Eine Kundin schreibt: „Mein Paket ist nie angekommen, könnt ihr mir ein neues schicken?“ Dein Assistent durchsucht alles, was er je gesehen hat, und findet einen fast perfekten Treffer von letzter Woche: „Mein Paket kam beschädigt an, könnt ihr mir ein neues schicken?“ Er schickt die Antwort von letzter Woche, einen Ersatz, ohne Rückfragen. Die Worte waren fast dieselben. Der Fall nicht, denn bei einem verschwundenen Paket steht am Anfang ein Nachforschungsauftrag beim Paketdienst.
Die Suche hat ihre Arbeit getan. Sie hat den ähnlichsten Treffer gefunden, und genau das tut Nachschlagen. RAG findet Passagen, die der Frage ähneln, Vektordatenbanken finden, was in der Nähe liegt, Wissensgraphen finden, was jemand verknüpft hat, Caches liefern, was schon einmal gefragt wurde, und Gedächtnis ruft ab, was gespeichert wurde. Jedes davon findet etwas, das es schon gibt. Aber ähnlich ist nicht dasselbe wie richtig, und je näher ein falscher Treffer wirkt, desto selbstsicherer wird er ausgeliefert.
Lernen ist etwas anderes. Es versteht das Muster hinter deiner Arbeit, verdichtet es zu dem, was sich verallgemeinern lässt, und sagt voraus, was als Nächstes kommt. Duplex lernt, und deine Werkzeuge zum Nachschlagen werden zu seinen Werkzeugen: Es ruft jedes auf, wenn ein Schritt es braucht, und entscheidet, wie die Antwort lauten soll.
Genauso gefragt, findet die Suche die gespeicherte Antwort, und Duplex kennt sie auch.
Lernen trägt das Muster in neue Fälle.
Die nächste Anfrage gleicht der letzten selten Wort für Wort. Jemand formuliert sie anders, lässt ein Detail weg oder fügt Kontext hinzu, der nichts ändert. Ein Cache liefert, was schon einmal gefragt wurde, also muss die neue Anfrage wie eine alte aussehen. Eine Ähnlichkeitssuche kommt mit neuen Formulierungen besser zurecht, weil sie findet, was in der Nähe liegt, aber Nähe ist ein Maß für die Worte, nicht für den Fall.
Lernen setzt am Fall selbst an. Wenn dein Team ein Ergebnis bestätigt, lernt Duplex das Muster dahinter: warum es funktioniert hat und wo es gilt. So erkennt es dieselbe Anfrage in neuen Worten, und es merkt, wenn eine Anfrage, die gleich klingt, nach etwas anderem fragt.
An Doppelgängern zeigt sich der Unterschied am deutlichsten. Ein verlorenes Paket und ein beschädigtes teilen fast jedes Wort, ebenso eine Bestellung, die vor dem Versand storniert wurde, und eine, die danach storniert wurde. Ein Werkzeug, das liefert, was ähnlich aussieht, beantwortet jedes Paar gleich, mit derselben Selbstsicherheit. Duplex sieht den Unterschied und zieht deine KI hinzu, gebrieft mit dem, was Duplex über den Fall weiß.
In einem Test, der von exakten Wiederholungen bis zu Anfragen aus einem anderen Bereich reichte, beantwortete Duplex 7.5% der irreführenden Doppelgänger falsch, gegenüber 45.3% bei einem Cache. Über alle Anfragen hinweg wurden 98.98% korrekt behandelt: richtig beantwortet oder an deine KI übergeben.
Deine Werkzeuge zum Nachschlagen werden zu seinen Werkzeugen.
Werkzeuge zum Nachschlagen sind gut in dem, was sie tun, und Duplex nutzt sie genau dafür. Retrieval ist der richtige Weg, eine Klausel in einer Richtlinie zu finden, ein Wissensgraph der richtige, um zu sehen, wie ein Lieferant mit allem anderen verbunden ist, und ein Cache der schnellste, um eine bereits getroffene Entscheidung zurückzugeben. Diese Fakten gehören in deine Systeme, aktuell gehalten und verantwortet von den Leuten, die sich um sie kümmern.
Was die Werkzeuge nicht können, ist entscheiden. Sie finden und überlassen den Rest dem, der gefragt hat: welcher Quelle man trauen soll, was zu tun ist, wenn zwei sich widersprechen, was die Antwort für diesen Fall bedeutet. Duplex bringt dieses Urteilsvermögen mit. Es ruft jedes Werkzeug auf, wenn ein Schritt es braucht, lernt, welche Quelle welche Art von Frage beantwortet, und entscheidet mit den aktuellen Fakten vor Augen.
Eine einzige Rechnung kann alle drei brauchen: die Richtlinie, den Status des Lieferanten und die letzte Entscheidung über diesen Lieferanten. An den meisten Tagen stimmen sie überein. An dem Tag, an dem der Lieferant gesperrt wird, ist die letzte Entscheidung veraltet, und die Antwort muss dem neuesten Fakt folgen und zeigen, woher jedes Teil kommt.
Das ist eine faire Arbeitsteilung, und alles, was du gebaut hast, bleibt im Einsatz. Deine Werkzeuge finden weiter, wofür sie gebaut wurden, und jedes ist nützlicher, seit etwas entscheidet, wann es zum Einsatz kommt. Duplex lernt, entscheidet und handelt, und jede Antwort lässt sich bis zu ihren Quellen zurückverfolgen.
Für eine Rechnung braucht Duplex eine Richtlinie, den Lieferantenstatus und die letzte Entscheidung.
Ein gelerntes Muster sagt dir, was als Nächstes kommt.
Nachschlagen blickt zurück: Es findet, was passiert ist. Lernen reicht nach vorn. Sobald Duplex weiß, wie eine Art von Arbeit abläuft, kann es vorhersagen, was eine Aktion verändern wird, die Schritte danach planen und entscheiden, ob es antwortet, übergibt oder ablehnt.
Support-Tickets folgen einem Muster: eröffnet, triagiert, behoben, bestätigt, geschlossen. Nachschlagen kann ein Ticket finden, das dem vor dir ähnelt. Duplex hat aus den bestätigten gelernt, also weiß es, was dieses Ticket als Nächstes braucht und was folgen sollte. Nimmt ein Ticket eine Wendung, die kein früheres genommen hat, übergibt Duplex diesen Schritt an deine KI, und sobald dein Team bestätigt, wie es ausging, wird die Wendung Teil des Musters.
Bei World of Workflows, einem öffentlichen Benchmark für Unternehmenssysteme auf Basis von ServiceNow, sagte Duplex besser als GPT-5.1, Gemini 3 Pro und Claude Sonnet 4.5 voraus, wie sich das System nach einer Operation ändert, ohne Modellaufrufe. Bei der Planung fand es jedes Mal den kürzesten Weg, ohne ein einziges Modell-Token.
Eine Bibliothek sagt dir, was geschrieben wurde. Ein Kollege, der die Arbeit gelernt hat, weiß, was der Fall vor ihm bedeutet, merkt, wenn er neu ist, und macht mit dem nächsten Schritt weiter. Deine Werkzeuge zum Nachschlagen sind die Bibliothek, so nützlich wie eh und je. Duplex ist der Kollege, und mit jedem Ergebnis kennt es die Arbeit ein wenig besser.
Bestätigte Tickets lehren Duplex, wie diese Art von Arbeit abläuft, Schritt für Schritt.