Immer mehr KI-Tools sagen, dass sie lernen. Für ein Forschungsteam deckt dieses Wort sehr unterschiedliche Dinge ab: eine Notizdatei, die der Assistent erneut liest, eine Suche über frühere Dokumente, ein Modell, das auf den Daten des Teams neu trainiert wurde, oder ein System, das sein Verhalten ändert, während Ergebnisse eintreffen. Jedes davon hat seinen Nutzen. Sie geben einem Team nicht dasselbe, und eine kurze Demo zeigt den Unterschied selten.
Dieser Leitfaden richtet sich an Führungskräfte in Forschung oder Engineering, die entscheiden müssen. Er stellt sechs Fragen an jede KI, die zu lernen behauptet, jeweils mit dem, wie eine gute Antwort aussieht. Dann beantwortet er sie für MS Duplex, damit du uns am selben Maßstab messen kannst wie alle anderen.
Warum „es lernt“ einen genaueren Blick verdient
Wenn eine KI aus deiner Arbeit lernt, beginnt sie, nach Dingen zu handeln, die an diesem Tag niemand in den Prompt getippt hat. Darum geht es. Deshalb verlangt ein lernendes System auch härtere Fragen als ein statisches. Ein Modell, das sich bei jeder Anfrage gleich verhält, lässt sich einmal prüfen. Ein System, das sich mit der Nutzung verändert, muss prüfbar bleiben, während es sich verändert.
Die gängigen Ansätze beantworten jeweils einen Teil davon. Anweisungsdateien und Notizen halten fest, was jemand aufgeschrieben hat, und sind so aktuell wie die letzte Bearbeitung. Retrieval holt Passagen zurück, die für den vorliegenden Fall relevant aussehen. Fine-Tuning verändert, was ein Modell auf ganzer Breite weiß, über einen vorbereiteten Datensatz und einen Trainingslauf, und es passt gut, wenn das das Ziel ist. Bevor ein System beginnt, Entscheidungen zu prägen, sollte dein Team wissen, welchen dieser Ansätze es kauft oder was das System daneben hinzufügt.
Die Kosten einer schlechten Wahl zeigen sich später, in der Arbeit. Ein Agent wiederholt einen gescheiterten Schritt, weil eine Lektion nicht hängen geblieben ist. Ein veralteter Wert überlebt in einer Empfehlung, weil niemand herausfinden konnte, woher er stammt. Ein Team bleibt bei einem älteren Modell, weil es bei einem Wechsel verlieren würde, was es dem alten beigebracht hat. Die Fragen unten bringen diese Risiken vor einem Pilotprojekt ans Licht, solange sie sich noch günstig besprechen lassen.
Sechs Fragen an jede KI, die zu lernen behauptet
Stelle diese Fragen jedem System auf deiner Liste. Bitte um eine Demonstration an einem Fall, den dein Team auswählt, und um das Protokoll hinter jeder Antwort.
- Woraus lernt es?Eine gute Antwort nennt die Eingaben: bestätigte Ergebnisse, Messungen, Expertenkorrekturen mit ihren Gründen, freigegebene Entscheidungen. Sei vorsichtig, wenn die Antwort „alles, was der Nutzer eintippt“ lautet. In der Forschung verdienen eine beiläufige Bemerkung und eine bestätigte Messung unterschiedliches Gewicht, und dein Team sollte entscheiden, welche Ergebnisse zählen.
- Wie kannst du sehen, warum sich sein Verhalten geändert hat?Lass dir eine Verhaltensänderung und die Belege dafür zeigen. Eine gute Antwort zeigt, was der Agent jetzt anders macht, seit wann und welche Ergebnisse das begründet haben. Wenn die einzige Erklärung lautet, dass sich das System „verbessert hat“, kannst du diese Verbesserung vor niemandem sonst vertreten.
- Wie korrigierst oder entfernst du eine einzelne Lektion?Fehler gelangen in jedes Protokoll: eine fehlerhafte Messung, eine Korrektur, die nur unter engen Bedingungen galt. Frag, was nötig ist, um eine Lektion zu beheben, ob sich dabei etwas anderes ändert und ob sich eine entfernte Lektion wiederherstellen lässt. Eine gute Antwort kommt ohne Trainingslauf aus.
- Was passiert mit der Erfahrung, wenn du das Modell wechselst?Forschungsteams wechseln oft das Modell. Frag, ob die Erfahrung an die Gewichte eines Modells gebunden ist oder neben dem Modell gehalten wird und ob ein neues Modell mit dem startet, was dein Team aufgebaut hat, oder von vorn beginnt.
