Wenn man eine KI um eine Recherche bittet, ist der Reflex oft derselbe:

Finde mir 20, 30 oder 50 gute Quellen zu diesem Thema.

Das Problem ist nicht die Zahl der Quellen. Das Problem ist, zu entscheiden, wie viel man sucht, bevor man weiß, was tatsächlich fehlt.

So sammelt man schnell Dokumente an, die sich überschneiden, dieselben Konzepte aufgreifen, dieselben Arbeiten zitieren und eine künstliche Abdeckung vortäuschen. Gleichzeitig bleiben manche Blickwinkel unsichtbar, weil sie in den ersten Ergebnissen kaum vorkommen.

Ich gehe anders vor: Ich starte mit einem sehr kleinen, aber sorgfältig kuratierten Korpus, ziehe daraus strukturiertes Wissen, diagnostiziere, was dieses Korpus schon verstehen lässt – und vor allem, was es noch nicht verstehen lässt –, und lasse dann diesen Zustand die nächste Suche bestimmen.

Ich nenne diese Methode Stateful Corpus Research Loop, kurz SCRL.

Ihre Logik passt in einen Satz:

Nicht mehr Quellen suchen. Die nächste Quelle suchen, die verändern könnte, was man über eine bestimmte Mission schon weiß.

1. Das Problem ist nicht die Massenrecherche

Viele Quellen zu suchen ist natürlich nicht an sich schlecht. Manche Recherchen brauchen Dutzende, ja Hunderte von Dokumenten.

Das Problem entsteht, wenn die Strategie von Anfang an feststeht:

Scope → 30 Quellen → Lektüre → Synthese

Die Menge wird dann zum Ersatzmaß für Qualität.

Dabei können dreißig Quellen in Wirklichkeit nur ein paar wiederholte Ideen abdecken. Sie können vom selben Akteurstyp stammen, dieselben Arbeiten zitieren, auf denselben Annahmen beruhen oder denselben Widerspruch ignorieren.

Die interessante Frage lautet also nicht: Wie viele Quellen habe ich?

Sondern: Was weiß mein Korpus schon, was weiß es noch nicht, und welche Suche hätte die besten Chancen, diesen Zustand zu verändern?

Eine SCRL dreht die übliche Logik also um.

Statt zuerst zu sammeln und danach zu verstehen, versteht man genug, um zu entscheiden, wonach als Nächstes zu suchen ist.

2. Alles beginnt mit einer Mission und einem Scope

Eine iterative Schleife ohne Grenze kann endlos werden.

Jede neue Quelle wirft neue Fragen auf. Jede Frage führt zu neuen Konzepten. Und jedes Konzept kann zwanzig weitere Texte rechtfertigen, die man lesen müsste.

Eine SCRL beginnt deshalb mit einer expliziten Mission:

• einer zentralen Frage;
• dem, was zum Thema gehört;
• dem, was nicht dazugehört;
• den Achsen, die verstanden werden sollen;
• der Art von Wissen, die erwartet wird.

Konvergenz gibt es nie im Absoluten.

Man kann nicht schließen: „Jetzt wissen wir alles, was es über KI-Agenten zu wissen gibt.“

Man kann nur schließen: Für diese Mission, in diesem Scope, ist es inzwischen wenig wahrscheinlich, dass neue Iterationen unser aktuelles Modell substanziell verändern.

Der Scope ist keine administrative Auflage. Er ist das, was ein Abbruchkriterium überhaupt möglich macht.

3. Mit einem kleinen, aber gut kuratierten Seed starten

Eine SCRL beginnt nicht mit erschöpfendem Sammeln. Sie beginnt mit einem Seed: ein paar sorgfältig ausgewählten Quellen.

Diese erste Auswahl muss ausreichend:

• verlässlich;
• vielfältig;
• nah am Kern des Themas;
• reichhaltig sein, damit eine erste konzeptuelle Struktur sichtbar wird.

Der Seed soll das Gebiet nicht abdecken.

Seine Rolle ist bescheidener und nützlicher: einen ersten Wissenszustand herzustellen, der gut genug ist, um zu erkennen, was fehlt.

Er setzt die Schleife in Gang.

4. Quellen in Wissen überführen, nicht in Zusammenfassungen

Ein rohes Dokument ist eine schlechte Einheit zum Denken.

