Am klarsten erfährst du, ob eine lernende KI deinem Team hilft, wenn du zusiehst, wie sie aus der Arbeit deines Teams lernt. Eine Demo läuft am Problem eines anderen. Ein Pilotprojekt läuft an deinem, und die Menschen, die die Arbeit am besten kennen, entscheiden, ob es geholfen hat.
Dieser Leitfaden führt durch die Planung eines Pilotprojekts mit MS Duplex in der Reihenfolge, in der eine Forschungsleitung darüber nachdenken sollte: die Arbeit, die du wählst, die vier Schritte, die Workflows und die Verbindung, wer bewertet und was gemessen wird, und was dein Team erhält. Er setzt kein bestimmtes Fachgebiet voraus. Wo immer dein Team Experimente, Simulationen, Analysen oder Design-Reviews mit KI durchführt, ist der Plan derselbe.
Beginne mit der Forschung, in der deine KI besser werden soll
MS Duplex sorgt dafür, dass die KI, die dein Team bereits nutzt, aus bestätigten Ergebnissen, Expertenkorrekturen und Entscheidungen lernt. Sein Nutzen zeigt sich am stärksten dort, wo dieselben Arten von Entscheidungen immer wiederkehren, deshalb sollte das Pilotprojekt dort ansetzen. Eine einmal getroffene Entscheidung gibt dem System wenig, woraus es lernen kann. Eine Entscheidung, die dein Team jeden Tag trifft, gibt ihm jedes Mal etwas, das es verbessern kann.
Gute Kandidaten für ein Pilotprojekt haben einige Merkmale gemeinsam:
- Die Entscheidungen wiederholen sich: Dieselbe Art von Wahl kehrt über Projekte, Personen oder Läufe hinweg wieder.
- Ergebnisse werden bestätigt: Ein Test, eine Messung oder ein Expertenreview zeigt, ob der Vorschlag der KI standgehalten hat.
- Fehler kosten etwas: Ein falscher oder unnötiger Lauf verbraucht Rechenleistung, Gerätezeit, Material oder die Aufmerksamkeit eines Experten.
- Experten korrigieren die KI bereits: Dieselbe Korrektur wurde mehr als einmal gemacht, von denselben Personen.
- Die Arbeit erstreckt sich über Sitzungen oder Personen: Eine Übergabe oder eine neue Sitzung bedeutet heute, das Projekt erneut zu erklären.
In den meisten Forschungsorganisationen führt das zu vertrauter Arbeit: Einstellungen für den nächsten Lauf empfehlen, Kandidaten für Tests ranken, eine Reihe von Läufen auf ein Ziel hin planen, entscheiden, welches Tool oder welche Methode für eine Analyse genutzt wird, oder Analysen prüfen, bevor sie als final markiert werden. Wähle einen oder zwei Workflows. Ein schmales Pilotprojekt mit einem klaren Maßstab sagt dir mehr als ein breites mit einem vagen Maßstab.
Angenommen, der Agent eines Teams empfiehlt Einstellungen für eine wiederkehrende Analyse, und ein erfahrener Wissenschaftler oder Ingenieur korrigiert ihn immer wieder, weil er eine bekannte Grenze der Methode ignoriert. Das ist ein starker Kandidat für ein Pilotprojekt. Die Entscheidung wiederholt sich, das Ergebnis wird durch Messung bestätigt, und die Korrektur hat einen Verantwortlichen, der beurteilen kann, ob sie Bestand hat.


Die vier Schritte eines Pilotprojekts
Jedes Pilotprojekt mit MS Duplex folgt denselben vier Schritten. Sie sind so angelegt, dass das Ergebnis vor deinen eigenen Experten und vor allen, denen sie berichten, Bestand hat.
- Die Arbeit wählenWähle wiederkehrende Forschungsworkflows, in denen sich Entscheidungen wiederholen und ein falscher oder unnötiger Lauf teuer ist. Benenne die Personen, die für diese Workflows verantwortlich sind, denn sie werden Ergebnisse bestätigen und die Resultate beurteilen.
