100 Gespräche, ein Kontext
1. Chat war die erste Oberfläche. Als Nächstes kommt Kontext
Neuer Chat. Derselbe Hintergrund.
Neues Tool. Dieselben Dateien.
Neue Frage. Wieder dieselbe Erklärung: woran du arbeitest, welche Quellen zählen, wofür das Ergebnis gebraucht wird, was die KI behalten soll und was sie nicht erfinden darf.
Das ist die versteckte Abgabe der KI-Arbeit.
Der eigentliche Preis entsteht jedes Mal dann, wenn die Arbeit weiterzieht und der Kontext neu aufgebaut werden muss.
Du öffnest ein KI-Produkt, um einen Markt zu verstehen. Ein anderes, um ein PDF zusammenzufassen. Ein drittes, um ein Memo umzuschreiben. Noch eines, weil es besser für Suche, Code, Schreiben oder Reasoning ist. Dann wird der Chat zu lang. Die Antwort beginnt zu driften. Die nützlichen Stellen liegen irgendwo weiter oben im Gesprächsverlauf begraben. Also fängst du wieder von vorne an.
Die Aufgabe geht weiter. Der Kontext nicht. Genau das ist das Problem.
2. Größere Kontextfenster helfen. Sie beseitigen das Problem nicht
Die erste Generation von KI-Tools machte Chat zur Mitte des Produkts. Man stellte eine Frage. Das Modell antwortete. War die Antwort falsch, wurde der Prompt nachgeschärft. Wurde der Thread unübersichtlich, öffnete man einen neuen.
Für kleine Aufgaben funktioniert das. Für ernsthafte Arbeit bricht es auseinander.
Ernsthafte Arbeit hat Kontext: Quellen, Einschränkungen, Entscheidungen, Beispiele, Ton, Publikum, offene Fragen, verworfene Wege und einen Grund, warum die Aufgabe wichtig ist.
Ein Gründer, der einen Markt untersucht, braucht Wettbewerbsseiten, Preis-Screenshots, Kundensprache, Positionierungsnotizen, alte Entwürfe und den Grund, warum ein bestimmter Ansatz verworfen wurde. Eine Studentin braucht Vorlesungsnotizen, PDFs, Diagramme, Schwachstellen und die Fragen, an denen sie immer wieder hängen bleibt. Ein Autor braucht die ursprüngliche Idee, Referenzen, Struktur, Leser und Geschmack.
In all diesen Fällen ist das Gespräch vorübergehend. Der Kontext ist dauerhaft.
3. Der Preis der Fragmentierung
Die naheliegende Antwort lautet: das Kontextfenster größer machen.
Mehr Kontext ist nützlich. Er erlaubt längere Dokumente und reichere Aufgaben in einem Durchlauf.
Aber ein Kontextfenster bleibt ein Fenster. Es beschreibt, was das Modell in einem bestimmten Moment berücksichtigen kann. Es entscheidet nicht, welche Quellen relevant sind, welche Version des Projekts aktuell ist oder welche Annahmen nächste Woche wieder gelten sollen.
Aktuelle Forschung zu Long Context zeigt: Mehr Input ist nicht automatisch nützlicherer Input. Je länger die Eingabe wird, desto mehr Ablenkung, Mehrdeutigkeit und Retrieval-Schwierigkeit können entstehen.
Die bessere Frage lautet also nicht: Wie bekomme ich alles in einen Chat? Sondern: Wie bringe ich den richtigen Kontext in den richtigen Chat?
4. Das bessere Muster: einmal speichern, oft nutzen
KI-Arbeit wird leistungsfähiger, aber auch verstreuter.
Eine einzige Aufgabe kann heute durch ChatGPT, Claude, Gemini, NotebookLM, Perplexity, einen Coding-Agent, eine Notiz-App, den Browser, einen PDF-Viewer und einen Dokumenteditor wandern. Jedes Tool hat eine Stärke. Jedes Tool hat auch eine Grenze.
An jeder Grenze zahlst du: das Ziel erneut erklären, dieselbe Quelle erneut einfügen, das Publikum erneut beschreiben, Einschränkungen neu aufbauen, der KI sagen, was sich geändert hat, und prüfen, ob die Antwort belegt oder nur plausibel klingt.
Wenn Kontext von Hand wiederaufgebaut wird, schrumpft er unter Ungeduld. Die zweite Erklärung verliert Details. Die dritte wird zur groben Zusammenfassung. Die vierte klingt nach: Du weißt schon, was ich meine. Nur weiß das Modell es nicht.
Am Ende wird ein Projekt zu einer Kette aus Teilkontexten. Und Teilkontext erzeugt Teilintelligenz.
5. Ein einfaches Beispiel
Die Lösung ist nicht ein einziges endloses Gespräch.
Die Lösung ist eine wiederverwendbare Kontextschicht.
Gespräche sind der Ort zum Denken, Fragen, Vergleichen, Entscheiden, Entwerfen und Verfeinern. Kontext sollte etwas sein, das du speichern, organisieren, auswählen und wiederverwenden kannst.
Das ist die Produktidee hinter Pickmix.
Pickmix macht nützliches Material zu gespeicherten Picks: Webseiten, Notizen, PDFs, Screenshots, Bilder, Markdown, Links und einfacher Text. Picks können in Spaces liegen, mit dem Projektkontext verbunden bleiben und als ausgewählte Quellen für AI Chat dienen.
Der Ablauf ist einfach: Speichere die Quelle, solange der Kontext frisch ist. Sammle zusammengehörige Picks in einem Space. Wähle die Quellen aus, die zählen. Frage KI mit diesem Kontext. Kehre zum ursprünglichen Pick zurück, wenn du prüfen, wiederverwenden oder weiterarbeiten willst.
Wenn sich die Aufgabe ändert, beginnst du nicht bei null. Wenn der Chat zu lang wird, verlierst du das Projekt nicht. Wenn du Tool oder Frage wechselst, baust du nicht den ganzen Prompt neu. Du holst die richtigen Picks wieder heran.
6. Das beste KI-Ergebnis beginnt vor dem Prompt
Stell dir vor, du recherchierst eine neue Produktkategorie.
Im alten Workflow liegen Wettbewerbsseiten in Browser-Tabs. Preis-Screenshots liegen auf dem Desktop. Notizen stehen in einem Dokument. PDFs liegen in einem Ordner. Prompts und Antworten verteilen sich über mehrere KI-Chats.
Brauchst du ein Markt-Memo, kopierst du ein paar Links in ein Tool. Brauchst du Positionierungsideen, kopierst du sie noch einmal in ein anderes. Brauchst du einen Launch-Plan, fasst du die Zusammenfassung zusammen und hoffst, dass die wichtigen Details überlebt haben.
In Pickmix wird das Quellenmaterial von Anfang an Teil des Workspace. Wettbewerbsseiten, Preis-Screenshots, Kundenstimmen, PDFs, Notizen und Entwürfe können Picks im selben Space werden.
Bitte um ein Markt-Memo mit den relevanten Quellen. Bitte um eine Positionierungskarte aus derselben Quellenschicht. Bitte um einen Launch-Plan, ohne so zu tun, als hätte die bisherige Arbeit nie stattgefunden.
Die Arbeit fühlt sich weniger nach Copy-Paste an und mehr nach aufgebautem Wert.