Warum fängt ein KI-Chat jedes Mal von vorn an?

Große Sprachmodelle lernen während der Nutzung nicht dazu. Das Modell hinter einem KI-Chat ist nach dem Training festgelegt, eine Korrektur im Gespräch ändert es nicht. Deshalb kennt fast jeder die Situation: Man erklärt Ton, Fachbegriffe und Format, das Ergebnis passt, und beim nächsten Mal beginnt alles neu.

Speicherfunktionen merken sich einzelne Vorlieben. Eine gezielt gepflegte Wissensbasis für eine wiederkehrende Aufgabe ersetzen sie nicht.

Wie funktioniert ein Lernkreislauf für KI?

Fachleute nennen das Zusammenstellen dieser Zusatzinformationen Kontext-Engineering. Gemeint ist nichts anderes als: der KI bei jeder Aufgabe das mitgeben, was ein erfahrener Kollege schon weiß.

Was gehört in die Sammlung?

Drei Bausteine genügen, und alle entstehen im normalen Arbeitsalltag:

• Regeln: kurze, konkrete Anweisungen, zum Beispiel „Texte für Kunden ohne Fachbegriffe“.
• Gute Beispiele: Ergebnisse, die unverändert oder fast unverändert freigegeben wurden.
• Schlechte Beispiele: verworfene oder stark korrigierte Ergebnisse, jeweils mit Grund.

Die Sammlung braucht Pflege. Widersprüchliche Regeln werden aufgeräumt, veraltete Beispiele entfernt, sonst wächst Rauschen statt Wissen. Und eine Regel im Text ist keine Sicherheitsgrenze: Was eine KI nicht tun darf, etwa Mails versenden oder Daten löschen, muss technisch gesperrt sein.

Wie sieht eine Sammlung konkret aus?

Ein ausgedachtes, aber typisches Beispiel: Ein Betrieb lässt die KI Antworten auf Kundenanfragen per E-Mail vorbereiten. Nach einigen Wochen steht in der Sammlung zum Beispiel Folgendes.

• Regel: Nenne keine festen Termine, schreibe „Wir melden uns mit einem Terminvorschlag“. Anlass: Die KI hatte einen Termin zugesagt, der nicht zu halten war.
• Regel: Nenne keine Preise, verweise auf das persönliche Angebot. Anlass: Die KI hatte einen veralteten Preis aus einer alten Mail übernommen.
• Regel: Frage bei einer Störung immer nach dem Gerät und seit wann sie auftritt. Anlass: Ohne diese Angaben musste jedes Mal nachgefragt werden.

Gutes Beispiel: „Danke für Ihre Nachricht. Damit wir Ihnen schnell helfen können: Um welches Gerät geht es, und seit wann tritt die Störung auf? Wir melden uns dann mit einem Terminvorschlag.“ Unverändert freigegeben.

Schlechtes Beispiel: „Wir kommen am Donnerstag vorbei, das kostet 89 Euro.“ Verworfen, weil Termin und Preis nicht feststanden. Genau aus diesem Entwurf sind die ersten beiden Regeln entstanden.

Welche Regeln wirken am besten?

Am besten wirken Regeln, die festhalten, was passiert ist und warum es sie gibt. Wir entwickeln Software mit einem KI-Assistenten, der bei jeder Sitzung eine solche Regeldatei lädt, und haben das dort beobachtet.

Ein Beispiel aus unserer Praxis: Die KI baute für das Kundenportal eines eigenen Softwareprodukts eine Statusübersicht. Fachlich war sie korrekt, aber voller Begriffe wie „DNS“ oder „Cutover“. Wer eine Aufgabe nicht versteht, erledigt sie nicht. Daraus wurde eine Regel mit Anlass: Texte für Kunden stehen in der Sprache des Kunden, Fachbegriffe gehören in interne Notizen, und vor dem Ausliefern wird jeder Text einmal laut gelesen. Seitdem führt die KI diese Gegenprobe selbst durch.

Wo sollte die Sammlung liegen?

Die Sammlung sollte bei Ihnen liegen, in Ihren eigenen Dateien oder Systemen, nicht nur im Verlauf eines Chat-Dienstes. Sie enthält, wie Ihr Betrieb arbeitet: Ton, typische Kundenfragen, Fehler, die man einmal gemacht hat. Liegt sie bei Ihnen, können Sie das Werkzeug wechseln, ohne das Gelernte zu verlieren.

Sollen die Daten in der EU bleiben, kommen europäische Anbieter oder Firmen-Plattformen mit Hosting in der EU infrage. Welche Daten überhaupt in einen Cloud-Dienst dürfen, klärt unser Artikel zur Schatten-KI. Wann sich ein Modell im eigenen Haus lohnt, steht in KI on-premise betreiben.

Woran scheitert ein Lernkreislauf?

