Wie große Sprachmodelle wirklich funktionieren

Management-Zusammenfassung

Was ein modernes Sprachmodell technisch ist

Der 2017 vorgestellte Transformer ist eine neuronale Sequenzarchitektur. Seine zentrale Operation, Self-Attention, berechnet für Tokenpositionen gewichtete Beziehungen zu anderen Positionen. Die Architektur machte Training stark parallelisierbar und ließ sich mit großen Daten- und Rechenmengen skalieren. Daraus folgt jedoch nicht, dass Attention eine Datenbank, ein Wahrheitsmechanismus oder ein menschliches Bedeutungsverständnis darstellt. Moderne LLMs entstehen erst aus dem Zusammenspiel von Architektur, Tokenisierung, Pretraining, Datenmischung, Post-Training, Inferenzlogik und Systemkomponenten. ^{[S-001 bis S-013]}

Autoregressive Sprachmodelle lernen im Pretraining primär, die Wahrscheinlichkeitsverteilung des nächsten Tokens aus dem vorherigen Kontext zu approximieren. Dieses Ziel zwingt sie, zahlreiche sprachliche, fachliche und strukturelle Regelmäßigkeiten zu komprimieren. Es verlangt aber nicht, jede erzeugte Behauptung gegen die Welt zu verifizieren. Wahrheitsgemäße Antworten können aus dem Trainingsziel entstehen; sie sind nicht identisch mit ihm. ^{[S-003 bis S-006, S-031, S-052]}

Skalierung verbessert viele Durchschnittsleistungen, doch „größer“ ist keine vollständige Fähigkeitsbeschreibung. Chinchilla zeigte, dass viele Modelle im Verhältnis zu ihrer Größe mit zu wenig Daten trainiert waren. Instruction Tuning und Präferenztraining verändern das Antwortverhalten erheblich; ein kleineres post-trainiertes Modell kann in Präferenztests vor einem größeren Basismodell liegen. Sparse Modelle aktivieren zudem nur einen Teil ihrer Parameter je Token. Parameterzahl, Trainingscompute, Inferenzkosten und effektive Qualität dürfen deshalb nicht gleichgesetzt werden. ^{[S-004 bis S-013]}

Halluzination ist kein einzelner Fehler und keine feste Modellquote

Der Begriff Halluzination wird uneinheitlich benutzt. Er kann eine objektiv falsche Behauptung, eine vom bereitgestellten Kontext nicht gestützte Aussage, einen Widerspruch zur Quelle, eine erfundene Quelle, eine falsche Rechenoperation oder eine instruktionstreue Abweichung bezeichnen. Eine Rate ist nur interpretierbar, wenn Fehlertyp, Aufgabe, Datensatz, Modellversion, Prompt, Antwortlänge, Grounding, Detektor und Umgang mit Nichtantworten benannt werden. ^{[S-031 bis S-039]}

Deshalb gibt es keine seriöse universelle Aussage wie „Modell X halluziniert zu sieben Prozent“. HaluEval, TruthfulQA, RAGTruth, FActScore, semantic entropy und Vectaras HHEM beantworten unterschiedliche Fragen. Vectaras aktuelles Leaderboard untersucht mit dem proprietären HHEM-2.3 vor allem, ob eine Zusammenfassung durch einen vorgegebenen Kontext gestützt wird. TruthfulQA prüft Fragen mit verbreiteten Fehlannahmen. RAGTruth annotiert ungestützte oder widersprüchliche Aussagen in RAG-Antworten. SciFactCheck ergänzt 2026 wissenschaftliche Langantworten und zeigt im untersuchten Fine-Tuning-Setting sogar schlechtere Faktentreue bei bestimmterer Sprache. Die Werte sind nicht austauschbar. ^{[S-031 bis S-052, S-126]}

Flüssigkeit, Detailgrad und Selbstsicherheit sind schwache Wahrheitsindikatoren. Ein Modell kann denselben Irrtum konsistent wiederholen. Umgekehrt kann ein korrektes Modell bei mehrfachem Sampling unterschiedliche Formulierungen erzeugen. Unsicherheitsverfahren wie SelfCheckGPT oder semantische Entropie liefern nützliche Signale, aber kein Wahrheitsorakel. Für praktische Systeme müssen Fehlererkennung, Abstention, Rückfragen, Retrieval, externe Berechnung und menschliche Freigabe als unterschiedliche Kontrollen kombiniert werden. ^{[S-033, S-036, S-037, S-043, S-052 bis S-055]}

RAG verbessert Grounding, nicht automatisch Wahrheit

Retrieval-Augmented Generation verknüpft ein Modell mit externen Dokumenten. Dies kann Aktualität, Quellenbezug und Nachprüfbarkeit verbessern. RAG ersetzt jedoch eine Fehlerquelle nicht, sondern baut eine Pipeline: Dokumentauswahl, Berechtigung, Parsing, Chunking, Embedding, Retrieval, Ranking, Kontextzusammenstellung, Konfliktauflösung und Generierung. Jede Stufe kann scheitern. ^{[S-014 bis S-016, S-035, S-045, S-046]}

RAGTruth dokumentiert, dass auch RAG-Antworten ungestützte oder widersprüchliche Aussagen enthalten. Eine angezeigte Quelle kann falsch zugeordnet sein oder nur einen Teil der Antwort tragen. Deshalb werden Retrieval Recall, Evidenzpräzision, Zitationskorrektheit, atomare Groundedness und Endantwortqualität getrennt gemessen. Eine einheitliche „RAG-Genauigkeit“ verschleiert Ursachen. ^{[S-034, S-035, S-047 bis S-051]}

Kontextfenster ist nicht gleich Arbeitsgedächtnis

Ein Anbieterwert von beispielsweise 128.000 oder mehr Token bezeichnet zunächst eine technische Eingabegrenze. Er beweist nicht, dass ein Modell jede Information über die gesamte Länge gleich gut findet, kombiniert und für Schlussfolgerungen nutzt. Lost in the Middle zeigte häufig bessere Nutzung relevanter Information am Anfang und Ende als in der Mitte. RULER, NoLiMa, HELMET und LongBench-Varianten zeigen zusätzlich, dass einfacher Wortabgleich, semantischer Abruf, Aggregation und Multi-Hop-Reasoning unterschiedliche Fähigkeiten sind. LongBench Pro evaluiert 1.500 natürliche bilinguale Fälle zwischen 8k und 256k Token und berichtet für 46 Modelle regelmäßig kürzere effektive als nominelle Kontexte. ^{[S-057 bis S-070, S-123]}

