Was ist die Entscheidungsverfolgung für KI?
Die Entscheidungsverfolgung ist die Praxis, das vollständige Denken hinter jeder Entscheidung eines KI-Agenten als strukturierte, prüfbare Artefakte zu erfassen. Im Gegensatz zu Ausführungsprotokollen, die aufzeichnen, was passiert ist, erfassen Entscheidungsverfolgungen, warum es passiert ist – die in Betracht gezogenen Optionen, die konsultierten Beweise, die abgewogenen Argumente und die ausgewählte Begründung. AIAgentree implementiert die Entscheidungsverfolgung durch Entscheidungs-Pakete: versiegelte Aufzeichnungen, die den Vorschlag, den Argumentationsbaum, Beweis-Schnappschüsse, die ausgewählte Begründung und die Ergebnisverfolgung enthalten. Die Entscheidungsverfolgung ermöglicht die Einhaltung der Artikel 12-14 der EU-KI-Verordnung, unterstützt die drei Vertrauensmodi (Mensch-in-der-Schleife, Mensch-auf-der-Schleife, volle Autonomie) und schafft institutionelles Gedächtnis durch Präzedenzfälle als Infrastruktur. Die Architektur unterscheidet normative Beziehungen (unterstützt/entgegengesetzt) von beschreibenden Beziehungen (erwähnt/bezogen auf), wodurch das Denken von KI abfragbar, vergleichbar und zitierbar wird.
Die meisten Organisationen verwechseln Protokollierung (was der Agent getan hat) mit Entscheidungsverfolgung (was entschieden wurde und warum). Die Unterscheidung ist wichtig, da Regulierung, Governance und institutionelles Gedächtnis alle von letzterem abhängen.
- •Protokolle zeichnen Ausführungsereignisse auf — API-Aufrufe, Latenz, Fehler
- •Entscheidungsspuren erfassen strukturiertes Denken — Optionen, Beweise, Begründungen, Ergebnisse
- •Entscheidungspakete sind versiegelte Artefakte, die von Prüfern abgefragt und wiedergegeben werden können.
- •Präzedenzfall entsteht automatisch aus strukturierten Entscheidungen — institutionelles Gedächtnis als Infrastruktur
Ein Regulierungsbehörde hat gerade nach den letzten 100 Entscheidungen gefragt, die Ihre KI getroffen hat.
Sie haben 30 Tage Zeit, um zu antworten. Was haben Sie eigentlich?
Die ursprüngliche These, neu formuliert
KI-Entscheidungen verdienen Belege. Protokollierung ist keine Verantwortung. Gedankenkette ist nicht die Wahrheit.
Diese Aussagen bleiben wahr. Aber sie sind unvollständig.
Die Frage "Warum sollten wir Entscheidungen festhalten?" hat eine offensichtliche Antwort: Compliance, Verantwortlichkeit, Debugging. Die schwierigere Frage ist: "Was passiert, wenn wir das tun?"
Die Antwort ist unerwartet: institutionelles Gedächtnis wird automatisch. Nicht als ein Merkmal, das Sie zusätzlich aufbauen. Nicht als ein Modul, das Sie später anbringen. Als natürliche Folge des Datenmodells.
Was "Entscheidung" tatsächlich bedeutet
Eine Entscheidung ist nicht die Modellausgabe. Es ist nicht die API-Antwort. Es ist nicht der Rückgabewert der Funktion.
Eine Entscheidung ist ein strukturiertes Artefakt, das Folgendes enthält:
- •Vorschlag — was entschieden wurde (Darlehen #1234 genehmigen)
- •Abgewogenes Beweismaterial — konsultierte Fakten, zum Zeitpunkt der Entscheidung eingefroren
- •Berücksichtigte Alternativen — Optionen, die bewertet und abgelehnt wurden
- •Ausgewählte Begründung — welche Argumente die Entscheidung getragen haben
- •Aufgezeichnetes Ergebnis — was danach geschah (sofort, 6 Monate, 1 Jahr)
Dies ist das, was AIAgentree ein Entscheidungspaket nennt — ein versiegelter, unveränderlicher Datensatz, den Prüfer abfragen, wiedergeben und zitieren können.
