🤖 AI

X-SYNTH: Beyond Retrieval -- Enterprise Context Synthesis from Observed Human Attention

X-SYNTH ist ein neuartiges Framework, das die Synthese von Unternehmens-Kontexten für KI verbessert, indem es digitale Aufmerksamkeitsverläufe einzelner Mitarbeiter als Verhaltensbaselines modelliert, um kausal relevante Aktivitätssignaturen zu identifizieren, wodurch die Aufgabenpräzision im Vergleich zu herkömmlichen auf Abruf basierenden Methoden erheblich gesteigert und falsche Hinweise reduziert werden.

Ursprüngliche Autoren: Guruprasad Raghavan, George Nychis, Rohan Narayana Murthy

Veröffentlicht 2026-05-18

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Guruprasad Raghavan, George Nychis, Rohan Narayana Murthy

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie versuchen, ein komplexes Rätsel zu lösen, etwa herauszufinden, wer im Begriff ist, einen großen Geschäftsabschluss zu tätigen. Sie verfügen über eine riesige Bibliothek an Hinweisen: Tausende von E-Mails, Chat-Nachrichten, Kalendereinladungen und Dokumentenaufrufen.

Das Problem: Der Ansatz der „Suchmaschine" versagt
Derzeit arbeiten die meisten KI-Agenten wie eine herkömmliche Suchmaschine. Wenn Sie fragen: „Finden Sie mir die Rechnung für Bestellung #123", sucht die KI nach den exakten Wörtern „Rechnung" und „123" und findet sie. Das funktioniert hervorragend für einfache Aufgaben.

Aber wenn Sie fragen: „Wer wird wahrscheinlich bald einen neuen Abschluss unterzeichnen?", gerät die KI ins Stocken. Warum? Weil die Antwort nicht in einem einzelnen Dokument steht, das darauf wartet, gefunden zu werden. Die Antwort verbirgt sich im Muster des Verhaltens. Vielleicht hat ein Verkäufer 20 Minuten damit verbracht, die Preisliste eines Wettbewerbers zu lesen, dann sofort eine Vertragsvorlage geöffnet und daraufhin eine kurze Nachricht an seinen Chef gesendet. Keine dieser einzelnen Aktionen schreit „GESCHÄFT", aber die Reihenfolge davon tut es.

Standard-KI verpasst dies, weil sie nur den Inhalt der Dokumente betrachtet, nicht aber die Geschichte, wie der Mensch mit ihnen interagiert hat. Es ist, als würde man versuchen, einen Film zu verstehen, indem man eine Liste der verwendeten Requisiten liest, ohne die Szenen oder die Mimik der Schauspieler zu sehen.

Die Lösung: X-SYNTH (Der „Digitale Zwilling"-Detektiv)
Die Studie stellt X-SYNTH vor, ein System, das nicht nur Dokumente liest; es beobachtet, wie Menschen ihnen Aufmerksamkeit schenken. Denken Sie daran, als würde man der KI einen „Digitalen Zwilling" jedes Mitarbeiters geben.

Hier ist, wie es funktioniert, anhand einer einfachen Analogie:

1. Die Digitale-Zwilling-Signatur (DTS)

Stellen Sie sich vor, jeder Mitarbeiter hat einen „Verhaltensfingerabdruck". Dies ist nicht nur eine Liste dessen, was sie tun; es ist ein sich ständig aktualisierendes Profil ihrer normalen Gewohnheiten.

Die Basislinie: Wir wissen, dass „Sarah" normalerweise 30 Minuten pro Tag mit Sicherheitsberichten verbringt.
Die Abweichung: Wenn Sarah plötzlich drei Tage lang keine Sicherheitsberichte mehr einsehen, ist dieses Schweigen ein lautes Signal.
Der Kontext: Wir wissen, dass „Sarah" den Code „FZ" verwendet, um „Formale Zone" (ein neuer Abschluss) zu bedeuten, während „Mike" „FZ" für „Gefrorene Zone" (ein gestopptes Projekt) verwendet.

X-SYNTH baut diesen „Digitalen Zwilling" für jeden Mitarbeiter auf und lernt deren einzigartigen Rhythmus, ihren Wortschatz und was für sie „normal" aussieht.

2. Die sieben „Aufmerksamkeitsfilter"

Anstatt die KI zu bitten, zu raten, was wichtig ist, verwendet X-SYNTH sieben verschiedene „Linsen" oder Filter, um die Daten zu betrachten, je nachdem, wer beobachtet wird und welche Frage gestellt wird.

