Zehnmal dieselbe Erklärung. Warum KI-Agenten ein Gedächtnis brauchen, und wie unseres aussieht.

Zehnmal dieselbe Erklärung

Ein Entwickler bei uns hat einem KI-Agenten innerhalb von zwei Monaten rund zehnmal erklärt, wo die Datenbank unserer wichtigsten Anwendung liegt. Nicht bei dem Anbieter, bei dem der Rest der Anwendung läuft, sondern auf einem eigenen Server. Der Agent hat die Erklärung jedes Mal verstanden, jedes Mal korrekt weitergearbeitet, und in der nächsten Sitzung war sie weg. Wie ein neuer Kollege, der jeden Morgen zum ersten Mal ins Büro kommt, dieselbe Einweisung bekommt und abends alles wieder vergisst. Der Spuk endete an dem Tag, an dem der Satz in einem Gedächtnis stand, das der Agent vor jeder Sitzung liest. Seitdem hat ihn niemand mehr erklären müssen.

Das teurere Beispiel stammt aus dem April. In einem unserer Dashboards fehlte eine Zahl. Ein Agent fand eine plausible Ursache in der Datenpipeline, baute einen Fix, der Fix wurde geprüft und ausgerollt. Die Zahl fehlte weiterhin. Zweiter Anlauf, andere Ursache, zweiter Fix. Dritter Anlauf, dritter Fix. Erst dann fiel auf: In der Seitenleiste desselben Dashboards wurde exakt diese Zahl längst korrekt angezeigt, über einen direkten Weg, den der Agent nie angeschaut hatte, weil er in jeder der drei Sitzungen von vorne begonnen hatte. Der Vorfall steht seit dem 14. April als bestätigter, kritischer Eintrag in unserem Gedächtnis, zusammen mit der Regel, die daraus folgt: Bevor du eine fehlende Zahl reparierst, prüfe, ob dieselbe Zahl irgendwo anders in der Anwendung korrekt ankommt, und nimm diesen Weg. Die Regel steht seitdem in der Arbeitsanweisung, die jeder Agent zu Beginn jeder Sitzung liest. Ein zweites Vorkommen wurde seither nicht eingetragen, in rund 2.900 Sitzungen.

Beides sind keine Beispiele für ein schlechtes Modell. Das Modell war jedes Mal dasselbe, und es war gut. Es sind Beispiele für ein System ohne Gedächtnis. Was der Agent in einer Sitzung gelernt hatte, existierte in der nächsten nicht mehr, und die Lehre aus dem Vorfall hätte ohne einen Ort, an dem sie liegt, beim nächsten Agenten genauso gefehlt.

Ein Sprachmodell ist brillant und vergisst alles. Jede Sitzung beginnt bei null, und ohne ein Gedächtnis außerhalb des Modells ist das nächste Projekt genauso schwer wie das erste.

Wir bauen seit Anfang 2026 Geschäftsanwendungen mit KI-Agenten. Dieser Text ist kein Produkttext. Er beschreibt, welche Probleme uns dabei am meisten Zeit gekostet haben, warum die Antwort ein Gedächtnis war und kein besseres Modell, wie dieses Gedächtnis heute aussieht, was daran noch nicht funktioniert, und was ein Mittelständler daraus für seine eigenen KI-Vorhaben mitnehmen kann.

Vier Probleme, die kein besseres Modell löst

Wer KI-Agenten nicht als Demo, sondern im Betrieb einsetzt, trifft früher oder später auf dieselben vier Muster. Wir haben sie alle in eigener Sache erlebt.

