Entscheidungs­unterstützung: Kontext für fundierte Entscheidungen

Was digitale Entscheidungsunterstützung leistet

Die Einordnung als eigene Systemklasse gehört bereits zur klassischen Fachliteratur. Ralph H. Sprague beschreibt Decision Support Systems als eigene Systemklasse zwischen reiner Informationsbereitstellung und vollständig vorgegebenen Transaktionsabläufen. Im Mittelpunkt stehen Entscheidungen, bei denen ein Teil der Bearbeitung modellierbar ist, während Bewertung, Abwägung oder Ausnahmebehandlung menschliches Urteil benötigen.^[1]

Ein solches System beantwortet deshalb nicht nur die Frage „Welche Daten liegen vor?“. Es stellt einen Zusammenhang her: Welche Entscheidung steht an? Welche Ziele und Grenzen gelten? Welche Alternativen sind möglich? Welche Hinweise sprechen für oder gegen eine Option? Und welche Unsicherheit bleibt bestehen?

Der Begriff bezeichnet keine einzelne Technologie. Ein Entscheidungsunterstützungssystem kann mit einfachen Regeln, statistischen Verfahren, Simulationen, Optimierungsmodellen oder maschinellem Lernen arbeiten. Entscheidend ist nicht die technische Methode, sondern die Funktion im Arbeitsprozess: Das System bereitet eine Entscheidung vor, ohne seine Ausgabe mit der Entscheidung selbst gleichzusetzen.

Beispiel: Eine Abweichung lässt mehrere Fragen offen

In einem fiktiven Fall liegt ein Messwert der Charge C24 außerhalb des betrieblichen Zielbereichs. Für das Beispiel ist festgelegt: Die Charge bleibt zunächst gesperrt. Zu entscheiden ist anschließend, ob eine fachlich zulässige Nacharbeit untersucht oder eine Verwerfung vorbereitet werden soll. Eine erneute Messung ist keine beliebige Möglichkeit, ein unerwünschtes Ergebnis zu ersetzen.

Das System kann die Optionen anhand derselben Kriterien darstellen: Welche technische Voraussetzung gilt? Welche zusätzliche Prüfung wäre erforderlich? Welcher Aufwand entsteht? Welche Angaben fehlen? Eine mögliche Nacharbeit bleibt beispielsweise offen, solange die Eignung des Verfahrens für diese Produktfassung ungeklärt ist. Ein günstiger Kostenwert kann diese fehlende Voraussetzung nicht aufwiegen.

Die Fachkraft benötigt somit keine einzelne Gesamtnote, sondern eine erkennbare Trennung zwischen Ausschlussbedingungen und abwägbaren Kriterien. Sie kann die Untersuchung der Nacharbeit beauftragen, weitere Angaben anfordern oder die zulässige andere Option verfolgen. Die anfängliche Sperre bleibt davon getrennt.

Der Fall zeigt den Nutzen der Unterstützung: Sie ordnet den Entscheidungsraum. Sie erzeugt weder eine zusätzliche Befugnis noch die fachliche Zulässigkeit einer bisher ungeprüften Handlung.

Die Entscheidungssituation bestimmt die Unterstützung

Unterstützung ist nur dann nützlich, wenn sie auf eine konkrete Entscheidungssituation ausgerichtet ist. Ein allgemeines Dashboard kann zahlreiche Kennzahlen anzeigen und trotzdem offenlassen, welche Handlung daraus folgt. Ein Entscheidungsunterstützungssystem beginnt dagegen beim Entscheidungsbedarf.

Eine solche Situation lässt sich durch mehrere Elemente beschreiben:

Diese Elemente unterscheiden sich je nach Aufgabe. Die Entscheidung über eine Nachprüfung benötigt andere Daten und Kriterien als die Auswahl eines Produktionspfads oder die Freigabe einer Charge. Ein generischer Empfehlungssatz ohne Bezug zu Ziel, Rolle und Prozessphase kann deshalb plausibel wirken und dennoch betrieblich unbrauchbar sein.

Auch der Zeitpunkt gehört zur Situation. Eine Information kann zu Beginn einer Aufgabe relevant, nach einer Messung überholt und vor der Freigabe erneut entscheidend sein. Gute Unterstützung erscheint am tatsächlichen Entscheidungspunkt und verwendet den zu diesem Zeitpunkt gültigen Kontext.

Daten, Modelle und Dialog bilden den Kern

Die klassische DSS-Architektur unterscheidet drei eng verbundene Bereiche: eine Datenbasis, eine Modellbasis und den Dialog mit dem Nutzer.^[1] Moderne Systeme ergänzen diese Bereiche häufig um Wissensbestände, Regelwerke und Dienste zur Erklärung oder Protokollierung. Das Grundprinzip bleibt jedoch erhalten.

