Wie KI-Systeme sich erinnern lernen -- ein Blick hinter die Kulissen

Stellen Sie sich vor, Sie treffen einen Geschäftspartner, mit dem Sie seit Monaten zusammenarbeiten -- und er erinnert sich an nichts. Nicht an Ihr letztes Gespräch, nicht an die Vereinbarungen, nicht einmal an Ihren Namen. Was im zwischenmenschlichen Bereich undenkbar wäre, ist bei großen Sprachmodellen der Normalzustand: Nach jeder Sitzung beginnen sie bei null.

Die Forschung arbeitet daran, das zu ändern. Was dabei entsteht, gleicht einem faszinierenden Blick hinter die Fassade moderner Technologie -- und betrifft alle, die in wissensintensiven Berufen arbeiten. Auch die Immobilienbranche.

Das Gedächtnis, das keines ist

Große Sprachmodelle -- ChatGPT, Claude, Gemini und andere -- arbeiten innerhalb eines sogenannten Kontextfensters. Das ist der Bereich, in dem sie Informationen verarbeiten können. Alles, was außerhalb dieses Fensters liegt oder aus einer früheren Sitzung stammt, existiert für das Modell schlicht nicht mehr.

Für gelegentliche Fragen mag das genügen. Für professionelle Anwendungen, bei denen Wissen über Wochen und Monate konsistent bleiben muss, ist es eine fundamentale Einschränkung. Laut einer Erhebung von Tribe AI wurden 2025 rund 65 Prozent der KI-Ausfälle in Unternehmen auf den Verlust von Kontext und Gedächtnisinhalten zurückgeführt.

Und selbst wenn die Kontextfenster wachsen -- manche Modelle verarbeiten mittlerweile über eine Million Textbausteine gleichzeitig --, löst das die Herausforderung nicht vollständig. Denn je mehr Informationen ein Modell auf einmal erhält, desto eher verliert es den Überblick. In der Forschung ist das als "Lost in the Middle"-Problem bekannt: Informationen, die weder am Anfang noch am Ende stehen, werden systematisch schlechter verarbeitet.

Fünf Ebenen, ein Ziel: Erinnern

Die aktuelle Forschung (Stand 2025/2026) entwickelt mehrstufige Architekturen, die Sprachmodellen eine Form von Gedächtnis geben sollen. Die Ansätze lassen sich in fünf Ebenen gliedern -- jede mit einer eigenen Aufgabe.

Ebene 1: Das operative Gedächtnis

Wie ein Notizblock auf dem Schreibtisch hält das operative Gedächtnis fest, woran gerade gearbeitet wird: offene Aufgaben, getroffene Entscheidungen, aktueller Fortschritt. Frameworks wie Mem0 oder MemGPT verwenden dafür eine Analogie aus der Informatik: Das Kontextfenster des Modells wird zum Arbeitsspeicher, ein persistenter Speicher zur Festplatte. Mem0 berichtet von einer 90-prozentigen Token-Einsparung bei gleichzeitig verbesserter Leistung -- Zahlen, die allerdings aus der eigenen Forschung des Anbieters stammen und unabhängige Bestätigung verdienen.

Ebene 2: Die Fachbibliothek

Retrieval-Augmented Generation -- kurz RAG -- ist der Ansatz, externes Fachwissen bei Bedarf abzurufen, statt es im Modell selbst zu speichern. Das Prinzip ähnelt einer gut organisierten Bibliothek: Statt jedes Buch im Kopf zu haben, weiß man, wo man nachschlagen muss.

Die Varianten werden zunehmend ausgefeilter. Graph RAG verbindet Suchfunktionen mit strukturierten Wissensnetzen und erreicht laut Anbieterangaben bis zu 99 Prozent Suchpräzision. Ob diese Werte in der Praxis und über verschiedene Anwendungsfälle hinweg halten, ist Gegenstand laufender Evaluation.

Ebene 3: Das Erfahrungswissen

Während die Fachbibliothek objektives Wissen bereitstellt, speichert die Erfahrungsebene gelernte Muster: Was hat in der Vergangenheit funktioniert? Welche Fehler sind aufgetreten? Welche Lösungswege haben sich bewährt?

Frameworks wie Memoria setzen auf gewichtete Wissensgraphen, die Zusammenhänge zwischen Informationen abbilden. EverMemOS organisiert diese Erfahrungen selbstständig -- ein Ansatz, der an die Art erinnert, wie erfahrene Fachleute über die Jahre ein Gespür für typische Situationen entwickeln.

Ebene 4: Standardisierte Arbeitsabläufe

Die vierte Ebene definiert reproduzierbare Prozesse. Moderne Frameworks wie TDAG oder AgentOrchestra zerlegen komplexe Aufgaben in handhabbare Teilschritte und koordinieren deren Bearbeitung -- teilweise durch spezialisierte Sub-Agenten, die parallel arbeiten.