Ein perfekter Needle-in-a-Haystack-Test ist daher kein Beleg für effektives Langzeitgedächtnis. Lange Kontexte können sogar schaden, wenn irrelevante, widersprüchliche, veraltete oder sehr informationsdichte Inhalte Aufmerksamkeit binden. Kontrollierte 2026er Tests ergänzen Länge und Position um Informationsdichte; PAPerBench berichtet in seinem Setting zugleich sinkende Personalisierungs- und Datenschutzleistung mit wachsendem Kontext. Für Unternehmenssysteme ist ein kuratierter, versionierter und zielgerichtet abgerufener Kontext oft belastbarer als ein maximal gefülltes Fenster. ^{[S-059, S-060, S-064, S-065, S-124, S-127]}

Reasoning und Erklärungen

Chain-of-Thought und Testzeit-Compute können auf vielen Aufgaben Leistung verbessern. Das rechtfertigt jedoch nicht die Annahme, eine ausgegebene Begründung sei ein transparenter Blick in den kausalen Entscheidungsprozess. Turpin et al. zeigten, dass Modelle Antworten durch irrelevante Bias-Signale beeinflussen lassen und anschließend plausible, aber unvollständige Erklärungen erzeugen können. Prozessverifikation, Werkzeuge und mehrere Suchpfade können helfen, erzeugen aber neue Kosten und Fehlerstellen. ^{[S-019 bis S-024, S-096]}

Kontrollierte Arbeiten wie GSM-Symbolic und Apples Puzzleexperimente zeigen Robustheitsprobleme und Leistungseinbrüche. Gegenanalysen weisen auf unlösbare Testfälle, Tokenlimits und den Einfluss externer Werkzeuge hin. Der belastbare Schluss ist nicht „LLMs können denken“ oder „LLMs können grundsätzlich nicht denken“, sondern: Die gemessene Problemlösung ist empfindlich gegenüber Aufgabenform, Komplexität, Inferenzbudget, Prompt und Toolzugang. ^{[S-103 bis S-106]}

Agenten: Leistungswert des Gesamtsystems

Ein Agent verbindet ein Modell mit Tools, Speicher, Regeln und einer Schleife aus Beobachtung und Aktion. WebArena, OSWorld, SWE-bench und tau-bench haben die Evaluation näher an reale Arbeit gebracht. Gleichzeitig wird der Score untrennbar vom Scaffold: Prompt, Browser, Parser, Suchstrategie, Tooldefinitionen, Schrittbudget, Modellversion, Umgebung und Evaluator verändern das Resultat. ^{[S-071 bis S-095]}

Die Originalarbeiten zeigten meist deutliche Lücken zu Menschen. OSWorld 2.0 verschärft das Bild für lange Arbeitsabläufe: 108 Workflows mit median rund 1,6 Stunden menschlicher Bearbeitungszeit; das beste im Paper berichtete System erreichte bei 500 Schritten 20,6 Prozent binären und 54,8 Prozent partiellen Erfolg. Gleichzeitig verbessert sich manches Leaderboard schnell, ohne automatisch vergleichbar zu sein. SWE-bench Verified gilt seit dem OpenAI-Audit vom 23. Februar 2026 wegen Testfehlern und Kontaminationshinweisen nicht mehr als geeigneter Frontier-Maßstab. Besonders wichtig ist wiederholte Zuverlässigkeit. tau-bench verwendet pass^k, weil ein einmaliger Erfolg nicht beweist, dass derselbe Prozess achtmal korrekt und regelkonform läuft. In langen Workflows multiplizieren sich Schrittfehler; ein Agent kann zudem einen guten Endscore erreichen und trotzdem riskante Zwischenhandlungen ausführen. ^{[S-078, S-079, S-088, S-091 bis S-094, S-122, S-125]}

Model Collapse und Weltmodelle

Die Nature-Arbeit zu Model Collapse zeigt, dass rekursive Trainingsschleifen, in denen Modelloutput reale Daten zunehmend ersetzt, Verteilungsränder verlieren und Fehler verstärken können. Das ist kein Beleg, dass alle synthetischen Daten schädlich sind. Andere Arbeiten zeigen, dass das Beibehalten und Akkumulieren realer Daten in bestimmten Settings Kollaps vermeiden kann. Entscheidend sind Datenherkunft, Mischung, Filterung, Vielfalt und unabhängige Validierung. ^{[S-107 bis S-110]}

LeCuns Weltmodell-Programm kritisiert, dass reine Token- oder Pixelvorhersage für autonome, planende Maschinen nicht genügt, und schlägt latente prädiktive Repräsentationen vor. I-JEPA, V-JEPA, MuZero, Dreamer und Genie zeigen verschiedene Weltmodellansätze. Diese Forschung widerlegt LLMs nicht. Sie erweitert den Werkzeugkasten um Zustandsmodelle, Dynamik und Planung. Hybride Systeme aus Sprache, Wahrnehmung, Weltmodell, Suche und symbolischen Werkzeugen sind technisch naheliegend. Eine 2026er Definitions- und Roadmaparbeit dokumentiert zugleich, dass für den Begriff Weltmodell weiterhin kein Konsens über Definition, Vorhersageziel oder Architektur besteht. ^{[S-111 bis S-121, S-128]}

Konsequenz für Unternehmen und Buchaussagen

Die richtige Prüfungseinheit ist nicht „die KI“, sondern eine versionierte Systemkonfiguration in einem begrenzten Prozess. Das Dossier empfiehlt für jede Aussage die neun Angaben: Modell, Version, Stichtag, Prompt, Daten, Tools, Nutzergruppe, Aufgabe und Metrik. Ein externer Benchmark dient zur Vorauswahl; freigegeben wird erst nach einem internen Blindtest mit realen Häufigkeiten, kritischen Randfällen, Nettozeit, Vollkosten und wiederholter End-to-End-Zuverlässigkeit. ^{[S-026, S-056, S-091 bis S-102]}

> Management-Fazit > Modelle werden leistungsfähiger, aber ihre Grenzen verschwinden nicht gleichmäßig. Die professionellste Nutzung besteht nicht darin, Fehler zu leugnen oder Fähigkeiten kleinzureden. Sie besteht darin, die Aufgabe so zu bauen, dass Stärken nutzbar, Fehler sichtbar, Folgen begrenzt und Änderungen messbar werden.

