{"content_id":"qcxn0ksj5k","slug":"business-world-model-for-enterprise-ai-transformation","locale":"de","schema_type":"TechArticle","category":"ai_data","category_name":"KI-Daten","title":"Entwurf eines Business-World-Models für ROI in der Unternehmens-AX","summary":"Der Erfolg der Unternehmens-AX hängt weniger von der Menge eingesetzter aktueller LLMs ab als von der Fähigkeit, Geschäftsregeln, Zustände, Rechte, Aktionen und Ergebnisse so zu modellieren, dass KI sie verarbeiten kann. Durch die Kombination flexibler Vorschläge neuronaler Modelle, der Validierung von Einschränkungen durch eine symbolische Ebene und des Feedbacks aus Ausführungsergebnissen lassen sich KI-Agenten zu messbaren Geschäftssystemen weiterentwickeln.","author":{"name":"injoys","url":"https://injoys.com/ko/about"},"key_points":["KI-Agenten sind keine Werkzeuge zum Beantworten von Fragen, sondern dynamische Akteure, die fortlaufend beobachten, urteilen und handeln. Daher benötigen sie eine andere Kontrolle als herkömmliche Software.","Fine-Tuning passt das Verhalten eines Modells an und RAG stellt externes Wissen bereit, doch beides definiert nicht automatisch Zustandsänderungen und Voraussetzungen für ausführbare Aktionen im Unternehmen.","Ein Business-World-Model ist ein Umgebungsmodell, das Geschäftsobjekte, Beziehungen, Zustände, Aktionen, Rechte, Einschränkungen und Leistungskennzahlen maschinenlesbar darstellt.","Auch wenn die neuronale Ebene Kandidaten erzeugt und die symbolische Ebene Regeln und Rechte validiert, muss die endgültige Konfidenz anhand realer Vorhersagefehler separat kalibriert werden.","Für den ROI der AX sind neben der Modellgenauigkeit auch Bearbeitungszeit, Stückkosten, Fehlerquote, Genehmigungsquote, Veränderungen bei Umsatz und Marge sowie die Kosten von Zwischenfällen gemeinsam zu messen."],"content_markdown":"Die KI-Transformation von Unternehmen, also AX, ist nicht allein damit abgeschlossen, Mitarbeitern Konten für generative KI bereitzustellen. Um tatsächliche Ergebnisse zu erzielen, muss die Umgebung so strukturiert werden, dass die KI den Arbeitsstatus des Unternehmens beobachten, zulässige Handlungen auswählen und aus den Ausführungsergebnissen lernen kann.\n\nDafür wird ein **Business-Weltmodell** benötigt. Dieser Ausdruck ist allerdings noch kein Standardbegriff, den alle Unternehmen und Forschungseinrichtungen einheitlich verwenden. Hier bezeichnet er ein Modell der Betriebsumgebung, das Entitäten, Beziehungen, Regeln, Zustände, Handlungen und Ergebnisse eines Unternehmens so darstellt, dass eine KI darüber schlussfolgern und sie überprüfen kann.\n\n## Warum sich der Maßstab für AX von der Einführungsmenge zum ROI verlagert\n\nBei der anfänglichen Einführung generativer KI wurden vor allem Aktivitätskennzahlen wie die Anzahl der Konten, die Nutzungsrate und die Zahl der erstellten Dokumente verwendet. Mit diesen Kennzahlen allein lassen sich jedoch Umsatzsteigerungen, Kostensenkungen, kürzere Bearbeitungszeiten oder eine Verringerung von Risiken nur schwer nachweisen.\n\nGartner prognostizierte in einem 2025 veröffentlichten Ausblick, dass bis Ende 2027 mindestens 40 % der Agentic-AI-Projekte eingestellt werden, unter anderem wegen steigender Kosten, eines unklaren Geschäftswerts und unzureichender Risikokontrollen. Auch die RAND-Studie zum Scheitern von KI-Projekten nennt als Hauptursachen weniger die Technologie als vielmehr die Datenqualität, die Problemdefinition und die Lücke zwischen den Erwartungen einer Organisation und ihren tatsächlichen Fähigkeiten.\n\nDie in bestimmten Veröffentlichungen oder Untersuchungen genannten Misserfolgsquoten beruhen jeweils auf unterschiedlichen Untersuchungsgruppen und Definitionen des Scheiterns. Daher dürfen Zahlen wie „88 % gescheitert“ oder „46 % eingestellt“, deren Quelle und Grundgesamtheit nicht überprüft wurden, nicht als allgemeingültige Statistik für sämtliche AX-Projekte verwendet werden.\n\n### Warum sich die bisherige DX-Methode nicht unverändert anwenden lässt\n\nTraditionelle Arbeitssysteme sind statische Werkzeuge mit vergleichsweise klaren Eingaben und Verarbeitungsregeln. KI-Agenten sind dagegen dynamische Systeme, die den folgenden Prozess wiederholen.\n\n1. Sie beobachten Dokumente, Datenbanken, APIs oder Benutzeranfragen.\n2. Sie interpretieren den aktuellen Zustand und das Ziel.\n3. Sie wählen ein Werkzeug oder die nächste Handlung aus.\n4. Sie führen Aufgaben aus, die externe Systeme beeinflussen.\n5. Sie überprüfen das Ergebnis und passen den Plan an.\n\nWenn probabilistisch handelnde Agenten unmittelbar dieselben Berechtigungen wie bestehende Systeme erhalten, kann es zu fehlerhaften Bestellungen, Regelverstößen, der Offenlegung personenbezogener Daten oder schwer rückgängig zu machenden Änderungen kommen. Deshalb müssen der Umfang der Werkzeugnutzung, Genehmigungsverfahren, Abbruchbedingungen, Protokolle und Wiederherstellungsmöglichkeiten gemeinsam konzipiert werden.\n\n## Unterschiede zwischen Fine-Tuning, RAG, Harness, Loop und Weltmodell\n\nDie einzelnen Ansätze ersetzen einander nicht, sondern sind Komponenten, die unterschiedliche Probleme lösen.\n\n| Ansatz | Hauptzweck | Stärken | Grenzen bei alleiniger Anwendung |\n|---|---|---|---|\n| Fine-Tuning | Anpassung des Verhaltens oder der Ausgabetendenzen eines Modells | Optimierung bestimmter Formate, Klassifikationen, Tonlagen und wiederkehrender Aufgaben | Aktuelles internes Wissen und sich ändernde Regeln lassen sich nur schwer kontinuierlich berücksichtigen |\n| RAG | Suche nach externem Wissen zum Ausführungszeitpunkt | Bereitstellung aktueller Dokumente, Handbücher, Fälle und Belege | Garantiert nicht, dass die gefundenen Inhalte auf den aktuellen Zustand anwendbar sind |\n| Harness-Engineering | Aufbau der Ausführungsinfrastruktur rund um das Modell | Werkzeuganbindung, Speicher, Berechtigungen, Beobachtbarkeit und Fehlerbehandlung | Sind die fachliche Bedeutung und die Richtlinien falsch definiert, automatisiert auch ein ausgefeiltes Harness die falschen Aufgaben |\n| Loop-Engineering | Gestaltung wiederholter Beobachtungs-, Planungs-, Ausführungs- und Bewertungszyklen | Wiederholungsversuche, Selbstkorrektur, menschliche Genehmigung und Ergebnisfeedback | Schwache Abbruchbedingungen führen zu steigenden Kosten und wiederkehrenden Fehlern |\n| Business-Weltmodell | Spezifikation der Unternehmensumgebung und ihrer Zustandsänderungen | Ausführbarkeit, Richtlinienkonformität, Folgenverfolgung und Simulation | Aufbau und Pflege erfordern die kontinuierliche Beteiligung von Domänenexperten |\n\nFine-Tuning lässt sich nicht pauschal als Verschwendung bezeichnen. Es ist nützlich, um stabile Aufgabenformate oder wiederkehrende Verhaltensweisen im Modell zu verankern. Werden jedoch häufig wechselnde Fakten wie Preisrichtlinien, Genehmigungsgrenzen oder Lagerbestände ausschließlich in den Modellgewichten gespeichert, werden Aktualisierung und Prüfung erschwert. Solche Informationen werden im Allgemeinen besser in einer Suchschicht, einer Regelschicht oder einer operativen Datenbank verwaltet.