Zum Hauptinhalt springen
EinblickeThe Knowledge Layer

Das „Too much Information“-Problem: Erkenntnisse aus dem Praxiseinsatz von KI-Agenten

Die KI ist nicht kaputt – sie ist von Natur aus klug und „faul“ und sucht immer den Weg des geringsten Widerstands. Statt dagegen anzukämpfen, lässt sich das mit formalem Context Management nutzen: So wird der richtige Weg auch zum einfachsten.

Warum mehr Kontext nicht immer besser ist – und wie sich KI-Agenten zu klügeren, verlässlicheren Entscheidungen lenken lassen.

Executive Summary

  • Größere Kontextfenster machen KI nicht automatisch klüger: Diese verbreitete Annahme ist nach unserer Erfahrung falsch. Mehr ungefilterte Information verschlechtert die Leistung paradoxerweise, weil sie „Kontext-Rauschen“ erzeugt.
  • Kontext-Rauschen entsteht durch ähnliche, aber unterschiedlich definierte Begriffe: Viele Schema-Elemente teilen dieselbe konzeptionelle Grundlage, folgen aber unterschiedlichen Geschäftsregeln (z. B. „aktiver Kunde“ im CRM, in der Abrechnung und im Support). Ist der sprachlich „ähnlichste“ Treffer nicht der semantisch „passendste“, verdrängt das Retrieval die richtige Definition – und der Agent antwortet mit unbemerkten Fehlern.
  • Skills und Tools müssen klar getrennt und knapp beschrieben sein: Skills (fachliche Playbooks und Anweisungen) und Tools (ausführbare Aktionen und Abfragen) brauchen eine klare Abgrenzung und präzises Routing. Selbst die offiziellen Richtlinien von Anthropic zum Erstellen von Skills warnen: Zu ausführliche Beschreibungen führen dazu, dass das Modell die Ausführung abkürzt und allein aus der Beschreibung rät.
  • Wirksame KI-Systeme liefern eine Landkarte statt einer Zusammenfassung: Sie geben dem Agenten keine statische Zusammenfassung mehr, sondern eine kuratierte semantische Landkarte und die Tools, um sie zu erkunden.
  • Echte Skalierbarkeit zeigt sich nicht in sauberen Benchmarks: Ein Dutzend Tabellen beweist wenig. Entscheidend sind die Hunderte kuratierter Datenprodukte oder Tausende Quelltabellen einer realen Unternehmenslandschaft.

Einleitung: Mehr Information ist nicht automatisch besser

In der aktuellen KI-Landschaft hält sich ein hartnäckiger Mythos: Um einen Agenten klüger zu machen, müsse man ihm mehr Daten geben. Je größer das Kontextfenster, je mehr Dokumente und Schemas hineinpassen, desto besser das Reasoning.

Das klingt plausibel. Unsere praktische Erfahrung beim Aufbau von KI-Agenten für Unternehmen zeigt jedoch eine kontraintuitive Wahrheit: Mehr Information ist oft nicht nur nutzlos, sondern kann aktiv schaden. Die Leistung wächst nicht linear mit der Informationsmenge – sie kann sogar einbrechen. Dieser Beitrag teilt zentrale Erkenntnisse aus der Praxis, die gängige Annahmen über den Aufbau wirksamer, verlässlicher und skalierbarer KI-Systeme infrage stellen.

Das Problem des Kontext-Rauschens: wenn „am ähnlichsten“ nicht „am passendsten“ ist

Kontext-Rauschen entsteht nicht durch die bloße Größe des Kontextfensters, sondern durch die Dichte an Mehrdeutigkeit darin. In einem realen Unternehmen tragen Tabellen und Kennzahlen nicht alle denselben Namen – sonst wäre die Kollision offensichtlich. Stattdessen teilen Dutzende Attribute und Kennzahlen dieselbe konzeptionelle Grundlage, bilden aber subtil unterschiedliche Geschäftskonventionen ab.

