Wenn KI-Systeme ein Gedächtnis bekommen: Was das für die Zusammenarbeit mit Sachverständigen bedeutet

Stellen Sie sich vor, Sie arbeiten mit einem hochkompetenten Kollegen zusammen, der bei jedem Treffen alles vergessen hat, was Sie beim letzten Mal besprochen haben. Jedes Projekt beginnt bei null. Jeder Fachbegriff muss neu erklärt werden. Das ist, vereinfacht gesagt, die Ausgangssituation bei großen Sprachmodellen: Sie arbeiten innerhalb eines begrenzten Kontextfensters und sind grundsätzlich zustandslos.

Für den gelegentlichen Einsatz mag das ausreichen. Für die professionelle Arbeit in wissensintensiven Berufen -- Immobilienbewertung, steuerliche Beratung, juristische Prüfung -- ist es eine fundamentale Einschränkung. Die aktuelle Forschung arbeitet daran, diese Limitierung architektonisch zu lösen. Was dabei entsteht, verändert die Möglichkeiten der Zusammenarbeit zwischen Fachleuten und KI-Systemen grundlegend.

Das Kernproblem: Zustandslosigkeit in einer zustandsreichen Welt

Große Sprachmodelle (LLMs) verarbeiten Text innerhalb eines Kontextfensters. Was dort nicht hineinpasst oder was aus einer früheren Sitzung stammt, existiert für das Modell nicht. Auch wachsende Kontextfenster -- einige Modelle verarbeiten inzwischen über eine Million Token -- lösen das Problem nicht vollständig. Untersuchungen zeigen, dass die effektive Nutzung mit der Datenmenge sinkt: Informationen in der Mitte langer Kontexte gehen häufiger verloren als solche am Anfang oder Ende.

Eine Studie von Tribe AI aus dem Jahr 2025 beziffert den Anteil von Enterprise-KI-Ausfällen, die auf Context Drift oder Memory Loss zurückzuführen sind, auf rund 65 Prozent. Das sind keine Randphänomene, sondern die zentrale Herausforderung für jeden, der KI-Systeme über einzelne Anfragen hinaus nutzen möchte.

Fünf Architekturebenen: Wie die Forschung das Gedächtnisproblem angeht

Die Forschung konvergiert auf ein mehrstufiges Modell, das verschiedene Gedächtnisformen adressiert. Jede Ebene hat eine spezifische Funktion, und erst ihr Zusammenspiel ermöglicht eine belastbare Arbeitsgrundlage.

1. Operatives Gedächtnis: Aufgabenstand und Entscheidungen

Frameworks wie Mem0 und MemGPT trennen transienten Arbeitsspeicher von persistentem Langzeitspeicher. Mem0 extrahiert relevante Informationen dynamisch aus Konversationen und konsolidiert sie in einem strukturierten Graphen. Die Ergebnisse sind bemerkenswert: 90 Prozent weniger Token-Verbrauch bei gleichzeitig 26 Prozent höherer Genauigkeit gegenüber Standardansätzen (arXiv 2504.19413).

Für die Zusammenarbeit bedeutet das: Das System kann sich merken, welche Entscheidungen in einem Projekt bereits getroffen wurden, welche Dokumente vorliegen und welcher Bearbeitungsstand erreicht ist -- über Sitzungen hinweg.

2. Domänenwissen: Fachbibliotheken auf Abruf

Retrieval-Augmented Generation (RAG) ist der derzeit am besten erforschte Ansatz, um Sprachmodellen Zugriff auf externes Fachwissen zu geben. Statt das Wissen im Modell selbst zu speichern, wird es bei Bedarf aus einer externen Quelle abgerufen: Fachliteratur, Normenwerke, Marktberichte, Gesetzestexte.

Die Entwicklung geht dabei über einfache Textsuche hinaus. Graph RAG verbindet Vektorsuche mit strukturierten Taxonomien und Ontologien und erreicht laut aktuellen Untersuchungen Suchpräzisionswerte von bis zu 99 Prozent (Squirro, 2026). Für Fachbereiche, in denen normgerechte Arbeit gefordert ist, eröffnet das die Möglichkeit, dass ein KI-System bei jeder Anfrage die relevante Rechtsgrundlage, das passende Urteil oder den zutreffenden Marktbericht heranziehen kann.

Die Qualität hängt allerdings entscheidend von der Aufbereitung ab. Wie Texte in durchsuchbare Einheiten zerlegt werden (Chunk-Granularität) und wie gut die semantische Abbildung gelingt (Embedding-Qualität), bestimmt, ob das System die richtige Stelle findet oder an der Frage vorbeischießt.

