Der wichtigste Teil meines KI-Setups ist kein Modell. Es ist der Kontext.

Wenn ich erzähle, dass ich als Agenturmensch und Marketing-Freelancer täglich mit einem Multi-Agenten-System arbeite, kommt fast immer dieselbe Frage: „Welches Modell nutzen Sie?" Die ehrliche Antwort: Das ist die uninteressanteste Frage. Entscheidend ist Context Engineering – die Kunst, KI-Agenten bei jedem Arbeitsschritt mit den richtigen Informationen zu versorgen. Ein Praxisbericht aus meinem Arbeitsalltag.

Context Engineering: Der Begriff, der die Branche gerade neu sortiert

Seit Mitte 2025 hat sich in der Entwicklerwelt ein Begriff etabliert, den unter anderem Shopify-CEO Tobi Lütke und KI-Forscher Andrej Karpathy geprägt haben: Context Engineering – die Kunst, das Kontextfenster eines KI-Agenten bei jedem Schritt mit genau den richtigen Informationen zu füllen. Auch Anthropic und LangChain haben das Thema 2025 zu einem zentralen Bestandteil ihrer Agenten-Architekturen erklärt.

Die Kernbotschaft: Nicht das Modell entscheidet über die Qualität eines KI-Agenten. Der Kontext entscheidet.

Genau hier liegt aus meiner Überzeugung der Grund, warum laut aktuellen Enterprise-Erhebungen zwar rund 79 % der Unternehmen KI „adoptiert" haben, aber nur etwa 11 % KI-Agenten wirklich produktiv betreiben – und warum Gartner prognostiziert, dass über 40 % der Agentic-AI-Projekte bis Ende 2027 abgebrochen werden. Die Piloten scheitern selten an der Technologie. Sie scheitern daran, dass der Agent bei jeder Aufgabe wieder bei null anfängt.

Das unterschätzte Problem: Agenten ohne Gedächtnis

Wer mit ChatGPT & Co. arbeitet, kennt das Phänomen: Man erklärt dem System zum zwanzigsten Mal, wer der Kunde ist, wie die Tonalität der Marke klingt, welche Entscheidung letzte Woche gefallen ist. Copy-Paste-Kontext, jeden Tag aufs Neue.

Bei einem einzelnen Chat ist das nervig. Bei einem Agenten-System, das eigenständig Analysen, Strategien, Texte und Präsentationen produzieren soll, ist es tödlich:

• Der Agent halluziniert Fakten, weil er keine verlässliche Wissensbasis hat.
• Die Tonalität driftet, weil niemand festgelegt hat, was „unsere Sprache" ist.
• Ergebnisse sind nicht wiederholbar, weil jeder Lauf von dem abhängt, was zufällig gerade im Prompt steht.

Kurz: Ohne kuratierten Kontext produziert KI Fleißarbeit statt Wissensarbeit.

Wie ich Kontext organisiere: Ein System of Record statt tausend Chats

Mein Setup heißt KIOC – mein KI-gestütztes Operations Center. Neun spezialisierte Agenten arbeiten dort für Research, Strategie, Content, Technik und Qualitätssicherung. Das Entscheidende ist nicht die Zahl der Agenten, sondern dass alle auf dieselbe kuratierte Wissensbasis zugreifen.

Konkret heißt das:

• Über 440 validierte Wissenseinträge zu Kunden, Projekten, Markt und getroffenen Entscheidungen – gepflegt wie ein redaktionelles Archiv, nicht wie ein Chat-Verlauf.
• Vertrauensstufen für Wissen: Es gibt einen klaren Unterschied zwischen „menschlich bestätigt" und „KI-generierter Arbeitsstand". Agenten dürfen beides lesen – aber nur Validierteres gilt als Faktenbasis für Ergebnisse, die das System verlassen.
• 19 Projekte und 9 Kunden in einem System of Record: Jeder Agent weiß, in welchem Projekt er arbeitet, welche Entscheidungen bereits gefallen sind und welche Fragen noch offen sind. Kein Agent beginnt bei null.
• Qualitätssicherung als eigener Agent: Bevor ein Ergebnis nach draußen geht, prüft eine eigene Instanz es gegen genau dieses validierte Wissen. Nicht das Modell bürgt für Richtigkeit – der Prozess tut es.

Der Punkt ist: Context Engineering ist bei mir kein Feature, das irgendein Tool mitbringt. Es ist eine Arbeitsweise. Man muss entscheiden, was wissenswert ist, es pflegen und – mindestens genauso wichtig – entscheiden, was nicht in den Kontext gehört.

Was das im Alltag konkret bedeutet

Ein Beispiel: Wenn ich für einen Kunden einen Sichtbarkeits-Check erstelle, muss ich dem System nicht erklären, wer der Kunde ist, welche Marken zur Unternehmensfamilie gehören oder welche Analyse in der Vorwoche gelaufen ist. Das steht validiert im System. Der Research-Agent liefert neue Datenpunkte, der Strategie-Agent ordnet ein, der Content-Agent formuliert – alle auf demselben Kontext-Stand.

Das Ergebnis: inzwischen über 80 produktiv ausgeführte KI-Tasks – von der Wettbewerbsanalyse über Strategie-Dokumente bis zum veröffentlichten Blogartikel. Nicht als Pilot. Als Betrieb.

Und der Nebeneffekt ist fast der wertvollste: Ich selbst werde als Auftraggeber präziser. Wer Kontext kuratieren will, muss wissen, was er eigentlich will. Die KI zwingt mich zu einem Briefing-Verhalten, das so manche Agentur nicht geschafft hat.

Drei Learnings für Unternehmen

1. Fangen Sie nicht beim Modell an, fangen Sie beim Wissen an. Die erste Frage lautet nicht „welche KI", sondern „wo liegt unser Wissen – und in welcher Qualität?"

2. Bauen Sie Vertrauensstufen ein. Nicht jedes KI-Ergebnis ist ein Fakt. Wer nicht zwischen validiertem Wissen und Arbeitsständen unterscheidet, automatisiert am Ende nur Fehler.

3. Kontext ist Chefsache, kein IT-Thema. Was ins Kontextfenster kommt, ist eine strategische Entscheidung über Prioritäten, Sprache und Standards. Die lässt sich nicht outsourcen.

Fazit

Die Pilot-zu-Produktion-Lücke bei KI-Agenten ist keine Technologie-Lücke. Sie ist eine Kontext-Lücke. Wer sie schließen will, braucht kein besseres Modell – sondern ein besseres Gedächtnis für sein Unternehmen.

Wie mein komplettes Setup im Detail funktioniert – Tech-Stack, Agenten-Team, Workflows und Sicherheitsarchitektur – zeige ich hier: 👉 KI & Agenten-Systeme im Detail

Und wenn Sie vor der Frage stehen, wie Ihr Unternehmen vom Pilot zur Produktion kommt: Sprechen Sie mich an.