Die Datenbasis stellt Tatsachen zur aktuellen Situation bereit. Dazu können Auftragsdaten, Materialzustände, Messwerte, Ereignisse, Ressourcen, Dokumentversionen oder frühere Entscheidungen gehören. Ihre Herkunft und zeitliche Gültigkeit müssen erkennbar sein. Veraltete oder aus einem anderen Kontext übernommene Daten können eine formal korrekte Auswertung in die falsche Richtung führen.

Die Modellbasis verarbeitet diese Daten. Ein Modell kann Grenzwerte prüfen, Varianten vergleichen, Folgen simulieren, Risiken bewerten oder eine Rangfolge von Optionen erzeugen. Modelle vereinfachen immer einen Ausschnitt der Wirklichkeit. Ihre Annahmen, Einsatzgrenzen und Versionen gehören daher zur Interpretation des Ergebnisses.

Der Dialog verbindet das System mit der entscheidenden Person. Er zeigt nicht nur ein Resultat, sondern sollte auch die zugrunde liegenden Kriterien, Abweichungen und offenen Punkte verständlich machen. Ebenso wichtig sind Rückfragen, Korrekturen und die Möglichkeit, eine Empfehlung zurückzuweisen oder eine zusätzliche Prüfung anzufordern.

Ein System kann technisch leistungsfähig sein und trotzdem schlechte Unterstützung leisten, wenn einer dieser Bereiche fehlt. Ein gutes Modell mit unvollständigen Daten bleibt unsicher. Vollständige Daten ohne entscheidungsbezogene Aufbereitung überfordern. Eine klare Oberfläche ohne belastbare Berechnungs- und Herkunftslogik erzeugt lediglich den Eindruck von Sicherheit.

Ein Entscheidungsunterstützungssystem macht ein Modell nicht automatisch richtig. Annahmen, Grenzen und Eignung für den Verwendungszweck müssen geprüft werden.

Innerhalb der Modellbasis hilft eine weitere Trennung. Weske unterscheidet bei der Entscheidungsmodellierung die Struktur der Entscheidungen und ihrer benötigten Eingaben von der konkreten Logik, mit der ein Ergebnis bestimmt wird. Damit werden drei Fragen getrennt: Welche Daten liegen vor, welche Entscheidungen hängen von diesen Daten oder anderen Entscheidungen ab, und nach welchen Regeln oder Berechnungen entsteht jeweils ein Ergebnis?^[5] Aus der Modellierung dieser Zusammenhänge folgt noch nicht, ob ein Softwaredienst oder ein Mensch die Entscheidung trifft.

Bei C24 sind Produktfassung, Anlage und Messwerte Eingangsdaten. Die Entscheidungsstruktur macht den Vergleich von Nacharbeitsoptionen von der vorherigen Beurteilung ihrer fachlichen Eignung abhängig. Die Logik legt beispielsweise fest, für welche Kombination aus Produktfassung und Anlage ein freigegebenes Verfahren gilt und wie Kosten und Dauer geeigneter Optionen verglichen werden. Bleibt die Eignung ungeklärt, kann eine Kostenberechnung diese Beurteilung nicht ersetzen. Ein Abhängigkeitsdiagramm allein beschreibt noch nicht die Regeln; ein berechnetes Ergebnis verleiht keine Befugnis zur Chargenfreigabe.

Von der Beschreibung bis zur Handlungsoption

Entscheidungsunterstützung kann unterschiedlich weit reichen. Die Stufen sind keine zwingende Reifegradfolge; je nach Aufgabe kann eine einfache, transparente Unterstützung geeigneter sein als eine komplexe Empfehlung.

Schon eine beschreibende Darstellung kann eine Entscheidung wirksam unterstützen, wenn sie die richtigen Informationen im richtigen Moment bündelt. Eine Empfehlung ist nicht automatisch wertvoller. Je stärker das System Optionen bewertet oder priorisiert, desto wichtiger werden dokumentierte Ziele, nachvollziehbare Annahmen und eine Prüfung möglicher Fehlanwendungen.

Insbesondere eine Prognose ist noch keine Entscheidung. Sie beschreibt eine erwartete Entwicklung unter bestimmten Daten und Annahmen. Erst die verantwortliche Bewertung verbindet diese Erwartung mit akzeptablen Risiken, betrieblichen Zielen und geltenden Vorgaben.

