---
title: "Entwurf eines Business-World-Models für ROI in der Unternehmens-AX"
locale: de
category: ai_data
category_name: "KI-Daten"
translation_status: reviewed
license: cc_by
author: "injoys"
source_url: https://injoys.com/en/articles/business-world-model-for-enterprise-ai-transformation
published_at: 2026-07-29T14:17:17+09:00
---

# Entwurf eines Business-World-Models für ROI in der Unternehmens-AX

> 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.

## 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.

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.

Dafür 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.

## Warum sich der Maßstab für AX von der Einführungsmenge zum ROI verlagert

Bei 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.

Gartner 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.

Die 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.

### Warum sich die bisherige DX-Methode nicht unverändert anwenden lässt

Traditionelle Arbeitssysteme sind statische Werkzeuge mit vergleichsweise klaren Eingaben und Verarbeitungsregeln. KI-Agenten sind dagegen dynamische Systeme, die den folgenden Prozess wiederholen.

1. Sie beobachten Dokumente, Datenbanken, APIs oder Benutzeranfragen.
2. Sie interpretieren den aktuellen Zustand und das Ziel.
3. Sie wählen ein Werkzeug oder die nächste Handlung aus.
4. Sie führen Aufgaben aus, die externe Systeme beeinflussen.
5. Sie überprüfen das Ergebnis und passen den Plan an.

Wenn 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.

## Unterschiede zwischen Fine-Tuning, RAG, Harness, Loop und Weltmodell

Die einzelnen Ansätze ersetzen einander nicht, sondern sind Komponenten, die unterschiedliche Probleme lösen.

| Ansatz | Hauptzweck | Stärken | Grenzen bei alleiniger Anwendung |
|---|---|---|---|
| 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 |
| 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 |
| 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 |
| Loop-Engineering | Gestaltung wiederholter Beobachtungs-, Planungs-, Ausführungs- und Bewertungszyklen | Wiederholungsversuche, Selbstkorrektur, menschliche Genehmigung und Ergebnisfeedback | Schwache Abbruchbedingungen führen zu steigenden Kosten und wiederkehrenden Fehlern |
| Business-Weltmodell | Spezifikation der Unternehmensumgebung und ihrer Zustandsänderungen | Ausführbarkeit, Richtlinienkonformität, Folgenverfolgung und Simulation | Aufbau und Pflege erfordern die kontinuierliche Beteiligung von Domänenexperten |

Fine-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.

## Komponenten eines Business-Weltmodells

Ein 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.

| Komponente | Frage | Beispiel aus SCM und Verkaufsförderung |
|---|---|---|
| Entitäten | Was existiert? | Produkte, Kundengruppen, Regionen, Lager, Kanäle, Kampagnen |
| Beziehungen | Wie sind die Entitäten miteinander verbunden? | Lieferanten je Produkt, Vertriebskanäle je Region |
| Zustand | Was trifft aktuell zu? | Lagerbestand, Verkaufspreis, Vertragsstatus, verbleibendes Budget |
| Handlungen | Welche Änderungen können ausgeführt werden? | Preisänderung, Bestellung, Werbeschaltung, Kampagnenabbruch |
| Übergangsbedingungen | Wie verändert sich der Zustand nach einer Handlung? | Nach Genehmigung einer Bestellung sinkt das verfügbare Budget und die erwartete Wareneingangsmenge steigt |
| Einschränkungen | Was ist verboten oder eingeschränkt? | Mindestmarge, Rabattobergrenze, Beschränkung der Nutzung personenbezogener Daten |
| Berechtigungen | Wer genehmigt was? | Genehmigung durch Teamleitung oder Führungskräfte je nach Rabattspanne |
| Ziele | Was wird optimiert? | Nicht nur der Umsatz, sondern eine Kombination aus Marge, Lagerumschlag und Fehlbestandsrisiko |
| Beobachtung | Woran wird das Ergebnis überprüft? | Bestellungen, Rücksendungen, Werbeausgaben, tatsächliche Marge, Kundenbeschwerden |

Diese 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.

