Context-Window-Steuer
Context-Window-Steuer bezeichnet den kumulativen Zusatzaufwand, den ein KI-System dafür zahlt, dass der Prompt-Kontext mit jeder Iteration wächst – messbar in zusätzlichen Eingabe-Token, längerer Antwortzeit und sinkender Antwortpräzision.
Die Context-Window-Steuer ist der Aufschlag an Kosten, Latenz und Qualitätsverlust, der entsteht, weil mit jedem Schritt mehr Kontext mitgeschleppt wird. Sie wächst in langen Agenten-Sessions überproportional.
Erklärung
In agentischen Abläufen wird jede Zwischenausgabe Teil des nächsten Eingabekontexts. Nach zwanzig Schritten liest das Modell den halben Verlauf erneut, obwohl nur wenige Zeilen relevant sind. Die Folge ist dreifach: Die Eingabe-Token dominieren die Kosten, die Antwortzeit steigt, und die Trefferquote sinkt, weil relevante Informationen in Rauschen untergehen. Gegenmaßnahmen sind Zusammenfassungs-Checkpoints, das Auslagern von Zwischenständen in externen Speicher, striktes Beschneiden von Werkzeugausgaben und Caching stabiler Anteile. Entscheidend ist, die Steuer überhaupt sichtbar zu machen: Wer Token pro abgeschlossener Aufgabe statt pro Aufruf misst, erkennt den Effekt sofort.
Relevanz für Marketing
Wer Chatbots oder Agenten mit Kundenkontakt betreibt, zahlt diese Steuer bei jeder längeren Session mit. Sie erklärt, warum Pilotprojekte im Kleinen günstig aussehen und im Rollout unerwartet teuer werden.
Beispiel
Ein Recherche-Agent kostet im ersten Schritt 0,004 Euro, im fünfzehnten 0,061 Euro – bei identischer Aufgabe. Ursache ist allein der mitgeschleppte Verlauf. Nach Einführung von Zusammenfassungs-Checkpoints sinken die Gesamtkosten pro Recherche um 58 Prozent.
Häufige Fallstricke
Der häufigste Fehler ist, das größere Kontextfenster als Lösung zu behandeln. Mehr Kapazität verlängert nur die Strecke, auf der die Steuer anfällt. Ebenso schädlich ist Reporting je Aufruf, das den kumulativen Effekt vollständig verdeckt.
Entstehung & Geschichte
Mit Kontextfenstern jenseits einer Million Token ab 2025 verschob sich das Problem von Kapazität zu Ökonomie: Technisch passte alles hinein, wirtschaftlich lohnte es sich nicht. Parallel dokumentierten Benchmarks, dass die Antwortqualität bei sehr langen Kontexten nachlässt. Aus beiden Beobachtungen entstand 2026 die Redeweise von der Context-Window-Steuer, die eng mit Context Engineering und Kontext-Erosion verwandt ist.
Anwendungsfälle im Marketing
Zusammenfassungs-Checkpoints nach einer festgelegten Zahl von Agentenschritten.
Externer Zustandsspeicher für Zwischenergebnisse statt vollständiger Verlaufsmitführung.
Kürzungsregeln für umfangreiche Werkzeugausgaben vor der Rückgabe an das Modell.
Kostenreporting auf Basis von Token pro abgeschlossener Aufgabe statt pro Modellaufruf.
Häufige Fragen
Löst ein größeres Kontextfenster das Problem?
Nein, es verschiebt es. Mehr Kapazität bedeutet, dass mehr irrelevanter Kontext mitgeschleppt werden kann, bevor ein hartes Limit greift. Kosten und Qualitätsverlust wachsen dabei weiter, nur eben ohne die frühere Fehlermeldung als natürliche Bremse.
Wie misst man die Steuer sinnvoll?
Über Token pro abgeschlossener Aufgabe, aufgeschlüsselt nach Eingabe, Ausgabe und gecachtem Anteil, ergänzt um die Schrittzahl. Steigt der Eingabeanteil mit der Schrittzahl überproportional, liegt genau der beschriebene Effekt vor und lässt sich gezielt angehen.
Welche Maßnahme wirkt am schnellsten?
In der Regel das Kürzen von Werkzeugausgaben. Rohantworten aus APIs und Suchen machen oft den größten Teil des Kontexts aus, obwohl nur wenige Felder gebraucht werden. Danach folgen Zusammenfassungs-Checkpoints und das Caching stabiler Kontextanteile.
Verwandte Services
Tiefer einsteigen: Agentic AI Hub · Modellvergleich 2026