Die Empfehlung muss zur Entscheidungssituation passen

Für C24 kann ein Nacharbeitsverfahren an Anlage A freigegeben sein, an Anlage B jedoch ungeprüft. Derselbe Verfahrensname reicht dann nicht aus, um die Option für beide Anlagen als verfügbar darzustellen. Der Bezug zur Produktfassung, Anlage und geltenden Vorgabe begrenzt die Bewertung.

Bei mehreren Datenquellen wird semantische Interoperabilität zur konkreten Entscheidungsfrage: Bezeichnet „freigegeben“ die logistische Verfügbarkeit oder die fachliche Erlaubnis für diese Verwendung? Eine Rangfolge auf Grundlage der falschen Bedeutung wäre trotz korrekter Berechnung ungeeignet.

Fehlende Voraussetzungen gehören deshalb neben die betroffene Option. Sie dürfen nicht erst in einem allgemeinen Datenqualitätsvermerk am Ende der Ansicht erscheinen.

Unsicherheit darf nicht hinter einem Score verschwinden

Viele Entscheidungssituationen enthalten Unsicherheit. Daten können fehlen, Messungen streuen, Modelle nur für bestimmte Bereiche validiert sein oder zukünftige Entwicklungen mehrere plausible Verläufe zulassen. Eine einzelne Kennzahl kann diese Unsicherheit verdecken.

Ein Score von 82 Prozent sagt ohne Kontext wenig aus. Unklar bleibt, was gemessen wird, wie der Wert kalibriert wurde, welche Daten zugrunde liegen und welche Konsequenzen ein Fehler hätte. Auch eine Rangfolge von Alternativen kann stabil wirken, obwohl kleine Änderungen der Annahmen ihre Reihenfolge umkehren würden.

Ein geeignetes System kennzeichnet daher Datenqualität, Modellgrenzen und offene Annahmen. Es kann Bandbreiten statt Scheingenauigkeit zeigen, Sensitivitäten erläutern oder eine Entscheidung an eine zusätzliche Prüfung koppeln. Wenn die Eingaben außerhalb des vorgesehenen Einsatzbereichs liegen, sollte das System nicht selbstbewusst weiterrechnen, sondern diesen Zustand sichtbar machen.

Die verantwortliche Person entscheidet dann nicht trotz Unsicherheit, sondern unter Kenntnis ihrer Art und Tragweite. Das ist ein wesentlicher Unterschied zwischen transparenter Unterstützung und einer bloßen Autoritätswirkung technischer Zahlen.

Empfehlungen müssen prüfbar bleiben

Eine Ausgabe wird nicht dadurch belastbar, dass sie präzise formuliert ist. Die entscheidende Person benötigt eine nachvollziehbare Verbindung zwischen Situation, Eingangsdaten, angewendetem Modell und vorgeschlagener Option.

Je nach Verfahren kann diese Verbindung unterschiedlich dargestellt werden. Bei einer Regelprüfung lassen sich die ausgelöste Regel und die betroffenen Werte zeigen. Bei einem Kriterienvergleich können Gewichtungen und Zielkonflikte sichtbar werden. Bei einer Prognose gehören Unsicherheitsbereich, Datenstand und Annahmen zur Ausgabe. Bei einem lernenden Modell können zusätzlich geeignete Erklärmethoden notwendig sein.

Bei erklärbaren Entscheidungsempfehlungen muss die angezeigte Begründung den tatsächlich verwendeten Daten, Regeln und Berechnungen entsprechen. Einschränkungen dieser Grundlage müssen für die entscheidende Person sichtbar bleiben.

Das NIST AI Risk Management Framework betont für KI-Systeme unter anderem Validität, Zuverlässigkeit, Transparenz, Erklärbarkeit und Interpretierbarkeit. Es weist zugleich darauf hin, dass Risiken stark vom Einsatzkontext abhängen und Ergebnisse aus kontrollierten Umgebungen nicht ohne Weiteres dem Verhalten im realen Betrieb entsprechen.^[2] Diese Hinweise betreffen speziell KI-basierte Unterstützung, verdeutlichen aber ein allgemeines Prinzip: Eine Methode muss für ihren konkreten Verwendungszweck bewertet werden.

Nachvollziehbarkeit bedeutet nicht, dass jede Person sämtliche mathematischen Details prüfen muss. Die Darstellung muss zur Rolle passen. Eine ausführende Person benötigt andere Erklärungen als ein Modellverantwortlicher oder eine freigabeberechtigte Fachkraft. Allen gemeinsam ist jedoch der Bedarf, Tragweite und Grenzen der Ausgabe zu erkennen.

