In den Nachrichten geht es bei künstlicher Intelligenz fast immer um neue Modelle: schneller, klüger, größer. Wer jedoch in die aktuelle Forschung schaut, entdeckt eine zweite, leisere Entwicklung — und die betrifft nicht die Modelle selbst, sondern alles, was um sie herum gebaut wird.
Als Grundlage dient hier eine bekannte Forschungsübersicht: Der KI-Forscher Sebastian Raschka veröffentlicht regelmäßig eine sorgfältig sortierte Liste der Fachartikel, die er für besonders wichtig hält — zuletzt für Januar bis Mai 2026, mit weit über hundert Arbeiten.
Niemand muss diese Fachartikel lesen, um den entscheidenden Punkt zu verstehen. Ein Blick auf die Themen genügt.
Zuerst eine kurze Begriffsklärung: Das Modell ist das eigentliche KI-Programm — der Teil, der Texte versteht und Antworten formuliert. ChatGPT, Claude oder Gemini sind bekannte Beispiele.
Vor einigen Jahren drehte sich die Forschung fast ausschließlich um die Frage, wie man solche Modelle größer und klüger macht.
Diese Forschung gibt es weiterhin. Doch daneben sind ganze Themenfelder entstanden, die sich mit etwas anderem beschäftigen: mit der Umgebung des Modells.
In der genannten Übersicht gibt es inzwischen eigene, dicht gefüllte Kategorien zu Fragen wie: Wie gibt man einer KI Werkzeuge in die Hand? Wie erledigen sogenannte Agenten (KI-Systeme, die eine Aufgabe selbstständig in mehreren Schritten abarbeiten) ihre Arbeit zuverlässig? Und wie bewertet man nicht nur das Modell, sondern das gesamte System im echten Einsatz?
Der Forscher selbst fasst die Entwicklung am Ende seiner Übersicht sinngemäß so zusammen: Die Qualität eines Modells hängt zunehmend von dem System ab, das es umgibt — und die Grenze zwischen der Erforschung der Modelle und der Erforschung dieser Systeme verschwimmt.
Die Qualität eines KI-Systems entsteht nicht allein im Modell. Sie entsteht im Zusammenspiel zwischen dem Modell und seiner Umgebung.
Eine der auffälligsten Untersuchungen in der Übersicht hat KI-Systeme mit echten Aufgaben aus sieben Unternehmen getestet.
Verglichen wurden dabei nicht nur die Modelle, sondern die kompletten Arbeitsumgebungen: also das Modell plus die Werkzeuge, Abläufe und Regeln, mit denen es arbeitet.
Das Ergebnis ist bemerkenswert: Ein und dasselbe Modell erreichte in der einen Arbeitsumgebung rund 64 von 100 Punkten — in einer anderen nur etwa 53. Elf Punkte Unterschied, obwohl am Modell selbst nichts verändert wurde. Nur die Umgebung war eine andere.
Die Folgerung daraus: Wer künstliche Intelligenz nutzt, sollte der Umgebung mindestens so viel Aufmerksamkeit schenken wie der Wahl des Modells.
Eine Möglichkeit, sich eine solche Umgebung selbst aufzubauen, ist ein eigener kleiner Mietserver — ein Computer im Rechenzentrum, der Abläufe automatisch ausführt. Wie das funktioniert und warum es kein Informatikstudium erfordert, erklärt die erste Seite dieser Serie.
Damit eine KI etwas tun kann — einen Termin eintragen, eine Tabelle lesen, eine Nachricht verschicken —, braucht sie Werkzeuge.
In der Forschungsübersicht finden sich mittlerweile Arbeiten, die sich ausschließlich damit beschäftigen: Wie beschreibt man ein Werkzeug so, dass die KI zuverlässig zum richtigen greift? Und wie setzen KI-Systeme ihre Werkzeuge über lange Aufgaben hinweg sinnvoll ein?
Das klingt nach einem Randthema, ist aber das Gegenteil: Der Umgang mit Werkzeugen ist zu einem eigenen Forschungsfeld geworden.
Passend dazu hat sich in der Praxis ein offener Standard etabliert, der genau dieses Problem löst: MCP, eine Art genormter Anschluss, über den KI-Modelle beliebige Dienste bedienen können. Was dahintersteckt, erklärt die Seite über MCP in dieser Serie.
Viele der technischen Arbeiten in der Übersicht drehen sich um eine Fähigkeit: sehr lange Zusammenhänge verarbeiten. Das sogenannte Kontextfenster — man kann es sich als das Arbeitsgedächtnis eines Modells vorstellen — wird immer größer, ohne dass die Rechenkosten im gleichen Maß steigen.
Ein aktuelles Modell verarbeitet Zusammenhänge von rund einer Million Textbausteinen und benötigt dafür dank geschickter Zusammenfassung der Vorgeschichte nur einen Bruchteil der bisherigen Rechenleistung.
