Kontextfenster (Context Window)
Das Kontextfenster beschreibt, wie viele Token ein Sprachmodell gleichzeitig verarbeiten kann – also wie viel Eingabe (z. B. Dokumente, Verlauf) und erzeugte Ausgabe zusammen „hineinpassen". Ein größeres Kontextfenster erlaubt es, längere Texte am Stück zu analysieren.
Was Kontextfenster für dein Unternehmen bedeutet
Das Kontextfenster entscheidet, ob ein KI-Werkzeug einen ganzen Vertrag, ein Handbuch oder einen langen E-Mail-Verlauf auf einmal betrachten kann. Wird es überschritten, schneiden manche Anwendungen ältere Teile ab oder fassen sie zusammen, oft ohne deutlichen Hinweis. Ein großes Fenster garantiert außerdem nicht, dass das Modell jede Stelle gleich gründlich berücksichtigt. Prüfe wichtige Details deshalb gezielt nach.
Beispiel aus der Praxis: Eine Einkaufsleiterin lädt drei umfangreiche Rahmenverträge in einen KI-Assistenten und bittet um einen Vergleich der Haftungs- und Kündigungsklauseln. Weil die Dokumente zusammen ins Kontextfenster passen, entsteht eine brauchbare Gegenüberstellung. Die entscheidenden Klauseln liest sie trotzdem im Original nach, bevor sie in die Verhandlung geht.
Kontextfenster im KI-Snack
- Eine KI baut ein Raketentriebwerk — und es funktioniert beim ersten Versuch.24. April 2026
„Du brauchst die menschliche Intelligenz und das Verständnis, zu wissen, wo du hin willst. Aber das Ausführen — das ist mittlerweile zu 80, 90 Prozent ein KI-Prozess.“
Häufige Fragen zu Kontextfenster
Nur innerhalb des Kontextfensters. Ist ein Gespräch sehr lang, fallen ältere Teile heraus oder werden verkürzt, und das Modell kann frühere Absprachen vergessen. Manche Anwendungen haben zusätzlich eine Gedächtnisfunktion über Gespräche hinweg, die aber anders funktioniert und bewusst gesteuert werden sollte.
Nicht automatisch. Mehr Text bedeutet mehr Token, also höhere Kosten und oft längere Antwortzeiten. Zudem kann die Genauigkeit sinken, wenn relevante Informationen in sehr viel Text versteckt sind. Oft ist es besser, nur die passenden Abschnitte mitzugeben, etwa über RAG.
Teile die Aufgabe auf: Lass Abschnitte einzeln auswerten und fasse die Ergebnisse danach zusammen. Für dauerhafte Wissenssammlungen wie Handbücher oder Produktdaten ist ein RAG-System sinnvoll, das zu jeder Frage nur die relevanten Passagen heraussucht und an das Modell übergibt.