An ihrem ersten Tag fängt eine neue Kollegin in deinem Supportteam nicht bei null an. Sie bekommt die Rückgaberichtlinie, einen Ordner mit Tickets, die das Team gut gelöst hat, die Ausnahmen, die alle auswendig kennen, und einen Kollegen, der ihr sagt, welche Fälle an eine Führungskraft gehen. Sie ist schon in ihrer ersten Woche nützlich, weil das Team weitergibt, was es schon weiß.
Die meisten KI-Systeme bekommen keinen solchen Empfang. Ein neuer Assistent beginnt ohne all das, also erklärt dein Team dieselben Dinge noch einmal, eine Korrektur nach der anderen, und die Korrekturen überdauern selten die Sitzung. Das Wissen war die ganze Zeit da, in geprüften Tickets, Freigabe-Threads, Richtliniendokumenten und Runbooks, und die KI sieht es nur, wenn jemand es einfügt oder eine Suche es zufällig findet.
Duplex kann so anfangen wie eine gute neue Kollegin. Es lernt, worauf dein Team schon vertraut, bevor es zum Einsatz kommt, also ist es ab der ersten Anfrage nützlich, und es lernt weiter aus jedem Ergebnis, das dein Team bestätigt.
Beginne mit dem, was dein Team schon weiß.
Fang mit dem an, was du schon weißt.
Die meisten Teams haben das Material schon, verstreut über die Werkzeuge, die sie nutzen. Es gibt geprüfte Beispiele und Entscheidungen, hinter denen sie stehen, Richtlinien und Playbooks, Werkzeugläufe, die funktioniert haben, und Methoden, denen sie vertrauen: wie eine Erstattung freigegeben wird, welchen Weg ein Abrechnungsstreit nimmt, welche Prüfungen anstehen, bevor ein Vertrag hinausgeht.
Heute erreicht dieses Material die KI auf ein paar vertrauten Wegen, und jeder hat seinen Nutzen. Ein Prompt ist schnell, aber er muss mit jeder Anfrage mitreisen, und er wächst, bis sich niemand mehr traut, ihn zu bearbeiten. Eine Dokumentensuche findet die Passage, die der Frage am ähnlichsten ist, und das hilft, wenn jemand weiß, was er fragen muss. Ein Fine-Tuning verändert das Modell selbst, zum Preis eines Trainingsprojekts, dessen Ergebnis an dem Tag feststeht, an dem es endet.
Duplex vorzutrainieren ist etwas anderes. Es lernt aus dem Material vor seiner ersten Anfrage, genauso wie aus laufender Arbeit: Es versteht die Entscheidung hinter jedem Beispiel, wo sie gilt und wo nicht. Dein Team ordnet jedes Stück dem Arbeitsbereich zu, in den es gehört, also lenkt das Support-Playbook Support-Antworten und nie die Freigaben des Finanzteams.
Und Duplex weiß, woher jedes Stück kommt. Eine Antwort, die es am ersten Tag gibt, kommt mit den Beispielen dahinter, und jedes Beispiel führt zurück zu der Entscheidung oder dem Dokument, auf dem es beruht, also kann dein Team die Antwort prüfen, bevor es ihr vertraut.
Nützlich ab der ersten Anfrage, aktuell von da an.
Am ersten Tag übernimmt Duplex ab der ersten Anfrage die Arbeit, auf die es vortrainiert wurde: die Rückgabefrage, die jeden Morgen kommt, die Erstattung, die die Freigabe einer Führungskraft braucht, den Streitfall, der in die Abrechnung gehört. Das erledigt es in Millisekunden, ohne Modellaufruf, und alles andere geht an deine KI, gebrieft mit dem, was Duplex über den Fall weiß. Dein Team muss die Grundlagen nicht mehr erklären, und deine KI verbringt ihre Zeit mit dem Neuen.
Vortraining ist ein Vorsprung, und Duplex ist auch ohne Vortraining nützlich. Leer gestartet lernt es nur aus der laufenden Arbeit, ein bestätigtes Ergebnis nach dem anderen, und das passt zu einem Team, das wenig Material für den Anfang hat. Vortrainiert beginnt es mit dem, was dein Team schon wusste, statt es Ergebnis für Ergebnis zu entdecken.
Ein Vorsprung ist nur der Anfang. Richtlinien ändern sich, Werkzeuge ändern sich, und Menschen finden bessere Methoden, also veraltet eine Momentaufnahme dessen, was dein Team am ersten Tag wusste, mit der ersten Richtlinienänderung. Für ein KI-Modell ist das Vortraining der Punkt, an dem das Lernen endet: Es lernt die Welt, wird veröffentlicht und bleibt, wie es ist. Für Duplex ist das Vortraining der Punkt, an dem das Lernen beginnt.
Ändert sich eine Richtlinie, folgt Duplex ab der nächsten Anfrage der neuen, und alles andere, was es gelernt hat, ob vortrainiert oder im Betrieb, bleibt, wie es war. Der Vorsprung bleibt ein Vorsprung, statt zu etwas zu werden, um das dein Team herumarbeiten muss.
Leer gestartet lernt Duplex nur aus der laufenden Arbeit, ein bestätigtes Ergebnis nach dem anderen.
Klar schlägt groß.
Die Versuchung ist groß, alles hineinzukippen: jedes Ticket, jeden Thread, jede Fassung jeder Richtlinie. Mehr fühlt sich sicherer an, und Archive lassen sich leicht exportieren.
Aber ein großes Archiv mischt klare Beispiele mit veralteten, widersprüchlichen und zweifelhaften: die Richtlinie von vor zwei Fassungen, zwei Führungskräfte, die denselben Fall auf zwei Arten entschieden haben, die Antwort, die verschickt und nie geprüft wurde. Lern aus all dem, und der Zweifel kommt mit dem Wissen mit.
Eine kleine Auswahl klarer, aktueller Beispiele lehrt mehr als ein großes Archiv unsicherer. Ein klares Beispiel ist eines, das dein Team heute wieder so geben würde, aus einem Grund, den es erklären könnte. Dein Team prüft, was hineinkommt, und wählt die Entscheidungen, hinter denen es steht. Nimm die Fälle auf, die an einen Menschen gehen sollten, und Duplex lernt, diese zu übergeben, statt zu raten.
Auch der erste Tag ist nicht endgültig. Stellt sich ein Beispiel als falsch heraus oder ändert sich die Richtlinie dahinter, kann dein Team genau diese eine Erkenntnis korrigieren oder entfernen, und alles andere, was Duplex gelernt hat, bleibt, wie es war.
Eine gute neue Kollegin ist in der ersten Woche nützlich dank dem, was das Team ihr mitgegeben hat, und im ersten Jahr gut dank allem, was sie im Job gelernt hat. Duplex funktioniert genauso. Das Vortraining ist die Übergabe, und jedes Ergebnis, das dein Team danach bestätigt, ist Lernen im Job.
Ein großes Archiv mischt klare Beispiele mit veralteten, widersprüchlichen und zweifelhaften.