- Wem gehört, was es lernt, und wer kann es sehen?Frag, wo die Erfahrung gespeichert wird, wem sie gehört und ob sie sich exportieren lässt. Frag, wie das Teilen innerhalb deiner Organisation funktioniert: ob die Gewohnheiten eines einzelnen Forschers den Agenten aller prägen können und ob irgendetwas, das aus deiner Arbeit gelernt wurde, ein anderes Unternehmen erreicht.
- Wie wirst du es beurteilen?Ein guter Anbieter schlägt einen Test an deiner eigenen Arbeit vor, mit einem Maßstab, auf den sich deine Experten einigen, bevor etwas läuft, und mit Ergebnissen, die bewertet werden, ohne zu wissen, welches Setup sie erzeugt hat. Zahlen aus den Tests anderer zeigen, was möglich ist. Dein eigener Test zeigt, was es für dein Team leistet.
Wie MS Duplex die Fragen zu Lernen und Belegen beantwortet
MS Duplex ist eine Lernschicht, die sich in die KI einfügt, die ein Forschungsteam bereits nutzt: Claude, Codex, Cursor, jeden Agenten, der MCP spricht, und die eigenen Agenten eines Teams über die API und das Python SDK. Es lernt neben dem Modell, dessen Gewichte bleiben, wie sie sind. So beantwortet es die ersten beiden Fragen.
MS Duplex lernt aus den Ergebnissen und Expertenkorrekturen, die dein Team erfassen möchte: ein bestandener Test, eine zurückgekommene Messung, eine Schlussfolgerung, die ein Experte freigibt, eine Korrektur mit dem Grund dahinter. Jede Lektion wird mit ihren Belegen und den Bedingungen festgehalten, unter denen sie bestätigt wurde, und gilt ab der nächsten Anfrage. Wo ein neuer Fall außerhalb dieser Bedingungen liegt, weist MS Duplex auf den Unterschied hin, statt die Lektion anzuwenden, als hätte sich nichts geändert.
Wenn sich ein Fakt ändert, gilt der neueste bestätigte Wert, und die Historie der Änderung bleibt erhalten. Das zählt für jedes Team, dessen Referenzwerte, Kalibrierungen oder Betriebsgrenzen sich mit der Forschung verschieben.
Zur zweiten Frage: Jede Änderung im Verhalten eines Agenten ist festgehalten. Was funktioniert hat, wird zum Ersten, was der Agent versucht. Was unter bestimmten Bedingungen gescheitert ist, wird unter diesen Bedingungen nicht mehr vorgeschlagen. Jede Änderung ist an die Ergebnisse geknüpft, die sie begründet haben. Wenn eine Teamleitung fragt, warum sich der Agent heute besser verhält als letzten Monat, steht die Antwort deshalb mit ihren Quellen im Protokoll.


MS Duplex hält außerdem auseinander, was bekannt ist und was angenommen wird. Es hält fest, welche Aktion unter welchen Bedingungen zu welchem Ergebnis geführt hat, und sagt deinen Forschenden, wenn eine Verbindung noch nicht belegt ist. Wo die Beleglage dünn ist oder ein Fall nichts bisher Gesehenem ähnelt, übergibt es die Entscheidung an dein Modell oder markiert sie für eine Forscherin oder einen Forscher, mit Begründung.
Wie MS Duplex die Fragen zu Kontrolle, Eigentum und Modellen beantwortet
Eine Lektion korrigieren und entfernen
Jede Erfahrung zeigt, woher sie stammt, in einer einzigen signierten Historie, die dein Team prüfen und exportieren kann. Korrigierst du eine Lektion, ändert sich nur diese Lektion. Entfernst du sie, verschwinden auch die Empfehlungen, die auf ihr beruhten, während alles andere bleibt. Eine entfernte Lektion lässt sich wiederherstellen, wenn dein Team es sich anders überlegt. Für nichts davon ist ein Trainingslauf nötig, denn es wurde von vornherein nichts in das Modell hineintrainiert.
Deine Regeln liegen am selben Ort. MS Duplex hält Regeln und Präferenzen getrennt, und beide bleiben in der Begründung hinter einem Schritt sichtbar. In regelgesteuerten Umgebungen, also unterstützten Setups mit Hooks, wird ein Schritt, der gegen eine Regel verstößt, gestoppt, bevor er läuft, und die Schritte, die du auswählst, etwa eine teure Simulation oder eine Änderung an gemeinsam genutzten Daten, warten auf die Freigabe durch einen Menschen. Eine neue Regel gilt ab der nächsten Anfrage.


