Das Problem: Zustandslosigkeit als Designentscheidung
Heutige Sprachmodelle arbeiten zustandslos. Das ist kein Programmierfehler, sondern Absicht im Systemaufbau: Jeder Aufruf läuft isoliert von allen vorherigen ab. Das Modell speichert keine Resultate früherer Interaktionen, behält keinen Gesprächsverlauf ausserhalb des aktuellen Kontextfensters und weiss nicht, was es gestern getan hat.
In der Informatik heisst das “stateless”. Treffender wäre aus Sicht der Kognitionswissenschaft der Begriff der anterograden Amnesie: Dem System fehlt die Fähigkeit, neue Erinnerungen anzulegen. Es analysiert die aktuelle Eingabe präzise, kann aber auf nichts zurückgreifen, was gestern passiert ist.
Die Folgen wiegen schwerer, als es zunächst aussieht. Hier geht nicht bloss Kontext verloren. Es fehlt jede Möglichkeit zur Akkumulation. Wissen stützt sich auf vorhandenes Wissen. Eine Erkenntnis vom Montag bestimmt das Verständnis am Dienstag. Eine Entscheidung der Vorwoche schränkt den Spielraum der aktuellen Woche ein. Ohne Gedächtnis sammelt sich kein Wissen an, und ohne diesen Aufbau gibt es keine Lernkurve.
Warum grössere Kontextfenster das Problem nicht lösen
Die Standardantwort der Branche lautet: mehr Kontextfenster. Wenn ein System 200.000 Tokens auf einmal verarbeitet, müsste doch alles Wichtige hineinpassen.
Das funktioniert nicht, und zwar aus drei Gründen:
Das Skalierungsproblem. Kontextfenster wachsen linear. Wissensbestände wachsen exponentiell. Wer drei Monate mit einem KI-Agenten arbeitet, hantiert nicht mehr mit Kilobytes an Kontext, sondern mit Megabytes. Kein Kontextfenster reicht dafür aus, und keines wird je ausreichen.
Das Selektionsproblem. Selbst wenn alles in den Kontext passt: Welcher Teil zählt im konkreten Moment? Wer 200.000 Tokens ungefiltert in ein System kippt, erzeugt nicht mehr Wissen, sondern mehr Rauschen. Aus einer grossen Datenmenge das jeweils Relevante herauszuziehen, erfordert eine eigene Denkleistung. Das Sprachmodell erbringt sie nicht, weil ihm das Verständnis für die Gesamtsituation fehlt.
Das Strukturproblem. Reiner Text im Kontextfenster besitzt keine Ordnung. Er unterscheidet nicht zwischen Fakten und Annahmen, zwischen frischen Daten und überholtem Stand, zwischen Originalquellen und Abwandlungen. Alles liegt flach nebeneinander, und das Modell gewichtet alles gleich. Das ist erkenntnistheoretisch unhaltbar.
Die These: Wissen braucht Architektur
Der Ansatzpunkt liegt nicht im Modell, sondern um das Modell herum. Die 6-Schichten Wissensarchitektur trennt getrennte Dinge sauber voneinander:
Direkt abrufbare Fakten (FactsDB) sind nicht dasselbe wie verdichtete Erkenntnisse (BrainDB). Verdichtete Erkenntnisse sind nicht dasselbe wie durchsuchbare Originaldokumente (Qualia). Und keine dieser Ebenen greift, wenn eine Validierungsschicht fehlt, die Verlässliches von Unverlässlichem scheidet.
Diese Aufteilung ist kein technischer Selbstzweck. Sie folgt einer klaren Unterscheidung: Wissensarten altern unterschiedlich. Eine IP-Adresse verfällt schnell. Eine Architekturentscheidung bleibt lange gültig. Ein philosophischer Grundsatz veraltet womöglich nie. Wer alle drei gleich behandelt, betreibt kein Wissensmanagement. Er betreibt einen Textspeicher.
Was in den ersten drei Wochen passiert ist
Die Episode schildert die Praxis bei der Entwicklung dieses Systems.
Woche 1: Frustration. Das Grundproblem tritt offen zutage. Jeden Tag fängt das Modell bei null an. Frühere Entscheidungen zählen nicht mehr, Fehler wiederholen sich, der Kontext fehlt komplett. Das gleicht einer Sisyphos-Arbeit: denselben Stein jeden Tag aufs Neue den Hang hochzuschieben.
Woche 2: Struktur. Die ersten Speicherebenen entstehen. Eine strukturierte Datenbank nimmt Fakten auf und lädt sie bei jeder Sitzung automatisch. Das System hält nun über Einzelsitzungen hinweg eine Linie. Der Haken: Es speichert Fakten ab, versteht aber die Zusammenhänge nicht.
Woche 3: Emergenz. BrainDB und semantische Suche kommen dazu. Das Modell ruft nun nicht nur Bekanntes ab, sondern spürt auf, was relevant sein könnte. Es verknüpft Themen aus verschiedenen Arbeitssitzungen. Dann unterläuft der Metriken-Fehler: Das System übernimmt eine falsche Zahl und schleppt sie durch sämtliche Folgetexte. Spätestens hier wird klar, warum eine Validierung unumgänglich ist.
Die epistemologische Dimension
Die Episode berührt im Kern eine alte philosophische Grundfrage: Was unterscheidet Wissen von blosser Information?
Nach Platon ist Wissen eine wahre, begründete Überzeugung (episteme). Die Gettier-Probleme haben dieses Konzept seit 1963 verkompliziert, die Kernaussage bleibt dennoch bestehen: Nicht jede wahre Aussage ist Wissen. Wissen verlangt Begründung, und Begründung setzt Ordnung voraus: Woher stammt die Angabe? Wie verlässlich ist sie? Steht sie im Widerspruch zu anderen Befunden?
Einem KI-System ohne Wissensarchitektur fehlt die Epistemologie. Es sieht nur Tokens. Die hier beschriebene Architektur soll dem System ein Fundament geben: noch kein Wissen im vollendeten philosophischen Sinn, wohl aber das technische Mindestmass, um Fakten von Vermutungen und Irrtümern zu trennen.
Weiter lesen
- 6-Schichten Wissensarchitektur: Die technische Grundlage hinter dem System
- Validation Gates: Wie das System gelernt hat, sich selbst nicht zu glauben
- Kahneman und KI: Warum Intuition (System 1) allein nicht reicht