Gemeinsamer Speicher für KI-Agenten

TL;DR. Wenn ein Unternehmen mehr als einen KI-Agenten einsetzt, muss das Gedächtnis geteilt werden – andernfalls geben Agenten widersprüchliche Antworten, vergessen Entscheidungen und wiederholen Fehler. Geteiltes Gedächtnis bedeutet einen einzigen strukturierten Speicher, auf den jeder Agent lesend und schreibend zugreift. Im Jahr 2026 konkurrieren drei Ansätze: Memory-Layer-Infrastruktur (Sentra, Hyperspell, Mem0), Memory-plus-Agenten-Produkte (Qualia, Adapt) und DIY auf Basis von Vektordatenbanken.

Warum KI-Agenten ein geteiltes Gedächtnis brauchen.

Der erste KI-Agent in einem Unternehmen funktioniert meist gut. Er hat eine Aufgabe, Zugriff auf das Nötigste und liefert nützliche Ergebnisse.

Der zweite Agent bringt Probleme. Wird ein KI-Support-Agent eingeführt, muss er wissen, was der Sales-Agent dem Kunden bereits versprochen hat. Ohne geteiltes Gedächtnis erfindet er Antworten.

Beim fünften Agenten wird das Chaos systemisch: Der Support-Agent erzählt Kunden von einem Feature, das das Engineering längst verworfen hat. Der Sales-Agent verspricht einen Liefertermin, von dem der Ops-Agent nichts weiß. Der Content-Agent veröffentlicht einen Blogbeitrag, der einem Slack-Thread von vor drei Tagen widerspricht.

Die Lösung ist eine geteilte Memory-Schicht, auf die jeder Agent lesend und schreibend zugreift.

Was "gemeinsamer Speicher" wirklich bedeutet.

Drei technische Anforderungen:

• 1. Jeder Agent liest aus demselben Speicher. Nicht aus einer eigenen Kopie. Aus demselben Graph, Index oder derselben Datenbank.
• 2. Jeder Agent schreibt in denselben Speicher. Wenn der Sales-Agent einen Liefertermin zusagt, ist diese Zusage ab sofort im Gedächtnis hinterlegt, das der Support-Agent morgen liest.
• 3. Der Speicher bewältigt Widersprüche. Neue Informationen widersprechen alten. Das Gedächtnis muss dies kennzeichnen, auflösen oder zur menschlichen Entscheidung weiterleiten.

Ohne alle drei ist "gemeinsamer Speicher" reines Marketing.

Die vier Ansätze auf dem Markt.

Ansatz 1: Memory-Layer-Infrastruktur.

Produkte: Sentra, Hyperspell, Mem0, Zep, Letta, Cognee, LangMem.

Was es ist: eine Memory-API. Sie bringen die Agents mit.

Ideal für: Teams mit Engineering-Kapazitäten, die ihre eigenen Agents bauen.

Nachteil: Sie müssen die Agents immer noch selbst bauen.

Ansatz 2: Memory-plus-Agents-Produkte.

Produkte: Qualia, Adapt, Viktor (teilweise).

Was es ist: ein fertiges Produkt, bei dem Agents vorgefertigt sind und Memory nativ teilen.

Ideal für: Teams ohne dediziertes AI-Engineering. Portfolio-Betreiber.

Nachteil: weniger Flexibilität für Bring-Your-Own-Agents.

Ansatz 3: DIY auf einer Vektordatenbank.

Produkte: Pinecone, Weaviate, Chroma plus eigener Code.

Ideal für: Teams, die AI-native Produkte entwickeln, bei denen Memory das Kernstück des Produkts ist.

Nachteil: erheblicher Engineering-Aufwand.

Ansatz 4: Notion oder ein Wiki als "Speicher".

Nicht wirklich Memory im Sinne eines geteilten Speichers für Agents. Wikis sind für Menschen gedacht. Siehe Qualia vs Notion.

Aktives vs. passives Memory.

Passives Memory (Sentra, Hyperspell, Mem0): erfasst und fragt ab. Durch einen Schreibvorgang geschieht nichts weiter.

Aktives Memory (Qualia): erfasst, fragt ab und triggert. Wenn eine neue Entscheidung ins Memory gelangt, können zugehörige Workflows starten. Wird ein Widerspruch erkannt, kann ein Review eingereiht werden.

Aktives Memory ist schwerer zu bauen, verändert aber das Wertversprechen grundlegend. Passives Memory macht Ihre Agents zu besseren Antwortgebern. Aktives Memory macht sie zu besseren Arbeitskräften. Mehr dazu in Was ein Company Brain ist.

So richten Sie geteiltes Memory für Ihre Agents ein.

• Schritt 1: Inventarisieren Sie Ihre Agents. Wie viele haben Sie oder planen Sie zu haben?
• Schritt 2: Build vs. Buy entscheiden. Engineers plus ein strategischer Grund zum Selbstbauen: Ansatz 3. Einige Engineers, hohes Tempo: Ansatz 1. Bereitstellen ohne Engineering-Zeit: Ansatz 2.
• Schritt 3: Den Speicher wählen. Aktives Memory plus Agents: Qualia. Nur passives Memory: Sentra oder Hyperspell. Nur Memory-API: Mem0, Zep, Letta.
• Schritt 4: Quellen anbinden. Slack, Drive, Gmail, Teams, WhatsApp, Fehlerprotokolle, Ticket-Warteschlangen, CRM, Meeting-Notizen.
• Schritt 5: Feedbackschleifen einrichten. Wenn Agents falsche Antworten liefern, muss das Memory dazulernen.
• Schritt 6: Auf Drift achten. Fakten ändern sich. Produkte werden gelauncht, Mitarbeiter gehen, Entscheidungen werden revidiert.

Häufige Fehler.

• Selbst entwickeln, bevor feststeht, dass man es wirklich muss. Viele Teams beginnen mit Pinecone, bevor sie merken, dass sie Sentra neu erfunden haben.
• Annehmen, dass Notion ausreicht. Gut für Menschen; nicht strukturiert genug für Agents.
• Memory pro Agent. Das häufigste Fehlermuster. Konsolidieren.
• Keine Quellenangabe. Wenn der Speicher nicht sagen kann, woher ein Fakt stammt, kann man ihn weder debuggen noch ihm vertrauen.

Weiterlesen.