Kontextfenster und kognitive Last: So gestalten Sie Prompts, die zu Ihrem tatsächlichen Denken passen

Kurzfassung. Das Kontextfenster ist der Teil eines KI-Modells, der alles aufnimmt, was Sie ihm in einer einzelnen Anfrage übergeben, und 2026 ist es riesig. Anthropic, OpenAI und Google führen Flaggschiffmodelle mit rund einer Million Tokens Kontext, was nach Googles eigener Umrechnung (100 Tokens entsprechen etwa 60-80 englischen Wörtern) ungefähr 600.000 bis 800.000 Wörtern entspricht. Die Versuchung liegt nahe, einfach alles einzufügen und das Modell sortieren zu lassen. Die Forschung sagt: Das ist ein Fehler. Im RULER-Benchmark gaben 17 Modelle alle 32K Tokens oder mehr an, doch nur die Hälfte erreichte bei 32K noch eine zufriedenstellende Leistung (Hsieh und Kollegen, 2024). In NoLiMa, einem Test ohne wörtliche Schlüsselwort-Treffer, fielen 11 von 13 Modellen bei 32K unter die Hälfte ihres Werts bei kurzem Kontext, und GPT-4o sank von 99,3 auf 69,7 Prozent (Modarressi und Kollegen, 2025). Anthropics eigene Dokumentation bezeichnet das Kontextfenster inzwischen als “Arbeitsgedächtnis” des Modells und warnt, dass Genauigkeit und Erinnerungsleistung mit wachsender Tokenzahl nachlassen. Menschen unterliegen derselben Grenze in kleinerem Maßstab: Das Arbeitsgedächtnis fasst etwa vier Chunks neuer Information (Cowan, 2001), und die Theorie der kognitiven Last zeigt seit 1988, dass die Darstellung von Information ebenso zählt wie ihre Menge (Sweller, van Merrienboer und Paas, 2019). Der CEO-Schritt besteht darin, Kontext als Budget mit Kosten pro Token zu behandeln. Der Studenten-Schritt besteht darin, Prompts zu schreiben, die Sie selbst prüfen könnten, mit der unten beschriebenen Load-Fit-Prompt-Methode.

Dieser Artikel gehört zur Reihe Prompt- und Kontext-Handwerk. Falls Sie noch keine dauerhafte Beschreibung Ihres Jobs für KI-Werkzeuge angelegt haben, beginnen Sie mit der Kontextdatei und der Konfiguration von benutzerdefinierten Anweisungen, Projekten und Gedächtnis. In diesem Beitrag geht es um die einzelne Anfrage: was hineingehört, in welcher Reihenfolge und wie viel.

Was ist ein Kontextfenster, einfach erklärt?

Ein Kontextfenster ist die maximale Textmenge, gemessen in Tokens, die ein Modell in einer Anfrage lesen und schreiben kann. Alles zählt dagegen: Ihre Anweisungen, die eingefügten Dokumente, der bisherige Gesprächsverlauf und die Antwort des Modells. Tokens sind keine Wörter. Googles Dokumentation liefert die Umrechnung, die die meisten brauchen: Bei Gemini-Modellen “entspricht ein Token etwa 4 Zeichen” und “100 Tokens entsprechen etwa 60-80 englischen Wörtern”. Die Tokenizer anderer Anbieter weichen leicht ab; betrachten Sie jede Umrechnung daher als Schätzung.

Anthropics Dokumentation beschreibt das Fenster in menschlichen Begriffen. Dort heißt es, das Kontextfenster “stellt ein ‘Arbeitsgedächtnis’ für das Modell dar”, dass “mehr Kontext nicht automatisch besser ist” und dass “mit wachsender Tokenzahl Genauigkeit und Erinnerungsleistung nachlassen, ein Phänomen, das als Context Rot bekannt ist”. Das ist eine Darstellung des Anbieters, kein Experiment, aber der richtige Ausgangspunkt: Das Kontextfenster ist keine Festplatte. Es ähnelt eher einem Schreibtisch, und ein überladener Schreibtisch bremst alle.

Wie groß sind Kontextfenster im Jahr 2026?

Die folgende Tabelle listet die dokumentierten Grenzen aktueller Flaggschiffmodelle, abgelesen am 7. Oktober 2026 von den Modellseiten der Anbieter. Diese Zahlen ändern sich häufig; prüfen Sie die Anbieterseite, bevor Sie sich darauf verlassen.