## Wie eine neurosymbolische Struktur funktioniert

Neurosymbolische 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.

### Neuronale Schicht: Generierung von Kandidaten und Umgang mit Unsicherheit

LLM 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.

Die 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.

### Symbolische Schicht: Überprüfung verbindlicher Regeln und der Ausführbarkeit

Die symbolische Schicht prüft explizite Bedingungen wie die folgenden.

- Liegt die erwartete Marge nach dem Rabatt mindestens auf der vom Unternehmen festgelegten Untergrenze?
- Besteht eine vertragliche Berechtigung, das Produkt in der betreffenden Region zu verkaufen?
- Ist noch Kampagnenbudget vorhanden?
- Liegt der Zweck der Nutzung von Kundendaten innerhalb des Einwilligungsumfangs?
- Kann bei einem Fehlschlag der ursprüngliche Zustand wiederhergestellt werden?
- Wurde die erforderliche menschliche Genehmigung eingeholt?

Das 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.

## Geschlossener Ausführungszyklus für die Planung von SCM-Verkaufsförderungsmaßnahmen

### 1. Beobachtung des Zustands

Das System liest Lagerbestände, Lieferpläne, Verkaufsergebnisse, Preise, Margen, Werbeausgaben und Kanalgebühren aus. Auch der Referenzzeitpunkt und die Quelle der Daten werden erfasst.

### 2. Generierung von Kandidaten

Das 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.

### 3. Richtlinienprüfung

Die symbolische Schicht prüft Rabattobergrenzen, Mindestmargen, Bestandsbeschränkungen, Vertragsbedingungen und Genehmigungsbefugnisse. Vorschläge mit Verstößen werden verworfen oder so angepasst, dass sie innerhalb des zulässigen Rahmens liegen.

### 4. Risikobasierte Genehmigung

Leicht 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.

### 5. Ausführung und Nachverfolgung

Der 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.

### 6. Abbruch und Lernen

Werden 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.

## Warum die IT-Abteilung dies nicht allein vollenden kann

Arbeitsregeln 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.

Daher müssen mindestens die folgenden Rollen gemeinsam beteiligt sein.

- **Domänenverantwortliche:** Definition von Arbeitszielen, Entitäten, Zuständen und Ausnahmen
- **Richtlinien- und Risikoverantwortliche:** Definition verbotener Bedingungen, Genehmigungskriterien und Prüfanforderungen
- **Daten- und KI-Verantwortliche:** Umsetzung von Prognosen, Suche, Bewertung und Kalibrierung
- **Plattformingenieure:** Umsetzung von Werkzeuganbindungen, Berechtigungen, Protokollen, Wiederherstellung und Monitoring
- **Ergebnisverantwortliche:** Verwaltung von Ausgangswerten, Kosten, Nutzen und Abbruchkriterien

Wenn 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.

## Methoden zur Messung des AX-ROI

Die Ergebnisse von AX müssen nicht anhand von Modell-Benchmarks, sondern im Vergleich zu betrieblichen Ausgangswerten gemessen werden.

Die **grundlegende Formel zur ROI-Berechnung** lässt sich wie folgt darstellen.

`ROI = (finanzieller Nutzen - Gesamtkosten) ÷ Gesamtkosten × 100`

Zu den Gesamtkosten gehören nicht nur die Gebühren für Modellaufrufe, sondern auch die Kosten für Datenaufbereitung, Integrationsentwicklung, Prüfpersonal, Monitoring, Vorfallreaktion und Regelpflege.

| Messbereich | Beispielkennzahlen |
|---|---|
| Produktivität | Bearbeitungszeit pro Vorgang, automatische Abschlussquote, menschliche Prüfzeit |
| Qualität | Genauigkeit, Nachbearbeitungsquote, Richtlinienverstoßquote, Kundenbeschwerdequote |
| Finanzen | Zusätzlicher Umsatz, Margenveränderung, Bearbeitungskosten je Einheit, Lagerkosten |
| Risiko | Anzahl fehlerhafter Ausführungen, Wiederherstellungskosten, nicht genehmigte Werkzeugaufrufe |
| Zuverlässigkeit | Abbruchquote, Erfolgsquote von Werkzeugaufrufen, Fehler bei der Prognosekalibrierung |
| Akzeptanz | Annahmequote von Empfehlungen, Ergebnis nach Annahme, Anteil manueller Umgehungen |

Nach 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.

