# Warum ein Modell nicht weiß, was gestern passiert ist > Ein Modell kann Quantenphysik erklären und trotzdem das heutige Datum falsch nennen. Was ein Knowledge Cutoff ist, warum ein Modell schon am Erscheinungstag veraltet ist und wie du damit umgehst. Source: https://rfriedmann.de/de/blog/why-models-dont-know-yesterday/ · English: https://rfriedmann.de/blog/why-models-dont-know-yesterday/ Published: 2026-11-06 · Track: learn · Level: Beginner Frag ein Modell nach dem Römischen Reich, und du bekommst eine gute Antwort. Frag es nach der neuesten Version einer Software, wer gerade ein Amt innehat oder welches Datum heute ist, und es antwortet vielleicht genauso flüssig und liegt falsch. Das wirkt seltsam. Etwas, das scheinbar alles gelesen hat, müsste doch wissen, was gestern passiert ist. Tut es aber nicht, und der Grund ist einfach: Ein Modell hat an einem bestimmten Tag aufgehört zu lesen. Alles danach fehlt, und von innen kann das Modell diese Lücke nicht sehen. Wenn du das weißt, kannst du einschätzen, welche Fragen sicher sind und wie du die anderen absicherst. ## Ein Modell ist eine Momentaufnahme [Training](/de/blog/how-a-model-learns/) ist ein riesiger, einmaliger Job. Ein Berg Text wird bis zu einem bestimmten Datum gesammelt, und das Modell liest ihn wieder und wieder, während Milliarden von Zahlen, seine Gewichte, angepasst werden. Wenn der Job endet, werden die Zahlen eingefroren. Heraus kommt eine Datei. Sie verhält sich wie ein gedrucktes Lexikon: Es steht viel drin, und von allein kommt nichts Neues dazu. Das hat eine Folge, die viele überrascht. Mit einem Modell zu reden, bringt ihm nichts bei. Die Datei, die du heute nutzt, ist dieselbe wie am Erscheinungstag, und sie wird auch nächstes Jahr dieselbe sein. Wenn es sich scheinbar an etwas erinnert, das du vorhin gesagt hast, ist das das [Kontextfenster](/de/blog/the-context-window/), also der Text deines aktuellen Chats, und der ist weg, wenn der Chat endet. ## Am Erscheinungstag schon veraltet Der Cutoff ist nicht der Tag, an dem du ein Modell zu nutzen beginnst. Dazwischen liegen das Training selbst, dann Tests, Sicherheitsarbeit und die Veröffentlichung. Das dauert Monate. Ein brandneues Modell hinkt also schon am Erscheinungstag hinterher, und die Lücke wächst mit jedem Tag, an dem es im Einsatz bleibt.
Was das Modell gelesen hat und was nicht
[diagram omitted — see the page for the chart]
Nicht maßstabsgetreu, und die Lücke ist von Modell zu Modell anders. Der Balken wird vor dem Cutoff dünn, weil die Welt über die letzten Monate noch nicht fertig geschrieben hat.
Auch der dünne Teil des Balkens zählt. Über etwas, das eine Woche vor dem Cutoff passiert ist, wurde kaum geschrieben. Die Rezensionen, Erklärungen und Forenbeiträge kommen später und sind nie in die Daten eingeflossen. Die letzte Strecke vor dem Cutoff ist also unzuverlässig, und ein Modell kann bei Ereignissen vage oder falsch sein, die formal in seinem Zeitraum liegen. ## Es weiß nicht, welcher Tag ist Ein Modell hat keine Uhr. In diesen eingefrorenen Zahlen tickt nichts. Gibst du einem Modell ohne Zusatzinformationen kein Datum, kann es nur raten, und am naheliegendsten ist ein Datum nahe dem Ende dessen, was es gelesen hat. Es kann also etwas, das nach seinem Cutoff passiert ist, für Zukunft halten oder für etwas, das nie stattgefunden hat. Deine Chat-App scheint das Datum zu kennen, weil die App es ihm sagt. Vor deiner ersten Nachricht fügen die meisten Apps still einen Textblock in das Gespräch ein, unter anderem mit dem Datum, und das Modell liest ihn wie alles andere. Lässt du ein Modell ohne diesen Block auf deinem [eigenen Rechner](/de/blog/why-run-ai-locally/) laufen, ist das Datum weg. ## Es sieht seine eigene Lücke nicht Man würde hoffen, dass das Modell einfach sagt: „Das weiß ich nicht, das ist nach meiner Zeit.“ Manchmal tut es das, weil es für offensichtliche Fälle darauf trainiert wurde. Aber es hat keine Liste dessen, was ihm fehlt. Es gibt keine leere Seite, wo die jüngste Vergangenheit stehen müsste. Es gibt nur Text, den es gelesen hat, und die Aufgabe, [plausibel weiterzuschreiben](/de/blog/why-models-make-things-up/). Das ergibt drei typische Fehler: - **Eine selbstsichere alte Antwort.** Nach der aktuellen Version eines Tools gefragt, nennt es die, die in seinen Daten aktuell war. Es lügt nicht. Für das Modell ist das die neueste. - **Eine Korrektur, die du nicht gebraucht hast.** Erwähnst du ein Produkt, das nach dem Cutoff erschienen ist, sagt es dir vielleicht, dass es das nicht gibt oder dass du sicher ein älteres meinst. - **Ein Rat, der früher stimmte.** Code, der eine inzwischen entfernte Funktion aufruft, eine Einstellung, die umbenannt wurde, eine Regel, die sich geändert hat. Das Modell nach seinem eigenen Cutoff zu fragen, hilft auch wenig. Es weiß nur, was sein Trainingstext darüber sagte, und die Antwort kann danebenliegen. Wenn das Datum wichtig ist, schau in die Dokumentation des Herstellers zu diesem Modell. ## Was veraltet und was nicht Nutzlos wird ein Modell dadurch nicht. Es kommt darauf an, wie schnell sich ein Thema bewegt.