Ein Beispiel ist eine scheinbar einfache Frage zu „aktiven Kunden“, „Umsatz“ oder „Churn“. In der Systemlandschaft gibt es vielleicht crm_account_status im Vertrieb, subscription_state in der Abrechnung (mit einer Kulanzfrist von 14 Tagen und ohne vorübergehend eingefrorene Verträge) und contract_termination_flag im Controlling. Oder es gibt den „Net Order Value“ im Webshop neben dem „Recognized Revenue“ im ERP – der eine brutto nach Rabatten, der andere netto vor Retouren. Keiner dieser Begriffe heißt exakt gleich, doch alle beschreiben dieselbe fachliche Domäne.

Genau das erzeugt Kontext-Rauschen. Stellt ein Agent seinen Kontext über Text- oder Vektorähnlichkeit zusammen, ruft er ab, was der Formulierung des Nutzers sprachlich am ähnlichsten ist. Sind aber zu viele Konzepte ähnlich, ist die ähnlichste Option oft nicht die passendste.

Schlimmer noch: Weil das Top-k-Retrieval begrenzt ist, verdrängt eine Flut von Beinahe-Treffern genau die Konvention oder strukturelle Verbindung, die die Abfrage tatsächlich braucht. Die wirklich zutreffende Definition gelangt so gar nicht erst ins Kontextfenster. Der Agent stürzt nicht ab und meldet keinen Fehler. Er berechnet einfach eine plausibel klingende Antwort auf falscher Grundlage. Das Problem ist kein Mangel an Information, sondern ein Mangel an expliziter semantischer Klarheit.

Das Skill-und-Tool-Paradox: Warum Agenten ignorieren, was sie bekommen

Ein zweites überraschendes Verhalten zeigt sich, wenn Agenten mit Fähigkeiten ausgestattet werden. Zunächst braucht es eine klare Unterscheidung zwischen zwei Begriffen, die oft vermischt werden:

  • Ein Skill ist ein modulares Paket aus fachlichen Anweisungen, Workflow-Mustern und Referenzmaterial, das ein Agent bei Bedarf lädt, um zu lernen, wie er eine bestimmte Art von Problem angeht.
  • Ein Tool ist eine ausführbare Funktion oder ein API-Endpunkt (z. B. eine SPARQL-Abfrage oder das Abrufen aktueller Datensätze aus einem System), den der Agent aufruft, um Fakten zu beschaffen oder eine Aktion auszulösen.

Der naheliegende Impuls ist, im System-Prompt für jeden Skill und jedes Tool eine ausführliche, hilfreiche Beschreibung zu hinterlegen, die alles erklärt, was es tut und welches Wissen es enthält. Das kann komplett nach hinten losgehen. Ist die Routing-Beschreibung eines Skills zu ausführlich und fasst sie ihren eigenen Inhalt zusammen, leitet der Agent oft eine plausible Antwort direkt aus der Beschreibung ab und lädt die eigentlichen Skill-Anweisungen gar nicht erst.

Das ist nicht nur unsere Beobachtung: Anthropic dokumentiert genau dieses Fehlerbild ausdrücklich in seinen offiziellen Richtlinien zum Erstellen von Skills (der Skill-Creator-Spezifikation). Dort wird gewarnt, dass das Modell der Abkürzung über die Zusammenfassung folgt, statt den vollständigen Skill zu lesen, wenn Beschreibungen Workflows oder fachliche Inhalte zusammenfassen. Dasselbe gilt für Tools: Fasst eine Tool-Beschreibung die bereitgestellten Daten oder die Logik zusammen, statt die Auslösebedingungen zu definieren, erzeugt der Agent womöglich allein aus den Metadaten eine Antwort – ohne den Aufruf je auszuführen.

Die Lehre daraus ist klar und konkret: Beschreibungen von Skills und Tools müssen knappe Routing-Auslöser sein. Eine Skill-Beschreibung sagt dem Agenten, wann er die fachlichen Anweisungen laden soll. Eine Tool-Beschreibung legt fest, wann und wie die Aktion auszuführen ist. Keine der beiden darf zusammenfassen, was das zugrunde liegende Playbook oder die Daten enthalten. Die Beschreibung soll Progressive Disclosure oder die Ausführung auslösen, nicht ersetzen.

