorgefertigte Konnektoren bereit und automatisieren die zugrunde liegenden Datenpipelines. So müssen nicht für jeden neuen Agenten individuelle Verbindungen zu zahlreichen Quellsystemen entwickelt und gepflegt werden.

Jetzt Newsletter abonnieren

Täglich die wichtigsten Infos zu Big Data, Analytics & AI

Mit Klick auf „Newsletter abonnieren“ erkläre ich mich mit der Verarbeitung und Nutzung meiner Daten gemäß Einwilligungserklärung (bitte aufklappen für Details) einverstanden und akzeptiere die Nutzungsbedingungen. Weitere Informationen finde ich in unserer Datenschutzerklärung. Die Einwilligungserklärung bezieht sich u. a. auf die Zusendung von redaktionellen Newslettern per E-Mail und auf den Datenabgleich zu Marketingzwecken mit ausgewählten Werbepartnern (z. B. LinkedIn, Google, Meta).

Aufklappen für Details zu Ihrer Einwilligung

Offenheit verhindert zudem neue Abhängigkeiten. Modelle, AI-Plattformen und Agenten-Frameworks entwickeln sich schnell. Eine interoperable Datenbasis ermöglicht es, neue Technologien anzubinden, ohne die Datenarchitektur jedes Mal neu aufzubauen. Gleichzeitig sinkt das Risiko neuer KI-Silos, in denen einzelne Agents mit eigenen Datenkopien, Schnittstellen und Definitionen arbeiten.

Vom Data Stack zum Context Stack

Eine offene Dateninfrastruktur schafft die technische Grundlage für Agentic AI. Doch damit KI-Agenten Informationen zuverlässig interpretieren und nutzen können, müssen Unternehmen auch den Umgang mit ihrem Datenwissen verändern. Fachliche Definitionen, Geschäftsregeln und Zusammenhänge dürfen nicht länger nur in den Köpfen einzelner Mitarbeiter, verstreuten Dokumentationen oder isolierten Anwendungen existieren. Sie müssen zentral gepflegt, kontinuierlich aktualisiert und für KI-Systeme zugänglich gemacht werden.

Damit verändert sich auch die Verantwortung von Daten- und Fachabteilungen. Sie müssen gemeinsam sicherstellen, dass Unternehmenswissen nicht nur dokumentiert, sondern in einer Form bereitgestellt wird, die KI-Agenten für ihre Aufgaben nutzen können. Der Data Stack entwickelt sich so zum „Context Stack“ einer Infrastruktur, die nicht nur Daten verfügbar macht, sondern auch deren geschäftliche Bedeutung und die Regeln für ihre Nutzung vermittelt.

Fazit: Der bessere Prompt ist nicht mehr genug

Prompt Engineering wird nicht überflüssig. Unternehmen müssen weiterhin definieren, welche Aufgaben ein KI-System erfüllen soll und welche Grenzen gelten. Doch mit Agentic AI reicht es nicht mehr, nur die Schnittstelle zwischen Mensch und Modell zu optimieren.

Entscheidend wird, ob KI-Agenten auf einen verlässlichen, aktuellen und verständlichen Datenkontext zugreifen können. Damit verschiebt sich ein Teil des KI-Wettbewerbs von der Modell- auf die Datenebene.

Der KI-Agent des Vertriebsleiters muss also nicht nur erkennen, welche Kunden möglicherweise abspringen. Er muss auch die jüngste Vertragsverlängerung berücksichtigen, Kundendaten aus unterschiedlichen Systemen korrekt zuordnen und saisonale Nutzungsmuster verstehen. Erst dann wird aus einer plausiblen Prioritätenliste eine belastbare Grundlage für Entscheidungen.

Die entscheidende Frage lautet deshalb nicht mehr nur, wie wir der KI erklären, was sie tun soll, sondern wie wir sicherstellen, dass sie den Kontext versteht, in dem sie handelt.

Artikelfiles und Artikellinks

(ID:50999165)