• Jede Sitzung beginnt bei null. Die Umgebung, die Konventionen, die Eigenheiten der Systeme: alles muss neu erklärt werden, jedes Mal. Bei einem Agenten ist das lästig. Bei Dutzenden Agenten-Sitzungen pro Tag ist es ein Kostenfaktor, und ein Qualitätsproblem, weil jede Sitzung ihre eigenen Annahmen trifft.
• Entscheidungen werden neu verhandelt. Warum haben wir uns vor drei Monaten gegen Lösung A entschieden? Wenn niemand es aufgeschrieben hat, schlägt der nächste Agent (oder der nächste Kollege) Lösung A wieder vor. Mit denselben guten Argumenten, die damals auch nicht gereicht haben.
• Fehler wiederholen sich. Ein Sprachmodell zieht aus einem Fehler keine Lehre. Es gibt beim nächsten Mal dieselbe Antwort, weil es dieselbe Frage sieht. Dabei ist "was nicht funktioniert hat" in der Praxis wertvoller als "was funktioniert hat", weil es viel teurer ist, es ein zweites Mal herauszufinden.
• Wissen verlässt das Haus, mit Menschen und mit Modellgenerationen. Das erste ist bekannt. Das zweite ist neu: Wer sein Betriebswissen in Chat-Verläufe und Prompts eines bestimmten Modells steckt, verliert es, sobald das Modell abgelöst wird. Und Modelle werden inzwischen alle paar Monate abgelöst.

Keines dieser Probleme wird kleiner, wenn das Modell besser wird. Ein klügerer Agent ohne Gedächtnis wiederholt seine Fehler nur eleganter.

Warum eine Chat-Historie kein Gedächtnis ist

Die naheliegende Antwort lautet: Dann speichern wir eben alles. Jeden Verlauf, jede Datei, jede Notiz, ab in eine Datenbank, und der Agent sucht sich bei Bedarf das Passende heraus. Genau so funktionieren die meisten Angebote, die heute "KI-Gedächtnis" heißen. Es ist nützlich, und es ist nicht das, was wir brauchten. Einem Speicher, der nur sammelt, fehlen drei Dinge:

• Er vergisst nicht. Überholte, widerlegte oder ersetzte Fakten liegen gleichberechtigt neben aktuellen. Nach einem Jahr Betrieb ist der Speicher voll, und die richtige Antwort ist darin genauso schwer zu finden wie ohne ihn.
• Er verdichtet nicht. Aus hundert Einzelfällen wird nie eine Regel. Was gestern passiert ist, bleibt ein Protokoll und wird nicht zu einem Grundsatz, den man beim nächsten Mal anwenden kann.
• Er lernt nicht, was weh tut. Ein Fehler ist darin nur ein weiterer Text. Nichts hält den Agenten beim nächsten Mal davon ab, in dieselbe Richtung zu laufen.

Das Ergebnis kennt jeder, der ein Wiki betreut hat: Ein Gedächtnis, das nur wächst, wird unbrauchbar. Der Unterschied zwischen einem Archiv und einem Gedächtnis ist nicht die Größe. Es ist die Fähigkeit, sich selbst aufzuräumen.

Wie unser Gedächtnis aufgebaut ist

Wir haben deshalb ein institutionelles Gedächtnis gebaut, das nicht einem einzelnen Agenten gehört, sondern dem Betrieb: allen Agenten, allen automatisierten Routinen und den Menschen, die mit ihnen arbeiten. Es läuft auf einer eigenen Datenbank in der EU, die wir selbst betreiben. Der Aufbau ist auf Konzeptebene einfach, und wir beschreiben ihn hier bewusst auf dieser Ebene.

Das Gedächtnis kennt fünf Arten von Wissen, jede mit eigenem Lebenszyklus:

• Episoden. Was in einer Sitzung passiert ist: was erledigt wurde, was offen blieb, woran es hakte. Rohmaterial, das später verdichtet wird.
• Muster. Lösungen, die sich bewährt haben. Jedes Muster trägt eine Bewertung, die davon abhängt, ob Sitzungen, die es angewendet haben, gut ausgegangen sind.
• Anti-Muster. Fehler, mit Schweregrad und Häufigkeit. Sie werden dem Agenten nicht als Lesestoff, sondern als Warnung vorgelegt: Das hier nicht wieder.
• Entscheidungen. Was wir gewählt haben, warum, und welche Entscheidung eine ältere ersetzt. Damit hört die Neuverhandlung auf.
• Arbeitsweise. Wie das Team arbeitet, was der Mensch am anderen Ende erwartet, welche Konventionen gelten. Nicht als Regeltext, sondern als Erkenntnisse mit Konfidenz, die verblassen, wenn sie nicht bestätigt werden.

