Glossareintrag
Wir denken. KI tippt mit.
Context Engineering bei KI/AI bezeichnet die Arbeit, einem KI-Modell zur richtigen Zeit genau die Informationen mitzugeben, die es zum Lösen einer Aufgabe braucht, nicht mehr und nicht weniger. Eine etablierte deutsche Übersetzung gibt es noch nicht, sinngemäß bedeutet der Begriff Kontext-Gestaltung.
Geprägt wurde der Begriff im Juni 2025. Shopify-Chef Tobi Lütke beschrieb Context Engineering in seinem Beitrag auf X zur Wortwahl Context Engineering als die Kunst, der KI den kompletten Kontext zu liefern, damit die Aufgabe für sie überhaupt lösbar wird. Der KI-Forscher Andrej Karpathy schloss sich wenige Tage später an und nannte es in seinem Beitrag zur Definition von Context Engineering die feine Kunst und Wissenschaft, das Kontextfenster mit genau den richtigen Informationen für den nächsten Schritt zu füllen.
Der Unterschied zum Prompt Engineering liegt im Blickwinkel. Beim Prompt Engineering geht es um die Formulierung einer einzelnen guten Anweisung. Context Engineering betrachtet alles, was das Modell bei einer Antwort zu sehen bekommt, also auch Dokumente, Gesprächsverlauf, Werkzeuge und gespeicherte Erinnerungen. Der KI-Anbieter Anthropic beschreibt die Disziplin deshalb als natürliche Weiterentwicklung des Prompt Engineering.
Zum Kontext zählt alles, was ein Sprachmodell im Moment einer Antwort tatsächlich verarbeitet:
Große Kontextfenster lösen ihr Versprechen allerdings nur zur Hälfte ein. Die Spitzenmodelle von Anthropic, OpenAI und Google verarbeiten 2026 jeweils rund eine Million Token auf einmal, bei Claude entspricht das laut der Anthropic-Modellübersicht mit den Kontextfenster-Größen etwa 555.000 Wörtern. Die Context-Rot-Studie der Forschungsfirma Chroma zeigte aber bereits im Juli 2025 an 18 Modellen, dass die Antwortqualität mit wachsender Eingabemenge sinkt, lange bevor das Fenster voll ist. Das Phänomen trägt den Namen Context Rot (Kontext-Verfall). Anthropic erklärt es mit einem begrenzten „Aufmerksamkeits-Budget", das sich auf alle mitgelieferten Informationen verteilen muss.
Überflüssiger Kontext kostet außerdem bei jeder einzelnen Anfrage Geld, weil KI-Anbieter ihre Schnittstellen pro Token abrechnen.
Anthropic beschreibt in einem Grundlagenartikel zum Context Engineering vom September 2025, wie sich Kontext gezielt kuratieren lässt. Zu den wichtigsten Techniken zählen das Zusammenfassen langer Verläufe (Compaction), das Nachladen von Daten erst im Moment des Bedarfs, Notizen außerhalb des Kontextfensters sowie das Auslagern von Teilaufgaben an spezialisierte KI-Agenten, die nur ihr Ergebnis zurückmelden.
Der Ansatz steckt inzwischen in den Produkten selbst. Claude lädt mit den im Oktober 2025 eingeführten Agent Skills für wiederverwendbare Fähigkeiten Fachwissen erst dann vollständig, wenn eine Aufgabe es verlangt, und die Gedächtnis-Funktionen von ChatGPT und Claude speichern Fakten über Nutzer dauerhaft außerhalb des Chatverlaufs. Beides ist automatisiertes Context Engineering.
Kleine Unternehmen betreiben Context Engineering ohne eine Zeile Programmierung, nämlich mit den Bordmitteln von ChatGPT und Claude. Wer der KI einmal sauber aufbereitete Firmen-Informationen hinterlegt, bekommt dauerhaft bessere Ergebnisse als mit noch so ausgefeilten Einzel-Prompts.
Ein Malerbetrieb legt dafür in ChatGPT oder Claude ein Projekt an und lädt dort eine Leistungsübersicht, typische Preisspannen und zwei bis drei gelungene Angebotstexte als Stilvorlage hoch, dazu eine kurze Anweisung wie „Antworte sachlich, ohne Fachchinesisch, Preise immer als Spanne". Ab sofort schreibt die KI Angebote, Kunden-E-Mails und Antworten auf Google-Bewertungen im richtigen Ton und mit den richtigen Fakten, ohne dass jemand die Firmendaten jedes Mal neu eintippt.
So starten Sie mit rund 30 Minuten Aufwand:
Zum Context Engineering gehört auch das Aufräumen. Eine veraltete Preisliste im Projekt verwirrt das Modell genauso zuverlässig wie ein endloser Chatverlauf mit fünf Themenwechseln. Bei einem neuen Thema hilft ein frischer Chat, und ersetzte Dokumente werden gelöscht statt angesammelt.
Die technischen Ausbaustufen, etwa eine RAG-Anbindung an die eigene Kundendatenbank oder selbst gebaute Agenten, sind Entwickler-Terrain und lohnen erst bei größeren Datenmengen. Das Prinzip bleibt dasselbe, der Betrieb entscheidet, was die KI wissen muss, und stellt genau das bereit.