Ein Artikel kann fünf voneinander unabhängige Mechanismen enthalten. Zwei sehr unterschiedliche Dokumente können genau dieselbe Idee stützen. Umgekehrt kann ein und dieselbe Quelle eine belastbare Aussage, eine spekulative Annahme und eine mehrdeutige Definition enthalten.

Es braucht also eine Zwischenschicht zwischen den Quellen und dem Ergebnis.

In meinem System beruht diese Schicht vor allem auf drei Notiztypen, die ich in diesem Blog schon ausführlich beschrieben habe:

• eine atomare Notiz stabilisiert eine eigenständige Wissenseinheit mit einem einzigen gedanklichen Schwerpunkt; Was ist eine atomare Notiz?
• eine thematische Notiz verbindet mehrere Wissenseinheiten und erzeugt so ein zusätzliches Verständnis; Was ist eine thematische Notiz?
• ein Glossareintrag stabilisiert die Bedeutung eines Begriffs, wenn eine Mehrdeutigkeit die Deutung des Korpus verändern kann. Was ist ein Glossar-Eintrag?

Eine SCRL steuert die Recherche also nicht direkt von einem Stapel Dokumente aus.

Sie steuert sie vom bereits extrahierten und strukturierten Wissen aus.

5. Das Korpus wird stateful

Nach der ersten Aufnahme hat das Korpus einen Zustand.

Es kann nach und nach abbilden:

• was gesichert scheint;
• was schwach dokumentiert bleibt;
• was an einer einzigen Quelle hängt;
• was unsicher bleibt;
• die Widersprüche;
• die begrifflichen Mehrdeutigkeiten;
• die noch schlecht verstandenen Mechanismen;
• die bereits erkannten Grenzen;
• die überrepräsentierten Bereiche;
• die fast abwesenden Bereiche;
• die Beziehungen zwischen verschiedenen Teilen des Korpus.

Dieser Zustand wird zum Input der nächsten Entscheidung.

Das Korpus ist nicht mehr nur das Ergebnis der Recherche.

Es wird zum Antrieb der nächsten Suche.

6. Wonach eine neue Iteration wirklich suchen kann

Eine neue Iteration heißt nicht mehr: „Finde mir noch mehr relevante Artikel.“

Sie bekommt ein Ziel, das aus der Diagnose des Korpus hervorgeht.

Eine Iteration kann darauf abzielen:

• zu erweitern – eine wichtige, noch fehlende Dimension zu entdecken;
• zu untermauern – einer wichtigen Wissenseinheit unabhängige Belege hinzuzufügen;
• eine Lücke zu schließen – einen Mechanismus, einen Schritt, eine Metrik oder eine Bedingung zu dokumentieren, die noch fehlt;
• nach Widerspruch zu suchen – gezielt Arbeiten zu finden, die das, was das Korpus schon für belastbar hält, widerlegen oder einschränken könnten;
• die Grenzen zu präzisieren – festzustellen, wo und wann eine Aussage nicht mehr zutrifft;
• konkurrierende Bedeutungen zu unterscheiden – Begriffe aufzuspüren, die je nach Autor, Produkt oder Disziplin unterschiedlich verwendet werden;
• vom Beschreiben zum Mechanismus zu kommen – nicht nur zu verstehen, was passiert, sondern warum und wie;
• die Belege zu diversifizieren – Theorie, Benchmark, empirische Studie, technische Dokumentation, Praxiserfahrung und reale Beobachtung zu mischen;
• die Übertragbarkeit zu testen – zu prüfen, ob eine in einem Gebiet beobachtete Idee auch in einem anderen trägt;
• die Abhängigkeiten zu ermitteln – die Bedingungen zu finden, die der Mechanismus zum Funktionieren braucht;
• nach Nebenwirkungen zu suchen – Kosten, Latenz, Verzerrungen, Regressionen, organisatorische Zwänge oder Governance-Risiken;
• die Aktualität zu prüfen – zu erkennen, ob eine technische Entwicklung einen Teil des Korpus überholt hat;
• getrennte Bereiche zu verbinden – zu erkennen, dass derselbe Mechanismus mehrere Teile des Themas durchzieht;
• neu auszubalancieren – einen Schluss zu korrigieren, der nur deshalb stark wirkt, weil ein Quellentyp überrepräsentiert ist;
• nach dem zu suchen, was das Modell kippen könnte – ausdrücklich die Suche zu formulieren, die, wenn sie Erfolg hätte, dazu zwingen würde, einen zentralen Schluss zu überdenken;
• die Sättigung zu messen – zu testen, ob eine neue Suche noch substanzielles Wissen hervorbringt.