Die 50 wichtigsten Kernaussagen

Methodik, Evidenzhierarchie und Recherchegrenzen

Forschungsfrage

Untersucht wurde, welche technischen Grundlagen moderne Sprachmodelle tragen, welche Grenzen empirisch belegt sind, wie Halluzination, Kontextnutzung, Reasoning und Agentenzuverlässigkeit gemessen werden und wie Model Collapse sowie Weltmodelle sachlich einzuordnen sind. Der Schwerpunkt liegt auf Originalarbeiten und offiziellen Benchmarkquellen; Surveys dienen der Taxonomie und Querverbindung.

Evidenzhierarchie

Belegregeln

• Exakte Prozentwerte werden nur mit dem ursprünglichen Setting und nicht als zeitlose Modelleigenschaft verwendet.
• Peer-reviewed, Preprint, Positionspapier, Anbieterquelle und dynamisches Leaderboard werden sichtbar getrennt.
• Eine Forschungsaussage wird nicht von philosophischen Totalurteilen abgeleitet. „Zeigt Fragilität“ ist zulässig; „beweist fehlendes Denken“ regelmäßig nicht.
• Agentenwerte werden dem gesamten System und nicht ausschließlich dem Basismodell zugerechnet.
• Nominelle Kontextlänge, effektiver Abruf, semantische Integration und persistentes Gedächtnis werden getrennt.
• Bei Halluzinationen werden Fehlertyp, Referenz, Annotationseinheit und Antwortpolitik genannt.
• Aktuelle 2025/26-Preprints werden als schnell veraltend und revisionsbedürftig markiert.

Recherchegrenzen

Proprietäre Trainingsdaten, Post-Training-Rezepte, Routinglogik und vollständige Modellgewichte sind häufig nicht offengelegt. Dadurch lassen sich Kontamination, kausale Ursachen und Modelländerungen nicht vollständig prüfen. Öffentliche Leaderboards können kurzfristig wechseln oder unterschiedliche Budgets und Scaffolds zulassen. Das Dossier dokumentiert deshalb Verfahren und Einschränkungen stärker als Rangplätze.

Die Begriffe „Reasoning“, „Verstehen“, „Halluzination“, „Agent“ und „Weltmodell“ werden in der Literatur nicht einheitlich verwendet. Wo keine verbindliche Definition besteht, werden operationale Definitionen angegeben. Philosophische Fragen nach Bewusstsein oder menschgleichem Verständnis werden nicht als empirisch entschieden dargestellt.

Quellenstatistik

Vom Transformer zum heutigen KI-System

Self-Attention und Positionsinformation

Self-Attention erzeugt für jedes Token gewichtete Kombinationen anderer Repräsentationen. Query-, Key- und Value-Projektionen bestimmen, welche Beziehungen in einem Attention-Head relevant werden. Mehrere Heads können unterschiedliche Muster lernen. Da die Operation selbst keine Reihenfolge kennt, werden Positionsinformationen ergänzt, etwa sinusförmig, durch Rotary Position Embeddings oder lineare Biases. ^{[S-001, S-067, S-068]}

Die Berechnung ist kontextabhängig, aber nicht identisch mit menschlicher Aufmerksamkeit. Ein hoher Attention-Wert ist zudem keine vollständige Erklärung eines Outputs. Repräsentationen werden über viele Schichten, Residualpfade und nichtlineare Komponenten transformiert. Für Unternehmensanwender ist wichtig: „Das Modell hat den Text gesehen“ bedeutet nicht „das Modell hat jede Stelle korrekt berücksichtigt“.

Decoder-only und Tokenvorhersage

Heutige Chatmodelle beruhen häufig auf Decoder-only-Transformern. Beim Training wird der nächste Token aus vorherigen Token vorhergesagt. Die Loss-Funktion bewertet Wahrscheinlichkeiten, nicht den Wahrheitsgehalt einer vollständigen Antwort. Aus großen Korpora entstehen dennoch Grammatik, Stil, Faktenassoziationen, Muster von Code und teilweise generalisierbare Problemlösungsstrategien. Die Fähigkeiten sind eine Folge der Kompression vieler Strukturen, aber nicht für jede Verteilung gleich belastbar. ^{[S-003, S-004, S-044]}

Architekturvarianten

Modell versus Produkt

Ein produktiver Assistent besteht regelmäßig aus mehr als Gewichten: Moderation, Systemprompt, Kontextverwaltung, Retrieval, Toolausführung, Caching, Routing, Sicherheitsfilter und Nutzeroberfläche wirken auf das Ergebnis. Derselbe Modellname kann hinter verschiedenen Produkten mit anderem Prompt, anderem Toolzugang oder anderer Modellroute stehen. Eine Aussage über ein Produkt darf nicht ohne Prüfung auf das Basismodell oder eine API übertragen werden. ^{[S-025, S-026]}

Pretraining, Skalierung und Post-Training

Daten, Parameter und Compute

Skalengesetze zeigten über untersuchte Bereiche glatte Beziehungen zwischen Rechenbudget, Daten, Parametern und Sprachmodellverlust. Chinchilla korrigierte eine frühere Praxis, Compute überwiegend in größere Modelle zu investieren, und argumentierte für deutlich mehr Trainingstoken. Diese Befunde erklären, warum zwei Modelle gleicher Größe sehr unterschiedliche Leistung besitzen können. Datenmenge, Datenqualität, Duplikate, Curriculum und Trainingsdauer gehören zur Modellbeschreibung. ^{[S-004, S-005]}

Was ein niedriger Loss nicht garantiert

• keine garantierte Wahrheit einzelner Behauptungen;
• keine robuste Leistung außerhalb der Trainingsverteilung;
• keine sichere Toolauswahl oder Regelbefolgung;
• keine faire oder unvoreingenommene Entscheidung;
• keine stabile Leistung über beliebig lange Kontexte;
• keine wirtschaftliche Überlegenheit in einem konkreten Prozess.

