Context Window erklärt: Warum 200K Tokens bei Claude einen Unterschied machen

Sie wollen ein 100-seitiges Vertragswerk analysieren lassen. GPT-4o sagt: "Das ist zu lang, bitte in 2 Teile aufteilen." Claude sagt: "Kein Problem, ich verarbeite alles auf einmal." Gemini sagt: "100 Seiten? Das sind nur 10% meiner Kapazität."

Der Unterschied? Context Window. GPT-4o hat 128K Tokens (~90 Seiten), Claude hat 200K (~140 Seiten), Gemini hat 1M Tokens (~700 Seiten). Das ist ein 7,8× Unterschied zwischen kleinstem und größtem.

Aber wann ist Context Window wirklich wichtig? Und wann verschwendet man Geld für ungenutzten Platz? Dieser technische Deep-Dive erklärt, was Context Window ist, wie es funktioniert, und gibt konkrete Empfehlungen: Wann reichen 128K, wann brauchen Sie 1M?

Definition:

Das Context Window (auch: Context Length) ist die maximale Anzahl an Tokens, die ein KI-Modell gleichzeitig verarbeiten kann - Input UND Output zusammen.

Vereinfacht:

• Stellen Sie sich Context Window als "Arbeitsspeicher" der KI vor
• Je größer, desto mehr Text kann die KI "im Kopf behalten"
• Überschreitung → KI vergisst Anfang oder lehnt ab

Technisch: Context Window = Max. Input-Tokens + Max. Output-Tokens

Beispiel GPT-4o:

• Context Window: 128.000 Tokens gesamt
• Max. Input: ~120.000 Tokens
• Max. Output: ~8.000 Tokens (wird vom Context Window "abgezogen")

Was bedeutet das praktisch?

Bei 128K Context Window:

• Sie können ein 90-Seiten-Dokument hochladen
• KI kann es komplett lesen
• Und eine 6-Seiten-Zusammenfassung generieren
• Gesamt: 96 Seiten = passt in 128K

Warum Context Window wichtig ist:

Szenario 1: Vertragsanalyse (80 Seiten)

Mit ausreichendem Context Window (200K):

• ✅ Gesamter Vertrag auf einmal hochladen
• ✅ KI liest alles, behält Kontext
• ✅ Kann Bezüge zwischen Seite 5 und Seite 75 herstellen
• ✅ Findet Widersprüche
• ✅ Dauer: 2 Minuten

Ohne ausreichendes Context Window (128K → reicht nicht):

• ❌ Vertrag muss in 2 Teile gesplittet werden
• ❌ KI sieht nur Teil 1, dann nur Teil 2
• ❌ Verliert Kontext zwischen Teilen
• ❌ Kann keine Teil-übergreifenden Bezüge herstellen
• ❌ Dauer: 5 Minuten + schlechtere Qualität

Der Unterschied: Mit größerem Context Window bekommen Sie bessere Ergebnisse in kürzerer Zeit.

Die Spreizung:

• Kleinstes: GPT-3.5 Turbo (16K = 11 Seiten)
• Standard: GPT-4o (128K = 90 Seiten)
• Groß: Claude (200K = 140 Seiten)
• Riesig: Gemini (1M = 700 Seiten!)

Faktor: 62,5× Unterschied zwischen kleinstem und größtem!

Use Case #1: Lange Dokumente analysieren

Beispiele:

• Verträge (50-200 Seiten)
• Due Diligence-Dokumente (100-1.000 Seiten)
• Technische Handbücher (100-500 Seiten)
• Forschungsberichte (50-200 Seiten)
• Bücher (200-500 Seiten)

Beispiel: 150-Seiten-Vertrag

Mit GPT-4o (128K ≈ 90 Seiten):

• ❌ Vertrag passt NICHT komplett
• Lösung: In 2 Teile splitten
  • Teil 1: Seite 1-90
  • Teil 2: Seite 91-150
• Problem: KI sieht nicht beide Teile gleichzeitig
• Qualität: ⭐⭐⭐ (okay, aber suboptimal)

Mit Claude (200K ≈ 140 Seiten):

• ⚠️ Vertrag passt knapp NICHT
• Lösung: Leicht komprimieren oder splitten

Mit Gemini (1M ≈ 700 Seiten):

• ✅ Vertrag passt locker
• KI sieht alles auf einmal
• Kann Bezüge zwischen allen Seiten herstellen
• Qualität: ⭐⭐⭐⭐⭐

Empfehlung: Für Dokumente >100 Seiten nutzen Sie Gemini.