\n\n## Komponenten eines Business-Weltmodells\n\nEin gutes Weltmodell unterscheidet sich von einem Wissensspeicher, der lediglich viele Dokumente sammelt. Es muss darstellen, was im Unternehmen existiert, in welchem Zustand es sich befindet, wer was tun darf und wie sich der Zustand nach einer Handlung verändert.\n\n| Komponente | Frage | Beispiel aus SCM und Verkaufsförderung |\n|---|---|---|\n| Entitäten | Was existiert? | Produkte, Kundengruppen, Regionen, Lager, Kanäle, Kampagnen |\n| Beziehungen | Wie sind die Entitäten miteinander verbunden? | Lieferanten je Produkt, Vertriebskanäle je Region |\n| Zustand | Was trifft aktuell zu? | Lagerbestand, Verkaufspreis, Vertragsstatus, verbleibendes Budget |\n| Handlungen | Welche Änderungen können ausgeführt werden? | Preisänderung, Bestellung, Werbeschaltung, Kampagnenabbruch |\n| Übergangsbedingungen | Wie verändert sich der Zustand nach einer Handlung? | Nach Genehmigung einer Bestellung sinkt das verfügbare Budget und die erwartete Wareneingangsmenge steigt |\n| Einschränkungen | Was ist verboten oder eingeschränkt? | Mindestmarge, Rabattobergrenze, Beschränkung der Nutzung personenbezogener Daten |\n| Berechtigungen | Wer genehmigt was? | Genehmigung durch Teamleitung oder Führungskräfte je nach Rabattspanne |\n| Ziele | Was wird optimiert? | Nicht nur der Umsatz, sondern eine Kombination aus Marge, Lagerumschlag und Fehlbestandsrisiko |\n| Beobachtung | Woran wird das Ergebnis überprüft? | Bestellungen, Rücksendungen, Werbeausgaben, tatsächliche Marge, Kundenbeschwerden |\n\nDiese Struktur kann mithilfe verschiedener Technologien wie Ontologien, Wissensgraphen, Regel-Engines, Zustandsspeichern, Prozessmodellen, Simulatoren und Richtliniencode umgesetzt werden. Es muss sich weder um ein einziges riesiges Modell noch um ein bestimmtes Produkt handeln.\n\n## Wie eine neurosymbolische Struktur funktioniert\n\nNeurosymbolische KI ist ein Ansatz, der die Mustererkennungs- und Generierungsfähigkeiten neuronaler Netze mit expliziten symbolischen und logischen Darstellungen kombiniert. In einem Weltmodell für Unternehmen können die Aufgaben wie folgt auf die beiden Schichten verteilt werden.\n\n### Neuronale Schicht: Generierung von Kandidaten und Umgang mit Unsicherheit\n\nLLM oder Prognosemodelle eignen sich gut dazu, unstrukturierte Dokumente zu interpretieren, die Nachfrage vorherzusagen und verschiedene Ausführungsszenarien zu erzeugen. Beispielsweise können sie durch die Kombination von Produkt, Region, Preis, Werbeausgaben und Kanalgebühren mehrere Vorschläge für Verkaufsförderungsmaßnahmen erstellen.\n\nDie generierten Vorschläge können jedoch gegen tatsächliche Lagerbestände, Verträge oder Genehmigungsrichtlinien verstoßen, auch wenn sie plausibel erscheinen. Neuronale Ausgaben müssen daher nicht als Ausführungsbefehle, sondern als noch zu prüfende Kandidaten behandelt werden.\n\n### Symbolische Schicht: Überprüfung verbindlicher Regeln und der Ausführbarkeit\n\nDie symbolische Schicht prüft explizite Bedingungen wie die folgenden.\n\n- Liegt die erwartete Marge nach dem Rabatt mindestens auf der vom Unternehmen festgelegten Untergrenze?\n- Besteht eine vertragliche Berechtigung, das Produkt in der betreffenden Region zu verkaufen?\n- Ist noch Kampagnenbudget vorhanden?\n- Liegt der Zweck der Nutzung von Kundendaten innerhalb des Einwilligungsumfangs?\n- Kann bei einem Fehlschlag der ursprüngliche Zustand wiederhergestellt werden?\n- Wurde die erforderliche menschliche Genehmigung eingeholt?\n\nDas Bestehen einer Regelprüfung bedeutet lediglich Richtlinienkonformität und nicht automatisch eine bestimmte Wahrscheinlichkeit für geschäftlichen Erfolg. Um Werte wie „90 % Konfidenz“ anzugeben, ist ein Kalibrierungsverfahren erforderlich, bei dem frühere Prognosen mit tatsächlichen Ergebnissen verglichen und die Wahrscheinlichkeiten angepasst werden.\n\n## Geschlossener Ausführungszyklus für die Planung von SCM-Verkaufsförderungsmaßnahmen\n\n### 1. Beobachtung des Zustands\n\nDas System liest Lagerbestände, Lieferpläne, Verkaufsergebnisse, Preise, Margen, Werbeausgaben und Kanalgebühren aus. Auch der Referenzzeitpunkt und die Quelle der Daten werden erfasst.\n\n### 2. Generierung von Kandidaten\n\nDas neuronale Modell erstellt mehrere Vorschläge für Verkaufsförderungsmaßnahmen und berücksichtigt dabei Umsatz und Marge, den Abbau von Lagerbeständen sowie die Wahrscheinlichkeit von Fehlbeständen. Wird eine Simulation verwendet, müssen Annahmen wie Nachfrageverteilung und Preiselastizität ausdrücklich angegeben werden.\n\n### 3. Richtlinienprüfung\n\nDie symbolische Schicht prüft Rabattobergrenzen, Mindestmargen, Bestandsbeschränkungen, Vertragsbedingungen und Genehmigungsbefugnisse. Vorschläge mit Verstößen werden verworfen oder so angepasst, dass sie innerhalb des zulässigen Rahmens liegen.\n\n### 4. Risikobasierte Genehmigung\n\nLeicht rückgängig zu machende Handlungen wie das Verfassen von Empfehlungstexten können automatisiert werden. Handlungen mit großen Auswirkungen, etwa Preisänderungen, Großbestellungen oder die Kontaktaufnahme mit Kunden, erfordern dagegen eine menschliche Genehmigung. Die Genehmigungsstufe kann abhängig vom Betrag, der Zahl der betroffenen Kunden und der Reversibilität unterschiedlich festgelegt werden.\n\n### 5. Ausführung und Nachverfolgung\n\nDer erwartete Umsatz, die erwartete Marge, die Kosten und die Risikospanne der ausgewählten Kampagne werden vor der Ausführung gespeichert. Nach der Ausführung werden sie mit den tatsächlichen Ergebnissen verglichen, um Abweichungen und mögliche Richtlinienverstöße nachzuverfolgen.\n\n### 6. Abbruch und Lernen\n\nWerden eine Verlustgrenze, eine Abweichung vom Prognosebereich oder Datenanomalien erkannt, wird der Prozess automatisch abgebrochen oder an einen Menschen übergeben. Die Fehlerursachen werden in Datenfehler, fehlerhafte Annahmen, fehlende Regeln, Modellfehler und Veränderungen der externen Umgebung eingeteilt und bei der nächsten Ausführung berücksichtigt.\n\n## Warum die IT-Abteilung dies nicht allein vollenden kann\n\nArbeitsregeln sind nicht vollständig in Dokumenten festgehalten. Fachabteilungen kennen Ausnahmen und implizite Prioritäten, Richtlinien- und Rechtsverantwortliche beurteilen den zulässigen Rahmen, und Ingenieure setzen diese Vorgaben in einem ausführbaren System um.\n\nDaher müssen mindestens die folgenden Rollen gemeinsam beteiligt sein.