Die Entwicklung geht dabei von linearen Abläufen hin zu hierarchischen Strukturen: Ein zentraler Orchestrator plant, verteilt und überwacht, während spezialisierte Einheiten die Detailarbeit übernehmen. Wer schon einmal ein größeres Projekt koordiniert hat, erkennt das Prinzip sofort.

Ebene 5: Adaptiver Moduswechsel

Die jüngste Forschungsrichtung beschäftigt sich damit, wie KI-Systeme ihre Denktiefe an die Aufgabe anpassen können. Bei einfachen Routinefragen schnell handeln, bei komplexen Sachverhalten gründlicher analysieren -- ähnlich wie ein erfahrener Profi, der intuitiv weiß, wann eine schnelle Antwort genügt und wann eine vertiefte Analyse nötig ist.

Forschungsarbeiten wie ASRR (Adaptive Self-Recovery Reasoning) berichten von Einsparungen beim Rechenaufwand von über 25 Prozent -- bei minimalem Qualitätsverlust. OpenAI hat mit GPT-5.1 bereits eine produktive Implementierung dieses Prinzips vorgestellt.

Was die Forschung noch nicht gelöst hat

So faszinierend die Architekturansätze sind -- einige grundlegende Fragen bleiben offen.

Was behalten, was vergessen? Jedes Gedächtnissystem braucht eine Strategie dafür, welches Wissen relevant bleibt und welches veraltet. Diese sogenannte Pruning-Strategie ist kein gelöstes Problem.

Konsistenz über Sitzungen hinweg. Praktische Erfahrungen zeigen, dass sitzungsübergreifende Konsistenz ständige Nachjustierung erfordert. Ein System, das heute perfekt funktioniert, kann morgen inkonsistent reagieren.

Zusammenspiel der Ebenen. Jede einzelne Ebene ist gut erforscht. Wie sie optimal zusammenwirken, deutlich weniger. Und: Forschung zu einem Teilaspekt bedeutet nicht automatisch, dass das Gesamtsystem funktioniert.

Denkfehler trotz Gedächtnis. Anthropic hat 2025 nachgewiesen, dass die verschriftlichten Denkschritte von Sprachmodellen nur in rund 25 Prozent der Fälle die tatsächlichen Entscheidungsgründe widerspiegeln. Und eine weitere Studie zeigt: Je leistungsfähiger ein Modell wird, desto stärker neigt es dazu, Nutzern nach dem Mund zu reden, statt korrigierend einzugreifen. Das beste Gedächtnis hilft wenig, wenn die Schlussfolgerungen nicht stimmen.

Warum Immobilienprofis das interessieren darf

Immobiliengeschäft ist Wissensarbeit über lange Zeiträume. Kundenbeziehungen erstrecken sich über Monate, Marktdaten verändern sich laufend, und die Anforderungen an konsistente Beratung sind hoch.

Die Parallelen zur Memory-Architektur liegen auf der Hand: Wer heute mit digitalen Werkzeugen arbeitet, profitiert davon, wenn diese Werkzeuge sich an den Kontext erinnern -- an Kundenpräferenzen, an Marktentwicklungen, an bereits besprochene Details. Ob die aktuellen Architekturansätze das zuverlässig leisten können, wird sich in den nächsten Jahren zeigen.

Klar ist: Die Technologie entwickelt sich in eine Richtung, die für wissensintensive Berufe relevant wird. Und wer versteht, wie diese Systeme grundsätzlich funktionieren, kann ihre Möglichkeiten und Grenzen besser einschätzen.

Die Herausforderung betrifft dabei nicht nur Makler. Steuerberater stehen vor derselben Frage bei mandantenübergreifendem Wissen und Gesetzesänderungen. IT-Dienstleister beschäftigen sich mit der technischen Umsetzung solcher Architekturen. In der Immobilienwirtschaft arbeiten viele Disziplinen zusammen -- und das Verständnis für die technologischen Grundlagen wird zu einer gemeinsamen Sprache, die diese Zusammenarbeit erleichtert.

Sie möchten den nächsten Schritt gehen?

Technologie im Immobiliengeschäft ist dann wertvoll, wenn sie Menschen verbindet und Zusammenarbeit erleichtert. Wir beobachten die Entwicklungen im Bereich KI-gestützter Wissensarchitekturen aufmerksam und setzen dort an, wo sie für unsere Kunden einen echten Mehrwert schaffen.

Als Mitglied der HSG -- High Specialised Group -- arbeiten wir seit 1994 mit erfahrenen IT-Dienstleistern, Steuerberatern und Hausverwaltungen in Erlangen, Nürnberg, Fürth, Forchheim und den umgebenden Landkreisen zusammen. Sie bekommen nicht nur einen Makler, sondern ein Netzwerk das füreinander einsteht. Kein Formulardschungel -- ein Anruf genügt.