Anbieter	Modell	Kontextfenster	Max. Ausgabe pro Anfrage	Quelle
Anthropic	Claude Fable 5.1, Opus 5.5, Sonnet 5.5	1M Tokens	128K Tokens	Anthropic models overview
Anthropic	Claude Haiku 4.5	200K Tokens	64K Tokens	Anthropic models overview
OpenAI	GPT-6 Astra, GPT-6.1 Sol, GPT-6 Luna	1,05M Tokens	128K Tokens	OpenAI-Modellseite
Google	Gemini 3.1 Pro Preview	1.048.576 Tokens	65.536 Tokens	Gemini-API-Modellseite
Google	Gemini 3.8 Flash	1.048.576 Tokens	65.536 Tokens	Gemini-API-Modellseite

Google vermittelt ein Gefühl für die Größenordnung: In der Praxis, so heißt es dort, entspräche eine Million Tokens etwa “50.000 Zeilen Code”, “8 englischen Romanen durchschnittlicher Länge” oder “Transkripten von über 200 Podcast-Folgen durchschnittlicher Länge”. Mit Googles eigenem Verhältnis entspricht ein Fenster von 1.048.576 Tokens grob 629.000 bis 839.000 englischen Wörtern (CEOtudent-Berechnung: 1.048.576 Tokens x 0,60 bis 0,80 Wörter pro Token).

Die Schlagzeilenzahl beantwortet eine Frage: Wie viel können Sie senden? Sie beantwortet nicht die Frage, die für Ihre Arbeit zählt: Wie viel davon nutzt das Modell tatsächlich gut?

Bedeutet ein größeres Fenster, dass das Modell alles davon nutzt?

Nein, und das ist der beständigste Befund der Langkontext-Forschung.

Die Position zählt. In “Lost in the Middle” stellten Liu und Kollegen (2024) fest, dass “die Leistung am höchsten ist, wenn relevante Information ganz am Anfang (Primacy-Effekt) oder am Ende des Eingabekontexts (Recency-Effekt) steht, und deutlich abnimmt, wenn Modelle auf Information in der Mitte zugreifen und sie nutzen müssen”. In ihrem Test zur Fragebeantwortung über mehrere Dokumente konnte die Leistung von GPT-3.5-Turbo “um mehr als 20% sinken”, und im ungünstigsten Fall lag sie unter der Leistung ganz ohne Dokumente (56,1 Prozent). Das waren Modelle aus der Zeit um 2023, die Größenordnungen lassen sich also nicht direkt auf Modelle von 2026 übertragen. Die Form des Problems, eine schwache Mitte, ist jedoch immer wieder aufgetaucht.

Angegebene Länge ist nicht effektive Länge. RULER (Hsieh und Kollegen, 2024) testete 17 Langkontext-Modelle mit 13 Aufgaben. Fast alle erzielten beim einfachen Test “Nadel im Heuhaufen” nahezu perfekte Werte, doch “nur die Hälfte kann bei einer Länge von 32K eine zufriedenstellende Leistung halten”. NoLiMa (Modarressi und Kollegen, 2025) erschwerte den Test, indem wörtliche Überschneidungen zwischen Frage und Antwort entfernt wurden, was realen Fragen näherkommt. Von 13 Modellen, die mindestens 128K Tokens angeben, “fallen 11 Modelle unter 50% ihrer starken Ausgangswerte bei kurzer Länge”, und zwar bei 32K.

Irrelevanter Kontext kostet Genauigkeit, selbst wenn die Antwort enthalten ist. Chromas Bericht “Context Rot” (2025), ein Branchenbericht eines Unternehmens für Retrieval-Datenbanken und nicht begutachtet, untersuchte 18 Modelle. In einem Experiment verglich er fokussierte Prompts von etwa 300 Tokens mit der vollständigen 113k-Token-Fassung derselben Gesprächsaufgabe, die irrelevantes Material enthielt, und beobachtete eine “durchgängige Leistungsverschlechterung bei der vollständigen” Eingabe.

