KI-Kosten im Marketing: Kontext kostet mehr als Lizenz und Token. So fängst du an

Wenn ich auf unsere Projekte der letzten Monate schaue, gibt es eine Konstante. Egal ob wir für einen Kunden ein Agent Team bauen oder ein AI Operating System. Egal ob es um KI im Marketing geht oder ein Sales-Bereich optimiert wird. Mit Abstand die meiste Zeit und Energie fließt dabei ins Context Engineering.

Bei unseren internen Prozessen ist es genauso. Von allen Disziplinen, mit denen wir arbeiten, ist Context Engineering die, die am Ende über das Ergebnis entscheidet. In sechs von elf unserer Kundencases ist eine kuratierte Wissensbasis das Rückgrat, auf dem die Agenten laufen.

Was kostet KI im Unternehmen wirklich?

Dieses Verhältnis ist jetzt auch statistisch erfasst. Am 14. September hat Bitkom seine neue KI-Studie vorgestellt, 603 befragte Unternehmen. Gefragt wurde, wo bei KI-Anwendern die großen KI-Kosten entstehen. Die Infrastruktur nennen 51 Prozent. Die Aufbereitung der eigenen Daten 50 Prozent. Die Integration in bestehende Systeme 41 Prozent. Lizenzen und Abos? Nur 21 Prozent. Der Token-Verbrauch, über den so gern gestritten wird, ist für 8 Prozent ein großer Kostenpunkt.

• 51 % – Infrastruktur als großer Kostenpunkt
• 50 % – Aufbereitung der eigenen Daten
• 41 % – Integration in bestehende Systeme
• 21 % – Lizenzen und Abos

Bitkom-Präsident Ralf Wintergerst fasst es so zusammen: "Wer nur eine Lizenz kauft, hat KI eingekauft, aber noch nichts verändert." Für Agenten wird er noch konkreter. Ein Agent, der eigenständig handelt, braucht "verlässliche Daten, verbundene Systeme und Regeln, was er darf und was er zu lassen hat".

Was ist Context Engineering?

Context Engineering ist die Arbeit, einer KI für eine bestimmte Aufgabe das richtige Wissen, die richtigen Regeln und die richtigen Zusammenhänge bereitzustellen. Ein Modell weiß nichts über dein Unternehmen. Es kennt deine Marke nicht, deine Zielgruppen nicht, deine Freigabewege nicht und auch nicht die Kampagne, die im Frühjahr nicht funktioniert hat.

In den meisten Unternehmen liegt dieses Wissen verstreut: in PDFs, alten Präsentationen, Mail-Verläufen und vor allem in Köpfen. Ein Mensch weiß, welches Dokument veraltet ist. Ein Agent weiß es nicht. Das Aufbereiten, die saubere Ablage und der Aufwand, das Wissen aktuell zu halten, hat kaum jemand auf der Uhr, wenn das KI-Budget geplant wird. Genau dort entstehen die KI-Kosten aus der Studie.

Diese Arbeit lässt sich in Etappen machen. Der teuerste Fehler ist der umgekehrte Weg. Erst eine Plattform kaufen, dann überlegen, was hinein soll. Das ist ein Regal für eine Bibliothek, die es noch nicht gibt.

Schritt 1: Mit einer Aufgabe und einem Einsatzgebiet anfangen

Context Engineering beginnt mit der Frage, welche Aufgabe ein Agent übernehmen soll. Je konkreter, desto besser. Bei KI im Marketing ist das etwa: Kampagnen-Briefings für eine Produktlinie erstellen. Oder: Angebote für ein bestimmtes Leistungspaket vorbereiten.

Die Aufgabe legt fest, welches Wissen gebraucht wird. Alles andere bleibt vorerst draußen. Das macht aus einem unbegrenzten Datenprojekt ein begrenztes. So gehen wir auch in großen Kundenorganisationen vor: aus konkreten Use Cases starten und die Struktur rückwärts ableiten. Das Framework entsteht danach.

Eine brauchbare Prüffrage: Kannst du in zwei Sätzen beschreiben, was am Ende der Aufgabe auf dem Tisch liegt und wer es freigibt? Wenn nicht, ist die Aufgabe noch zu groß.

Schritt 2: Einen Knowledge Graph für genau dieses Gebiet ableiten

Bevor irgendetwas migriert wird, zeichnest du auf, welche Dinge in dieser Aufgabe vorkommen und wie sie zusammenhängen. Das ist ein Knowledge Graph in seiner einfachsten Form: Knoten und Beziehungen.

