Häufig gestellte Fragen zur
agentic AI und DI
Block 1 – Grundlagen & Technologien
Was ist Agentic AI?
Agentic AI sind KI‑Systeme, die zielorientiert handeln, selbstständig planen, Tools nutzen und mehrstufige Workflows ausführen, statt nur auf Prompts zu reagieren.Was ist Decision Intelligence (DI)?
DI ist der systematische Ansatz, Daten, Kausalmodelle und Entscheidungslogik zu verbinden, um bessere, nachvollziehbare und messbare Entscheidungen zu treffen.Was ist ein Digital Twin?
Ein Digital Twin ist ein dynamisches, datengetriebenes Modell eines realen Systems (Organisation, Prozess, Asset), in dem sich Verhalten, Szenarien und Entscheidungen virtuell durchspielen lassen.Was ist eine AI-Implementation Roadmap?
Eine AI-Implementation Roadmap beschreibt die Schritte von der Use‑Case‑Auswahl über Daten- und Plattformaufbau, Governance und Betriebsmodelle bis zur Skalierung von AI im Unternehmen.Was ist ein World Model?
Ein World Model ist eine explizite Repräsentation der relevanten Elemente, Beziehungen und Kausalitäten einer Domäne, die AI nutzt, um Aktionen und Konsequenzen besser zu „verstehen“ und zu simulieren.Was ist RAG (Retrieval-Augmented Generation)?
RAG kombiniert generative Modelle mit einer Retrieval‑Schicht, holt kontextrelevante Dokumente aus Wissensquellen und nutzt sie zur fundierten, aktuengerechten Antwortgenerierung.Was ist MCP (Model Context Protocol)?
MCP ist ein Protokoll, das den standardisierten Zugriff von Modellen auf Tools, Datenquellen und Kontexte regelt, damit Agenten sicher und strukturiert mit Systemen interagieren können.Wer ist OpenDI?
OpenDI ist eine Community‑/Ökosystem‑Initiative, die Methoden, Referenzmodelle und Open‑Ressourcen rund um Decision Intelligence bereitstellt und Praktiker vernetzt.
Block 2 - Thought Leader & Modellierung
Wer sind die Thought Leader?
Zu den prägenden Thought Leadern zählen u.a. Lorien Pratt, Cassie Kozyrkov und verschiedene DI‑Plattformanbieter, die DI als Brücke von Analytics zu Entscheidungen positionieren.Was ist ein Causal Decision Model?
Ein Causal Decision Model beschreibt, wie Handlungen über Ursache‑Wirkungs‑Ketten zu Outcomes führen und macht explizit, welche Hebel welche Effekte erzeugen.Was ist Entscheidungsmodellierung?
Entscheidungsmodellierung ist das explizite Strukturieren von Entscheidungen, Inputs, Regeln, Annahmen, Alternativen und Outcomes, um Entscheidungslogik transparent, testbar und automatisierbar zu machen.Entscheidungsmodellierung bei berechenbaren Abläufen?
Bei stabilen Abläufen nutzt man meist Regeln, Entscheidungsbäume oder DMN, weil Inputs, Schwellen und Outcomes gut bekannt und deterministisch oder eng begrenzt sind.Entscheidungsmodellierung bei outcome-based Decisions mit vielen Unbekannten?
Bei komplexen, unsicheren Entscheidungen nutzt man Kausalmodelle, Szenarien, Simulation und probabilistische Ansätze, um Alternativen über Outcome‑Verteilungen statt über fixe Punktprognosen zu bewerten.Was ist Decision Intelligence (erweiterte Definition)?
Im erweiterten Sinn ist DI die Disziplin, die Organisationsziele, Entscheidungen, Daten, Modelle, Prozesse und Technologie so verknüpft, dass aus Daten konsistent bessere Entscheidungen mit messbarem Impact entstehen.
Block 3 - Anwendungsfälle & Organisationale Fragen
Wozu DI bei Risikosimulationen?
DI verbindet Risikoannahmen, Kausalmodelle und Simulation, um Risikoexponierungen, Kettenreaktionen und wirksame Gegenmaßnahmen deutlich besser zu verstehen als mit statischen Risiko-Heatmaps.Wie unterstützt DI Risikoidentifikation und -priorisierung?
DI quantifiziert
Eintrittswahrscheinlichkeiten, Wirkstärken und Abhängigkeiten, macht Unsicherheit explizit und zeigt, welche Risiken für Ziel‑Outcomes wirklich entscheidend sind.Wozu DI bei Business Simulations?
DI‑gestützte Business Simulations erlauben, Strategien, Policies und Ressourcenzuteilungen als „Experimente“ im Modell zu testen und ihren Einfluss auf KPIs und Outcomes zu sehen, bevor man real investiert.Wie kombiniert DI Daten, Modelle und Agentic AI in Business Simulations?
Daten kalibrieren das Modell, Kausalstrukturen beschreiben Hebel und Agenten testen systematisch Handlungsoptionen, um Strategien mit hohem erwarteten Nutzen und akzeptablem Risiko zu finden.Wozu DI bei Katastrophensimulationen?
DI ermöglicht, komplexe Krisenszenarien mit Zweit- und Drittrundeneffekten zu simulieren und die Wirksamkeit von Notfallplänen, Redundanzen und Resilienzmaßnahmen vorab zu evaluieren.Wie fließen Katastrophensimulationen in Resilienz-Strategien ein?
Die Simulationsergebnisse werden genutzt, um BC‑Pläne, Krisenorganisation, Lagerbestände, Lieferantennetzwerk und Kommunikationsstrategien gezielt zu optimieren.Wozu DI bei qualitativer Due Diligence?
DI strukturiert qualitative Faktoren (Management, Kultur, Abhängigkeiten, Governance) in Ursache‑Wirkungs‑Modellen und macht sichtbar, wie sie künftige Cashflows, Risiken und Synergien beeinflussen.Wie modelliert DI weiche Faktoren in Due Diligence?
Weiche Faktoren werden in Hypothesen, Einflussgrößen und Szenarien überführt, mit Evidenz hinterlegt und in Simulationen getestet, um Bandbreiten und Downside‑Risiken zu verstehen.Wozu ein DI Center of Excellence?
Ein DI‑CoE bündelt Kompetenzen, Standards, Tooling und Governance, um DI‑Initiativen zu beschleunigen, Wiederverwendung zu fördern und Qualität sowie Compliance zu sichern.Welche Aufgaben hat ein DI CoE?
Es definiert Methoden, Referenzmodelle, Templates, Qualitäts‑ und Governance‑Regeln, betreibt zentrale Plattformkomponenten und befähigt Fachbereiche mit Schulung und Coaching.Wozu DI vor der Planung von Frühwarnsystemen?
DI hilft zuerst zu verstehen, welche Kausalpfade zu kritischen Outcomes führen und welche Indikatoren diese Pfade früh sichtbar machen, bevor man Dashboards und Schwellwerte definiert.Wie werden DI-basierte Frühwarnsysteme handlungsorientiert?
Die identifizierten Indikatoren werden mit klaren Entscheidungsregeln, Eskalationswegen und vorbereiteten Response‑Optionen verknüpft, damit ein Signal automatisch zu einem strukturierten Entscheidungsprozess führt.Wie misst man den Impact von DI und Agentic AI?
Über KPI‑Cluster wie Entscheidungsqualität (z.B. Fehler, Outcome‑Fit), Geschwindigkeit, Kosten/Nutzen, Risiko‑Reduktion und Compliance‑Nachweisbarkeit, idealerweise vor/nach Einführung und über mehrere Zyklen hinweg
L