Kurzfassung
Sprachmodelle wie Gemini, ChatGPT und Claude leiden unter einem grundlegenden Mangel: Sie besitzen kein echtes Gedächtnis und starten jeden Dialog von vorne. Nutzer müssen Kontext, Vorlieben und projektbezogene Informationen ständig neu eingeben – ein Problem, das seit Jahren bekannt ist. Gleichzeitig demonstriert Claude Code, dass Notizen-Funktionalität bereits Lösungsansätze bieten können.
Personen
- Marcel Weiss (Autor, FAZ)
Themen
- Künstliche Intelligenz – Gedächtnis und Kontextverständnis
- Sprachmodelle – Architektur und Limitation
- Nutzer-Erfahrung – Effizienz und Workflow
- KI-Entwicklung – technische Herausforderungen
Clarus Lead
Das Gedächtnis-Problem ist ein seit zwei Jahren bekanntes, fundamentales Defizit der führenden Sprachmodelle. Jede neue Konversation beginnt ohne Vorwissen – ein erheblicher Nachteil für produktive Arbeitsabläufe. Für Entscheidungsträger in Unternehmen bedeutet dies mangelnde Personalisierung und ständige Redundanz bei der Kontextvermittlung. Die Branche arbeitet an Lösungen, doch Claude Code zeigt bereits, dass einfache Notizenfunktionen einen praktikablen Zwischenschritt darstellen können.
Detaillierte Zusammenfassung
Die Kernproblematik ist präzise: Nutzer von Gemini, ChatGPT oder Claude erleben täglich dieselbe Frustration. Die KI-Systeme verfügen über keine Erinnerung an vorherige Interaktionen. Sie kennen weder bevorzugte Programmiersprachen noch laufende Projekte noch Kontextinformationen aus Gesprächen von vor zwei Wochen. Dies führt zu wiederholtem Erklären – ähnlich dem Film-Klassiker „Und täglich grüsst das Murmeltier", in dem der Protagonist denselben Tag immer wieder durchlebt.
Dieses Defizit ist nicht neu. Bereits im Februar 2024 wurde die Problematik prominent diskutiert. Während die KI-Branche an fundamentalen Architekturlösungen arbeitet, zeigen praktische Implementierungen wie die Notizenfunktion in Claude Code, dass graduelles Gedächtnis – zumindest auf projektbezogener Ebene – technisch realisierbar ist. Dies deutet auf einen möglichen Übergangspfad hin, bis echte persistente Gedächtnisstrukturen integriert sind.
Kernaussagen
- Persistentes Gedächtnis-Defizit: Aktuelle Sprachmodelle haben kein echtes Gedächtnis und starten jede Konversation ohne Kontextwissen.
- Bekanntes Problem: Die Limitation ist seit mindestens zwei Jahren dokumentiert und bleibt ungelöst.
- Workflow-Ineffizienz: Nutzer müssen Projektdetails, Präferenzen und Kontext ständig neu eingeben.
- Teillösungen im Einsatz: Claude Code demonstriert, dass Notizenfunktionen kurz- bis mittelfristig Abhilfe schaffen können.
Kritische Fragen
Datenqualität: Wie definiert die Industrie „echtes Gedächtnis" im Kontext von Sprachmodellen – und welche technischen Metriken unterscheiden Notizen-Workarounds von echter kontextbewusstsein?
Interessenskonflikte: Welche wirtschaftlichen Anreize bestehen für Anbieter, persistentes Gedächtnis zu implementieren, und wann überwiegen die Kosten den Nutzen aus Anbietersicht?
Kausalität: Ist das fehlende Gedächtnis eine architektonische Grundbeschränkung heutiger Transformer-Modelle oder eine bewusste Design-Entscheidung – und welche Alternativen existieren?
Umsetzbarkeit und Risiken: Welche Sicherheits- und Datenschutz-Herausforderungen entstehen, wenn KI-Systeme langfristig personalisierte Daten speichern und abrufen?
Tauglichkeit der Teillösung: Sind Notiz-Features ausreichend als Übergangslösung, oder führen sie zu falschen Erwartungen bezüglich echter Gedächtnisfunktionalität?
Marktdruck: Wird der Wettbewerb zwischen OpenAI, Anthropic und Google diese Limitation schneller adressieren als reine F&E-Logik nahelegt?
Quellenverzeichnis
Primärquelle: KI-Gedächtnis: Das grösste Problem der KI: die Vergesslichkeit – https://www.faz.net/pro/digitalwirtschaft/kuenstliche-intelligenz/wie-ki-ihre-amnesie-ueberwinden-kann-accg-200503502.html
Verifizierungsstatus: ✓ 09.02.2026
Dieser Text wurde mit Unterstützung eines KI-Modells erstellt. Redaktionelle Verantwortung: clarus.news | Faktenprüfung: 09.02.2026