Die Anbieter sagen dasselbe in ihren eigenen Leitfäden. OpenAIs Leitfaden zu GPT-4.1 meldet sehr gute Ergebnisse beim Nadel-im-Heuhaufen-Test bis 1M Tokens, ergänzt aber, dass “die Leistung bei langem Kontext nachlassen kann, wenn mehr Elemente abgerufen werden müssen oder komplexes Schlussfolgern nötig ist, das Wissen über den Zustand des gesamten Kontexts erfordert”. Googles Dokumentation zu langem Kontext hält fest, dass das Modell bei mehreren “Nadeln” “nicht mit derselben Genauigkeit arbeitet”.

Angegebener versus effektiver Kontext: was die Benchmarks fanden

Die beiden Benchmarks definieren “effektive Länge” unterschiedlich. RULER verwendet die größte Länge, bei der ein Modell noch einen festen Schwellenwert übertrifft (85,6 Prozent, der Wert von Llama2-7B bei 4K). NoLiMa verwendet die größte Länge, bei der ein Modell mindestens 85 Prozent seines eigenen Werts bei kurzem Kontext hält. Die Verhältnisspalte ist eine CEOtudent-Berechnung (effektiv geteilt durch angegeben, K als 1.000 gerechnet).

Modell (Benchmark-Jahr)	Angegebener Kontext	Effektiver Kontext	Effektiv als Anteil des angegebenen	Benchmark
GPT-4 (2024)	128K	64K	50%	RULER
GPT-4o (2025)	128K	8K	6,3%	NoLiMa
Claude 3.5 Sonnet (2025)	200K	4K	2%	NoLiMa
Gemini 1.5 Pro (2025)	2M	2K	0,1%	NoLiMa

Eigene Synthese im redaktionellen Rahmen von CEOtudent aus RULER-Tabelle 3 und der NoLiMa-Ergebnistabelle. Es handelt sich um ältere Modelle, die mit absichtlich schweren Abrufaufgaben getestet wurden; aktuelle Modelle schneiden vermutlich besser ab, und zum Zeitpunkt der Erstellung lag kein unabhängiger Benchmark der oben genannten Modelle von 2026 vor. Entscheidend ist die Lücke, nicht die exakte Zahl.

Die Lehre für Wissensarbeitende ist einfach: Das Kontextfenster ist eine Obergrenze, keine Garantie. Hängt Ihre Antwort von etwas ab, das auf Seite 140 eines eingefügten Dokuments vergraben ist, kann das Modell es übersehen, und Sie bemerken es womöglich nicht.

Was sagt die Kognitionswissenschaft über das menschliche Arbeitsgedächtnis?

Die menschliche Seite des Problems ist älter und besser erforscht.

Die Spanne ist klein. George Millers Aufsatz von 1956 hielt fest, dass “diese Spanne etwa sieben Elemente lang ist”, wies aber auch darauf hin, dass die Spanne in Chunks gemessen wird, nicht in rohen Bits: “Wir können die Zahl der Informationsbits, die sie enthält, steigern, indem wir einfach immer größere Chunks bilden.” Nelson Cowans Überblicksarbeit von 2001 argumentierte, Millers Sieben sei “eher eine grobe Schätzung und ein rhetorisches Mittel als eine echte Kapazitätsgrenze”, und schlug “eine einzige, zentrale Kapazitätsgrenze von durchschnittlich etwa vier Chunks” vor.

Last gibt es in drei Arten. Die Theorie der kognitiven Last, die mit John Swellers Arbeit von 1988 zum Problemlösen begann, unterscheidet drei Quellen der Last. Die Überblicksarbeit von Sweller, van Merrienboer und Paas aus dem Jahr 2019 fasst sie zusammen:
– Intrinsische Last ist die tatsächliche Komplexität der Aufgabe. Sie “kann nur verändert werden, indem man ändert, was gelernt werden muss, oder die Expertise des Lernenden verändert”.
– Extrinsische Last sind die Kosten schlechter Darstellung. Sie “wird nicht durch die intrinsische Komplexität der Information bestimmt, sondern dadurch, wie die Information dargestellt wird und was der Lernende tun muss”.
– Lernbezogene Last (germane load) wurde ursprünglich als die Last definiert, die “zum Lernen erforderlich” ist. Die Überblicksarbeit von 2019 deutet sie neu als Arbeitsgedächtnis, das der intrinsischen Aufgabe gewidmet ist, statt als eigene Last.

