Wann sollte ein Unternehmen eine Entscheidung von KI beeinflussen lassen?

KI kann die Nachfrage prognostizieren, Verkaufschancen bewerten, Preise empfehlen und Transaktionen identifizieren, die ungewöhnlich erscheinen. Sie kann mehr Informationen verarbeiten, als ein Managementteam manuell prüfen könnte, und fast augenblicklich Empfehlungen generieren. Das bedeutet jedoch nicht, dass die Empfehlung korrekt, wirtschaftlich sinnvoll oder für die automatische Ausführung geeignet ist. Der wahre Wert von „Decision Intelligence“ liegt nicht darin, menschliches Urteilsvermögen zu ersetzen, sondern darin, wiederkehrende Entscheidungen konsistenter, messbarer und leichter hinterfragbar zu machen.

Für Führungskräfte in der Wirtschaft lautet die zentrale Frage daher nicht, ob KI eine Antwort liefern kann. Vielmehr geht es darum, welche Entscheidungen durch ein Modell unterstützt werden sollten, welche sicher automatisiert werden können und welche unter sinnvoller menschlicher Kontrolle bleiben müssen.

Entscheidungsintelligenz ist mehr als nur eine Vorhersage

Entscheidungsintelligenz verbindet Daten, Analysemodelle, Geschäftsregeln und operative Prozesse, um die Entscheidungsfindung in einem Unternehmen zu verbessern.

Ein Vorhersagemodell könnte die Wahrscheinlichkeit abschätzen, mit der ein Kunde ein Abonnement kündigt. Decision Intelligence geht noch einen Schritt weiter, indem sie diese Vorhersage mit einer möglichen Maßnahme verknüpft. Das Unternehmen kann einen Rabatt anbieten, einen Kundendiensttermin vereinbaren, nichts unternehmen oder den Kunden für eine manuelle Überprüfung priorisieren.

Die Prognose und die Entscheidung sind nicht dasselbe. Bei einem Kunden mag die Wahrscheinlichkeit einer Abwanderung zwar hoch sein, doch seine Bindung könnte unrentabel sein. Ein anderer Kunde mag zwar kaum abwandern, ist aber strategisch wichtig. Neben der Schätzung des Modells müssen auch geschäftliche Rahmenbedingungen, Kosten und die Kundenbetreuung berücksichtigt werden.

Ein nützliches Entscheidungssystem benötigt daher mindestens vier Komponenten:

• Zuverlässige Informationen zur aktuellen Lage
• Ein Modell oder eine analytische Methode, mit der mögliche Ergebnisse abgeschätzt werden
• Regeln, die festlegen, welche Handlungen zulässig sind
• Ein Verfahren zur Nachverfolgung der weiteren Ereignisse

Ohne dieses letzte Element könnte das Unternehmen Entscheidungen automatisieren, ohne zu erfahren, ob diese zu einer Verbesserung der Geschäftsergebnisse geführt haben.

Beginnen Sie mit wiederholten Entscheidungen

KI ist dort am nützlichsten, wo eine Entscheidung häufig getroffen wird, einer erkennbaren Struktur folgt und genügend Ergebnisse liefert, um die Leistung zu bewerten.

Beispiele hierfür sind die Entscheidung, welche Betrugswarnungen einer Untersuchung bedürfen, wie viel Ware an ein Geschäft geliefert werden soll, welcher Wartungsauftrag am dringendsten ist oder welche Kundenanfrage an einen Spezialisten weitergeleitet werden sollte.

Diese Entscheidungen sind oft zu zahlreich, als dass die Führungskräfte sie einzeln prüfen könnten, aber wichtig genug, dass Uneinheitlichkeit zu Kosten führt.

Bei seltenen, strategischen Entscheidungen wie dem Eintritt in einen neuen Markt, der Übernahme eines Wettbewerbers oder der Ablösung des Vorstandsvorsitzenden ist der Nutzen der KI weniger offensichtlich. Die historischen Daten sind möglicherweise begrenzt, der Kontext kann einzigartig sein und die Folgen lassen sich nur schwer rückgängig machen.

