Zum Inhalt springen
Advancing Bits to Master Atoms
← Alle Beiträge

MS Duplex8 Min. Lesezeit

Warum deine Forschungs-KI vergisst und was es dein Team kostet.

Die meisten KI-Tools beginnen jede Sitzung mit dem, was das Modell wusste, als sein Training endete. Was das ein Forschungsteam kostet und was sich ändert, wenn bestätigte Ergebnisse zu Erfahrung werden.

Eine Schreibtischablage aus Graphit mit einem Stapel dünner satinsilberner Karten, in deren Mitte eine einzelne kobaltblaue Karte mit Registerreiter aufrecht steht.Eine Schreibtischablage aus Graphit mit einem Stapel dünner satinsilberner Karten, in deren Mitte eine einzelne kobaltblaue Karte mit Registerreiter aufrecht steht.

Die meisten Forschungsteams kennen diese Sitzung. Eine Wissenschaftlerin oder ein Ingenieur öffnet eine neue Unterhaltung mit der KI, erklärt das Projekt erneut, wiederholt die Grenzen der Methode, fügt die Ergebnisse der letzten Woche ein und korrigiert denselben Fehler, den sie schon am Dienstag korrigiert hat. Die KI ist leistungsfähig. Sie erinnert sich nicht.

Das ist das Standardverhalten der meisten KI-Tools, und es wird leicht unterschätzt, weil sich die Kosten auf viele kleine Momente verteilen und niemand die Summe sieht. Dieser Beitrag erklärt, woher das Vergessen kommt, was es ein Forschungsteam kostet und was sich ändert, wenn die Arbeit, die dein Team bestätigt, zu Erfahrung wird, die die KI behält.

Woher das Vergessen kommt

Ein Modell lernt, was es weiß, während des Trainings. Wenn das Training endet, ist dieses Wissen festgelegt. Das Modell kann über ein neues Problem nachdenken, Analysecode schreiben und die Dokumente lesen, die du ihm gibst, aber nichts, was es in einer Sitzung sieht, ändert, was es in der nächsten weiß.

Die Forschung spürt diese Lücke stärker als die meisten anderen Arbeitsbereiche. Das Wissen, auf das ein Team angewiesen ist, ist meist sein neuestes: eine Messung, die gestern zurückkam, eine Korrektur, die ein Experte heute Morgen gemacht hat, eine Betriebsgrenze, die jemand letzte Woche bestätigt hat. Nichts davon kann in den Trainingsdaten eines Modells stecken. Es existierte noch nicht, als das Modell trainiert wurde.

Innerhalb einer Sitzung kann die KI einiges davon in ihrem Kontext halten. Wenn die Sitzung endet, ist es weg. Die nächste Sitzung, der Agent eines Kollegen oder das Modell des nächsten Quartals beginnt wieder bei dem Tag, an dem das Training aufhörte. Dem Modell selbst etwas Neues beizubringen, heißt, einen Datensatz vorzubereiten und einen weiteren Trainingszyklus durchzuführen, was nur wenige Forschungsteams für jede Lektion tun.

Was es ein Forschungsteam kostet

Die Kosten des Vergessens tauchen selten als Posten in einem Budget auf. Sie zeigen sich an vier Stellen.

  • Neu erklären. Wissenschaftler und Ingenieure verbringen den Anfang jeder Sitzung damit, Ziel, Entscheidungen und Rahmenbedingungen erneut darzulegen, und der Agent stellt Fragen, die das Team längst beantwortet hat.
  • Wiederholte Fehler. Ein Experte korrigiert den Agenten, und in der nächsten Sitzung ist die Korrektur verschwunden. Derselbe Experte macht sie erneut, oder ein Kollege, der sie nicht mitbekommen hat, lässt den Fehler durch.
  • Doppelt bezahlte Arbeit. Ein Lauf, der unter bestimmten Bedingungen gescheitert ist, wird erneut vorgeschlagen, weil nichts das Scheitern festgehalten hat. Rechenleistung, Material und Gerätezeit fließen in die Wiederentdeckung dessen, was das Team bereits wusste.
  • Veraltete Fakten. Eine neue Messung ersetzt eine alte, aber der alte Wert steht noch in einem eingefügten Transkript oder einer Notizdatei und taucht in einer Antwort wieder auf, als wäre er aktuell.

