Ein Navigationssystem versteht eine Stadt nicht, weil es jedes Straßenschild gelesen hat.
Es muss wissen, welche Straße wohin führt. Wo eine Brücke gesperrt ist. Welche Strecke nur auf dem Papier schneller aussieht. Und welches Ziel überhaupt erreicht werden soll.
Ohne diese Zusammenhänge kann selbst die beste Routenberechnung sehr präzise in die falsche Richtung führen.
Genau an diesem Punkt stehen viele Unternehmen beim Einsatz von KI.
Sie öffnen Dokumentenablagen, verbinden Datenquellen und formulieren immer ausgefeiltere Prompts. Die Erwartung: Wenn das Modell nur genügend Informationen erhält, wird es das Unternehmen irgendwann verstehen.
Doch eine Sammlung von Informationen ist noch keine Karte.
Eine KI kann eine Prozessbeschreibung lesen und trotzdem nicht wissen, warum eine Freigabe existiert. Sie kann eine Rolle erkennen, ohne zu verstehen, wer im Konfliktfall entscheiden darf. Sie kann eine Kennzahl auswerten, ohne zu sehen, welches Verhalten diese Kennzahl an anderer Stelle auslöst.
Was ihr fehlt, sind nicht zwangsläufig weitere Daten. Ihr fehlt der Zusammenhang zwischen ihnen.
Ich glaube, dass sich genau hier die nächste Phase der Unternehmens-KI entscheidet. Nicht allein bei der Frage, welches Modell leistungsfähiger ist. Entscheidend wird, welches Unternehmen seine eigene Realität so strukturiert hat, dass eine KI darin sinnvoll navigieren kann.
Ein weiteres Wissensarchiv reicht dafür nicht. AI Agents brauchen das Google Maps des Unternehmens: eine lebende, maschinenlesbare Landkarte, die nicht nur Wege kennt, sondern auch aktuelle Sperrungen, Regeln, Zuständigkeiten und Veränderungen.
Prompt Engineering war nur der Anfang
Die erste Phase der generativen KI war stark vom Prompt geprägt. Wir lernten, bessere Fragen zu stellen, Rollen zu definieren und gewünschte Ergebnisse genauer zu beschreiben.
Das war notwendig. Es blieb aber auf die einzelne Interaktion beschränkt.
Inzwischen rückt deshalb ein anderer Begriff in den Vordergrund: Context Engineering. Anthropic beschreibt damit die laufende Kuratierung dessen, was aus einer wachsenden Informationsmenge in das begrenzte Kontextfenster eines Modells gelangt. Bei einem AI Agent gehören dazu nicht nur Dokumente, sondern auch Systemanweisungen, Werkzeuge, externe Daten und der bisherige Verlauf.
Anders als ein Prompt wird dieser Kontext nicht einmal formuliert und dann festgeschrieben. Er muss mit jeder Aufgabe neu zusammengestellt, verdichtet und überprüft werden. Nicht möglichst viel Kontext führt zu besseren Ergebnissen, sondern der passende Kontext im richtigen Moment.
Technisch ist das ein wichtiger Fortschritt. Aus Unternehmenssicht beginnt die eigentliche Arbeit jedoch noch früher.
Bevor ein System den passenden Kontext auswählen kann, muss dieser Kontext überhaupt vorhanden sein. Er muss aktuell, verständlich und miteinander verbunden sein. Ein Modell kann nur relevante Informationen abrufen, wenn klar ist, was relevant bedeutet.
Genau daran scheitert es häufig.
Das zeigt sich besonders deutlich bei Retrieval-Augmented Generation, kurz RAG. Ein solches System kann die semantisch passende Prozessbeschreibung finden und in den Modellkontext holen. Es weiß ohne zusätzliche Modellierung trotzdem nicht zuverlässig, welche Version gilt, warum eine Freigabe eingeführt wurde, wer im Konfliktfall entscheiden darf oder welcher abhängige Prozess von einer Änderung betroffen wäre.
Semantische Relevanz ist noch keine organisatorische Gültigkeit.
Context Engineering kuratiert, was eine KI in einem bestimmten Moment sehen und nutzen soll.