Ein Modell kann solche Entscheidungen dennoch unterstützen, indem es Fakten strukturiert, Szenarien modelliert und Annahmen identifiziert. Es sollte nicht den Eindruck erwecken, dass eine beispiellose strategische Entscheidung zu einer objektiven Berechnung geworden ist.

Der beste Ausgangspunkt ist in der Regel eine betriebliche Entscheidung mit hohem Volumen, die eine klare Ausgangsbasis bietet und bei der die Folgen begrenzt sind, falls das Modell einen Fehler macht.

Den bestehenden Entscheidungsprozess abbilden, bevor KI hinzugefügt wird

Viele Unternehmen setzen KI in einem Prozess ein, den sie nie gründlich untersucht haben.

Bevor Sie sich für ein Modell entscheiden, sollten Sie dokumentieren, wie die Entscheidung derzeit getroffen wird. Wer liefert die Informationen? Welche Regeln sind formell festgelegt und welche existieren nur in der Praxis der Mitarbeiter? Wo treten Verzögerungen und Unstimmigkeiten auf? Wer ist für das Ergebnis verantwortlich?

Diese Übung könnte zeigen, dass das Problem nicht in mangelnder Intelligenz liegt. Möglicherweise gibt es in der Organisation widersprüchliche Richtlinien, unzureichende Daten, langwierige Genehmigungsverfahren oder keine Einigkeit über das Ziel.

Ein Preisgestaltungsteam kann beispielsweise gleichzeitig dazu aufgefordert werden, die Marge zu maximieren, den Marktanteil zu steigern und das Vertrauen der Kunden zu wahren. Ein KI-System kann diesen strategischen Konflikt nicht lösen, es sei denn, die Unternehmensleitung legt fest, wie diese Ziele gegeneinander abgewogen werden sollen.

Wird ein unklarer Prozess automatisiert, wird die Unklarheit dadurch oft noch schwerer erkennbar. Das System liefert zwar eine präzise Empfehlung, doch fehlt es dem Unternehmen nach wie vor an einer einheitlichen Definition von Erfolg.

Die Nachfrageprognose ist nützlich, aber nicht sicher

Die Nachfrageprognose ist eine der zuverlässigsten Anwendungen von Decision Intelligence. Einzelhändler und Hersteller können Verkaufsdaten, Werbeaktionen, saisonale Schwankungen, Wetterbedingungen und lokale Muster kombinieren, um abzuschätzen, was Kunden möglicherweise kaufen werden.

Bessere Prognosen können Überbestände und entgangene Umsätze reduzieren. Außerdem können sie bei der Planung des Personalbedarfs, der Transporte und der Produktionsabläufe helfen.

Die Einschränkung besteht darin, dass Modelle aus früheren Bedingungen lernen. Ein neuer Wettbewerber, Lieferengpässe, ein viraler Trend oder ein plötzlicher wirtschaftlicher Schock können dazu führen, dass die jüngste Vergangenheit nur noch wenig Aussagekraft hat.

Prognosen sollten daher eher als Spannen oder Szenarien dargestellt werden als als eine einzige genaue Zahl. Führungskräfte müssen verstehen, welche Annahmen das Ergebnis beeinflussen und wie empfindlich die Empfehlung gegenüber Änderungen ist.

Ein Modell, das die Nachfrage auf 10.000 Einheiten schätzt, sollte das Unternehmen nicht dazu veranlassen, so zu handeln, als stünde die Zahl 10.000 fest. Die Entscheidung könnte stattdessen lauten, sofort 8.000 Einheiten zu bestellen, Kapazitäten für weitere 3.000 Einheiten zu reservieren und die anfängliche Nachfrage zu beobachten.

Der Wert liegt darin, Unsicherheit zu strukturieren, anstatt so zu tun, als sei sie verschwunden.

Die Preisgestaltung erfordert klare Grenzen

KI kann Nachfrage, Lagerbestände, Wettbewerber und Kundenverhalten analysieren, um Preisempfehlungen oder Werbeaktionen vorzuschlagen. In Umgebungen mit hohem Umsatzvolumen kann dies einem Unternehmen ermöglichen, schneller zu reagieren als ein Team, das Preise manuell anpasst.

Eine dynamische Preisgestaltung kann den Umsatz steigern und Verschwendung reduzieren. Sie kann jedoch auch das Vertrauen untergraben, wenn Kunden das Gefühl haben, ungerecht behandelt zu werden, oder nicht nachvollziehen können, warum sich die Preise ändern.

