KI-Agenten sollen Satellitendaten suchen, Werkzeuge auswählen und Ergebnisse erklären. Doch ein korrekt geplanter Ablauf kann in einer falschen Antwort enden. Für Umwelt- und Klimaanwendungen muss deshalb die gesamte Beweiskette geprüft werden.
Stand: 22. Oktober 2026, 14:00 Uhr MESZ
Der aktuelle Forschungsanlass
ESA und BIFOLD kündigten für den 19. bis 21. Oktober in Berlin einen Workshop zu agentischer KI für Erdbeobachtung an. Ein öffentlich beschriebenes ESA-Φ-Lab-Projekt untersucht zugleich die Bewertung allgemeiner und spezialisierter Sprachmodelle. Seine vorläufige Darstellung berichtet für das Modell EVE bessere Leistungen bei Werkzeugauswahl und Abfolge in bestimmten Benchmarks, aber keine durchgehend bessere Genauigkeit der Endantworten im betrachteten Einzelagenten-Aufbau.
Diese Aussage ist eng zu lesen: Sie betrifft bestimmte Modelle, Aufgaben und Testumgebungen. Die Projektseite kennzeichnet zugehörige Arbeiten teilweise als Vorabveröffentlichung unter Begutachtung. Sie ist ein Forschungsstand, kein unabhängiger Nachweis allgemeiner Überlegenheit oder Unfähigkeit von KI. Ein veröffentlichter Ergebnisbericht des Berliner Workshops liegt der hier verwendeten Quellenbasis nicht zugrunde.
MIYAN-Technikeinordnung: Was ein Agent zusätzlich tut
Ein Sprachmodell beantwortet zunächst Eingaben. Ein Agent verbindet solche Verarbeitung mit Werkzeugen: Es kann eine Datenquelle auswählen, eine Abfrage auslösen, eine Datei untersuchen und auf Grundlage des Ergebnisses weiterarbeiten. Bei Erdbeobachtung kann daraus eine längere Kette entstehen, vom Satellitenbild bis zu einer Karte oder einer sprachlichen Einordnung.
Der Nutzen liegt in der Verbindung verschiedener Schritte. Zugleich wächst die Zahl möglicher Fehlerstellen. Ein System kann die richtige Datenbank ansprechen und dennoch den falschen Zeitraum wählen. Es kann einen passenden Index berechnen, aber seine Bedeutung überdehnen. Es kann korrekte Einzelresultate erhalten und sie anschließend in einer plausibel klingenden, sachlich unzutreffenden Erklärung zusammenführen.
Werkzeugwahl und Ergebnisqualität sind verschiedene Prüfungen
Ein guter Plan zeigt, dass ein System eine Aufgabe strukturiert bearbeiten kann. Er beweist nicht, dass die erhaltenen Daten ausreichen oder richtig interpretiert werden. Genau diese Unterscheidung macht die vorläufige Forschungsbeschreibung interessant. Sie verhindert, dass ein beeindruckender Ablauf mit einem belastbaren Befund verwechselt wird.
Für Tests folgt daraus: Man sollte sowohl einzelne Schritte als auch das Ende bewerten. Wurde das richtige Werkzeug gewählt? Waren Parameter und Daten passend? Wurde eine Fehlermeldung erkannt? Und ist die abschließende Aussage durch die tatsächlichen Ergebnisse gedeckt? Ein System kann bei einigen dieser Fragen gut abschneiden und bei der entscheidenden Schlussfolgerung trotzdem scheitern.
Satellitenbilder sind keine unmittelbaren Antworten
Ein Bild erhält Bedeutung durch Sensor, Zeitpunkt, Auflösung, Vorverarbeitung und die gestellte Frage. Eine sichtbare Veränderung kann unterschiedliche Ursachen haben. Wolken, Schatten, saisonale Unterschiede oder unterschiedliche Aufnahmebedingungen können Vergleiche erschweren. Automatisierung beseitigt diese Bedingungen nicht; sie muss sie berücksichtigen und offenlegen.
Ein Agent sollte deshalb nicht nur ein Bild liefern, sondern dessen Eignung begründen. Passt der räumliche Ausschnitt? Ist der Vergleichszeitraum sinnvoll? Welche Verarbeitung wurde durchgeführt? Fehlen Informationen, sollte die Antwort begrenzt werden. Ein ehrliches Unbekannt ist in einer fachlichen Anwendung wertvoller als eine präzise formulierte Behauptung, für die die Daten keine Grundlage bieten.
Die Beweiskette muss nachprüfbar bleiben
Für eine belastbare Auswertung sollten Datenherkunft, Abfragen, Verarbeitungsschritte und Versionen nachvollziehbar sein. Ein späterer Prüfer muss erkennen können, welche Eingaben eine Karte oder Kennzahl erzeugt haben. Ohne diese Spur bleibt unklar, ob eine Abweichung aus neuen Daten, einem anderen Modell oder einem geänderten Verarbeitungsschritt stammt.
