Anti-Decay AI. Eine KI, die zwischen Sessions nicht vergisst.
Anti-Decay ist die Bedingung dafür, dass ein KI-Assistent im Bewirtschaftungs-Alltag überhaupt nützlich ist. Was es heisst, warum konventionelle KI-Tools diese Bedingung nicht erfüllen — und wie Daniel von ImmoPilot das Problem löst.
Anti-Decay AI
Ein KI-Assistent mit persistentem Gedächtnis über Sessions hinweg: Mieter-Geschichte, Liegenschafts-Kontext und frühere Entscheidungen bleiben über Wochen und Monate verfügbar — der Assistent wird über die Zeit dichter im Wissen, nicht dünner.
Der Begriff kommt aus einer Beobachtung — nicht aus Theorie.
Wer einen konventionellen KI-Assistenten — ChatGPT, Copilot, Gemini, Claude im Standard-Setup — über mehrere Wochen produktiv einsetzt, macht früher oder später dieselbe Erfahrung: Die Antworten werden im Durchschnitt nicht besser, sondern indifferenter. Die KI kennt den Kontext der letzten Konversation nicht mehr. Sie weiss nicht, wer Frau Brunner ist, obwohl gestern eine halbe Stunde über ihre Mängelmeldung gesprochen wurde. Sie schlägt erneut vor, Helvetia zu kontaktieren, obwohl längst klar ist, dass die Liegenschaft an der Bahnhofstrasse 12 bei Mobiliar versichert ist.
Dieses Verhalten heisst Memory-Decay — der schleichende Kontextverlust zwischen Interaktionen. Anti-Decay ist die architektonische Antwort darauf: eine separate Persistenz-Schicht, die das Wissen zwischen Sessions vorhält und beim nächsten Vorgang automatisch wieder einspielt.
In der Bewirtschaftung ist Anti-Decay kein Nice-to-have. Eine Sachbearbeiter:in, die jeden Morgen vergisst, wer ihre Mieter:innen sind, was an welcher Liegenschaft anliegt, und welche Tonalität die Eigentümerschaft erwartet — wäre in der Probezeit weg. Bei einer KI gilt dieselbe Logik.
Memory-Decay vs Anti-Decay
Konventionelle Sprachmodelle haben drei Limitierungen, die zusammen Memory-Decay erzeugen:
- Begrenzter Kontext pro Session (zwischen 4'000 und 200'000 Tokens, je nach Modell)
- Keine native Persistenz zwischen Sessions (jede neue Konversation startet leer)
- Trainingsdaten haben Stichtag — neue Mieter-Geschichten kommen nicht ins Modell zurück
Eine Anti-Decay-Architektur löst diese drei Punkte mit einer separaten Memory-Schicht, die unabhängig vom Sprachmodell arbeitet. Bei Daniel von ImmoPilot heisst diese Schicht AgentBrain.
Bewirtschaftung lebt von Konsistenz — und Konsistenz ist Erinnerung.
Die unsichtbare Arbeit einer guten Bewirtschafter:in besteht darin, über Jahre hinweg Beziehungs-Tiefe aufzubauen. Wer welche Tonalität bevorzugt. Welcher Hauswart bei welcher Liegenschaft welche Eigenheiten kennt. Bei welcher Eigentümerschaft die Berichte detaillierter und bei welcher knapper erwartet werden. Diese Tiefe ist es, womit Bewirtschaftung sich von einem Helpdesk unterscheidet — und genau diese Tiefe geht heute mit jedem Personalwechsel verloren.
Anti-Decay AI bildet diese Tiefe ab, dort wo sie sonst verloren ginge. Drei konkrete Situationen aus dem Alltag:
Mittwoch, 09:14 Uhr. Herr Zimmermann meldet, dass die Heizung in der Küche wieder ausfällt — zum dritten Mal innerhalb von sechs Wochen.
Daniel weiss: Es ist der dritte Heizungsausfall in dieser Wohnung. Beim ersten Mal hat Sanitär Müller die Pumpe getauscht. Beim zweiten Mal hat die Bewirtschafterin im internen Vermerk geschrieben: "Bei nächster Meldung Heizungsmonteur Wyss kontaktieren — Müller hat den Thermostat falsch eingestellt."
