// KI-Arbeitssysteme für SoloSolo-Selbstständige und Teams
Deine KI braucht Einarbeitung.
Denn KI-Tools sind nur so gut wie das, was sie wissen.
Modelle sind Apps –
dein contextr ist das System
dein Kontext-Layer
Dein kuratierter Kontext – konstante Qualität über jedes Modell
→ daraus, einsatzbereit
kein Abo, kein Lock-in
contextr erfasst,
wie dein Unternehmen wirklich arbeitet –
und macht daraus ein KI-Arbeitssystem,
das dein Geschäft kennt.
Solo oder im Team.
Qualität im eigenen Benchmark – der Effekt steigt mit der Komplexität der Aufgabe. Zum Test →
10 Fragen, 3 Minuten
// Problem
Du merkst es an den Outputs.
Generisch.
Deine KI schreibt Texte, die für irgendein Unternehmen sein könnten.
Unverbunden.
Deine Tools laufen, aber jedes für sich.
Lückenhaft.
Wenn jemand im Team ausfällt,
fehlt Wissen –
weil es nirgendwo steht.
Teuer.
Zwei Leute, je eine Stunde Suchen und Nachfragen pro Woche:
rund 6.500 Euro im Jahr, bei 70 Euro Stundensatz.
Konservativ gerechnet – und auf keiner Rechnung sichtbar.
Das Problem ist nicht die Technologie.
Es ist die fehlende Grundlage.
// Ursache & Lösung
KI-Tools sind nur so gut wie das, was sie wissen.
Die meisten Teams nutzen KI mit Standardeinstellungen.
Kein Wissen über Geschäftsmodell,
Teamstruktur, Entscheidungswege oder Abläufe. Das Ergebnis: generische Antworten,
die für
niemanden wirklich passen.
Was fehlt, ist nicht das richtige Tool –
sondern Kontext, den die KI lesen kann: kuratiert, geordnet, benannt – und das, was nie irgendwo aufgeschrieben wurde.
Generische Antworten Spezifische Ergebnisse
Nicht noch ein Tool.
Sondern die Grundlage, auf der alle Tools arbeiten.
contextr ist ein KI-Arbeitssystem, das auf deinem Wissen aufbaut –
konfiguriert für dein Geschäft, nicht für den Durchschnitt.
Was das konkret bedeutet: strukturierter Organisationskontext,
konfigurierte KI-Assistenten und Workflows –
abgestimmt auf eure Prozesse, nicht von der Stange.
// eine Frage, zwei Antworten
Wie wirkt contextr konkret?
Die Probe:
dieselbe Frage an eine KI,
einmal ohne und einmal mit dem Kontext,
den contextr aufbaut.
Frage: „Wie sorgt ihr dafür,
dass die KI das Unternehmen wirklich versteht?"
KI ohne Kontext
Plausibel. Aber leer.
„Wir analysieren Ihre Prozesse und Anforderungen in strukturierten Gesprächen und erfassen alle relevanten Informationen. So stellen wir sicher, dass die KI optimal auf Ihr Unternehmen abgestimmt ist und konsistente, hochwertige Ergebnisse liefert."
→ klingt kompetent.
Und genau wie jeder Wettbewerber.
KI mit contextr-Kontext
Konkret – und belegbar.
„Profis lassen im freien Bericht bis zu 70% ihrer Entscheidungsschritte aus – nicht aus Unwillen, sondern weil Routine unsichtbar wird. Das belegt aktuelle Forschung zu Experteninterviews.
Deshalb fragen wir nicht nur ab, sondern nach:
mit Techniken wie Teach-Back – sich den eigenen Prozess von jemand anderem erklären lassen, um ihn dann zu präzisieren – machen wir genau das sichtbar, was sonst im Kopf bleibt."
→ unverwechselbar.
Methode, Technik, Evidenz – gezeigt, nicht behauptet.
Den Unterschied macht der Kontext.
// Wirkung
Was sich in deiner Woche ändert:
Das Angebot, das sonst den halben Abend kostet, liegt morgens als Entwurf bereit – geprüft und freigegeben wird es in Minuten.
Der Projektverantwortliche wechselt – und das Wissen bleibt: was besprochen wurde, warum es so entschieden wurde, was noch offen ist.
Der Entwurf trifft den richtigen Ton ab dem ersten Versuch – ohne dass vorher erklärt werden muss, für wen und wie.
So unterschiedlich die Geschäfte, so ähnlich das Muster: Das Entscheidende liegt vorbereitet vor – die Freigabe bleibt bei dir.
Und weil die Grundlage bei jeder Frage da ist, hilft dieselbe KI auch bei allem, was heute noch auf keiner Liste steht.
Wo contextr bei Solo-Selbstständigen und kleinen Teams ansetzt.
Jedes Team hat eigene Abläufe, eigene Entscheidungslogik, eigenes Wissen in Köpfen – zwölf Szenarien zeigen, wie contextr das in ein KI-Arbeitssystem übersetzt. Du musst dafür noch nicht wissen, welche spezifischen Use Cases für dein Unternehmen relevant sind – sie zu ermitteln und zu priorisieren ist Teil der Discovery.
Jede Karte öffnet ein Beispiel:
Ausgangslage, Aufgabenstellung, contextr-Einsatz, Ergebnis.
Die Szenarien sind typische Anwendungsfälle aus der Zielgruppe von contextr – keine Kundenreferenzen. Referenzen werden nach Abschluss der laufenden Pilotprojekte separat veröffentlicht.
Wissenstransfer bei Personal- und Ehrenamtswechsel
3–10 Hauptamtliche + Ehrenamt
// So beschreiben es Betroffene
Unsere Ehrenamtlichen sind das Herz der Organisation. Aber wenn eine Person aussteigt, geht ihr Wissen mit. Beim letzten Vorstandswechsel haben wir drei Monate gebraucht, bis der Neue wusste, wer unsere Schlüssel-Spender sind und warum wir mit Partner X nicht mehr zusammenarbeiten.
// Ausgangslage
NGO-Struktur mit hoher Ehrenamts-Fluktuation und Vorstandswechseln. Stakeholder-Beziehungen, Partnerhistorie und Einsatzlogik nicht dokumentiert. Schlanke IT-Landschaft, keine Notion-Business-Umgebung.
// Was contextr einrichtet
- Organisationskontext mit Fokus auf Stakeholder-Landkarte: Spender, Partner, Behörden, Medien.
- Entscheidungshistorie: warum wurden zentrale Weichenstellungen so getroffen, nicht anders.
- Ehrenamts-Einarbeitungs-Prompts für typische Rollen.
- Bewusst schmal gehalten, damit das System auch ohne komplexe Tool-Stacks funktioniert.
// Ergebnis im Alltag
Einarbeitung neuer Ehrenamtlicher verkürzt sich deutlich bis zur Einsatzfähigkeit.
Vorstandswechsel werden dokumentierbar – wichtige Kontinuitätsanforderung im gemeinnützigen Sektor.
Fördermittelanträge werden schneller erstellt, weil Organisationskontext abrufbar ist.
// Ausbau-Optionen – angelegt, nicht Pflicht
Anbindung: Eure kuratierte Ablage lässt sich anbinden, wenn ihr so weit seid – auch ohne komplexen Tool-Stack. Was sich anbinden lässt, richtet sich nach eurem Datenschutz; das klären wir vorab.