Für diese vorgelagerte Ebene verwende ich den Begriff organisationale Kontextarchitektur. Context Architecture ist kein neuer Begriff. In der aktuellen AI-Diskussion beschreibt er meist die technische Struktur, die einem Modell passenden Kontext bereitstellt. Ich fasse ihn bewusst weiter und beziehe die Organisationslogik ein: Prozesse, Rollen, Entscheidungen, Systeme und Abhängigkeiten müssen mit ihrem aktuellen Zustand, ihrer Gültigkeit und ihrer Verantwortung verbunden sein.
Die lebende Landkarte ist die nutzbare Form dieser Architektur. Context Engineering stellt daraus für jede Aufgabe die relevante Ansicht zusammen. Der Agent bekommt also nicht die gesamte Karte in sein Kontextfenster, sondern die Route, Ebenen und Werkzeuge, die er für sein Ziel benötigt.
Menschen arbeiten längst mit einer unsichtbaren Karte
Im Alltag gleichen Menschen fehlenden Kontext erstaunlich gut aus.
Eine erfahrene Mitarbeiterin liest nicht nur die Arbeitsanweisung. Sie erinnert sich an frühere Fälle, kennt die Vorgeschichte des Kunden und merkt, wenn der Standard diesmal nicht passt. Ein Kollege weiß, wen er bei einer Ausnahme kurz anrufen muss. Eine Führungskraft erkennt, dass eine scheinbar lokale Verbesserung ein anderes Team überlasten würde.
Diese Orientierung steht selten vollständig in einem System. Sie entsteht aus Erfahrung, Gesprächen und gemeinsam erlebten Entscheidungen.
Deshalb können Organisationen lange mit unvollständigen Prozessbeschreibungen und verteiltem Wissen funktionieren. Menschen schließen die Lücken. Sie lesen zwischen den Zeilen und ergänzen fehlende Zusammenhänge aus ihrem Gedächtnis.
Bei KI fällt dieser Ausgleich weg.
Ein Modell kennt keine informelle Zuständigkeit, wenn sie nirgends festgehalten ist. Es erinnert sich nicht an den gescheiterten Versuch von vor drei Jahren, wenn die Gründe nie dokumentiert wurden. Es spürt auch nicht, dass eine Regel zwar offiziell gilt, im Arbeitsalltag aber längst anders gehandhabt wird.
Damit wird aus einem alten Organisationsproblem eine neue technische Grenze.
Ohne KI verursacht fehlender Kontext Rückfragen, Abstimmung und gelegentliche Fehlentscheidungen. Mit KI kann dieselbe Unklarheit systematisch skaliert werden. Eine falsche Annahme betrifft dann nicht mehr nur einen Vorgang. Sie fließt möglicherweise in Hunderte Empfehlungen oder automatisierte Entscheidungen ein.
KI schafft das Kontextproblem nicht. Sie verändert seine Reichweite.
Eine lebende Landkarte verbindet Struktur und aktuellen Zustand
Bei dieser Landkarte denke ich nicht an ein riesiges Schaubild, das Menschen einmal zeichnen und anschließend an die Wand hängen.
Sie muss eher das leisten, was wir von einem modernen Navigationssystem erwarten. Die Grundkarte zeigt, welche Wege, Orte und Verbindungen existieren. Darüber liegt die aktuelle Lage: gesperrte Strecken, neue Baustellen, veränderte Regeln und unerwartete Verzögerungen.
Für ein Unternehmen besteht die Grundkarte aus Prozessen, Rollen, Entscheidungen, Systemen, Datenquellen und Abhängigkeiten. Die Live-Ebene zeigt laufende Vorgänge, bekannte Ausnahmen, Störungen, geänderte Prioritäten und den tatsächlichen Zustand der Arbeit. Hinzu kommen die Verkehrsregeln der Organisation: Berechtigungen, Entscheidungsrechte, Eskalationswege und Grenzen.
Eine weitere Eigenschaft ist entscheidend. Jede Information braucht eine Herkunft, einen Gültigkeitsstand und jemanden, der sie bestätigen oder ändern darf. Sonst sieht eine veraltete Straße auf der Karte genauso überzeugend aus wie eine aktuelle.
Erst gemeinsam entsteht eine Landkarte, auf der Menschen und AI Agents navigieren können.
Eine einzelne Prozessbeschreibung kann zum Beispiel zeigen, dass ein Angebot zweimal geprüft wird. Die lebende Landkarte würde zusätzlich sichtbar machen, weshalb die zweite Freigabe eingeführt wurde, für welche Fälle sie gilt, welche Rolle sie verantwortet, ob gerade eine Ausnahme vorliegt und welche Systeme oder Folgeprozesse von einer Änderung betroffen wären.