\n\n- **Domänenverantwortliche:** Definition von Arbeitszielen, Entitäten, Zuständen und Ausnahmen\n- **Richtlinien- und Risikoverantwortliche:** Definition verbotener Bedingungen, Genehmigungskriterien und Prüfanforderungen\n- **Daten- und KI-Verantwortliche:** Umsetzung von Prognosen, Suche, Bewertung und Kalibrierung\n- **Plattformingenieure:** Umsetzung von Werkzeuganbindungen, Berechtigungen, Protokollen, Wiederherstellung und Monitoring\n- **Ergebnisverantwortliche:** Verwaltung von Ausgangswerten, Kosten, Nutzen und Abbruchkriterien\n\nWenn Fachabteilungen lediglich Anforderungen übermitteln und sich anschließend aus dem Projekt zurückziehen, lässt sich die sich verändernde Arbeitsrealität nur schwer im Modell abbilden. Die Verantwortlichen für Regeln und die Aktualisierungszyklen müssen eindeutig festgelegt werden.\n\n## Methoden zur Messung des AX-ROI\n\nDie Ergebnisse von AX müssen nicht anhand von Modell-Benchmarks, sondern im Vergleich zu betrieblichen Ausgangswerten gemessen werden.\n\nDie **grundlegende Formel zur ROI-Berechnung** lässt sich wie folgt darstellen.\n\n`ROI = (finanzieller Nutzen - Gesamtkosten) ÷ Gesamtkosten × 100`\n\nZu den Gesamtkosten gehören nicht nur die Gebühren für Modellaufrufe, sondern auch die Kosten für Datenaufbereitung, Integrationsentwicklung, Prüfpersonal, Monitoring, Vorfallreaktion und Regelpflege.\n\n| Messbereich | Beispielkennzahlen |\n|---|---|\n| Produktivität | Bearbeitungszeit pro Vorgang, automatische Abschlussquote, menschliche Prüfzeit |\n| Qualität | Genauigkeit, Nachbearbeitungsquote, Richtlinienverstoßquote, Kundenbeschwerdequote |\n| Finanzen | Zusätzlicher Umsatz, Margenveränderung, Bearbeitungskosten je Einheit, Lagerkosten |\n| Risiko | Anzahl fehlerhafter Ausführungen, Wiederherstellungskosten, nicht genehmigte Werkzeugaufrufe |\n| Zuverlässigkeit | Abbruchquote, Erfolgsquote von Werkzeugaufrufen, Fehler bei der Prognosekalibrierung |\n| Akzeptanz | Annahmequote von Empfehlungen, Ergebnis nach Annahme, Anteil manueller Umgehungen |\n\nNach Möglichkeit sollten eine schrittweise Einführung, eine Kontrollgruppe oder Vorher-Nachher-Vergleiche verwendet werden. Die häufige Annahme von Empfehlungen allein belegt keinen Wert. Es muss überprüft werden, ob die tatsächlichen Ergebnisse nach der Annahme besser als der Ausgangswert waren.\n\n## Reihenfolge des Aufbaus\n\n1. Eine einzelne Aufgabe mit eindeutigem finanziellem Wert und klaren Risiken auswählen.\n2. Den aktuellen Ausgangswert und die Kosten eines Scheiterns messen.\n3. Entitäten, Zustände, Handlungen, Einschränkungen und Genehmiger der Aufgabe definieren.\n4. Mit schreibgeschützten Assistenzfunktionen beginnen und Bewertungsdaten sammeln.\n5. Nur für reversible Handlungen mit geringem Risiko begrenzte Ausführungsberechtigungen erteilen.\n6. Sämtliche Empfehlungen, Prüfungen, Genehmigungen, Ausführungen und Ergebnisse nachverfolgen.\n7. Prognosewahrscheinlichkeiten anhand tatsächlicher Ergebnisse kalibrieren und fehlende Regeln aktualisieren.\n8. Den Aufgabenbereich und die Autonomie nur erweitern, wenn die Abbruchkriterien nicht erfüllt wurden.\n\n## Grenzen und Vorsichtsmaßnahmen\n\nAuch ein Business-Weltmodell ist keine vollständige Lösung. Bei einer übermäßigen Zahl von Regeln nehmen Konflikte und Wartungskosten zu, und eine auf fehlerhaften Annahmen beruhende Simulation kann trotz ihrer Ausgefeiltheit zu falschen Schlussfolgerungen führen. Zudem ist es unmöglich, sämtliche Ausnahmen einer realen Organisation im Voraus zu spezifizieren.\n\nDaher muss ein Weltmodell nicht als fertiges Produkt, sondern als strategischer Vermögenswert verwaltet werden, der im laufenden Betrieb korrigiert wird. Änderungshistorien, Regelverantwortliche, Anwendungszeitpunkte, Testfälle und tatsächliche Ausführungsergebnisse müssen gemeinsam aufbewahrt werden, damit das betriebliche Wissen des Unternehmens auch nach einem Modellaustausch wiederverwendet werden kann.\n\n## Fazit\n\nDer differenzierende Vermögenswert eines Unternehmens liegt nicht in einem bestimmten LLM, sondern in der Betriebsumgebung, in der Zustände, Regeln, Berechtigungen und Ausführungsergebnisse des Unternehmens gesammelt werden. Fine-Tuning, RAG sowie Harness- und Loop-Engineering können allesamt erforderlich sein. Ohne ein Domänenmodell, das definiert, was aus welchem Grund ausgeführt werden darf, kann jedoch lediglich die Geschwindigkeit der Automatisierung steigen.\n\nWenn die flexible Generierung von Kandidaten durch die neuronale Schicht, die explizite Kontrolle durch die symbolische Schicht, risikobasierte menschliche Genehmigungen und die Kalibrierung anhand tatsächlicher Ergebnisse kombiniert werden, können KI-Agenten über ein PoC zu Demonstrationszwecken hinaus zu messbaren und austauschbaren Unternehmenssystemen werden.","content_html":"\u003cp\u003eDie KI-Transformation von Unternehmen, also AX, ist nicht allein damit abgeschlossen, Mitarbeitern Konten für generative KI bereitzustellen. Um tatsächliche Ergebnisse zu erzielen, muss die Umgebung so strukturiert werden, dass die KI den Arbeitsstatus des Unternehmens beobachten, zulässige Handlungen auswählen und aus den Ausführungsergebnissen lernen kann.\u003c/p\u003e\n\u003cp\u003eDafür wird ein \u003cstrong\u003eBusiness-Weltmodell\u003c/strong\u003e benötigt. Dieser Ausdruck ist allerdings noch kein Standardbegriff, den alle Unternehmen und Forschungseinrichtungen einheitlich verwenden. Hier bezeichnet er ein Modell der Betriebsumgebung, das Entitäten, Beziehungen, Regeln, Zustände, Handlungen und Ergebnisse eines Unternehmens so darstellt, dass eine KI darüber schlussfolgern und sie überprüfen kann.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#warum-sich-der-ma%C3%9Fstab-f%C3%BCr-ax-von-der-einf%C3%BChrungsmenge-zum-roi-verlagert\" class=\"anchor\" id=\"warum-sich-der-maßstab-für-ax-von-der-einführungsmenge-zum-roi-verlagert\"\u003e\u003c/a\u003eWarum sich der Maßstab für AX von der Einführungsmenge zum ROI verlagert\u003c/h2\u003e\n\u003cp\u003eBei der anfänglichen Einführung generativer KI wurden vor allem Aktivitätskennzahlen wie die Anzahl der Konten, die Nutzungsrate und die Zahl der erstellten Dokumente verwendet. Mit diesen Kennzahlen allein lassen sich jedoch Umsatzsteigerungen, Kostensenkungen, kürzere Bearbeitungszeiten oder eine Verringerung von Risiken nur schwer nachweisen.\u003c/p\u003e\n\u003cp\u003eGartner prognostizierte in einem 2025 veröffentlichten Ausblick, dass bis Ende 2027 mindestens 40 % der Agentic-AI-Projekte eingestellt werden, unter anderem wegen steigender Kosten, eines unklaren Geschäftswerts und unzureichender Risikokontrollen. Auch die RAND-Studie zum Scheitern von KI-Projekten nennt als Hauptursachen weniger die Technologie als vielmehr die Datenqualität, die Problemdefinition und die Lücke zwischen den Erwartungen einer Organisation und ihren tatsächlichen Fähigkeiten.