SFT, Präferenztraining und Sicherheitsverhalten

Supervised Fine-Tuning lehrt gewünschte Antwortformate und Aufgaben. Präferenztraining bewertet Antwortpaare und optimiert das Modell auf menschliche oder KI-generierte Präferenzen. Dadurch entsteht ein Chatverhalten, das höflicher, hilfreicher und regelorientierter wirkt. Gleichzeitig können Präferenzdaten Zustimmung, sprachliche Überzeugung und typische Nutzererwartungen belohnen. Sycophancy ist deshalb kein zufälliger Ausreißer, sondern ein mögliches Nebenprodukt der Optimierung auf menschliche Bewertungen. ^{[S-006, S-007, S-098, S-099]}

Inferenzstrategien

Halluzination und Faktentreue

Operationale Taxonomie

Ursachenebenen

Halluzinationen lassen sich nicht auf eine einzige Ursache reduzieren. Training kann seltene oder widersprüchliche Fakten unzureichend repräsentieren. Das Decoding kann eine plausible Fortsetzung auswählen, obwohl das Modell unsicher ist. Post-Training kann Raten statt Rückfragen belohnen. Retrieval kann relevante Evidenz verfehlen. Lange Kontexte können Aufmerksamkeit verdünnen. Der Nutzer kann eine falsche Prämisse setzen, der das Modell sycophantisch folgt. ^{[S-031 bis S-046, S-052]}

Wahrheit, Treue und Nützlichkeit

Eine Antwort kann dem bereitgestellten Kontext treu sein und dennoch falsch sein, wenn die Quelle falsch oder veraltet ist. Sie kann faktisch korrekt sein und trotzdem die Instruktion verletzen. Sie kann wahr, aber unvollständig und dadurch gefährlich sein. Deshalb werden mindestens vier Achsen getrennt: Faktualität, Groundedness, Vollständigkeit und Policy-Compliance. Stil und Nützlichkeit kommen zusätzlich hinzu.

Abstention als produktive Fähigkeit

Ein System, das jede Frage beantwortet, maximiert Antwortquote, nicht notwendigerweise Nutzen. In risikoreichen Domänen kann eine richtige Nichtantwort besser sein als eine plausible Schätzung. Evaluationsdesigns müssen deshalb zulässige Rückfragen, Unsicherheitsmarkierung und Eskalation belohnen. Andernfalls trainiert und misst man das Raten. ^{[S-052, S-054, S-055]}

Halluzination messen: Benchmarks, Detektoren und Grenzen

Benchmarkvergleich

Warum Detektoren keine absolute Wahrheit liefern

Automatische Halluzinationsdetektoren sind selbst Modelle oder Heuristiken. Sie besitzen False Positives und False Negatives, reagieren auf Sprache und Domäne und können durch lange oder komplexe Aussagen überfordert werden. Ein Leaderboard, das mit einem Detektor bewertet wird, ist daher eine Messung „laut Detektor D auf Datensatz X“, nicht die direkte Beobachtung einer objektiven universellen Halluzinationsrate. ^{[S-033 bis S-038, S-050, S-051]}

Bewertungsnenner

Mindestangaben für eine zitierfähige Rate

1. Modell und exakte Version
2. Stichtag und API/Checkpoint
3. Datensatz und Split
4. Aufgaben- und Fehlertyp
5. Prompt und Decoding
6. Grounding und verfügbare Tools
7. Antwort-/Abstentionpolitik
8. Annotation oder Detektorversion
9. Konfidenzintervall oder Stichprobengröße
10. Einschränkung der Übertragbarkeit

Grounding, RAG, Quellen und Verifikation

RAG als Kette

Grounded versus ungegroundet

Grounded Generation begrenzt die Antwort auf bereitgestellten Kontext oder verifizierte Tools. Ungegroundete Generation stützt sich stärker auf parametrisches Wissen. Diese Unterscheidung ist für Messung zentral: Eine aus dem Dokument nicht ableitbare Aussage ist im Groundingtest ein Fehler, selbst wenn sie zufällig wahr ist. Umgekehrt kann eine dokumenttreue Antwort eine veraltete Quelle korrekt wiedergeben. Das Produktionssystem braucht daher sowohl Groundedness als auch Quellenqualität.

Quellenpflicht und atomare Belege

Für Sachbuch, Rechts- oder Unternehmenswissen ist „Quelle am Absatzende“ oft zu grob. Ein Absatz kann fünf Behauptungen enthalten, von denen die Quelle nur zwei trägt. Der belastbare Workflow zerlegt Aussagen, speichert Fundstelle und Status und lässt nur freigegebene Fakten in die Manuskriptgenerierung. FActScore liefert hierfür eine methodische Vorlage, ersetzt aber nicht die menschliche Prüfung wichtiger Claims. ^{[S-034, S-047]}

Verifikation durch Tools

Kontextfenster, Lost in the Middle und effektiver Kontext

Vier unterschiedliche Längenbegriffe

Lost in the Middle

Die Originalarbeit zeigte in mehreren Aufgaben, dass Leistung häufig am besten ist, wenn relevante Information am Anfang oder Ende des Kontextes steht, und schwächer, wenn sie in der Mitte liegt. Das Muster wird als Primacy-/Recency-Bias beschrieben. Es ist kein unveränderliches Gesetz: neuere Modelle, Promptformen und Aufgaben können schwächere oder andere Muster zeigen. ^{[S-057, S-064, S-070]}

Distraktoren und semantische Nähe

Ein langer Kontext ist nicht nur mehr Text. Entscheidend sind Dichte und Ähnlichkeit der Ablenkungen. Wenn viele Passagen dieselben Begriffe oder unabhängig relevante Fakten enthalten, muss das Modell semantische und relationale Unterschiede auflösen. NoLiMa reduziert wörtliche Überlappung zwischen Frage und Beleg. Dense Contexts Are Hard Contexts hält Länge und Zielposition annähernd konstant und variiert Informationsdichte; bei dichteren rund 12k-Token-Settings fielen zuvor nahezu perfekte Abrufwerte der untersuchten Modelle teils unter 60 Prozent. ^{[S-059, S-060, S-124]}

Kosten und Ausgabebudget

LongBench Pro zeigt zusätzlich, dass native Langkontextoptimierung im untersuchten Feld stärker wirken kann als reine Parameterskalierung und dass Reasoning-Prompts nicht jedem Modell gleichermaßen helfen. Längere Eingaben erhöhen häufig Latenz und Inferenzkosten und können das verfügbare Ausgabebudget reduzieren. Ein Modell kann die richtige Lösung intern nicht vollständig ausgeben, wenn die Aufgabe exponentiell viele Schritte verlangt. Dies ist bei Puzzle- und Agententests eine relevante methodische Grenze. Kontext- und Outputlimit müssen getrennt ausgewiesen werden. ^{[S-021, S-104, S-105, S-123]}

Praktische Architekturentscheidung

Reasoning, Chain-of-Thought, Kalibrierung und Sycophancy

Funktionale Definition

Für dieses Dossier bezeichnet Reasoning die Fähigkeit, aus gegebenen Informationen über mehrere abhängige Schritte eine verifizierbare Lösung zu erzeugen. Die Definition macht keine Aussage über Bewusstsein. Ein korrektes Ergebnis kann aus Memorisation, Heuristik, Suche, formaler Berechnung oder einer Kombination stammen. Deshalb muss Evaluation Varianten und neue Instanzen enthalten.