Für einen Agenten entscheidet genau dieser Unterschied darüber, ob er nur eine Antwort formuliert oder im richtigen System den zulässigen nächsten Schritt ausführt. Er muss erkennen können, welche Route erlaubt ist, welche Werkzeuge er nutzen darf und wann er an einen Menschen übergeben muss.
Dokumentation beantwortet häufig die Frage: Was steht hier?
Kontext beantwortet: Was bedeutet das für diese konkrete Situation?
Eine belastbare Landkarte braucht deshalb mehr als Inhalte. Sie benötigt Beziehungen, aktuellen Zustand, Gültigkeit und Verantwortung. Wer hat eine Information bestätigt? Seit wann gilt sie? Welche Entscheidung ersetzt sie? Welche anderen Prozesse wären von einer Änderung betroffen?
Ohne diese Orientierung bleibt auch eine technisch perfekte Suche bei Fundstücken stehen.
Viele KI-Projekte beginnen in der falschen Reihenfolge
Der typische Weg beginnt mit einem Anwendungsfall. Ein Unternehmen wählt ein Modell, verbindet einige Dokumente und testet, wie gut die Antworten ausfallen.
Für einen begrenzten Piloten ist das sinnvoll. Problematisch wird es, wenn aus dem erfolgreichen Einzelversuch direkt eine unternehmensweite Lösung werden soll.
Dann werden immer mehr Quellen angeschlossen. Der Datenbestand wächst, die Antworten werden länger und die Herkunft einzelner Aussagen immer schwerer nachvollziehbar. Was als Wissenszugang begann, wird zu einer weiteren Schicht über bereits ungeordneten Informationen.
Mehr Kontext ist nicht automatisch besserer Kontext.
Ein Navigationssystem wird schließlich auch nicht zuverlässiger, wenn wir ihm zusätzlich alte Stadtpläne, widersprüchliche Baustellenmeldungen und ungeprüfte Wegbeschreibungen geben.
Die Reihenfolge müsste sich deshalb ändern.
Nicht zuerst fragen: Welche Informationen können wir der KI geben?
Sondern: Welche Zusammenhänge muss sie für diese Aufgabe verstehen?
Bei einer Prozessoptimierung geht es vielleicht um Ziele, Übergaben, Rollen, Ausnahmen und Wechselwirkungen. Bei einer Managemententscheidung kommen frühere Beschlüsse, Risiken und Kennzahlen hinzu. Bei einem operativen Agenten müssen außerdem Berechtigungen, Eskalationswege und klare Grenzen sichtbar sein.
Erst aus der Aufgabe ergibt sich, welche Ansicht und welche Ebenen der gemeinsamen Landkarte Context Engineering für einen Agenten zusammenstellen muss.
Eine lebende Karte ist nie fertig
Ein Einwand bleibt: Kein Unternehmen wird seine informellen Wege, Ausnahmen und sein Erfahrungswissen vollständig modellieren, bevor es KI einsetzt.
Das muss es auch nicht.
Auch Google Maps ist nie fertig. Straßen ändern sich, neue Orte entstehen und aktuelle Ereignisse verändern die beste Route. Der Nutzen entsteht nicht durch einen einmal erreichten Endzustand, sondern durch eine gemeinsame Grundkarte, die laufend ergänzt und aktualisiert wird.
Die angestrebte Landkarte des Unternehmens soll deshalb umfassend sein, aber nicht abgeschlossen. Sie wächst als gemeinsame Infrastruktur, während jeder Anwendungsfall mit einem begrenzten Bereich beginnt. Bei einer Angebotsfreigabe könnten das der gültige Ablauf, die Entscheidungsrechte, bekannte Ausnahmen, der aktuelle Vorgang und die betroffenen Systeme sein. Mehr zunächst nicht.
KI kann beim Aufbau und bei der Pflege dieser Karte helfen. Sie kann unterschiedliche Prozessstände vergleichen, wiederkehrende Ausnahmen gruppieren, widersprüchliche Regeln markieren, Veränderungen im tatsächlichen Ablauf erkennen oder mögliche Abhängigkeiten vorschlagen. Damit erzeugt sie Hinweise und Hypothesen. Ob eine Regel tatsächlich gilt, warum eine Abweichung sinnvoll ist und wer eine Verbindung verantwortet, muss die Organisation entscheiden.