\u003c/p\u003e\n\u003cp\u003eDie in bestimmten Veröffentlichungen oder Untersuchungen genannten Misserfolgsquoten beruhen jeweils auf unterschiedlichen Untersuchungsgruppen und Definitionen des Scheiterns. Daher dürfen Zahlen wie „88 % gescheitert“ oder „46 % eingestellt“, deren Quelle und Grundgesamtheit nicht überprüft wurden, nicht als allgemeingültige Statistik für sämtliche AX-Projekte verwendet werden.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#warum-sich-die-bisherige-dx-methode-nicht-unver%C3%A4ndert-anwenden-l%C3%A4sst\" class=\"anchor\" id=\"warum-sich-die-bisherige-dx-methode-nicht-unverändert-anwenden-lässt\"\u003e\u003c/a\u003eWarum sich die bisherige DX-Methode nicht unverändert anwenden lässt\u003c/h3\u003e\n\u003cp\u003eTraditionelle Arbeitssysteme sind statische Werkzeuge mit vergleichsweise klaren Eingaben und Verarbeitungsregeln. KI-Agenten sind dagegen dynamische Systeme, die den folgenden Prozess wiederholen.\u003c/p\u003e\n\u003col\u003e\n\u003cli\u003eSie beobachten Dokumente, Datenbanken, APIs oder Benutzeranfragen.\u003c/li\u003e\n\u003cli\u003eSie interpretieren den aktuellen Zustand und das Ziel.\u003c/li\u003e\n\u003cli\u003eSie wählen ein Werkzeug oder die nächste Handlung aus.\u003c/li\u003e\n\u003cli\u003eSie führen Aufgaben aus, die externe Systeme beeinflussen.\u003c/li\u003e\n\u003cli\u003eSie überprüfen das Ergebnis und passen den Plan an.\u003c/li\u003e\n\u003c/ol\u003e\n\u003cp\u003eWenn probabilistisch handelnde Agenten unmittelbar dieselben Berechtigungen wie bestehende Systeme erhalten, kann es zu fehlerhaften Bestellungen, Regelverstößen, der Offenlegung personenbezogener Daten oder schwer rückgängig zu machenden Änderungen kommen. Deshalb müssen der Umfang der Werkzeugnutzung, Genehmigungsverfahren, Abbruchbedingungen, Protokolle und Wiederherstellungsmöglichkeiten gemeinsam konzipiert werden.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#unterschiede-zwischen-fine-tuning-rag-harness-loop-und-weltmodell\" class=\"anchor\" id=\"unterschiede-zwischen-fine-tuning-rag-harness-loop-und-weltmodell\"\u003e\u003c/a\u003eUnterschiede zwischen Fine-Tuning, RAG, Harness, Loop und Weltmodell\u003c/h2\u003e\n\u003cp\u003eDie einzelnen Ansätze ersetzen einander nicht, sondern sind Komponenten, die unterschiedliche Probleme lösen.\u003c/p\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003eAnsatz\u003c/th\u003e\n\u003cth\u003eHauptzweck\u003c/th\u003e\n\u003cth\u003eStärken\u003c/th\u003e\n\u003cth\u003eGrenzen bei alleiniger Anwendung\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Ansatz\"\u003eFine-Tuning\u003c/td\u003e\n\u003ctd data-label=\"Hauptzweck\"\u003eAnpassung des Verhaltens oder der Ausgabetendenzen eines Modells\u003c/td\u003e\n\u003ctd data-label=\"Stärken\"\u003eOptimierung bestimmter Formate, Klassifikationen, Tonlagen und wiederkehrender Aufgaben\u003c/td\u003e\n\u003ctd data-label=\"Grenzen bei alleiniger Anwendung\"\u003eAktuelles internes Wissen und sich ändernde Regeln lassen sich nur schwer kontinuierlich berücksichtigen\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Ansatz\"\u003eRAG\u003c/td\u003e\n\u003ctd data-label=\"Hauptzweck\"\u003eSuche nach externem Wissen zum Ausführungszeitpunkt\u003c/td\u003e\n\u003ctd data-label=\"Stärken\"\u003eBereitstellung aktueller Dokumente, Handbücher, Fälle und Belege\u003c/td\u003e\n\u003ctd data-label=\"Grenzen bei alleiniger Anwendung\"\u003eGarantiert nicht, dass die gefundenen Inhalte auf den aktuellen Zustand anwendbar sind\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Ansatz\"\u003eHarness-Engineering\u003c/td\u003e\n\u003ctd data-label=\"Hauptzweck\"\u003eAufbau der Ausführungsinfrastruktur rund um das Modell\u003c/td\u003e\n\u003ctd data-label=\"Stärken\"\u003eWerkzeuganbindung, Speicher, Berechtigungen, Beobachtbarkeit und Fehlerbehandlung\u003c/td\u003e\n\u003ctd data-label=\"Grenzen bei alleiniger Anwendung\"\u003eSind die fachliche Bedeutung und die Richtlinien falsch definiert, automatisiert auch ein ausgefeiltes Harness die falschen Aufgaben\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Ansatz\"\u003eLoop-Engineering\u003c/td\u003e\n\u003ctd data-label=\"Hauptzweck\"\u003eGestaltung wiederholter Beobachtungs-, Planungs-, Ausführungs- und Bewertungszyklen\u003c/td\u003e\n\u003ctd data-label=\"Stärken\"\u003eWiederholungsversuche, Selbstkorrektur, menschliche Genehmigung und Ergebnisfeedback\u003c/td\u003e\n\u003ctd data-label=\"Grenzen bei alleiniger Anwendung\"\u003eSchwache Abbruchbedingungen führen zu steigenden Kosten und wiederkehrenden Fehlern\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Ansatz\"\u003eBusiness-Weltmodell\u003c/td\u003e\n\u003ctd data-label=\"Hauptzweck\"\u003eSpezifikation der Unternehmensumgebung und ihrer Zustandsänderungen\u003c/td\u003e\n\u003ctd data-label=\"Stärken\"\u003eAusführbarkeit, Richtlinienkonformität, Folgenverfolgung und Simulation\u003c/td\u003e\n\u003ctd data-label=\"Grenzen bei alleiniger Anwendung\"\u003eAufbau und Pflege erfordern die kontinuierliche Beteiligung von Domänenexperten\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003cp\u003eFine-Tuning lässt sich nicht pauschal als Verschwendung bezeichnen. Es ist nützlich, um stabile Aufgabenformate oder wiederkehrende Verhaltensweisen im Modell zu verankern. Werden jedoch häufig wechselnde Fakten wie Preisrichtlinien, Genehmigungsgrenzen oder Lagerbestände ausschließlich in den Modellgewichten gespeichert, werden Aktualisierung und Prüfung erschwert. Solche Informationen werden im Allgemeinen besser in einer Suchschicht, einer Regelschicht oder einer operativen Datenbank verwaltet.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#komponenten-eines-business-weltmodells\" class=\"anchor\" id=\"komponenten-eines-business-weltmodells\"\u003e\u003c/a\u003eKomponenten eines Business-Weltmodells\u003c/h2\u003e\n\u003cp\u003eEin gutes Weltmodell unterscheidet sich von einem Wissensspeicher, der lediglich viele Dokumente sammelt. Es muss darstellen, was im Unternehmen existiert, in welchem Zustand es sich befindet, wer was tun darf und wie sich der Zustand nach einer Handlung verändert.\u003c/p\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003eKomponente\u003c/th\u003e\n\u003cth\u003eFrage\u003c/th\u003e\n\u003cth\u003eBeispiel aus SCM und Verkaufsförderung\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Komponente\"\u003eEntitäten\u003c/td\u003e\n\u003ctd data-label=\"Frage\"\u003eWas existiert?