Die Lupe (Proportional): Wenn jemand viel Zeit mit einem Dokument verbringt, ist es wahrscheinlich wichtig.
Der Stille-Alarm (Invers): Wenn jemand normalerweise eine bestimmte Datei überprüft, aber plötzlich aufhört, ist diese Abwesenheit ein Signal (vielleicht haben sie ein Problem anderswo gefunden).
Der Abweichungs-Detektor (Differential): Wenn eine Person Wettbewerbsdokumente normalerweise ignoriert, aber plötzlich beginnt, sie zu lesen, ist das eine riesige rote Flagge.
Das Rückticket (Rekurrent): Wenn jemand dieselbe Datei immer wieder öffnet und schließt, kämpft er damit oder bewertet sie tiefgehend.
Das Puzzle (Komparativ): Wenn jemand schnell zwischen zwei ähnlichen Verträgen hin und her wechselt, vergleicht er diese aktiv.
Das Storyboard (Sequenziell): Haben sie den Vertrag vor oder nach der E-Mail gelesen? Die Reihenfolge ist entscheidend.
Die Crowd-Source (Kollektiv): Schaut das gesamte Team plötzlich denselben Kunden an? Das ist ein Konsens-Signal.

3. Der intelligente Router

Die Magie geschieht in der Mitte. Wenn Sie eine Frage stellen, wählt X-SYNTH nicht einfach einen Filter aus. Es fragt: „Worum geht es hier, und wie ist ihr aktuelles Verhalten?"

Szenario A: Sie fragen nach einem Entwickler, der Sicherheitswerkzeuge besitzt. Das System verwendet den Filter Lupe (schauen Sie, wofür sie Zeit verwenden).
Szenario B: Sie fragen nach einem Entwickler, der Sicherheitswerkzeuge früher besessen hat, aber nun ruhig geworden ist. Das System wechselt zum Filter Stille-Alarm (schauen Sie, was sie nicht mehr tun).

Die gleiche Frage erhält zwei verschiedene Antworten, weil das System den menschlichen Kontext hinter den Daten versteht.

4. Das Ergebnis: Von „Verloren" zu „Gefunden"**

Die Studie testete dies an einem echten Vertriebsteam.

Ohne X-SYNTH: Ein hochleistungsfähiges KI-Modell betrachtete die Daten und fand nur 9,5 % der tatsächlichen neuen Abschlüsse. Es verpasste 90 % der Chancen und riet bei fast allem anderen falsch. Es war wie ein Detektiv, der nur nach Hinweisen sucht, die in großen roten Buchstaben geschrieben sind.
Mit X-SYNTH: Dieselbe KI, nun mit diesen „Digitalen-Zwilling"-Filtern ausgestattet, fand 61,9 % der Abschlüsse. Sie entdeckte 110 Abschlüsse, die sie zuvor verpasst hatte.

Warum es funktioniert (Der „Aha!"-Moment)

Die Studie argumentiert, dass die Arbeit in Unternehmen voller „Inn jokes" und versteckter Signale steckt.

Beispiel: Ein Verkäufer sieht eine E-Mail mit dem Betreff „Erstelle FZ für PO".
- Standard-KI: „Was ist FZ? Was ist PO? Ich weiß es nicht. Ich werde raten, dass nichts passiert."
- X-SYNTH: „Ah, ich kenne diesen Verkäufer. In seiner Geschichte bedeutet 'FZ' immer 'Formale Zone' (ein neuer Abschluss), und 'PO' bedeutet 'Kaufauftrag'. Außerdem hat er gerade die Vertragsanhang geöffnet. Das ist ein Abschluss!"

Das Fazit

X-SYNTH beweist, dass es beim Finden des richtigen Kontexts für eine KI nicht darum geht, mehr Text abzurufen; es geht darum, Relevanz durch menschliches Verhalten zu verstehen. Indem das System beobachtet, wie Menschen arbeiten, und nicht nur, was sie schreiben, kann es einen chaotischen Strom digitaler Geräusche in eine klare, handlungsorientierte Geschichte verwandeln. Es verwandelt die KI von einer passiven Bibliothekarin in einen aktiven Detektiv, der die Menschen versteht, mit denen er arbeitet.

Technische Zusammenfassung: X-SYNTH — Unternehmenskontext-Synthese aus beobachteter menschlicher Aufmerksamkeit

1. Problemstellung

Im Unternehmensbetrieb ist der Kontext, den KI-Agenten zur Bewältigung komplexer Aufgaben benötigen, über Systeme der Aufzeichnung, statische Speicher und Kommunikationskanäle verstreut. Die derzeit vorherrschenden Ansätze verlassen sich auf Retrieval-Augmented Generation (RAG), die den Inhalt einer Anfrage mit gespeicherten Daten abgleicht. Obwohl dieser Ansatz für enge, inhaltsgetriebene Abfragen (z. B. „Finde Rechnung INV-34231") effektiv ist, versagt er bei komplexen agentischen Aufgaben, die eine Synthese aus verstreuten Verhaltensnachweisen erfordern.

