Wie viel Kontext braucht eine KI wirklich? – Warum mehr nicht immer besser ist

Ich sitze gerade in meinem Home‑Office, ein großer Kunde ruft an und will sofort ein technisches Whitepaper, das wir vor einem Monat für einen anderen Auftrag erstellt haben. Ich greife zu meinem Laptop, öffne snori, tippe: „Zeig mir das Whitepaper über KI‑Governance vom 12. Juli.“ Drei Sekunden später springt ChatGPT zurück und sagt: „Hier ist die passende Seite, basierend auf den Metadaten und den Inhalten, die du in snori hinterlegt hast.“ Der Kunde ist glücklich, ich habe keine Notizen mehr durchforstet und die KI hat exakt das geliefert, was ich brauchte – nicht ein Meer von irrelevanten Infos, sondern den richtigen Kontext.

Kernaussage: Der Schlüssel ist nicht, möglichst viel Kontext zu sammeln, sondern den passenden Kontext zur richtigen Zeit zu liefern.

Der Moment, wo Kontext zur Last wird

Stell dir vor, du bist in einem Meeting, das über dein neues Produkt diskutiert. Du hast eine KI‑Assistenz, die dir alle bisherigen Projektdokumente, Kundengespräche und Marktanalysen aus dem letzten Jahr auf einmal in den Chat wirft. Auf einmal erscheint ein riesiger Textblock, der dich erst einmal überfordert: Zahlen, Grafiken, Zitate, technische Spezifikationen – alles gemischt. Du musst erst filtern, erst entscheiden, was gerade relevant ist. Das ist das typische „Mehr‑ist‑besser“-Szenario, das ich vor ein paar Monaten erlebt habe, als ich noch versuchte, meine Teams mit riesigen Prompt‑Dateien zu füttern.

Das Ergebnis war nicht nur ein langsameres KI‑Modell, sondern auch ein Gefühl der Frustration. Wir hatten den Eindruck, dass die KI „zu viel“ weiß und deshalb nicht mehr fokussieren kann. Das hat mich zu der Erkenntnis gebracht: Zu viel Kontext kann die Leistungsfähigkeit einer KI sogar verringern. Die Maschine sucht im Datenmeer nach dem passenden Signal und verliert dabei den Überblick.

Warum mehr nicht immer besser ist

1. Rauschen überlagert das Signal

KI‑Modelle sind hervorragend darin, Muster zu erkennen – aber sie können nicht zwischen wichtig und unwichtig unterscheiden, wenn du ihnen nicht sagst, wo das Signal liegt. Wenn du einer KI ein komplettes Projektarchiv gibst, das hundert verschiedene Dateien enthält, ist das reine Rauschen. Die KI versucht, alle möglichen Verknüpfungen zu prüfen und liefert häufig generische, unscharfe Antworten. Das ist wie ein Gespräch mit jemandem, der gleichzeitig über das Wetter, das Fußballspiel, den letzten Film und deine Steuererklärung reden will – niemand kommt zum Kern deiner Frage.

2. Kontext‑Kosten erhöhen sich exponentiell

Jedes Token, das du der KI gibst, kostet Zeit und Rechenleistung. Viele Anbieter berechnen nach Token‑Verbrauch. Wenn du also hunderte von Tokens als Kontext schickst, steigert das nicht nur die Kosten, sondern verlangsamt auch die Antwortzeit. In einem agilen Arbeitsumfeld, wo Sekunden zählen, kann das ein echter Flaschenhals sein.

3. Das Risiko von Fehlinterpretationen wächst

Ein KI‑Modell kann nicht zwischen historischen Fakten und veralteten Annahmen unterscheiden, wenn du ihm beides gleichzeitig präsentierst. Wenn du zum Beispiel ein altes Markt‑Research‑Dokument zusammen mit aktuellen Verkaufszahlen einfließen lässt, kann die KI die beiden Zeitpunkte vermischen und ein Bild erzeugen, das keiner von beiden widerspiegelt. Das führt zu falschen Entscheidungen – und das ist das Gegenteil von dem, was wir erreichen wollen.

Wie snori den „richtigen“ Kontext liefert

Hier kommt snori ins Spiel – nicht als ein weiteres Notiz‑Tool, sondern als Workspace, mit dem deine KI arbeitet. Der Unterschied liegt im Langzeit‑Gedächtnis und in der gezielten Abruf‑Logik.