\u003c/td\u003e\n\u003ctd data-label=\"Beispiel aus SCM und Verkaufsförderung\"\u003eProdukte, Kundengruppen, Regionen, Lager, Kanäle, Kampagnen\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Komponente\"\u003eBeziehungen\u003c/td\u003e\n\u003ctd data-label=\"Frage\"\u003eWie sind die Entitäten miteinander verbunden?\u003c/td\u003e\n\u003ctd data-label=\"Beispiel aus SCM und Verkaufsförderung\"\u003eLieferanten je Produkt, Vertriebskanäle je Region\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Komponente\"\u003eZustand\u003c/td\u003e\n\u003ctd data-label=\"Frage\"\u003eWas trifft aktuell zu?\u003c/td\u003e\n\u003ctd data-label=\"Beispiel aus SCM und Verkaufsförderung\"\u003eLagerbestand, Verkaufspreis, Vertragsstatus, verbleibendes Budget\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Komponente\"\u003eHandlungen\u003c/td\u003e\n\u003ctd data-label=\"Frage\"\u003eWelche Änderungen können ausgeführt werden?\u003c/td\u003e\n\u003ctd data-label=\"Beispiel aus SCM und Verkaufsförderung\"\u003ePreisänderung, Bestellung, Werbeschaltung, Kampagnenabbruch\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Komponente\"\u003eÜbergangsbedingungen\u003c/td\u003e\n\u003ctd data-label=\"Frage\"\u003eWie verändert sich der Zustand nach einer Handlung?\u003c/td\u003e\n\u003ctd data-label=\"Beispiel aus SCM und Verkaufsförderung\"\u003eNach Genehmigung einer Bestellung sinkt das verfügbare Budget und die erwartete Wareneingangsmenge steigt\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Komponente\"\u003eEinschränkungen\u003c/td\u003e\n\u003ctd data-label=\"Frage\"\u003eWas ist verboten oder eingeschränkt?\u003c/td\u003e\n\u003ctd data-label=\"Beispiel aus SCM und Verkaufsförderung\"\u003eMindestmarge, Rabattobergrenze, Beschränkung der Nutzung personenbezogener Daten\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Komponente\"\u003eBerechtigungen\u003c/td\u003e\n\u003ctd data-label=\"Frage\"\u003eWer genehmigt was?\u003c/td\u003e\n\u003ctd data-label=\"Beispiel aus SCM und Verkaufsförderung\"\u003eGenehmigung durch Teamleitung oder Führungskräfte je nach Rabattspanne\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Komponente\"\u003eZiele\u003c/td\u003e\n\u003ctd data-label=\"Frage\"\u003eWas wird optimiert?\u003c/td\u003e\n\u003ctd data-label=\"Beispiel aus SCM und Verkaufsförderung\"\u003eNicht nur der Umsatz, sondern eine Kombination aus Marge, Lagerumschlag und Fehlbestandsrisiko\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Komponente\"\u003eBeobachtung\u003c/td\u003e\n\u003ctd data-label=\"Frage\"\u003eWoran wird das Ergebnis überprüft?\u003c/td\u003e\n\u003ctd data-label=\"Beispiel aus SCM und Verkaufsförderung\"\u003eBestellungen, Rücksendungen, Werbeausgaben, tatsächliche Marge, Kundenbeschwerden\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003cp\u003eDiese Struktur kann mithilfe verschiedener Technologien wie Ontologien, Wissensgraphen, Regel-Engines, Zustandsspeichern, Prozessmodellen, Simulatoren und Richtliniencode umgesetzt werden. Es muss sich weder um ein einziges riesiges Modell noch um ein bestimmtes Produkt handeln.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#wie-eine-neurosymbolische-struktur-funktioniert\" class=\"anchor\" id=\"wie-eine-neurosymbolische-struktur-funktioniert\"\u003e\u003c/a\u003eWie eine neurosymbolische Struktur funktioniert\u003c/h2\u003e\n\u003cp\u003eNeurosymbolische KI ist ein Ansatz, der die Mustererkennungs- und Generierungsfähigkeiten neuronaler Netze mit expliziten symbolischen und logischen Darstellungen kombiniert. In einem Weltmodell für Unternehmen können die Aufgaben wie folgt auf die beiden Schichten verteilt werden.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#neuronale-schicht-generierung-von-kandidaten-und-umgang-mit-unsicherheit\" class=\"anchor\" id=\"neuronale-schicht-generierung-von-kandidaten-und-umgang-mit-unsicherheit\"\u003e\u003c/a\u003eNeuronale Schicht: Generierung von Kandidaten und Umgang mit Unsicherheit\u003c/h3\u003e\n\u003cp\u003eLLM oder Prognosemodelle eignen sich gut dazu, unstrukturierte Dokumente zu interpretieren, die Nachfrage vorherzusagen und verschiedene Ausführungsszenarien zu erzeugen. Beispielsweise können sie durch die Kombination von Produkt, Region, Preis, Werbeausgaben und Kanalgebühren mehrere Vorschläge für Verkaufsförderungsmaßnahmen erstellen.\u003c/p\u003e\n\u003cp\u003eDie generierten Vorschläge können jedoch gegen tatsächliche Lagerbestände, Verträge oder Genehmigungsrichtlinien verstoßen, auch wenn sie plausibel erscheinen. Neuronale Ausgaben müssen daher nicht als Ausführungsbefehle, sondern als noch zu prüfende Kandidaten behandelt werden.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#symbolische-schicht-%C3%BCberpr%C3%BCfung-verbindlicher-regeln-und-der-ausf%C3%BChrbarkeit\" class=\"anchor\" id=\"symbolische-schicht-überprüfung-verbindlicher-regeln-und-der-ausführbarkeit\"\u003e\u003c/a\u003eSymbolische Schicht: Überprüfung verbindlicher Regeln und der Ausführbarkeit\u003c/h3\u003e\n\u003cp\u003eDie symbolische Schicht prüft explizite Bedingungen wie die folgenden.\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003eLiegt die erwartete Marge nach dem Rabatt mindestens auf der vom Unternehmen festgelegten Untergrenze?\u003c/li\u003e\n\u003cli\u003eBesteht eine vertragliche Berechtigung, das Produkt in der betreffenden Region zu verkaufen?\u003c/li\u003e\n\u003cli\u003eIst noch Kampagnenbudget vorhanden?\u003c/li\u003e\n\u003cli\u003eLiegt der Zweck der Nutzung von Kundendaten innerhalb des Einwilligungsumfangs?\u003c/li\u003e\n\u003cli\u003eKann bei einem Fehlschlag der ursprüngliche Zustand wiederhergestellt werden?\u003c/li\u003e\n\u003cli\u003eWurde die erforderliche menschliche Genehmigung eingeholt?\u003c/li\u003e\n\u003c/ul\u003e\n\u003cp\u003eDas Bestehen einer Regelprüfung bedeutet lediglich Richtlinienkonformität und nicht automatisch eine bestimmte Wahrscheinlichkeit für geschäftlichen Erfolg. Um Werte wie „90 % Konfidenz“ anzugeben, ist ein Kalibrierungsverfahren erforderlich, bei dem frühere Prognosen mit tatsächlichen Ergebnissen verglichen und die Wahrscheinlichkeiten angepasst werden.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#geschlossener-ausf%C3%BChrungszyklus-f%C3%BCr-die-planung-von-scm-verkaufsf%C3%B6rderungsma%C3%9Fnahmen\" class=\"anchor\" id=\"geschlossener-ausführungszyklus-für-die-planung-von-scm-verkaufsförderungsmaßnahmen\"\u003e\u003c/a\u003eGeschlossener Ausführungszyklus für die Planung von SCM-Verkaufsförderungsmaßnahmen\u003c/h2\u003e\n\u003ch3\u003e\n\u003ca href=\"#1-beobachtung-des-zustands\" class=\"anchor\" id=\"1-beobachtung-des-zustands\"\u003e\u003c/a\u003e1. Beobachtung des Zustands\u003c/h3\u003e\n\u003cp\u003eDas System liest Lagerbestände, Lieferpläne, Verkaufsergebnisse, Preise, Margen, Werbeausgaben und Kanalgebühren aus. Auch der Referenzzeitpunkt und die Quelle der Daten werden erfasst.