Diese Liste ist wichtig, weil sie die Funktion der Recherche verändert.

Die Suchmaschine hat nicht mehr die Aufgabe, „gute Quellen“ zu finden. Sie muss die Art von Beleg finden, die das Korpus jetzt braucht.

7. Massenrecherche vs. SCRL

Eine klassische Recherche sieht oft so aus:

Scope → großes Sammeln → Lektüre → Extraktion → Synthese

Eine SCRL sieht eher so aus:

Scope → kleiner Seed → Wissen → Diagnose → nächste Suche, bestimmt durch die Diagnose

Der Unterschied ist also nicht 5 Quellen gegen 50 Quellen.

Eine SCRL kann durchaus mit 100 Quellen enden.

Der Unterschied liegt zwischen:

sammeln, bevor man genau weiß, was man braucht

und

das bereits erworbene Wissen bestimmen lassen, wonach als Nächstes zu suchen ist.

8. Ein reales Experiment: Adobe Summit Paris 2026

Ich habe diesen Ansatz in einer persönlichen Vorbereitung auf den Adobe Summit Paris 2026 getestet.

Die Mission war bewusst auf fünf Achsen begrenzt:

1. Content-Produktion und Organisation im agentischen Zeitalter – Agenten, Orchestrierung, menschliche Aufsicht, Workflows und Industrialisierung;
2. Markenkontext und Content-Governance durch KI – Abbildung der Marke, Vorgaben, Freigabe, persistenter Kontext und Kontrolle;
3. Abfragbare Dokumente und Wissenssysteme – RAG, Retrieval, Grounding, Zitate, Widersprüche zwischen Dokumenten und Produktion auf Basis eines Korpus;
4. Agentisches Web, Auffindbarkeit und Sichtbarkeit in LLMs – GEO, Zitierung, Attribution, strukturierte Daten, Distribution und Messung der Sichtbarkeit;
5. Konversationelle Interfaces und Erstellung per Intention – natürliche Sprache, kreative Kontrolle, Zustandserhalt, direkte Manipulation und Übersetzung der Intention in Operationen.

Die Recherche entwickelte sich dann in aufeinanderfolgenden Schleifen.

Am Ende des Experiments:

• 15 Rechercheiterationen;
• 82 angelegte Quellen im Korpus;
• 1 unbrauchbare Quelle mangels verlässlicher Extraktion;
• 51 aktive Notizen;
• 34 atomare Notizen;
• 10 Glossareinträge;
• 7 thematische Notizen;
• 5 Synthese-Briefs, einer pro Achse.

Aber die interessante Zahl ist nicht 82.

Interessant ist, wie sich die Rolle der Iterationen verändert hat.

Am Anfang: erweitern

Die ersten Schleifen dienen vor allem dazu, das Terrain zu verstehen. Sie legen die Konzepte, die Mechanismen und die ersten Grenzen des Themas offen.

In der Mitte: untermauern und strukturieren

Die folgenden Iterationen suchen bessere Belege, trennen manche Ideen voneinander, schließen Lücken und lassen Beziehungen zwischen Notizen entstehen.

Am Ende: das Modell angreifen

Die letzten Iterationen ändern ihren Charakter.

Die Iterationen 13, 14 und 15 dienten vor allem als Bruchtests.

Die Frage lautete nicht mehr: „Was können wir noch hinzufügen?“

Sie lautete: „Was könnten wir finden, das uns zwingen würde, zu überdenken, was wir verstanden zu haben glauben?“

In der fünfzehnten Iteration wurde keine neue Quelle aufgenommen, die wichtig genug gewesen wäre, um das konzeptuelle Modell der fünf Achsen zu verändern.

Das heißt natürlich nicht, dass das Thema erschöpft war.

Es zeigte an, dass das Korpus innerhalb des definierten Scopes zu konvergieren begann.

9. Konvergenz: wissen, wann man aufhört

Das ist wahrscheinlich der interessanteste Gewinn dieses Ansatzes.