Der Kernfehler liegt im Fehlen eines prinzipiellen Relevanzsignals. Standard-Retrieval-Systeme betrachten Daten als statischen Text und übersehen die „geordnete Abfolge von Aktionen" und „impliziten Belohnungssignale", die kodieren, wie Arbeit tatsächlich stattfindet. Folglich leiden Agenten unter niedrigen True Lead Rates (TLR) und hohen False Lead Rates (FLR), da sie nicht zwischen Rauschen und kausal relevanten Verhaltensmustern unterscheiden können, die spezifisch für eine Organisation, ein Team oder eine Einzelperson sind. Die Arbeit argumentiert, dass die Unternehmenskontext-Synthese kein Retrieval-Problem, sondern ein Relevanzproblem ist, wobei die menschliche Aufmerksamkeit als Ground Truth dient.

2. Methodik: Das X-SYNTH-Framework

X-SYNTH ist eine vierstufige agentische Pipeline, die die Kontextsynthese in menschlicher Aufmerksamkeit verankert – definiert als die digital beobachtbaren Interaktionssignaturen von Mitarbeitern. Das System modelliert die Verhaltensbasis jeder Einzelperson als Digital Twin Signature (DTS) und verwendet einen gelernten Router, um aus sieben verschiedenen Aufmerksamkeitsfiltern auszuwählen.

Kernkomponenten

A. Digital Twin Signature (DTS)
Für jede Einzelperson $u$ führt das System ein rollierendes Verhaltensprofil $DTS(u, \tau)$ über ein Fenster $\tau$ . Es besteht aus fünf Komponenten:

$v_{dom}$ (Domänen-Aufmerksamkeit): Konzentration der Aufmerksamkeit über Arbeitsdomänen hinweg.
$v_{rhythm}$ (Verhaltensrhythmus): Statistiken zu Verweildauer, Wiederbesuchen und Übergängen.
$v_{base}$ (Basislinie): Erweiterte Rückblickstatistiken, die die „Normalität" der Einzelperson etablieren.
$v_{resp}$ (Verantwortungsprofil): Abgeleitete Domänenverantwortung, die aus Aktivitäten und nicht aus deklarierten Rollen stammt.
$v_{div}$ (Divergenz): Der Unterschied zwischen den jüngsten Aufmerksamkeitsmustern und der langfristigen Basislinie.

B. Sieben Aufmerksamkeitsfilter
Ein gelernter Modusauswähler $f_\theta$ (ein 3-Schichten-MLP) bildet eine Anfrage $q$ und die DTS des Benutzers auf eine Wahrscheinlichkeitsverteilung über sieben qualitativ unterschiedliche Filter ab:

Proportional: Hohe Verweildauer signalisiert Wichtigkeit (erwartete Aufmerksamkeit).
Inverse: Das Fehlen erwarteter Aufmerksamkeit signalisiert Wichtigkeit.
Differential: Abweichung von der eigenen Basislinie der Einzelperson signalisiert Wichtigkeit.
Recurrent: Häufige Rückkehr zu einem Artefakt signalisiert Wichtigkeit.
Comparative: Schnelle Wechsel zwischen ähnlichen Artefakten signalisieren aktive Bewertung.
Sequential: Abweichungen von erwarteten Workflow-Sequenzen.
Collective: Aggregiert Aufmerksamkeit über eine Kohorte hinweg, um Konsens oder Ausreißer zu finden.

C. Die vierstufige Pipeline

Subjektabgrenzung (Subject Scoping): Identifiziert die Zielpersonenmenge $U_q$ basierend auf der Anfrage.
Modusauswahl: Für jedes $(q, u)$ -Paar berechnet das System $m(q, u) = \text{softmax}(f_\theta([q; DTS(u, \tau)]))$ , um den/die geeigneten Filter(n) auszuwählen.
Retrieval & Gewichtung: Artefakte werden nach einer kombinierten Gewichtung $w(a_j, q, u) = I_{attn}(a_j, q, u) \cdot I_{content}(a_j, q)$ gerankt. Dies stellt sicher, dass Artefakte sowohl inhaltsrelevant als auch verhaltenssignifikant sind.
Synthese: Ein LLM synthetisiert die Antwort unter Verwendung der gerankten Beweise und Modus-Annotationen.