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#2-generierung-von-kandidaten\" class=\"anchor\" id=\"2-generierung-von-kandidaten\"\u003e\u003c/a\u003e2. Generierung von Kandidaten\u003c/h3\u003e\n\u003cp\u003eDas neuronale Modell erstellt mehrere Vorschläge für Verkaufsförderungsmaßnahmen und berücksichtigt dabei Umsatz und Marge, den Abbau von Lagerbeständen sowie die Wahrscheinlichkeit von Fehlbeständen. Wird eine Simulation verwendet, müssen Annahmen wie Nachfrageverteilung und Preiselastizität ausdrücklich angegeben werden.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#3-richtlinienpr%C3%BCfung\" class=\"anchor\" id=\"3-richtlinienprüfung\"\u003e\u003c/a\u003e3. Richtlinienprüfung\u003c/h3\u003e\n\u003cp\u003eDie symbolische Schicht prüft Rabattobergrenzen, Mindestmargen, Bestandsbeschränkungen, Vertragsbedingungen und Genehmigungsbefugnisse. Vorschläge mit Verstößen werden verworfen oder so angepasst, dass sie innerhalb des zulässigen Rahmens liegen.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#4-risikobasierte-genehmigung\" class=\"anchor\" id=\"4-risikobasierte-genehmigung\"\u003e\u003c/a\u003e4. Risikobasierte Genehmigung\u003c/h3\u003e\n\u003cp\u003eLeicht rückgängig zu machende Handlungen wie das Verfassen von Empfehlungstexten können automatisiert werden. Handlungen mit großen Auswirkungen, etwa Preisänderungen, Großbestellungen oder die Kontaktaufnahme mit Kunden, erfordern dagegen eine menschliche Genehmigung. Die Genehmigungsstufe kann abhängig vom Betrag, der Zahl der betroffenen Kunden und der Reversibilität unterschiedlich festgelegt werden.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#5-ausf%C3%BChrung-und-nachverfolgung\" class=\"anchor\" id=\"5-ausführung-und-nachverfolgung\"\u003e\u003c/a\u003e5. Ausführung und Nachverfolgung\u003c/h3\u003e\n\u003cp\u003eDer erwartete Umsatz, die erwartete Marge, die Kosten und die Risikospanne der ausgewählten Kampagne werden vor der Ausführung gespeichert. Nach der Ausführung werden sie mit den tatsächlichen Ergebnissen verglichen, um Abweichungen und mögliche Richtlinienverstöße nachzuverfolgen.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#6-abbruch-und-lernen\" class=\"anchor\" id=\"6-abbruch-und-lernen\"\u003e\u003c/a\u003e6. Abbruch und Lernen\u003c/h3\u003e\n\u003cp\u003eWerden eine Verlustgrenze, eine Abweichung vom Prognosebereich oder Datenanomalien erkannt, wird der Prozess automatisch abgebrochen oder an einen Menschen übergeben. Die Fehlerursachen werden in Datenfehler, fehlerhafte Annahmen, fehlende Regeln, Modellfehler und Veränderungen der externen Umgebung eingeteilt und bei der nächsten Ausführung berücksichtigt.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#warum-die-it-abteilung-dies-nicht-allein-vollenden-kann\" class=\"anchor\" id=\"warum-die-it-abteilung-dies-nicht-allein-vollenden-kann\"\u003e\u003c/a\u003eWarum die IT-Abteilung dies nicht allein vollenden kann\u003c/h2\u003e\n\u003cp\u003eArbeitsregeln sind nicht vollständig in Dokumenten festgehalten. Fachabteilungen kennen Ausnahmen und implizite Prioritäten, Richtlinien- und Rechtsverantwortliche beurteilen den zulässigen Rahmen, und Ingenieure setzen diese Vorgaben in einem ausführbaren System um.\u003c/p\u003e\n\u003cp\u003eDaher müssen mindestens die folgenden Rollen gemeinsam beteiligt sein.\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003e\n\u003cstrong\u003eDomänenverantwortliche:\u003c/strong\u003e Definition von Arbeitszielen, Entitäten, Zuständen und Ausnahmen\u003c/li\u003e\n\u003cli\u003e\n\u003cstrong\u003eRichtlinien- und Risikoverantwortliche:\u003c/strong\u003e Definition verbotener Bedingungen, Genehmigungskriterien und Prüfanforderungen\u003c/li\u003e\n\u003cli\u003e\n\u003cstrong\u003eDaten- und KI-Verantwortliche:\u003c/strong\u003e Umsetzung von Prognosen, Suche, Bewertung und Kalibrierung\u003c/li\u003e\n\u003cli\u003e\n\u003cstrong\u003ePlattformingenieure:\u003c/strong\u003e Umsetzung von Werkzeuganbindungen, Berechtigungen, Protokollen, Wiederherstellung und Monitoring\u003c/li\u003e\n\u003cli\u003e\n\u003cstrong\u003eErgebnisverantwortliche:\u003c/strong\u003e Verwaltung von Ausgangswerten, Kosten, Nutzen und Abbruchkriterien\u003c/li\u003e\n\u003c/ul\u003e\n\u003cp\u003eWenn Fachabteilungen lediglich Anforderungen übermitteln und sich anschließend aus dem Projekt zurückziehen, lässt sich die sich verändernde Arbeitsrealität nur schwer im Modell abbilden. Die Verantwortlichen für Regeln und die Aktualisierungszyklen müssen eindeutig festgelegt werden.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#methoden-zur-messung-des-ax-roi\" class=\"anchor\" id=\"methoden-zur-messung-des-ax-roi\"\u003e\u003c/a\u003eMethoden zur Messung des AX-ROI\u003c/h2\u003e\n\u003cp\u003eDie Ergebnisse von AX müssen nicht anhand von Modell-Benchmarks, sondern im Vergleich zu betrieblichen Ausgangswerten gemessen werden.\u003c/p\u003e\n\u003cp\u003eDie \u003cstrong\u003egrundlegende Formel zur ROI-Berechnung\u003c/strong\u003e lässt sich wie folgt darstellen.\u003c/p\u003e\n\u003cp\u003e\u003ccode\u003eROI = (finanzieller Nutzen - Gesamtkosten) ÷ Gesamtkosten × 100\u003c/code\u003e\u003c/p\u003e\n\u003cp\u003eZu den Gesamtkosten gehören nicht nur die Gebühren für Modellaufrufe, sondern auch die Kosten für Datenaufbereitung, Integrationsentwicklung, Prüfpersonal, Monitoring, Vorfallreaktion und Regelpflege.\u003c/p\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003eMessbereich\u003c/th\u003e\n\u003cth\u003eBeispielkennzahlen\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Messbereich\"\u003eProduktivität\u003c/td\u003e\n\u003ctd data-label=\"Beispielkennzahlen\"\u003eBearbeitungszeit pro Vorgang, automatische Abschlussquote, menschliche Prüfzeit\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Messbereich\"\u003eQualität\u003c/td\u003e\n\u003ctd data-label=\"Beispielkennzahlen\"\u003eGenauigkeit, Nachbearbeitungsquote, Richtlinienverstoßquote, Kundenbeschwerdequote\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Messbereich\"\u003eFinanzen\u003c/td\u003e\n\u003ctd data-label=\"Beispielkennzahlen\"\u003eZusätzlicher Umsatz, Margenveränderung, Bearbeitungskosten je Einheit, Lagerkosten\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Messbereich\"\u003eRisiko\u003c/td\u003e\n\u003ctd data-label=\"Beispielkennzahlen\"\u003eAnzahl fehlerhafter Ausführungen, Wiederherstellungskosten, nicht genehmigte Werkzeugaufrufe\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Messbereich\"\u003eZuverlässigkeit\u003c/td\u003e\n\u003ctd data-label=\"Beispielkennzahlen\"\u003eAbbruchquote, Erfolgsquote von Werkzeugaufrufen, Fehler bei der Prognosekalibrierung\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Messbereich\"\u003eAkzeptanz\u003c/td\u003e\n\u003ctd data-label=\"Beispielkennzahlen\"\u003eAnnahmequote von Empfehlungen, Ergebnis nach Annahme, Anteil manueller Umgehungen\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003cp\u003eNach Möglichkeit sollten eine schrittweise Einführung, eine Kontrollgruppe oder Vorher-Nachher-Vergleiche verwendet werden. Die häufige Annahme von Empfehlungen allein belegt keinen Wert. Es muss überprüft werden, ob die tatsächlichen Ergebnisse nach der Annahme besser als der Ausgangswert waren.