Use Case #2: Große Codebasen analysieren

Problem: Legacy-Code-Analyse

Sie haben eine 50.000-Zeilen-Codebase und wollen:

• Architektur-Überblick
• Refactoring-Vorschläge
• Security-Audit

Rechnung:

• 50.000 Zeilen Code
• Durchschnittlich 50 Zeichen/Zeile
• = 2,5 Mio. Zeichen
• = ~625.000 Tokens

Welches Modell passt?

• GPT-4o (128K): ❌ Nur ~12% der Codebase
• Claude (200K): ❌ Nur ~20% der Codebase
• Gemini (1M): ✅ ~60% der Codebase auf einmal

Empfehlung: Für große Codebasen (>30.000 Zeilen) nutzen Sie Gemini - oder teilen Sie in Module.

Use Case #3: Multi-Dokument-Kontext

Beispiel: M&A Due Diligence

Sie müssen 20 Dokumente gleichzeitig analysieren:

• Jahresabschlüsse (5× 30 Seiten = 150 Seiten)
• Verträge (10× 20 Seiten = 200 Seiten)
• Org-Charts, Strategien (5× 10 Seiten = 50 Seiten)
• Gesamt: 400 Seiten

Context Window-Anforderung:

• 400 Seiten ≈ 570.000 Tokens

Welches Modell?

• GPT-4o: ❌ Nur 90 Seiten = muss in 5 Teile splitten
• Claude: ❌ Nur 140 Seiten = muss in 3 Teile splitten
• Gemini: ✅ 700 Seiten = passt komplett

Vorteil Gemini: Alle Dokumente gleichzeitig im Kontext → bessere Cross-Document-Analyse

Use Case #1: Kurze Chats & FAQs

Typische Nutzung:

• "Was sind Ihre Öffnungszeiten?"
• "Wie kann ich Passwort zurücksetzen?"
• "Erstelle einen LinkedIn-Post"

Token-Volumen:

• Input: 10-100 Tokens
• Output: 50-500 Tokens
• Gesamt: <1.000 Tokens

Welches Modell?

• Alle Modelle: ✅ Völlig egal, 128K reicht locker

Empfehlung: Wählen Sie nach Qualität/Preis, nicht Context Window

Use Case #2: Wiederholte Aufgaben

Beispiel: 100 Produktbeschreibungen erstellen

Jede Anfrage:

• Input: 200 Tokens (Produkt-Specs)
• Output: 300 Tokens (Beschreibung)
• Gesamt: 500 Tokens

Welches Modell?

• Alle: ✅ Context Window spielt keine Rolle

Empfehlung: Wählen Sie günstigstes Modell (Gemini Flash)

Use Case #3: Code-Generierung (kleine Scripts)

Beispiel: "Erstelle eine Python-Funktion für CSV-Import"

• Input: 50 Tokens
• Output: 500 Tokens (Code + Kommentare)
• Gesamt: 550 Tokens

Welches Modell?

• Alle: ✅ Context Window egal

Empfehlung: Wählen Sie nach Code-Qualität (Claude) oder Preis (Gemini Flash)

Wie viele Tokens hat Ihr Dokument?