Veraltet schnell

Hält sich gut

Ein schneller Test: Wäre die Antwort vor zwei Jahren anders ausgefallen? Wenn ja, behandle die Antwort des Modells als Hinweis, den du prüfst. Wenn nein, ist der Cutoff wahrscheinlich nicht dein Problem. Schiefgehen kann natürlich trotzdem anderes. ## Wie du damit umgehst Die Lösung ist immer dieselbe Idee: Bring den frischen Text ins Gespräch, denn was im Gespräch steht, ist das Einzige, was das Modell heute lesen kann.
  1. Sag ihm Datum und Fakten

    „Heute ist der 6. November 2026, wir nutzen Version 9.2.“ Eine Zeile reicht, und das Modell arbeitet mit dem, was du gesagt hast, statt mit dem, woran es sich erinnert.

  2. Füge die Quelle ein

    Kopiere die aktuelle Dokumentation oder die Release Notes in den Chat und frag nach diesem Text. Das ist der einfachste und verlässlichste Weg.

  3. Lass es suchen

    Ein Modell mit einem Such-Tool holt Seiten und liest sie. Das Modell hat dabei nichts Neues gelernt, die App hat nur für dich eingefügt. Prüfe, ob es wirklich gesucht hat und welche Seiten es benutzt hat.

  4. Binde deine Dokumente an

    Für eigene Dateien, die sich ständig ändern, lässt sich dieselbe Idee automatisieren. Das ist RAG, und das hat seine eigenen Grenzen.

Das Modell jede Nacht mit den Nachrichten neu zu trainieren, ist nicht praktikabel. Training ist langsam und teuer, und [Fine-Tuning](/de/blog/pretraining-finetuning-rlhf/) kann besser ändern, wie sich ein Modell verhält, als zuverlässig neue Fakten hinzuzufügen. Deshalb bringen Hersteller immer wieder neue Modelle heraus, und dazwischen schließen die Werkzeuge oben die Lücke. ## Kurz gesagt - Ein Modell ist eine eingefrorene Momentaufnahme. Es hat am Cutoff aufgehört zu lesen, Monate bevor du es bekommen hast. - Es kennt das heutige Datum nicht, solange ihm das nichts sagt. - Es sieht nicht, was ihm fehlt, darum klingen alte Antworten genauso sicher. - Bei allem, was sich ändert: Bring die aktuellen Fakten ins Gespräch und prüfe das Ergebnis. Wenn eine Antwort das nächste Mal davon abhängt, was *gerade jetzt* stimmt, frag dich, wann das Modell aufgehört hat zu lesen. Diese eine Frage fängt viele Fehler ab.