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#reihenfolge-des-aufbaus\" class=\"anchor\" id=\"reihenfolge-des-aufbaus\"\u003e\u003c/a\u003eReihenfolge des Aufbaus\u003c/h2\u003e\n\u003col\u003e\n\u003cli\u003eEine einzelne Aufgabe mit eindeutigem finanziellem Wert und klaren Risiken auswählen.\u003c/li\u003e\n\u003cli\u003eDen aktuellen Ausgangswert und die Kosten eines Scheiterns messen.\u003c/li\u003e\n\u003cli\u003eEntitäten, Zustände, Handlungen, Einschränkungen und Genehmiger der Aufgabe definieren.\u003c/li\u003e\n\u003cli\u003eMit schreibgeschützten Assistenzfunktionen beginnen und Bewertungsdaten sammeln.\u003c/li\u003e\n\u003cli\u003eNur für reversible Handlungen mit geringem Risiko begrenzte Ausführungsberechtigungen erteilen.\u003c/li\u003e\n\u003cli\u003eSämtliche Empfehlungen, Prüfungen, Genehmigungen, Ausführungen und Ergebnisse nachverfolgen.\u003c/li\u003e\n\u003cli\u003ePrognosewahrscheinlichkeiten anhand tatsächlicher Ergebnisse kalibrieren und fehlende Regeln aktualisieren.\u003c/li\u003e\n\u003cli\u003eDen Aufgabenbereich und die Autonomie nur erweitern, wenn die Abbruchkriterien nicht erfüllt wurden.\u003c/li\u003e\n\u003c/ol\u003e\n\u003ch2\u003e\n\u003ca href=\"#grenzen-und-vorsichtsma%C3%9Fnahmen\" class=\"anchor\" id=\"grenzen-und-vorsichtsmaßnahmen\"\u003e\u003c/a\u003eGrenzen und Vorsichtsmaßnahmen\u003c/h2\u003e\n\u003cp\u003eAuch ein Business-Weltmodell ist keine vollständige Lösung. Bei einer übermäßigen Zahl von Regeln nehmen Konflikte und Wartungskosten zu, und eine auf fehlerhaften Annahmen beruhende Simulation kann trotz ihrer Ausgefeiltheit zu falschen Schlussfolgerungen führen. Zudem ist es unmöglich, sämtliche Ausnahmen einer realen Organisation im Voraus zu spezifizieren.\u003c/p\u003e\n\u003cp\u003eDaher muss ein Weltmodell nicht als fertiges Produkt, sondern als strategischer Vermögenswert verwaltet werden, der im laufenden Betrieb korrigiert wird. Änderungshistorien, Regelverantwortliche, Anwendungszeitpunkte, Testfälle und tatsächliche Ausführungsergebnisse müssen gemeinsam aufbewahrt werden, damit das betriebliche Wissen des Unternehmens auch nach einem Modellaustausch wiederverwendet werden kann.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#fazit\" class=\"anchor\" id=\"fazit\"\u003e\u003c/a\u003eFazit\u003c/h2\u003e\n\u003cp\u003eDer differenzierende Vermögenswert eines Unternehmens liegt nicht in einem bestimmten LLM, sondern in der Betriebsumgebung, in der Zustände, Regeln, Berechtigungen und Ausführungsergebnisse des Unternehmens gesammelt werden. Fine-Tuning, RAG sowie Harness- und Loop-Engineering können allesamt erforderlich sein. Ohne ein Domänenmodell, das definiert, was aus welchem Grund ausgeführt werden darf, kann jedoch lediglich die Geschwindigkeit der Automatisierung steigen.\u003c/p\u003e\n\u003cp\u003eWenn die flexible Generierung von Kandidaten durch die neuronale Schicht, die explizite Kontrolle durch die symbolische Schicht, risikobasierte menschliche Genehmigungen und die Kalibrierung anhand tatsächlicher Ergebnisse kombiniert werden, können KI-Agenten über ein PoC zu Demonstrationszwecken hinaus zu messbaren und austauschbaren Unternehmenssystemen werden.\u003c/p\u003e\n","tags":["KI-Agent","Unternehmens-KI","AX","Weltmodell","Neurosymbolische KI"],"faqs":[{"question":"Was ist ein Business-Weltmodell?","answer":"Es ist ein Modell der Betriebsumgebung, das Geschäftsobjekte, Beziehungen, den aktuellen Zustand, mögliche Aktionen, Zustandsübergänge, Berechtigungen, Richtlinienbeschränkungen und Leistungskennzahlen eines Unternehmens so darstellt, dass sie von einer AI verarbeitet werden können. Der entscheidende Punkt ist, dass es im Gegensatz zu einem einfachen Dokumentenarchiv Ausführbarkeit und Zustandsänderungen explizit beschreibt."},{"question":"Wie unterscheiden sich ein Business-Weltmodell und RAG?","answer":"RAG sucht nach externen Dokumenten oder Daten, die für eine Frage relevant sind, und stellt sie dem Modell zur Verfügung. Ein Weltmodell definiert, ob die gefundenen Informationen auf den aktuellen Zustand anwendbar sind, welche Aktionen zulässig sind und wie sich der Zustand nach einer Aktion verändert."},{"question":"Ist bei einem Weltmodell kein Fine-Tuning erforderlich?","answer":"Nein. Fine-Tuning kann nützlich sein, um stabile Ausgabeformate, Klassifizierungsverfahren oder wiederkehrende Aktionen zu optimieren. Häufig veränderliche Preise, Bestände, Vorschriften und Genehmigungsgrenzen sollten jedoch besser in einer externen Zustands- und Regelebene verwaltet werden, statt sie ausschließlich in den Gewichtungen zu speichern, da dies für Audits und Aktualisierungen vorteilhafter ist."},{"question":"Was bedeutet Harness Engineering?","answer":"Damit ist die Einrichtung von Tool-Anbindungen, Speicher, Zugriffsberechtigungen, Protokollierung, Fehlerbehandlung, Evaluierung und Mechanismen für die menschliche Genehmigung rund um ein LLM gemeint. Ein Harness hilft dem Modell, sicher zu arbeiten, definiert jedoch nicht anstelle des Unternehmens die Geschäftsregeln selbst."},{"question":"Was ist Loop Engineering?","answer":"Es ist ein Ansatz, bei dem die Beobachtung, Planung, Ausführung, Ergebnisprüfung, Korrektur und Beendigung eines Agenten als wiederholbare geschlossene Schleife konzipiert werden. Dabei müssen die Anzahl der Wiederholungsversuche, Kostenobergrenzen, Abbruchbedingungen und Kriterien für die Übergabe an einen Menschen berücksichtigt werden."},{"question":"Kann ein neurosymbolisches Weltmodell Halluzinationen vollständig verhindern?","answer":"Es kann sie nicht vollständig verhindern. Explizite Regeln und Zustandsprüfungen helfen dabei, unzulässige Ausgaben zu blockieren, doch fehlende Regeln, veraltete Daten, fehlerhafte Tool-Ergebnisse und Interpretationsfehler des Modells können weiterhin auftreten."