Routine: Ein Quartals-Spenderbericht-Entwurf, zeitgesteuert rein aus dem Organisationskontext – kein Konnektor nötig; der Vorstand gibt frei.
Was davon zu eurem Scope gehört, klärt die Discovery.
Geschäftsstellen-Gedächtnis über Personalwechsel hinweg
3–15 Hauptamtliche
// So beschreiben es Betroffene
Unsere Geschäftsstelle hält den Laden zusammen – aber vieles hängt an einzelnen Köpfen. Wer welche Mitgliedsunternehmen betreut, warum ein Gremienbeschluss so gefallen ist, welche Zusage einem Mitglied vor drei Jahren gemacht wurde: Das steht nirgends. Wenn ein langjähriger Referent geht, fängt die Nachfolge bei null an.
// Ausgangslage
Verband mit hauptamtlicher Geschäftsstelle. Mitgliederbetreuung, Gremienhistorie und Positionswissen als Erfahrungswissen bei einzelnen Personen. Personalwechsel in der Geschäftsstelle führen zu Wissensverlust und langer Einarbeitung.
// Was contextr einrichtet
- Organisationskontext der Geschäftsstelle: Aufgabenverteilung, Mitgliederlogik, Gremienstruktur, wiederkehrende Verfahren.
- Entscheidungshistorie: warum zentrale Positionen und Beschlüsse so zustande kamen – als abrufbarer Kontext statt in Protokollarchiven vergraben.
- KI-Assistenten für Mitgliederkommunikation, Positionspapier-Entwürfe und Gremien-Vorbereitung.
- Einarbeitungs-Prompts für neue Referenten.
// Ergebnis im Alltag
Neue Mitarbeitende in der Geschäftsstelle sind schneller auskunftsfähig.
Positionen und Mitgliederzusagen bleiben konsistent, auch über Personalwechsel.
Gremienarbeit wird vorbereitet, nicht jedes Mal neu aufgesetzt.
// Ausbau-Optionen – angelegt, nicht Pflicht
Anbindung: Die kuratierte Ablage der Geschäftsstelle lässt sich anbinden – Vorgänge und Dokumente landen im Kontext, ohne dass jemand kopiert. Was sich anbinden lässt, richtet sich nach eurem Datenschutz; das klären wir vorab.
Routine: Ein wiederkehrender Gremien- oder Mitglieder-Rundbrief als Entwurf, aus dem Organisationskontext vorbereitet – die Geschäftsführung gibt frei.
Was davon zu eurem Scope gehört, klärt die Discovery.
Förderlogik und Wirkungswissen als Organisationsgedächtnis
3–15 Hauptamtliche
// So beschreiben es Betroffene
Wir wissen, was funktioniert – welche Projekte Wirkung zeigen, welche Förderlogik bei welchem Geldgeber zieht, wie wir Anträge aufsetzen, die durchkommen. Aber dieses Wissen sitzt bei zwei, drei Leuten. Für jeden neuen Antrag fangen wir halb von vorne an, und wenn jemand geht, geht die Erfahrung mit.
// Ausgangslage
Operative Stiftung oder gemeinnützige GmbH mit kleinem hauptamtlichem Team. Antrags-, Förder- und Wirkungswissen als Erfahrungswissen weniger Personen. Wiederkehrende Anträge und Berichte werden jedes Mal neu erarbeitet.
// Was contextr einrichtet
- Organisationskontext: Förderprofil, Geldgeberlandschaft, Wirkungslogik, wiederkehrende Antrags- und Berichtsformate.
- Antrags- und Wirkungswissen expliziert: was bei welchem Geldgeber zieht, welche Argumentation trägt, welche Nachweise verlangt werden.
- KI-Assistenten für Antragsentwürfe, Wirkungsberichte und Fördermittel-Recherche.
- Einarbeitungs-Prompts für neue Programm- und Fundraising-Rollen.
// Ergebnis im Alltag
Antragsentwürfe entstehen aus der eigenen Förderlogik statt aus dem Leeren.
Wirkungsberichte werden vorbereitet, nicht jedes Mal neu strukturiert.
Förder-Erfahrung bleibt in der Organisation, auch bei Personalwechsel.
// Ausbau-Optionen – angelegt, nicht Pflicht
Anbindung: Die kuratierte Projekt- und Förderablage lässt sich anbinden – Anträge arbeiten mit den echten Programmunterlagen. Was sich anbinden lässt, richtet sich nach eurem Datenschutz; das klären wir vorab.
Routine: Wiederkehrende Zwischen- und Wirkungsberichte als Entwurf, aus dem Projektkontext vorbereitet – die Geschäftsführung gibt frei.
Was davon zu eurem Scope gehört, klärt die Discovery.
Projektgedächtnis über Personenwechsel hinweg
4–12 Mitarbeitende
// So beschreiben es Betroffene
Jedes Projekt hat seinen eigenen Ordner im Server, aber die wichtigen Infos – was mit der Bauherrin besprochen wurde, warum wir uns für diese Fassade entschieden haben, welche Nachbarschaftsvereinbarung noch offen ist – stehen in meinen Notizen oder in Köpfen. Wenn mein Projektleiter wechselt, weiß der Neue nichts.
// Ausgangslage
Projektwissen verteilt auf Serverordner, E-Mails, Notizen und Köpfe – jeder Übergang ist ein Medienbruch von Hand. Bei Personenwechseln dauert Einarbeitung mehrere Tage. Entscheidungsbegründungen sind nicht dokumentiert – relevant bei späteren Gewährleistungsfragen.
// Was contextr einrichtet
- Organisationskontext plus ein Projekt-Kontext-Dokument für euren ersten Fall – gebaut, nicht als Vorlage.
- Sektionsstruktur: Bauherrin und Stakeholder, Entwurfslogik und Entscheidungen, offene Abstimmungen, behördliche Auflagen, Nachbarschaft und Baugrundstück-Besonderheiten.
- Empfehlung zum KI-Toolstack passend zur bestehenden IT-Landschaft.
- KI-Assistenten für Projekt-Briefings, Status-Updates an Bauherrschaft und Entscheidungsbegründungen für Behörden.
// Ergebnis im Alltag
Projektübergaben reduzieren sich von rund zwei Arbeitstagen auf wenige Stunden.
Entscheidungsbegründungen sind nachvollziehbar – relevant bei Gewährleistungsfragen.
Bauherr-Kommunikation bleibt konsistent, auch wenn der Projektleiter wechselt.
// Ausbau-Optionen – angelegt, nicht Pflicht
Anbindung: Eure Projektablage (Cloud-Speicher) lässt sich direkt im KI-Tool anbinden – Protokolle, Pläne und Schriftverkehr sind lesbar, ohne dass jemand kopiert.
Routine: Ein wöchentlicher Bautenstands-Entwurf an die Bauherrschaft, zeitgesteuert aus dem Projektkontext vorbereitet – der Projektleiter gibt frei.
Was davon zu eurem Scope gehört, klärt die Discovery.