Daniel kontaktiert nicht Müller. Er kontaktiert Wyss, mit dem Vermerk der Bewirtschafterin als Hintergrund. Eine konventionelle KI hätte das Standard-Verfahren wiederholt und damit das vierte Mal nach demselben Pattern produziert. Anti-Decay verhindert genau das.
Q1 2026: Bewirtschafterin Frau Schenk betreut das STWEG-Mandat Hardturm. Im April wechselt sie die Firma. Ihr Nachfolger Herr Camenzind übernimmt das Mandat.
Frau Brunner, eine Miteigentümerin, fragt im Juli nach einer Renovations-Position aus der STWEG-Versammlung vom Februar. Herr Camenzind kennt die Geschichte nicht. Der Mailverlauf in ImmoTop ist da, aber niemand liest sich durch 80 E-Mails rückwärts.
Mit Anti-Decay AI ist der semantische Kontext abrufbar: Daniel kann in Sekunden zusammenfassen, was an der Februar-Versammlung zu dieser Position diskutiert wurde, welche Bedenken Frau Brunner damals geäussert hat, und was Frau Schenk in einem internen Vermerk dazu notiert hat. Herr Camenzind antwortet souverän — als hätte er das Mandat von Anfang an betreut.
2026, vierter Bewirtschafter-Wechsel in vier Jahren. Familie Camenzind hat in den ersten Jahren mehrfach Frust geäussert, dass jeder neue Sachbearbeiter "wieder von vorn anfängt".
Anti-Decay AI behält fest: Familie Camenzind bevorzugt kurze, sachliche Antworten — keine ausschweifenden Höflichkeitsfloskeln. Bei Mängelmeldungen wünscht sie konkrete Termin-Angaben statt vager "wir melden uns wieder"-Formulierungen. Die Heiznebenkosten-Abrechnung fragen sie jedes Jahr Anfang März an — Daniel hat die Antwort schon vorbereitet, bevor die Anfrage kommt.
Eine separate Memory-Schicht — kein Vektor-Index-Trick.
Wer den Anti-Decay-Effekt in einer Demo zum ersten Mal sieht, fragt zu Recht nach: "Ist das nicht einfach ein RAG-Setup mit Vektor-Datenbank?" Die ehrliche Antwort: Nein. Ein simples Retrieval-Augmented-Generation-Setup löst nur einen Teil des Problems — und in der Bewirtschaftung den unwichtigsten.
Die drei Schichten von AgentBrain
AgentBrain — die Anti-Decay-Architektur hinter Daniel — besteht aus drei Schichten:
1. Strukturiertes Memory. Jeder Vorgang wird als typisiertes Memory-Objekt abgelegt: mit Datum, Beteiligten (Mieter, Bewirtschafter:in, Hauswart, Handwerker), Mandat-Referenz, Liegenschafts-Bezug und Vorgangs-Typ (Mängelmeldung, Heiznebenkosten, Mietzins-Anpassung). Das ist nicht freier Text in einem Vektor-Index, sondern strukturierte Daten mit Typ-System.
2. Semantische Verknüpfung. Memories werden untereinander verlinkt: Wenn Herr Zimmermann zum dritten Mal eine Heizungs-Meldung macht, erkennt das System die Verbindung zu den beiden vorherigen Vorgängen — nicht über Stichwort-Matching, sondern über Mandat + Mieter + Vorgangs-Typ. Das ist die Schicht, in der "Pattern über Wochen" entstehen.
3. Temporal-Anchor + Confidence-Filter. Jedes Memory hat einen Zeit-Anchor und einen Confidence-Score. Veraltete Informationen werden in jüngeren Vorgängen weniger gewichtet. Memories, die durch spätere Entscheidungen widerlegt wurden, werden markiert (nicht gelöscht — die Historie bleibt nachvollziehbar). Das ist die Schicht, die verhindert, dass Daniel auf stale Daten zurückgreift.
