Inputs steuern, um die Stabilität von KI-Outputs zu verbessern

Das Modell hat sich nicht verändert. Die Evidenz hat sich nicht verändert. Wir haben keine weitere Inferenzstufe hinzugefügt. Wir haben den governten semantischen Input verändert, mit dem das Modell arbeitete — und in dem Fall, dem wir nachgingen, hörte der Output auf zu schwanken.

Der Fehler sah aus wie ein Modellproblem

Wir evaluierten eine governte Klassifikation über eine Unternehmensinteraktion. Nach einem einzelnen Urteil gefragt, lieferte das Modell die richtige Antwort. Nach dem gewöhnlichen vollständigen Satz an Outputs gefragt — dieselbe Interaktion, dasselbe Modell — änderte sich dieses Urteil.

Dieses Muster kennen wir seit Jahren, und wir kennen den Reflex, den es auslöst: dem Modell die Schuld geben. Die Reihenfolge ändern, eine Anweisung hinzufügen, die Aufgabe anders routen, sie in Denkschritte zerlegen oder das Modell austauschen. Wir haben die naheliegenden Schritte versucht. Einige führten zu lokalen Verbesserungen. Keiner überstand die vollständige Komposition.

Das Problem lag in der Bedeutung, nicht im Modell

Die Lösung ergab sich, als wir den Prompt und die angeforderten Outputs als ein semantisches System behandelten statt als lose Sammlung unabhängiger Anweisungen. Die governten Definitionen gaben derselben Evidenz mehr als ein plausibles Zuhause — nichts machte deutlich, welche Definition maßgeblich war, wenn mehr als eine denselben Sachverhalt für sich beanspruchen konnte.

Also haben wir die Inputs verändert, nicht die Formulierung des Prompts — indem wir die Bedeutung jeder Definition und ihre Beziehungen explizit machten, statt sie dem Modell zur Inferenz zu überlassen, sodass dieselbe Evidenz nicht länger mehr als ein Zuhause hatte. Dann führten wir den gewöhnlichen Pfad mit vollständigem Output erneut aus. Der Fall bestand drei aufeinanderfolgende Durchläufe, und das fehlerhafte Urteil war verschwunden. Dasselbe Modell, dieselbe Evidenz, keine Spezialmechanik.

Inputs und Outputs sind ein einziges Inferenzproblem

Dies ist der Teil, der über eine einzelne Klassifikation hinaus zählt. Enterprise-Prompts stapeln heute Systemanweisungen, Domänendefinitionen, Beispiele, Schemata, Output-Felder, Bewertungsraster, Tool-Beschreibungen und Richtlinien. Wir schreiben diese Bausteine getrennt. Das Modell liest sie zusammen und löst sie als ein einziges Problem auf.

Zuverlässigkeit ist also kein Formulierungsproblem. Man muss steuern, was jedes Konzept bedeuten darf, welches Konzept einen Sachverhalt besitzt, welche Evidenz ihn begründet, was er implizieren darf und was nicht, und worauf er sich bezieht. Die angeforderten Outputs sind Teil dieses Systems — sie prägen, wie das Modell die Evidenz organisiert, die man ihm gegeben hat.

Ein Fall, ein Modell. Wir behaupten nicht, dass jeder Kompositionsfehler semantischer Natur ist oder dass die Output-Struktur für sich genommen nie eine Rolle spielt — aktuelle Arbeiten zeigen, dass Schema- und Formatentscheidungen Modelle ohnehin beeinflussen. Unsere Aussage ist enger und nützlicher: Wenn Bedeutung schlecht gesteuert wird, kann sich das als scheinbare Modellinstabilität äußern, und die Steuerung der Bedeutung behebt das Problem an der Wurzel, statt einen Prompt zu flicken.

Warum dies ein Problem governter Intelligenz ist

Wenn die Intelligenz zählt, darf ihre Bedeutung nicht nur in einem Prompt leben. Prompt-Texte ändern sich. Modelle ändern sich. Schemata ändern sich. Laufzeitumgebungen ändern sich. Die Bedeutung muss all das überdauern — sie muss also ein besessenes, governtes Asset sein, keine glückliche Formulierung, die zufällig letzte Woche funktioniert hat.

Genau für diesen Bedarf haben wir Metis gebaut. Metis behandelt die Definition der Unternehmensintelligenz selbst als das governte Artefakt: Ein Mensch oder eine KI kann die Bedeutung vorschlagen, ein unabhängiger Abnahmepfad bewertet sie, akzeptierte Semantik projiziert sich in Prompts, Schemata, Evaluatoren oder SQL, und die daraus entstehende Intelligenz wird gegen Evidenz verifiziert und mit Provenienz vorgehalten.

Ein Vergleich mit der stärksten benachbarten Arbeit lohnt sich. GROUND steuert Enterprise-Text-to-SQL gegen eine freigegebene semantische Schicht — freigegebene Metriken, Dimensionen, Joins, Granularität, Sicherheit — und validiert das generierte SQL vor der Ausführung. Das ist eine solide Analytics-Architektur. Metis setzt einen Schritt früher an und endet einen Schritt später: Es steuert die Erstellung und Abnahme der semantischen Definition, aus der Projektionen abgeleitet werden, und behandelt SQL, Prompts, Schemata und Evaluatoren allesamt als Projektionen einer einzigen dauerhaften Definition. Dieses Experiment lebt in jenem früheren Schritt — es prüft, ob die zusammengesetzte Bedeutung kohärent ist, bevor irgendein modellseitiges Artefakt Vertrauen genießt, und verifiziert das Urteil nach der Inferenz.

Was das für Enterprise-KI bedeutet

Die Änderung des angeforderten Outputs legte den Fehler offen. Die Steuerung des semantischen Inputs behob ihn. Zuverlässigkeit war hier nicht allein eine Eigenschaft des Modells — sie war eine Eigenschaft des semantischen Systems, mit dem wir es speisten, und der Outputs, die wir anforderten. Das ist ein stärkeres Ergebnis als eine weitere Runde Prompt-Tuning, denn die Korrektur lebt in der Definition der Intelligenz, nicht in einem Einmal-Flicken, den die nächste Schemaänderung wieder zunichtemacht. Steuern Sie Inputs und Outputs als ein System, projizieren Sie diese Bedeutung in die Artefakte, die Sie benötigen, und verifizieren Sie, was zurückkommt. Der Prompt ist eine Ausführungsoberfläche. Er sollte nicht die alleinige Autorität dafür sein, was Ihr Unternehmen meint.

Wie es weitergeht

Wir qualifizieren dies über weitere Modelle und Workloads hinweg im Rahmen des NeoSavant Model Observatory, und wir werden veröffentlichen, sobald die Evidenz eingefroren ist. Der ursprüngliche Befund hängt nicht von diesen Durchläufen ab — sie werden uns zeigen, wie weit der Effekt und die Korrektur tragen.