Eigentum und Freiheit bei der Modellwahl
Die Erfahrung, die dein Team aufbaut, liegt in MS Duplex, in einem Speicher, der deiner Organisation gehört, egal welches Modell oder welchen Anbieter du nutzt. Mit der Zeit enthält er:
- Bestätigte Ergebnisse, jeweils mit den Bedingungen, unter denen sie gelten
- Expertenkorrekturen, jeweils mit ihrer Begründung
- Entscheidungen, mit den Belegen dahinter
- Verifizierte Methoden, die deine Agenten wiederverwenden und anpassen
- Pläne, Checkpoints und Fortschritt bei langen Kampagnen
Weil diese Erfahrung neben dem Modell liegt, startet ein neues Modell ab seiner ersten Anfrage mit all dem. Dein Team kann ein Modell für schwierige Analysen und ein anderes für wiederkehrende Arbeit im selben Projekt nutzen, und beide greifen auf dieselbe Erfahrung zurück.
Innerhalb deiner Organisation haben jede Forscherin und jeder Forscher, jedes Team und die gesamte Organisation eine eigene Ebene. Die Arbeitsgewohnheiten einer Wissenschaftlerin, eines Wissenschaftlers oder eines Ingenieurs bleiben persönlich, was ein Team bestätigt, wird mit diesem Team geteilt, und was die Organisation als Standard übernimmt, gilt überall. Deine Regeln entscheiden, was zwischen den Ebenen wandert, Menschen und Agenten erreichen nur, was ihr Zuständigkeitsbereich erlaubt, und nichts davon wird mit einem anderen Unternehmen geteilt. Wo MS Duplex läuft und wie deine Daten behandelt werden, wird ab dem ersten Gespräch mit deinen Sicherheits- und Datenverantwortlichen abgestimmt.
An deiner eigenen Arbeit beurteilen
Die sechste Frage ist die entscheidende. MS Duplex wird in einem Pilotprojekt an deiner eigenen Arbeit bewertet, neben deinem bisherigen Setup, und von deinen Experten beurteilt.
Wähle wiederkehrende Workflows, in denen sich Entscheidungen wiederholen und ein falscher oder unnötiger Lauf teuer ist. Lege mit deinen Experten das Maß fest, bevor irgendetwas läuft: die Kosten jedes akzeptierten, reproduzierbaren Ergebnisses und die Expertenzeit, die es erfordert. Nutze dasselbe Modell, dieselben Tools, Daten und dasselbe Budget mit und ohne MS Duplex. Lass deine Experten die Ergebnisse dann bewerten, ohne dass sie wissen, welches Setup sie erzeugt hat.
Unterzieh jedes System, das du in Betracht ziehst, demselben Test. Eine KI, die deine Arbeit verbessert, sollte das an deiner Arbeit zeigen, nach einem Maß, das du festlegst, bewertet von Menschen, die nicht wussten, welche Antwort woher kam.
Häufige Fragen
Verändert MS Duplex das Modell, das wir nutzen?
Es lässt die Gewichte des Modells, wie sie sind. MS Duplex lernt neben dem Modell. Deshalb gilt eine Lektion ab der nächsten Anfrage, deshalb lässt sich eine einzelne Lektion für sich korrigieren, und deshalb kommt die Erfahrung mit, wenn du das Modell wechselst.
Ersetzt MS Duplex Fine-Tuning?
Fine-Tuning behält seinen Platz, wenn es darum geht, das Wissen eines Modells auf ganzer Linie zu verändern. MS Duplex arbeitet neben einem feinabgestimmten Modell ebenso wie neben einem allgemeinen und bringt beide dazu, aus den bestätigten Ergebnissen deines Teams zu lernen.
Können wir prüfen, was die KI gelernt hat?
Ja. MS Duplex führt eine signierte Historie dessen, was gelernt, genutzt und freigegeben wurde. Dein Team kann sie prüfen und exportieren, eine Entscheidung daraus rekonstruieren und jede Lektion einsehen, korrigieren, entfernen oder wiederherstellen.
Wer entscheidet, woraus die KI lernt?
Dein Team. MS Duplex lernt aus den Ergebnissen und Korrekturen, die dein Team erfassen will, und deine Wissenschaftler und Ingenieure entscheiden, was übernommen wird. In regelgesteuerten Umgebungen warten die Schritte, die du auswählst, auf einen Menschen, bevor sie laufen.


Gebaut von MatterSpace
MatterSpace baut MS Duplex für Wissenschaftler, Forschende und Ingenieure in jedem Fachgebiet, damit die KI, die sie bereits nutzen, aus jedem Ergebnis lernt, das sie bestätigen.