Gutachten-Bausteinbibliothek mit Qualitäts-Learnings
1–8 Mitarbeitende
// So beschreiben es Betroffene
Ein Gutachten besteht aus 60% Standardbausteinen und 40% Einzelfall. Die Bausteine schreibe ich seit 15 Jahren neu, weil ich sie jedes Mal in einem anderen Gutachten suche. Und wenn ein Gericht mich ablehnt, weil etwas fehlt, lerne ich das für nächstes Mal – aber diese Learnings stehen in meinem Kopf, nicht im Büro.
// Ausgangslage
Wiederkehrende Gutachtenbausteine werden jedes Mal neu geschrieben. Qualitäts-Learnings aus gerichtlichen Verfahren bleiben als Kopfwissen. Nachfolge- oder Teamaufbau dadurch erschwert.
// Was contextr einrichtet
- Organisationskontext: Fachgebiet, übliche Auftraggeber (Gericht, Versicherung, Privat), Methodenstandards.
- Bausteinbibliothek als strukturierter Teil des Organisationskontexts: Rechtsgrundlagen-Zitate, Methodenbeschreibungen, Anhänge-Templates – versioniert.
- Qualitäts-Learnings als eigene Ebene: was bei welchem Verfahren gefehlt hat, kommt als Meta-Wissen ins System zurück.
- KI-Assistent „Gutachten-Skelett": Input Auftragsfakten, Output Bausteinauswahl plus markierte Stellen für Einzelfall-Ausarbeitung.
// Ergebnis im Alltag
Zeit für Standardbausteine sinkt deutlich – mehr Kapazität für den Einzelfall.
Qualitäts-Learnings werden strukturell aufgebaut statt an Einzelpersonen gebunden.
Nachwuchs-Sachverständige oder Familienbetrieb-Nachfolger haben schnelleren Einstieg.
// Ausbau-Optionen – angelegt, nicht Pflicht
Anbindung: Die Baustein-Bibliothek (Ablage oder Wissens-Tool) lässt sich direkt im KI-Tool anbinden – versioniert, durchsuchbar, immer der aktuelle Stand.
Routine: Neue Aufträge werden als Workflow zum Gutachten-Skelett vorbereitet – mit Freigabe; die Einzelfall-Arbeit bleibt beim Sachverständigen.
Was davon zu eurem Scope gehört, klärt die Discovery.
Kalkulationslogik für die nächste Generation
5–15 Mitarbeitende
// So beschreiben es Betroffene
Jedes Angebot dauert einen Abend. Ich gehe durch die Aufmaße, erinnere mich, was der letzte ähnliche Auftrag gekostet hat, und rechne Zuschläge dazu. Mein Sohn soll den Betrieb mal übernehmen – der sieht nur die Zahlen, aber nicht, warum ich bei manchen Kunden 10% drauflege und bei anderen runtergehe.
// Ausgangslage
Kalkulationslogik als Erfahrungswissen des Inhabers – Aufmaße auf Papier, Kalkulation in der Tabelle, Angebot im Schreibprogramm: drei Medienbrüche pro Angebot. Generationsübergang steht an oder ist absehbar. Schlanke IT-Landschaft, preissensitives Segment.
// Was contextr einrichtet
- Organisationskontext: Gewerk-Profil, typische Auftragsarten, Kundensegmente (Privat, Gewerbe, Wohnungsbau).
- Kalkulationslogik expliziert: Materialzuschläge, Lohnfaktoren, Risikozuschläge je Auftragstyp – inklusive der Erfahrungsregeln.
- KI-Assistent für Angebotsentwürfe aus Aufmaß-Stichpunkten und Nachtragskalkulationen – gebaut, nicht als Vorlage.
// Ergebnis im Alltag
Angebotsdauer deutlich reduziert.
Kalkulationslogik erstmals für Nachfolger dokumentiert – relevant bei Generationsübergang.
Junior-Kalkulation wird nachvollziehbar: Chef prüft Ergebnis und korrigiert gezielt statt alles neu zu rechnen.
// Ausbau-Optionen – angelegt, nicht Pflicht
Anbindung: Tabellen und Unterlagen in der Ablage lassen sich direkt im KI-Tool anbinden – die Erfahrungsregeln rechnen mit echten Zahlen.
Routine: Jeden Morgen Angebots-Entwürfe zu den neu abgelegten Aufmaßen – der Chef prüft und gibt frei, wie immer.
Was davon zu eurem Scope gehört, klärt die Discovery.
Gebiets- und Kundenwissen, das nicht am Außendienst hängt
3–15 im Betrieb (Innen- und Außendienst)
// So beschreiben es Betroffene
Unser Außendienst kennt seine Kunden in- und auswendig – aber das Wissen sitzt in drei, vier Köpfen. Wer beim Kunden welche Zusage gemacht hat, warum eine Vertretung so verhandelt wird, welches Argument bei welchem Einkäufer zieht: Das steht nirgends. Wenn ein Außendienstler geht, geht das halbe Gebiet mit.
// Ausgangslage
Handelsvertretung bzw. Vertriebsunternehmen mit Innendienst und mehreren Außendienstlern, die Herstellerprodukte in einem Gebiet vertreten. Beziehungs-, Gebiets- und Produktargumentationswissen liegt als Erfahrungswissen bei einzelnen Personen. Bei Vertreterwechsel oder Bestandsübergabe (§89b HGB) drohen Wissens- und Umsatzverlust.
// Was contextr einrichtet
- Organisationskontext der Vertretung: Gebiets- und Kundenlogik, vertretene Hersteller und Sortimente, Argumentationsmuster je Kundentyp, wiederkehrende Vertriebsprozesse.
- Kundengedächtnis: Historie von Zusagen, Konditionen und Entscheidungswegen – als abrufbarer Kontext, nicht im Kopf eines einzelnen Außendienstlers.
- KI-Assistenten für Angebots- und Besuchsvorbereitung, Produktargumentation und Innendienst-Korrespondenz.
- Einarbeitungs-Prompts für neue Außendienstler – das Gebiet bleibt übergabefähig.
// Ergebnis im Alltag
Neue Außendienstler sind schneller im Gebiet auskunftsfähig.
Kundenbeziehungen und Konditionslogik bleiben konsistent, auch bei Vertreterwechsel.
Angebots- und Besuchsvorbereitung dauert nicht mehr den halben Abend.
// Ausbau-Optionen – angelegt, nicht Pflicht
Anbindung: Die CRM- und Angebotsablage der Vertretung lässt sich anbinden – Vorgänge landen im Kontext, ohne dass jemand kopiert. Was sich anbinden lässt, richtet sich nach eurem Datenschutz und den Vereinbarungen mit euren Herstellern; das klären wir vorab.
Routine: Ein Besuchsbericht oder eine Angebots-Vorlage als Entwurf, aus dem Vertriebskontext vorbereitet – der Außendienst gibt frei.
Was davon zu eurem Scope gehört, klärt die Discovery.
Der eigene Denkrahmen statt Standard-Frameworks
1 Person
// So beschreiben es Betroffene
Ich arbeite mit einer eigenen Methodik, über Jahre gewachsen. Bei jedem neuen Mandat erkläre ich der KI von vorne, wie ich Probleme strukturiere und wie meine Workshops aufgebaut sind – sonst kommen Standard-Frameworks zurück, die ich nicht verwende.