Dazu kommen drei Regeln, die aus dem Speicher ein System machen:

1. Jede Sitzung beginnt mit einem Briefing und endet mit einer Übergabe. Der Agent bekommt am Anfang die passenden Muster, Warnungen und Entscheidungen vorgelegt. Am Ende schreibt er auf, was passiert ist. Keine Übergabe, keine Sitzung. Das ist die Regel, die am schwersten durchzuhalten war, und ohne sie funktioniert der Rest nicht.
2. Wissen wird nach Ergebnis bewertet. Ein Muster, das in erfolgreichen Sitzungen referenziert wurde, steigt. Eines, das in gescheiterten Sitzungen vorkam, fällt. Das Gedächtnis lernt so, welchem seiner eigenen Inhalte es trauen kann.
3. Was nicht mehr stimmt, verblasst. Erkenntnisse, die längere Zeit nicht bestätigt werden, verlieren Gewicht und werden irgendwann deaktiviert. Regelmäßig werden offene Episoden zu dauerhaftem Wissen verdichtet. Das ist das Aufräumen, das einer Chat-Historie fehlt.

Und eine vierte Regel, die über allem steht: Der Mensch hat Vorrang. Eine menschliche Bewertung überschreibt jede maschinelle, und zwar nicht per Konvention, sondern im Schreibpfad der Datenbank. Die Maschine kann eine menschliche Einschätzung nicht überstimmen, selbst wenn sie es wollte.

Beispiel: Was der nächste Agent sieht, bevor er anfängt

Vier echte Einträge aus unserem Gedächtnis, so wie sie einem Agenten heute im Briefing vorgelegt werden, in der Sprache des Systems leicht geglättet:

• Warnung, kritisch, bestätigt, 14. April. Symptome über drei Pull Requests repariert, statt den Datenweg zu hinterfragen. Regel: Wird dieselbe Zahl anderswo in der Anwendung korrekt angezeigt, dann diesen Weg nehmen.
• Warnung, kritisch, zweimal aufgetreten, 3. März. Eine nicht festgeschriebene Bibliotheksversion hat funktionierenden Code stillschweigend zerlegt, in zwei Anwendungen innerhalb weniger Wochen. Daraus wurde am 24. März eine allgemeine Regel (Versionen festschreiben, vor jedem Update die Änderungen prüfen), die seitdem in 184 Briefings geladen wurde.
• Muster, bewährt, Bewertung 0,81. Prüfe das tatsächliche Verhalten, nicht die Absicht. Ein grüner Build ist kein Beweis, dass etwas läuft, und "müsste funktionieren" ist kein Test. In 133 Briefings geladen, in 39 Sitzungen nachweislich angewendet.
• Entscheidung, aktiv, 28. Mai, ersetzt eine vom 13. März. Wenn der externe Code-Prüfdienst sein Limit erreicht, nicht mehr sofort einen Menschen alarmieren, sondern eine Wiedervorlage nach der Abkühlzeit einplanen. Der alte Eintrag bleibt lesbar und ist als ersetzt markiert, samt Begründung.

Nichts davon hat dieser Agent in dieser Sitzung selbst gelernt. Es stammt aus Sitzungen anderer Agenten, in anderen Anwendungen, über sechs Monate verteilt. Und jede Übergabe, die er am Ende seiner eigenen Sitzung schreibt, wird zum Eintrag im Briefing des nächsten. Das ist der Unterschied zwischen einem Werkzeug und einem Betrieb, der Erfahrung sammelt.