Vertrautes Material ist günstig. Dieselbe Überblicksarbeit hält fest, dass das Arbeitsgedächtnis “in Kapazität und Dauer begrenzt war, wenn es mit neuer Information umging, diese Grenzen aber praktisch verschwanden, wenn es mit Information arbeitete, die aus dem Langzeitgedächtnis übertragen wurde”. Fachleute können lange, dichte Eingaben in ihrem Gebiet bewältigen, weil sie diese als wenige große Chunks lesen.

Getrennte und redundante Information schadet. Chandler und Sweller (1991) fanden in sechs Experimenten, dass “Information aus getrennten Quellen eine hohe kognitive Last erzeugen kann, weil das Material mental integriert werden muss, bevor Lernen beginnen kann”, und dass “scheinbar nützliches, aber nicht wesentliches erklärendes Material” selbst in integrierter Form “schädliche Effekte” haben konnte.

Was Anfängern hilft, kann Fachleuten schaden. Kalyuga und Kollegen (2003) benannten den Expertise-Umkehr-Effekt: Techniken, die “bei unerfahrenen Lernenden hochwirksam sind, können ihre Wirksamkeit verlieren und sogar negative Folgen haben, wenn sie bei erfahreneren Lernenden eingesetzt werden”.

Wo treffen sich Modell und Mensch?

Die beiden Forschungsstränge sind getrennt entstanden, beschreiben aber dasselbe Gestaltungsproblem: ein Leser mit begrenzter Aufmerksamkeit, viel verfügbarer Text und eine Aufgabe, die davon abhängt, die richtigen Teile zu finden und zu kombinieren. Anthropics Engineering-Team machte den Vergleich im September 2025 ausdrücklich: “Wie Menschen, die eine begrenzte Kapazität des Arbeitsgedächtnisses haben, verfügen LLMs über ein ‘Aufmerksamkeitsbudget’”, und “jedes neu eingeführte Token verringert dieses Budget um einen gewissen Betrag”. Die Autoren des IFScale-Benchmarks verwenden dieselbe Sprache, wenn sie Modelle beschreiben, die mit steigender Zahl von Anweisungen “unter kognitiver Last zu kämpfen beginnen”. Das sind Analogien, kein Beweis, dass Modelle und Gehirne gleich funktionieren. Nützlich sind sie, weil die Gestaltungsratschläge beider Seiten zusammenlaufen.

Gestaltungsproblem	Belege beim Menschen	Belege beim Modell	Was das für Ihren Prompt bedeutet
Zu viel auf einmal	Etwa vier Chunks neuer Information (Cowan, 2001)	Die Hälfte von 17 Modellen lässt bis 32K nach (RULER)	Senden Sie die kleinste Materialmenge, die die Frage beantwortet
Positionseffekte	In den hier ausgewerteten Quellen nicht behandelt	Am besten an Anfang oder Ende, schwache Mitte (Liu und Kollegen, 2024)	Material zuerst, Frage zuletzt, oder zentrale Anweisungen wiederholen
Irrelevantes Material	Nicht wesentliche Erklärungen können schaden (Chandler und Sweller, 1991)	Volle 113k-Token-Eingabe schneidet schlechter ab als fokussierte 300-Token-Fassung (Chroma, 2025)	Entfernen Sie, was Sie selbst überspringen würden
Widersprüchliche Anweisungen	Getrennte Quellen müssen vor Arbeitsbeginn integriert werden	GPT-5 “verbraucht Reasoning-Tokens bei der Suche nach einem Weg, die Widersprüche aufzulösen” (OpenAI)	Lösen Sie Widersprüche vor dem Absenden auf
Zu viele Regeln	Grenzen des Arbeitsgedächtnisses bei neuen Regeln	Die besten von 20 Modellen erreichen 68% Genauigkeit bei 500 Anweisungen (IFScale)	Halten Sie dauerhafte Regeln wenige und konkret
Expertise	Vertrautes Material kostet wenig (Sweller und Kollegen, 2019)	Anthropic: “XML-Tags helfen Claude, komplexe Prompts eindeutig zu parsen”	Strukturieren Sie Eingaben so, dass sie sich als wenige große Chunks lesen

Vergleichstabelle: redaktioneller Rahmen von CEOtudent, erstellt aus den in jeder Zelle zitierten Quellen.