In einer klassischen Recherche bleibt die Frage „Wann habe ich genug gesucht?“ oft unbeantwortet.

30 Quellen? 50? 100?

Diese Zahlen sind kein epistemisches Kriterium.

Eine SCRL kann ein anderes Signal nutzen.

Die Recherche beginnt zu konvergieren, wenn neue Iterationen:

• kein neues zentrales Wissen mehr erzeugen;
• die wichtigen Notizen nicht mehr nennenswert verändern;
• keinen größeren Widerspruch mehr aufdecken;
• keine wichtige Lücke im Scope mehr finden;
• hauptsächlich Bestätigung oder Redundanz hinzufügen;
• die verbleibenden Unsicherheiten klar benannt zurücklassen.

Konvergenz heißt also nicht „Wir wissen alles“.

Sie heißt: Die Wahrscheinlichkeit, dass eine neue Iteration unsere aktuelle Repräsentation substanziell verändert, wird im Verhältnis zu den Kosten dieser Iteration gering.

Und dieses Kriterium lässt sich testen.

Man kann bewusst Suchen starten, die das Modell zum Einsturz bringen sollen. Scheitern sie mehrmals hintereinander, wird das Sättigungssignal deutlich glaubwürdiger.

10. Was das für Recherche-Agenten ändert

Viele „Deep Research“-Systeme folgen implizit noch einer Architektur nach dem Muster:

search → scrape → summarize → write

Selbst wenn sie mehrere Suchen starten, bleiben diese oft Zweige eines Plans, der sehr früh festgelegt wurde.

Eine echte adaptive Rechercheschleife verlangt mehr.

Der Agent muss einen Zustand pflegen, der unter anderem umfasst:

• den Scope;
• das stabilisierte Wissen;
• seine Herkunft;
• den Grad seiner Absicherung;
• die Widersprüche;
• die Unsicherheiten;
• die erkannten Lücken;
• die bereits durchgeführten Suchen;
• die Strategien, die nichts gebracht haben;
• die Bereiche, die als gesättigt gelten.

Dann kann er entscheiden:

Welche Suche maximiert jetzt die Wahrscheinlichkeit eines nützlichen Wissensgewinns?

Die Architektur wird zu:

Scope → Gedächtnis → Zustand des Korpus → Diagnose → Suchstrategie → neue Belege → Aktualisierung des Wissens → Konvergenztest

Die Recherche ist keine Phase mehr, die der Generierung vorausgeht.

Sie wird zu einem System, das seine eigene Repräsentation dessen, was es weiß, aktualisiert und diese Repräsentation nutzt, um seinen nächsten Schritt zu wählen.

Stateful statt einfach nur deep

Der Ausdruck Deep Research betont die Tiefe.

Aber Tiefe garantiert keine Qualität.

Ein Agent kann hundert Dokumente lesen und dabei immer dieselben Verzerrungen wiederholen. Er kann enorm viel erkunden, ohne je nach der Quelle zu suchen, die seinem zentralen Schluss widerspricht. Er kann einen riesigen Kontext anhäufen, ohne klar zu wissen, was unsicher bleibt.

Die wichtige Veränderung besteht also vielleicht nicht darin, tiefer zu suchen.

Sondern darin, mit einem Zustand zu suchen.

Das ist die Idee der Stateful Corpus Research Loop.

Das Korpus ist kein Stapel Dokumente mehr.

Es wird zu einer sich entwickelnden Repräsentation des Wissens, das zu einer bestimmten Mission erworben wurde – und diese Repräsentation dient dazu, über die nächste Suche zu entscheiden.

Die nächste Quelle braucht einen Grund, da zu sein

Eine gute Recherche sollte wahrscheinlich nicht mehr beginnen mit:

Was sind die besten Artikel zu diesem Thema?

Sie sollte nach und nach bei einer anspruchsvolleren Frage ankommen:

Was wäre, gemessen an dem, was wir schon wissen, jetzt die Information, die unser Verständnis am ehesten verändern könnte?

Das ist ein feiner Unterschied.

Aber er verändert die Rolle der Recherche grundlegend.

Eine SCRL versucht nicht, viele gute Quellen zu finden. Sie versucht, in jedem Moment zu bestimmen, welche Quelle noch verändern könnte, was wir über eine bestimmte Mission wissen.