// Ausgangslage
Solo-Strategieberatung mit eigener, gewachsener Methodik – Analysen, Workshops und Empfehlungen für Auftraggeber von außen, keine operative Verantwortung im Tagesgeschäft. Analyse-Raster und Vorgehensmodelle als Kopfwissen; KI liefert generische Frameworks statt des eigenen Ansatzes.
// Was contextr einrichtet
- Arbeitskontext-Dokument: eigenes Beratungsmodell, Analyse-Raster, typische Mandatstypen, Sprache und Deliverable-Formate.
- Übersicht der Aufgaben mit dem größten KI-Hebel: Analyse-Strukturen, Workshop-Designs, Angebots- und Berichtsentwürfe.
- Fertige KI-Instruktionen, die die eigene Methodik tragen – kein Rückfall auf Standard-Frameworks.
- Die Assistenten und Skills für deine wichtigsten Use Cases – gebaut, nicht als Vorlage.
// Ergebnis im Alltag
Analyse- und Berichtsentwürfe im eigenen Denkrahmen, nicht von der Stange.
Konsistente Methodik über alle Mandate, jederzeit abrufbar.
Schnellere Angebote und Deliverables bei gleichbleibender Qualität.
// Ausbau-Optionen – angelegt, nicht Pflicht
Anbindung: Deine Mandats-Ablage lässt sich direkt im KI-Tool anbinden – Analysen arbeiten mit den Originalunterlagen.
Routine: Mandats-Status- und Reporting-Entwürfe im eigenen Raster, zeitgesteuert vorbereitet – funktioniert mit oder ohne Anbindung; du gibst frei.
Was davon zu deinem Scope gehört, klärt die Discovery.
Positionierung halten – über den ganzen Kundenstamm
1 Person
// So beschreiben es Betroffene
Ich berate sechs Kunden, jeder mit eigener Story, eigenen Tabus, eigenen Medien. Das trage ich alles im Kopf. Die KI könnte mir Entwürfe liefern – aber nur, wenn sie wüsste, für wen ich gerade schreibe und wie.
// Ausgangslage
Solo-Beratung mit mehreren parallelen Kunden. Positionierungslogik und Kunden-Spezifika als Tacit Knowledge bei einer Person. KI-Entwürfe generisch, weil der Kunden-Kontext fehlt.
// Was contextr einrichtet
- Arbeitskontext-Dokument: eigenes Beratungsprofil und Methodik, plus je ein kompaktes Kunden-Kontext-Profil (Tonalität, Tabuthemen, Positionierung, Schlüsselmedien).
- Übersicht der Aufgaben mit dem größten KI-Hebel: Pressetexte, Statements, LinkedIn-Posts im jeweiligen Kundenstil.
- Fertige KI-Instruktionen, die den richtigen Kunden-Kontext laden – konsistente Ergebnisse je Mandat.
- Die Assistenten und Skills für deine wichtigsten Use Cases – gebaut, nicht als Vorlage.
// Ergebnis im Alltag
Entwürfe treffen den Kundenton ab dem ersten Draft.
Strategische Raster (Positionierung, Botschaftshaus) jederzeit abrufbar statt jedes Mal neu erarbeitet.
Mehr Mandate parallel betreubar, ohne dass die Qualität an einzelnen Tagen schwankt.
// Ausbau-Optionen – angelegt, nicht Pflicht
Anbindung: Deine kuratierte Ablage lässt sich direkt im KI-Tool anbinden – die KI arbeitet mit dem aktuellen Stand deiner Kundenmappen statt mit Kopien.
Routine: Ein monatlicher Themenradar-Entwurf je Kunde, zeitgesteuert vorbereitet – funktioniert schon mit deinem Kontext allein, du gibst frei, bevor irgendetwas rausgeht.
Was davon zu deinem Scope gehört, klärt die Discovery.
Destinations- und Sicherheitswissen als Veranstalter-Gedächtnis
3–12 Mitarbeitende
// So beschreiben es Betroffene
Unser Wissen über die Zielgebiete ist unser Kapital – welcher Partner vor Ort verlässlich ist, welche Route in welcher Saison funktioniert, wo die Sicherheitslage kippt. Das steckt bei zwei, drei Leuten im Kopf. Fällt jemand aus oder geht in Rente, fehlt uns plötzlich die Grundlage für ganze Programme.
// Ausgangslage
Spezial- oder Nischenreiseveranstalter mit eigenem Programm (Studien-, Erlebnis-, Fernreisen). Destinations-, Partner- und Sicherheitswissen liegt als Erfahrungswissen bei einzelnen Reiseexperten. Personalwechsel oder Ausfall gefährden Programmqualität und Reaktionsfähigkeit bei Sicherheitslagen.
// Was contextr einrichtet
- Organisationskontext des Veranstalters: Destinations- und Routenwissen, Partnernetz vor Ort, Saison- und Sicherheitslogik, wiederkehrende Prozesse von Konzeption bis Durchführung.
- Entscheidungs- und Erfahrungshistorie: warum eine Route, ein Partner, eine Sicherheitseinschätzung so getroffen wurde – als abrufbarer Kontext.
- KI-Assistenten für Ausschreibungs- und Katalogtexte, Angebotskalkulation und Kundenkommunikation.
- Einarbeitungs-Prompts für neue Produktmanager oder Reiseexperten.
// Ergebnis im Alltag
Neue Mitarbeitende sind schneller in den Zielgebieten auskunftsfähig.
Destinations- und Sicherheitseinschätzungen bleiben konsistent, auch über Personalwechsel.
Angebots- und Ausschreibungstexte entstehen aus dem eigenen Wissen, nicht aus generischen Bausteinen.
// Ausbau-Optionen – angelegt, nicht Pflicht
Anbindung: Die Ziel- und Partnerablage lässt sich anbinden – Destinations- und Partnerinfos landen im Kontext, ohne dass jemand kopiert. Was sich anbinden lässt, richtet sich nach eurem Datenschutz; das klären wir vorab.
Routine: Ein Ausschreibungs- oder Katalogtext als Entwurf, aus dem Destinationskontext vorbereitet – die Produktleitung gibt frei.
Was davon zu eurem Scope gehört, klärt die Discovery.
Eigener Stil über wechselnde Auftraggeber
1 Person
// So beschreiben es Betroffene
Ich schreibe für drei Auftraggeber, jeder mit eigenem Stilguide, eigener Zielgruppe, eigenen No-Gos. Die KI hilft beim Rohtext – aber ich muss jedes Mal von vorne erklären, für wen und wie. Am Ende ist Selberschreiben schneller.
// Ausgangslage
Solo-Redaktion mit mehreren Auftraggebern unterschiedlicher Stilvorgaben. Stilwissen und Qualitätskriterien unstrukturiert. KI-Output generisch, der Briefing-Aufwand frisst den Zeitgewinn.
// Was contextr einrichtet
- Arbeitskontext-Dokument: eigene redaktionelle Linie und Recherche-Standards, plus je ein Auftraggeber-Stilprofil (Zielgruppe, Tonalität, Formate, No-Gos).
- Übersicht der Aufgaben mit dem größten KI-Hebel: Rohentwürfe, Headline-Varianten, Faktencheck-Strukturen, Textredaktion.
