Management Summary

Agentische KI erhöht den Ressourcenverbrauch massiv: Mit dem Übergang von passiven Copiloten zu autonomen Agenten steigen Token‑Verbrauch und Infrastrukturkosten deutlich. Flatrate‑Modelle verschwinden, nutzungsbasierte Abrechnung wird zum Standard.
Tokenmaxxing wird zum Kostenrisiko: Agenten generieren komplexe Anfragen, durchsuchen große Datenmengen und verursachen hohe Token‑Lasten. Ohne Steuerung entstehen ineffiziente Workflows, Fehlerquoten steigen und Korrekturschleifen verteuern den Betrieb.
Kontextmodelle schaffen Effizienz und Kontrolle: Modelle wie das Celonis Context Model verbinden Prozessdaten, Unternehmenswissen und Entscheidungslogik. Sie liefern strukturierten Kontext, reduzieren unnötige Datenabfragen und verkürzen Prompts.
Gezielte Datenbereitstellung senkt Token‑Verbrauch: Kontextmodelle filtern irrelevante Informationen, eliminieren Redundanzen und liefern der KI nur die wirklich benötigten Daten. Das reduziert Input‑Volumen, Fehlerquoten und Rechenlast.
Kontext wird zur Steuerungsebene für agentische KI: Unternehmen, die KI‑Agenten ohne Kontext betreiben, verlieren Effizienz und zahlen drauf. Mit Kontextmodellen navigieren Agenten schneller, präziser und ressourcenschonender durch Prozesse und Entscheidungen.

Agentische KI ist der Trend in der Unternehmens-IT. Doch der zunehmende Einsatz autonomer Agentensysteme treibt den Ressourcenverbrauch in die Höhe. Kontextmodelle helfen KI-Agenten, schneller und effizienter ans Ziel zu kommen – und ermöglichen Unternehmen, ihre KI-Kosten im Griff zu behalten.

Immer mehr Unternehmen setzen KI-Agenten ein, um Workflows zu automatisieren, Entscheidungen zu treffen und komplexe Prozesse zu steuern. Doch mit dem Übergang von passiven Copiloten zu autonomen Agenten steigt auch der Ressourcenbedarf. Die steigende Nachfrage bringt die zugrundeliegende Infrastruktur an ihre Belastungsgrenzen. In der Folge passen Anbieter ihre Preise an: weg von günstigen Flatrates, hin zu Modellen, die den realen Ressourcenverbrauch abbilden. Zur zentralen Währung werden dabei Tokens: die kleinste Einheit, in die LLMs eine Anfrage zerlegen, um sie zu verarbeiten. Je komplexer die Aufgabe und je mehr Informationen berücksichtigt werden müssen, desto höher der Token-Verbrauch. Vor allem agentische Systeme sind besonders »Token-hungrig«. Was in der Experimentierphase oft kaum ins Gewicht fiel, kann bei breiter Nutzung im Unternehmen schnell zum relevanten Kostenfaktor werden.

Warum KI-Agenten Kontext brauchen. Unternehmen können dieses Problem nicht allein durch restriktive Nutzungsvorgaben oder kleinere Modelle lösen. Entscheidend ist, KI-Agenten gezielt zu steuern und ihnen den notwendigen Unternehmenskontext bereitzustellen. Denn KI muss verstehen, wie ein Unternehmen tatsächlich funktioniert: welche Prozesse existieren, welche Regeln gelten und welche Entscheidungen operativ sinnvoll sind. Ohne diesen Kontext handeln Agenten ineffizient, durchsuchen unnötig große Datenmengen, stellen unnötig komplexe Anfragen und liefern darüber hinaus fehleranfällige Ergebnisse.

Kontextmodelle wie das Celonis Context Model ändern das. Sie schaffen eine neue Ebene im Technologie-Stack, die Prozessdaten, Unternehmenswissen und Entscheidungsintelligenz verknüpft. Sie bieten strukturierten Zugriff auf inhaltliche Informationen und die operativen Daten dahinter. Ergänzt wird diese Transparenz der operativen Realität um Funktionen, über die gezielt Simulationen, Vorhersagen und weitere operative Entscheidungsmechanismen bereitgestellt werden können. Damit werden Kontextmodelle zur Steuerungsebene für agentische KI.

Wie Kontextmodelle KI-Agenten effizienter machen. Gleichzeitig helfen Kontextmodelle Unternehmen dabei, den Ressourcenverbrauch ihrer KI-Anwendungen deutlich zu reduzieren. Sie fungieren wie eine intelligente Vermittlungsschicht zwischen Unternehmensdaten und LLMs. Dies trägt auf verschiedenen Ebenen dazu bei, den Token-Verbrauch zu senken.

So präzisiert ein Kontextmodell die Datenextraktion und sendet nur relevante Informationseinheiten an die KI, wodurch weniger Input-Daten anfallen. Da das Modell in der Lage ist, die Struktur der Geschäftsprozesse zu verstehen, kann es doppelte oder unnötige Informationen herausfiltern, bevor eine Anfrage an das LLM geht. Durch seine Kenntnis spezifischer Prozesszusammenhänge muss diese Logik nicht jedes Mal ausführlich erklärt werden, was Prompts verkürzt.

Auch der Informationsabruf wird optimiert: Statt wahllos Dokumente zu durchforsten, liefert ein Kontextmodell der KI genau die Informationen, die es zur Bearbeitung einer Anfrage braucht. In der Folge sinkt die Fehlerquote des KI-Outputs und Korrekturschleifen werden vermieden.

Kontextmodelle werden so zum Navigationssystem für KI-Agenten. Ohne diese Steuerungsebene müssen Agenten sich ihren Weg durch Daten, Prozesse und Entscheidungen selbst suchen – mit entsprechend hohem Ressourcenverbrauch. Ein Kontextmodell hilft ihnen, sich zu orientieren und schneller ans Ziel zu kommen.

Manuel Haug ist Field CTO bei Celonis und gestaltet die Produktarchitektur sowie die strategische Weiterentwicklung der Process‑Intelligence‑Plattform. Zuvor verantwortete er in mehreren leitenden Produktrollen den technologischen Ausbau des Celonis‑Stacks und arbeitet heute eng mit strategischen Kunden an der Einführung innovativer AI‑ und Process‑Intelligence‑Lösungen.

Illustration: © Alain Lacroix, GenAI | Dreamstime.com

2422 Artikel zu „KI Kontext“

Ausgabe 5-6-2026 | News | Infrastruktur | Künstliche Intelligenz | Lösungen

Wie Unternehmen KI-Kosten im Griff behalten – Von Tokenmaxxing zu Kontext

News | Favoriten der Redaktion | Künstliche Intelligenz | Strategien | Tipps

Sinnvoll einbetten: KI skaliert nicht ohne Kontext

16. April 2026

Der Zugang zu KI ist heute weitgehend demokratisiert. Modelle, Tools und Plattformen stehen nahezu jedem Unternehmen zur Verfügung. Der Unterschied liegt im Kontext. Denn während Technologie für alle gleich ist, entscheidet die Art und Weise, wie Unternehmen arbeiten, Risiken bewerten und Entscheidungen treffen, über den tatsächlichen Erfolg von KI. Gerade CEOs sprechen gerne von…