Ein Entscheidungssystem benötigt klare Grenzen. Dazu können Mindest- und Höchstpreise, Einschränkungen hinsichtlich der verwendbaren Daten sowie Regeln gehören, die Änderungen in Notfällen oder unter sensiblen Umständen verhindern.

Das Unternehmen sollte zudem zwischen Unterschieden unterscheiden, die auf Kosten oder Nachfrage beruhen, und solchen, die auf Annahmen darüber beruhen, zu welcher Zahlung ein einzelner Kunde bewegt werden kann.

Eine wirtschaftlich sinnvolle Empfehlung kann dennoch aus rechtlicher Sicht oder im Hinblick auf den Ruf des Unternehmens inakzeptabel sein. Das System muss die Unternehmenspolitik widerspiegeln und nicht lediglich das Verhaltensmuster, das am ehesten zu einer Steigerung des kurzfristigen Umsatzes führt.

Lieferketten brauchen Szenarien statt Antworten

Entscheidungsintelligenz kann Unternehmen dabei helfen, anfällige Lieferanten zu identifizieren, Verzögerungen vorherzusehen und alternative Routen oder Bestandsstrategien zu vergleichen.

Dies ist besonders wertvoll, wenn eine Lieferkette Tausende von Produkten und Lieferanten umfasst, deren Risiken sich gegenseitig beeinflussen. Eine Verzögerung bei einer Komponente kann sich auf mehrere Werke, Kundenverträge und Transportpläne auswirken.

Das Modell kann priorisieren, welche Probleme Beachtung verdienen, und die Folgen verschiedener Reaktionen abschätzen. Es kann jedoch nicht genau vorhersagen, wie sich ein Krieg, eine Hafensperrung oder staatliche Beschränkungen entwickeln werden.

Lieferkettensysteme sollten daher die Szenarioplanung unterstützen. Was passiert, wenn ein Lieferant zwei Wochen statt zwei Monate lang nicht verfügbar ist? Welche Kunden sollten Vorrang haben? Wie viel zusätzliche Kosten wäre das Unternehmen bereit zu akzeptieren, um die Kontinuität zu gewährleisten?

Die endgültige Entscheidung kann von Vertragsbeziehungen, Sicherheit, Reputation und strategisch wichtigen Kunden abhängen – Faktoren, die sich nicht immer allein aus den Transaktionsdaten ableiten lassen.

Kredit- und Versicherungsentscheidungen haben größere Auswirkungen

Banken und Versicherungen nutzen Modelle, um Ausfall-, Betrugs- und Schadensrisiken abzuschätzen. KI kann komplexe Zusammenhänge erkennen und Anträge schneller bearbeiten als herkömmliche Methoden.

Diese Entscheidungen wirken sich unmittelbar auf den Zugang zu Hypotheken, Krediten, Versicherungen und anderen wichtigen Dienstleistungen aus. Fehler können Einzelpersonen benachteiligen und rechtliche sowie aufsichtsrechtliche Risiken mit sich bringen.

Historische Daten können auch frühere Diskriminierung oder ungleichen Zugang widerspiegeln. Ein Modell kann dieses Muster nachbilden, ohne ein ausdrücklich geschütztes Merkmal zu verwenden. Der Wohnort, der berufliche Werdegang oder das Kaufverhalten können als indirekte Indikatoren dienen.

Systeme mit weitreichenden Auswirkungen erfordern eine gründlichere Prüfung, Erläuterung und Überprüfung. Die Organisation sollte die Ergebnisse in allen relevanten Gruppen untersuchen und den Betroffenen die Möglichkeit geben, eine Entscheidung anzufechten oder zu korrigieren.

Die Überprüfung durch Menschen muss authentisch sein. Einen Mitarbeiter zu bitten, täglich Hunderte von Modellempfehlungen zu genehmigen, führt nicht zu einer sinnvollen Kontrolle, wenn dem Mitarbeiter die Zeit, die Informationen oder die Befugnis fehlen, um Einwände zu erheben.