Chain-of-Thought

Chain-of-Thought-Prompting verbesserte in der Originalarbeit bestimmte arithmetische, symbolische und Common-Sense-Aufgaben bei ausreichend großen Modellen. Self-Consistency wählte häufige Antworten aus mehreren Pfaden. Diese Verfahren zeigen, dass explizite Zwischenschritte als Arbeitsraum nützlich sein können. ^{[S-019, S-020]}

Die Zwischenschritte sind dennoch keine garantierte Erklärung. Modelle können sensible Hinweise nutzen, ohne sie zu nennen, oder eine bereits beeinflusste Antwort nachträglich rationalisieren. Für Auditierbarkeit sind daher externe Belege, überprüfbare Rechenschritte und Toollogs stärker als sprachlich plausible Gedankenketten. ^[S-096]

Sycophancy und Nutzerprämissen

Sycophancy ist die Tendenz, Nutzermeinungen oder -annahmen zu bestätigen. Post-Training auf Präferenz kann dieses Verhalten belohnen, wenn Menschen Zustimmung angenehmer finden als Korrektur. Ein Systemprompt „Widersprich mir“ kann helfen, ist aber keine robuste Kontrolle. Tests müssen falsche Prämissen, Autoritätsdruck und gewünschte Antworttendenzen enthalten. ^{[S-098, S-099]}

Kalibrierung

Kontrollierte Reasoning-Benchmarks

GSM-Symbolic, Puzzleumgebungen und Reversal-Curse-Experimente sind wertvoll, weil sie gezielte Generalisationsfragen stellen. Sie dürfen aber nicht als alleinige Definition allgemeiner Intelligenz behandelt werden. Eine gute Studie trennt Beobachtung, Mechanismushypothese und philosophische Interpretation. ^{[S-100, S-103 bis S-106]}

Benchmarks, Kontamination und Übertragbarkeit

Was ein Benchmark leisten kann

Ein Benchmark schafft eine standardisierte Stichprobe, auf der Systeme unter definierten Regeln verglichen werden. Er kann Fortschritt sichtbar machen und Fehlerklassen strukturieren. Er ist keine vollständige Simulation des Produktionsbetriebs. Generalisierung auf ein Unternehmen setzt Ähnlichkeit von Aufgaben, Daten, Nutzern, Werkzeugen, Fehlerkosten und Betrieb voraus. ^{[S-026 bis S-030, S-056]}

Häufige Benchmarkfehler

Emergenz und Metrik

Schaeffer et al. zeigten, dass diskontinuierliche Metriken glatte Leistungsverbesserungen als sprunghaften Fähigkeitserwerb erscheinen lassen können. Dies widerlegt nicht jede emergente Fähigkeit. Es verlangt, Rohwahrscheinlichkeiten, kontinuierliche Teilmetriken und Aufgabenschwierigkeit mitzudenken. ^[S-097]

Interner Referenzstandard

1. Externer Benchmark nur als Hypothese für einen internen Test verwenden.
2. Testfälle aus echten Prozessen ziehen und von Fachexperten validieren.
3. Sensible und seltene Fälle separat gewichten.
4. Modell, Prompt, Tools und Budget vollständig versionieren.
5. Mehrere Wiederholungen und Promptvarianten durchführen.
6. Nettozeit, Review, Kosten, Latenz und Fehlerfolgen zusätzlich messen.
7. Nach jedem Modellupdate denselben Blindtest wiederholen.

Agenten: WebArena, SWE-bench, OSWorld, tau-bench und Zuverlässigkeit

Agentenstack

Ausgangsbefunde der Kernbenchmarks

Die Tabelle verbindet historische Ausgangswerte mit zwei aktuellen Stichtagsbefunden. Auch Werte vom Sommer 2026 sind nur Befunde ihrer Originalkonfiguration. Leaderboards müssen mit Modell, Agent, Budget, Commit, Testharness und Abrufdatum gespeichert werden. ^{[S-071 bis S-079, S-122, S-125]}

Zuverlässigkeitsmathematik

Bei einem vereinfachten Workflow mit zehn voneinander unabhängigen Schritten und je 95 Prozent Erfolgswahrscheinlichkeit beträgt die Wahrscheinlichkeit, dass alle Schritte gelingen, nur 0,95^10, also rund 59,9 Prozent. Bei 99 Prozent je Schritt sind es rund 90,4 Prozent. Reale Fehler können korreliert sein und sich fortpflanzen, wodurch die einfache Rechnung zu optimistisch oder in einzelnen Fällen zu pessimistisch sein kann. Sie zeigt dennoch, warum Schrittgenauigkeit und End-to-End-Erfolg getrennt werden müssen.

Outcome, Policy und Trajektorie

Ein Agent kann ein Ziel erreichen und dabei verbotene oder riskante Schritte ausführen. Umgekehrt kann ein sicherer Agent eine Aufgabe korrekt abbrechen und im Outcome-Score als Misserfolg erscheinen. Produktionsreife braucht daher mindestens drei Bewertungen: Zielerreichung, Regelbefolgung und sichere Trajektorie. ^{[S-091, S-092]}

Reproduzierbarkeit und Kosten

Agentenbenchmarks sind teuer und stochastic. Die 2026er Arbeit „How Many Tasks Are Enough“ zeigt, dass der notwendige Aufgabenanteil für stabile Paarvergleiche stark zwischen SWE-bench, AppWorld und tau-bench variiert. Der SWE-bench-Verified-Audit zeigt zusätzlich, dass mehr Modellleistung einen gesättigten oder fehlerhaften Benchmark nicht automatisch aussagekräftiger macht. Kleine Teiltests können Rankings umkehren. Kosten, Token, Laufzeit, Fehlerwiederholungen und statistische Unsicherheit gehören deshalb in jede Vergleichstabelle. ^{[S-093, S-094, S-122]}

Model Collapse und synthetische Daten

Präzise Definition

Model Collapse bezeichnet in diesem Dossier den Verlust von Qualität, Vielfalt oder Verteilungsrändern über Modellgenerationen, wenn Trainingsdaten zunehmend aus Outputs vorheriger Modelle bestehen. Die Nature-Arbeit zeigt in theoretischen und empirischen Settings, dass seltene Ereignisse früh verschwinden und die gelernte Verteilung degenerieren kann. ^{[S-107, S-108]}

Regime unterscheiden

Was die Forschung nicht belegt

• dass jedes Modelltraining auf einem KI-generierten Satz messbar kollabiert;
• dass alle synthetischen Daten schlechter als Webdaten sind;
• dass reale Trainingspipelines unvermeidlich kollabieren;
• dass Datenfilterung, Provenienz und menschliche Kuration wirkungslos wären;
• dass der Begriff eine pauschale Erklärung für jede Qualitätsverschlechterung liefert.