Faustregeln:

• 1 Seite A4 (Times New Roman, 12pt) ≈ 500 Wörter ≈ 667 Tokens
• 1 Wort (Deutsch) ≈ 1,33 Tokens
• 1 Zeichen ≈ 0,25 Tokens

Rechenbeispiele:

Tool-Tipp:

Nutzen Sie einen Token-Counter:

• OpenAI Tokenizer: platform.openai.com/tokenizer
• Gibt exakte Token-Anzahl für Ihren Text

Workflow:

1. Text/Dokument in Tokenizer pasten
2. Token-Anzahl ablesen
3. Mit Context Window vergleichen
4. Modell wählen

Gute Nachricht: Nein!

Token-Pricing ist Pay-per-Use:

• Sie zahlen nur für tatsächlich genutzte Tokens
• Nicht für Context Window-Größe

Beispiel:

Sie nutzen Gemini (1M Context Window) für eine 10-Seiten-Anfrage:

• Dokument: 10 Seiten = 6.700 Tokens
• Output: 500 Tokens
• Sie zahlen: 7.200 Tokens (nicht 1M!)
• Kosten: 7.200 × $0,35/1M = $0,00252

Fazit: Großes Context Window kostet nicht extra - aber ermöglicht größere Aufgaben.

Aber: Es gibt einen indirekten Kosten-Faktor:

Bei teuren Modellen mit großem Context Window:

Claude Opus (200K, aber teuer: $15/$75):

• Gleiche Anfrage (7.200 Tokens)
• Kosten: 6.700 × $15/1M + 500 × $75/1M = $0,10 + $0,04 = $0,14

40× teurer als Gemini Flash - aber nicht wegen Context Window, sondern wegen allgemeinem Preis.

Empfehlung: Wählen Sie Modell nach Aufgabe, nicht nach "größer ist besser".

Empfehlung #1: Für 90% der Aufgaben reicht GPT-4o (128K)

Realität:

• Die meisten Unternehmensanfragen sind <10.000 Tokens
• E-Mails, Texte, Analysen, Code
• 128K = ~90 Seiten ist mehr als genug

Wann GPT-4o ausreicht:

• ✅ Dokumente <80 Seiten
• ✅ Standard-Unternehmensanwendungen
• ✅ E-Mails, Texte, Chats
• ✅ Code-Generierung (kleine Scripts)

Empfehlung #2: Für lange Dokumente (>100 Seiten) nutzen Sie Gemini

Beispiele:

• Verträge >100 Seiten
• M&A Due Diligence
• Technische Handbücher
• Bücher, Forschungsberichte
• Große Codebasen (>30.000 Zeilen)

Vorteil:

• Alles auf einmal verarbeiten
• Keine Splits, kein Kontextverlust
• Bessere Qualität

Kosten:

• Gemini Flash: Super günstig ($0,35/$1,05)
• Gemini Pro: Mittel ($3/$12)
• Gemini Ultra: Teuer ($15/$45)

Best Practice: Starten Sie mit Gemini Flash, upgraden nur wenn nötig

Empfehlung #3: Claude (200K) ist der Sweet Spot

Positionierung:

• Größer als GPT-4o (200K vs. 128K)
• Kleiner als Gemini (200K vs. 1M)
• Aber: Beste Qualität bei Reasoning & Code

Wann Claude trotz kleinerem Context Window als Gemini?

• ✅ Dokumente 90-140 Seiten (passt perfekt)
• ✅ Code-Qualität wichtiger als Context-Größe
• ✅ Reasoning-Tasks (Business-Analysen)

Beispiel: 100-Seiten-Vertrag analysieren:

• Claude: ✅ Passt, beste Analyse-Qualität
• Gemini: ✅ Passt auch, aber günstig

Empfehlung: Claude für Qualität, Gemini für Budget

1 Million Tokens = revolutionär

Was passt in 1M Tokens?

