Applying Artificial Intelligence and Big Data Analytics in Forecasting the Effectiveness of Managerial Strategic Decision Making

In der modernen Geschäftswelt stehen Führungskräfte vor einer ständigen Herausforderung: hochkarätige Entscheidungen in einem Umfeld zu treffen, das sich schneller verändert, als eine einzelne Person es verfolgen kann. Um dies zu bewältigen, setzen viele Unternehmen auf künstliche Intelligenz und Big-Data-Analysen. Dabei handelt sich nicht bloß um Werkzeuge zur Sortierung von Dateien; es sind Systeme, die darauf ausgelegt sind, Muster in massiven Informationsmengen zu finden, die einen menschlichen Geist überfordern würden. Eine kritische Frage bleibt jedoch bestehen: Können diese digitalen Systeme Entscheidungen treffen, die nicht nur intelligent, sondern auch rechtlich fundiert und strategisch effektiv sind? Die Antwort ist nicht einfach. Eine Entscheidung könnte effizient sein, aber gegen eine Regel verstoßen, oder sie könnte das Gesetz befolgen, aber ein Geschäftsziel verfehlen. Forscher versuchen nun, eine Brücke zwischen der rohen Kraft der Datenanalyse und den strengen Grenzen der rechtlichen Compliance zu bauen, indem sie untersuchen, ob ein Computer lernen kann, die Bedeutung eines Geschäftsziels gegen das Risiko einer rechtlichen Strafe abzuwägen.

Ein Forscher an der Tay Do Universität in Vietnam setzte sich zum Ziel, diese Idee zu testen, indem er ein digitales System entwickelte, das simulieren soll, wie ein Manager strategische Entscheidungen trifft. Er schuf eine virtuelle Umgebung, in der ein Agent der künstlichen Intelligenz gezwungen war, durch einen komplexen Satz von Regeln zu navigieren, die auf Informationstechnologiegesetzen basieren. Das Ziel war es zu sehen, ob das System vorhersagen konnte, wie gut eine Entscheidung performen würde, gemessen an einer bekannten Kennzahl für Geschäftserfolg, dem sogenannten Key Performance Indicator (KPI). Um dies zu erreichen, fütterte der Forscher den Computer nicht einfach mit Rohzahlen. Stattdessen entwarf er das System so, dass es fünf spezifische Arten und Weise nachahmt, wie ein menschlicher Geist Informationen verarbeitet: die Fähigkeit, Ressourcen zu verwalten, die Kapazität, über das eigene Denken nachzudenken (Metakognition), die Geschicklichkeit, sich auf das Wesentliche zu konzentrieren, die Geschwindigkeit, neue Regeln zu lernen, und die Fähigkeit, soziale und organisatorische Normen zu verstehen. Diese fünf kognitiven Fähigkeiten wurden als Bausteine für den Entscheidungsprozess des Computers behandelt.

Der Forscher konstruierte eine massive digitale Pipeline, um seine Idee zu testen. Zuerst sammelte das System Texte aus verschiedenen Dokumenten, wie etwa Rechtsberichten und Grundsatzpapieren, und bereinigte diese, damit der Computer sie lesen konnte. Es übersetzte diese schriftlichen Regeln anschließend in ein Format, das die Maschine verstehen konnte, indem es verschiedenen Anforderungen wie Datenschutz oder die Abstimmung mit der Geschäftsführung unterschiedliche Gewichtungen zuwies. Als Nächstes generierte das System einen simulierten Datensatz von 1.500 verschiedenen Entscheidungsszenarien. In jedem Szenario musste der Computer seine fünf kognitiven Fähigkeiten gegen die rechtlichen Regeln abwägen, um eine endgültige Punktzahl zu ermitteln. Diese Punktzahl repräsentierte den Erfolg der Entscheidung und reichte von null bis hundert. Der Forscher trainierte daraufhin ein Modell des maschinellen Lernens mit diesen Daten, um dem Computer beizubringen, die fünf kognitiven Fähigkeiten zu betrachten und vorherzusagen, wie hoch die endgültige Punktzahl sein würde. Er verwendete eine Methode, die viele kleine Entscheidungsbäume aufbaut, um Muster zu finden, in der Hoffnung, dass der Computer die verborgenen Verbindungen zwischen der Art und Weise, wie ein System denkt, und seiner Leistungsfähigkeit erlernen kann.

Als der Forscher sein Modell testete, offenbarten die Ergebnisse eine schwierige Wahrheit über den aktuellen Stand dieser Technologie. Das System war in der Lage, den gesamten Prozess reibungslos durchzuführen – vom Lesen der Dokumente bis hin zur Generierung einer endgültigen Liste vorhergesagter Werte. Doch als der Forscher überprüfte, wie genau die Vorhersagen waren, stellte er fest, dass das Modell Schwierigkeiten hatte, die wahre Komplexität des Problems zu erfassen. Die Schätzungen des Computers lagen oft signifikant daneben, und bei einigen statistischen Maßen schnitt das Modell schlechter ab, als wenn man einfach für jede Situation den Durchschnittswert wählen würde. Die Daten zeigten, dass die tatsächlichen Ergebnisse in zwei deutlich unterscheidbare Gruppen fielen – Entscheidungen mit sehr niedrigen Punktzahlen und Entscheidungen mit sehr hohen Punktzahlen –, während die Vorhersagen des Computers dazu neigten, sich in der Mitte zu gruppieren und die Extreme gänzlich zu verfehlen. Dies deutet darauf hin, dass das System zwar in der Lage war, die Informationen zu verarbeiten, es ihm jedoch am tieferen Kontext mangelte, um zwischen einer sicheren, durchschnittlichen Wahl und einer risikoreichen High-Reward-Strategie zu unterscheiden.

Die Studie kommt zu dem Schluss, dass die Verknüpfung von künstlicher Intelligenz mit rechtlicher Governance zwar machbar ist, die Technologie jedoch noch nicht bereit ist, das menschliche Urteilsvermögen in diesen komplexen Bereichen zu ersetzen. Der Forscher stellte fest, dass die aktuellen Modelle nicht in der Lage waren, die verborgenen Variablen vollständig zu berücksichtigen, die eine Entscheidung in die Kategorien „hohes Risiko“ oder „hoher Ertrag“ treiben. Er merkte an, dass das System am besten funktionierte, wenn es sich im mittleren Bereich bewegte und die extremsten Ausgänge vermied, was ein sicherer, aber begrenzter Ansatz für die strategische Planung ist. Der Forscher schlägt vor, dass zukünftige Arbeiten darauf fokussieren müssen, dem System detailliertere Informationen hinzuzufügen, wie etwa bessere Wege, um den spezifischen rechtlichen Kontext jeder Entscheidung zu messen, und Modelle zu entwickeln, die ihre Argumentation klarer erklären können. Für den Moment dient diese Forschung als Proof of Concept, der zeigt, dass es möglich ist, rechtliche Regeln in digitale Daten zu übersetzen, aber auch verdeutlicht, dass der Weg zu einer wahrhaft autonomen, rechtskonformen strategischen Entscheidungsfindung weit mehr als nur Rechenleistung erfordert.