Abgrenzung zu Dashboard, Regelautomation und autonomer Entscheidung

Nicht jede Informationsdarstellung ist ein Entscheidungsunterstützungssystem. Ein Dashboard visualisiert Kennzahlen und Zustände. Es kann Teil eines DSS sein, stellt aber nicht zwingend einen Bezug zu einer konkreten Entscheidung, ihren Alternativen und Kriterien her.

Auch eine fest programmierte Regel ist nicht automatisch Entscheidungsunterstützung. Wenn ein System bei jedem Wert über einem Grenzwert zwingend einen Prozess stoppt, führt es eine definierte Kontrolllogik aus. Das kann fachlich richtig und notwendig sein, ist aber etwas anderes als die Unterstützung einer noch abzuwägenden Entscheidung.

Bei einer automatisierten Entscheidung wählt das System selbst eine Option und löst die zugehörige Wirkung aus. Ein Entscheidungsunterstützungssystem kann dagegen Optionen berechnen oder empfehlen, während Auswahl und Freigabe bei einer berechtigten Person bleiben. In der Praxis können beide Formen innerhalb eines Prozesses nebeneinander vorkommen: eindeutig regelbare Kontrollen laufen automatisch, komplexe Ausnahmen werden zur Bewertung vorgelegt.

Die Grenze muss organisatorisch und technisch erkennbar sein. Ein Bestätigungsdialog, den Beschäftigte ohne realistische Prüfmöglichkeit lediglich anklicken, schafft noch keine verantwortliche Entscheidung. Human in the Loop bedeutet deshalb mehr als die bloße Anwesenheit eines Menschen: Entscheidend sind ausreichender Kontext, Kompetenz, Zeit und eine reale Eingriffsmöglichkeit.

Ein Entscheidungsunterstützungssystem ersetzt keine klare Verantwortung. Rollen und Entscheidungsbefugnisse müssen organisatorisch festgelegt sein.

Wirkung im realen Arbeitsablauf prüfen

Die Qualität eines Entscheidungsunterstützungssystems lässt sich nicht allein an der Genauigkeit eines Modells beurteilen. Entscheidend ist, wie es den tatsächlichen Arbeitsablauf verändert. Wird relevante Information schneller gefunden? Werden Ausnahmen früher erkannt? Verstehen Nutzer die Ausgabe? Entstehen neue Fehlanreize oder wird einer Empfehlung zu häufig ungeprüft gefolgt?

Geeignete Bewertung verbindet deshalb mehrere Perspektiven: technische Leistung, Datenqualität, Verständlichkeit, Bearbeitungszeit, Fehlentscheidungen, notwendige Eskalationen und beobachtete betriebliche Folgen. Auch Unterschiede zwischen Nutzergruppen und Situationen sind relevant.

DECIDE-AI ist eine Berichtsleitlinie für frühe klinische Untersuchungen KI-basierter Entscheidungshilfen. Sie strukturiert die Darstellung von klinischer Leistung, Sicherheit und menschlichen Faktoren.^[3] Die Leitlinie schreibt kein festes Studiendesign vor; vollständige Berichterstattung allein belegt keine methodische Qualität. Sie ist nicht unmittelbar auf industrielle Prozesse übertragbar, verdeutlicht aber, weshalb eine Modellkennzahl den Nutzen im tatsächlichen Arbeitsablauf nicht vollständig abbildet.

Nach der Einführung sollte daher beobachtet werden, wann Empfehlungen akzeptiert, verändert oder zurückgewiesen werden und welche Wirkung daraus entsteht. Das dient nicht dazu, menschliche Abweichungen automatisch als Fehler zu behandeln. Es hilft vielmehr, Daten, Modelle, Darstellung und organisatorische Regeln kontrolliert weiterzuentwickeln.

Eine offene Voraussetzung darf nicht im Gesamtscore verschwinden

Im Fall C24 entscheidet die ungeklärte Verfahrenseignung darüber, ob Nacharbeit überhaupt als Option weiterverfolgt werden kann. Kosten und Dauer werden erst innerhalb dieses zulässigen Spielraums abgewogen.

Gute Entscheidungsunterstützung hält diese Ebenen auseinander. Ihr Ergebnis ist eine nachvollziehbare Abwägung mit benannten Voraussetzungen, verbleibender Unsicherheit und einer zuständigen Person, die tatsächlich entscheiden kann.

Ein Entscheidungsunterstützungssystem garantiert keine optimale Entscheidung. Ziele können konkurrieren, Informationen können fehlen und Situationen können neuartig sein. Es ist kein pauschaler Compliance-Nachweis. Fachliche, regulatorische und rechtliche Anforderungen bleiben gesondert zu beurteilen.