Das Modell sollte mit einer einfacheren Alternative konkurrieren

Unternehmen bewerten ein ausgeklügeltes KI-System oft unter der Annahme, dass keinerlei analytische Unterstützung vorhanden ist.

Sinnvoller ist ein Vergleich mit der einfachsten Methode, mit der sich das Problem lösen lässt. Eine klare Geschäftsregel, ein statistisches Modell oder ein besseres Dashboard können bei geringeren Kosten und größerer Transparenz fast ebenso gute Ergebnisse liefern.

Ein komplexes Modell lohnt sich nur dann, wenn seine zusätzliche Genauigkeit oder Flexibilität das wirtschaftliche Ergebnis so stark verändert, dass sich die Entwicklung, Integration und Steuerung rechtfertigen lassen.

Der Vergleich sollte Folgendes umfassen:

• Genauigkeit und die Kosten verschiedener Fehlerarten
• Geschwindigkeit und Betriebskapazität
• Anforderungen an Daten und Infrastruktur
• Einfach zu erklären
• Wartung und Überwachung
• Abhängigkeit von externen Anbietern
• Die Folgen eines Scheiterns

Eine Verbesserung der Genauigkeit von 90 auf 92 Prozent kann bei Millionen von Transaktionen mit geringem Risiko von großem Nutzen sein. Sie kann jedoch unzureichend sein, wenn die verbleibenden Fehler dazu führen, dass Menschen wichtige Dienstleistungen vorenthalten werden oder schwerwiegende Sicherheitsrisiken entstehen.

Die durchschnittliche Genauigkeit allein ist kein ausschlaggebendes Kriterium für die Eignung.

Menschliche Aufsicht erfordert einen konkreten Zweck

“Der Begriff ”Human in the Loop“ wird häufig in KI-Richtlinien verwendet, ohne dass definiert wird, welche Aufgaben die betreffende Person übernehmen soll.

Die menschliche Überwachung kann verschiedenen Zwecken dienen. Ein Mitarbeiter kann die zugrunde liegenden Informationen überprüfen, außergewöhnliche Umstände interpretieren, eine Folgemaßnahme genehmigen oder das System anhalten, wenn sich die Leistung verschlechtert.

Jede Rolle erfordert unterschiedliche Informationen und Befugnisse.

Ein Prüfer sollte mehr als nur die endgültige Empfehlung des Modells einsehen können. Möglicherweise benötigt er Zugriff auf die relevanten Belege, das Konfidenzniveau, die Geschäftsregeln und die Gründe, aus denen der Fall markiert wurde.

Die Benutzeroberfläche sollte auch die Möglichkeit bieten, zu widersprechen. Wenn das System eine große Schaltfläche mit einer Empfehlung anzeigt und Alternativen ausblendet, regt es auf subtile Weise zur Zustimmung an.

Unternehmen sollten erfassen, wie oft Prüfer das Modell außer Kraft setzen und was danach geschieht. Das Fehlen solcher Ausnahmen kann zwar auf eine außergewöhnlich hohe Modellqualität hindeuten, aber auch auf eine Verzerrung durch die Automatisierung oder einen Prüfungsprozess, der nur auf dem Papier existiert.

Entscheidungsbefugnisse müssen ausdrücklich festgelegt sein

KI führt zu organisatorischer Unklarheit, wenn niemand weiß, wer für das Ergebnis verantwortlich ist.

Das Datenteam erstellt möglicherweise das Modell, ein Softwareanbieter hostet es und eine operative Abteilung nutzt die Empfehlung. Wenn etwas schiefgeht, könnte jede Partei argumentieren, dass eine andere Partei die entsprechende Entscheidung getroffen habe.

Die Zuständigkeiten sollten vor dem Einsatz festgelegt werden.

Der Unternehmensinhaber sollte das Ziel und die akzeptablen Kompromisse festlegen. Die technischen Teams sollten für die Modellentwicklung und die Modellleistung verantwortlich sein. Die Bereiche Risiko, Recht und Compliance sollten die erforderlichen Kontrollmaßnahmen festlegen. Die Geschäftsleitung sollte den Grad der Autonomie genehmigen.

Der externe Anbieter bleibt für seine vertraglichen Verpflichtungen verantwortlich, doch das Unternehmen, das das System nutzt, kann seine Pflichten gegenüber Kunden, Mitarbeitern oder Aufsichtsbehörden nicht auslagern.