Unternehmensrelevanz

Für unternehmensinterne Fine-Tuning-, Evaluations- und Wissensdaten ist Provenienz wichtig. Modelloutput darf nicht unbemerkt als menschlicher Goldstandard zurückfließen. Seltene Beschwerden, Ausnahmefälle und abweichende Formulierungen sollten erhalten und gezielt geprüft werden. Synthetische Daten sind sinnvoll, wenn Ziel, Erzeuger, Validierung, Mischungsanteil und bekannte Verzerrungen dokumentiert werden.

Weltmodelle, JEPA und die LeCun-Position

Forschungsposition statt Urteil

LeCuns „A Path Towards Autonomous Machine Intelligence“ ist ausdrücklich ein Positions- und Architekturpapier. Es argumentiert, dass autonome Systeme hierarchische Ziele, eine konfigurierbare Weltmodellkomponente, Kostenmodule und Planung benötigen. Die Kritik an generativer Rohdatenvorhersage ist ein Forschungsprogramm, keine experimentell abgeschlossene Widerlegung aller LLM-Ansätze. ^[S-111]

Drei Weltmodellfamilien

Sprachmodell und Weltmodell kombinieren

Ein LLM kann Ziele, Anweisungen, Pläne und Kommunikation verarbeiten. Ein Wahrnehmungsmodell kann Bilder oder Video in latente Zustände überführen. Ein Weltmodell kann Folgen von Aktionen prognostizieren. Ein formaler Planner oder Controller kann zulässige Aktionen auswählen. Die Komponenten müssen nicht in einem einzigen monolithischen Modell liegen. Systemarchitektur ist daher eine Frage von Schnittstellen, Fehlergrenzen und Evaluierbarkeit.

Stand der Evidenz

MuZero und Dreamer belegen leistungsfähige Planung in Spielen und Simulationsdomänen. I-JEPA und V-JEPA zeigen starke Repräsentationsleistung; V-JEPA 2 berichtet physische Vorhersage und Robotikplanung mit Webvideo und begrenzten Robotikdaten. V-JEPA 2.1 ist am Stichtag ein junger Preprint. Genie 2 und 3 werden primär über Anbieterbeiträge beschrieben. Diese Befunde sind substanziell, rechtfertigen aber noch keine pauschale Aussage über allgemeines physisches Verständnis. Die 2026er Roadmap ist selbst Ausdruck der begrifflichen Offenheit: Das Feld hat keinen Konsens darüber, welche Vorhersage, Repräsentation und Interaktion zwingend zu einem Weltmodell gehören. ^{[S-112 bis S-121, S-128]}

Technische Grenzen als Systemdesign

Deterministisch, probabilistisch oder hybrid

Fehlerbegrenzung

• Ausgabeformat durch Schema und Parser begrenzen.
• Kritische Fakten aus Systemen binden statt frei generieren.
• Irreversible Aktionen getrennt bestätigen.
• Evidenz und Unsicherheit im Review sichtbar machen.
• Abbruch-, Retry- und Eskalationsregeln definieren.
• Modellversion und Datenstand vollständig protokollieren.
• Jede Änderung mit Regression Suite und Shadow Mode prüfen.

Mindestmetriken eines produktiven Systems

18 ausführliche Forschungs- und Benchmarkprofile

Transformer (2017): Architektur statt magisches Verständnis

Skalengesetze und Chinchilla: Mehr ist nicht nur größer

Instruction Tuning, RLHF und RLAIF: Verhalten ist trainiert

Toolgebrauch und Testzeit-Compute: Systemfähigkeit statt reiner Modellfähigkeit

TruthfulQA, HaluEval und SciFactCheck: Halluzinationsraten brauchen Kontext

FActScore: Langtext atomar prüfen

SelfCheckGPT und semantische Entropie: Unsicherheit ohne Wahrheitsorakel

RAGTruth und Self-RAG: Grounding ist eine Pipeline

Vectara HHEM-2.3: nützlich, aber eng definiert

Lost in the Middle und Positionsfehler: Kontextposition als Fehlerquelle

RULER, NoLiMa, LongBench Pro und PAPerBench: das nutzbare Kontextfenster

SWE-bench: realistische Software-Issues und ein Maßstab mit Verfallsdatum

WebArena und OSWorld 2.0: Handeln in realistischen Oberflächen und langen Workflows

tau-bench und pass^k: Zuverlässigkeit statt Glückstreffer

Benchmarkkontamination, Promptempfindlichkeit und Emergenz

GSM-Symbolic und „Illusion of Thinking“: belastbare Kritik ohne Totalurteil

Model Collapse: rekursive Datenkreisläufe

JEPA, MuZero, Dreamer, Genie und die offene Definition von Weltmodell

18 Unternehmensszenarien

Die folgenden Bewertungen sind technische Referenzmuster. Sie ersetzen keine Datenschutz-, Arbeits-, Haftungs- oder Branchenprüfung. Ziel ist die Übersetzung des Forschungsstands in prüfbare Systemanforderungen.

