In der Arbeit an Nakoa Brain — unserer Datenplattform für Retail-Media-Kampagnen — haben wir über Monate die Pipeline verbessert: bessere Findings, schärfere Assessments, präzisere Action-Vorschläge. Irgendwann wurde klar, dass die größten Qualitätssprünge davon kamen, wie wir den Kontext modelliert haben, der ins Modell geht. Dieselbe Frage, dasselbe Modell — aber mit besser strukturiertem Kontext ein fundamental anderes Ergebnis.
Kontextmodellierung ist ein laufendes System mit eigenen Problemen. Das erste: Welche Repräsentation wähle ich? Wie strukturiere ich den Kontext so, dass er auf die jeweilige Fragestellung passt — in der richtigen Breite, in der richtigen Verdichtung? Das zweite: Wer kuratiert — ich oder der Agent? Ein Weg ist, den Kontext vorab sorgfältig zusammenzustellen und dem LLM bereitzustellen. Der umgekehrte Weg wäre, dem LLM einen Mechanismus zu geben, über den es sich selektiv den Kontext holt, der für die aktuelle Frage relevant sein könnte. Beides hat Konsequenzen, und ich bin noch nicht sicher, wo die richtige Balance liegt.
Dann die Fragen, die sich erst im Betrieb zeigen: Was passiert mit Kontext, der aus verschiedenen Quellen widersprüchlich kommt? Wenn ein Datenpunkt in einem System etwas anderes sagt als in einem anderen — welche Version ist die richtige, und wie lernt der Agent, mit dieser Ambiguität umzugehen? Was passiert mit Kontext, der veraltet? Information, die gestern noch stimmte, heute aber nicht mehr — ohne einen Mechanismus, der das erkennt, propagiert der Agent veraltete Annahmen durch den ganzen Prozess. Und was passiert mit Kontext, der bewusst herausgenommen werden muss — weil er irreführend geworden ist oder weil sich die Fragestellung verschoben hat?
Am meisten beschäftigt mich aber eine andere Frage: Was mache ich mit Kontext, der im Laufe des Prozesses entsteht? Im Nakoa Brain beobachtet der Agent Kampagnen, leitet Assessments ab, schlägt Actions vor. Dabei erkennt er Muster, die vorher nicht im Kontext standen — zum Beispiel, dass eine bestimmte Kampagnenstruktur bei einem Kunden systematisch besser funktioniert als bei anderen. Diese Erkenntnis müsste den Kontext anreichern oder bestehende Annahmen im Kontext verändern. Aber wie? Wann darf ein Agent seinen eigenen Kontext verändern, wann braucht es menschliche Bestätigung? Das ist im Grunde die Lernschleife aus dem Doppelschleifenmodell, nur auf der Ebene des Kontextes selbst.
Ich suche noch nach einer Standardisierung oder zumindest einem intelligenten Vorgehen für diese Fragen. Es gibt Ansätze — semantische Layer, Ontologien, Knowledge Graphs, Formate wie OKF — die jeweils Teile davon adressieren. Manche setzen auf vorab definierte Bedeutungsmodelle, andere auf emergent wachsende Strukturen. In der Praxis braucht man vermutlich beides: ein bewusst klein gehaltenes Kernvokabular, das sauber definiert ist, und Mechanismen, die den Rest dynamisch verwalten. Das ist noch eine Vermutung. Die Arbeit daran läuft.