Der Load-Fit-Prompt: eine Methode in fünf Schritten

Die folgende Methode ist ein redaktioneller Rahmen von CEOtudent. Sie ist kein getestetes Protokoll; sie übersetzt die obigen Belege in Schritte, die Sie auf jeden ernsthaften Prompt anwenden können. Ihre Prämisse: Ein Prompt sollte in zwei Arbeitsgedächtnisse zugleich passen, in das des Modells, damit es den Kontext gut nutzt, und in Ihres, damit Sie die Antwort prüfen können.

Schritt 1. Benennen Sie die intrinsische Last in einem Satz. Schreiben Sie auf, worin die Aufgabe wirklich besteht, bevor Sie irgendetwas hinzufügen. “Entscheiden Sie, ob Klausel 7 dieses Vertrags unserer Datenrichtlinie widerspricht” ist eine Aufgabe. “Schauen Sie sich diesen Vertrag an” ist keine. Wenn Sie den Satz nicht schreiben können, liegt das Problem nicht beim Modell.

Schritt 2. Streichen Sie die extrinsische Last. Gehen Sie jedes Dokument und jede Anweisung durch, die Sie einfügen wollten, und fragen Sie: Bräuchte ich das, um die Aufgabe selbst zu erledigen? Entfernen Sie den Rest. Anthropics Ingenieure beschreiben das Ziel als “die kleinstmögliche Menge aussagekräftiger Tokens, die die Wahrscheinlichkeit eines gewünschten Ergebnisses maximiert”. In der Praxis heißt das: Auszüge statt ganzer Dateien, eine Fassung eines Dokuments statt drei Entwürfen und kein Hintergrund, den Sie überspringen würden, wenn eine Kollegin ihn Ihnen reichte.

Schritt 3. Bilden Sie Chunks aus dem, was bleibt. Versehen Sie jeden Materialblock mit einer kurzen Überschrift oder einem Tag, damit er sich als ein Chunk liest, so wie Fachleute vertrautes Material lesen. Halten Sie dauerhafte Regeln in einer kurzen Liste. Die Vier-Chunk-Heuristik, nicht mehr als etwa vier getrennte Anforderungen pro Anfrage, ist eine redaktionelle Faustregel, abgeleitet aus Cowans Schätzung für Menschen; sie ist keine gemessene Grenze von Modellen.

Schritt 4. Platzieren Sie nach Position. Für lange Eingaben empfiehlt Anthropic, “Ihre langen Dokumente und Eingaben oben im Prompt zu platzieren, über Ihrer Anfrage”, und sagt, “Anfragen am Ende können die Antwortqualität in Tests um bis zu 30 Prozent verbessern”. Google gibt denselben Rat. OpenAIs Leitfaden zu GPT-4.1 stellte fest, dass Anweisungen “sowohl am Anfang als auch am Ende des bereitgestellten Kontexts” am besten funktionierten. Eine sichere Standardlösung, die alle drei erfüllt: oben eine einzeilige Aufgabenbeschreibung, in der Mitte das Material, am Ende die vollständige Frage samt Ausgabeformat.

Schritt 5. Machen Sie die Antwort prüfbar. Bitten Sie das Modell, die Passagen zu zitieren, auf die es sich stützt, bevor es antwortet. Anthropic schlägt genau das für lange Dokumente vor: “Bitten Sie Claude, zuerst die relevanten Teile der Dokumente zu zitieren.” Zitate machen für Sie als Prüfende aus einem langen Kontext einen kurzen, und sie decken auf, wenn das Modell in die schwache Mitte gegriffen und das Falsche zurückgebracht hat.

Die Prompt-Lastkarte

Lastart	Im Prompt sieht das so aus	Signal, dass sie zu hoch ist	Abhilfe
Intrinsisch	Die tatsächliche Schwierigkeit der Aufgabe	Sie können die Aufgabe nicht in einem Satz formulieren	Teilen Sie die Aufgabe in aufeinanderfolgende Prompts
Extrinsisch	Eingefügte Dateien, alte Entwürfe, widersprüchliche Regeln, langer Chatverlauf	Die Antwort zitiert den falschen Abschnitt oder ignoriert eine Schlüsseltatsache	Auf Auszüge kürzen; neues Gespräch mit einer Zusammenfassung beginnen
Lernbezogen (umgelenkt)	Beschriftungen, Beispiele, ein vorgegebenes Ausgabeformat	Sie brauchen mehr Zeit, die Antwort zu deuten, als sie zu lesen	Struktur ergänzen: Überschriften, eine Vorlage, ein durchgearbeitetes Beispiel

Redaktioneller Rahmen von CEOtudent, angepasst aus den drei Lastkategorien bei Sweller, van Merrienboer und Paas (2019).