Was Protokolle Ihnen nicht sagen
| Ausführungsprotokoll | Entscheidungspfad |
|---|---|
genehmige_darlehen(antrags_id=1234, punktzahl=0.87) | Vorschlag: Genehmigung des Darlehens #1234 PRO: Einkommensverifizierung bestanden (Gewicht: 0.92) PRO: 3 Jahre Beschäftigungshistorie (Gewicht: 0.85) CON: Kreditwürdigkeit unterhalb der Schwelle (Gewicht: 0.78) ÜBERSTEUERUNG: Manuelle Ausnahme genehmigt von Sr. Analyst Begründung: Beschäftigungsstabilität überwiegt die Kreditbedenken Ergebnis (6 Monate): 0 versäumte Zahlungen |
| Was passiert ist. Wann es passiert ist. Wie lange es gedauert hat. | Warum es entschieden wurde. Was berücksichtigt wurde. Was danach geschah. |
Das Protokoll informiert Sie, dass der Kredit genehmigt wurde. Die Nachverfolgung sagt Ihnen warum er trotz der Bedenken bezüglich der Kreditwürdigkeit genehmigt wurde, wer die Ausnahme genehmigt hat und ob sich diese Entscheidung als gut herausgestellt hat.
Die zwei Primitiven
Das gesamte Entscheidungsverfolgungssystem basiert auf zwei Primitiven:
Primitive 1: Dauerhafte Aufzeichnung des Denkens
Nicht "was das Modell gesagt hat." Ein strukturiertes Argumentationsdiagramm mit Behauptungen, Beziehungen (unterstützt/entgegengesetzt), Beweisverweisen und Hierarchie.
Primitive 2: Dauerhafte Aufzeichnung von Ergebnissen
Nicht "das Modell gab 200 OK zurück." Ein versiegelter Entscheidungsbericht mit Ergebnis, Begründungsargumenten, Entscheidungsträger und Drei-Horizonte-Tracking.
Sobald Sie beides haben, ist Präzedenzfall nicht mehr etwas, das Sie "erinnern". Es wird zu etwas, das Sie abfragen, vergleichen und zitieren können.
Warum Normative Deskriptive übertrifft
Kontextgraphen speichern beschreibende Beziehungen: "verwandt mit," "erwähnt," "besessen von." Entscheidungsargumentgraphen speichern normative Beziehungen: "unterstützt," "lehnt ab."
Die Unterscheidung ist grundlegend:
- •Beschreibung: "Dieses Ticket erwähnt diesen Kunden"
- •Normativ: "Diese Beweise unterstützen die Genehmigung, da sie eine konsistente Zahlungshistorie zeigen."
Normative Struktur ermöglicht Erklärbarkeit, Governance und Präzedenzfälle. Deskriptive Struktur ermöglicht Suche und Entdeckung. Beide sind wertvoll. Nur eine ermöglicht institutionelles Urteil.
Wie Präzedenz (mechanisch) entsteht
Das Schwungrad
Agent erstellt Pro-/Contra-Argumentbaum
Menschen genehmigen/lehnen ab + wählen rationale Argumente aus
Entscheidung ist getroffen → Fallakte eingefroren
Nächste Entscheidung: Der Agent sucht nach diesem Fall und zitiert ihn.
Präzedenzfall wird zu einem Argumentknoten im neuen Fall.
Die Organisation erstellt eine Bibliothek von "wie wir entscheiden" Mustern.
Muster ermöglichen sichere Automatisierung (präzedenzbasierte Autonomie)
Sie erhalten institutionelles Gedächtnis als Nebenprodukt der normalen Nutzung, nicht als separate Initiative.
Von gespeichert zu abrufbar: Entscheidungen als Graph
Entscheidungen festzuhalten ist nur die halbe Miete. Die andere Hälfte besteht darin, sie zurückzubekommen — und hier zeigt das Datenmodell seinen Wert. Da jede Entscheidung als normatives Argumentgraph (Behauptungen, die durch unterstützt/entgegengesetzt Kanten verbunden sind) gespeichert wird, wird es zu einem erstklassigen Abrufsubstrat, nicht nur zu einem Archiv.
Richten Sie eine Vektorsuche auf Rohprotokolle und Sie erhalten "Chunk-Suppe" — voneinander getrennte Schnipsel, die eine Schlussfolgerung zitieren, aber das Gegenargument, den Genehmiger und den Präzedenzfall weglassen. Greifen Sie stattdessen auf den Entscheidungsgraphen zu und Sie erhalten ein begrenztes Entscheidungspaket: den Vorschlag, die Argumentation dafür und dagegen, die Beweise und das Ergebnis, intakt. Das ist GraphRAG für KI-Entscheidungen — der Grund, warum Präzedenzfälle etwas sind, das Sie abfragen und zitieren können, nicht nur etwas, das Sie sich wünschen zu erinnern. (Mehr zum Abrufsubstrat: was ist Entscheidungsabruf.)