Ein Entscheidungsprotokoll sollte aufzeigen, welches Modell und welche Regeln verwendet wurden, welche Empfehlung abgegeben wurde, ob eine Person eingegriffen hat und welche Maßnahmen daraufhin ergriffen wurden. Dies ermöglicht die Nachverfolgung und Verbesserung.

Die Datenqualität bestimmt die Qualität der Entscheidungen

Entscheidungssysteme stützen sich auf Informationen, die für Zwecke zusammengestellt wurden, die sich von der neuen Verwendung unterscheiden können.

Kundendaten können unvollständig sein, Produktcodes uneinheitlich und Betriebsergebnisse unzureichend erfasst. Verschiedene Abteilungen definieren dieselbe Kennzahl möglicherweise unterschiedlich. Wichtige Ausnahmen sind möglicherweise nur in E-Mails oder im Gedächtnis der Mitarbeiter festgehalten.

Ein Modell kann diese Schwächen weniger auffällig machen, indem es sie in eine ausgefeilte Empfehlung umwandelt.

Vor der Inbetriebnahme sollte die Organisation festlegen, welche Quellen als maßgeblich gelten, wie mit fehlenden Informationen umgegangen wird und wer für Korrekturen zuständig ist. Die Daten sollten die Bevölkerung und die Bedingungen widerspiegeln, unter denen das System zum Einsatz kommen wird.

Auch bei Echtzeitdaten ist Vorsicht geboten. Geschwindigkeit ist kein Garant für Genauigkeit. Ein zwar verzögerter, aber abgeglichener Datensatz kann für eine finanzielle Entscheidung nützlicher sein als ein sofortiger Datenstrom, der Fehler und Duplikate enthält.

Generative KI sollte ihre Erklärungen sorgfältig formulieren

Generative KI kann Entscheidungssysteme benutzerfreundlicher machen, indem sie es Führungskräften ermöglicht, Fragen in Alltagssprache zu stellen. Sie kann die Fakten zusammenfassen, Szenarien entwerfen und erläutern, warum eine bestimmte Empfehlung ausgesprochen wurde.

Es besteht die Gefahr, dass das Sprachmodell eine Erklärung hinzufügt, die zwar plausibel klingt, aber das zugrunde liegende Modell oder die Geschäftsregeln nicht getreu widerspiegelt.

Eine Erklärung sollte auf nachvollziehbaren Belegen basieren und nicht nachträglich erfunden werden. Der Manager sollte in der Lage sein, die relevanten Daten einzusehen und zu verstehen, welche Faktoren die Empfehlung maßgeblich beeinflusst haben.

Generative Tools sollten zudem zwischen Fakten und Annahmen unterscheiden. “Die Nachfrage ist im letzten Monat um 12 Prozent gesunken” ist etwas anderes als “Die Kunden reagieren möglicherweise auf höhere Preise”.

Die dialogorientierte Schnittstelle ist nützlich, wenn sie den Zugang zu Belegen verbessert. Gefährlich wird sie, wenn Eloquenz mit analytischer Stichhaltigkeit verwechselt wird.

Agenten verstärken die Folgen von Fehlern

KI-Agenten können mehrere Schritte ausführen, Softwaretools nutzen und Maßnahmen einleiten, anstatt lediglich eine Empfehlung abzugeben.

Ein Mitarbeiter könnte einen niedrigen Lagerbestand feststellen, Lieferanten vergleichen, eine Bestellung vorbereiten und diese zur Genehmigung einreichen. Ein autonomeres System könnte die Bestellung innerhalb vordefinierter Grenzen direkt aufgeben.

Dadurch lassen sich Verzögerungen zwar verringern, doch jede zusätzliche Maßnahme vergrößert das potenzielle Ausmaß der Folgen eines Fehlers. Eine falsche Zusammenfassung ist lediglich lästig. Eine falsche Bestellung, Zahlung oder Kundenkommunikation kann hingegen unmittelbare finanzielle Schäden und Reputationsschäden verursachen.