Warum ist das für Ihr eigenes Denken wichtig?

In jedem Prompt steckt ein zweites Arbeitsgedächtnis: Ihres. Lange Prompts und lange Antworten verlagern Aufwand vom Denken zum Prüfen, und die Belege deuten darauf hin, dass Menschen dabei nicht immer mithalten.

• In einer Befragung von 319 Wissensarbeitenden, die 936 Beispiele teilten, fanden Lee und Kollegen (CHI 2025), dass “höheres Vertrauen in GenAI mit weniger kritischem Denken einhergeht, während höheres Selbstvertrauen mit mehr kritischem Denken einhergeht”. Das kritische Denken verlagerte sich “hin zu Informationsprüfung, Integration von Antworten und Verantwortung für die Aufgabe”. Die Daten sind selbstberichtet und korrelativ.
• Gerlich (2025) befragte und interviewte 666 Teilnehmende und berichtete “eine signifikante negative Korrelation zwischen häufiger Nutzung von KI-Werkzeugen und kritischen Denkfähigkeiten, vermittelt durch verstärkte kognitive Auslagerung”. Ebenfalls korrelativ.
• In einem noch nicht begutachteten Preprint des MIT Media Lab begleiteten Kosmyna und Kollegen (2025) 54 Teilnehmende beim Schreiben von Essays. In der ersten Sitzung konnten 83,3 Prozent der KI-gestützten Gruppe (15 von 18) ihren eigenen Essay nicht korrekt zitieren, gegenüber 11,1 Prozent (2 von 18) in jeder der beiden anderen Gruppen. Die Stichprobe ist klein und das Setting eng.
• In einem präregistrierten Feldexperiment mit 758 Wissensarbeitenden fanden Dell’Acqua und Kollegen (Organization Science, 2026), dass KI-Nutzende bei 18 Aufgaben innerhalb der Fähigkeiten der KI 12,2 Prozent mehr Aufgaben erledigten, 25,1 Prozent schneller und in deutlich besserer Qualität. Bei einer Aufgabe außerhalb dieser Fähigkeiten lag die Wahrscheinlichkeit einer korrekten Lösung “um 19% niedriger”. Zu erkennen, auf welcher Seite der Linie eine Aufgabe liegt, ist Aufgabe des Menschen.

Risko und Gilbert (2016) definieren kognitive Auslagerung als den Einsatz “physischer Handlungen, um die Informationsverarbeitungsanforderungen einer Aufgabe so zu verändern, dass die kognitive Beanspruchung sinkt”. Auslagerung ist nicht das Problem; so haben Menschen ihren Geist schon immer erweitert. Das Problem ist, die Prüfung auszulagern. Einen Prompt, den Sie nicht in wenigen Minuten überprüfen können, werden Sie ungeprüft freigeben. Mehr zu diesem Zielkonflikt lesen Sie unter ob KI Sie schlechter im Denken macht und das kognitive Lastbudget.

Wann sollten Sie den langen Kontext trotzdem nutzen?

Das Ziel sind nicht kurze Prompts um ihrer selbst willen. Langer Kontext ist das richtige Werkzeug, wenn:
– die Aufgabe eine Suche in einem großen Bestand ist, den Sie nicht vorfiltern können, etwa jede Erwähnung eines Lieferanten in den Besprechungsnotizen eines ganzen Jahres zu finden. Rechnen Sie mit Auslassungen und bitten Sie um Zitate.
– die Konsistenz des gesamten Dokuments der Kern ist, etwa die Prüfung eines 60-seitigen Angebots auf Widersprüche. Teilen Sie es in Abschnitte und lassen Sie das Modell jeden zusammenfassen, bevor es sie vergleicht.
– Sie einen wiederverwendbaren Arbeitsbereich einrichten, etwa ein Projekt mit dauerhaften Referenzdokumenten. Hier zählt die Struktur des Materials mehr als seine Größe: Eine saubere, beschriftete Kontextdatei schlägt einen Ordner mit Rohexporten. Die Wahl des passenden Modells dafür behandelt welches KI-Modell für welche Aufgabe, und wie Sie Ihre besten Prompts wiederverwendbar halten, Prompt-Bibliotheken für Fachkräfte.