So entsteht die Landkarte nicht vollständig vor dem ersten Einsatz. Sie wächst mit den Fragen und Veränderungen, die reale Arbeit sichtbar macht. Gleichzeitig braucht schon der erste Agent einen verlässlichen kartierten Bereich, damit er seine Lücken nicht mit plausiblen Annahmen füllt.
Praktisch ergibt sich daraus ein Kreislauf: einen Bereich verlässlich kartieren, den Agenten darin navigieren lassen, neue Abweichungen und Zusammenhänge erkennen und die gemeinsame Landkarte organisatorisch absichern.
Der Wert entsteht schon vor der KI
Eine solche Kontextarchitektur ist keine Vorleistung, die sich nur für ein späteres KI-Projekt lohnt.
Sie löst bereits heute sehr reale Probleme.
Wenn Entscheidungen mit ihren Gründen verbunden bleiben, müssen Teams alte Diskussionen nicht ständig wiederholen. Wenn Verantwortlichkeiten sichtbar sind, werden Übergaben klarer. Wenn Prozesse und Systeme gemeinsam betrachtet werden, lassen sich Veränderungen besser einschätzen. Neue Mitarbeitende finden schneller Orientierung, weil sie nicht nur den offiziellen Ablauf sehen, sondern auch seine Logik verstehen.
Das ist für mich der strategische Kern: Unternehmen sollten sich nicht für eine Maschine verständlich machen. Sie sollten sich selbst besser verstehen.
KI erhöht lediglich den Wert dieser Klarheit.
Daraus entsteht ein doppelter Gewinn. Kurzfristig verbessert strukturierter Kontext die Zusammenarbeit zwischen Menschen. Langfristig bildet derselbe Kontext die Grundlage für Systeme, die mehr können, als Dokumente zusammenzufassen oder Standardfragen zu beantworten.
Die Investition ist deshalb nicht davon abhängig, welches Modell sich am Markt durchsetzt. Modelle werden sich weiterentwickeln und Anbieter werden wechseln. Die Zusammenhänge eines Unternehmens bleiben sein eigener Vermögenswert.
Wer sie strukturiert, baut keine Wissensablage für ein bestimmtes Tool. Er schafft eine Infrastruktur, die von unterschiedlichen Menschen, Systemen und künftig auch KI genutzt werden kann.
Von der Antwortmaschine zum Mitvisionär
Mit einer belastbaren, aktuellen Landkarte verändert sich die Rolle von KI.
Sie muss nicht länger so tun, als kenne sie auf jede Frage sofort die richtige Antwort. Sie kann Zusammenhänge untersuchen und auf Unsicherheit hinweisen.
Welche anderen Prozesse wären von dieser Änderung betroffen? Welche frühere Entscheidung steht dazu im Widerspruch? Wo stimmen dokumentierter Ablauf und tatsächliche Ausführung nicht überein? Welche Verantwortung ist ungeklärt? Und welche Annahme müsste geprüft werden, bevor eine Empfehlung belastbar ist?
Eine solche KI wäre keine allwissende Instanz. Sie wäre ein Sparringspartner.
Ich mag dafür den Begriff Mitvisionär.
Damit meine ich keine Maschine mit eigener Unternehmensvision. Gemeint ist eine KI, die vorhandene Perspektiven erweitert. Sie kann Muster erkennen, Alternativen durchspielen und auf Zusammenhänge aufmerksam machen, die im Tagesgeschäft leicht übersehen werden.
Der entscheidende Fortschritt besteht dann nicht darin, dass KI mehr Antworten produziert. Sie hilft, bessere Fragen zu stellen.
Genau darin liegt für mich der Unterschied zwischen Automatisierung und echter Unterstützung. Automatisierung folgt einem vorgegebenen Weg. Ein Mitvisionär kann erkennen, dass möglicherweise ein anderer Weg sinnvoller wäre.
Dafür braucht er eine Karte, die nicht nur die Struktur, sondern auch die aktuelle Wirklichkeit des Unternehmens kennt.
Mitdenken heißt nicht entscheiden
Je besser eine KI das Unternehmen versteht, desto wertvoller werden ihre Empfehlungen. Doch mehr Kontext verleiht ihr keine Entscheidungshoheit.
