Montag um neun sagt eine Antwort einer Kundin, sie solle das Porto für einen defekten Wasserkocher selbst zahlen, und deine Supportleitung korrigiert die Antwort: Defekte Ware geht kostenlos zurück. Ab Mittag brauchen Erstattungen über £75 die Freigabe einer Führungskraft. Am Nachmittag sind die Fragen vom Morgen in neuen Worten zurück, und es kommt etwas, das noch niemand gesehen hat. Am Freitag erscheint ein neueres Modell.
Mit einem Modell allein endet die Woche, wo sie begonnen hat. Am Freitagabend weiß deine KI genau das, was sie Montag um neun wusste, und dein Team hat fünf Tage damit verbracht, ihr Dinge beizubringen, die sie nicht lernen konnte.
ACI, Adaptive Continual Intelligence, macht aus jedem dieser Momente eine Erkenntnis. Es lernt aus den Ergebnissen deiner Arbeit, während die Arbeit läuft, und handelt nach dem Gelernten, also ist deine KI am Freitag besser in deiner Arbeit als am Montag.
Montag, neun Uhr: Dein Team korrigiert eine Antwort, und die nächste ähnliche enthält die Korrektur.
Eine Korrektur wird zur nächsten Antwort.
Wenn deine Supportleitung die Antwort zum Wasserkocher korrigiert, lernt ACI aus der Korrektur, und schon der nächste Kunde, der fragt, bekommt die korrigierte Antwort, wie auch immer er es formuliert. Niemand bearbeitet einen Prompt, aktualisiert ein Dokument oder wartet auf einen Trainingslauf.
Heute lebt eine Korrektur in dem Gespräch, in dem sie gemacht wurde, und endet mit ihm. Teams, die wollen, dass sie bleibt, schreiben sie in einen Prompt, der mit jeder Ausnahme wächst, bis niemand mehr sicher ist, welche Zeilen noch gelten.
Mit ACI lernt deine KI von den Leuten, die die Arbeit kennen, und zwar bei der Arbeit selbst. Du siehst, wer was korrigiert hat und wann, und jede Korrektur gilt, bis jemand in deinem Team sie ändert.
Über einen Strom von 3,000 Entscheidungen, in dem sich die Regeln fünfmal änderten, lag das Modell allein in 59.8% der Fälle richtig. Stell Duplex, das auf ACI gebaut ist, neben dasselbe Modell, und die beiden zusammen lagen in 94.6% der Fälle richtig.
Die Arbeit ändert sich, und deine KI bleibt aktuell.
Um zwölf kommt die neue Regel für Erstattungen über £75. ACI folgt ihr ab der nächsten Anfrage, und alles andere, was es gelernt hat, bleibt, wie es war: Die Korrektur zum Wasserkocher gilt weiter, und ebenso jede Entscheidung, die dein Team im letzten Monat geklärt hat.
Eine Regeländerung löst meist eine Schnitzeljagd aus. Die alte Regel steht in Prompts, Dokumenten und gecachten Antworten, und jede Kopie, die jemand übersieht, gibt weiter selbstsicher die alte Antwort, bis es einem Kunden auffällt. Mit ACI ist eine Regeländerung eine Entscheidung, die dein Team einmal trifft, und keine Aufräumaktion, die die ganze Woche dauert.
An den Regeländerungen in diesen 3,000 Entscheidungen trennten sich die Ansätze. Bei den Entscheidungen, die sie betrafen, lag Duplex in 92.5% der Fälle richtig. Ein Cache schaffte 42.6%, das Modell allein 2.3%.
Je mehr es lernt, desto weniger kostet jede Anfrage.
Um drei kommen dieselben Fragen immer wieder. ACI beantwortet jede, die es gelernt hat, in Millisekunden, ohne Modellaufruf, und dein Modell übernimmt das Neue, wo es seine beste Arbeit leistet.
Sich selbst überlassen, erarbeitet ein Modell jede Anfrage von Grund auf, also kostet die tausendste Erstattungsfrage so viel wie die erste und dauert genauso lange. Die Rechnung wächst mit der Nutzung, und die Wartezeit auch.
Mit ACI laufen die Kosten in die andere Richtung: Je mehr deiner Arbeit es lernt, desto weniger Aufrufe bekommt dein Modell. Über dieselben 3,000 Entscheidungen senkte Duplex die Modellaufrufe um 90.3%, die Kosten um 84.8% und die Zeit pro Antwort um 81.9%, während die Genauigkeit stieg. Eine KI, die lernt, wird umso günstiger, je besser sie wird.
Es weiß, was es weiß.
Um halb fünf kommt eine Anfrage, die aussieht wie die Erstattungen vom Morgen und doch keine ist: eine zweigeteilte Bestellung, die eine Hälfte geliefert, die andere verloren. ACI erkennt, dass es diesen Fall nicht gelernt hat, und übergibt ihn an dein Modell, gebrieft mit dem, was ACI darüber weiß.
Ein Cache sähe eine Erstattung wie die anderen und gäbe die Antwort zurück, die er schon hat, ob richtig oder falsch. Das Modell allein beantwortet alles, mit derselben Selbstsicherheit, ob es deine Regeln kennt oder nicht. So oder so kommen die Fehler an und sehen genau aus wie die richtigen Antworten.
Weil ACI weiß, wo sein Wissen endet, kannst du ihm mehr von der Arbeit anvertrauen. Es beantwortet, was es gelernt hat, und zieht für das Neue dein Modell hinzu, statt zu raten.
Die Tests nutzten irreführende Doppelgänger: Anfragen, die wie vertraute Arbeit aussehen, aber neu sind. Über zehn Läufe lag Duplex bei 7.5% davon falsch, gegenüber 45.3% bei einem Cache.
Was es lernt, geht mit, wohin du gehst.
Am Freitag wechselt dein Team zum neueren Modell. Alles, was ACI diese Woche gelernt hat, kommt mit: die Korrektur zum Wasserkocher, die Freigaberegel und jede Entscheidung, die dein Team geklärt hat, also beginnt das neue Modell seinen ersten Morgen mit deiner Arbeit schon an seiner Seite.
Was man einem Modell beibringt, steckt in ihm und verschwindet mit ihm. Ein feinabgestimmter Adapter gehört zu dem Modell, auf dem er trainiert wurde, also bedeutet ein neues Modell einen weiteren Trainingslauf, und die Erkenntnisse der Woche müssen noch einmal beigebracht werden. In den Tests wechselte, was Duplex gelernt hatte, ohne Neutraining zu einer anderen Modellfamilie, während keiner von sechs feinabgestimmten Adaptern den Wechsel schaffte.
Und es geht über Modelle hinaus. Jeder Assistent oder Agent, den du zulässt, kann nutzen, was ACI gelernt hat, also hilft eine Korrektur in deinem Support-Assistenten auch dem Agenten, der deine Erstattungs-E-Mails entwirft.
Das war eine Woche. Ein Modell allein beginnt jeden Montag so, wie es veröffentlicht wurde, und weiß über deine Arbeit nicht mehr als an seinem ersten Tag. Mit ACI beginnt jede Woche dort, wo die letzte endete, und die Wochen summieren sich.