Was ist Marketing Context Engineering?

Context Engineering ist die Disziplin, die generative KI von einem unberechenbaren Mitarbeiter zu einem kreativen Partner macht, dessen Eingaben Sie kontrollieren. Im Marketing legt sie fest, welche Fakten, Regeln, Beispiele und Grenzen ein Modell liest, bevor es eine Anzeige, eine E-Mail oder eine Landingpage für Ihre Marke entwirft, und prüft den Entwurf am selben Material, bevor ihn jemand veröffentlicht. Der Begriff verbreitete sich unter Teams, die KI-Agenten bauen. Marketingteams begegnen demselben Problem nun von der anderen Seite, in den Entwürfen, die ihre Assistenten zurückgeben.

Prompt Engineering arbeitet an der Anweisung, dem Satz, der sagt, was geschrieben werden soll. Context Engineering arbeitet an allem, was das Modell zusammen mit dieser Anweisung liest: die freigegebenen Aussagen über Ihr Produkt, die Wörter, die Ihre Marke nie verwendet, der aktuelle Preis, zwei Beispiele für eine Anzeige, die funktioniert hat, die Regel, dass eine Kundenzahl ein Datum braucht. Ein gut geschriebener Prompt kann keinen Fakt liefern, den das Modell nie erhalten hat. Deshalb verbringen Teams, die ihre Prompts perfektionieren, trotzdem Zeit damit, dieselben Fehler zu korrigieren.

Ein Modell schreibt über Ihr Unternehmen aus nur zwei Quellen: dem, was die Anfrage ihm gibt, und dem, was es im Training aufgenommen hat. Bei einem bekannten Unternehmen ist dieses Training breit und veraltet, bei einem kleineren nahezu leer. Fehlt der richtige Fakt, liefert das Modell etwas Plausibles. Am deutlichsten zeigt sich das beim Beleg: Verlangen Sie eine Anzeige mit einem starken Beleg, erscheint eine Zahl, weil ein starker Beleg so aussieht.

Um das zu messen, haben wir ein Fallbeispiel aus den öffentlichen Berichten eines börsenkotierten Softwareunternehmens gebaut. Ein simulierter erster Entwurf rundete die Kundenzahl auf «300'000+» und verortete das Unternehmen in «140 Ländern». Die Quellen nannten 306'446 Kunden per 30. Juni 2026 und mehr als 135 Länder. Beide Fehler würden ein schnelles Lesen überstehen, und nur eine Prüfung gegen die Belegdatei fand sie.

Dieselbe Ursache führt zu drei weiteren Korrekturen, die Marketingteams jede Woche vornehmen. Ohne schriftliche Stilregeln und gegenübergestellte Beispiele klingt jeder Entwurf wie die Durchschnittsmarke des Modells. Ein Produkt, das seit dem letzten Brand Book umbenannt wurde, oder ein Preis, der sich letzten Monat geändert hat, überlebt in der Quelle, die das Modell zufällig aufgenommen hat. Und Regeln, die nur in jemandes Kopf existieren, etwa welche Aussagen eine rechtliche Prüfung brauchen oder wer eine bezahlte Anzeige freigibt, kann ein Modell ebenso wenig befolgen wie ein neuer Kollege.

Die übliche erste Lösung ist, das Brand Book in den Prompt zu kopieren, und sie stösst an drei Grenzen. Die erste sind die Kosten: In unserem Beispiel umfasste der vollständige Markenkontext rund 36'000 Tokens und die gemeinsamen Aufgabenregeln weitere 22'000. Alles mitzuschicken kostet also rund 58'000 Tokens pro Anfrage, während das Paket für eine einzelne LinkedIn-Anzeige auf rund 10'100 Tokens kam, etwa 83 Prozent weniger, und trotzdem zwei freigegebene Beispielanzeigen enthielt. Die zweite ist die Aufmerksamkeit: Ein Modell, das ein Dokument von 30 Seiten liest, kann nicht wissen, dass die Richtlinie für Aussagen mehr gilt als ein Beispiel-Slogan auf Seite 22. Die dritte ist der Nachweis: Mit einem angehängten Ordner kann hinterher niemand sagen, welche Version eines Dokuments das Modell tatsächlich gelesen hat.

