Du fragst Deine KI nach der aktuellen Version einer Software, die seit einigen Monaten in einem neuen Major-Release läuft. Die Antwort kommt prompt und beschreibt Funktionen, die es vor zwei Versionen gab. Beim nächsten Mal fragst Du nach einem Gesetz, das gerade in Kraft trat. Die KI beschreibt den alten Stand und verwendet dabei sogar das Wort „aktuell". Kein Tippfehler, kein Halluzinationsfall. Was Du siehst, ist ein unsichtbarer Stichtag im Modell.
Die KI weiß es schlicht nicht mehr. Genauer: Sie hat es nie gewusst, weil es nach ihrem Trainingsstand passiert ist. Der Begriff dafür heißt Knowledge-Cutoff, und er erklärt mehr Antworten, als auf den ersten Blick zu vermuten ist.
Dieser Beitrag sortiert das Phänomen in vier Schritten. Was Knowledge-Cutoff wirklich heißt. Wie Du den Stichtag eines Modells herausfindest, wann er für Deine Frage wichtig ist und welche drei Werkzeuge die Lücke schließen.
Was Knowledge-Cutoff überhaupt heißt
Sprachmodelle lernen aus einem festgelegten Datenbestand. Irgendwann wird dieser Bestand eingefroren und das eigentliche Training beginnt. Alles, was nach diesem Stichtag passiert, ist für das Modell unsichtbar: Releases, Gesetze, Personalwechsel, Preise, neue Tools. Das Modell kann nichts davon wissen, weil es keine Zeile davon je gelesen hat.
Der Cutoff ist dabei keine harte Kante, eher eine weiche Zone. Wochen vor dem offiziellen Stichtag nimmt die Dichte der Trainingsdaten bereits ab, weil das Netz noch nicht alles verarbeitet hatte. Selbst Ereignisse kurz vor dem Cutoff können dünn oder einseitig im Modell ankommen.
Wichtig ist die Abgrenzung zu einem verwandten Phänomen. Halluzination heißt: Das Modell erfindet plausibel klingenden Unsinn. Cutoff heißt: Das Modell antwortet korrekt für seinen Wissensstand, der nur veraltet ist. Beide Effekte können sich überlagern. Wenn das Modell nicht merkt, dass sein Wissen veraltet ist, erfindet es einen passenden Eindruck dazu. Wie Du den Unterschied im Alltag erkennst, beschreibt der Fact-Check-Workflow gegen KI-Halluzinationen ausführlicher.
Wie Du den Stichtag eines Modells herausfindest
Es gibt drei Wege, den Cutoff Deines Standard-Modells zu klären, in aufsteigender Verlässlichkeit.
Der erste Weg ist die Anbieter-Dokumentation. Alle großen Häuser veröffentlichen den Stichtag in den Modell-Karten ihrer aktuellen Generationen, meist eingebettet in den technischen Datenblatt-Seiten. Direktes Nachschlagen schlägt jede Vermutung. Der Cutoff ist eine der zentralen Unterscheidungs-Achsen, wenn Du Modelle vergleichst. Der Beitrag zu den KI-Modellen im Vergleich ordnet die anderen Achsen daneben ein.
Der zweite Weg ist die KI selbst zu fragen. Funktioniert teilweise, ist aber nicht zuverlässig. Manche Modelle nennen den Stichtag exakt, andere geben eine Schätzung, wieder andere verwechseln Cutoff mit Veröffentlichungs-Datum. Die Antwort solltest Du immer mit einer Quelle aus Weg eins abgleichen.
Der dritte Weg ist die Probefrage. Stelle eine Frage zu einem bekannten Ereignis aus den letzten Monaten. Wenn das Modell es nicht kennt oder einen veralteten Stand liefert, liegt der Cutoff davor. Ein pragmatischer Daumen-Check, der ohne Dokumentation auskommt.
Ein konkreter Tipp aus der Praxis: Schlage den Cutoff Deiner Standard-KI einmal nach und notiere ihn auf einem Klebezettel am Monitor. Das spart bei jeder Anfrage die Sekunde Nachdenken und macht den Filter zur Gewohnheit.
Wann der Cutoff egal ist und wann nicht
Nicht jede KI-Aufgabe hängt am Stichtag. Es lohnt sich, zwei Listen im Kopf zu haben.
Diese Aufgaben laufen unabhängig vom Cutoff:
- Brainstorming: Ideen, Varianten, Perspektivwechsel.