D. Feedback-Schleife
Das System zerlegt Endfeedback in Fehlerwahrscheinlichkeiten auf Stufenebene. Der Modusauswähler wird nur aktualisiert, wenn ein Fehler Stufe 2 (Modusauswahl) zugeschrieben wird, wodurch verhindert wird, dass das Trainingssignal durch Retrieval- oder Synthesefehler verunreinigt wird.

3. Hauptbeiträge

Die Arbeit skizziert vier primäre Beiträge:

Menschliche Aufmerksamkeit als verhaltensbasierte Ground Truth: Operationalisierung menschlicher Aufmerksamkeit als lernbares, diskriminierendes Relevanzsignal ohne externe Labels, kodiert über die DTS.
Sieben-Filter-Aufmerksamkeits-Modus-Framework: Ein strukturierter Satz qualitativ unterschiedlicher Filter, der dynamisch pro Einzelperson und Anfrage über einen leichten Router ausgewählt wird.
Vierstufige agentische Synthese-Pipeline: Ein Workflow, der Subjektabgrenzung, individualisierte Modusauswahl, aufmerksamkeitsgewichtetes Retrieval und Synthese integriert.
Kredit-zugerechnete Feedback-Schleife: Ein Mechanismus, um den Modusauswähler nur bei spezifischer Fehlklassifikation des Modus zu isolieren und zu aktualisieren, wodurch saubere Trainingssignale gewährleistet werden.

4. Evaluation und Ergebnisse

Das Framework wurde an einem Benchmark von 302 Instanzen evaluiert, die aus realen digitalen Interaktionsspuren von fünf Wissensarbeitern eines Fortune-500-Unternehmens stammen (210 positive Instanzen von Geschäftsmöglichkeiten, 92 negative).

Basisleistung:

Ein Frontier-Modell (Claude Opus 4.6), das direkt auf rohen Interaktionssequenzen operierte, erreichte eine True Lead Rate (TLR) von 9,5 % und eine False Lead Rate (FLR) von 90,5 %.
Ein kleineres Modell (GPT-4o-mini) erreichte eine TLR von 0 %.

X-SYNTH-Leistung:

Frontier-Modell + X-SYNTH: Die TLR stieg auf 61,9 % (eine 6,5-fache Verbesserung) und erfasste 130 von 210 echten Leads. Die FLR sank auf 18,8 %.
Kleines Modell + X-SYNTH: Die TLR stieg von 0 % auf 57,1 %, was zeigt, dass das Framework kleinere Modelle für komplexe Aufgaben funktional machen kann.

Qualitative Erkenntnisse:

Vokabular-Lücke: X-SYNTH interpretierte organisationspezifische Abkürzungen (z. B. „FZ" für „Formal Zone") erfolgreich durch Nutzung der DTS, während direkte Inferenz aufgrund fehlender organisatorischer Priors scheiterte.
Skalierbarkeit & Selektivität: Direkte Inferenz ist aufgrund des Token-Volumens (bis zu 2,5 Mio. Token/Tag pro Verkäufer) im großen Maßstab nicht durchführbar. Die selektive Retrieval von X-SYNTH macht die Evaluierung handhabbar.
Temporale Integration: X-SYNTH integrierte Signale erfolgreich über mehrere Tage und Personen hinweg, während Ein-Tages-Fenster kritischen Kontext verpassten.

5. Bedeutung und Behauptungen

Die Arbeit behauptet, dass Unternehmenskontext-Synthese kein Retrieval-Problem, sondern ein Relevanzproblem ist. Das Fehlen eines Relevanzsignals, das im menschlichen Verhalten verankert ist, ist die primäre Engstelle für Unternehmens-KI-Agenten, nicht die Schlussfolgerungsfähigkeit des zugrunde liegenden LLM.

X-SYNTH zeigt, dass durch die Modellierung individueller Verhaltensbaselines (DTS) und die dynamische Auswahl von Aufmerksamkeitsfiltern Systeme:

Kausale Relevanz aus verstreuten Verhaltensnachweisen wiederherstellen können.
Die „Unternehmens-Vokabular-Lücke" überwinden können, indem sie Inferenz in akkumulierte organisatorische Priors verankern.
Durch verhaltensbasierte Kompression statt Keyword-Matching auf hochvolumige Interaktionsströme skalieren können.

Die Autoren schließen, dass menschliche Aufmerksamkeit die zuverlässigste Ground Truth für Unternehmensrelevanz ist und dass X-SYNTH einen prinzipiellen Mechanismus bietet, dieses Signal zu operationalisieren, was die Nützlichkeit von KI-Agenten in komplexen Unternehmensworkflows erheblich verbessert.