Die drei Vertrauensmodi
Unternehmen überlassen Entscheidungen nicht über Nacht der KI. Sie entwickeln sich durch verschiedene Phasen:
Mensch-in-der-Schleife
Der Agent hilft, der Mensch entscheidet. Der Agent generiert Überlegungen; ein Mensch trifft die endgültige Entscheidung.
Mensch-in-der-Schleife
Der Agent entscheidet, der Mensch überwacht. Der Agent trifft Entscheidungen; ein Mensch kann diese überprüfen und außer Kraft setzen.
Vollständige Autonomie
Der Agent entscheidet, der Mensch prüft regelmäßig. Es gibt genügend Präzedenzfälle, um einen autonomen Betrieb zu rechtfertigen.
Der Modus der Fortschritt ist evidenzbasiert: Vertrauen ≥ 95%, ähnliche Präzedenzfälle ≥ 5 mit konsistenten Ergebnissen, Muster etabliert und validiert. Dies ist nicht "vertrauen, aber überprüfen." Dies ist "überprüfen, dann vertrauen, dann weiter überprüfen."
Was das für den Enterprise-AI-Stack bedeutet
UNTERNEHMENSKONTEXT-STACK
- •EBENE C: ÜBERLEGUNG — WARUM wurde dies entschieden? Pro-/Kontra-Bäume, Präzedenzfälle, Herkunft von Beweisen
- •EBENE B: ENTSCHEIDUNGSABSTAMMUNG — WAS wurde entschieden? Ergebnis, Vertrauen, bewertete Richtlinien, Genehmigungen
- •EBENE A: BETRIEBLICHER KONTEXT — WER/ WAS ist beteiligt? Entitäten, Beziehungen, zeitlicher Zustand (CRM, ERP)
Die meisten Teams bauen A. Einige bauen B. Fast niemand baut C gut. AIAgentree bietet C an.
Drei Möglichkeiten zur Verbindung — das SDK ist nur eine davon
Die Entscheidungsverfolgung ist kein 6-monatiges Beratungsengagement — und sie erfordert nicht unser SDK. Es gibt drei Möglichkeiten, sich zu verbinden:
- •MCP (agent-native) — der vollständige Lebenszyklus als Werkzeuge, von Anfang bis Ende: einen Trace erstellen, die Begründung aufzeichnen, die Entscheidung versiegeln (
create_trace,append_events,seal_decision) und sofort das Decision Packet abrufen (get_packet,search_precedents) — keine Bibliothek zu installieren - •REST API — jede Sprache, jede Laufzeit, null Abhängigkeiten (das SDK ist ein dünner Wrapper über diese Endpunkte)
- •SDK (Python / TypeScript) — die ergonomische Option, mit automatischer Extraktion von Schlussfolgerungen aus den Ausgaben Ihres Agenten
Der SDK-Pfad ist am kürzesten zu schreiben — eine Entscheidungsnachverfolgung in etwa zehn Zeilen:
from aiagentree import AgentreeClient
client = AgentreeClient(api_key="ask_...", base_url="https://api.aiagentree.com", tenant_id="acme")
# Trace your agent's decision point
trace = client.start_trace(
agent_id="discount-agent",
workflow_id="discount_approval",
entity_type="request",
entity_id="4521",
)
trace.add_input("discount", 0.18, source="crm")
trace.add_step("s1", title="SEV-1 incident yesterday", category="evidence", confidence=0.9)
trace.add_step("s2", title="Customer flagged as churn risk", category="evidence", confidence=0.85)
trace.add_step("s3", title="Exceeds standard 15% threshold", category="risk", confidence=0.7)
trace.seal("d1", action="approved", confidence=0.9)Die Spur ist versiegelt, zeitgestempelt und abfragbar. Wenn die nächste ähnliche Anfrage eintrifft, ist dieser Präzedenzfall abrufbar und zitierbar.