Angenommen, der Agent eines Teams empfiehlt Einstellungen für eine wiederkehrende Analyse, und nichts hält fest, was er lernt. Über einen Monat kann das Muster so aussehen:

  1. Woche eins: eine KorrekturEin Experte lehnt eine Empfehlung ab, weil sie eine bekannte Grenze der Methode ignoriert, und erklärt, warum. Für den Rest dieser Sitzung macht der Agent es richtig.
  2. Woche zwei: derselbe FehlerIn einer neuen Sitzung gibt der Agent dieselbe Empfehlung. Ein anderer Prüfer bemerkt es und erklärt die Grenze erneut.
  3. Woche drei: ein gescheiterter Lauf, wiederholtDer Agent eines Kollegen schlägt mit einem anderen Modell eine Konfiguration vor, die zwei Wochen zuvor gescheitert ist. Der Lauf wird gestartet und scheitert aus demselben Grund.
  4. Woche vier: ein alter WertEine neue Kalibrierung hat einen Referenzwert ersetzt. Der Agent zitiert den alten, weil er in den Notizen stand, die eine Wissenschaftlerin oder ein Ingenieur eingefügt hat.
  5. Die BilanzZwei Erklärungen von Experten, ein vergeudeter Lauf und eine falsche Antwort, alles für Lektionen, die das Team bereits einmal bezahlt hatte.

Keiner dieser Momente ist für sich genommen dramatisch. Über ein Team und ein Jahr summieren sie sich zu Expertenzeit und Budget, die für bereits erledigte Arbeit aufgewendet werden. Die leisesten Kosten zeigen sich zuletzt: Experten hören auf, die KI zu korrigieren, weil Korrekturen nicht haften bleiben, und das Team verliert die Gewohnheit, ihr etwas beizubringen.

Was Teams heute tun und wo es an Grenzen stößt

Teams umgehen das Problem. Viele führen eine Instruktionsdatei oder eine Notizdatei für ihre KI, pflegen eine Prompt-Bibliothek oder binden ein Retrieval-System an ihre Dokumente an. Jedes davon hilft, und jedes lohnt sich.

Eine Notizdatei enthält, was jemand aufgeschrieben hat. Sie funktioniert, solange sie kurz und aktuell ist. Wenn sie wächst, füllt sie sich mit Zeilen, bei denen niemand sicher ist, ob sie noch gelten, und eine alte Zeile bleibt, bis jemand sie löscht. Das Modell liest alles erneut und beurteilt selbst, was zutrifft.

Retrieval findet Passagen, die der Frage ähnlich sehen, was nützlich ist, um Dokumente zu finden. Es sagt nicht, ob eine Passage unter den heutigen Bedingungen zutrifft, und wenn sich ein Fakt geändert hat, können die alte und die neue Version beide zurückkommen.

Fine-Tuning verändert, was ein Modell insgesamt weiß, und behält für diese Aufgabe seinen Platz. Es lernt aus einem vorbereiteten Datensatz und einem Trainingslauf, bewegt sich also im Takt von Trainingszyklen statt im Takt der Arbeit, und ein neues Modell-Release bedeutet, von vorn zu beginnen.

  • 0 % vs. 57 %veraltete Antworten nach geänderten Fakten: MS Duplex neben Standard-Retrieval, in den kontrollierten Tests von MatterSpace

Diese Zahl aus den kontrollierten Tests von MatterSpace misst die vierte Kostenart auf der Liste: Antworten, die einen Wert zitieren, den das Team bereits ersetzt hat. Es sind die Kosten, die sich am besten verstecken, weil eine veraltete Antwort genauso überzeugt klingt wie eine aktuelle.

Was sich ändert, wenn bestätigte Ergebnisse zu Erfahrung werden

Die Alternative ist, das Ergebnis statt der Unterhaltung festzuhalten. MS Duplex arbeitet neben dem Modell, das dein Team bereits nutzt, dessen Gewichte bleiben, wie sie sind, und lernt aus den Ergebnissen, die deine Arbeit bestätigt. Ein Test wird bestanden, eine Messung kommt zurück, ein Experte gibt eine Schlussfolgerung frei oder korrigiert eine und sagt, warum. Das wird zu Erfahrung, angewendet ab der nächsten Anfrage.

Jedes Stück Erfahrung bewahrt, was ein Forschungsteam braucht, um ihm zu vertrauen:

  • Das Ergebnis, die Messung oder das Expertenurteil, aus dem es stammt.
  • Die Bedingungen, unter denen es bestätigt wurde, sodass es dort angewendet wird, wo diese Bedingungen übereinstimmen.
  • Den Grund hinter einer Korrektur, sodass der Agent diesen Punkt beim nächsten Fall zuerst prüft.
  • Seine Historie, sodass der neuere Wert gilt, wenn ein neuerer bestätigter Wert einen älteren ersetzt, und die Änderung festgehalten bleibt.

Das ändert, was der Agent als Nächstes tut. Wo die Bedingungen übereinstimmen, wendet er das Gelernte an. Wo ein Fall verwandt, aber anders ist, markiert MS Duplex, was abweicht. Was funktioniert hat, probiert der Agent zuerst, und was gescheitert ist, wird nicht mehr vorgeschlagen.