- Fertige KI-Instruktionen, die den richtigen Stil laden – kein Wiederholungs-Briefing.
- Die Assistenten und Skills für deine wichtigsten Use Cases – gebaut, nicht als Vorlage.
// Ergebnis im Alltag
Von der Recherchenotiz zum strukturierten Entwurf in einem Bruchteil der Zeit.
Stilkonsistenz pro Auftraggeber, ohne jedes Mal neu zu erklären.
Kapazität für mehr Aufträge bei gleichbleibender Qualität.
// Ausbau-Optionen – angelegt, nicht Pflicht
Anbindung: Dein Notiz-Tool und deine Ablage lassen sich direkt anbinden – die KI zieht aus deinen Quellen, nicht aus dem Nichts.
Routine: Wiederkehrende Themen- und Pitch-Listen je Auftraggeber als Entwurf – braucht keinen Konnektor, nur deinen Kontext; du wählst aus und gibst frei.
Was davon zu deinem Scope gehört, klärt die Discovery.
Programmwissen und Antrags-Handwerk als abrufbarer Hebel
1 Person
// So beschreiben es Betroffene
Ich kenne die Programme, ich weiß, welcher Antrag bei welchem Fördergeber durchgeht und wo die Fallstricke liegen. Aber dieses Wissen trage ich im Kopf. Für jeden Mandanten baue ich die Argumentation neu, und die KI hilft kaum, weil sie meine Auswahllogik und meine Antrags-Dramaturgie nicht kennt.
// Ausgangslage
Fördermittelberater als Einzelperson. Das Kapital ist die Auswahl- und Antragslogik über wechselnde Mandanten – welches Programm passt, wie ein Antrag aufgebaut sein muss, damit er trägt. Als Erfahrungswissen unstrukturiert; öffentliche Programmdatenbanken decken nur das Nachschlagen ab, nicht die Auswahl.
// Was contextr einrichtet
- Arbeitskontext-Dokument: eigene Programm-Landkarte, Auswahllogik nach Mandantentyp, Antrags-Dramaturgie, typische Ablehnungsgründe.
- Übersicht der Aufgaben mit dem größten KI-Hebel: Programm-Vorauswahl, Antragsentwürfe, Argumentationslinien, Nachweis-Strukturen.
- Fertige KI-Instruktionen, die die eigene Auswahl- und Antragslogik tragen.
- Die Assistenten und Skills für deine wichtigsten Use Cases – gebaut, nicht als Vorlage.
// Ergebnis im Alltag
Antragsentwürfe folgen der eigenen bewährten Dramaturgie, nicht generischen Mustern.
Programm-Vorauswahl schneller, weil die eigene Zuordnungslogik abrufbar ist.
Mehr Mandate parallel, ohne Qualitätsverlust bei der Argumentation.
// Ausbau-Optionen – angelegt, nicht Pflicht
Anbindung: Die eigene kuratierte Programm- und Vorlagenablage lässt sich anbinden – die KI zieht aus den eigenen Quellen.
Routine: Fristen-Radar zu laufenden Programmen als wiederkehrender Entwurf – du prüfst und gibst frei.
Was davon zu deinem Scope gehört, klärt die Discovery.
Organisationskontext
## 5. Prozesse (Überblick) - **Angebotserstellung:** Anfrage → Erstgespräch (15 Min) → Kalkulation nach Preisregeln → Freigabe GF ab 5.000 € → Versand als PDF, Nachfassen nach 7 Tagen - **Einarbeitung:** Plan für Woche 1 aus den Onboarding-Plänen, Tutor:in aus dem Team, Verständnis-Check am Tag 5 ## 8. Entscheidungswege - Angebot über 5.000 € → Freigabe durch GF - Außentexte: Fachbereich prüft, GF gibt frei - Anfrage außerhalb Leistungskatalog → ablehnen, Partner empfehlen - Bei Unklarheit: nachfragen, nie annehmen …
Ein Ausschnitt aus dem Organisationskontext, so wie er in deinem Paket liegt: acht Sektionen, darunter Abläufe und Entscheidungswege als klare Wenn-Dann-Regeln – so versteht die KI nicht nur was du tust, sondern wie du entscheidest.
Use-Case-Übersicht
| Aufgabe | Assistent | Prompt | Ergebnis |
|---|---|---|---|
| Ablauf dokumentieren, bevor Wissen verloren geht | Wissensspeicher | Prompt 1 | 🟢direkt nutzbar |
| Neue Person einarbeiten (Plan für Woche 1) | Einarbeitung | Prompt 4 | 🟡erfahrene Person prüft |
| Angebotsentwurf nach Preisregeln | Angebote | Prompt 6 | 🟡prüfen, dann versenden |
| Verträge, Personalentscheidungen | – | – | 🔴nicht per KI |
| … weitere Aufgaben | |||
So steht es in deiner Nutzungsanleitung: je Aufgabe der zuständige Assistent, der Starter-Prompt, der sie auslöst, und ob das Ergebnis direkt nutzbar ist (grün) oder ein Mensch prüft (gelb). Rot heißt: bewusst nicht per KI. Die Einstufung je Aufgabentyp steht in der KI-Risikobewertung.
In der Discovery identifizieren wir die Use Cases, die für dich und dein Unternehmen den größten Hebel haben. Jede Zeile zeigt auf einen gebauten Assistenten oder Skill in deinem contextr – einsatzfertig, nicht als Vorlage.
KI-Skill
--- name: angebots-entwurf description: > Erstellt aus einer Kundenanfrage und den hinterlegten Preisregeln einen prüffertigen Angebotsentwurf in eurer Tonalität. Trigger: "Angebot für [Kunde] entwerfen", "Angebotsentwurf erstellen". NICHT für Verträge oder Rabattentscheidungen – die bleiben bei der GF. --- ## Ablauf 1. Anfrage lesen, Umfang gegen den Leistungskatalog prüfen 2. Positionen nach Preisregeln kalkulieren (Freigabe GF ab 5.000 €) 3. Entwurf in Brand Voice schreiben, Prüfstellen markieren 4. Ausgabe: Angebotsentwurf + Liste offener Punkte …
Ein gebauter Skill, wie er in deinem Paket liegt: Beschreibung mit Auslösern und Grenzen, dazu der Ablauf mit definiertem Ergebnis. Du startest ihn – er kennt deinen Kontext. Keine Prompt-Bastelei mehr.
// Vertraulichkeit
Vertraulichkeit ist nicht nur eine Datenschutzfrage.
Sobald ihr mit fremden Daten arbeitet – Mitglieder, Mandanten, Förderfälle, Beschäftigte – reicht die DSGVO allein oft nicht. Je nach Tätigkeit kommen berufs- oder vertragsrechtliche Verschwiegenheitspflichten dazu, die andere Anforderungen an eure KI-Plattform stellen.
Arbeitet euer KI-System mit personenbezogenen oder vertraulichen Daten? Wenn ja, läuft es auf einer EU-gehosteten Plattform mit Auftragsverarbeitungsvertrag, sonst genügt ein Standard-Team-Konto. Das Ergebnis gehört euch und wird nicht weiterverwendet.
Das Rohmaterial wird nach der Übergabe gelöscht. Details in den FAQ.
// Arbeitsweise
Vom Gespräch zum Arbeitssystem.