Das falsche Werkzeug ist er, wenn der ehrliche Grund für das Einfügen von allem darin liegt, dass Sie noch nicht entschieden haben, was die Frage ist.

Ein 10-Minuten-Load-Fit-Check

Führen Sie diesen Check vor jedem Prompt durch, dessen Prüfung Sie mehr als fünf Minuten kosten wird:

1. Kann ich die Aufgabe in einem Satz formulieren?
2. Habe ich jedes Dokument entfernt, das ich selbst nicht bräuchte?
3. Gibt es von jedem Dokument nur eine Fassung?
4. Habe ich widersprüchliche Anweisungen aufgelöst?
5. Sind es vier oder weniger getrennte Anforderungen?
6. Ist jeder Materialblock beschriftet?
7. Steht das Material oben und die Frage am Ende?
8. Habe ich das Ausgabeformat angegeben?
9. Habe ich um Zitate oder Verweise auf die Quellpassagen gebeten?
10. Könnte ich die Antwort in der verfügbaren Zeit prüfen?

Checkliste: redaktioneller Rahmen von CEOtudent.

Häufig gestellte Fragen

Ist ein Kontextfenster mit 1M Tokens dann nutzlos?
Nein. Es beseitigt eine harte Grenze, was für Suchaufgaben und wiederverwendbare Arbeitsbereiche wertvoll ist. Die Benchmarks zeigen, dass die Nutzungsqualität lange vor der Grenze nachlässt; das Fenster ist daher am besten als Spielraum zu verstehen, nicht als Ziel.

Gelten diese Benchmark-Ergebnisse für die neuesten Modelle?
Nicht direkt. RULER und NoLiMa testeten Modelle aus 2024 und Anfang 2025, und neuere Modelle schneiden vermutlich besser ab. Die Leitfäden der Anbieter für aktuelle Modelle empfehlen dennoch fokussierten Kontext und sorgfältige Platzierung, und zum Zeitpunkt der Erstellung dieses Artikels lag kein unabhängiger Benchmark der oben genannten Modelle von 2026 vor.

Gehören Anweisungen nach oben oder nach unten?
Die Anbieter unterscheiden sich leicht. Anthropic und Google empfehlen langes Material zuerst und die Frage zuletzt. OpenAIs Leitfaden zu GPT-4.1 fand, dass Anweisungen am Anfang und am Ende am besten funktionierten, und oberhalb des Kontexts besser als unterhalb, wenn man sie nur einmal setzt. Eine kurze Aufgabenzeile oben plus die vollständige Frage am Ende deckt beides ab.

Ist “sieben plus minus zwei” noch die Regel für das Arbeitsgedächtnis?
Miller selbst beschrieb die Sieben als ungefähren Wert, gemessen in Chunks. Cowans Überblicksarbeit von 2001 setzt die Grenze bei etwa vier Chunks neuer Information an. Die genaue Zahl zählt weniger als das Prinzip: weniger, größere, gut beschriftete Chunks.

Heißt das, dass KI Menschen weniger denken lässt?
Die Beleglage ist gemischt und überwiegend korrelativ. Die vorsichtigste Lesart lautet: Vertrauen in das Werkzeug verringert tendenziell den Aufwand, den Menschen in dessen Prüfung stecken. Prompts so zu gestalten, dass Sie die Antworten überprüfen können, hält diesen Aufwand aufrecht.