- Den Maßstab vereinbarenKläre mit deinen Experten, bevor irgendetwas läuft, wie das Pilotprojekt beurteilt wird: die Kosten jedes akzeptierten, reproduzierbaren Ergebnisses und die Expertenzeit, die nötig ist, um dorthin zu kommen. Wenn ihr das zuerst schriftlich festhaltet, bleibt der Vergleich fair.
- Nebeneinander laufen lassenNutze dasselbe Modell, dieselben Tools, Daten und dasselbe Budget mit und ohne MS Duplex, sodass die Lernschicht der einzige Unterschied ist. Wo deine Umgebung es unterstützt, füge eine regelgesteuerte Verbindung hinzu, damit deine Regeln gelten, bevor kostspielige Schritte beginnen.
- Blind bewertenDeine Experten bewerten die Ergebnisse, ohne zu wissen, welches Setup sie erzeugt hat. Ihre Bewertungen, gemessen am vereinbarten Maßstab, sind das Ergebnis des Pilotprojekts.
Die Reihenfolge ist wichtig. Ein Maßstab, der gewählt wird, nachdem die Ergebnisse vorliegen, lädt zum Streit ein. Ein Vergleich ohne abgestimmte Vergleichsbasis kann die Lernschicht nicht von einem besseren Modell oder einem größeren Budget unterscheiden. Die blinde Bewertung hält die Erwartungen aller, unsere eingeschlossen, aus dem Urteil heraus.
Die Workflows und die Verbindung wählen
MS Duplex lässt sich an die KI anbinden, die deine Wissenschaftler und Ingenieure bereits nutzen, sodass sie die Tools behalten, die sie kennen. Entscheide, über welche davon die gewählten Workflows laufen:
- Claude, Codex, Cursor oder ein anderer Agent, der MCP spricht, den offenen Standard, der KI-Agenten Tools zur Verfügung stellt.
- Deine eigenen Forschungsagenten und Pipelines, über die MS Duplex API und das Python SDK.
Wähle dann die Verbindung. Bei einer Standardverbindung ruft dein Agent MS Duplex auf, um relevante Erfahrung zurückzuholen, dem Plan zu folgen und die Ergebnisse festzuhalten, die du zulässt. Das ist der einfachste Einstieg. In unterstützten Umgebungen mit Hooks leitet eine regelgesteuerte Verbindung die Schritte, die du auswählst, über MS Duplex, sodass deine Regeln gelten, bevor eine kostspielige Simulation oder ein Lauf beginnt, und die Schritte, die du für eine Freigabe markierst, auf eine Person warten.
Kläre vor dem ersten Lauf drei Dinge mit den Verantwortlichen der Workflows. Erstens, welche Ergebnisse festgehalten werden: bestandene Tests, Messungen, freigegebene Schlussfolgerungen, Korrekturen mit ihren Gründen. Zweitens, wer sie bestätigt. Drittens, welche Regeln von Anfang an gelten, etwa ein Budgetlimit oder ein Schritt, der eine Freigabe braucht. MS Duplex lernt aus den Ergebnissen und Korrekturen, die dein Team festhalten will, daher bestimmt diese Liste, was das Pilotprojekt zeigen kann.


Wer bewertet und was gemessen wird
Bewerten sollten die Experten, die für die Arbeit verantwortlich sind: die Personen, die sonst die KI korrigieren, ihre Schlussfolgerungen freigeben und entscheiden würden, was weitergeht. Wähle sie aus, bevor das Pilotprojekt startet, und halte sie aus dem Setup heraus, damit sie die Ergebnisse bewerten, ohne zu wissen, welches Setup sie erzeugt hat.
Der zentrale Maßstab ist der im zweiten Schritt vereinbarte: die Kosten jedes akzeptierten, reproduzierbaren Ergebnisses und die Expertenzeit, die es erfordert. „Akzeptiert“ heißt, dass deine Experten danach handeln würden. „Reproduzierbar“ heißt, dass andere Forschende es anhand des Protokolls rekonstruieren könnten. Beides sind Urteile, die dein Team bereits fällt. Das Pilotprojekt bittet dich, sie konsequent und blind zu fällen.
