Entscheidungsprozesse mit KI: transparent und nachvollziehbar

Unternehmen treffen täglich Entscheidungen mit hoher Tragweite – von Investitionen über Produkt-Roadmaps bis zu Compliance-Fragen. KI-Tools werden bereits in Entscheidungsprozessen eingesetzt, bleiben aber oft intransparent und schwer belegbar. Genau hier setzt das Technologieprojekt des Steinbeis-Forschungszentrums Management Automation an: Ziel ist die Entwicklung eines transparenten KI-Agentensystems zur organisationsinternen Entscheidungsunterstützung mit Integration von LLMs, einem Decision Aggregator zur Gewichtung von Fachmeinungen und einer Ausgabe strukturierter Empfehlungen. Das System soll nachvollziehbar und erweiterbar gestaltet werden.

Das methodische Vorgehen startet bei der Systementwicklung (Agentenrollen, Aggregation, Schnittstellen) und geht über die Use-Case-Simulation (Test von Unternehmensszenarien) bis zur Evaluation (Nutzerstudien, Vergleich mit bestehenden Tools).

Die Idee: Rollen statt Blackbox

Kern des Systems ist ein Multi-Agenten-Ansatz: Mehrere KI-Agenten – etwa CEO, Legal, Controlling, Marketing und Strategy – bewerten ein Entscheidungsthema jeweils aus ihrer Perspektive. Jede Antwort folgt einem standardisierten JSON-Schema (Empfehlung, Begründung, Risiken, Chancen, Confidence). Ein Decision Aggregator fasst die Einzelmeinungen mit gewichteten Kriterien zusammen und erzeugt eine Gesamtempfehlung – inklusive Auflagen („zustimmen unter Bedingungen“) und einer kompakten Managementzusammenfassung. Der Aggregator überträgt Fachlogiken realer Rollen in spezialisierte KI-Agenten, erwirkt über das System strukturierte nachvollziehbare Ausgaben und schafft Transparenz.

Der Ansatz überzeugt vor allem durch drei wesentliche Vorteile:

• Erklärbar: Begründungen, Risiken und Quellen sind sichtbar.
• Vergleichbar: Einheitliches Format je Rolle.
• Revisionsfähig: Ergebnisse lassen sich versionieren, exportieren und auditieren.

Forschung x Mittelstand x Beratung

Das Vorhaben ist als kooperatives Technologieprojekt angelegt. Wissenschaftspartner untersuchen Akzeptanz, Erklärbarkeit und Prozesswirkung (Decision Support Systems, Explainable AI, Organisationspsychologie). Unternehmen bringen als Pilotpartner reale Use Cases ein (Investitionen, Lieferantenwahl, Standort, Budgetfragen). Beratungspartner testen den Einsatz in Workshops, erarbeiten Templates und Transferformate. Die offene Ausrichtung des Kerns ermöglicht Teilhabe und schnelle Iteration; proprietäre Erweiterungen (beispielsweise Branchenrollen, CRM-Konnektor) sind optional.

Ergebnisse, Zeitplan und Mitwirkung

„Wir suchen Pilotunternehmen aus Industrie, Dienstleistung und Verwaltung sowie Forschungspartner aus Wirtschaftsinformatik, Psychologie und Recht wie auch Transferpartner für Workshops und Schulung“, erläutert Steinbeis-Unternehmer Dr. Helmut Döring. Der Zeitplan des Projekts erstreckt sich über zwei Phasen:

• Frühjahr 2026 (Projektziele): MVP (minimal funktionsfähiges Produkt) mit mindestens fünf Agentenrollen, JSON-Schema, Aggregator, Export; Pilotierung mit ein bis zwei Partnern; Evaluationsstudien zu Akzeptanz, Time-to-Decision und Quality of Rationale.
• Sommer 2026 (Weiterentwicklung): API-Integration (ERP/CRM), RAG-Vertiefung, Mehrnutzerbetrieb; Governance-Funktionen (Audit-Trail, Rollen-/Rechtekonzept); optionale Docker/Kubernetes-Bereitstellung.

Ausblick: Vom Entscheidungsprotokoll zur Lernorganisation

Perspektivisch kann das Agentensystem zum lernenden Entscheidungsarchiv werden: Welche Begründungen führten in der Vergangenheit zu welchen Ergebnissen? Welche Auflagen waren wirksam? So entsteht ein organisationsweites Gedächtnis – datenbasiert, erklärbar und skalierbar.