KI-basierte Entscheidungs- und Optimierungsalgorithmen zeichnen sich durch ihre Adaptivität aus, die im Gegensatz zu den klassischen ihr Verhalten fortlaufend an neue Datensituationen anpassen. Damit unterstützen sie Unternehmen bei komplexen Planungs- und Steuerungsaufgaben in den Geschäftsprozessen.

Mit der rasanten Entwicklung generativer KI stellt sich die Frage: Wie lassen sich diese KI-Optimierungen und generative KI so integrieren, dass Unternehmen ihre Ergebnisse nicht nur mit KI besser berechnen und nutzen, sondern auch das Zustandekommen der Ergebnisse besser nachvollziehen können? Und dann noch die weitere spannende Frage: Kann ein Austausch mit den Algorithmen auch natürlichsprachlich erfolgen?

Wie KI-Optimierungen verständlicher werden

Adaptive KI-Optimierungen unterstützen als faktenbasierte KI-Anwendungen die Sequenzierung und das Scheduling in der Auftragsabarbeitung sowie die Einsatzplanung von Ressourcen allgemein und passen sich dabei kontinuierlich neuen Bedingungen an. Hier liegt die Herausforderung: Die Ergebnisse sind faktenbasiert korrekt, aber numerisch hochkomplex. Daher bleibt ihre fachliche Einordnung oft lediglich wenigen Experten vorbehalten. Oberflächen visualisieren zwar die Ergebnisse, erklären jedoch nicht automatisch, warum und wie bestimmte Entscheidungen getroffen wurden.

Zudem liegt für die Entscheidungsfindung relevantes Wissen in Handbüchern, Wartungsdokumentationen, Vertragsunterlagen oder Richtlinien verteilt vor. Es ist vorhanden, aber selten direkt mit den Optimierungsergebnissen sichtbar verknüpft. Klassische Suchfunktionen stoßen aufgrund des fehlenden Bezugs zu KI-Optimierungen hier an Grenzen.

Gleichzeitig steigen die Anforderungen an Transparenz und Governance. Fachbereiche erwarten nachvollziehbare Begründungen, Unternehmen müssen Datenhoheit und Compliance sichern. Fehlt eine verständliche Schnittstelle zwischen Optimierung und Fachwissen, entstehen Akzeptanzprobleme und Abstimmungsaufwände.

Ein KI-Wissensdialog auf Basis von LLM und RAG

Die neueste Generation der KI-Entscheidungs- und Optimierungsverfahren verbindet adaptive KI mit GenAI und RAG. Chatbasierte LLM-Komponenten wie z. B. Gemini erklären sprachlich berechnete Optimierungsergebnisse außerhalb des Sprachmodells. Das System nutzt gelernte Vorhersagemuster und bindet anwendungsbezogene Dokumente wie Produkthandbücher, Wartungs- oder Vertragsunterlagen ein. So entsteht für Unternehmen ein dialogfähiger Zugang zum Prozesswissen.

Lösungen wie das PSIqualicision-AI-Framework in Kombination mit dem Tool PSIqualicision A2 (Ask and Answer) verbinden KI-Optimierungslogik, qualitatives Labeln und RAG-/LLM-basierte Erklärungskomponenten zu einer konsistenten Anwendung. Unternehmen konfigurieren das System mit eigenen Dokumenten, behalten die Kontrolle über Inhalte und Daten und sichern so Datenschutz und Compliance.

Mehr Transparenz, bessere Steuerbarkeit, höhere Akzeptanz

Die Integration von Gen-AI-basierten RAG-Anwendungen mit KI-Entscheidungs- und Optimierungssoftware schafft konkrete Mehrwerte. Erstens steigt die sprachliche Erklärbarkeit, da sich die Ergebnisse vorausschauend und zielbezogen verständlich erläutern lassen. Wobei, letztere in Entscheidungssituationen eine ergebnisorientierte Prozesssteuerung unterstützen.

Zweitens ermöglicht der Wissensdialog die interaktive Steuerung der Entscheidungs-KI durch sprachlich formulierte Impulse wie Einstellungen von Präferenzen oder die Festlegung von KPIs. Die neuen KI-Systeme bilden dazu passende, teils automatisch oder qualitativ gelabelte Entscheidungsparameter und maschinell gelernte Steuerungsvorschläge ab und beschleunigen spürbar die Entscheidungsfindung.

So schafft der Wissensdialog einen zusätzlichen Wert: Er erhöht die Nachvollziehbarkeit von Entscheidungen, stärkt die Akzeptanz der Systeme und macht vorhandenes Prozesswissen besser, schneller und einfacher nutzbar.

Wenn KI-Optimierung mit Chat-Charakter dialogfähig wird

Die Kombination von adaptiver KI-Optimierungssoftware und Gen-AI-basierten RAG-Anwendungen hebt KI-Optimierung auf eine neue, dialogorientierte Ebene und markiert einen wichtigen Entwicklungsschritt. Das Zusammenspiel verschiebt sich von der numerischen auf eine sprachliche Ebene. Damit verbessern sich die Erklärbarkeit der Ergebnisse sowie die Steuerung von KI-Optimierungen erheblich und werden einfacher in der Bedienung.

Im Ergebnis berechnen adaptive KI-Algorithmen weiterhin komplexe Szenarien faktenbasiert und passen sich selbstständig an neue Datensituationen an. Neu ist, dass sie ihre Ergebnisse zugleich verständlich erklären und sich auch bei ihrer Bedienung sprachlich steuern lassen. Unternehmen binden so Fakten- und Dokumentenwissen in die KI-Algorithmik ein und steuern die Systeme per sprachlich unterstütztem Dialog. Hierbei behalten sie die volle Kontrolle über ihre Ergebnisse. Damit entwickelt sich der KI-basierte Wissensdialog zu einem praxisnahen Werkzeug mit Chat-Charakter.

Ein Beitrag von Dr. Rudolf Felix, Chief Artificial Intelligence Officer (CAIO), Central Function Industrial AI, PSI Software SE.