Delegated Information Provision

Die Arbeit untersucht, wie ein Designer durch die Einschränkung der zulässigen Experimente einen Versuchleiter, der zu Überzeugung neigt, optimal steuern kann, wobei sich bei S-förmigen Präferenzen des Versuchleiters eine „doppelte Zensur" als beste Delegationsstrategie erweist, die im Vergleich zur uneingeschränkten Delegation zu einer effizienteren Informationsbereitstellung führt.

Das Wesentliche

Hier ist eine einfache Erklärung des Papers „Delegated Information Provision" auf Deutsch, verpackt in anschauliche Bilder und Metaphern.

Das Grundproblem: Der Bote, der lügt

Stell dir vor, du bist ein Chef (der Designer). Du musst eine wichtige Entscheidung treffen: Sollen wir ein neues Projekt starten oder nicht? Dazu brauchst du Informationen über die Zukunft.

Aber du kannst die Daten nicht selbst sammeln. Du musst einen Experten (den Experimentator) beauftragen, der die Tests macht und dir die Ergebnisse liefert.

Das Problem ist: Der Experte hat eine eigene Agenda. Er möchte nicht unbedingt die wahre Wahrheit sagen, sondern die Entscheidung so beeinflussen, dass er selbst gewinnt (z. B. dass das Projekt genehmigt wird, auch wenn es riskant ist). Er ist also ein überzeugender Bote, kein neutraler Überbringer von Fakten.

Du als Chef kannst ihm nicht einfach sagen: „Sag die Wahrheit!" Denn du kannst ihn nicht kontrollieren, wie er die Daten verarbeitet. Du kannst ihm nur sagen: „Du darfst nur bestimmte Arten von Tests durchführen."

Die Lösung: Ein „Gitter" statt einer Mauer

Früher dachte man vielleicht: „Wenn ich dem Experten mehr Freiheit gebe, bekomme ich mehr Informationen." Oder: „Wenn ich ihm die Freiheit nehme, bekomme ich die Wahrheit."

Das Paper zeigt, dass beide Extreme falsch sind.

1. Vollständige Freiheit: Der Experte lügt so viel er kann, um dich zu manipulieren. Du verlierst wertvolle Informationen.
2. Zu strenge Kontrolle: Wenn du ihm nur einen sehr ungenauen Test erlaubst, lügt er vielleicht gar nicht, aber du bekommst trotzdem keine nützlichen Details.

Die geniale Lösung des Papers ist ein dritter Weg: Du baust ein Gitter (eine Regel), das den Experte nicht daran hindert, irgendeine Information zu geben, aber ihm verbietet, zu viel zu verzerren.

Die Magie: „Doppelte Zensur" (Double Censorship)

Das Paper beschreibt die perfekte Regel mit einem Begriff, der sich wie ein Zensur-Mechanismus anhört: Doppelte Zensur.

Stell dir vor, die Welt besteht aus verschiedenen Szenarien, von „sehr schlecht" bis „sehr gut".

• Das alte Szenario (Volldelegation): Der Experte sagt dir alles über die schlechten Szenarien (damit du sie nicht machst), aber bei den guten Szenarien faselt er alles in einen großen Haufen zusammen. Er sagt: „Es ist alles gut!" (obwohl es vielleicht nur „okay" oder „super" ist). Er verschleiert die Unterschiede oben, damit du zustimmst.
• Das neue Szenario (Delegierte Information mit Gitter): Du sagst dem Experten: „Du darfst die schlechten Szenarien genau beschreiben. Aber bei den mittleren und den besten Szenarien musst du Regeln einhalten."

Die optimale Regel sieht so aus:

1. Unten (Schlechte Fälle): Alles wird wahrheitsgemäß enthüllt. (Der Experte kann hier nichts verbergen, weil er dich sonst davon abhalten will, das Projekt zu starten).
2. Mitte (Mittlere Fälle): Hier verschmelzt der Experte verschiedene Szenarien zu einem einzigen Signal. Er sagt: „Es ist mittelmäßig." Er darf hier nicht zu genau sein, sonst würde er versuchen, dich zu manipulieren.
3. Oben (Beste Fälle): Hier gibt es wieder eine Verschmelzung, aber eine andere. Er sagt: „Es ist sehr gut!"

Warum funktioniert das?
Indem du dem Experten erlaubst, in der Mitte etwas zu verschleiern (zu poolen), nimmst du ihm den Anreiz, auch die besten Fälle zu verschleiern.

• Die Metapher: Stell dir vor, der Experte ist ein Magier, der dir einen Trick zeigt. Wenn du ihm erlaubst, den mittleren Teil des Tricks etwas zu verwischen, ist er nicht mehr gezwungen, den ganzen oberen Teil des Tricks zu verstecken, um dich zu beeindrucken. Du opferst ein bisschen Genauigkeit in der Mitte, um die Wahrheit oben zu retten.

Das Ergebnis: Weniger Lügen, mehr Gewinn

Das Paper beweist mathematisch, dass dieser mittlere Weg immer besser ist als dem Experten alles zu überlassen.

• Der Gewinn: Du bekommst mehr Informationen über die wirklich guten Fälle, als wenn du dem Experten freie Hand gelassen hättest.
• Der Preis: Du musst akzeptieren, dass die mittleren Fälle etwas ungenauer sind.
• Das Fazit: Es lohnt sich, dem Experten etwas Freiheit zu nehmen, nicht um ihn zu knebeln, sondern um ihn zu zwingen, ehrlicher in den Bereichen zu sein, die für dich am wichtigsten sind.

Zusammenfassung in einem Satz

Statt dem Experten die volle Freiheit zu geben (was zu Lügen führt) oder ihm alles zu verbieten (was zu Unwissen führt), solltest du ihm ein Regelwerk geben, das ihn zwingt, die Wahrheit über die schlechten Dinge zu sagen und die besten Dinge klar zu zeigen, auch wenn er dazwischen ein bisschen verwischen darf.

Das ist wie bei einem Richter, der einem Anwalt erlaubt, Beweise zu sammeln, aber ihm verbietet, die Beweise für die schwersten Verbrechen zu verstecken, indem er ihm erlaubt, bei den kleineren Vergehen etwas zu beschönigen. Am Ende gewinnt die Gerechtigkeit.

Technische Zusammenfassung

Hier ist eine detaillierte technische Zusammenfassung des vorliegenden Papiers auf Deutsch:

Titel: Delegated Information Provision (Delegierte Informationsbereitstellung)

Autoren: Francesco Bilotta, Christoph Carnehl, Justus Preusser
Datum: 12. März 2026

---

1. Problemstellung und Motivation

Das Papier untersucht ein dreiparteielles Informationsdesign-Problem, bei dem ein Designer (z. B. Gesetzgeber, Regulierungsbehörde) einen Experimentator (z. B. Staatsanwalt, Unternehmen, Beratungsfirma) damit beauftragt, Informationen für einen Entscheider (Decision Maker, DM) zu generieren.

• Das Dilemma: Der Experimentator hat eigene Anreize, den Entscheider zu beeinflussen (Persuasion), anstatt lediglich neutrale Fakten zu übermitteln. Der Entscheider trifft eine binäre Entscheidung (Handeln oder Nicht-Handeln) basierend auf seinem posterior-Erwartungswert des Zustands $\omega$ und einem privat beobachteten Outside-Option $r$.
• Die Einschränkung: Der Designer kann den Experimentator nicht zwingen, ein spezifisches Experiment durchzuführen, sondern kann nur eine Zulässigkeitsmenge (Delegation Set) von zulässigen Blackwell-Experimenten festlegen.
• Das Moral Hazard-Problem: Selbst wenn der Designer eine Menge zulässiger Experimente vorgibt, kann der Experimentator jedes dieser Experimente vor der Weitergabe an den Entscheider "verwässern" (garbling). Der Designer kann also nur eine obere Schranke für die Informationsgehalt (Informativität) setzen, aber keine untere Schranke erzwingen.
• Ziel des Designers: Der Designer hat konvexe Präferenzen bezüglich des posterior-Erwartungswerts (d. h. er bevorzugt informativere Experimente). Er möchte eine Restriktion wählen, die den Versuchungen des Experimentators zur Täuschung entgegenwirkt, ohne dabei wertvolle Informationsbereitstellung zu verlieren.

2. Methodik und Modell

Das Modell wird als Delegationsproblem über Experimente formalisiert.

• Rahmenbedingungen:
  • Zustand $\omega \in [0,1]$ mit Prior $H$.
  • Outside-Option $r \in [0,1]$ mit Prior $G$ (privat beim DM).
  • Der Experimentator maximiert die Wahrscheinlichkeit einer Handlung ($a=1$), was zu einer S-förmigen (S-shaped) Payoff-Funktion $G(m)$ führt, wobei $m$ der posterior-Erwartungswert ist.
  • Der Designer maximiert eine streng konvexe Funktion $u_D(m)$.
• Delegationsmenge: Der Designer wählt eine Restriktion $\bar{F} \in \text{MPC}(H)$ (Mean-Preserving Contraction der Prior-Verteilung). Der Experimentator wählt dann ein Experiment $F \in \text{MPC}(\bar{F})$, das seinen Erwartungswert maximiert.
• Incentive-Kompatibilität (IK): Ein Experiment $F$ ist IK, wenn es optimal ist, wenn es selbst als Restriktion gesetzt wird ($F \in \text{BR}(F)$). Das bedeutet, der Experimentator hat keinen Anreiz, $F$ zu garbeln.
• Maximalität: Ein IK-Experiment ist maximal (MIC), wenn es kein strikt informativeres IK-Experiment gibt. Da der Designer Information bevorzugt, ist es ohne Verlust der Allgemeinheit (WLOG) auf die Suche nach optimalen MIC-Experimenten beschränkt.

3. Schlüsselbeiträge und Ergebnisse

A. Charakterisierung optimaler Restriktionen (S-förmige Präferenzen)

Unter der Annahme, dass die Payoff-Funktion des Experimentators S-förmig ist (konvex für niedrige Werte, konkav für hohe Werte), charakterisieren die Autoren die Menge der maximalen IK-Experimente vollständig:

1. Double Censorship (Doppelte Zensur):
   Alle MIC-Experimente haben die Form einer "Double Censorship". Diese Struktur teilt den Zustandsraum in drei Bereiche auf:

   • Niedrige Zustände ($[0, s)$): Vollständige Offenlegung (Revelation).
   • Mittlere Zustände ($[s, t]$): Pooling zu einem intermediären Atom $x$.
   • Hohe Zustände ($[t, 1]$): Pooling zu einem oberen Atom $y$.

   Dies steht im Kontrast zum Benchmark der "Full Delegation" (vollständige Delegierung), der nur eine Upper Censorship (Pooling nur der höchsten Zustände) vorsieht.

2. Trade-off und Inkomparabilität:
   MIC-Experimente sind untereinander Blackwell-inkomparabel. Um das Pooling im oberen Bereich (die "Censorship" der höchsten Zustände) zu verringern und dort mehr Information zu gewinnen, muss der Designer das Pooling im mittleren Bereich erweitern. Es gibt keinen Experiment, der in allen Zuständen informativer ist; die Optimierung erfordert eine Umverteilung der Informativität.

3. Suboptimalität der Volldelegation:
   Das zentrale Ergebnis (Theorem 2) besagt, dass die Volldelegation (Full Delegation) strikt suboptimal ist.

   • Intuition: Durch die Einführung einer kleinen Pooling-Region im mittleren Bereich (Double Censorship) kann der Designer die Anreize des Experimentators zur Zensur der höchsten Zustände disziplinieren. Der Gewinn an Information in den höchsten Zuständen (erster Ordnung) überwiegt den lokalen Informationsverlust im mittleren Bereich (zweiter Ordnung).
   • Der Designer profitiert also nicht von mehr Information per se, sondern von einer anderen Form der Informationsaufdeckung, die die Persuasionsanreize des Experimentators besser kontrolliert.

B. Implementierung

Die Autoren zeigen, dass diese optimalen Restriktionen einfach implementiert werden können, z. B. durch bedingte Privatsphäre-erhaltende Signale (conditionally privacy-preserving signals). Der Designer kann vorschreiben, dass für einen bestimmten Intervallbereich nur die Information "Zustand liegt in diesem Intervall" offenbart werden darf, während Zustände außerhalb dieses Intervalls vollständig offenbart werden.

C. Verallgemeinerung (Nicht-S-förmige Präferenzen)

Das Papier untersucht auch Fälle, in denen die Payoff-Funktion des Experimentators nicht S-förmig ist (z. B. M-förmig oder bei einem DM ohne private Information):

• Volldelegation ist genau dann suboptimal, wenn der Experimentator lokal strikte Krümmungspräferenzen hat und das Ergebnis der Volldelegation eine unvollständige vollständige Offenlegung (incomplete full revelation) aufweist.
• Falls der Experimentator keine strikten lokalen Präferenzen hat (z. B. bei einem DM ohne private Information, wo die Payoff-Funktion eine Treppenfunktion ist), oder wenn die Volldelegation bereits eine binäre Lösung ohne Pooling-Intervalle liefert, kann Volldelegation optimal sein.

D. Verbindung zur Extreme-Point-Theorie

Die Autoren etablieren einen tiefen theoretischen Zusammenhang:

• Jedes MIC-Experiment ist ein Extrempunkt der Menge aller Mean-Preserving Contractions von $H$.
• Dies verbindet die Literatur zu Informationsdesign (Extreme-Point-Ansätze von Kleiner et al., Arieli et al.) mit den neuen Anreizkompatibilitätsbedingungen. Sie zeigen, dass MIC-Experimente als "Bi-Pooling"-Experimente charakterisiert werden können, die durch eine virtuelle Wertefunktion (Virtual Value) des Designers optimiert werden, welche die Anreize des Experimentators (Garbling) als Strafterm berücksichtigt.

4. Signifikanz und Implikationen

• Theoretischer Durchbruch: Das Papier löst das Problem des optimalen Designs von Informationsrestriktionen unter Anreizkompatibilität. Es widerlegt die intuitive Annahme, dass mehr Information (bzw. weniger Restriktionen) immer besser ist, wenn der Sender strategisch handelt. Stattdessen zeigt es, dass gezielte Unschärfe (Pooling) in bestimmten Zuständen notwendig ist, um die Offenlegung in anderen, kritischen Zuständen zu erzwingen.
• Praktische Relevanz: Die Ergebnisse liefern eine rationale Begründung für regulatorische Eingriffe, die die Art der zu präsentierenden Beweise oder Tests einschränken (z. B. vorgeschriebene Testprotokolle, Beschränkung auf bestimmte Kategorien von Beweisen), selbst wenn diese Beschränkungen die maximale Informationsmenge theoretisch reduzieren. Sie dienen als Selbstbindungsmechanismus (Self-Discipline) gegen Manipulation.
• Methodischer Beitrag: Die Kombination von Dualitätsmethoden (Preisfunktionen) mit der Analyse von Maximalität und Incentive-Kompatibilität bietet einen neuen Werkzeugkasten für die Lösung von Informationsdesign-Problemen mit strategischen Akteuren.

Zusammenfassend demonstriert das Papier, dass ein Designer durch die geschickte Wahl einer nicht-trivialen Delegationsmenge (Double Censorship) strikt besser dasteht als bei vollständiger Delegierung, indem er die Informationsstruktur so gestaltet, dass sie die Manipulationsanreize des Experimentators neutralisiert, ohne dabei wertvolle Information zu opfern.