Quellen

1. Anthropic. Models overview; Context windows; Prompting best practices (long context prompting). Claude Platform Docs. Abgerufen am 7. Oktober 2026.
2. Anthropic Applied AI team. Effective context engineering for AI agents. Anthropic Engineering, 29. September 2025.
3. OpenAI. Models. OpenAI-API-Dokumentation. Abgerufen am 7. Oktober 2026.
4. OpenAI. GPT-4.1 Prompting Guide; GPT-5 prompting guide. OpenAI Cookbook, 2025.
5. Google. Modellseiten zu Gemini 3.1 Pro Preview und Gemini 3.8 Flash; Long context; Understand and count tokens. Gemini-API-Dokumentation. Abgerufen am 7. Oktober 2026.
6. Liu NF, Lin K, Hewitt J, Paranjape A, Bevilacqua M, Petroni F, Liang P. Lost in the Middle: How Language Models Use Long Contexts. Transactions of the Association for Computational Linguistics. 2024;12:157-173.
7. Hsieh CP, Sun S, Kriman S, Acharya S, Rekesh D, Jia F, Zhang Y, Ginsburg B. RULER: What’s the Real Context Size of Your Long-Context Language Models? COLM 2024.
8. Modarressi A, Deilamsalehy H, Dernoncourt F, Bui T, Rossi R, Yoon S, Schuetze H. NoLiMa: Long-Context Evaluation Beyond Literal Matching. ICML 2025.
9. Hong K, Troynikov A, Huber J. Context Rot: How Increasing Input Tokens Impacts LLM Performance. Chroma Technical Report, 14. Juli 2025. Branchenbericht, nicht begutachtet.
10. Jaroslawicz D, Whiting B, Shah P, Maamari K. How Many Instructions Can LLMs Follow at Once? arXiv 2507.11538, 2025. Preprint.
11. Miller GA. The magical number seven, plus or minus two: Some limits on our capacity for processing information. Psychological Review. 1956;63(2):81-97.
12. Cowan N. The magical number 4 in short-term memory: A reconsideration of mental storage capacity. Behavioral and Brain Sciences. 2001;24(1):87-114. Abstract.
13. Sweller J. Cognitive load during problem solving: Effects on learning. Cognitive Science. 1988;12(2):257-285. Abstract.
14. Sweller J, van Merrienboer JJG, Paas F. Cognitive Architecture and Instructional Design: 20 Years Later. Educational Psychology Review. 2019;31:261-292.
15. Chandler P, Sweller J. Cognitive Load Theory and the Format of Instruction. Cognition and Instruction. 1991;8(4):293-332. Abstract.
16. Kalyuga S, Ayres P, Chandler P, Sweller J. The Expertise Reversal Effect. Educational Psychologist. 2003;38(1):23-31. Abstract.
17. Risko EF, Gilbert SJ. Cognitive Offloading. Trends in Cognitive Sciences. 2016;20(9):676-688. Abstract.
18. Lee HP, Sarkar A, Tankelevitch L, Drosos I, Rintel S, Banks R, Wilson N. The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers. CHI 2025.
19. Gerlich M. AI Tools in Society: Impacts on Cognitive Offloading and the Future of Critical Thinking. Societies. 2025;15(1):6. Abstract.
20. Kosmyna N, Hauptmann E, Yuan YT, Situ J, Liao XH, Beresnitzky AV, Braunstein I, Maes P. Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task. MIT Media Lab, arXiv 2506.08872, 2025. Preprint, nicht begutachtet.
21. Dell’Acqua F, McFowland E III, Mollick E, Lifshitz-Assaf H, und Kollegen. Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality. Organization Science. 2026;37(2). Abstract.

Die Tabelle zu angegebenem versus effektivem Kontext, die Vergleichstabelle Mensch-Modell, die Load-Fit-Prompt-Methode, die Prompt-Lastkarte und der 10-Minuten-Check sind Analysen von CEOtudent auf Grundlage der obigen Quellen. Alle übrigen Zahlen werden so wiedergegeben, wie sie in diesen Quellen abgedruckt sind; nur als Abstract gelesene Quellen sind gekennzeichnet. Zwei häufig wiederholte Zahlen wurden nicht verwendet, weil sie sich in den veröffentlichten Texten nicht finden ließen: ein Ergebnis von “40 Prozent höherer Qualität”, das der Jagged-Frontier-Studie zugeschrieben wird, und eine Regel von “drei Vierteln eines Wortes pro Token”, die OpenAI zugeschrieben wird.

---

Dieser Inhalt wurde nach eingehender Recherche mit Unterstützung von KI zusammengestellt und vom CEOtudent-Redaktionsteam geschrieben und für die Veröffentlichung aufbereitet.

This post is also available in: