Ein Gedächtnis, das auf Ihrer Instanz bleibt: wie das Brain Wissen als Graph ablegt

Ausgangslage: Memory gibt es längst, nur folgt es nicht Ihren Regeln

Die Szene kennt jeder, der ein KI-Werkzeug im Betrieb einsetzt. Man erklärt zum fünften Mal, wie das Unternehmen heisst, wer die Kundschaft ist, wie eine Offerte bei uns aussieht und warum dieser eine Lieferant anders behandelt wird als alle anderen. Dass die grossen Anbieter längst eine Gedächtnisfunktion haben, ändert daran weniger als erwartet. Der Grund steht in ihrer eigenen Dokumentation, und er liegt nicht darin, dass diese Funktionen persönlich sind. Das sind sie, und das Brain von Kisuno ist es auch. Er liegt darin, wo der Bestand liegt und wer über ihn bestimmt.

Der Bestand liegt in der Umgebung des Anbieters, und die Regeln des Unternehmens greifen dort nicht von selbst. Microsoft beschreibt für Copilot, dass gespeicherte Erinnerungen, aus dem Verlauf abgeleitete Angaben und eigene Anweisungen im Exchange-Postfach der jeweiligen Person liegen, in einem verborgenen Ordner.¹ Anthropic hält für Claude fest, dass Eigentümer einer Organisation die Erinnerungen einzelner Nutzerinnen und Nutzer weder einsehen noch bearbeiten können; exportieren lassen sie sich nach den Aufbewahrungsregeln der Organisation sehr wohl.² Dass diese Gedächtnisse persönlich sind, ist dabei nicht der Vorwurf. Das Brain von Kisuno ist es auch, und für die tägliche Arbeit ist das die naheliegende Bauform. Der Unterschied liegt woanders: Wo die Einträge liegen, wie lange sie bleiben und was beim Löschen wirklich verschwindet, entscheidet dort nicht der Betrieb, der mit dem Werkzeug arbeitet.

Die zweite Lücke betrifft die Steuerung. In derselben Dokumentation schreibt Microsoft, dass in Purview eingerichtete Aufbewahrungsrichtlinien für das Copilot-Gedächtnis nicht gelten und es keine Administratorsteuerung gibt, um Aufbewahrungsregeln eigens dafür durchzusetzen; dass das Löschen eines Chats die daraus entstandenen gespeicherten Erinnerungen nicht löscht; dass Vorgänge des Gedächtnisses keine Einträge im Prüfprotokoll erzeugen; und dass eine Administration nicht einschränken kann, welche Art von Angaben überhaupt ins Gedächtnis aufgenommen wird.¹ Fairerweise steht dort ebenso, dass sich Gedächtnisdaten über eDiscovery und den Graph Explorer suchen, ausleiten und löschen lassen, und die ganze Funktion ist als Vorschau gekennzeichnet.¹ Der Befund bleibt trotzdem, und er betrifft die ersten drei Punkte: Die Regeln, die ein Unternehmen für Aufbewahrung, Löschung und Nachvollziehbarkeit ohnehin hat, greifen an dieser Stelle nicht von selbst. Beim vierten Punkt halten wir uns zurück, denn er trifft uns ebenso: Auch bei uns kann eine Administration nicht vorab einschränken, was in ein Brain aufgenommen wird. Sie kann die Funktion je Zugang einschalten oder abschalten, mehr nicht.

Die dritte Klage ist die nach Kontrolle über den Inhalt. Im Juni 2026 stellte OpenAI die Personalisierung auf eine automatisch erzeugte Zusammenfassung um, und die von Hand pflegbare Liste blieb als Altbestand daneben stehen; im offiziellen Entwicklerforum entstand daraufhin der Wunsch, wieder genau zu sehen und Eintrag für Eintrag zu verwalten, was gemerkt wird.³ Schon ein Jahr zuvor hatte der Entwickler Simon Willison die Vorgängerfassung dafür kritisiert, dass sie diese Kontrolle vollständig entziehe und eine unsichtbar wirkende Bedingung für jede Ausgabe schaffe.⁴ Das sind Einzelstimmen und keine Erhebung, und wir geben sie auch nicht als solche aus. Sie treffen aber den Punkt, an dem ein Werkzeug für private Bequemlichkeit und ein Werkzeug für einen Betrieb auseinandergehen.

Die vierte Lücke ist die Berichtigung. Die Taskforce des Europäischen Datenschutzausschusses hielt in ihrem Bericht zu ChatGPT vom Mai 2024 fest, OpenAI lege Betroffenen zumindest vorerst nahe, von der Berichtigung auf die Löschung zu wechseln, wenn eine Berichtigung wegen der technischen Komplexität nicht machbar sei.⁵ Für ein Unternehmen ist das der Unterschied zwischen einer korrigierten Angabe und einer verschwundenen. Wer später erklären muss, warum eine Auskunft falsch war, braucht die richtiggestellte Fassung und das Datum der Korrektur, nicht eine Lücke.

Der Fairness halber gehört dazu, dass nicht jeder Punkt auf jeden Anbieter zutrifft. Anthropic beschreibt für Claude getrennte Gedächtnisräume je Projekt und eine Liste, in der sich jeder Eintrag lesen, bearbeiten und löschen lässt; die Voreinstellung unterscheidet sich nach Tarif, in den Fassungen für Einzelpersonen ist das Gedächtnis eingeschaltet, in den Fassungen für Teams und Unternehmen entscheidet die Administration über die Verfügbarkeit und bleibt es für die einzelne Person zunächst aus.⁶ Es geht hier also nicht darum, jemandem Nachlässigkeit vorzuwerfen. Es geht um den gemeinsamen Nenner: Diese Funktionen laufen auf den Servern des Anbieters. Wie weit die eigenen Regeln eines Unternehmens dort hineinreichen, unterscheidet sich von Anbieter zu Anbieter, und bei Copilot reichen sie nach der eigenen Dokumentation an den entscheidenden Stellen nicht hinein.

Und ein Gedächtnis hat eine Eigenschaft, die man einem Notizzettel nicht zutraut: Es ist eine Angriffsfläche. Sicherheitsforschung zeigt seit 2024, dass sich über präparierte Inhalte dauerhafte Anweisungen in das Gedächtnis einschleusen lassen, die über das einzelne Gespräch hinaus wirken.⁷ Eine Arbeit vom Juli 2026 führt für handelnde Systeme vor, wie eine einzige E-Mail eine falsche Erinnerung hinterlässt.⁸ Das ist kein Argument gegen Gedächtnisfunktionen. Es ist ein Argument dafür, dass jeder Eintrag seine Herkunft mitführen und sich einzeln entfernen lassen muss, und genau das hat die Bauform zu leisten, um die es im Folgenden geht.

Warum es darauf ankommt, wo das Gedächtnis liegt

Der Bedarf ist keine Vermutung, er steht in den Erhebungen. In der Schweiz stieg der Anteil der KMU, die künstliche Intelligenz bewusst in ihre Arbeitsprozesse einbauen, innerhalb eines Jahres von 22 % auf 34 %; am häufigsten für Übersetzungen mit 52 % und Korrespondenz mit 47 %, also genau dort, wo die Wörter des Betriebs und seine Sonderfälle den Unterschied machen. Eine klare Datenschutzregelung für den Umgang mit KI-Anwendungen hat dagegen nur rund ein Drittel derjenigen Betriebe, die KI überhaupt einsetzen; bei jenen mit fünf bis neun Beschäftigten sind es 23 %.⁹ Die Zahlen stammen aus einer Befragung von 300 KMU in der deutsch- und französischsprachigen Schweiz; das ist eine kleine Stichprobe, und wir geben sie nicht als Volkszählung aus.

Der zweite Grund ist unbequemer, weil er mit Menschen zu tun hat. Das Wissen, das die tägliche Arbeit ausmacht, steht selten in einem Handbuch. Es steht in Köpfen: wer bei diesem Kunden wirklich entscheidet, warum eine Position seit dem letzten Umbau anders kalkuliert wird, welche Abnahme ohne Bauleitung nicht funktioniert. Wer täglich mit einem KI-Werkzeug arbeitet, erzählt ihm genau das, Satz für Satz, ohne es sich vorzunehmen. Die Frage ist nur, wo diese Sätze danach liegen. Wie angespannt der Arbeitsmarkt daneben ist, zeigen die amtlichen Zahlen: Das Bundesamt für Statistik zählte im vierten Quartal 2025 in der Schweiz 86'000 offene Stellen, und 36,2 % der Unternehmen meldeten Rekrutierungsschwierigkeiten.¹⁰ Eine frei werdende Stelle ist damit nicht rasch wieder besetzt, und bis dahin fehlt auch das, was die Person wusste. Auf europäischer Ebene führt Cedefop den Ersatzbedarf ausdrücklich auf Pensionierungen und Berufswechsel zurück, also auf Abgänge, bei denen Erfahrung das Unternehmen verlässt.¹¹ Ein persönliches Brain löst dieses Problem nicht, und wir behaupten es auch nicht; dazu steht weiter unten mehr im Abschnitt über die Grenzen. Es entscheidet nur, ob das eingesammelte Wissen bei Ihnen liegt oder beim Anbieter.

Was passiert, wenn es im Betrieb keine eigene Lösung gibt, ist ebenfalls untersucht. In einer Studie von KPMG und der University of Melbourne mit 48'340 Befragten in 47 Ländern gaben zwei von drei Erwerbstätigen an, sich auf KI-Ausgaben verlassen zu haben, ohne die gelieferten Angaben zu prüfen, und ein erheblicher Teil räumte ein, KI entgegen betrieblichen Vorgaben zu nutzen; der Bericht nennt dabei ausdrücklich das Hochladen sensibler Unternehmensinformationen wie Finanz-, Verkaufs- oder Kundendaten in öffentliche KI-Werkzeuge.¹² Die Frage ist also nicht, ob Unternehmenswissen in einem KI-Werkzeug landet. Die Frage ist, ob es auf einer Instanz landet, über deren Aufbewahrung, Sicherung und Löschung der Betrieb bestimmt. Ein Verbot verschiebt das Problem in den privaten Zugang, wo niemand mehr hinsieht.

Dazu kommt der Grössenunterschied. Nach Eurostat nutzten 2025 20,0 % der EU-Unternehmen ab zehn Beschäftigten KI-Technik, nach 13,5 % im Vorjahr; aufgeschlüsselt sind es 17 % der kleinen, 30,36 % der mittleren und 55,03 % der grossen Unternehmen.¹³ Unter jenen, die den Einsatz je erwogen haben und ihn nicht nutzen, standen im selben Jahr als Gründe fehlendes einschlägiges Fachwissen mit 70,89 %, Unklarheit über rechtliche Folgen mit 52,52 % und Bedenken wegen Datenschutz mit 48,83 % an der Spitze.¹⁴ Diese Grundgesamtheit umfasst ausdrücklich nur die Unternehmen, die den Einsatz je erwogen haben, und nicht alle. Der Befund bleibt trotzdem: Was kleine Betriebe aufhält, ist nicht die Technik, sondern fehlender Zusammenhang und fehlende Sicherheit darüber, was mit den eigenen Angaben geschieht.

Der dritte Grund ist rechtlich und für die Schweiz ausdrücklich festgehalten. Der Eidgenössische Datenschutz- und Öffentlichkeitsbeauftragte weist darauf hin, dass das Schweizer Datenschutzgesetz auf KI-gestützte Datenbearbeitungen direkt anwendbar ist.¹⁵ Wer also personenbezogene Angaben in einem Gedächtnis ablegt, muss darüber Auskunft geben und sie berichtigen oder vernichten können; das Datenschutzgesetz regelt beides in Artikel 25 und Artikel 32.¹⁶ In der Europäischen Union stehen dieselben Ansprüche in Artikel 15 und Artikel 17 der Datenschutz-Grundverordnung.¹⁷ Das ist keine Formalie, sondern eine Anforderung an die Bauform: Wer nicht einzeln zeigen und einzeln löschen kann, kann diese Ansprüche nicht bedienen.

Liste gegen Graph: derselbe Inhalt, zwei Ergebnisse

Eine naheliegende Rückfrage zuerst, weil sie das Thema fast erledigen würde: Warum nicht einfach alles in ein grosses Kontextfenster schütten? Weil ein Kontextfenster kein Gedächtnis ist. Anthropic beschreibt es in der eigenen Dokumentation als Arbeitsspeicher für einen einzelnen Aufruf; der ganze bisherige Verlauf wird bei jeder Runde erneut mitgeschickt und liegt nicht im Modell.¹⁸ Und mehr davon hilft nicht automatisch. In derselben Dokumentation steht, dass Genauigkeit und Erinnerungsvermögen mit wachsender Tokenzahl nachlassen, ein Verhalten, für das sich die Bezeichnung context rot eingebürgert hat, und dass die Auswahl des Inhalts ebenso wichtig ist wie der verfügbare Platz.¹⁸ Unabhängige Untersuchungen zeigen dasselbe von aussen: Steht die einschlägige Information in der Mitte eines langen Kontexts, wird sie deutlich schlechter gefunden als am Anfang oder am Ende, und das gilt auch für ausdrücklich auf lange Kontexte ausgelegte Modelle.¹⁹ Auswahl schlägt Menge. Ein Positionspapier vom Mai 2026 formuliert die Folgerung am schärfsten: Modelle mit endlicher Kapazität könnten die Breite des Wissens betrieblicher Aufgaben grundsätzlich nicht abbilden, weshalb dieses Wissen in eine eigene Schicht daneben gehöre.²⁰ Es handelt sich um eine Argumentation und nicht um eine Messung, und wir geben sie auch so wieder. Die Frage ist damit nicht, wie viel man mitschickt, sondern wie man das Richtige findet.

Dafür lässt sich ein Gedächtnis auf zwei Arten führen. Die erste ist eine Liste. Jeder Eintrag ist ein Satz für sich: Der Betrieb hat vierzehn Mitarbeitende. Die Kundin heisst Berger. Angebote gehen grundsätzlich als PDF hinaus. Die Liste wächst, sie lässt sich durchsuchen, und sie beantwortet zuverlässig jede Frage, die genau auf einen ihrer Sätze zielt. Die meisten Memory-Funktionen, die heute in einem KI-Werkzeug stecken, sind eine solche Liste.

Die zweite Art ist ein Graph. Er speichert nicht nur die Sätze, sondern die Verbindung zwischen ihnen, und diese Verbindung ist ein eigener Gegenstand mit eigenem Namen. Die Kundin Berger ist ein Knoten. Das Angebot mit der Nummer 114 ist ein Knoten. Dazwischen liegt eine Kante, die etwas Bestimmtes aussagt, nämlich dass dieses Angebot zu dieser Kundin gehört, und die eine Richtung hat. Daneben liegt eine zweite Kante zu der Person, die das Angebot geschrieben hat, und eine dritte zu der Preisregel, die dabei galt.

Der Unterschied fällt genau dann auf, wenn eine Frage über mehr als einen Satz geht. Wer wissen will, welche offenen Angebote von der Preisregel betroffen sind, die im Mai geändert wurde, und wer davon die Kundschaft informieren muss, stellt keine Suchfrage. Diese Frage hat keinen Treffer, sie hat einen Weg: von der Regel zu den Angeboten, von den Angeboten zur Kundschaft, von dort zu den zuständigen Personen. Eine Liste kann diesen Weg nicht gehen, weil sie ihn nie gespeichert hat. Und die Fragen, die in einem Betrieb wirklich gestellt werden, sehen fast immer so aus.

Dass dieser Unterschied nicht nur plausibel klingt, sondern gemessen ist, lässt sich nachlesen. Microsoft Research beschreibt die Schwäche der reinen Ähnlichkeitssuche mit dem Satz, sie habe Mühe, die Punkte zu verbinden, weil das Verfolgen verstreuter Angaben über gemeinsame Merkmale laufen müsse.²¹ Die zugehörige Arbeit belegt Verbesserungen für Fragen an einen ganzen Textbestand, und zwar bei Vollständigkeit und Vielfalt der Antworten; eine Zahl zur Richtigkeit weist sie ausdrücklich nicht aus, und wir behaupten deshalb auch keine.²² Unabhängig davon, also nicht von einem Anbieter eines Gedächtnisprodukts, zeigt eine Arbeit aus der Hochschulforschung für Fragen über mehrere Schritte einen Vorsprung von bis zu 20 Prozent gegenüber dem Stand der Technik.²³ Was der Graph damit noch nicht belegt, sondern nur einordnet: Eine eigene Prüfreihe für langfristiges Gedächtnis misst unter anderem zeitliches Schliessen und das Fortschreiben von Wissen und findet bei bestehenden Assistenten über längere Verläufe einen Einbruch von 30 Prozent beim Behalten von Angaben.²⁴ Sie vergleicht keine Graphen mit Listen; sie zeigt, wie gross das Problem ist, das beide lösen sollen.

Die Idee ist dabei älter als die Sprachmodelle, und sie stammt nicht von uns. Wer seine Notizen in einem Werkzeug wie Obsidian führt, kennt die Ansicht, in der die eigene Sammlung als Netz aus Punkten und Linien erscheint: Man sieht auf einen Blick, welche Notiz mit welcher zusammenhängt, welche vereinsamt und wo ein Schwerpunkt entstanden ist. Die quelloffene Erweiterung Vault Graph zeichnet dieses Bild bewusst berechenbar statt kräftebasiert, sodass derselbe Bestand immer dasselbe Bild ergibt und eine gewachsene Sammlung wiedererkennbar bleibt; ausgewertet wird dabei auf dem Gerät, weil dort auch alles andere liegt.²⁵ Das Projekt Graphify baut aus einem gemischten Bestand einen abfragbaren Wissensgraphen und kennzeichnet jede Kante danach, ob die Beziehung im Material stand oder erst abgeleitet wurde.²⁶ Der Gedanke, den wir daraus übernommen haben, ist der schlichteste von beiden: Eine Kante trägt mit, woher sie kommt.

Übernommen ist dabei die Denkweise und nicht der Code. Ein Notizbuch auf dem eigenen Gerät und ein Brain, das im Betrieb läuft, stellen verschiedene Anforderungen: Das eine darf unordentlich sein und endet mit dem Gerät, das andere liegt auf der Instanz eines Unternehmens und muss Widersprüche, Fristen, Aufbewahrung und Löschbegehren aushalten. Deshalb ist unsere Umsetzung eine eigene, und deshalb handelt der nächste Abschnitt nicht von Graphen im Allgemeinen, sondern davon, was bei uns an einem einzelnen Eintrag hängt.

Der Aufbau: was an einem einzelnen Eintrag hängt

Ein Eintrag in diesem Gedächtnis ist kein Satz, sondern ein kleines Bündel aus Angaben. Das klingt nach Umstand und ist der Grund, warum sich damit Dinge machen lassen, die mit einer Notiz nicht gehen.

Der Punkt mit der Gültigkeit ist der unscheinbarste und im Betrieb der wichtigste. In einem Listengedächtnis wird eine neue Aussage über die alte geschrieben, und was vorher galt, ist weg. Hier bekommt die alte Aussage stattdessen ein Ende und bleibt stehen. Wer im September fragt, welche Skontofrist gilt, bekommt die neue. Wer nachvollziehen muss, warum eine Rechnung im Mai anders behandelt wurde, bekommt die alte samt dem Datum, an dem sie abgelöst wurde. Ein Gedächtnis, das nur den letzten Stand kennt, kann diese zweite Frage nicht beantworten, und sie ist diejenige, die in einer Prüfung gestellt wird. Der Gedanke ist in der Forschung ausgearbeitet: Eine Architektur für Gedächtnis von 2025 führt je Aussage vier Zeitstempel, getrennt danach, wann etwas in der Welt galt und wann das System davon erfahren hat, und löst Widersprüche, indem sie die ältere Kante mit Datum ungültig setzt statt sie zu überschreiben.²⁷ Die zugehörige Umsetzung beschreibt dasselbe als Gültigkeitsfenster je Aussage und erlaubt Abfragen sowohl auf den heutigen Stand als auch auf einen beliebigen früheren Zeitpunkt.²⁸

Der zweite Punkt, der im Alltag zählt, ist die Sprache. Jeder Betrieb hat eigene Wörter: eine Bezeichnung für einen Vorgang, die es nur hier gibt, eine Abkürzung für eine Maschine, einen Kundennamen, der nicht so geschrieben wird, wie er klingt. Diese Wörter stehen als eigene Knoten im Graphen, mit ihren Schreibweisen und ihren Verbindungen. Deshalb muss niemand mehr erklären, was mit dem Begriff gemeint ist, und deshalb wird aus einer allgemeinen Antwort eine, die zum Unternehmen passt.

Damit ändert sich auch, was die übrigen Teile der Plattform leisten können, und das ist der eigentliche Grund für den Aufwand. Ein Rollen-Agent, der den Graphen lesen darf, muss nicht mehr mit einer Seite Vorgaben gefüttert werden, bevor er brauchbar antwortet: Zuständigkeiten, Begriffe und Regeln stehen schon da. Eine Aufgabe, die über mehrere Systeme läuft, findet im Graphen die Zuordnung, die in keinem der beteiligten Systeme vollständig steht. Wir beschreiben hier, was die Bauform hergibt, und versprechen keinen Zeitplan: Was daraus im Alltag wird, entscheidet sich daran, wie gepflegt der Graph ist.

Der Schreibweg: wie aus einem Satz ein Eintrag wird

Ein Gedächtnis, das alles merkt, ist wertlos. Es füllt sich mit Belanglosem, und je voller es wird, desto unzuverlässiger findet es das Wichtige wieder. Um genau diesen Punkt drehen sich die oben zitierten Klagen über fehlende Kontrolle. Deshalb ist der Weg vom gesprochenen Satz zum gespeicherten Eintrag bei uns kein einzelner Schritt, sondern vier.

Zuerst fällt im Gespräch eine Aussage, die über den Moment hinausreicht. Das ist selten die Frage und fast immer eine Nebenbemerkung: dass die Abnahme bei diesem Kunden immer über die Bauleitung läuft, dass eine bestimmte Maschine seit dem Umbau anders eingestellt ist, dass für diese Warengruppe ein anderer Mehrwertsteuersatz gilt. Was einmalig ist, gehört nicht dazu, und was sich auf den laufenden Auftrag beschränkt, auch nicht.

Dann entsteht daraus ein Vorschlag und noch kein Eintrag. Der Vorschlag benennt, welche Knoten betroffen wären, welche Kante entstünde und woher die Aussage stammt. Er lässt sich ablehnen, und abgelehnt heisst abgelehnt: Der Vorschlag kommt nicht bei der nächsten Gelegenheit erneut.

Der dritte Schritt ist der Abgleich mit dem Bestand, und er ist der Grund für die ganze Bauform. Gibt es den Knoten schon, wird nicht ein zweiter angelegt, sondern der vorhandene ergänzt. Sagt der neue Satz etwas anderes als ein vorhandener, wird das als Widerspruch behandelt und nicht als Überschreiben: Die ältere Aussage bekommt ein Ende, die neue einen Anfang, und beide bleiben lesbar. Und wenn die Aussage nichts Neues trägt, wird sie verworfen, damit das Gedächtnis nicht an seiner eigenen Fülle erstickt.

Erst danach wird geschrieben, zusammen mit Herkunft und Zeitpunkt. Der Eintrag steht ab diesem Moment in jedem Ihrer Gespräche zur Verfügung, nicht nur in dem, in dem er entstanden ist. Das ist der eigentliche Unterschied zu einem Verlauf: Ein Verlauf gehört zu einem Gespräch, ein Eintrag gehört zu Ihrem Brain und liegt auf Ihrer Instanz. Auch bei uns verschwindet ein Eintrag also nicht dadurch, dass Sie das Gespräch löschen, aus dem er stammt. Der Unterschied ist, dass Sie ihn sehen: Er steht mit Herkunft und Datum in Ihrem Bestand und lässt sich dort einzeln entfernen, statt unbemerkt weiterzuwirken.

Der Leseweg: was den Server verlässt und was nicht

Jetzt der Teil, an dem sich entscheidet, ob ein Gedächtnis für ein europäisches Unternehmen überhaupt in Frage kommt. Ein Gedächtnis nützt nur, wenn seine Inhalte in die Antwort einfliessen. Sie müssen also irgendwie zum Modell gelangen. Die Frage ist, wie viel davon.

Bei einer Frage bestimmt Kisuno zuerst die Einstiegsknoten, also die Stellen im Graphen, um die es geht. Von dort werden Kanten verfolgt, in aller Regel ein bis zwei Schritte weit, und was dabei zusammenkommt, ist ein kleiner, zusammenhängender Ausschnitt: ein paar Knoten, die Kanten dazwischen, die Angaben zur Gültigkeit. Erst dieser Ausschnitt geht zusammen mit Ihrer Frage an das Modell.

Der Graph selbst bleibt, wo er ist. Er liegt in der Datenbank Ihrer Instanz, heute also in den Rechenzentren von Green in Lupfig. Sobald das Repository mit unseren Erweiterungen verfügbar ist, liegt er im Selbstbetrieb auf Ihrem eigenen Server. Es gibt keinen Vorgang, bei dem das Gedächtnis als Ganzes zu einem Modellanbieter übertragen, dort gespiegelt oder dort aufgebaut würde. Was Ihre Instanz verlässt, ist immer nur der Ausschnitt, den die einzelne Frage braucht, und das ist derselbe Grundsatz, nach dem auch die Wissensbasis arbeitet.

Was für diesen Ausschnitt gilt, sagen wir offen, weil es der wichtigste Satz dieses Abschnitts ist. Kein Modellanbieter speichert Ihre Eingaben oder verwendet sie für Training. Was danach noch bleibt, hängt am gewählten Modell, und auch das sagen wir offen: Die Missbrauchserkennung von AWS kann Anfragen zurückbehalten, wenn sie gegen die Nutzungsbedingungen von AWS oder der Modellanbieter verstossen könnten. AWS bewahrt bei den GPT-Modellen markierte Anfragen und bei Claude Fable 5 und 5.1 sämtliche Anfragen bis zu 30 Tage auf, um Missbrauch maschinell zu prüfen; markierte Anfragen können dabei von AWS auch von Hand durchgesehen werden. An die Modellanbieter werden diese Daten nach Angaben von AWS nicht weitergegeben. Ist regionsübergreifende Inferenz eingeschaltet, liegen sie in der Region, in der die Anfrage verarbeitet wird.²⁹ Wer auch diese dreissig Tage ausschliessen will, wählt die offenen Spitzenmodelle, die europäische Unternehmen auf Servern in Europa betreiben; dort greift der US CLOUD Act nicht.

Die Antwort kommt danach mit der Herkunft der benutzten Einträge zurück. Sie sehen also nicht nur, was Kisuno über Ihre Arbeit zu wissen glaubt, sondern auch, aus welchem Gespräch oder Dokument dieses Wissen stammt. Das ist derselbe Gedanke wie bei der Fundstelle in einer Antwort aus der Wissensbasis, und aus demselben Grund: Eine Aussage ohne nachprüfbare Herkunft ist im Betrieb nicht brauchbar.

Einsehen, richtigstellen, löschen

Ein Gedächtnis, das man nicht öffnen kann, ist kein Gedächtnis, sondern eine Unbekannte im Ablauf. Deshalb ist jeder Eintrag adressierbar, und das ist keine Nebensache der Oberfläche, sondern eine Eigenschaft der Bauform: Weil das Wissen als Knoten und Kanten vorliegt und nicht als Fliesstext, gibt es überhaupt etwas, auf das man zeigen kann.

Daraus folgen vier Dinge, die im Alltag zählen. Erstens lässt sich der Bestand ansehen, Knoten für Knoten, mit Herkunft und Datum. Zweitens lässt sich eine falsche Aussage richtigstellen, und die falsche verschwindet dabei nicht spurlos, sondern wird als abgelöst datiert; wer wissen muss, warum eine frühere Antwort anders ausfiel, findet den Grund. Drittens lässt sich ein einzelner Eintrag löschen, und mit ihm gehen die Kanten, die an ihm hängen. Viertens liegt der ganze Bestand auf Ihrer Instanz, wird mit ihr gesichert und mit ihr gelöscht, und jeder Zugriff steht im Audit-Protokoll.

Für Unternehmen in Europa hat das eine praktische Seite, die über Bequemlichkeit hinausgeht. Wer nach Artikel 15 der Datenschutz-Grundverordnung Auskunft verlangt oder nach Artikel 17 Löschung, verlangt das über einen bestimmten Gegenstand, und dieser Gegenstand muss auffindbar sein. In einem Gedächtnis, das aus durchlaufendem Text besteht, ist das eine Suchaufgabe mit ungewissem Ausgang. In einem Graphen ist es ein Knoten mit einer Kennung und den Kanten, die daran hängen. Das gilt innerhalb eines Brain. Über mehrere Brains hinweg gibt es keinen Suchlauf, weil Zugriff nur die Person selbst hat; was das für ein Begehren bedeutet, steht weiter unten bei den Grenzen. Erfüllt ist die Pflicht mit alldem nicht; erfüllbar wird sie erst dadurch. Diesen Unterschied halten wir für den eigentlichen Gewinn der Bauform, und er ist der Grund, warum wir sie gewählt haben.

Und wer gar nichts gespeichert haben möchte, schaltet die Funktion für sich ab. Sie ist kein Bestandteil, ohne den die Plattform nicht arbeitet, sondern eine Möglichkeit, für die man sich entscheidet.

Grenzen: was ein Gedächtnis nicht leistet

Die erste Grenze ist zugleich der wichtigste Satz dieses Artikels. Ein Gedächtnis macht kein Modell klüger. Es macht die Frage genauer. Was zurückkommt, ist immer noch von einem Sprachmodell erzeugter Text, und der klingt auch dann plausibel, wenn die Grundlage schief ist. Wer sich auf eine Antwort verlässt, ohne die angegebene Herkunft zu öffnen, hat nichts gewonnen ausser Geschwindigkeit.

Die zweite Grenze ist unbequemer, weil sie mit der Zeit wächst. Ein Gedächtnis merkt sich auch Falsches. Wird ein irrtümlicher Satz einmal zum Knoten, taucht er in Antworten wieder auf und wirkt dort glaubwürdiger als beim ersten Mal, weil er nun aus dem eigenen Bestand kommt. Automatische Erkennung irrt dabei nach unserer Erfahrung vorhersehbar: Sie verwechselt eine beiläufige Bemerkung mit einer verbindlichen Regel. Genau deshalb ist der Vorschlag vor dem Eintrag eingebaut und die Herkunft an jedem Eintrag, und genau deshalb bleibt die Pflege eine Aufgabe für Menschen.

Die dritte Grenze ist eine Abgrenzung. Das Brain ersetzt weder Ihre Wissensbasis noch Ihr ERP. Es merkt sich, was gilt und was womit zusammenhängt, nicht jedes Dokument und keinen Buchungssatz. Die Unterlagen bleiben in der Wissensbasis, die Stammdaten bleiben im Fachsystem, und die Anbindung dorthin läuft über unser Gateway für Werkzeuganbindungen, mit derselben Rechteverwaltung wie überall sonst. Was dabei möglich ist, steht unter Integrationen. Ein Gedächtnis, das versucht, all das zu ersetzen, wird zur zweiten, schlechter gepflegten Datenbank.

Die vierte Grenze betrifft Personendaten. In ein Brain gehört, was für die eigene Arbeit nötig ist, und nicht, was über Menschen nebenbei anfällt. Wer Angaben über Mitarbeitende darin ablegt, braucht dafür einen Zweck, eine Grundlage und je nach Land und Betriebsgrösse die Mitwirkung der Arbeitnehmervertretung. Diese Prüfung nehmen wir niemandem ab, und dieser Artikel ersetzt keine Rechtsberatung.

Die fünfte Grenze ist die Nachfolge. Das Brain ist persönlich, und es geht mit der Person: Wird der Zugang gelöscht, wird das Brain mitgelöscht. Wer den Betrieb verlässt, nimmt also nichts mit, hinterlässt aber auch nichts, womit die Nachfolgerin arbeiten könnte. Sie fängt mit einem leeren Brain an. Dass Erfahrung mit Abgängen verloren geht, löst diese Bauform also nicht, und wir behaupten es nicht. Wie schwer das wiegt, steht weiter oben in den Zahlen zu offenen Stellen¹⁰ und zum Ersatzbedarf in Europa.¹¹ Was diese Bauform löst, ist die Frage, wo das Gesammelte bis dahin liegt.

Die sechste Grenze ist die Kehrseite davon, dass jedes Brain persönlich ist: Zugriff hat nur die Person selbst. Keine Administration und niemand sonst im Betrieb sieht hinein. Damit gibt es auch keinen Suchlauf über alle Brains hinweg und kein zentrales Löschen einzelner Angaben. Für ein Auskunfts- oder Löschbegehren heisst das, dass der Weg über die Person führt, die das Brain führt; das ist eine organisatorische Aufgabe und keine technische. Ohne sie bleibt das Gröbere: Ein Brain lässt sich ganz löschen, es verschwindet ohnehin mit dem Zugang, und die Funktion lässt sich je Zugang abschalten. Neu ist diese Lage nicht. Ein persönliches Postfach, ein Notizbuch oder eine Ablage auf dem Arbeitsgerät sind für eine Auskunft ebenfalls nur über die Person erreichbar, die damit arbeitet, und Betriebe gehen damit seit jeher organisatorisch um: Zweck vorher festlegen, Umfang schriftlich regeln, und dort abschalten, wo das nicht reicht. Ob das für Ihren Fall genügt, entscheidet Ihr Betrieb als verantwortliche Stelle, und dieser Artikel ersetzt keine Rechtsberatung.

Die siebte Grenze betrifft den Selbstbetrieb. Das Gedächtnis gehört zum vollen Funktionsumfang und liegt im Selbstbetrieb vollständig auf Ihrem Server. Die Basis LibreChat steht unter MIT-Lizenz; das Repository mit unseren Erweiterungen folgt demnächst. Bis dahin ist der betreute Betrieb der Weg, auf dem die Funktion verfügbar ist, und wir sagen das lieber, als es offenzulassen.

Die achte Grenze ist der Graph selbst. Er ist kein Wundermittel. Sein Vorteil ist für bestimmte Fragetypen belegt: für Fragen an einen ganzen Bestand, für Fragen über mehrere Schritte und für Fragen nach Veränderung über die Zeit. Für einfache Einzelfaktenfragen ist er nicht nachweislich besser als eine gewöhnliche Ähnlichkeitssuche. Eine Untersuchung eines anderen Anbieters misst für die Graphvariante gegenüber der Variante ohne Graph einen um rund zwei Prozent besseren Gesamtwert; daraus folgt, dass der grosse Teil des Gewinns nicht aus der Graphform stammt, sondern daraus, dass überhaupt ein Gedächtnis geführt wird.³⁰ Wir nennen diese Zahl, weil sie gegen uns spricht. Unser Grund für den Graphen ist ohnehin ein anderer: Gültigkeit und Herkunft je Eintrag und das Löschen einzelner Einträge samt ihrer Verbindungen sind in einer Liste nicht unterzubringen.

Häufige Fragen zum Gedächtnis von Kisuno

Quellen

Alle Zitate, Zahlen und Daten dieses Artikels stammen aus den folgenden Quellen, zuletzt geprüft im September 2026. Wo eine Veröffentlichung vom Anbieter des beschriebenen Produkts stammt, sagen wir es dazu; Forenbeiträge sind als Einzelstimmen gekennzeichnet und nicht als Erhebung.

1. Microsoft, Copilot-Personalisierung und Gedächtnis verwalten, Microsoft Learn, Stand 2. September 2026; die Funktion ist dort als Vorschau gekennzeichnet. Wörtlich heisst es, Erinnerungen lägen „in the user’s Exchange mailbox in a hidden folder“, Aufbewahrungsrichtlinien aus Purview gälten nicht für das Copilot-Gedächtnis und „There are no admin controls to enforce retention rules specifically for Copilot memory“, ferner „Deleting a chat doesn’t delete saved memories that were generated from that chat“, „Memory and personalization actions don’t generate audit log entries in Purview“ und auf die Frage nach einer inhaltlichen Einschränkung „No, admins can’t restrict what type of information is added to Copilot memory“; zugleich ist dort beschrieben, dass Gedächtnisdaten über eDiscovery und den Microsoft Graph Explorer gesucht, ausgeleitet und gelöscht werden können: learn.microsoft.com
2. Anthropic, Use Claude’s chat search and memory to build on previous context, Claude Help Center, abgerufen am 14. September 2026: „Owners can’t view or edit a user’s individual memories“, „Each project has its own separate memory space and dedicated project summary“ und „All memory is retained and exportable by admins in accordance with your organization’s chat data retention policies“: support.claude.com
3. OpenAI Developer Community, Feature-Request „Memory Summary should not replace Saved Memories“, eröffnet am 13. Juni 2026, mit weiteren Wortmeldungen und einer Antwort des OpenAI-Supports bis zum 17. Juni 2026. Es handelt sich um Nutzerstimmen in einem offenen Forum und nicht um eine Erhebung: community.openai.com
4. Simon Willison, I really don’t like ChatGPT’s new memory dossier, 21. Mai 2025: „The new memory feature removes that control completely“ und „There’s now an enormously complex set of extra conditions that can invisibly affect the output of the models“. Einzelmeinung eines Entwicklers, hier als Beleg für die Art der Kritik und nicht für ihre Häufigkeit: simonwillison.net
5. Europäischer Datenschutzausschuss, Report of the work undertaken by the ChatGPT Taskforce, Fassung 1.0, angenommen am 23. Mai 2024, Randziffer 34: „OpenAI suggests users to shift from rectification to erasure when rectification is not feasible due to the technical complexity of ChatGPT“: edpb.europa.eu
6. Anthropic, Claude’s memory works everywhere, and you decide what’s in it, 25. August 2026: „Memory is on by default on Free, Pro and Max plans across web, desktop, and mobile“, für Team und Enterprise „memory is off for individual users until they turn it on“ und „admins control availability for their organization“; die Einträge stehen in einer Liste, in der sie sich lesen, bearbeiten und löschen lassen: claude.com
7. The Hacker News, ChatGPT macOS Flaw Could’ve Enabled Long-Term Spyware via Memory Function, September 2024, zur Arbeit SpAIware des Sicherheitsforschers Johann Rehberger: thehackernews.com
8. The Hacker News, New MemGhost Attack Plants Persistent False Memories in AI Agents Through One Email, Juli 2026, zur Arbeit „When Claws Remember but Do Not Tell“ vom 6. Juli 2026: thehackernews.com
9. AXA Schweiz, KMU Arbeitsmarktstudie 2025: Künstliche Intelligenz, Medienmitteilung vom 8. Oktober 2025, durchgeführt vom Forschungsinstitut Sotomo, Befragung von 300 KMU aus der deutsch- und französischsprachigen Schweiz, Feldzeit 3. bis 10. März 2025. Der Anteil der KMU, die KI bewusst in ihre Arbeitsprozesse integrieren, stieg von 22 % auf 34 %, die häufigsten Einsatzgebiete sind Übersetzungen mit 52 % und Korrespondenz mit 47 %, zur Datenschutzregelung heisst es wörtlich „Lediglich ein Drittel der Unternehmen, die KI einsetzen, verfügt über eine klare Datenschutzregelung im Umgang mit KI-gestützten Anwendungen“, und bei Betrieben mit fünf bis neun Beschäftigten „nur gerade 23 Prozent“. Das KMU-Portal des Staatssekretariats für Wirtschaft gibt denselben Befund mit 34 % und bezogen auf alle befragten KMU wieder; wir nennen die engere Grundgesamtheit der Studienherausgeberin. Die italienischsprachige Schweiz ist nicht erfasst: axa.ch; kmu.admin.ch
10. Bundesamt für Statistik, Leichte Zunahme der Beschäftigung im 4. Quartal 2025, Mitteilung vom 26. Februar 2026, Beschäftigungsstatistik BESTA: 36,2 % der Unternehmen melden Rekrutierungsschwierigkeiten, gezählt werden 86'000 offene Stellen: admin.ch
11. Cedefop, Labour and Skills Shortage Index, 16. Dezember 2024, Projektion bis 2035. Der Ersatzbedarf wird dort ausdrücklich auf Pensionierungen und Berufswechsel zurückgeführt: „Supply focuses on replacement needs, driven by retirements, career changes“. Die Quelle nennt an dieser Stelle keine einzelne Prozentzahl: cedefop.europa.eu
12. KPMG International und University of Melbourne, Trust, attitudes and use of artificial intelligence: A global study 2025, Mai 2025, 48'340 Befragte in 47 Ländern, Feldzeit November 2024 bis Mitte Januar 2025, 67 % der Befragten waren erwerbstätig. Wörtlich: „Two in three report relying on AI output without evaluating the information it provides“; an anderer Stelle beziffert der Bericht denselben Wert ausdrücklich als „two thirds (66%) of employees“. Zur Eingabe von Firmendaten nennt er das Hochladen sensibler Unternehmensinformationen wie Finanz-, Verkaufs- oder Kundendaten in öffentliche KI-Werkzeuge: kpmg.com
13. Eurostat, 20% of EU enterprises use AI technologies, Mitteilung vom 11. Dezember 2025, sowie Use of artificial intelligence in enterprises, Statistics Explained, Erhebungsjahr 2025, alle Unternehmen ab zehn Beschäftigten, Datensatz isoc_eb_ai. Die Grössenklassen sind klein 10 bis 49, mittel 50 bis 249, gross ab 250 Beschäftigte; Eurostat gibt die Nachkommastellen uneinheitlich an, wir übernehmen sie unverändert. Die Schweiz ist in dieser Reihe nicht enthalten: ec.europa.eu; ec.europa.eu
14. Eurostat, Use of artificial intelligence in enterprises, Statistics Explained, Hemmnisdaten aus dem Erhebungsjahr 2025, wörtlich „In 2025, among EU enterprises who had ever considered using AI technologies, the most common reason for not using AI technologies was the lack of relevant expertise (70.89%)“. Grundgesamtheit sind ausdrücklich nur jene Unternehmen, die den Einsatz von KI erwogen und verworfen haben, nicht alle Unternehmen: ec.europa.eu
15. Eidgenössischer Datenschutz- und Öffentlichkeitsbeauftragter, KI und Datenschutz, Publikation vom 24. September 2025, wonach das Schweizer Datenschutzgesetz auf KI-gestützte Datenbearbeitungen direkt anwendbar ist: edoeb.admin.ch
16. Bundesgesetz über den Datenschutz, Artikel 25, der das Auskunftsrecht regelt, und Artikel 32, der in Absatz 1 den Anspruch auf Berichtigung regelt, Wortlaut in der Systematischen Rechtssammlung: fedlex.admin.ch
17. Verordnung (EU) 2016/679 (Datenschutz-Grundverordnung), Artikel 15 (Auskunftsrecht) und Artikel 17 (Recht auf Löschung), Wortlaut im Amtsblatt: eur-lex.europa.eu
18. Anthropic, Context windows, Claude Developer Platform, abgerufen am 14. September 2026. Das Kontextfenster wird dort als „a working memory for the model“ beschrieben; zur Länge heisst es „As token count grows, accuracy and recall degrade, a phenomenon known as context rot“ sowie „more context isn’t automatically better“ und die Auswahl des Inhalts sei ebenso wichtig wie der verfügbare Platz: platform.claude.com
19. Nelson F. Liu und andere, Lost in the Middle: How Language Models Use Long Contexts, eingereicht am 6. Juli 2023, erschienen in den Transactions of the Association for Computational Linguistics 2024. Die Leistung sei am höchsten, wenn die einschlägige Information am Anfang oder am Ende stehe, und sinke deutlich, wenn das Modell auf Information in der Mitte zugreifen müsse, „even for explicitly long-context models“; untersucht an Fragebeantwortung über mehrere Dokumente und an Schlüssel-Wert-Abfragen: arxiv.org
20. Kuldeep Singh, Anson Bastos und Isaiah Onando Mulang', Position: Avoid Overstretching LLMs for every Enterprise Task, eingereicht am 10. Mai 2026. Es handelt sich um ein Positionspapier mit theoretischer Argumentation und ohne empirische Messung; wir zitieren es als Argument und nicht als Beleg mit Zahl: arxiv.org
21. Microsoft Research, GraphRAG: Unlocking LLM discovery on narrative private data, 13. Februar 2024: „Baseline RAG struggles to connect the dots“, weil das Verbinden verstreuter Angaben ein Verfolgen über gemeinsame Merkmale voraussetze, und „Baseline RAG performs poorly when being asked to holistically understand summarized semantic concepts“. Es handelt sich um eine Herstelleraussage, gedeckt durch die Arbeit in der folgenden Fussnote: microsoft.com
22. Darren Edge und andere, From Local to Global: A Graph RAG Approach to Query-Focused Summarization, eingereicht am 24. April 2024, überarbeitet am 19. Februar 2025. Belegt sind Verbesserungen bei Vollständigkeit und Vielfalt der Antworten auf Fragen an einen ganzen Textbestand, nicht eine Trefferquote; eine Prozentzahl zur Richtigkeit weist die Arbeit nicht aus: arxiv.org
23. Bernal Jiménez Gutiérrez und andere, HippoRAG: Neurobiologically Inspired Long-Term Memory for Large Language Models, eingereicht am 23. Mai 2024, überarbeitet am 14. Januar 2025, erschienen an der NeurIPS 2024. Auf Mehrschrittfragen übertrifft das Verfahren den Stand der Technik „by up to 20%“; die Arbeit stammt nicht von einem Anbieter eines Gedächtnisprodukts: arxiv.org
24. Di Wu und andere, LongMemEval: Benchmarking Chat Assistants on Long-Term Interactive Memory, eingereicht am 14. Oktober 2024, überarbeitet am 4. März 2025, erschienen an der ICLR 2025. Geprüft werden unter anderem zeitliches Schliessen und das Fortschreiben von Wissen; gemessen wird ein Einbruch von 30 Prozent beim Behalten von Angaben über längere Interaktionen hinweg: arxiv.org
25. Lukas Proprentner, vault-graph, Quellcode unter MIT-Lizenz, abgerufen am 14. September 2026, sowie der Eintrag im Verzeichnis der Obsidian-Erweiterungen. Das Layout ist ausdrücklich „deterministic, not force-directed“, weshalb „the same vault always draws the same picture“, und die Auswertung läuft lokal: „Nothing leaves your machine“: github.com; community.obsidian.md
26. Graphify Labs, graphify, Quellcode auf GitHub, abgerufen am 14. September 2026. Das Projekt erzeugt aus einem gemischten Bestand einen abfragbaren Wissensgraphen und kennzeichnet jede Kante danach, ob die Beziehung im Material stand oder abgeleitet wurde: „Every edge is tagged EXTRACTED, INFERRED, or AMBIGUOUS“: github.com
27. Preston Rasmussen und andere, Zep: A Temporal Knowledge Graph Architecture for Agent Memory, 20. Januar 2025. Die Arbeit beschreibt vier Zeitstempel je Aussage, getrennt nach Gültigkeit in der Welt und Kenntnis des Systems, und löst Widersprüche durch Ungültigsetzen der älteren Kante statt durch Überschreiben. Es handelt sich um die Veröffentlichung des Anbieters zum eigenen Produkt: arxiv.org
28. Zep AI, graphiti, Quellcode, abgerufen am 14. September 2026: „each fact in a context graph has a validity window: when it became true, and when (if ever) it was superseded“ sowie „When information changes, old facts are invalidated“, ausdrücklich nicht gelöscht; abgefragt werden kann sowohl der heutige Stand als auch ein beliebiger früherer Zeitpunkt, „Query what’s true now, or what was true at any point in time“: github.com
29. Amazon Web Services, Abuse detection, Amazon-Bedrock-Benutzerhandbuch, abgerufen am 14. September 2026. Dort ist beschrieben, dass Amazon Bedrock im Regelfall weder Ein- noch Ausgaben speichert, dass bei den genannten GPT-Modellen „classifier-flagged traffic will be retained for up to 30 days“ und bei Anthropic Claude Fable 5 und 5.1 „all traffic will be retained for up to 30 days“, dass markierte Anfragen „subject to potential human review performed by AWS“ sind, dass die aufbewahrten Daten „stored and processed by AWS and are not shared with third-party model providers“ sind und dass sie bei regionsübergreifender Inferenz in der verarbeitenden Region liegen: docs.aws.amazon.com
30. Prateek Chhikara und andere, Mem0: Building Production-Ready AI Agents with Scalable Long-Term Memory, 28. April 2025, gemessen am Datensatz LOCOMO. Die Graphvariante erreicht dort „around 2% higher overall score than the base configuration“; der grosse Teil des Gewinns stammt also aus der Gedächtnisarchitektur und nicht aus der Graphform. Auch dies ist eine Veröffentlichung des Anbieters zum eigenen Produkt: arxiv.org