Kontext‑Indexierung, nicht Kontext‑Kopieren

Statt ganze Dokumente in den Prompt zu schieben, speichert snori jedes Stück Information strukturiert: Metadaten, Schlüsselwörter, Beziehungen zu anderen Inhalten. Wenn du dann deine KI fragst, „Wie haben wir im letzten Quartal das Kunden‑Retention‑Problem gelöst?“, greift snori nicht das gesamte Quartals‑Report‑PDF, sondern holt gezielt die Abschnitte, die das Thema behandeln, und liefert sie in Form von Prompt‑Vorlagen. Das reduziert die Token‑Anzahl von mehreren hundert auf etwa 30‑50, ohne an Aussagekraft zu verlieren.

Kontext‑Priorisierung nach Relevanz

snori bewertet jede gespeicherte Einheit nach Nutzungs‑Häufigkeit, Aktualität und Verknüpfungs‑Stärke. Wenn du also häufig nach „Produkt‑Roadmap 2025“ suchst, wird dieser Kontext höher priorisiert als ein altes Meeting‑Protokoll von 2019. Die KI bekommt also immer den frischesten und am häufigsten genutzten Kontext – das ist die Basis für präzise Antworten.

Automatisierte Governance im Alltag

Ein weiteres Problem, das ich oft erlebt habe, ist das „Verlorengehen“ von vertraulichen Infos, wenn jeder Prompt alles einbezieht. snori ermöglicht Granulare Zugriffs‑Regeln: Du definierst, welche Daten für welchen Nutzer/Team sichtbar sind. Wenn ein externer Partner eine KI‑Frage stellt, bekommen sie nur den Kontext, den du freigegeben hast. So bleibt die KI hilfreich, aber die Sicherheit bleibt gewahrt.

Praktische Tipps für den Alltag – Weniger ist mehr, wenn es richtig gewählt ist

1. Definiere den Zweck deiner Anfrage

Bevor du deine KI aktivierst, frage dich: Was will ich wirklich wissen? Statt „Zeig mir alles zu Projekt X“, formuliere: „Welches Ergebnis hatten wir im letzten Sprint von Projekt X bezüglich Feature Y?“ Diese Eingrenzung zwingt dich, den benötigten Kontext zu identifizieren – und führt zu einer prägnanten Prompt‑Vorlage, die snori sofort bereitstellen kann.

2. Nutze snori‑Bibliotheken als Prompt‑Vorlagen

Erstelle in snori Bibliotheken für wiederkehrende Fragestellungen. Zum Beispiel eine Bibliothek „Kunden‑Feedback“, die nur die letzten 12 Monate zusammenfasst, mit Tag‑basierten Metadaten. Wenn du dann nach Trends fragst, zieht die KI nur diese Bibliothek heran – keine alten, irrelevanten Kommentare.

3. Setze Zeit‑ und Versions‑Grenzen

Ein häufiges Missverständnis ist, dass ältere Daten irgendwann irrelevant werden. In snori kannst du Zeit‑Filter setzen, die automatisch nur Inhalte der letzten X Monate in den Kontext einbeziehen. So bleibt dein KI‑Output immer aktuell und du sparst Tokens.

4. Teste und iteriere

Ich habe gelernt, dass du nicht sofort den perfekten Prompt hast. Starte mit einer minimalen Kontext‑Menge, prüfe das Ergebnis, und erweitere nur, wenn das Ergebnis zu vage ist. Dieser iterative Ansatz spart nicht nur Rechenzeit, sondern schärft auch deine eigenen Fragen.

5. Dokumentiere deine Kontext‑Entscheidungen

Wenn du dich entscheidest, welche Daten relevant sind, notiere das kurz in snori. So entsteht ein Meta‑Layer, der zukünftigen Teammitgliedern erklärt, warum gerade dieser Kontext ausgewählt wurde. Das erhöht die Transparenz und verhindert, dass später wieder zu viel oder das falsche Material geladen wird.

Fazit: Der Goldene Mittelweg

KI‑Arbeit ist keine Frage von „je mehr Daten, desto besser“. Es geht um qualitativen, zielgerichteten Kontext. In meinem Alltag habe ich erlebt, wie ein überladenes Prompt‑Fenster zu langsamen, unklaren Antworten führt – und wie das Umstellen auf gezielte, snori‑gestützte Abrufe die Produktivität um ein Vielfaches steigert.

Wenn du also das nächste Mal überlegst, deinem KI‑Assistenten ein riesiges Dokument zu geben, halte inne: Ist das wirklich nötig? Nutze snori, um den Kontext zu filtern, zu priorisieren und sicher zu verwalten. Dann bekommst du nicht nur die richtige Antwort, sondern sparst auch Zeit, Kosten und – nicht zu unterschätzen – ein Stück deiner geistigen Klarheit.

Du hast jetzt ein Werkzeug, das dir hilft, den richtigen Kontext zur richtigen Zeit zu liefern. Probier es aus, spiel ein bisschen damit, und du wirst merken, dass weniger (aber besser) tatsächlich mehr ist.