Bitte die Bewertenden und die Verantwortlichen der Workflows, neben dem zentralen Maßstab festzuhalten, was sie im Protokoll sehen:
- Korrekturen, die ein Experte mehr als einmal machen musste
- Läufe, die für Ansätze vorgeschlagen wurden, die das Team bereits hatte scheitern sehen
- Entscheidungen, die MS Duplex direkt getroffen hat, und solche, die es an das Modell oder eine Person übergeben hat, jeweils mit Begründung
- Wie eine neue Sitzung oder eine Übergabe die Arbeit aufgenommen hat
- Ob sich jede Empfehlung auf ihre Quelle zurückführen ließ
Diese Notizen ersetzen den Maßstab nicht. Sie erklären ihn, und sie zeigen, wo die Lernschicht am meisten geholfen hat und wo sie wenig ausgemacht hat. Das brauchst du, um zu entscheiden, wo du sie als Nächstes einsetzt.
Was dein Team erhält
Ein gut geplantes Pilotprojekt hinterlässt deinem Team Belege, die es vertreten kann, und Erfahrung, die es behält.
- Ein direkter Vergleich an deiner eigenen Arbeit, blind bewertet von deinen eigenen Experten anhand des Maßstabs, den du vereinbart hast
- Das Protokoll dessen, was MS Duplex während des Pilotprojekts gelernt, genutzt und freigegeben hat, jeder Eintrag mit seiner Quelle, bereit zum Prüfen und Exportieren
- Die dabei aufgebaute Erfahrung: bestätigte Ergebnisse mit ihren Bedingungen, Expertenkorrekturen mit ihren Gründen, Entscheidungen mit ihren Belegen und verifizierte Methoden
- Ein klarer Überblick darüber, welche Workflows am meisten profitiert haben, als Orientierung für die nächsten Schritte deines Teams
Diese Erfahrung gehört deiner Organisation, egal welches Modell oder welchen Anbieter du nutzt. Persönliche, Team- und Organisationsebene sowie die Regeln, die entscheiden, was zwischen ihnen wandert, lassen sich so einrichten, wie deine Organisation ihre Arbeit bereits teilt. Die Gewohnheiten der einzelnen Forschenden bleiben persönlich, und was ein Team bestätigt, wird mit diesem Team geteilt.
Häufige Fragen
Müssen unsere Wissenschaftler und Ingenieure ihre Arbeitsweise ändern?
Sie behalten die KI, die sie bereits nutzen. MS Duplex lässt sich an Claude, Codex, Cursor und andere Agenten anbinden, die MCP sprechen, oder über die API und das Python SDK an deine eigenen Agenten. Hinzu kommt vor allem, Ergebnisse zu bestätigen und Korrekturen mit ihren Gründen festzuhalten, was die meisten Experten in irgendeiner Form bereits tun.
Verändert das Pilotprojekt unser Modell?
MS Duplex lernt neben dem Modell, dessen Gewichte bleiben, wie sie sind. In beiden verglichenen Setups läuft dasselbe Modell, sodass der Unterschied, den deine Experten sehen, von der Lernschicht kommt.
Können wir im Pilotprojekt mehr als ein Modell nutzen?
Ja. Die Erfahrung liegt in MS Duplex, sodass verschiedene Modelle auf dieselbe Erfahrung zurückgreifen können. Halte das Modell zwischen den beiden verglichenen Setups gleich, damit der Vergleich fair bleibt.
Wie fangen wir an?
Bring uns die Forschung mit, in der deine KI besser werden soll. Gemeinsam wählen wir die Workflows, vereinbaren den Maßstab mit deinen Experten und planen den Lauf im direkten Vergleich, mit deinen Experten als Bewertenden.


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.