Der Compliance-Winkel
Das EU-KI-Gesetz schreibt spezifische Anforderungen für hochriskante KI-Systeme vor:
- •Artikel 12 — Automatische Protokollierung, die die Nachverfolgbarkeit von Entscheidungen und die Identifizierung von Risiken ermöglicht
- •Artikel 13 — Transparenz und Bereitstellung von Informationen für Anbieter und Nutzer
- •Artikel 14 — Maßnahmen zur menschlichen Aufsicht, die Eingriffe und Verständnis ermöglichen
Entscheidungsspuren erfüllen diese Anforderungen, indem sie strukturiertes Denken, Herkunft von Beweisen, menschliche Aufsichtshandlungen und Ergebnisspeicher erfassen – in einem Format, das Regulierungsbehörden tatsächlich abfragen und verstehen können.
Frist Dezember 2027: Hochrisiko-KI-Systeme gemäß Anhang III müssen die Anforderungen an Protokollierung und Rückverfolgbarkeit erfüllen. Wenn Ihre KI-Agenten Entscheidungen über Kredit, Beschäftigung, Bildung oder Gesundheitsversorgung treffen, läuft die Uhr.
Was Decision Tracing NICHT löst
Entscheidungsverfolgung sitzt oberhalb von operationellem Kontext. Es ersetzt nicht:
- •CRM/ERP-Systeme — Sie benötigen weiterhin Ihre Aufzeichnungssysteme
- •Beobachtungswerkzeuge — LangSmith, W&B, Arize überwachen weiterhin die Modellgesundheit
- •Identitätsauflösung — Sie benötigen weiterhin die Verknüpfung von Entitäten über Systeme hinweg
Diese Werkzeuge lösen unterschiedliche Probleme auf verschiedenen Ebenen. AIAgentree erfasst das eine Artefakt, das sie alle benötigen, aber historisch nicht gespeichert wurde: die Entscheidung selbst.
Wie man anfängt
Identifizieren Sie Ihre entscheidenden Entscheidungspunkte.
Welche Entscheidungen der Agenten beeinflussen Kunden, Compliance oder Umsatz? Fangen Sie dort an.
Integrieren Sie das 10-zeilige SDK
Umhüllen Sie Ihre vorhandene Agentenlogik mit der Trace-Erfassung. Keine Neuschreibung erforderlich.
Beantworten Sie die Regulierungsfrage
Wählen Sie einen Agenten aus und fragen Sie: "Wenn ein Regulierungsbehörde nach den letzten 100 Entscheidungen fragen würde, könnte ich dann antworten?"
Häufig gestellte Fragen
Was ist die Entscheidungsverfolgung für KI-Agenten?
Die Entscheidungsverfolgung erfasst die vollständige Begründung hinter jeder KI-Entscheidung — die in Betracht gezogenen Optionen, die konsultierten Beweise, die abgewogenen Argumente und die ausgewählte Begründung — als strukturierte, prüfbare Artefakte, die Entscheidungs-Pakete genannt werden. Im Gegensatz zu Protokollen, die aufzeichnen, was passiert ist, dokumentieren Entscheidungsverfolgungen, warum es passiert ist.
Wie unterscheidet sich die Entscheidungsverfolgung von Protokollierung oder Beobachtbarkeit?
Protokolle zeichnen Ausführungsereignisse (API-Aufrufe, Latenz, Fehler) auf. Observability-Tools überwachen die Systemgesundheit. Entscheidungsverfolgung erfasst die normative Struktur des Denkens – welche Argumente eine Entscheidung unterstützt oder dagegen gesprochen haben, welche Beweise angeführt wurden und welche Begründung das Ergebnis getragen hat. Es ist der Unterschied zwischen dem Wissen, dass ein 'Darlehen genehmigt' wurde, und dem Wissen, 'warum dieses Darlehen trotz der Bedenken bezüglich der Kreditwürdigkeit genehmigt wurde.'
Was ist ein Entscheidungsdokument?
Ein Entscheidungsdokument ist das zentrale Artefakt von AIAgentree: ein versiegelter, unveränderlicher Datensatz, der den Vorschlag (was entschieden wurde), den Argumentationsbaum (Pro-/Contra-Überlegungen), Beweis-Schnappschüsse (zum Zeitpunkt der Entscheidung eingefroren), die ausgewählte Begründung (welche Argumente die Entscheidung getragen haben) und die Nachverfolgung der Ergebnisse (was danach passiert ist) enthält. Es ist alles, was ein Regulierungsbehörde oder Prüfer benötigt, um eine Entscheidung zu verstehen und nachzuvollziehen.
Wie hilft die Entscheidungsverfolgung bei der Einhaltung der EU-KI-Verordnung?
