- Andreas Bauer
- AI Context, AI Performance, Context Engineering, GraphRAG, Precision Retrieval, RAG
Kontext-basiertes Arbeiten ist die Zukunft
Kontext-basiertes Arbeiten ist die Zukunft
Die nächste Stufe zur Steigerung der Produktivität von KI ist nicht ausgefeilteres Prompting oder immer leistungsstärkere Modelle — sondern ein System, das den richtigen Kontext zur richtigen Zeit verfügbar macht. Richtig bedeutet dabei nicht, einfach eine Reihe passender Inhalte aus dem gesamten Informationspool zu laden — es geht darum, unter vielen Informationen genau jene zu finden, die zum Zusammenhang passen und dabei den Wissensstand des Anwenders widerspiegeln.
Deshalb werden kontext-basiertes Arbeiten, RAG, Precision Retrieval, GraphRAG und Context Engineering immer wichtiger: Sie verbessern die Qualität von Entscheidungen, Antworten und Workflows, weil sie Informationen nicht nur speichern, sondern umfassender nutzbar machen.
Warum Kontext das eigentliche Problem ist
Viele Probleme in der Wissensarbeit und beim Einsatz von KI sehen auf den ersten Blick wie Modellprobleme aus. In der Praxis liegt die Ursache meist woanders: Der relevante Kontext fehlt, ist verstreut oder kommt in der falschen Form an. Wer nur Bruchstücke sieht — ob Anwender oder KI — kommt zwangsläufig zu schlechteren oder sogar falschen Ergebnissen.
Das gilt für Teams genauso wie für KI-Systeme. Ein Team trifft bessere Entscheidungen, wenn Hintergrund, Abhängigkeiten und Ziele klar sind. Ein Modell liefert bessere Antworten, wenn es genau die Informationen bekommt, die zur Frage passen — nicht zu viel, nicht zu wenig und gut strukturiert. In beiden Fällen ist Kontext der eigentliche Hebel, nicht reine Rechenleistung.
Was RAG löst
Retrieval-Augmented Generation — kurz RAG — ergänzt ein Sprachmodell zur Laufzeit um externe Informationen. Statt sich ausschließlich auf das im Training gelernte Wissen zu verlassen, zieht das System passende Dokumente oder Wissensquellen heran, bevor es antwortet. Das reduziert Halluzinationen und verankert Antworten stärker in realen, aktuellen Quellen.
Entscheidend ist dabei nicht bloß das Abrufen von Text, sondern die Auswahl des richtigen Textes. Wenn Retrieval und Kontextübergabe gut funktionieren, steigt die Antwortqualität deutlich. Funktionieren sie schlecht, wird das Modell zwar mit Daten versorgt — aber nicht mit hilfreichem Kontext. RAG ist damit weniger eine Modellfrage als eine Qualitätsfrage auf der Informationsseite.
Precision Retrieval: der richtige Ausschnitt statt das ganze Dokument
Klassisches RAG arbeitet oft auf Dokumentenebene: Ein Dokument wird anhand eines gemittelten Embeddings als relevant eingestuft und vollständig oder in großen Abschnitten als Kontext übergeben. Das Problem dabei ist Rauschen — wenn ein langer Text nur einen kleinen Teil relevanter Inhalte enthält, belastet der Rest das Kontextfenster des Modells ohne Mehrwert.
Precision Retrieval löst das durch feingranulares, Chunk-basiertes Retrieval. Texte werden in semantisch sinnvolle Abschnitte — sogenannte Chunks — aufgeteilt und per Embedding in einem Vektorraum abgebildet. Bei einer Anfrage werden nicht ganze Dokumente, sondern nur die Chunks zurückgegeben, deren Embedding der Anfrage am nächsten liegt. Das Modell bekommt damit nicht mehr Kontext, sondern den richtigen Kontext.