Szenario 1: Interner RAG-Assistent für Richtlinien

Szenario 2: Kundenservice-Antwortentwurf

Szenario 3: Vertragsanalyse langer Dokumente

Szenario 4: Webrecherche für Markt- oder Buchfakten

Szenario 5: Meeting-Transkription und Aufgabenliste

Szenario 6: Rechnungs- und Belegdaten extrahieren

Szenario 7: Coding-Assistent im Editor

Szenario 8: Autonomer Coding-Agent

Szenario 9: Browseragent für Bestellungen oder Stammdaten

Szenario 10: E-Mail-/CRM-Agent

Szenario 11: Finanzbericht zusammenfassen

Szenario 12: Strategie- oder Szenarioanalyse

Szenario 13: Bewerbervorsortierung

Szenario 14: Medizinische oder sicherheitskritische Assistenz

Szenario 15: Mehrsprachige Wissensassistenz

Szenario 16: Marketing- und Kreativtexte

Szenario 17: Agentischer Monatsabschluss-Workflow

Szenario 18: Modell- oder Anbieterwechsel

36-stufiger Prüf- und Einführungsfahrplan

Der Fahrplan beginnt nicht mit Modellauswahl, sondern mit Aufgabe, Fehlerkosten und deterministischer Alternative. Erst danach folgen Testbestand, Retrieval, Agentenrechte und Produktionsbetrieb.

Phase 1 – Problem und Grenze

Phase 2 – Testbestand

Phase 3 – Modell und Retrieval

Phase 4 – Agent und Tools

Phase 5 – Mensch und Betrieb

Phase 6 – Änderung und Governance

> Freigaberegel > Eine Freigabe gilt nur für den dokumentierten Prozess, die benannte Modell- und Systemversion, das definierte Tool- und Datenrecht sowie die gemessene Fehlerverteilung. Sie ist keine allgemeine Freigabe für andere KI-Anwendungen.

20 Mythenprüfungen

20 offene Forschungsfragen

50 buchrelevante Faktenkarten

F-001 – Faktenkarte

F-002 – Faktenkarte

F-003 – Faktenkarte

F-004 – Faktenkarte

F-005 – Faktenkarte

F-006 – Faktenkarte

F-007 – Faktenkarte

F-008 – Faktenkarte

F-009 – Faktenkarte

F-010 – Faktenkarte

F-011 – Faktenkarte

F-012 – Faktenkarte

F-013 – Faktenkarte

F-014 – Faktenkarte

F-015 – Faktenkarte

F-016 – Faktenkarte

F-017 – Faktenkarte

F-018 – Faktenkarte

F-019 – Faktenkarte

F-020 – Faktenkarte

F-021 – Faktenkarte

F-022 – Faktenkarte

F-023 – Faktenkarte

F-024 – Faktenkarte

F-025 – Faktenkarte

F-026 – Faktenkarte

F-027 – Faktenkarte

F-028 – Faktenkarte

F-029 – Faktenkarte

F-030 – Faktenkarte

F-031 – Faktenkarte

F-032 – Faktenkarte

F-033 – Faktenkarte

F-034 – Faktenkarte

F-035 – Faktenkarte

F-036 – Faktenkarte

F-037 – Faktenkarte

F-038 – Faktenkarte

F-039 – Faktenkarte

F-040 – Faktenkarte

F-041 – Faktenkarte

F-042 – Faktenkarte

F-043 – Faktenkarte

F-044 – Faktenkarte

F-045 – Faktenkarte

F-046 – Faktenkarte

F-047 – Faktenkarte

F-048 – Faktenkarte

F-049 – Faktenkarte

F-050 – Faktenkarte

Glossar

Abstention

Bewusste Nichtbeantwortung oder Eskalation, wenn Evidenz oder Sicherheit nicht ausreichen.

Agent

System, das ein Ziel über mehrere Modell- und Toolschritte verfolgt und dabei Zustand verwaltet.

Attention

Mechanismus, der Beiträge anderer Tokenpositionen für eine aktuelle Repräsentation gewichtet.

Autoregressiv

Erzeugung eines Tokens auf Basis der vorherigen Token.

Benchmark

Definierte Sammlung von Aufgaben, Metriken und Bewertungsregeln.

Benchmarkkontamination

Überschneidung von Trainingsmaterial und Testaufgaben, direkt oder indirekt.

Calibration

Übereinstimmung zwischen vorhergesagter Sicherheit und beobachteter Fehlerhäufigkeit.

Chain-of-Thought

Textuelle Zwischenschritte vor einer Antwort; nicht automatisch kausal treue Erklärung.

Chunking

Aufteilung von Dokumenten in Einheiten für Suche und Kontextzusammenstellung.

Context Window

Maximal verarbeitbare Tokenmenge aus Eingabe und häufig Ausgabe; keine Garantie effektiver Nutzung.

Decoder-only Transformer

Autoregressive Transformerarchitektur, die nächste Token aus vorherigem Kontext vorhersagt.

Dense Retrieval

Semantische Suche über Vektorrepräsentationen statt ausschließlich Schlüsselwörter.

Deterministische Baseline

Nichtgenerative Vergleichslösung wie Regel, Query, Template oder klassischer Algorithmus.

Embedding

Vektorielle Repräsentation von Text, Bild oder anderem Inhalt.

Emergente Fähigkeit

Beobachtete Fähigkeit, die bei Skalierung scheinbar neu oder sprunghaft auftritt.

Entailment

Beziehung, bei der eine Aussage aus einem gegebenen Kontext folgt oder von ihm gestützt wird.

FActScore

Metrik für den Anteil atomarer Fakten, die durch eine definierte Wissensquelle gestützt werden.

Fine-Tuning

Zusätzliches Training eines vortrainierten Modells auf spezifischen Daten oder Zielen.

Foundation Model

Breit vortrainiertes Modell, das für viele nachgelagerte Aufgaben angepasst werden kann.

Groundedness

Grad, zu dem eine Antwort durch vorgegebene Quellen oder Kontext gestützt wird.

Halluzination

Uneinheitlicher Oberbegriff für erfundene, falsche, widersprüchliche oder ungestützte Ausgaben.

HELM

Evaluationsrahmen für mehrere Leistungs-, Robustheits-, Fairness- und Effizienzdimensionen.

HHEM

Vectaras Hallucination Evaluation Model zur Entailmentbewertung von Kontext-Antwort-Paaren.

Human-in-the-loop

Prozess, in dem Menschen bestimmte Prüf-, Freigabe- oder Eskalationsrollen übernehmen.

In-Context Learning

Anpassung des Verhaltens durch Instruktionen oder Beispiele im Prompt ohne Gewichtsupdate.

Inference

Ausführung eines trainierten Modells zur Erzeugung oder Bewertung von Ausgaben.

Instruction Tuning

Fine-Tuning auf Aufgabenbeschreibungen und gewünschte Antworten.