Marketing Context Engineering beantwortet diese drei Grenzen mit wenigen Regeln, von denen jede einen Fehler verhindert. Jeder Fakt liegt in genau einer Datei, sodass ein korrigierter Preis nicht anderswo in seiner alten Form überlebt. Jede Aussage trägt einen Status: freigegeben, Referenz, Entwurf, Annahme, vorgeschlagen oder veraltet. Nur freigegebene Inhalte und Referenzen dürfen eine Aussage in externen Texten stützen. So kann ein Team mit gekennzeichneten Annahmen beginnen, ohne dass eine davon als Fakt in einer Anzeige landet. Jede Aussage zitiert den Satz, aus dem sie stammt, mit Quelle und Lesedatum.

Das Laden und das Prüfen laufen in Code statt als Anweisungen an das Modell. Eine Anfrage wird klassifiziert, Code wählt die fünf oder zehn Dateien, die diese Aufgabe braucht, bis hinunter zu einem Produkt und den Aussagen zu diesem Produkt, und protokolliert jede Datei mit Pfad, Version und SHA-256-Hash. Danach wird der Entwurf gegen dieselben Dateien geprüft, auf Zeichengrenzen, verbotene Wörter, Schreibweisen von Namen, Status der Aussagen und Zahlen, und eine Person gibt alles frei, was das Unternehmen verlässt. Eine Anweisung, die ein Modell auffordert, die Markenrichtlinien zu lesen, hängt davon ab, dass das Modell es tut. Code, der die Richtlinien in den Prompt legt und das Ergebnis prüft, hängt davon nicht ab.

Context Engineering beseitigt die Fehler, die aus fehlenden oder nicht gekennzeichneten Informationen entstehen, und dort endet es. Es macht ein schwaches Angebot nicht überzeugend und ersetzt niemanden, der den Kunden kennt. In unserem Beispiel erhielt ein Entwurf, der jede Code-Prüfung bestand, für die Relevanz beim Publikum trotzdem nur 3 von 5 Punkten, weil die Persona, für die er geschrieben war, aus öffentlichen Berichten erstellt worden war. Das beheben nur Interviews und CRM-Daten, deshalb meldet ein gutes System die Lücke als offene Frage, statt um sie herumzuschreiben.

Wie weit Ihr eigenes Team davon entfernt ist, können Sie an einem Nachmittag testen. Nehmen Sie die letzten zehn KI-Entwürfe, die Ihr Team korrigiert hat, und zählen Sie, wie viele Korrekturen Fakten, Namen oder Preise betrafen, die das Modell nie erhalten hat. Wählen Sie dann eine freigegebene Aussage, etwa eine Kundenzahl, und suchen Sie jeden Ort, an dem sie steht: Sind es mehr als eine Datei, laufen die Kopien auseinander. Öffnen Sie zum Schluss ein veröffentlichtes Asset und versuchen Sie, die Dokumentversion zu nennen, die das Modell beim Entwurf gelesen hat.

Stellt sich heraus, dass die meisten Korrekturen fehlende Fakten betreffen, liegt die Lösung im Kontext und nicht im Prompt oder im Modell. Dieselbe Überlegung gilt für jedes Team, das Texte an einen Assistenten abgibt, von Sales Enablement bis zu Support-Vorlagen, weil jedes vor derselben Lücke zwischen dem steht, was das Modell weiss, und dem, was das Unternehmen freigegeben hat. Wir haben Torke Context gebaut, um diese Lücke für Marketingteams zu schliessen, und die Seite Grundsätze legt die Regeln dar, denen es folgt.