Warum Antworttests zu kurz greifen

Bei klassischen Tests für Sprachmodelle steht häufig die Antwortqualität im Mittelpunkt. Für einen KI-Agenten reicht das nicht. Er liest Daten aus mehreren Systemen, wählt Werkzeuge, verändert Zustände und wartet gegebenenfalls auf menschliche Freigaben. Eine fachlich plausible Antwort kann in diesem Ablauf trotzdem zu einer falschen Aktion führen, etwa weil der Datenstand veraltet ist, das Zielobjekt verwechselt wurde oder ein Werkzeug mehr Rechte besitzt als …