Task Decomposition

Task Decomposition heißt auf Deutsch schlicht Aufgabenzerlegung. Eine große, unklare Aufgabe wird dabei in mehrere kleine, klar umrissene Teilschritte aufgeteilt. Jeder Teilschritt wird einzeln gelöst, und am Ende setzt man die Ergebnisse wieder zusammen. Menschen machen das ständig: Wer einen Aufsatz schreibt, sammelt erst Material, macht dann eine Gliederung und formuliert danach. Bei Programmen, die Texte erzeugen oder Aufgaben selbstständig erledigen, funktioniert genau das ebenfalls. Statt die ganze Aufgabe auf einmal zu verlangen, lässt man das Programm Schritt für Schritt vorgehen.

Warum zerlegte Aufgaben seltener schiefgehen

Ein Sprachmodell, also ein Programm, das Texte Wort für Wort vorhersagt, hat keinen Plan im Kopf. Es entscheidet bei jedem Wort neu, was als Nächstes passt. Bei einer kurzen Frage reicht das völlig aus. Bei einer Aufgabe mit fünf Bedingungen gleichzeitig geht dagegen schnell etwas verloren. Typisch ist, dass die letzte Bedingung einfach ignoriert wird.

Wird die Aufgabe zerlegt, muss das Modell pro Schritt nur eine Sache richtig machen. Das senkt die Fehlerquote spürbar. Außerdem lässt sich nachvollziehen, an welcher Stelle etwas schiefgelaufen ist. Bei einer einzigen langen Antwort sieht man nur, dass das Ergebnis falsch ist, aber nicht warum. Diese Nachvollziehbarkeit ist einer der Hauptgründe, warum Unternehmen so arbeiten.

Es gibt aber auch einen Preis. Jeder Teilschritt ist eine eigene Anfrage an das Modell und kostet Rechenzeit und Geld. Zehn kleine Schritte können leicht das Zehnfache einer einzelnen Anfrage kosten. Und wenn Schritt zwei einen Fehler enthält, bauen alle folgenden Schritte darauf auf. Diese Fehlerfortpflanzung ist das größte Risiko bei langen Ketten.

Vom Plan zum Teilschritt

Meist läuft es in zwei Phasen. Zuerst erstellt das Modell eine Liste von Teilaufgaben, ähnlich einer To-do-Liste. Danach arbeitet es diese Liste ab, eine Aufgabe nach der anderen. Das Ergebnis jedes Schritts wird in die Anfrage für den nächsten Schritt hineingeschrieben. So bleibt der Zusammenhang erhalten, obwohl es technisch getrennte Anfragen sind.

Ein Beispiel: Die Aufgabe lautet, die Quartalszahlen dreier Firmen zu vergleichen. Zerlegt sieht das so aus: erstens die Zahlen jeder Firma einzeln heraussuchen, zweitens sie in eine gemeinsame Tabelle bringen, drittens die Unterschiede beschreiben. Für den ersten Schritt darf das System eine Suche starten, für den dritten nicht. Jeder Schritt bekommt also nur die Werkzeuge, die er wirklich braucht.

Verwandt, aber nicht dasselbe ist die Gedankenkette, englisch Chain of Thought. Dort schreibt das Modell seine Zwischenüberlegungen in einer einzigen Antwort auf. Bei Task Decomposition sind es dagegen getrennte Durchläufe, oft mit unterschiedlichen Werkzeugen oder sogar verschiedenen Modellen. Die Zerlegung kann fest vom Entwickler vorgegeben sein oder das Modell erstellt sie selbst. Feste Vorgaben sind verlässlicher, selbst erstellte Pläne flexibler.

Wo die Zerlegung schon im Einsatz ist

Am deutlichsten sieht man es bei sogenannten KI-Agenten. Das sind Programme, die eine Aufgabe eigenständig über mehrere Schritte verfolgen, statt nur einmal zu antworten. Wenn ein Chatbot meldet, dass er gerade recherchiert, dann Quellen prüft und schließlich zusammenfasst, steckt eine Zerlegung dahinter. Die Funktionen namens Deep Research bei ChatGPT, Gemini oder Perplexity arbeiten nach diesem Muster.

Auch beim Programmieren ist es Standard geworden. Werkzeuge wie GitHub Copilot oder Cursor zerlegen einen Auftrag in Dateien lesen, Änderung planen, Code schreiben und Tests laufen lassen. Schlägt ein Test fehl, wird nur dieser Teilschritt wiederholt.

In Nachrichten über KI taucht der Begriff meist im Zusammenhang mit Agenten und Automatisierung auf. Ein häufiger Irrtum ist, Task Decomposition sei eine Eigenschaft des Modells selbst. Sie ist fast immer Teil der Software drumherum, die das Modell aufruft und steuert.