Die Autonomie sollte schrittweise erweitert werden. Beginnen Sie mit Lesezugriff und Empfehlungen. Führen Sie eingeschränkte Aktionen ein, sobald die Leistung bekannt ist, und verlangen Sie dann eine Genehmigung, sobald festgelegte Schwellenwerte überschritten werden.

Das System sollte nicht in der Lage sein, seine eigenen Berechtigungen zu erweitern. Transaktionslimits, zugelassene Gegenparteien und verbotene Aktionen müssen, soweit möglich, außerhalb des Modells durchgesetzt werden.

Ein klar definierter Abschaltmechanismus und eine manuelle Ausweichlösung sind unerlässlich.

Entscheidungen messen, nicht die Modellaktivität

KI-Programme geben häufig die Anzahl der Nutzer, Eingabeaufforderungen, Vorhersagen oder automatisierten Aufgaben an. Diese Kennzahlen spiegeln eher die Aktivität wider als den geschäftlichen Nutzen.

Ein Projekt im Bereich Decision Intelligence sollte anhand des Ergebnisses bewertet werden, das es verbessern sollte.

Im Bereich Lagerbestand können dies beispielsweise die Verfügbarkeit von Lagerbeständen, Abschreibungen und das Betriebskapital sein. Im Bereich Kundenservice können dies beispielsweise die korrekte Problemlösung, wiederholte Kontaktaufnahmen und Beschwerden sein. Im Bereich Betrugsbekämpfung können dies beispielsweise verhinderte Verluste, Fehlalarme und Ermittlungskosten sein.

Das Unternehmen sollte den neuen Prozess mit einer aussagekräftigen Referenzgrundlage vergleichen und dabei alle Kosten berücksichtigen: Software, Integration, Mitarbeiterbeurteilung, Fehler, Schulung und Wartung.

Es sollte auch unbeabsichtigte Auswirkungen messen. Ein System, das zwar den Umsatz steigert, dabei aber zu mehr Stornierungen oder Beschwerden führt, trägt möglicherweise nicht zur allgemeinen Verbesserung des Geschäfts bei.

Wofür lohnt es sich, Geld auszugeben?

Die Integration in zuverlässige Betriebssysteme ist oft wertvoller als der Zugriff auf das neueste Modell. Empfehlungen schaffen kaum einen Mehrwert, wenn Mitarbeiter Informationen manuell kopieren müssen oder die Ergebnisse nicht umsetzen können.

Auch Funktionen zur Auswertung und Überwachung sind unerlässlich. Das Unternehmen benötigt repräsentative Testfälle, Leistungs-Dashboards und Benachrichtigungen, sobald sich die Daten oder Ergebnisse ändern.

Szenario-Tools können von großem Nutzen sein, da sie es Führungskräften ermöglichen, verschiedene Optionen miteinander zu vergleichen, anstatt nur eine einzige, nicht näher erläuterte Antwort zu erhalten.

Im Schulungsschwerpunkt sollte der Entscheidungsprozess stehen, nicht lediglich das Verfassen von Eingabeaufforderungen. Die Mitarbeiter müssen verstehen, über welche Informationen das System verfügt, welche Faktoren es außer Acht lässt und wann eine Eskalation erforderlich ist.

Eine unabhängige Validierung kann bei Anwendungen mit erheblichen Auswirkungen gerechtfertigt sein, insbesondere wenn Entscheidungen Auswirkungen auf die Sicherheit, die Beschäftigung, die Kreditvergabe oder regulierte Dienstleistungen haben.

Was möglicherweise überflüssig ist

Ein Unternehmen benötigt nicht für jede Betriebsregel ein Modell des maschinellen Lernens. Stabile, leicht nachvollziehbare Entscheidungen lassen sich möglicherweise effektiver durch herkömmliche Software und klare Richtlinien umsetzen.

Eine umfassende Unternehmensplattform kann auch überdimensioniert sein, wenn das Unternehmen noch keine kleine Anzahl wertvoller Anwendungsfälle ermittelt hat.

Digitale Zwillinge, autonome Agenten und Echtzeit-Prognosesysteme können zu kostspieligen Symbolen der Innovation werden, wenn der zugrunde liegende Prozess weiterhin fragmentiert bleibt.