Was seit Mitte Februar 2026 zusammengekommen ist

Die Zahlen aus unserem eigenen Betrieb, Stand Anfang September:

• mehr als 3.800 Agenten-Sitzungen mit über 4.300 Übergaben
• 693 Muster, jedes mit einer ergebnisbasierten Bewertung
• rund 2.900 Anti-Muster, 780 davon von Menschen bestätigt
• 334 dokumentierte Entscheidungen mit Begründung und Ersetzungskette
• verteilt über rund 50 Anwendungen, Prototypen und interne Werkzeuge

Der praktische Effekt: Die dritte Anwendung einer Art wird schneller gebaut als die erste, nicht weil das Modell besser wurde, sondern weil die Fehler der ersten beiden im Briefing der dritten stehen.

Was noch nicht funktioniert

Wir halten es für unredlich, über ein lernendes System zu schreiben, ohne zu sagen, wo es nicht lernt. Drei Stellen.

Der Bewerter. Damit Wissen nach Ergebnis bewertet werden kann, muss jemand entscheiden, ob eine Sitzung erfolgreich war. Bei Dutzenden Sitzungen am Tag kann das kein Mensch allein. Also bewertet ein Sprachmodell die Übergaben. Bevor wir seinen Urteilen irgendeine Autorität gegeben haben, haben wir gemessen, wie oft es mit einem Menschen übereinstimmt, bereinigt um Zufallstreffer. Das Ergebnis der ersten Messung im Juni: null. Zufallsniveau. Seitdem messen wir jede Woche auf dem vollen Bestand menschlich bewerteter Sitzungen. Der aktuelle Wert liegt bei etwa 0,37 auf einer Skala, bei der 1 perfekte Übereinstimmung wäre, gemessen an 869 Sitzungen. Unsere Freigabeschwelle liegt bei 0,6. Bis dahin bleibt der Bewerter ein Messinstrument, und der Mensch entscheidet. Die Geschichte dieser Messreihe, inklusive der Rückschläge, veröffentlichen wir separat.

Die Verdichtung. Aus Episoden dauerhaftes Wissen zu machen ist am Ende eine Zusammenfassung, und Zusammenfassungen verlieren Details. Was selten vorkommt, kann dabei stillschweigend verschwinden. Wir halten deshalb die Herkunft jedes verdichteten Eintrags fest, damit man zurückgehen kann. Gelöst ist das Problem damit nicht, nur nachvollziehbar.

Die Disziplin. Das System steht und fällt mit der Übergabe am Ende jeder Sitzung. Agenten lassen sie weg, wenn man sie lässt, genau wie Menschen. Wir haben sie deshalb technisch erzwungen. Trotzdem war der Anteil der Sitzungen, die sauber zurückmelden, welche Muster sie tatsächlich benutzt haben, lange Zeit niedrig. Das ist keine Software-Frage, sondern eine Betriebsfrage, und sie ist der Grund, warum sich so etwas nicht in einer Woche einführen lässt.

Ein Gedächtnis, das nicht weiß, wie zuverlässig es selbst ist, ist gefährlicher als gar keines. Deshalb messen wir zuerst und vertrauen danach.

Was das mit Herrn Müller zu tun hat

Wir haben an anderer Stelle beschrieben, was passiert, wenn ein Controller nach 28 Jahren in Rente geht und sein Prozesswissen mitnimmt. Die Empfehlung dort: früh anfangen, strukturiert interviewen, das Explizierbare in ausführbare Logik überführen. Alles richtig, und alles ein Kraftakt in den letzten zwölf Monaten vor dem Austritt.

Ein institutionelles Gedächtnis ändert die Ausgangslage. Wenn jede Entscheidung, jede Ausnahme und jeder Fehler ohnehin dort landet, weil die Systeme, mit denen Herr Müller arbeitet, so gebaut sind, dann liegt sein Regel- und Beziehungswissen zum Renteneintritt bereits vor. Nicht als Handbuch, das jemand in seinem letzten Halbjahr schreiben musste, sondern als Nebenprodukt der täglichen Arbeit. Die Übergabe wird vom Projekt zur Routine.