## Reihenfolge des Aufbaus

1. Eine einzelne Aufgabe mit eindeutigem finanziellem Wert und klaren Risiken auswählen.
2. Den aktuellen Ausgangswert und die Kosten eines Scheiterns messen.
3. Entitäten, Zustände, Handlungen, Einschränkungen und Genehmiger der Aufgabe definieren.
4. Mit schreibgeschützten Assistenzfunktionen beginnen und Bewertungsdaten sammeln.
5. Nur für reversible Handlungen mit geringem Risiko begrenzte Ausführungsberechtigungen erteilen.
6. Sämtliche Empfehlungen, Prüfungen, Genehmigungen, Ausführungen und Ergebnisse nachverfolgen.
7. Prognosewahrscheinlichkeiten anhand tatsächlicher Ergebnisse kalibrieren und fehlende Regeln aktualisieren.
8. Den Aufgabenbereich und die Autonomie nur erweitern, wenn die Abbruchkriterien nicht erfüllt wurden.

## Grenzen und Vorsichtsmaßnahmen

Auch 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.

Daher 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.

## Fazit

Der 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.

Wenn 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.

## FAQ

### Was ist ein Business-Weltmodell?
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.

### Wie unterscheiden sich ein Business-Weltmodell und RAG?
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.

### Ist bei einem Weltmodell kein Fine-Tuning erforderlich?
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.

### Was bedeutet Harness Engineering?
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.

### Was ist Loop Engineering?
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.

### Kann ein neurosymbolisches Weltmodell Halluzinationen vollständig verhindern?
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.

### Kann ein hoher Konfidenzwert vergeben werden, wenn die Regelprüfung bestanden wurde?
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.

### Mit welchen Aufgaben sollte die Einführung von AI-Agenten beginnen?
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.

### Welche Kosten sollten beim ROI der Unternehmens-AX berücksichtigt werden?
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.

### Kann man nach der Erstellung eines Weltmodells problemlos zu einem neuen LLM wechseln?
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

- [Die Hauptursachen für das Scheitern von Projekten im Bereich der künstlichen Intelligenz und wie sie erfolgreich sein können](https://www.rand.org/pubs/research_reports/RRA2680-1.html)
- [Gartner prognostiziert, dass bis Ende 2027 über 40 % der Agentic-AI-Projekte eingestellt werden](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)
- [NIST-Rahmenwerk für das Risikomanagement bei künstlicher Intelligenz](https://www.nist.gov/itl/ai-risk-management-framework)
- [Entwicklung effektiver Agenten](https://www.anthropic.com/research/building-effective-agents)
- [Neurosymbolische künstliche Intelligenz](https://research.ibm.com/topics/neuro-symbolic-ai)

## Images

![Unternehmensdaten fließen durch KI-Netzwerk, Sicherheitsprüfungen und Automatisierung zum Umsatzwachstum](https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6Mzk5MCwicHVyIjoiYmxvYl9pZCJ9fQ==--3f8d25366b224c44bbb0b36d5dcaf5ce9b70e328/ai-2c4d1645.webp)
![Geschäftsablauf mit KI-Roboter, der Logistik, Sicherheit, Vertrieb und Kennzahlen verbindet](https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6Mzk5NiwicHVyIjoiYmxvYl9pZCJ9fQ==--7f5e6edc2f2a64f6c67da0c22726743c34aaca83/ai-a2717acb.webp)