Für das Kampagnen-Briefing sieht das etwa so aus. Knoten sind Marke, Produkt, Persona, Schmerzpunkt, Botschaft, Kanal, Freigabeprozess und frühere Kampagnen mit ihren Ergebnissen. Die Beziehungen machen daraus Wissen: Die Persona hat einen Schmerzpunkt. Das Produkt löst ihn. Die Botschaft adressiert die Persona. Der Kanal erreicht sie.

Diese Skizze passt auf ein Whiteboard und kostet einen halben Tag. Sie zeigt dir sofort, welche Informationen es gibt und welche fehlen. Oft gibt es zwanzig Seiten Markenhandbuch, aber keine Beschreibung der Personas, auf die sich alle einigen würden. Dann wird aus dem Datenprojekt ein Klärungsprojekt. Ein Agent braucht eine eindeutige Antwort, wo Menschen bisher diplomatisch unterschiedlich geantwortet haben.

Schritt 3: Den Kontext Stück für Stück migrieren

Jetzt wird aus der Skizze eine Ablage. Und hier kommt der Teil, der viele überrascht: Zu Beginn brauchst du dafür keine komplexe Infrastruktur. Verzeichnisse auf einem geteilten Laufwerk und Markdown-Dateien reichen.

Die Übersetzung ist direkt. Jeder Knotentyp wird ein Ordner: Personas, Produkte, Botschaften, Kampagnen. Jeder einzelne Knoten wird eine Datei. Die Beziehungen werden Verweise zwischen den Dateien. Markdown können Menschen lesen und bearbeiten, Modelle verstehen es ohne Umweg, und du bist an kein Produkt gebunden.

Drei Regeln haben sich bei uns bewährt:

• Ein Fakt steht an genau einem Ort. Die Beschreibung einer Persona gibt es einmal, alle anderen Dateien verweisen darauf.
• Jede Datei hat einen Owner und ein Datum. Sonst weiß in sechs Monaten niemand, ob der Inhalt noch stimmt.
• Quellen werden destilliert. Das PDF mit 40 Seiten wird auf das verdichtet, was die Aufgabe braucht.

Unser eigenes Company Brain hat genau so angefangen: Ordner auf einem geteilten Laufwerk, Markdown-Dateien, eine Datei pro Thema. Es läuft bis heute auf dieser Grundlage.

Unser Company Brain: Start mit Ordnern und Markdown

Unser eigenes Company Brain hat genau so angefangen: Ordner auf einem geteilten Laufwerk, Markdown-Dateien, eine Datei pro Thema.

Die Übersetzung ist direkt: Jeder Knotentyp wird ein Ordner. Jeder einzelne Knoten wird eine Datei. Die Beziehungen werden Verweise zwischen den Dateien.

Markdown können Menschen lesen und bearbeiten, Modelle verstehen es ohne Umweg, und du bist an kein Produkt gebunden. Es läuft bis heute auf dieser Grundlage.

Schritt 4: Agenten und Prozesse, die das Company Brain erweitern

Wenn der Kontext für die erste Aufgabe steht, bekommt der Agent seinen Auftrag. Er liest die Dateien, die er braucht, und erstellt das Briefing. Das ist der sichtbare Teil. Der wichtigere Teil ist, was danach passiert.

Wir haben das selbst gelernt. Frühere, von Hand gepflegte Markenordner sind bei uns an fehlenden Feedback-Schleifen und Ritualen gestorben, obwohl die Technik funktionierte. Deshalb gehören von Anfang an Prozesse dazu. Neue Erkenntnisse aus Meetings landen in einem Eingangsordner und werden regelmäßig eingearbeitet. Korrigiert ein Mensch ein Ergebnis des Agenten, fließt die Korrektur zurück in die Datei. Und ein fester wöchentlicher Termin hat genau eine Aufgabe: Widersprüche finden und entscheiden, welche Information gilt.

Einen großen Teil dieser Pflege können Agentic Workflows übernehmen. Die Entscheidung über Relevanz bleibt beim Menschen. Die Regeln dafür liegen als KI-Governance schriftlich dort, wo jeder Agent sie liest.

Dann kommt die zweite Aufgabe. Sie braucht einen Teil derselben Knoten. Die Personas sind schon da, die Marke auch. Du ergänzt nur, was neu ist. Mit jeder Aufgabe wird das Brain größer und jede weitere Aufgabe billiger.

