Ähnliche Worte können unterschiedliche Anliegen meinen
„Ich suche jemanden zum Tischtennisspielen“ und „Ich suche jemanden, der mir Tischtennis beibringt“ nennen dieselbe Sportart. Die Absicht ist trotzdem anders. Das eine ist eine gemeinsame Freizeitaktivität, das andere könnte bezahlte Hilfe sein. Ein System, das in beiden Fällen automatisch nach einem Budget fragt, hat diesen Unterschied übersehen. Das Interview von Neeed soll die Bedeutung klären. Dafür reicht es nicht, flüssige Fragen zu formulieren und jeden Satz als denselben Auftrag zu behandeln.
Eine hilfreiche Nachfrage hängt davon ab, was bereits bekannt ist. Eine Fahrt braucht vielleicht noch ein Ziel. Bei Nachhilfe können Fach und Unterrichtsform entscheidend sein. Bereits genannte Informationen erneut abzufragen, zeigt fehlenden Kontext. Endlos weiterzufragen ist ebenfalls ein Problem. Die Engine arbeitet deshalb mit bestätigten Quellantworten, ausdrücklichen Entscheidungstypen und einem begrenzten Interview. Das Modell unterstützt die Auswertung. Die Anwendung bleibt dafür verantwortlich, wie sich diese Auswertung auf den nächsten Schritt auswirken darf.
Vorhersehbare Grundfragen brauchen keinen Modellaufruf
Die 17 Beispiele für Gesuche und Angebote besitzen jetzt kleine lokale Gruppen von Grundfragen. Beim Nachhilfe-Beispiel erscheinen etwa Unterrichtsform, Zeitpunkt, Fächer und Dauer über vorhandene Bedienelemente. Wer ausschließlich online lernen möchte, bekommt keine Ortsfrage. Bei Angeboten geht es um deine Möglichkeiten und Verfügbarkeit. Sie übernehmen nicht einfach die Fragen für Hilfesuchende. Bis diese begrenzte lokale Folge endet, entstehen für die Grundfragen keine Modellaufrufe. Die Antworten selbst werden trotzdem ausdrücklich von dir gewählt.
Diese Beschleunigung hat eine bewusste Grenze. Sie setzt ein ausgewähltes Beispiel und dessen unveränderten Einstiegstext voraus. Selbst geschriebene Anfragen, wiederhergestellte Entwürfe, Textänderungen, Sprachwechsel oder eigene Notizen gehen zurück in den KI-Ablauf. So darf eine Vorlage keine zusätzlichen Informationen stillschweigend umdeuten. Lokale Fragen liefern bestätigte Antworten. Sie erzeugen weder eine verbindliche Bewertung noch eine Freigabe zur Veröffentlichung. Die abschließende KI-Prüfung und beide öffentlichen Sprachversionen bleiben weiterhin erforderlich.
Die KI wählt aus verständlichen Bedienelementen
Das Interview verwendet eine geschlossene Auswahl gemeinsamer Bedienelemente: Text, Auswahl, Zahl, Dauer, Datum, Uhrzeit, Zeitspanne, Ort, Terminplanung und Radius. Das Modell kann ein passendes Element anfordern. Die Anwendung prüft dessen Beschreibung vor der Anzeige. JSON Schema bietet allgemein eine Sprache für Datenstrukturen und Bedingungen. Für unsere Architektur folgt daraus: Eine gültige Struktur ist notwendig, beweist aber noch nicht, dass eine vorgeschlagene Frage oder Antwort inhaltlich sinnvoll ist. [1]
Eine getippte Ortsangabe kann beispielsweise ohne überprüfte Koordinate vorliegen. Sie muss von einem ausdrücklich ausgewählten Punkt auf einer geladenen Karte unterscheidbar bleiben. Ebenso darf aus „15 Euro pro Stunde“ nicht „15 Euro für den Auftrag“ werden, nur weil dieselbe Zahl enthalten ist. Bedienelemente und Prüfungen erhalten diese Unterschiede. Vorschläge gelten erst als Antwort, wenn du sie auswählst. Ein farbiges Tag kennzeichnet eine Angabe im Text. Es bestätigt nicht unabhängig, dass die Aussage in der Realität stimmt.
Eine Korrektur muss den Kontext verändern
Wenn du zurückgehst und eine Antwort den Verlauf verändert, entfernt die Engine die späteren abhängigen Antworten und beendet veraltete KI-Arbeit. Die nächste Auswertung erhält den korrigierten Quellenverlauf. Private Entscheidungskennungen helfen, bereits beantwortete oder bewusst übersprungene Fragen abzuschließen. Nach acht bestätigten Schritten endet das Interview, gegebenenfalls früher, wenn keine neue sinnvolle Entscheidung verfügbar ist. Ein Ende ist noch keine Veröffentlichungsfreigabe. Fehlende Informationen müssen weiterhin die passenden abschließenden Prüfungen durchlaufen.
Das AI Risk Management Framework des NIST betrachtet Vertrauenswürdigkeit über Entwurf, Entwicklung, Nutzung und Bewertung hinweg. Für uns ist das eine hilfreiche Arbeitsweise: Modellurteil und Validierung unterscheiden, die ursprünglichen Angaben erhalten und Fehlerwege ebenso prüfen wie erfolgreiche Abläufe. Das ist unsere Anwendung eines allgemeinen Rahmens. Es ist weder eine Zertifizierung noch die Behauptung, dass KI-Fehler oder erfundene Inhalte vollständig ausgeschlossen sind. [2]
Hilfreiche Fragen prüfen, nicht nur schöne Sätze
Automatisierte Tests können Quellenerhalt, das Entfernen alter Verläufe, die Verarbeitung von Bedienelementen und isolierte Veröffentlichungswege prüfen. Sie beweisen nicht, dass jede echte Modellfrage gut gewählt ist oder sich alle Menschen verstanden fühlen. Für weitere Bewertungen brauchen wir realistische Anliegen: mehrdeutige Termine, soziale Einladungen, geteilte Kosten und Antworten, die den Verlauf ändern. Wir möchten wiederholte Fragen, unbelegte Annahmen und unnötige Schritte untersuchen. Entscheidend ist auch, ob eine andere Person mit dem fertigen Beitrag etwas anfangen kann.
Ein gutes Interview sollte überschaubar bleiben: einige Entscheidungen, Platz für deine eigenen Worte und ein verständlicher Abschluss. KI-Arbeit für eine Frage einzusetzen, die die Anwendung bereits zuverlässig stellen kann, bringt wenig. Bei einer wichtigen Unklarheit kann sie dagegen hilfreich sein. Dieses Verhältnis suchen wir. Probiere ein Beispiel aus oder schreibe dein eigenes Anliegen. Achte darauf, ob die nächste Frage wirklich dabei hilft, einer anderen Person zu erklären, wie sie sinnvoll reagieren kann.
Quellen und weitere Lektüre
Forschung hilft uns bei unseren Entscheidungen. Sie beweist nicht, dass Neeed seine Ziele schon erreicht hat. Das müssen wir erst im echten Alltag zeigen.