Die Illusion der Skalierung: Warum „13 Tabellen“ nichts beweisen

Viele neue KI-Architekturen werden in sterilen, kontrollierten Umgebungen getestet. Sie zeigen beeindruckende Ergebnisse auf einem Dutzend gut strukturierter Datenbanktabellen. Das beweist sehr wenig.

Die Realität im Unternehmen besteht nicht aus einem Dutzend Tabellen. Selbst wenn ein Unternehmen stark in eine moderne Datenplattform mit kuratierten „Gold“-Datenprodukten investiert hat, muss ein Agent weiterhin Hunderte Datenprodukte über Fachbereiche hinweg navigieren. Auf Systemebene sind es Tausende physische Tabellen in Dutzenden Anwendungen, jede mit eigenen fachlichen Konventionen und gewachsener Altlogik.

Ob Hunderte Datenprodukte oder Tausende Quelltabellen: Beides liegt um Größenordnungen über einer Demo mit 13 Tabellen. Die eigentliche Herausforderung der Skalierung ist nicht die Zahl der Zeilen, sondern die kombinatorische Explosion bereichsübergreifender Beziehungen, impliziter Konventionen und möglicher Fehlinterpretationen. Ein Ansatz, der in einem sterilen Benchmark funktioniert, scheitert, sobald er auf eine reale Wissenslandschaft im Unternehmen trifft.

Die Lösung: klug und „faul“ – den Weg des geringsten Widerstands mit Context Management nutzen

Context Management bedeutet, den Kontext so zu gestalten, dass der einfachste Weg für den Agenten zugleich der richtige ist. Die überraschenden Verhaltensweisen von KI-Agenten – Skills oder Tools überspringen, sich von ähnlichen Begriffen ablenken lassen, Abkürzungen nehmen – sind keine Fehler, die sich beheben lassen. Sie sind grundlegende Eigenschaften der Funktionsweise großer Sprachmodelle.

Moderne LLMs sind bemerkenswert klug UND zugleich „faul“: Wie jedes effiziente physikalische oder kognitive System sind sie darauf optimiert, dem Weg des geringsten Widerstands zu folgen – dem wahrscheinlichsten Pfad zur Antwort mit dem geringsten Aufwand. Gegen diese Natur anzukämpfen, ist aussichtslos. Die Lösung besteht darin, sie zu nutzen.

Genau das ist die Disziplin des Context Management. Statt den Agenten mit verrauschten, mehrdeutigen Optionen zu überfluten und zu hoffen, dass er sich mehr Mühe beim Auflösen gibt, muss der Kontext so gestaltet werden, dass der einfachste Weg auch der richtige ist. Ziel ist eine Umgebung, in der die Vorliebe des Agenten für den geringsten Widerstand zum Vorteil wird.

Ein formaler Knowledge Graph (Wissensgraph) – aufgebaut auf expliziten Ontologien in RDF/OWL und Schema-RAG – ist dafür die ideale Grundlage. Statt sich allein auf sprachliche Ähnlichkeit zu verlassen, löst er Konzepte und ihr strukturelles Umfeld auf, bevor überhaupt eine Abfrage geschrieben wird. Fragt ein Agent nach Kundenabwanderung oder aktiven Kunden, lässt ihn die Ontologie nicht zwischen Dutzenden Beinahe-Treffern raten. Sie liefert die explizite, maschineninterpretierbare Konvention und den Beziehungspfad, die für diese Domäne gelten. Weil Identität, Bedeutung und Beziehungen vorab aufgelöst sind, erhält ein kluger und „fauler“ Agent eine saubere, eindeutige Landkarte – und die richtige Antwort wird zur naheliegendsten.

Fazit: Wenn nur eines hängen bleibt …

Gegen die Natur der KI anzukämpfen, führt nicht weiter. Große Sprachmodelle sind klug und „faul“ zugleich – sie nehmen immer den Weg des geringsten Widerstands. Die Aufgabe ist nicht, sie zu mehr Anstrengung zu bringen, sondern den richtigen Weg zum einfachsten zu machen. Das ist der Kern von Context Management: so viel Klarheit in der Wissensrepräsentation zu schaffen, dass selbst die bequemste Abkürzung direkt zur richtigen Antwort führt.