Interessant ist die Begründung, die der Forscher dafür nennt: Dieser Aufwand wird betrieben, weil Modelle immer häufiger in Umgebungen eingesetzt werden, in denen sie mit vielen Dokumenten, langen Abläufen und zahlreichen Zwischenschritten arbeiten.
Die Modelle werden also gezielt dafür weiterentwickelt, mit umfangreichen eigenen Unterlagen und Daten zu arbeiten. Wie solche Daten geordnet abgelegt werden, erklärt die Seite über Datenbanken.
Der vielleicht entlastendste Befund: Eine Untersuchung hat geprüft, ob KI-Systeme zum Nachschlagen in Unterlagen wirklich die aufwendige Bedeutungssuche brauchen (eine Suche, die nach dem Sinn eines Textes sucht statt nach dem exakten Wortlaut) — oder ob eine schlichte, klassische Textsuche genügt.
Das Ergebnis: Die einfache Suche hielt erstaunlich gut mit.
Bedeutet das, die Bedeutungssuche sei überflüssig? Nein. Sie bleibt das richtige Werkzeug, wenn Frage und Unterlagen unterschiedliche Wörter für dieselbe Sache verwenden — wer nach „Urlaub" sucht, findet mit ihr auch das Dokument, in dem „Ferien" steht.
Wie das im Detail funktioniert, erklärt die Seite über RAG und semantische Suche. Der Befund nimmt jedoch Druck heraus: Man muss nicht mit der kompliziertesten Lösung beginnen.
Eine zweite Untersuchung kam bei Anleitungsdateien für Programmier-KIs zu einem ähnlichen Ergebnis: Lange, ausführliche Anweisungspakete führten nicht zu besseren Resultaten — kurze, gezielte Hinweise schnitten besser ab.
Beides zusammen ergibt eine beruhigende Faustregel: klein anfangen, einfach bauen und nur dort nachrüsten, wo es nachweislich etwas bringt.
Forschung ist immer eine Momentaufnahme. Einzelne Untersuchungen haben Einschränkungen, konkrete Zahlen können sich ändern, und in einem halben Jahr sieht eine solche Liste wieder anders aus. Verlässlich ist jedoch die Richtung — denn sie zeigt sich nicht in einer einzelnen Arbeit, sondern in Dutzenden: Das System um das Modell herum wird wichtiger, nicht unwichtiger.
Auf den ersten Blick klingt all das nach einem Thema für Fachleute. Auf den zweiten Blick steckt darin eine ermutigende Botschaft — gerade für alle, die keine großen KI-Labore hinter sich haben.
Denn auf die Modelle selbst hat ohnehin niemand von uns Einfluss: Sie werden von wenigen großen Anbietern entwickelt, und nutzen kann sie jeder — zu denselben Bedingungen.
Wenn die Qualität aber zunehmend von der Umgebung abhängt, dann entsteht der Unterschied genau dort, wo man selbst gestalten kann. Und eine solche Umgebung lässt sich Stück für Stück aufbauen:
Ein kleiner Mietserver, der Abläufe automatisch ausführt — nach eigenen Regeln, mit eigenen Zeitplänen. Laut Forschung ist genau diese Umgebung ein Teil der Leistung. Wie der Einstieg gelingt, zeigt die Seite über den eigenen Server.
Die neuen Modelle mit großem Arbeitsgedächtnis sind dafür gebaut, mit umfangreichen Unterlagen zu arbeiten. Den größten Nutzen hat davon, wer seine Daten geordnet vorliegen hat — in einer eigenen Datenbank und als nachschlagbares Wissen. Diese Daten besitzt niemand sonst.
Werkzeuge, die über den offenen MCP-Standard angeschlossen sind, funktionieren unabhängig vom Modell. Wird eines Tages ein besseres Modell veröffentlicht, bleiben alle Anschlüsse bestehen — nur das Modell wird ausgetauscht.
Das ist der stille Kern der Entwicklung: Während die Öffentlichkeit gebannt auf die nächste Modell-Generation schaut, zeigt die Forschung immer deutlicher, dass der Unterschied in der Umgebung entsteht.
Und diese Umgebung kann sich jeder aufbauen — ohne Informatikstudium, Schritt für Schritt. Genau dabei möchte diese Serie helfen.
Fünf Erkenntnisse aus der Forschung — ohne dass man ein einziges Fachpapier lesen muss:
Die Modelle werden weiter besser — darauf kann man sich verlassen. Doch den größten Nutzen aus jedem neuen Modell zieht, wer die passende Umgebung dafür hat.
Wer die Serie von Anfang an lesen möchte, beginnt am besten bei der Seite über den eigenen Server für KI-Workflows.
Grundlage dieser Seite ist die kuratierte Forschungsübersicht „LLM Research Papers: The 2026 List (January to May)" von Sebastian Raschka („Ahead of AI"), die weit über hundert aktuelle Forschungsarbeiten sichtet und einordnet. Alle Aussagen hier sind vereinfachte, sinngemäße Zusammenfassungen.