Ein Projekt, ein Ansprechpartner –
von der ersten Frage bis zum fertigen System.
Wie Entscheidungen fallen,
wie Abläufe funktionieren,
wie die Kommunikation läuft –
manches Wissen steckt in Köpfen, anderes in Dokumenten.
Erfasst wird in zwei Stufen: erst das Fundament – Organisation, Arbeitsweise, Spielregeln. In welche Prozesse wir tiefer einsteigen, entscheiden wir anhand deiner Use Cases, die wir gemeinsam identifizieren und priorisieren. Erfasst wird alles, was gebraucht wird.
Ein Fragebogen erfasst, was gesagt wird. Nicht, was gilt. Wer „beschreib deinen Prozess" fragt, bekommt die geglättete Version, weil Routine sich selbst unsichtbar macht. Deshalb übernimmt anschließend processr, das adaptive Erfassungsinstrument von contextr: zu jedem priorisierten Prozess ein Interview, das nachfragt statt abfragt. Was auch das beste Interview nicht klärt – Widersprüche, Prioritäten, das eigentliche Warum – klären wir persönlich im Discovery-Call.
processr – macht aus deinem Prozess Klartext, den deine KI versteht.
Deine Arbeitsweise –
dokumentiert und strukturiert.
Dokumentation allein reicht nicht.
Damit KI-Tools mit deinem Wissen arbeiten können,
muss es in eine Form, die sie verstehen –
als Anweisungen, Regeln und Kontextbausteine
für deine Tools.
Daraus werden KI-Assistenten, die dein Geschäft kennen. Workflows, die deine Prozesse abbilden. Konfiguriert für deine konkreten Anwendungsfälle – nicht nur als Vorlage.
Dein KI-Arbeitssystem –
konfiguriert, nicht generisch.
Kein Datei-Chaos, kein „wo war das nochmal“. Kontextdokumente, Skills, Prompts, Anleitungen und Wartungshinweise, gebündelt in einem Hub.
Ein Ordner, lesbar in Obsidian,
nutzbar auf jeder Plattform.
Eure Tools binden wir an, wo ein Use Case es braucht.
Dein contextr –
bereit zum Arbeiten, ab Tag eins.
Ein System wirkt erst, wenn es im Alltag arbeitet. Deshalb endet die Übergabe nicht mit Dokumenten – sondern mit einem konfigurierten System und gemeinsamen Sessions, damit du es effektiv nutzen und erweitern kannst.
Damit ist die Grundlage gelegt. Ab hier baust du selbst weiter – über die Ausbau-Stationen. Wie das System wächst →
Dein Weg zur effektiven KI-Nutzung –
dein System wirkt.
So sieht ein contextr aus.
Was du hier siehst, ist Struktur und Tiefe.
Alle Inhalte werden individuell erstellt.
Immer enthalten
- Globale & Assistenten-Anweisungen Systemsteuerung
- KI-Assistenten & Skills Gebaut für eure Aufgaben
- Kontext & Brand Voice Wissen
- Starter-Prompts Prompts
- Anleitungen & FAQ Orientierung
- Datenschutz, Risikobewertung & Löschkonzept Administration
- Selbstpflege: Changelog, Gedächtnis, Pflege-Skills Wartung
- Ersteinrichtung & Re-Setup-Doku Aufbau
// Beweis
Das Problem ist belegt.
Die Lösung auch.
Die Wahrnehmung
der Kleinstunternehmen halten KI im eigenen Unternehmen für nicht anwendbar – ein Übersetzungsproblem, kein Technologieproblem.
OECD, 2025
Die Praxis
der GenAI-Piloten in Unternehmen blieben binnen sechs Monaten ohne messbaren Geschäftseffekt. Kernursache laut Report: Tools, die die Organisation nicht kennenlernen – fehlender Kontext, nicht fehlende Technologie.
MIT NANDA, „The GenAI Divide", 2025 – Vorab-Report: 52 Interviews, 153 Befragte, 300+ untersuchte Initiativen
Eigener Test: Wie groß ist der Unterschied?
Um die These zu prüfen, habe ich einen dreistufigen Benchmark am eigenen Unternehmen durchgeführt: gleiche Prompts, gleiche KI – einmal ohne Kontext, einmal mit strukturiertem Organisationskontext. Das Ergebnis: durchschnittlich +140% Qualitätssteigerung – mit steigendem Effekt bei komplexeren Aufgaben.
Einfache Aufgaben kann KI auch ohne Kontext erledigen.
Bei den wichtigen braucht sie ihn.
Eine aktuelle Studie des Harvard Business Review (2026) bestätigt das Muster: In 15.000 Simulationen lieferten alle getesteten KI-Modelle dieselben generischen Empfehlungen – unabhängig vom Szenario. Die Forscher nennen es „Trendslop“: Antworten, die professionell klingen,
aber austauschbar sind.
Eigener Test: N=1, interner Proof of Concept. Mechanismus extern bestätigt (HBR, 2026; 15.000 Simulationen). Kundenvalidierung durch Pilotprojekte läuft.
// Leistung
Zwei Streams.
Klarer Scope.
Festpreis vorab.
Datenschutz nach DSGVO: Verarbeitung in der EU, Auftragsverarbeitungsvertrag pro Projekt, sensible Inhalte werden anonymisiert oder lokal verarbeitet.
Welche Plattform für dich die richtige ist, ordnen wir in der Discovery mit ein – passend zu deinen Use Cases und deiner Datenlage. Danach richtet sich auch, wo dein Kontext im laufenden Betrieb liegt: als Dateien bei dir – oder in einer EU-Plattform, wenn du an EU-Verarbeitung gebunden bist. Der Ordner gehört dir in beiden Fällen.
| Merkmal | contextr Team | contextr Solo |
|---|---|---|
| Für wen | Teams von 3–20 Personen. Euer geteilter Organisationskontext als Wissensbasis – alle Rollen, Schnittstellen und Prozesse in einer gemeinsamen Grundlage. | Solo-Selbstständige und kleine Teams (1–2 Personen). |
| Discovery | Basis-Erfassung und ein 90-minütiges Gespräch, das ermittelt, welche Use Cases für euch zählen. | Basis-Erfassung und ein 45-minütiges Gespräch, das ermittelt, welche Use Cases für dich zählen. |
| Dein Aufwand | im Erstgespräch | Rund 2–2,5 Stunden über 2–3 Wochen. |
| Dauer | im Erstgespräch | Nach 14–21 Tagen weiß deine KI, wie du arbeitest. |
| Sessions | Gemeinsame Sessions, nach denen ihr das System selbst weiterbaut. Übergabe- und Abschluss-Gespräch. | Gemeinsame Sessions, nach denen du das System selbst weiterbaust. Übergabe- und Abschluss-Gespräch. |
| Preis | 3.800–5.200 EURFestpreis nach Erstgespräch | 1.800–2.500 EURFestpreis nach Erstgespräch |
Das bekommst du – in beiden Streams: Gemeinsam machen wir sichtbar, wie deine Organisation arbeitet. Ich übersetze das und baue daraus ein einsatzbereites System: Wissensbasis, priorisierte Use Cases sowie Assistenten und Skills für die realen Aufgaben, gebaut auf dieser Grundlage. Das System wirkt ab dem ersten Tag in jedem KI-Tool – zum Beispiel ChatGPT oder Claude.