Der Unterschied ist praktisch spürbar: weniger irrelevantes Material im Kontext bedeutet weniger Ablenkung, geringere Token-Kosten und höhere Antwortqualität. Precision Retrieval ist damit keine eigene Architektur neben RAG, sondern eine konsequente Weiterentwicklung des Retrieval-Schritts — der Übergang von „Dokument finden“ zu „relevante Passage identifizieren“.
Wie GraphRAG noch einen Schritt weitergeht
GraphRAG baut auf RAG auf — und erweitert es um die Dimension der Beziehungen. Klassisches RAG fragt: Welches Dokument ähnelt meiner Suchanfrage am ehesten? GraphRAG fragt darüber hinaus: Wie hängen die gefundenen Informationen miteinander zusammen? Dazu kombiniert es semantische Ähnlichkeitssuche mit einem Knowledge Graph: einem strukturierten Netz aus Entitäten und ihren Verbindungen.
Das ist entscheidend, weil viele Fragen nicht nur mit einem isolierten Textabschnitt beantwortet werden können — sie erschließen sich manchmal erst durch Zusammenhänge. Prägnant formuliert: RAG liefert Inhalte, GraphRAG liefert Struktur. Für komplexe Domänen, interne Wissensbasen und agentische Workflows ist das ein erheblicher Qualitätssprung.
Dieser Mehrwert hat allerdings seinen Preis: Der Aufbau und die Pflege eines Knowledge Graphs erfordert Schema-Design, Entity Extraction und entsprechende Infrastruktur. GraphRAG ist deshalb kein universeller Ersatz für klassisches RAG, sondern eine gezielte Erweiterung für Anwendungsfälle, in denen Beziehungen und Mehrschrittlogik entscheidend sind.
Weiterführendes Video von IBM Technology
YouTube – How RAG, GraphRAG, and Context Engineering Improve AI Performance
Context Engineering als übergeordnete Disziplin
Context Engineering geht über Retrieval hinaus. Es bezeichnet die Kunst und Technik, ein KI-System so zu gestalten, dass es zur richtigen Zeit den richtigen Zustand besitzt: die passenden Dokumente, Metadaten, Tools und Speicherzustände. Die Frage lautet nicht nur: Welche Datei ist verfügbar? Sondern: Welcher Informationsraum ist für diese Aufgabe sinnvoll?
Das ist ein wichtiger Perspektivwechsel gegenüber klassischem Prompting. Eine hilfreiche Analogie: Wer sich an Mathematik- oder Physikunterricht erinnert, kennt das Prinzip der Randbedingung bei der Lösung einer Gleichung. Genauso verhält es sich hier — die Aufgabe stellt der Anwender, Context Engineering formt die Randbedingung, und die KI löst innerhalb dieses Rahmens. Prompting formuliert die Frage. Context Engineering definiert den Raum, in dem sie beantwortet werden soll.
Die Frage des Context Engineering wird mit zunehmender Komplexität von KI-Anwendungen immer zentraler — denn Qualität entsteht nicht im Modell allein, sondern im Zusammenspiel von Modell und Kontext.
Warum kontext-basiertes Arbeiten die Zukunft ist
Kontext-basiertes Arbeiten bedeutet, Informationen nicht mehr als lose Sammlung zu behandeln, sondern als kohärenten Zusammenhang — aus dem ganz natürlich die Strukturen entstehen, die GraphRAG als Knowledge Graph formalisiert. Die praktischen Konsequenzen sind unmittelbar spürbar: weniger Zeit für das Suchen und Rekonstruieren von Wissen, weniger Informationsverlust beim Wechsel zwischen Apps, mehr Klarheit über Zusammenhänge und Abhängigkeiten — und weniger Aufwand, immer wieder explizit neue Datensätze als Kontext zusammenzustellen.
Für Anwender bedeutet das: weniger Fragmentierung, mehr Handlungsfähigkeit. Für KI-Systeme: robusteres Retrieval, verlässlichere Antworten, geringere Token-Kosten, bessere Automatisierung. Was beide Perspektiven zusammenführt — die menschliche Wissensarbeit und die maschinelle Verarbeitung — ist der gemeinsame Kontext, mit dem beide arbeiten. Die heutigen Arbeitsumgebungen werden dem noch nicht gerecht, weil sie inhärent fragmentiert organisiert sind und ebenso genutzt werden.
