Hauptgedanke

Wenn man eine Produktchance mit einer KI untersucht, braucht sie nur wenig: die Missionsdatei, die bereits gesicherten Fakten, die nächsten zu validierenden Schritte. Ein leichter, ausgewählter Kontext, dessen Inhalt man kennt.

Öffnet man ihr stattdessen ein grenzenloses Notizennetzwerk, ändert sich ihr Verhalten grundlegend. Jede geöffnete Notiz bietet weitere an, jede Verknüpfung ist eine berechtigte Einladung, und nichts im Graphen sagt, wo man aufhören soll. Das Modell folgt den Verbindungen, füllt sein Kontextfenster mit benachbartem Material und sucht die relevante Information in einem Meer von Verknüpfungen, von denen die meisten mit der gestellten Frage nichts zu tun haben.

Das ist kein Steuerungsfehler, den ein besserer Prompt beheben würde. Ein grenzenloser Graph enthält kein Signal zum Anhalten: Es ist die Struktur des Materials, nicht die Anweisung, die darüber entscheidet, wie weit die Erkundung reicht.

Warum das wichtig ist

Das macht die Grenze zu einem Element des Entwurfs, genauso wie den Inhalt. Was man einem Agenten zugänglich macht, bestimmt sein Verhalten zuverlässiger als das, worum man ihn bittet.

Es liefert auch eine einfache Lesart eines häufigen Symptoms — Antworten, die bei einem eigentlich gut dokumentierten Thema danebenliegen: Das Problem ist nicht, dass Information fehlt, sondern dass es zu viel davon gibt und keine Grenze sagt, welche zählt.

Nuancen und Grenzen

Ein Mechanismus zum selektiven Abrufen — eine Suche, die nur wenige Passagen zurückliefert — begrenzt die Erkundung, ohne die Sammlung selbst zu begrenzen, und verlagert die Schwierigkeit dann auf die Qualität der Auswahl.

Und die breite Erkundung hat ihren Moment: Wenn man gerade das sucht, wonach man nicht zu suchen wusste, ist das Umherschweifen die Funktion, nicht der Fehler.

Offene Fragen

• Wer bemerkt, dass eine Auswahl die entscheidende Passage ausgelassen hat, wenn das, was zurückkommt, bereits eine schlüssige Antwort ergibt?