1. Schritt 1: Aufgabe und Einsatzgebiet Context Engineering beginnt mit der Frage, welche Aufgabe ein Agent übernehmen soll. Je konkreter, desto besser: etwa Kampagnen-Briefings für eine Produktlinie oder Angebote für ein bestimmtes Leistungspaket. Die Aufgabe legt fest, welches Wissen gebraucht wird; alles andere bleibt vorerst draußen.
2. Schritt 2: Knowledge Graph Bevor etwas migriert wird, werden Knoten und Beziehungen der Aufgabe aufgezeichnet. Für ein Kampagnen-Briefing zählen etwa Marke, Produkt, Persona, Schmerzpunkt, Botschaft, Kanal, Freigabeprozess und frühere Kampagnen. Die Skizze zeigt fehlende Informationen und macht Widersprüche sichtbar.
3. Schritt 3: Kontext migrieren Aus der Skizze wird eine Ablage mit Ordnern und Markdown-Dateien. Ein Fakt steht an genau einem Ort, jede Datei hat Owner und Datum, Quellen werden destilliert. Die Beziehungen sind Verweise zwischen Dateien.
4. Schritt 4: Agenten und Prozesse Der Agent liest die benötigten Dateien und erstellt das Briefing. Feedback-Schleifen und Rituale sorgen dafür, dass neue Erkenntnisse eingearbeitet und Widersprüche entschieden werden. Mit jeder Aufgabe wird das Brain größer und jede weitere Aufgabe billiger.

Wann die Infrastruktur mitwachsen muss

Ordner und Markdown haben Grenzen. Wenn viele Agenten gleichzeitig zugreifen. Wenn Berechtigungen feiner werden müssen als "dieser Ordner, jenes Team". Wenn Daten live aus anderen Systemen kommen sollen, also die eigentliche KI-Integration beginnt. Oder wenn ein verbindliches Company Brain mehr Gewicht bekommen muss als persönliche Arbeitsnotizen, damit Widersprüche nicht beim Agenten landen.

Dann ist der Moment für Suchindizes, Datenbanken und Schnittstellen. Wir haben fertige Wissens-Tools dafür geprüft. Technisch können sie viel. Was ihnen fehlt, sind Governance, Ownership und eine übergeordnete Kontextebene, also genau das, was du in den ersten drei Schritten aufgebaut hast. Der Graph bleibt derselbe, nur die Ablage darunter wird leistungsfähiger.

Die Infrastruktur folgt dem funktionalen Umfang. Wer die 51 Prozent aus der Bitkom-Studie am Anfang ausgibt, zahlt für Kapazität, die noch keine Aufgabe braucht.

Häufige Fragen zu Context Engineering

Was ist der Unterschied zwischen Prompt Engineering und Context Engineering?

Ein Prompt beschreibt eine einzelne Anfrage. Context Engineering sorgt dafür, dass jede Anfrage auf demselben geprüften Wissen aufsetzt. Der Prompt wird kürzer, das Ergebnis stabiler.

Brauche ich für einen Knowledge Graph eine Graph-Datenbank?

Zum Start reichen Ordner als Knotentypen, Markdown-Dateien als Knoten und Verweise als Beziehungen. Das trägt die ersten Aufgaben. Eine Datenbank lohnt sich, wenn Menge, Zugriffe oder Live-Daten es verlangen.

Wer ist im Unternehmen für Context Engineering verantwortlich?

Eine benannte Person pro Wissensbereich, die IT unterstützt dabei. Context Engineering ist eine Führungsaufgabe, weil Kontext in Entscheidungen und Verantwortlichkeiten entsteht. Das ist ein Kern von AI Enablement.

Was du diese Woche tun kannst

Bitkom zählt 59 Prozent der KI-Anwender, die das Potenzial nach eigener Einschätzung überhaupt nicht nutzen. In den Projekten, die wir sehen, liegt das fast immer am Kontext, den das Modell nie bekommen hat.

Der erste Schritt kostet nichts außer Zeit: Wähl eine Aufgabe. Zeichne die Knoten und Beziehungen auf, die sie braucht. Leg für jeden Knoten eine Datei an.

Welche Aufgabe in deinem Team würde als erste davon profitieren, und wer von euch entscheidet heute, welches Wissen dafür gilt?