Zwei ehrliche Einschränkungen gehören dazu. Das Urteilswissen, die Fähigkeit, eine Situation richtig einzuschätzen, liegt auch in diesem System nicht in einem Datenbankfeld. Und die Voraussetzung ist, dass die Arbeit überhaupt durch Systeme läuft, die mitschreiben können. In einem Betrieb, in dem Kalkulationen in persönlichen Excel-Dateien leben, gibt es nichts, was ein Gedächtnis aufnehmen könnte.

Für Geschäftsführer hat dieselbe Struktur noch eine zweite Funktion, die mit der KI-Verordnung an Gewicht gewinnt: Sie ist ein Audit Trail. Wer in einem Jahr belegen muss, warum ein KI-gestütztes System heute so entschieden hat, braucht genau das, was ein solches Gedächtnis ohnehin festhält: die Entscheidung, die Begründung, das Datum, und was sie ersetzt hat. Ein Gedächtnis, das nur der Maschine hilft, wäre die halbe Investition.

Drei Fragen an jeden KI-Anbieter

Man muss so ein Gedächtnis nicht selbst bauen, um davon zu profitieren. Es reicht, die richtigen Fragen zu stellen, bevor man einen KI-Agenten oder einen Copiloten ins Haus holt:

1. Was merkt sich das System zwischen zwei Sitzungen, und wo liegt das? Wenn die Antwort "die Chat-Historie" ist, lautet die Antwort nein. Wenn sie "in unserer Cloud in den USA" lautet, ist das eine Datenschutzfrage, bevor es eine Gedächtnisfrage ist.
2. Wer entscheidet, was vergessen wird, und wann? Ein System, das nur sammelt, wird in zwei Jahren unbrauchbar sein. Ein System, das ohne Ihr Zutun löscht, ist ein Compliance-Risiko. Die Antwort sollte einen Menschen enthalten.
3. Kann ich in einem Jahr nachlesen, warum das System heute so entschieden hat? Nicht nur was, sondern warum, und was seitdem ersetzt wurde. Wenn das nicht geht, haben Sie keinen Audit Trail, sondern Vertrauen.

Wer auf alle drei Fragen eine konkrete Antwort bekommt, hat einen Anbieter, der das Problem verstanden hat. Wer ausweichende Antworten bekommt, hat einen Anbieter, der es noch vor sich hat.

Was wir teilen und was nicht

Dieser Text beschreibt Methode und Zahlen. Er beschreibt nicht das Datenmodell, die Bewertungsformeln oder die Prüfregeln des Bewerters. Nicht aus Geheimniskrämerei, sondern weil das ohnehin nicht der Teil ist, der schwer ist. Die Bausteine eines solchen Gedächtnisses stehen in wissenschaftlichen Arbeiten, die jeder lesen kann. Schwer ist der Betrieb: die Disziplin der Übergabe, die Geduld, dem Bewerter erst nach der Messung zu trauen, und die Monate, in denen sich das Gedächtnis füllt.

Wer das nachbauen will, braucht nicht unseren Bauplan. Er braucht sieben Monate Betrieb und die Bereitschaft, die eigenen Fehler aufzuschreiben.

Wir sprechen gern darüber. Mit Mittelständlern, die vor der Frage stehen, wie sie KI-Agenten einsetzen, ohne dass das Wissen aus dem Einsatz wieder verdunstet. Und mit allen, die dieselben Probleme kennen und andere Lösungen gefunden haben.

Weiterlesen im Wissen-Hub

Der Artikel Wenn Herr Müller in Rente geht beschreibt das Problem des personengebundenen Wissens von der menschlichen Seite. Was sind KI-Agenten, und was unterscheidet sie von ChatGPT? erklärt, warum ein Sprachmodell zwischen zwei Gesprächen nichts behält. Und KI-Einsatz im Unternehmen dokumentieren zeigt, welche Dokumentation die KI-Verordnung von Geschäftsführern verlangt. Wenn du das Thema für dein Haus durchdenken willst, sprich uns direkt an.