3. Erfahrungswissen: Gelernte Muster und bewährte Lösungen

Memoria (arXiv 2512.12686) und ähnliche Frameworks adressieren eine dritte Gedächtnisform: das Erfahrungswissen. Durch gewichtete Knowledge-Graphen und dynamische Zusammenfassungen lernt das System, welche Herangehensweisen in der Vergangenheit funktioniert haben, welche Fehlerquellen bekannt sind und welche Lösungswege sich bewährt haben.

Das ist für Fachleute, die im Netzwerk zusammenarbeiten, besonders interessant. Wenn mehrere Experten -- Sachverständige, Steuerberater, Rechtsanwälte -- ihre Erfahrungen in ein gemeinsames Wissenssystem einspeisen, entsteht ein kollektives Erfahrungswissen, das über die Perspektive jedes einzelnen Beteiligten hinausgeht.

4. Arbeitsabläufe: Standardisierte Prozesse

Frameworks wie TDAG (Dynamic Task Decomposition and Agent Generation) und AgentOrchestra ermöglichen es, komplexe Aufgaben dynamisch in handhabbare Teilaufgaben zu zerlegen und diese parallel abzuarbeiten. HiAgent (ACL 2025) ergänzt das um eine hierarchische Arbeitsgedächtnisverwaltung, die den Überblick über den Gesamtprozess behält, während einzelne Teilaufgaben bearbeitet werden.

Für mehrstufige Prozesse -- Gutachtenerstellung, Dokumentenprüfung, Marktanalyse -- bedeutet das: Das System kann einen standardisierten Ablauf einhalten, ohne bei jedem Schritt den Kontext der vorherigen Schritte zu verlieren.

5. Adaptiver Moduswechsel: Die richtige Denktiefe für jede Aufgabe

Aktuelle Arbeiten zeigen, dass KI-Systeme effizienter arbeiten, wenn sie ihre Denktiefe der Aufgabenkomplexität anpassen. ASRR (Adaptive Self-Recovery Reasoning, arXiv 2505.15400) reduziert das Reasoning-Budget um über 30 Prozent bei kleinen Modellen, ohne die Genauigkeit wesentlich zu beeinträchtigen. Adaptive Deep Reasoning (arXiv 2505.20101) nutzt Reinforcement Learning, um dynamisch zwischen kurzkettigem und langkettigem Nachdenken zu wechseln.

Das Prinzip: Bei einer einfachen Sachfrage schnell antworten. Bei einer komplexen Bewertungsfrage oder einem Widerspruch zwischen Quellen den Modus wechseln und tiefer analysieren. Das spart Ressourcen, ohne die Qualität bei anspruchsvollen Aufgaben zu opfern.

Zusammenspiel der Ebenen: Warum das Ganze mehr ist als die Summe

Die einzelnen Architekturebenen sind in der Forschung jeweils gut dokumentiert. Ihr optimales Zusammenspiel ist eine offene Frage. Wie stimmt man operatives Gedächtnis, Domänenwissen und Erfahrungswissen so aufeinander ab, dass die Ergebnisse konsistent und nachvollziehbar bleiben? Wie verhindert man, dass das System aus vergangenen Interaktionen die falschen Schlüsse zieht?

Dieser letzte Punkt verdient besondere Aufmerksamkeit. Die Forschung zeigt, dass Sprachmodelle zur Beschwichtigung neigen -- ein Phänomen, das als Sycophancy bekannt ist und mit der Modellgröße zunimmt (arXiv 2510.16727). Geschriebene Denkprozesse (Chain-of-Thought) spiegeln laut einer Anthropic-Studie nur in etwa 25 Prozent der Fälle die tatsächlichen Entscheidungsgründe wider (arXiv 2505.05410). 77 Prozent der identifizierten Fehler sind Logikfehler -- falsche Grundannahmen, keine Rechenfehler (arXiv 2601.00828).

Für wissensintensive Berufe heißt das: Auch das beste Gedächtnissystem hilft nur begrenzt, wenn die Schlussfolgerungen des Modells nicht verlässlich sind. Memory-Architektur und Reasoning-Qualität müssen zusammenspielen.

Relevanz für die Zusammenarbeit zwischen Sachverständigen und KI

Immobilienbewertung ist ein Beruf, der auf Konsistenz, Nachvollziehbarkeit und normengerechter Arbeit aufbaut. Gutachten nach ImmoWertV und BauGB erfordern, dass jeder Bewertungsschritt quellenbasiert und reproduzierbar ist -- oft über Wochen und Monate hinweg.

