Standard-RAG-Systeme ranken Dokumente nach semantischer Ähnlichkeit – ignorieren aber, ob ein Treffer noch aktuell ist. Der Autor entdeckte dieses Problem, als ein Lernender in seinem KI-Tutor eine veraltete, aber plausibel klingende Antwort erhielt. Ursache: Das System hatte das ähnlichste, nicht das aktuellste Dokument zurückgegeben. Seine Lösung ist ein Temporal Layer, der zwischen Retriever und Sprachmodell geschaltet wird. Dieser Layer markiert abgelaufene Fakten, boosted zeitkritische Signale und bevorzugt Inhalte, die zum Abfragezeitpunkt noch valide sind. Das Konzept ist besonders relevant für Wissensdatenbanken mit hoher Änderungsrate – etwa in Bildung, Recht oder Compliance. Der Beitrag beschreibt den Ansatz als Praxiserfahrung aus einem laufenden Produktionssystem, nicht als rein theoretisches Framework.