Was das für ānbāsan bedeutet
ānbāsan löst dieses Problem durch seine Ausrichtung auf eine kontext-basierte Arbeitsweise. Die App sammelt nicht nur Informationen — sie formt Kontext. Das ist mehr als Notizen, mehr als Aufgabenverwaltung und mehr als ein Ablageort. Es geht darum, verstreute Fragmente ohne Mehraufwand so zu verbinden, dass daraus ein brauchbarer Arbeitskontext entsteht und erhalten bleibt: schnell zugänglich, nachvollziehbar und wiederverwendbar.
Damit übernimmt ānbāsan die Rolle einer Zwischenschicht: zwischen unstrukturierten Daten und KI-Systemen. Dieselbe Art von Struktur, die Anwendern hilft, bessere Entscheidungen zu treffen, ist auch die Grundlage, auf der KI-Systeme — ob mit RAG, GraphRAG oder agentischen Workflows — qualitativ besser arbeiten. Kontext ist die gemeinsame Sprache von Anwender und Maschine.
Mind the Human in the Loop
Alle bisher beschriebenen Technologien — RAG, Precision Retrieval, GraphRAG, Context Engineering — lösen das technische Problem auf der KI-Seite: Wie kommt das richtige Wissen zur richtigen Zeit ans Modell? Aber sie setzen voraus, dass die Daten, auf die sie zugreifen, bereits sinnvoll und korrekt organisiert sind. In der Praxis ist das selten der Fall.
Heute liegen Informationen verstreut: in verschiedenen Apps, Dateien, Chats und Dokumenten — ohne innere Verbindung. Wer eine KI mit Kontext versorgen will, muss diesen Kontext erst mühsam zusammenklicken, kopieren oder manuell in einen Chat einfügen — nicht selten mehrfach. Die maßgeblichen Beziehungen zwischen Datenobjekten existieren schließlich oft nur im Kopf des Anwenders, nirgendwo sonst.
Kontext-basiertes Arbeiten löst dieses Problem. Die Idee ist, dass jedes Datenobjekt seinen Kontext intrinsisch mitbringt — also nicht erst im Nachhinein zusammengestellt werden muss, sondern bereits in-situ mit seinen Beziehungen zu anderen Objekten verwaltet wird. Der Anwender entscheidet, was zusammengehört und was relevant ist. Er formt aktiv den Kontext nach seiner Expertise — nicht das System, das jedoch im Hintergrund zur Unterstützung des Anwenders zuarbeitet.
Dieser vom Anwender verwaltete Kontext ist dann die eigentliche Grundlage, aus der KI-Systeme schöpfen können. RAG und Precision Retrieval filtern nicht mehr aus einer unstrukturierten Datenmasse, sondern aus einem bereits bedeutungstragenden Netz von Informationen, das menschliche Expertise zu Relevanz und Zusammenhang widerspiegelt. Der Anwender gibt dem System damit etwas, das keine KI haben kann: den Gesamtüberblick — denn der Anwender hat stets das größere Informationsfeld.
Das ist die Rolle, die ānbāsan übernimmt. Die App ist der Ort, an dem Anwender Beziehungen zwischen ihren Daten frei verwalten — und damit einen Kontext formen, der sowohl für alltägliche Arbeit als auch für KI-gestützte Prozesse nutzbar ist. Nicht als Datensilo, sondern als lebendige Kontextschicht, die Anwender und Maschine gemeinsam nutzen.
Fazit
Kontext ist der gemeinsame Nenner von guter Wissensarbeit und guter KI. Wer Kontext besser organisiert, trifft bessere Entscheidungen und bekommt bei weniger Aufwand bessere Ergebnisse.
Weiterführend: ānbāsan als Context Engine für Menschen und AI