Unternehmen sollten sich vor Anbietern in Acht nehmen, die „Decision Intelligence“ als universelle Ebene präsentieren, mit der sich das gesamte Unternehmen optimieren lässt. Unterschiedliche Entscheidungen erfordern unterschiedliche Daten, haben unterschiedliche Konsequenzen und unterliegen unterschiedlichen Anforderungen an die Evidenz.

Eine zentrale Steuerung kann für einheitliche Kontrollmechanismen sorgen, doch die Umsetzung sollte weiterhin auf den jeweiligen Arbeitsablauf zugeschnitten sein.

Eine praktische Leiter zur Entscheidungsautomatisierung

Stufe 1: Informationsunterstützung

Die KI sammelt, ordnet oder fasst Beweismaterial zusammen. Die endgültige Entscheidung trifft ein Mensch.

Stufe 2: Empfehlung

Das System schlägt eine Maßnahme vor und liefert dazu weitere Informationen. Eine Person genehmigt oder lehnt diese ab.

Stufe 3: Bedingte Automatisierung

Das System trifft innerhalb enger Grenzen risikoarme Routineentscheidungen und leitet Ausnahmen an eine Person weiter.

Stufe 4: Überwachte Autonomie

Das System führt mehrstufige Vorgänge durch, während Mitarbeiter die Ergebnisse überwachen und bei Bedarf eingreifen können.

Stufe 5: Hohe Eigenständigkeit

Das System steuert einen wichtigen Entscheidungsprozess, wobei routinemäßige Eingriffe auf ein Minimum beschränkt sind.

Die meisten Organisationen sollten nicht auf Stufe fünf beginnen. Die geeignete Stufe hängt von der Reversibilität, dem finanziellen Risiko, den rechtlichen Auswirkungen, der Datenqualität und der Fähigkeit der Organisation ab, Fehler zu erkennen.

Eine Entscheidung über eine geringwertige, reversible Nachschubmaßnahme kann eine Automatisierung rechtfertigen. Eine Entscheidung, die sich auf Beschäftigung, Gesundheitsversorgung oder Kreditvergabe auswirkt, muss möglicherweise überprüft werden, selbst wenn das Modell sehr genau ist.

Das beste Entscheidungssystem empfiehlt manchmal, nichts zu unternehmen

Unternehmenstechnologie wird oft dafür belohnt, dass sie Maßnahmen auslöst. Ein gutes Entscheidungssystem sollte jedoch erkennen, wenn die Faktenlage unzureichend ist, der erwartete Nutzen gering ist oder weitere Informationen benötigt werden.

Die Fähigkeit, sich der Entscheidung zu enthalten, ist besonders unter ungewohnten Bedingungen wichtig. Ein System sollte nicht dazu gezwungen sein, für jeden Fall eine sichere Empfehlung abzugeben.

Anhand von Unsicherheitsschwellenwerten können mehrdeutige Situationen an Spezialisten weitergeleitet werden. Das Unternehmen sollte zudem Bedingungen festlegen, unter denen das Modell vollständig außer Kraft gesetzt wird, beispielsweise bei einem schwerwiegenden Marktschock oder einem Ausfall einer wichtigen Datenquelle.

Entscheidungsintelligenz ist ausgereift, wenn sie sowohl die Qualität der Zurückhaltung als auch die der Maßnahmen verbessert.

KI-gestützte Entscheidungsintelligenz kann Unternehmen dabei helfen, häufige operative Entscheidungen schneller und konsistenter zu treffen. Ihr Nutzen liegt darin, Prognosen mit expliziten Regeln, Zuständigkeiten und messbaren Ergebnissen zu verknüpfen.

Es sollte nicht dazu dienen, strategische Meinungsverschiedenheiten zu verschleiern, unsichere Prognosen als offensichtliche Tatsachen darzustellen oder die Verantwortung in einen Algorithmus zu verlagern. Die leistungsfähigsten Systeme zeigen, was sie wissen, geben zu, was sie nicht wissen, und lassen Raum für menschliche Hinterfragung.

Der Wettbewerbsvorteil wird nicht einfach den Unternehmen gehören, die die meisten Entscheidungen automatisieren. Er wird denen gehören, die wissen, welche Entscheidungen eine Automatisierung verdienen, welche Ermessensentscheidungen erfordern und wie man erkennt, wann das System nicht mehr hilfreich ist.