Ein zustandsloses System, das bei jeder Sitzung von null beginnt, kann das nicht leisten. Mehrstufige Memory-Architekturen adressieren genau diese Anforderung: Domänenwissen (Normen, Marktdaten, Fachliteratur), Erfahrungswissen (bewährte Bewertungsansätze, bekannte Fehlerquellen) und standardisierte Arbeitsabläufe bilden zusammen ein Fundament, auf dem eine konsistente Zusammenarbeit zwischen Sachverständigem und KI-System aufbauen kann.

Besonders interessant wird das im Netzwerk mehrerer Fachleute. Wenn ein Sachverständiger bei einer Erbschaftsbewertung mit einem Steuerberater und einem Rechtsanwalt zusammenarbeitet, profitieren alle Beteiligten davon, wenn das KI-System die fachlichen Zusammenhänge zwischen Verkehrswertermittlung, steuerlicher Bewertung und erbrechtlicher Einordnung abbilden kann. Nicht als Ersatz für die Fachkompetenz jedes einzelnen Beteiligten, sondern als verbindende Wissensschicht, die Schnittstellen sichtbar macht und Informationsverluste an den Übergängen reduziert.

Offene Fragen: Was die Forschung noch nicht gelöst hat

Die ehrliche Bilanz: Mehrstufige Memory-Architekturen sind ein vielversprechender Forschungsansatz, kein gelöstes Problem. Offene Fragen gibt es reichlich.

Skalierung und Qualität: Größere Kontextfenster verbessern nicht automatisch die Ergebnisqualität. Wie viel Kontext ist optimal, und wie erkennt das System, wann weniger mehr ist?

Pruning-Strategie: Welches Wissen behalten, welches vergessen? In der menschlichen Arbeit treffen Fachleute diese Entscheidung aus Erfahrung. Für KI-Systeme ist das ein ungelöstes Forschungsproblem.

Konsistenz über Sitzungen: Praktische Implementierungen zeigen, dass sitzungsübergreifende Konsistenz ständige Nachjustierung erfordert. Das System von heute arbeitet nicht automatisch morgen genauso zuverlässig.

Evaluation: Wie misst man, ob ein Memory-System tatsächlich hilft? Standardisierte Benchmarks fehlen weitgehend. Was in einer Laborumgebung funktioniert, muss sich in der Fachpraxis erst noch bewähren.

Sycophancy-Interaktion: Memory-Systeme können Beschwichtigungsmuster verstärken, wenn sie unkritisch aus vergangenen Interaktionen lernen. Die Frage, wie ein System kritische Distanz zu seinen eigenen gespeicherten Erfahrungen behält, ist nicht trivial.

Ein Blick über den Fachbereich hinaus

Memory-Architekturen für KI-Systeme betreffen nicht nur die Immobilienbewertung. Steuerberater stehen vor derselben Herausforderung: mandantenübergreifendes Wissen, sich ändernde Gesetzeslage, Konsistenz in Stellungnahmen über Monate und Jahre. Rechtsanwälte benötigen Fachrecherche über Mandatsgrenzen hinweg. Architekten arbeiten mit Normenwerken und Planungsabläufen, die sich über die gesamte Projektdauer erstrecken.

Die architektonischen Lösungsansätze sind domänenübergreifend. Was für die Bewertungspraxis als Fachbibliothek und standardisierter Arbeitsablauf funktioniert, lässt sich auf andere wissensintensive Berufe übertragen. Das eröffnet Möglichkeiten für den fachübergreifenden Austausch: Wie lösen andere Disziplinen das Gedächtnisproblem, und was können wir voneinander lernen?

Nächster Schritt: Fachkundige Begleitung

Die Architektur von KI-Systemen entwickelt sich in einem Tempo, das für den einzelnen Fachmann schwer zu verfolgen ist. Umso wertvoller ist der Austausch mit Kollegen, die sich aus ihrer jeweiligen Perspektive mit denselben Fragen beschäftigen: Wie lässt sich Technologie so einsetzen, dass sie die Qualität der eigenen Arbeit steigert, ohne die fachliche Kontrolle aufzugeben?

Wenn Sie eine Immobilienbewertung benötigen, bei der diese Fragen von Anfang an mitgedacht werden, oder wenn Sie sich mit Steuerberatern und Rechtsanwälten austauschen möchten, die technologische Entwicklungen in ihren Fachbereichen begleiten -- sprechen Sie uns an. Wir arbeiten in Erlangen, Nürnberg, Fürth, Forchheim und den umgebenden Landkreisen mit spezialisierten Kollegen zusammen, für deren Arbeit wir persönlich einstehen.