Was das im Recall-Moment heisst
Wenn eine neue Mieter-Anfrage eingeht, läuft Daniel folgenden Ablauf durch: Klassifizierung der Anfrage (Mängelmeldung? Heiznebenkosten? Adressänderung?), Identifikation der Beteiligten (welcher Mieter, welche Liegenschaft, welches Mandat), Recall der relevanten Memories aus AgentBrain (frühere Vorgänge, Bewirtschafter-Vermerke, Mieter-Präferenzen), und erst dann die Formulierung einer Antwort.
Der entscheidende Unterschied zu einem RAG-Setup: AgentBrain ist Quelle der Wahrheit für Daniel, nicht ein optionaler Augment-Layer. Ohne Recall keine Aktion. Diese architektonische Disziplin verhindert, dass Daniel "plausibel klingende" Antworten auf Basis von Trainings-Wissen gibt, wenn Mandats-Kontext vorhanden wäre.
Abgrenzung — wo der Begriff überdehnt wird.
"Anti-Decay AI" und "Persistent Memory KI" sind Begriffe, die im Marketing einiger AI-Anbieter zunehmend auftauchen. Nicht jedes Tool, das den Begriff verwendet, löst auch das beschriebene Problem. Drei Abgrenzungen.
"ChatGPT erinnert sich doch mittlerweile."
Das ChatGPT-Memory-Feature (seit 2024) speichert persönliche Präferenzen ("Du heisst Anna, magst kurze Antworten"). Es ist nicht für strukturierte Mandat-Vorgänge gedacht. Wenn 50 Mieter:innen über sechs Monate je drei Mängelmeldungen machen, bricht das System unter der unstrukturierten Last zusammen.
Anti-Decay AI in der Bewirtschaftung braucht typisierte Memories mit Mandat-Referenz, nicht einen unstrukturierten User-Settings-Layer.
"Wir indizieren einfach unser Mail-Archiv."
Ein Vektor-Index über alte E-Mails findet thematisch ähnliche Texte. Er findet nicht, welche Entscheidung die Bewirtschafterin in einem Vermerk getroffen hat, welche Tonalität ein Mieter bevorzugt, oder welche Pattern sich über drei Vorgänge aufgebaut haben.
Anti-Decay braucht eine strukturierte Persistenz-Schicht mit Typ-System — kein Such-Index über Roh-Text.
"Wir haben doch ImmoTop — da ist alles drin."
Ihr ERP-System speichert strukturierte Daten: Mietverträge, Adressen, Heiznebenkosten-Buchungen. Es speichert nicht das, was zwischen den Datenfeldern passiert: warum die Bewirtschafterin damals so entschieden hat, welche Konflikt-Historie zwischen zwei Stockwerk-Parteien besteht, welche Tonalität ein Mieter bevorzugt.
Anti-Decay AI ergänzt das ERP — sie ersetzt es nicht. Daniel arbeitet on-top von ImmoTop, Garaio REM oder casavi und nutzt deren Daten als Faktenbasis.
Anti-Decay AI ist eine architektonische Eigenschaft, kein Marketing-Begriff. Wer den Begriff verwendet, sollte zeigen können, wie der Recall im Detail funktioniert — Memory-Modell, Recall-Logik, Confidence-Filter.
Was Bewirtschaftungs-Direktor:innen zu Anti-Decay AI zuerst fragen.
Wie lange dauert es, bis Daniel "weiss", wie unsere Bewirtschaftung tickt?
Was passiert, wenn ein Mieter auszieht — wird sein Memory gelöscht?
Kann Daniel auch zwischen Mandaten lernen — oder bleibt jedes Mandat isoliert?
Was passiert, wenn AgentBrain einen Fehler im Memory hat?
Können wir die Memories exportieren — etwa bei Bewirtschafter-Wechsel?
Wie hosten Sie die Memories — und ist das nFADP-konform?
Verwandte Glossar-Begriffe
20 Minuten an einer Mieter-Geschichte aus Ihrer Bewirtschaftung.
Wir zeigen Ihnen, wie Daniel einen wiederkehrenden Mieter-Vorgang aus Ihrem Bestand bearbeitet — inklusive dem Moment, wo er auf ein früheres Memory zurückgreift, statt zu raten.
5 Pilotplätze H2 2026 · regional begrenzt · aktuell 2 noch offen · Cutoff 30. 09. 2026