Die Artikel 12-14 des EU AI Act verlangen von hochriskanten KI-Systemen, Protokolle zu führen, die eine Nachverfolgbarkeit von Entscheidungen ermöglichen. Entscheidungsspuren erfüllen diese Anforderungen, indem sie strukturiertes Denken, Herkunft von Beweisen, menschliche Aufsichtshandlungen und Ergebnisprotokolle erfassen — in einem Format, das von den Regulierungsbehörden tatsächlich abgefragt und verstanden werden kann.
Was sind die drei Vertrauensmodi in der KI-Governance?
Die drei Modi stellen eine Progression dar: Modus 1 (Mensch im Prozess), in dem Agenten unterstützen, aber Menschen entscheiden; Modus 2 (Mensch über dem Prozess), in dem Agenten mit menschlicher Aufsicht entscheiden; Modus 3 (Vollautonomie), in dem Agenten mit regelmäßigen Prüfungen entscheiden. Der Fortschritt zwischen den Modi basiert auf Beweisen, die durch Vertrauenswerte, Konsistenz von Präzedenzfällen und Ergebnistracking gesteuert werden.
Wie funktionieren Präzedenzfälle in der Entscheidungsverfolgung?
Wenn Entscheidungen als strukturierte Artefakte erfasst werden, entsteht automatisch Präzedenz. Ähnliche frühere Entscheidungen können nach Kategorie, Entitätsreferenzen, Argument-Tags oder politischen Einschränkungen abgerufen werden. Diese Präzedenzfälle werden zu erstklassigen Argumentknoten in neuen Entscheidungen — sie können zitiert, angefochten oder wie jeder andere Grund außer Kraft gesetzt werden. Das institutionelle Gedächtnis vervielfältigt sich mit jeder Entscheidung.
Wie lange dauert es, AIAgentree zu integrieren?
Sie können auf drei Arten verbinden: über MCP als agent-native Tools (kein SDK, keine Bibliothek), die REST API (jede Sprache, null Abhängigkeiten) oder das Python/TypeScript SDK (etwa zehn Zeilen, mit automatischer Extraktion der Argumentation). Der vollständige Lebenszyklus — eine Spur erstellen, Argumentation aufzeichnen, die Entscheidung versiegeln und das Decision Packet sofort zurückziehen — funktioniert ausschließlich über MCP, von Anfang bis Ende, ohne jegliche Bibliothek. Es gibt kein sechsmonatiges Beratungsengagement; es ist eine Infrastrukturschicht, die Sie zu Ihrem bestehenden Agenten-Stack hinzufügen.
Verwandte Themen
Verwandte Artikel
GraphRAG für KI-Entscheidungen: Warum Graphen die Vektorsuche für das Agentengedächtnis übertreffen
Der Vektor-RAG über Protokolle liefert "Chunk-Suppe" — voneinander getrennte Textfragmente, die die Gegenargumente, Genehmigungen und Präzedenzfälle vermissen, die eine Entscheidung verteidigungsfähig machten. Wenn Entscheidungen als normative Argumentgraphen gespeichert werden, liefert die Abfrage stattdessen ein begrenztes, prüfbares Entscheidungs-Paket.
EU AI-Verordnung Artikel 6: Was die Hochrisikoklassifizierung für Ihre KI-Agenten bedeutet
Artikel 6 des EU-KI-Gesetzes bestimmt, ob Ihr KI-System als "hochriskant" eingestuft wird — und löst verpflichtende Anforderungen an die Nachverfolgbarkeit aus. Wenn Ihre Agenten Entscheidungen über Kredit, Beschäftigung, Bildung oder Gesundheitsversorgung treffen, müssen Sie die Klassifizierung gemäß Anhang III vor Dezember 2027 verstehen.
Was ist ein Entscheidungs-Audit-Trail?
Das menschliche Pendant zu KI-Entscheidungen: ein vollständiger, überprüfbarer Nachweis darüber, wer was entschieden hat und warum.
AIAgentree-Team
KI-Governance
Das AIAgentree-Team baut die Infrastruktur zur Entscheidungsverfolgung für KI-Agenten auf. Unsere Mission ist es, das Denken von KI sichtbar, prüfbar und verbesserbar zu machen.
Bereit, Ihre KI-Entscheidungen zu verfolgen?
Beginnen Sie noch heute mit der Erfassung von Entscheidungsspuren. Kostenfreies Kontingent verfügbar – keine Kreditkarte erforderlich.
Kostenlose Testversion starten