Nachvollziehbarkeit ist dabei mehr als ein Protokoll voller technischer Ausgaben. Fachleute brauchen eine verständliche Darstellung der entscheidenden Annahmen. Nutzerinnen ohne Spezialwissen brauchen eine klare Aussage darüber, was das Ergebnis kann und wo seine Grenze liegt. Gute Systeme schaffen beide Ebenen, statt entweder nur einen schönen Bericht oder nur einen schwer lesbaren Ablauf zu liefern.
Warum Benchmarks den Alltag nur teilweise abbilden
Ein Benchmark macht Systeme vergleichbar, indem er Aufgaben und Bewertungsregeln festlegt. Gerade diese Begrenzung kann jedoch Fähigkeiten über- oder unterschätzen. Ein Modell kann auf vertrauten Werkzeugen gut arbeiten und bei einer leicht veränderten Datenquelle scheitern. Ein anderes kann bei einer Endantwort zufällig richtig liegen, obwohl seine Begründung nicht trägt.
Die ESA-Projektbeschreibung stellt deshalb auch die Grenzen bestehender Tests zur Diskussion und beschreibt die Entwicklung weiterer Aufgaben. Für die Einordnung bleibt wichtig, wer den Test entwickelt und welche Systeme damit geprüft werden. Eine faire Bewertung braucht transparente Aufgaben, nachvollziehbare Auswertung und möglichst unabhängige Wiederholung. Ein einziger Gesamtwert sollte nicht alle Unterschiede verdecken.
Mehrere Agenten lösen das Grundproblem nicht automatisch
Eine Aufgabenverteilung auf mehrere spezialisierte Systeme kann hilfreich sein. Sie kann aber auch Fehler weiterreichen oder den Eindruck gegenseitiger Bestätigung erzeugen, obwohl alle Beteiligten auf denselben unzureichenden Daten aufbauen. Die Zahl der Agenten ist daher kein Qualitätsmerkmal für sich.
Eine sinnvolle Arbeitsteilung braucht unabhängige Prüfaufgaben. Ein System kann Daten beschaffen, ein anderes die Eignung kontrollieren und ein drittes die Schlussfolgerung gegen die Ergebnisse prüfen. Doch auch diese Architektur muss getestet werden. Wenn alle Prüfungen nur denselben Text umformulieren, entsteht zusätzliche Komplexität ohne zusätzliche Sicherheit.
Was öffentliche Anwender vor einer Einführung verlangen sollten
Behörden und Forschungseinrichtungen sollten einen konkreten Einsatzzweck definieren, bevor sie ein Agentensystem beschaffen. Eine explorative Recherche hat andere Anforderungen als eine Auswertung, die Fördermittel, Warnungen oder Genehmigungen beeinflusst. Je größer die Folgen eines Fehlers, desto höher müssen Nachweis, Kontrolle und menschliche Verantwortung sein.
Ein Pilot sollte deshalb nicht nur erfolgreiche Demonstrationen zeigen. Er sollte schwierige Fälle, fehlende Daten und absichtlich widersprüchliche Eingaben enthalten. Wichtig ist auch der Aufwand zur Korrektur: Spart das System tatsächlich Zeit, wenn Fachleute alle Ergebnisse überprüfen müssen? Und können sie einen Fehler erkennen, bevor er in eine öffentliche Entscheidung eingeht? Diese Fragen gehören in die Kostenrechnung.
Eine realistische Form von Fortschritt
Der wertvollste Beitrag eines Agenten kann darin liegen, Routinearbeit zu beschleunigen und Fachleuten mehr Zeit für Interpretation zu geben. Dafür muss er nicht jede Entscheidung autonom treffen. Ein klar begrenztes System mit verlässlicher Übergabe kann nützlicher sein als ein umfassender Assistent, der seine Grenzen nicht erkennt.
Die vorläufigen Ergebnisse aus dem ESA-Umfeld liefern dafür eine wichtige Erinnerung: Orchestrierung und Erkenntnis sind unterschiedliche Leistungen. Technischer Fortschritt wird glaubwürdig, wenn beide getrennt gemessen werden. Für Erdbeobachtung zählt am Ende, ob eine Aussage über die Welt durch passende Daten und nachvollziehbare Analyse gedeckt ist. Ein eleganter Plan ist dafür ein Anfang, aber noch kein Abschluss.
Dazu gehört auch ein klarer Umgang mit Abbruch: Wenn Daten fehlen oder Werkzeuge widersprüchliche Ergebnisse liefern, sollte das System anhalten und die offene Frage benennen. Ein kontrollierter Abbruch kann in einer wichtigen Anwendung die fachlich bessere Leistung sein.
منابع
ESA / BIFOLD: Agentic AI for Earth Observation Workshop, 19.–21. Oktober 2026
ESA Φ-Lab: Projekt zu Evaluation und Benchmarking – vorläufige Forschungsdarstellung