- Strukturierung: Gliederungen, Argumentations-Linien, Listen sortieren.
- Umformulieren: Ton-Wechsel, Kürzen, in einfachere Sprache übertragen.
- Übersetzen: Sprachpaare, die das Modell solide beherrscht.
- Code-Skelette für etablierte Sprachen: PHP, Python, SQL, solange Du nicht auf brandneue Framework-Versionen baust.
- Erklärung beständiger Konzepte: HTTPS, DNS, SQL-Grundlagen, Buchhaltungs-Logik.
Bei diesen Aufgaben entscheidet der Cutoff über brauchbar oder nutzlos:
- Software-Versionen: aktuelle Releases, neue Features, deprecated-Hinweise.
- Gesetzes-Änderungen: Steuerrecht, Datenschutz, Plattform-Regulierung.
- Preise und Marktstände: Tarife, Tool-Kosten, Wechselkurse.
- Lebende Personen: Rollen, Positionen, Verfügbarkeiten.
- Junge Tools: alles, was nach dem Cutoff veröffentlicht wurde, kennt das Modell nicht.
- Aktuelle Statistiken: Marktanteile, Nutzerzahlen, Studien.
- Jüngste Entwicklungen in schnellen Feldern: KI selbst, Datenschutz, Cyber-Sicherheit.
Die Pointe steht in beiden Listen zusammen. Wer eine KI-Antwort übernimmt, ohne den Wissensstand abzugleichen, übernimmt den Stichtag gleich mit. Bei beständigen Themen ist das harmlos. Bei allem, was Aktualität braucht, gehört der Cutoff in die Risiko-Abwägung.
Wie Du die Lücke schließt
Drei Werkzeuge stehen zur Verfügung, von leicht zu schwer. Welches Du wählst, hängt von der Aufgabe ab.
Das erste Werkzeug ist der Webrecherche-Modus. Viele Cloud-Modelle bieten einen Schalter, mit dem das Modell aktiv im Netz nachschlägt und seine Antwort auf Live-Daten stützt. Damit wird der Cutoff in vielen Fällen wirkungslos. Wichtig dabei: Das ist KI-gestützte Recherche, nicht KI-Antwort. Die zurückgelieferten Quellen prüfst Du genauso wie eine fremde Recherche. Webseiten lügen oder irren, das Modell glättet die Widersprüche oft weg.
Das zweite Werkzeug heißt eigene Quellen mitliefern. Wenn Du der KI das aktuelle Dokument als Anlage gibst, den Gesetzestext, die Pressemitteilung oder die Produkt-Dokumentation, arbeitet sie damit statt aus ihrem Trainingsstand. Das funktioniert sehr gut für lange, präzise Aufgaben. Die Kunst liegt im Prompt: Welche Frage stellst Du an welches Dokument? Die Grundlagen dazu stehen im Beitrag über die Anatomie eines guten Prompts.
Das dritte Werkzeug ist das manuelle Update im Prompt. Die ehrlichste Variante: Du schreibst direkt in den Prompt, was sich seit dem Trainingsstand geändert hat („Stand X: Y ist jetzt Z. Berücksichtige das in Deiner Antwort"). Funktioniert für Einzelfälle, skaliert nicht.
Für eine einmalige Frage reicht Webrecherche. Für ein wiederkehrendes Thema wie Steuersätze oder die Software-Version Deines Stacks lohnt sich das Mitliefern der Quelle als feste Routine. Der Prompt wird zur Vorlage, die Du nur noch füttern musst.
Fazit — den Stichtag kennen, dann gelassen weiterarbeiten
Der Knowledge-Cutoff ist kein Bug, sondern eine Eigenschaft jedes Sprachmodells. Anbieter werden den Stichtag enger ziehen, beheben werden sie ihn nicht. Das Trainingsprinzip selbst bringt ihn mit.
Wer den Cutoff seines Standard-Modells kennt, beurteilt jede Antwort mit einem zusätzlichen Filter im Hinterkopf: Kann das Modell überhaupt etwas Aktuelles dazu wissen? Wenn ja, gelassen weiterarbeiten. Wenn nein, eines der drei Werkzeuge anwerfen — Webrecherche, eigene Quelle, manuelles Update. Mit dieser Routine wird die Cutoff-Schwäche zum strategischen Vorteil, weil die meisten Nutzer den Schritt überspringen.