Ein System kann alle relevanten Informationen berücksichtigen und trotzdem keine Verantwortung tragen. Es muss einem Kunden keine Fehlentscheidung erklären. Es steht nicht vor den Mitarbeitenden, wenn eine Veränderung scheitert. Und es lebt nicht mit den Folgen einer Empfehlung.
Die menschliche Aufgabe besteht deshalb nicht darin, jede Analyse noch einmal vollständig zu wiederholen. Das würde den Nutzen der Technologie zunichtemachen. Sie besteht darin, Ziele und Grenzen zu setzen und die Entscheidung zu verantworten. Dafür muss nachvollziehbar sein, auf welcher Grundlage eine Empfehlung entstanden ist, welche Annahmen eingeflossen sind und wo Unsicherheit besteht.
KI darf mitdenken, widersprechen und Wege vorschlagen.
Ziel und Entscheidung bleiben menschlich.
Genau deshalb dient die Landkarte nicht nur den Agents. Sie macht auch für Menschen nachvollziehbar, wie eine Empfehlung oder Handlung zustande kommt und welche Zusammenhänge berücksichtigt wurden.
Transparenz ist hier keine nachträgliche Kontrollfunktion. Sie gehört zur Infrastruktur.
Warum wir bei NEXTHORIZN an dieser Grundlage arbeiten
Diese Überzeugung prägt auch unsere Arbeit an NEXTHORIZN.
Mit Pulse schaffen wir heute eine Umgebung, in der Unternehmen Prozesse gestalten, ausführen und nachvollziehbar weiterentwickeln können. Verantwortlichkeiten, Wissen und Veränderungen sollen nicht länger als voneinander getrennte Informationen behandelt werden, sondern im Zusammenhang der tatsächlichen Arbeit sichtbar bleiben.
Das hat einen unmittelbaren Nutzen. Prozesse werden nicht nur beschrieben, sondern gemeinsam genutzt und weiterentwickelt.
Gleichzeitig entsteht daraus eine Perspektive für KI.
Wenn ein Unternehmen seine Abläufe, Entscheidungen, aktuellen Zustände und Abhängigkeiten als lebendigen Kontext verfügbar macht, können AI Agents perspektivisch mehr leisten, als allgemeine Best Practices auf eine unbekannte Organisation zu übertragen. Sie können sich im konkreten Unternehmen orientieren und innerhalb klarer Grenzen handeln.
Das ist noch keine Maschine, die Verantwortung übernimmt oder auf Knopfdruck die richtige Zukunft berechnet.
Es ist die Grundlage für eine KI, die Zusammenhänge versteht, Annahmen hinterfragt und Menschen bei besseren Entscheidungen unterstützt.
Der nächste Vorsprung gehört dem Kontext
In den vergangenen Jahren lag viel Aufmerksamkeit auf den Modellen. Welches versteht komplexere Aufgaben? Welches arbeitet schneller? Welches liefert die besseren Antworten?
Diese Fragen bleiben wichtig. Für Unternehmen werden sie allein aber nicht den Unterschied machen.
Viele Organisationen können auf dieselben oder zumindest vergleichbare Modelle zugreifen. Was nicht austauschbar ist, ist ihr eigener Kontext: die Art, wie sie arbeiten, entscheiden, lernen und Verantwortung organisieren.
Darin liegt der eigentliche Vorsprung.
Unternehmen, die ihre Zusammenhänge und aktuellen Zustände sichtbar machen, verbessern ihre heutige Arbeit. Zugleich schaffen sie die Voraussetzung dafür, dass AI Agents morgen nicht bloß auf Dokumente reagieren, sondern sich im Unternehmen orientieren können.
Die entscheidende Frage lautet deshalb nicht mehr nur, wie leistungsfähig eine KI ist.
Sondern ob sie eine aktuelle Landkarte bekommt, auf der das Unternehmen mehr ist als eine Sammlung einzelner Informationen, und ob sie weiß, welche Wege sie darauf nehmen darf.
Denn ohne diese Landkarte kann selbst der beste Agent schnell rechnen, sauber formulieren und entschlossen handeln.
Er weiß nur nicht zuverlässig, was gerade gilt, wohin er unterwegs ist und wann er anhalten muss.