},{"question":"Kann ein hoher Konfidenzwert vergeben werden, wenn die Regelprüfung bestanden wurde?","answer":"Das Bestehen der Regelprüfung zeigt lediglich die Richtlinienkonformität oder Ausführbarkeit, beweist jedoch nicht die Erfolgswahrscheinlichkeit. Ein Konfidenzwert sollte erst bereitgestellt werden, nachdem frühere Prognosen mit den tatsächlichen Ergebnissen verglichen und die prognostizierten Wahrscheinlichkeiten kalibriert wurden."},{"question":"Mit welchen Aufgaben sollte die Einführung von AI-Agenten beginnen?","answer":"Geeignet sind Aufgaben, bei denen sich ein Ausgangswert und die Leistung messen lassen, Fehler rückgängig gemacht werden können und die Verantwortlichen für die erforderlichen Daten und Regeln eindeutig feststehen. Zu Beginn ist es sicher, mit schreibgeschützten Empfehlungen oder begrenzten Ausführungen mit geringem Risiko zu beginnen."},{"question":"Welche Kosten sollten beim ROI der Unternehmens-AX berücksichtigt werden?","answer":"Neben den Kosten für Modelle und Infrastruktur sollten auch die Kosten für Datenaufbereitung, Systemintegration, Prüfung durch Fachabteilungen, Regelpflege, Evaluierung, Monitoring, Sicherheit, Reaktion auf Vorfälle und die Wiederherstellung nach fehlgeschlagenen Ausführungen berücksichtigt werden."},{"question":"Kann man nach der Erstellung eines Weltmodells problemlos zu einem neuen LLM wechseln?","answer":"Wenn Geschäftsregeln, Zustände, Tool-Schnittstellen und Evaluierungskriterien außerhalb des Modells getrennt verwaltet werden, steigt die Austauschbarkeit. Da sich Tool-Aufrufe, Schlussfolgerungsprozesse, Latenzzeiten und Fehlermuster jedoch je nach Modell unterscheiden, sind Regressionstests und eine erneute Kalibrierung erforderlich."}],"sources":[{"url":"https://www.rand.org/pubs/research_reports/RRA2680-1.html","title":"Die Hauptursachen für das Scheitern von Projekten im Bereich der künstlichen Intelligenz und wie sie erfolgreich sein können","type":"source"},{"url":"https://www.gartner.com/en/newsroom/press-releases/2025-06-25-gartner-predicts-over-40-percent-of-agentic-ai-projects-will-be-canceled-by-end-of-2027","title":"Gartner prognostiziert, dass bis Ende 2027 über 40 % der Agentic-AI-Projekte eingestellt werden","type":"data_point"},{"url":"https://www.nist.gov/itl/ai-risk-management-framework","title":"NIST-Rahmenwerk für das Risikomanagement bei künstlicher Intelligenz","type":"source"},{"url":"https://www.anthropic.com/research/building-effective-agents","title":"Entwicklung effektiver Agenten","type":"source"},{"url":"https://research.ibm.com/topics/neuro-symbolic-ai","title":"Neurosymbolische künstliche Intelligenz","type":"source"}],"images":[{"id":342,"url":"https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6Mzk5MCwicHVyIjoiYmxvYl9pZCJ9fQ==--3f8d25366b224c44bbb0b36d5dcaf5ce9b70e328/ai-2c4d1645.webp","is_representative":true,"generation_method":"ai_image","license":"ai_generated","mime_type":"image/webp","translations":{"ko":{"alt":"기업 데이터가 AI 네트워크와 보안 검증, 자동화를 거쳐 수익 성장으로 이어지는 흐름도","caption":"비즈니스 월드 모델이 다양한 기업 데이터를 통합해 자동화와 ROI 성장을 이끄는 과정을 보여준다.","description":null},"en":{"alt":"Flowchart of enterprise data moving through an AI network, security checks, and automation to revenue growth","caption":"The diagram shows a business world model turning enterprise data into automation and ROI growth.","description":null},"ja":{"alt":"企業データがAIネットワーク、セキュリティ検証、自動化を経て収益成長につながるフロー図","caption":"ビジネスワールドモデルが企業データを統合し、自動化とROI向上を実現する流れを示している。","description":null},"es":{"alt":"Flujo de datos empresariales por una red de IA, controles de seguridad y automatización hasta el crecimiento","caption":"El diagrama muestra cómo un modelo del mundo empresarial convierte datos en automatización y mayor ROI.","description":null},"id":{"alt":"Alur data perusahaan melalui jaringan AI, pemeriksaan keamanan, dan otomatisasi menuju pertumbuhan pendapatan","caption":"Diagram ini menunjukkan model dunia bisnis yang mengubah data perusahaan menjadi otomatisasi dan pertumbuhan ROI.","description":null},"pt":{"alt":"Fluxo de dados empresariais por rede de IA, verificações de segurança e automação até o crescimento da receita","caption":"O diagrama mostra um modelo de mundo de negócios convertendo dados em automação e crescimento do ROI.","description":null},"zh-hant":{"alt":"企業資料經由AI網路、安全驗證與自動化流程，最終轉化為營收成長的示意圖","caption":"此圖呈現商業世界模型整合企業資料並推動自動化與ROI成長的流程。","description":null},"de":{"alt":"Unternehmensdaten fließen durch KI-Netzwerk, Sicherheitsprüfungen und Automatisierung zum Umsatzwachstum","caption":"Die Grafik zeigt, wie ein Business-World-Model Unternehmensdaten in Automatisierung und ROI-Wachstum überführt.","description":null}}},{"id":343,"url":"https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6Mzk5NiwicHVyIjoiYmxvYl9pZCJ9fQ==--7f5e6edc2f2a64f6c67da0c22726743c34aaca83/ai-a2717acb.webp","is_representative":false,"generation_method":"ai_image","license":"ai_generated","mime_type":"image/webp","translations":{"ko":{"alt":"AI 로봇이 물류, 보안, 판매 단계를 연결하고 성과 지표를 최적화하는 비즈니스 흐름도","caption":"AI가 창고부터 매장까지의 운영 단계를 분석해 비즈니스 성과로 연결하는 과정을 보여준다.","description":null},"en":{"alt":"Business workflow linking an AI robot with logistics, security, sales, and performance metrics","caption":"The diagram shows AI coordinating operations from warehouse to retail and turning them into measurable outcomes.","description":null},"ja":{"alt":"AIロボットが物流、セキュリティ、販売、成果指標をつなぐビジネスフロー","caption":"AIが倉庫から店舗までの業務を分析し、測定可能な成果へつなげる流れを示している。","description":null},"es":{"alt":"Flujo empresarial que conecta un robot de IA con logística, seguridad, ventas y métricas","caption":"El diagrama muestra cómo la IA coordina las operaciones del almacén a la tienda y genera resultados medibles.","description":null},"id":{"alt":"Alur bisnis yang menghubungkan robot AI dengan logistik, keamanan, penjualan, dan metrik kinerja","caption":"Diagram ini menunjukkan AI mengoordinasikan operasi dari gudang hingga toko menjadi hasil yang terukur.","description":null},"pt":{"alt":"Fluxo empresarial conectando robô de IA a logística, segurança, vendas e métricas de desempenho","caption":"O diagrama mostra a IA coordenando operações do armazém à loja e convertendo-as em resultados mensuráveis.","description":null},"zh-hant":{"alt":"AI 機器人串聯物流、安全、銷售與績效指標的企業流程圖","caption":"此圖呈現 AI 如何協調從倉庫到門市的營運流程，並轉化為可衡量的成果。","description":null},"de":{"alt":"Geschäftsablauf mit KI-Roboter, der Logistik, Sicherheit, Vertrieb und Kennzahlen verbindet","caption":"Die Grafik zeigt, wie KI Abläufe vom Lager bis zum Geschäft koordiniert und messbare Ergebnisse erzeugt.","description":null}}}],"published_at":"2026-07-29T14:17:17+09:00","updated_at":"2026-07-29T14:17:17+09:00","license":"cc_by","translation_status":"reviewed","available_locales":["ko","en","ja","es"],"data_locales":["ko","en","ja","es","id","pt","zh-hant","de"],"url":"https://injoys.com/en/articles/business-world-model-for-enterprise-ai-transformation"}