Und dazu: das Handwerk, es selbst weiterzubauen.
Alle Bausteine siehst du oben unter „So sieht ein contextr aus".
Danach: wie dein System weiterwächst.
Zur Einordnung: Dem stehen die rund 6.500 Euro Such- und Rückfragezeit gegenüber – Kosten, die ohnehin entstehen, jedes Jahr wieder. Das vollständige Rechenbeispiel steht in den FAQ.
Ggf. zzgl. eigene KI-Tool-Kosten – abhängig vom Stream und deinem bestehenden Setup.
In den meisten Fällen bleibt der monatliche Betrag pro Nutzer im zweistelligen Bereich – wird im Projekt vorab transparent kalkuliert. contextr hat keinen Einfluss auf Preise und Konditionen externer KI-Tool-Anbieter.
Wie das System wächst.
Dein Organisationskontext – das Ergebnis der Discovery – und dein spezifisches, kuratiertes Wissen – KI-lesbar übersetzt und formatiert.
Deine Tools, verbunden – wenn du sie brauchst.
Skills und Agenten für wiederkehrende Abläufe und Themenbereiche – fertig für dich konfiguriert.
Regelmäßig wiederkehrende Abläufe bereiten Entwürfe vor – du gibst frei.
Weiterbauen, wenn ihr wollt.
Nach der Übergabe arbeitet ihr eigenständig – das System ist dafür gebaut.
Wenn ihr trotzdem weiter begleitet werden wollt, gibt es contextr Ausbau:
Fragen aus dem laufenden Betrieb klären, die nächste Station gemeinsam bauen.
Gebucht als Block oder Monat, aktiv verlängert – kein Abo.
Für größere Teams auch als Champion-Programm oder Lunch-and-Learn.
Über mich
20 Jahre strategische Kommunikation in der Musikbranche –
bei drei Weltkonzernen
(Universal, Sony, EMI).
Dann bewusster Wechsel: Prozessarchitektur und Organisationsentwicklung in regulierten Branchen –
ISO-Managementsysteme, cross-funktionale Projektleitung, unternehmensweite Digitalisierung.
Dieses Handwerk bringe ich mit: strukturiertes Denken, Prozessverständnis und die Fähigkeit, undokumentiertes Wissen sichtbar und nutzbar zu machen.
Heute sorge ich dafür, dass Teams mit KI wirklich arbeiten können – und dass KI liefert, was sie wirklich brauchen.
Erfahrungswissen wird unsichtbar, sobald es funktioniert. Ich mache es sichtbar.
Diploma of Advanced Studies in
Digital Strategy & Transformation,
Hochschule für Wirtschaft und Umwelt
Woran ich arbeite: kleine Organisationen,
die ihr eigenes Wissen besitzen und nutzen –
unabhängig von einzelnen Köpfen, Tools und Modellzyklen.
Mein Ziel ist, mich überflüssig zu machen.
Nach der Übergabe steht dein System –
und du weißt,
wie du es weiterentwickelst.
Das ist kein Versprechen –
es ist das Geschäftsmodell.
Wie viel mehr könnte deine KI – mit der richtigen Grundlage?
10 Fragen, 3 Minuten,
ehrliche Einschätzung.
Kein Verkaufsgespräch – ein Werkzeug für dich.
Häufige Fragen
Kann ich das nicht selbst machen –
mit ChatGPT, einem Kurs oder einem Interview-Tool?
Für einzelne Aufgaben: ja. Beim Gesamtbild nicht: Geschäftsmodell, Entscheidungswege, interne Regeln und euer über Dokumente und Köpfe verteiltes Wissen so kohärent zu beschreiben, dass KI damit als Arbeitsgrundlage arbeitet, gelingt kaum jemandem allein – weil man das eigene System nicht aus der Außenperspektive sieht. In Tests fällt die Trefferquote auf 30–40%. Ein Kurs gibt dir die Bauanleitung, ein Interview-Tool fragt ab, wer du bist. Wonach beide nicht fragen: nach welchen Regeln du entscheidest, welche Ausnahmen du machst und warum. Profis lassen im freien Bericht bis zu 70% ihrer Entscheidungsschritte aus, weil Routine unsichtbar wird – und was zwischen mehreren Personen auseinanderläuft, sieht von innen meist niemand. Genau dieses Sichtbarmachen ist die Leistung – nicht das Bauen. Wer trotzdem selbst loslegen will: Auf LinkedIn und im contexte. Newsletter teile ich Methoden und Denkrahmen, kostenlos.
Wann ist der richtige Zeitpunkt –
und wann reicht es, das intern zu lösen?
Ein guter Zeitpunkt ist, wenn sich etwas ändert: Eine Schlüsselperson geht, neue Leute sollen schnell arbeitsfähig werden, oder die KI ist eingeführt und liefert trotzdem Generisches. Intern lösen ließe sich das, wenn jemand Zeit und Abstand hätte. In diesen Momenten fehlt beides: Aufschreiben müsste die Person, die das Wissen trägt – mitten im Wechsel und ohne Abstand zur eigenen Arbeit. Ist ein Wechsel absehbar, ist die Zeit davor am besten: Dann lässt sich das Wissen mit der Person sichtbar machen, die es hat. Ohne solchen Anlass darf es warten.
Wir wissen gar nicht, wo KI bei uns sinnvoll ansetzt –
wo fangen wir an?
Genau da – die Auswahl ist Teil der Leistung, keine Voraussetzung. Der übliche Fehlstart läuft andersherum: erst ein Tool einführen, dann nach Anwendungen suchen. Die Discovery dreht das um: Sie ermittelt aus deinen Abläufen, Engpässen und dem Wissen in Köpfen, welche Aufgaben sich für KI lohnen – und priorisiert sie. Dazu gehört auch die Gegenrichtung: zu erkennen, welche Aufgaben nur mit Prüfschritt laufen sollten und welche bewusst draußen bleiben, weil sie klare Regeln haben oder zu vertraulich sind. Von allein gelingt diese Auswahl selten – Routine wird im eigenen Alltag unsichtbar, und was täglich reibungslos läuft, taucht auf keiner Ideenliste auf. Die zwölf Szenarien oben zeigen, wie Ergebnisse aussehen; welche Use Cases bei dir den größten Hebel haben, steht am Ende der Discovery – und für die wichtigsten sind die Assistenten dann schon gebaut.
1.800 bis 5.200 Euro für ein paar Dokumente –
lohnt sich das?
Es sind nicht nur ein paar Dokumente. Du bekommst ein einsatzbereites Arbeitssystem, das sofort funktioniert: die Assistenten und Skills für deine Aufgaben, gebaut auf deiner Wissensbasis und deinen priorisierten Use Cases, zusammengeführt in einem Hub. Dein Kontext als Ordner, in Obsidian lesbar.
Dazu kommt das Handwerk, es selbst weiterzubauen, ohne mich, ohne Abo: contextr Sessions, ein Anleitungs-Set und Selbstpflege-Werkzeuge. Der Preis steht für den strukturierten Prozess, der sichtbar macht, was als Gewohnheit, Bauchgefühl und „frag Maria“ verstreut existiert, und es in eine KI-nutzbare Form übersetzt.