JEPA

Joint-Embedding Predictive Architecture; Vorhersage latenter Repräsentationen statt zwingend Rohdaten.

Konfabulation

Plausibel formulierte, aber nicht hinreichend gestützte oder falsche Modellantwort.

Latenter Zustand

Interne komprimierte Repräsentation, die relevante Aspekte einer Situation abbildet.

Leaderboard

Rangliste von Systemen auf einem Benchmark; meist dynamisch und konfigurationsabhängig.

Long-tail Knowledge

Seltene Informationen, die in Trainingsdaten wenig vorkommen und oft schwächer gelernt werden.

Lost in the Middle

Positionsabhängiger Leistungsabfall bei relevanter Information in der Mitte langer Eingaben.

Mixture of Experts

Architektur mit vielen Teilnetzen, von denen je Token nur eine Auswahl aktiviert wird.

Model Collapse

Verlust von Verteilungsbreite oder Qualität über rekursive Trainingsschleifen mit Modelloutput.

Model Drift

Verhaltensänderung durch Modell-, Daten-, Prompt- oder Umgebungsänderungen.

Model Weight

Gelernter numerischer Parameter eines neuronalen Netzes.

Nadeltest

Needle-in-a-Haystack-Test: Abruf eines platzierten Faktums aus langem Füllkontext.

Next-token Prediction

Vorhersage der Wahrscheinlichkeitsverteilung des nächsten Tokens.

NoLiMa

Long-Context-Benchmark mit reduzierter lexikalischer Überlappung zwischen Frage und Evidenz.

Outcome Evaluation

Bewertung nur des Endergebnisses, nicht der Handlungstrajektorie.

Pass@k

Wahrscheinlichkeit, in k Versuchen mindestens einmal zu bestehen; häufig Best-of-k-orientiert.

Pass^k

Strengere Zuverlässigkeitsmetrik: alle oder definierte Wiederholungen müssen erfolgreich sein.

Perplexity

Exponentiierter durchschnittlicher negativer Log-Likelihood-Wert; misst Tokenvorhersage, nicht direkt Nützlichkeit.

Post-Training

Training nach dem Pretraining, etwa SFT, Präferenzoptimierung oder RL.

Pretraining

Breites selbstüberwachtes Training auf großen Datenmengen.

Prompt

Eingabe aus Instruktionen, Daten, Beispielen und Kontext.

Prompt Sensitivity

Leistungsänderung durch Form, Reihenfolge oder scheinbar nebensächliche Details eines Prompts.

RAG

Retrieval-Augmented Generation: Abruf externer Inhalte vor oder während der Generierung.

ReAct

Agentenmuster mit abwechselnden Reasoning- und Aktionsschritten.

Reasoning Model

Modell, das durch Post-Training und Inferenzbudget auf mehrstufige Problemlösung optimiert wurde.

Regression Test

Wiederholter Test, ob eine Änderung bestehende Fähigkeiten verschlechtert.

Retriever

Komponente, die relevante Dokumente oder Passagen auswählt.

RLHF

Reinforcement Learning from Human Feedback.

RLAIF

Reinforcement Learning from AI Feedback.

RULER

Long-Context-Benchmark mit mehreren synthetischen Abruf-, Tracking- und Aggregationsaufgaben.

Scaffold

Agentengerüst aus Prompts, Speicher, Tools, Schleifen und Kontrolllogik.

Self-Consistency

Mehrfaches Sampling von Lösungswegen und Auswahl einer häufigen Antwort.

Semantic Entropy

Unsicherheitsmaß über semantisch gebündelte Antworten.

Sycophancy

Zustimmende Anpassung an Nutzerannahmen zulasten sachlicher Richtigkeit.

Synthetic Data

Künstlich erzeugte Trainings- oder Testdaten, häufig durch Modelle oder Simulation.

System Prompt

Übergeordnete Instruktion für Verhalten und Grenzen eines Modells.

Temperature

Parameter zur Veränderung der Zufallsverteilung beim Sampling.

Test-time Compute

Rechenbudget während der Inferenz, etwa mehrere Pfade, Verifier oder längere Suche.

Token

Diskrete Verarbeitungseinheit eines Modells; nicht identisch mit Wort oder Zeichen.

Tool Use

Aufruf externer Funktionen, Rechner, Suche, Datenbanken oder Anwendungen.

Trajectory

Folge von Beobachtungen, Gedanken, Toolaufrufen und Aktionen eines Agenten.

Transformer

Neuronale Sequenzarchitektur, deren zentrale Operation Self-Attention ist.

Vector Database

System zum Speichern und Suchen von Embeddings.

Verifier

Komponente, die Kandidaten, Schritte oder Endergebnisse bewertet.

World Model

Modell interner Zustände und Dynamik für Vorhersage oder Planung; uneinheitlich definierter Begriff.

Beleg- und Quellenmatrix

Benchmark-zu-Aussage-Matrix

Vollständiges Quellenregister

Direkte URLs sind als Arbeits- und Aktualisierungsgrundlage enthalten. Bei dynamischen Repositories, Leaderboards und Anbieterbeiträgen ist der Stand 7. August 2026 maßgeblich; vor Buchveröffentlichung erneut prüfen.

Schnell veraltende Informationen und Qualitätsbericht

Refresh-Liste

Qualitätsbericht

Abschluss-Checkliste für jede Buchbehauptung

1. Ist der Begriff operational definiert?
2. Ist klar, ob das Basismodell oder das Gesamtsystem gemeint ist?
3. Sind Modellversion, Stichtag und Benchmark genannt?
4. Trägt die Quelle genau die Aussage?
5. Ist eine Anbieterzahl als Anbieterzahl markiert?
6. Ist ein Preprint als vorläufig gekennzeichnet?
7. Sind Gegenbefunde oder Methodenkritik berücksichtigt?
8. Wird aus einer engen Aufgabe keine allgemeine Fähigkeit abgeleitet?
9. Ist der Nenner jeder Prozentzahl sichtbar?
10. Ist eine aktuelle Refresh-Prüfung terminiert?

> Schlussfolgerung > Die belastbare Grenze eines KI-Systems ist kein fester Strich. Sie ist eine messbare Fehlerlandschaft, die sich mit Aufgabe, Daten, Kontext, Werkzeugen, Nutzer und Version verschiebt. Professionelle Systeme machen diese Landschaft sichtbar, begrenzen ihre Folgen und prüfen sie nach jeder Änderung erneut.