Google testet, KI-Antworten in der Suche standardmäßig vollständig auszuklappen, und stattet KI-Agenten mit einem eigenen Langzeitgedächtnis aus, das sich über einzelne Sitzungen hinweg aufbaut.
Das Thema kurz und kompakt
- Google testet, KI-Antworten in der Suche direkt standardmäßig vollständig anzuzeigen – auf Kosten der klassischen Suchergebnisse.
- Google Research stattet KI-Agenten mit einem eigenen „Wiki“-Gedächtnis namens WikiSkill aus, das Fehler und Erfolge über einzelne Sitzungen hinweg festhält.
- In der zugrunde liegenden Studie stieg die Trefferquote eines Modells dadurch im Schnitt von 49,5 auf 68,1 Prozent über fünf Benchmarks.
Google testet volle KI-Antworten direkt in der Suche
Bei einem Teil der Suchanfragen zeigt Google die KI-Übersicht (AI Overview) inzwischen direkt in voller Länge an, inklusive geöffnetem Eingabefeld für Anschlussfragen – ganz ohne Klick auf „Mehr anzeigen". Die klassischen, organischen Suchergebnisse rutschen dadurch spürbar weiter nach unten auf der Seite. Ein Google-Sprecher bestätigte, das Unternehmen weite diese dynamische Darstellung testweise auf Themen aus, bei denen sie nach eigenen Analysen besonders hilfreich sei; Nutzer:innen würden sich dadurch stärker auf weiterführende Fragen einlassen. Für Websites, die auf klassischen Suchtraffic angewiesen sind, ist das ein weiteres Signal, dass Google KI-Antworten zunehmend zum Standard in der Suche macht.
Google gibt KI-Agenten ein eigenes Wiki-Gedächtnis
Mit einem neuen Forschungsansatz namens WikiSkill will Google KI-Agenten ein Langzeitgedächtnis geben, ohne das zugrunde liegende Modell neu zu trainieren. Bislang vergisst ein Agent nach jeder Aufgabe alles, was er dabei gelernt hat, und wiederholt bei einer ähnlichen Aufgabe oft denselben Fehler. WikiSkill organisiert den Arbeitsbereich eines Agenten stattdessen in drei Schichten: eine unveränderliche „Raw“-Schicht mit den vollständigen Handlungsprotokollen, eine wachsende „Wiki“-Schicht, die Fehler- und Erfolgsmuster in strukturierten Einträgen festhält, sowie eine „Skill“-Schicht mit den daraus abgeleiteten, konkreten Handlungsanweisungen. Eine unabhängige Prüfung auf einem Validierungs-Datensatz stellt sicher, dass eine vorgeschlagene Änderung die Leistung tatsächlich verbessert, bevor sie übernommen wird – andernfalls bleibt die vorherige Version aktiv, während das Wiki-Wissen selbst nie zurückgesetzt wird.
Die Google-Forscher:innen testeten den Ansatz an fünf verschiedenen Modellen (aus den Qwen-, Gemma- und Gemini-Familien) über fünf unterschiedliche Aufgabenbereiche hinweg, von mathematischem Schlussfolgern bis zu interaktiven Aufgaben in simulierten Umgebungen. Im Schnitt verbesserte sich die Trefferquote von 49,5 auf 68,1 Prozent; besonders deutlich fiel der Sprung bei größeren Modellen aus, die stärker von dem Ansatz profitierten als kleinere. Bemerkenswert: In manchen Fällen übertraf ein kleineres Modell mit WikiSkill sogar ein deutlich größeres Modell ohne diese Technik – und von einem Modell entwickelte Fähigkeiten ließen sich teils erfolgreich auf ganz andere Modelle übertragen.
Für Unternehmen, die selbst mit KI-Agenten arbeiten oder deren Einsatz planen, zeigt das: Die Fähigkeit, aus früheren Durchläufen zu lernen, wird zu einem zentralen Unterscheidungsmerkmal zwischen verschiedenen Agenten-Systemen.