So ein System anzulegen – Ordner, Dateien, Regeln, Assistenten – dauert einen Nachmittag, und Anleitungen dafür gibt es kostenlos.
Der echte Aufwand liegt im Inhalt: zu entscheiden, was hineingehört, und sichtbar zu machen, was bisher nur im Tun steckt.
Der Preis bezahlt nicht das Anlegen. Er bezahlt das Befüllen. Und er fällt nur einmal an: Die erfasste Basis und das Handwerk, das du mitbekommst, machen jeden Ausbau leichter – mit mir oder ohne mich.
Zur Einordnung ein bewusst konservatives Rechenbeispiel: Wenn zwei Leute im Team pro Woche je eine Stunde mit Suchen, Rückfragen und Rekonstruieren verbringen – wie war das letztes Mal, wo steht das, wen frage ich –, kostet das bei 70 Euro internem Stundensatz rund 6.500 Euro pro Jahr. Diese Kosten stehen auf keiner Rechnung, sie entstehen trotzdem, jedes Jahr wieder. Und der Vertretungs- oder Übergabefall kommt obendrauf: Was nur eine Person weiß, ist genau dann nicht verfügbar, wenn sie ausfällt.
Was dein System konkret kostet, hängt von Use Cases, Prozesskomplexität und Tool-Anbindungen ab. Solo bewegt sich typischerweise zwischen 1.800 und 2.500 Euro, Team zwischen 3.800 und 5.200 Euro – der Festpreis steht nach dem Erstgespräch, vor jeder Beauftragung.
Was passiert mit unseren Daten –
ist das DSGVO-konform, auch bei Kundendaten?
Ja – bei der Erstellung in jedem Fall, für dein eigenes Setup bei Bedarf. Bei der Erstellung verarbeite ich eure Daten auf einer in Deutschland gehosteten KI-Plattform (Langdock, Berlin) mit Auftragsverarbeitungsvertrag nach deutschem Recht; sensible Inhalte werden anonymisiert oder lokal verarbeitet. Für dein eigenes Setup lässt sich dein contextr auf Wunsch ebenfalls direkt in einer DSGVO-konformen Umgebung wie Langdock aufsetzen – relevant, sobald personenbezogene oder sensible Daten verarbeitet werden sollen. Das ist dann deutlich sicherer als KI in einem Standard-ChatGPT- oder -Claude-Konto. Bei einer verbindlichen EU-Vorgabe ist das der Weg, sonst eine Option – dein System bleibt in beiden Fällen tool-offen, ohne Lock-in.
Muss ich erst alle Prozesse dokumentieren?
Nein. Es ist eine Bestandsaufnahme, kein Dokumentationsprojekt. Was du im Gespräch erzählst und was in euren bestehenden Unterlagen steckt, wird übersetzt – Rollen statt Namen, Entscheidungslogik statt Anekdoten. Dein Aufwand bleibt überschaubar (Solo rund 2–2,5 Stunden über 2–3 Wochen). Du musst kein Prozesshandbuch schreiben, bevor du anfängst. Und wo die Umsetzung eines konkreten Use Cases es erfordert, setzen wir processr ein – das adaptive Erfassungsinstrument von contextr, das mit gezieltem Nachfragen genau diesen Ablauf vollständig erfasst und abbildet.
Was, wenn sich die KI-Modelle ändern –
lande ich im Lock-in oder zahle drauf?
Dein contextr beschreibt dein Unternehmen, nicht ein bestimmtes Tool. Er funktioniert mit dem ChatGPT oder Claude von heute und dem Modell von übermorgen – kein Abo, keine Bindung an einen Anbieter. Was sich ändert, sind die Werkzeuge, die auf die Grundlage zugreifen, nicht die Grundlage selbst. Laufende Kosten entstehen nur für das KI-Tool deiner Wahl (meist ein zweistelliger Monatsbetrag pro Nutzer), vorab transparent kalkuliert – contextr verdient daran nichts mit.
Wir hatten schon einen Berater oder ein Tool-Setup –
hat nichts gebracht.
Kommt häufiger vor als man denkt. Die meisten geben generische Empfehlungen oder bauen Oberflächen – Dashboards, Datenbanken, Präsentationen. Sieht gut aus, wird zwei Wochen genutzt, dann verfällt es. contextr baut keine Oberfläche, sondern erfasst, wie dein Unternehmen funktioniert – nicht nur die Abläufe, die du beschreiben kannst, sondern auch die Regeln und Ausnahmen, nach denen du entscheidest – und strukturiert das so, dass KI damit arbeitet. Architektur vor Oberfläche – das Ergebnis funktioniert auch, wenn du morgen das Tool wechselst.
Ersetzt das am Ende Mitarbeiter?
Nein – und das ist keine Beruhigungsformel, sondern Bauprinzip. Was wegfällt, ist Handarbeit an wiederkehrenden Aufgaben: der Entwurf, die Zusammenfassung, die Suche. Verantwortung und Freigabe bleiben beim Menschen – ohne Prüfung geht kein Ergebnis raus. Erfahrene Personen werden dadurch entlastet, nicht ersetzt: Ihre Zeit geht in die Arbeit, die tatsächlich Erfahrung braucht, statt in jede Routinefrage. Und weil jedes Ergebnis seine Annahmen und Lücken benennt, bleibt sichtbar, wo es weiterhin Menschen braucht.
Kann ich der KI nicht einfach unsere Ablage geben?
Der Einwand liegt nahe: statt kuratiertem Kontext einfach den Ordner mit allen Notizen anbinden. Ich habe beides gegeneinander geprüft – dieselbe KI, einmal mit einer realistisch unaufgeräumten Ablage, einmal mit kuratiertem Organisationskontext. Die KI hat in keiner Bedingung Fakten erfunden. Moderne Modelle lügen kaum noch – sie verirren sich in unaufgeräumten Ablagen: Versionskonflikte, verwechselte Dokumente, veraltete Stände. Der Gegner ist nicht die halluzinierende KI, sondern die unaufgeräumte Ablage. Anbinden ist richtig – aber erst kuratiert, geordnet und benannt kann die KI sie lesen. Eigener Vergleich, N=1-Szenario mit eingefrorenen Fragen; die Test-Ablage wurde nach einem dokumentierten, bewusst konservativen Rezept simuliert. Kundenvalidierung läuft.
Ist jede Aufgabe, die Zeit frisst, ein Fall für KI?
Nein. Wenn ein Ablauf klare Regeln hat, immer gleich läuft und ein falsches Ergebnis eindeutig als falsch erkennbar ist, ist er ein Automatisierungsfall – ein Sprachmodell darauf anzusetzen macht ihn teurer, langsamer und unzuverlässiger. Die Trennlinie ist einfach: Gibt es genau ein richtiges Ergebnis, und ist es maschinell prüfbar? Dann automatisieren. Hängt das richtige Ergebnis davon ab, wer fragt, wofür, in welcher Lage – dann braucht es Kontext, kein Regelwerk.
// Kontakt
Lass uns reden.
Kein Sales-Call.
Ein Gespräch, in dem wir klären,
ob und wie ich helfen kann.
Modelle ändern sich. Dein contextr bleibt.