• 📄 ~700 Seiten Text (A4)
• 📚 Ganzes Buch (z.B. "Sapiens" von Harari, 450 Seiten)
• 🎥 11 Stunden Audio/Video (transkribiert)
• 💻 ~50.000 Zeilen Code

Praktische Beispiele:

Beispiel #1: Ganzes Buch analysieren

Aufgabe: "Analysiere das Buch 'Sapiens' (450 Seiten) und erstelle eine 10-Seiten-Zusammenfassung"

Mit Gemini:

• ✅ Komplettes Buch hochladen (1× PDF, 333K Tokens)
• ✅ KI liest alles, behält Kontext
• ✅ Kann Kapitel 1 mit Kapitel 30 in Beziehung setzen
• ✅ Findet Widersprüche im gesamten Buch
• ✅ Dauer: 3 Minuten

Mit GPT-4o:

• ❌ Muss in 5 Teile gesplittet werden
• ❌ KI sieht nur 1/5 gleichzeitig
• ❌ Verliert Gesamt-Kontext

Beispiel #2: 2-Stunden-Webinar transkribieren

Aufgabe: Webinar-Video analysieren, Zusammenfassung erstellen

Mit Gemini:

• ✅ 2h Video hochladen
• ✅ Automatische Transkription
• ✅ Analyse des gesamten Inhalts
• ✅ Kapitelmarken, Sprecher-Identifikation

Mit GPT-4o:

• ❌ Video-Upload nicht supported
• ❌ Oder: Transkript zu lang

Beispiel #3: Gesamte Projektdokumentation

Sie wollen alle Projekt-Dokumente gleichzeitig analysieren:

• 10× Meeting-Notizen (je 5 Seiten = 50 Seiten)
• 5× Spezifikationen (je 20 Seiten = 100 Seiten)
• 3× Berichte (je 30 Seiten = 90 Seiten)
• Gesamt: 240 Seiten ≈ 160K Tokens

Mit GPT-4o:

• ⚠️ Passt knapp (128K)

Mit Claude:

• ✅ Passt locker (200K)

Mit Gemini:

• ✅ Passt mühelos (1M)

Empfehlung: Claude oder Gemini

Auch Gemini hat Limits:

Was passt NICHT in 1M Tokens:

• 1.000-Seiten-Dissertation (zu lang)
• Gesamte Enterprise-Codebase (100.000+ Zeilen)
• 10 Stunden Video (zu lang)

Lösung bei >1M Tokens:

Option 1: Intelligentes Chunking

• Dokument in logische Teile aufteilen
• Jedes Teil separat verarbeiten
• Ergebnisse zusammenführen

Option 2: Extraktion

• Nur relevante Teile nutzen
• Beispiel: Bei 1.000 Seiten → relevante Kapitel identifizieren → nur diese analysieren

Option 3: Summarization-Pipeline

• Schritt 1: Dokument in 10 Teile à 100 Seiten
• Schritt 2: Jedes Teil zusammenfassen (10× Query)
• Schritt 3: 10 Zusammenfassungen zu Gesamt-Summary (1× Query)

Praxis: Selbst bei 1M Context Window braucht man manchmal kreative Lösungen.

Context Window ist ein wichtiges Differenzierungsmerkmal - aber nur für bestimmte Use Cases.

Wann Context Window entscheidend ist:

• ✅ Lange Dokumente (>50 Seiten)
• ✅ Große Codebasen (>20.000 Zeilen)
• ✅ Multi-Dokument-Analysen
• ✅ Video-Analyse (nur Gemini)
• ✅ Kontext-intensive Aufgaben

Wann Context Window egal ist:

• ✅ Kurze Chats, FAQs
• ✅ Content-Erstellung
• ✅ Kleine Code-Snippets
• ✅ Standard-Anfragen

Die Modell-Empfehlung:

• Standard-Nutzung (90%): GPT-4o (128K reicht)
• Lange Dokumente (9%): Gemini (1M)
• Höchste Qualität (1%): Claude (200K, aber beste Analyse)

Die Multi-Model-Strategie: Plotdesk bietet alle drei - automatische Auswahl je nach Dokumentgröße:

• <80 Seiten → GPT-4o
• 80-140 Seiten → Claude

• 140 Seiten → Gemini

Das Ergebnis: Optimale Qualität bei niedrigsten Kosten - automatisch.