Eine Wendeltreppe aus dünnen, satinsilbernen Platten, die von einer Graphitbasis aufsteigt, ihre neuesten obersten Stufen in Kobaltblau.Eine Wendeltreppe aus dünnen, satinsilbernen Platten, die von einer Graphitbasis aufsteigt, ihre neuesten obersten Stufen in Kobaltblau.
Eine Wendeltreppe aus dünnen, satinsilbernen Platten, die von einer Graphitbasis aufsteigt, ihre neuesten obersten Stufen in Kobaltblau: Jedes bestätigte Ergebnis wird zu einer Stufe, auf der die nächste Sitzung steht.

Spiel denselben Monat noch einmal mit MS Duplex durch. Die Korrektur aus Woche eins gilt ab der nächsten Anfrage, in jeder Sitzung und mit jedem Modell. Die gescheiterte Konfiguration wird nicht mehr vorgeschlagen, und das Protokoll zeigt, warum. Die neue Kalibrierung ersetzt den alten Wert ab der nächsten Anfrage, und die Historie der Änderung bleibt erhalten. Der Experte erklärt die Grenze einmal.

Die nächste Sitzung beginnt dort, wo die Arbeit steht

Vergessen passiert auch zwischen Menschen und zwischen Modellen. Ein Kollege übernimmt das Projekt. Das Team wechselt zu einem neueren Modell. In den meisten Setups setzt jede dieser Änderungen zurück, was die KI über die Arbeit weiß.

In MS Duplex gehen Ziel, Entscheidungen, freigegebene Methoden und Fortschritt als kompaktes Bild der Arbeit in jede neue Sitzung ein, jede Quelle festgehalten. Die Agenten, die du autorisierst, beginnen mit demselben Bild, auf welchem Modell sie auch laufen. Die Erfahrung liegt in einem Speicher, der deiner Organisation gehört, sodass ein neues Modell mit allem beginnt, was das Team aufgebaut hat.

Ein offener Kasten aus Graphit mit Reihen dünner Karten in satiniertem Silber, eine kobaltblaue Trennkarte ragt über die anderen hinaus.Ein offener Kasten aus Graphit mit Reihen dünner Karten in satiniertem Silber, eine kobaltblaue Trennkarte ragt über die anderen hinaus.
Ein offener Kasten aus Graphit, gefüllt mit Reihen dünner, satinsilberner Karten, eine kobaltblaue Trennkarte über die anderen erhoben: das gesamte Protokoll geordnet aufbewahrt, und was die nächste Entscheidung braucht, nach vorn geholt.

Eine KI, die Erfahrung behält, muss auch kontrolliert werden. Jede Lektion kann einzeln geprüft, korrigiert oder entfernt werden. Korrigierst du eine, ändert sich nur diese; entfernst du sie, verschwinden die Empfehlungen, die von ihr abhingen, mit ihr, während alles andere bleibt. Persönliche, Team- und Organisationsebene halten die Gewohnheiten einzelner Forschender persönlich und die Bestätigungen eines Teams innerhalb dieses Teams, nach deinen Regeln, und nichts wird mit einem anderen Unternehmen geteilt.

Häufige Fragen

Warum kann sich das Modell nicht von selbst erinnern?

Sein Wissen ist festgelegt, wenn das Training endet. Ihm etwas Neues beizubringen, heißt, einen Datensatz vorzubereiten und einen weiteren Trainingszyklus durchzuführen, daher fehlt in jeder neuen Sitzung, was dein Team zwischen den Zyklen lernt.

Reicht eine längere Notizdatei?

Eine Notizdatei hilft, solange sie kurz und aktuell ist. Wenn sie wächst, bleiben alte Zeilen stehen, bis jemand sie löscht, und das Modell muss beurteilen, welche noch gelten. MS Duplex hält bestätigte Ergebnisse mit ihren Bedingungen und ihrer Historie fest, sodass der neueste bestätigte Wert gilt.

Was passiert, wenn sich ein Fakt ändert?

Der neueste bestätigte Wert gilt ab der nächsten Anfrage, und die Historie der Änderung bleibt erhalten. Bei veralteten Antworten nach geänderten Fakten ergaben die kontrollierten Tests von MatterSpace 0 % vs. 57 %, MS Duplex neben Standard-Retrieval.

Müssen wir die KI-Tools wechseln, die wir nutzen?

Nein. MS Duplex lässt sich in Claude, Codex, Cursor und andere Agenten einbinden, die MCP sprechen, und über die API und das Python SDK in deine eigenen Agenten und Pipelines. Deine Wissenschaftler und Ingenieure behalten die KI, die sie bereits nutzen.

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.

Weiterlesen

Damit der nächste Lauf vom letzten profitiert.

Bring uns die Forschung, in der deine KI besser werden soll. Wir planen ein Pilotprojekt an deinen eigenen Workflows, mit deinen Experten als Jury.