Meist nicht an der Technik, sondern an kleinen Gewohnheiten. Diese vier Fehler sind typisch:

• Korrekturen bleiben im Chat. Wer den Fehler nur im Gespräch berichtigt, bringt der KI nichts bei. Die Korrektur muss in die Sammlung.
• Regeln widersprechen sich. „Antworte kurz“ und „erkläre immer ausführlich“ stehen nebeneinander, und die KI entscheidet zufällig. Beim Ergänzen einer Regel die alten kurz gegenlesen.
• Niemand räumt auf. Überholte Preise, alte Abläufe und doppelte Regeln bleiben stehen und führen die KI in die falsche Richtung.
• Keiner fühlt sich zuständig. Wenn jeder korrigiert, aber niemand ablegt, wächst die Sammlung nicht. Einer muss sie pflegen, am besten die Person, die freigibt.

Ein fünfter Punkt fällt erst im Alltag auf, und wir erleben ihn selbst immer wieder: Die KI übergeht die Sammlung. Die Regel steht da, trotzdem kommt eine unvollständige Antwort, als hätte die KI nie hineingeschaut. Das ist kein Grund, den Kreislauf aufzugeben, sondern ein Hinweis auf die Regel selbst.

• Regel nachschärfen: konkreter formulieren, was genau erwartet wird, statt nur, was vermieden werden soll.
• Als wichtig kennzeichnen: Regeln, die nie übergangen werden dürfen, ausdrücklich als wichtig markieren und an den Anfang der Sammlung stellen.
• Anlass ergänzen: festhalten, wann die Regel übergangen wurde. Eine Regel mit wiederholtem Anlass nimmt die KI ernster als eine allgemeine Bitte.

Wann reicht eine Sammlung nicht mehr?

Eine Sammlung aus Regeln und Beispielen trägt, solange sie überschaubar ist und bei jeder Anfrage vollständig mitgegeben werden kann. Sie stößt an Grenzen, wenn das nötige Wissen in vielen Dokumenten steckt, die sich laufend ändern: Handbücher, Preislisten, abgeschlossene Support-Fälle.

Dann gehört dieses Wissen in eine KI-Wissensdatenbank. Sie sucht bei jeder Anfrage die passenden Stellen heraus, statt alles mitzuschicken, und nennt die Quelle. Die Regeln aus der Sammlung bleiben trotzdem wichtig, sie legen fest, wie die KI mit dem gefundenen Wissen umgeht. Wo die Grenze im Einzelfall liegt, steht in Wann lohnt sich RAG.

Wie hinterlegen Sie die Sammlung in Ihrem KI-Werkzeug?

Jedes gängige KI-Werkzeug bietet einen Ort, an dem Regeln und Beispiele dauerhaft liegen und bei jeder Anfrage mitgelesen werden. Die Sammlung gehört trotzdem zusätzlich in Ihre eigenen Dateien, sonst hängt das Gelernte am Werkzeug.

• Microsoft Copilot und Copilot Chat: in einem eigenen Agent mit Anweisungen oder in einem Notebook mit Anweisungen und Dateien. Mit Firmenkonto werden Eingaben nicht zum Training genutzt. Agents mit Zugriff auf Firmendaten kosten ohne Copilot-Lizenz extra.
• ChatGPT: in einem Projekt mit Dateien und Anweisungen. In Business und Enterprise standardmäßig kein Training, in privaten Tarifen in den Einstellungen abschalten. Eigene GPTs werden eingestellt und durch Plugins ersetzt.
• Google Gemini: in einem Gem mit Anweisungen und Wissensdateien. Mit Google-Workspace-Konto kein Training außerhalb Ihres Unternehmens.
• Claude: in einem Projekt mit Projektwissen und Anweisungen. In Team und Enterprise standardmäßig kein Training. Die Daten werden in den USA gespeichert.
• Mistral Vibe (früher Le Chat): in einem Agent mit Anweisungen und Bibliotheken. Daten standardmäßig in der EU, in günstigen Tarifen die Trainingseinstellung prüfen.
• Langdock: in einem Agent mit Anweisungen und Dateien. Hosting standardmäßig in der EU, laut Anbieter kein Training.

Stand: 15. September 2026. Die Anbieter ändern Funktionen und Tarife regelmäßig.

Womit fangen Sie an?

• Eine Aufgabe wählen, die regelmäßig wiederkommt, zum Beispiel Antworten auf Standard-Kundenanfragen. Ob sie sich überhaupt eignet, zeigt der Artikel Braucht diese Aufgabe wirklich KI?
• Eine Datei für Regeln und Beispiele anlegen, außerhalb des Chat-Verlaufs, und sie in dem KI-Werkzeug hinterlegen, das Sie ohnehin nutzen, etwa Microsoft Copilot, ChatGPT oder Google Gemini.
• Nach jeder Korrektur eine Zeile ergänzen: was falsch war, wie es richtig ist, warum.
• Nach vier Wochen zählen: Wie viele Entwürfe gehen ohne Änderung raus? Steigt der Anteil, lernt Ihr Kreislauf.