Bei DecisionRules waren wir schon immer ein wenig "altmodisch". Unser Fundament ist die Demokratisierung von Technologie auf Unternehmensniveau, und wir halten weiterhin konsequent an den Grundlagen fest. Bevor wir etwas entwickeln, fragen wir: Warum? Was ist der Grund? Wie hoch ist die Einsparung? Gibt es einen messbaren Nutzen für den Kunden?
Im vergangenen Jahr haben wir diesen pragmatischen Blick auf den KI-Hype angewandt und den DecisionRules KI-Assistenten vorgestellt - einen Helfer, der Nutzer durch die inhärenten Herausforderungen moderner Plattformen für Entscheidungsmanagement führt. Wir haben unseren Assistenten entwickelt, um den Engpass bei der Regelerstellung zu beseitigen.
Die folgenden Abschnitte erläutern unseren Ansatz "entwickeln und messen" und beschreiben die Methodik sowie die realen, messbaren Ergebnisse, die wir nach der Einführung des KI-Assistenten bei der Verbesserung der Nutzererfahrung erzielt haben.
Das Experiment: Manuelle und assistierte Regelerstellung
Für das Experiment stellten wir Spezifikationen / Anforderungen für zwei typische Entscheidungstabellen (Regeln) bereit:
- Entscheidungstabelle 1: Mittlere logische Komplexität mit 15 bis 20 Bedingungen (Datenzeilen)
- Entscheidungstabelle 2: Berechnung mittlerer Komplexität, für deren Lösung mehrere Ansätze möglich sind.
Unser Ziel war es, die benötigte Zeit für die Erstellung zweier neuer Regeln von Grund auf zu quantifizieren - zunächst manuell und dann mit dem Assistenten - und die Ergebnisse zu vergleichen. Das Experiment untersuchte die Leistung dreier Testgruppen mit unterschiedlichem Erfahrungsniveau:
- Einsteiger: Neuer Nutzer ohne vorherige Erfahrung mit dem Werkzeug
- Profi: Nutzer mit praktischen Kenntnissen des Werkzeugs
- Experte: Erfahrene Nutzer
DecisionRules KI-Assistent: Die Ergebnisse
| Erfahrungsniveau | Manuelle Regelerstellung | 1. Ausarbeitung der Regel durch AIA | 2. Prüfung der AIA-Lösung | Regelerstellung mit AIA | Differenz |
|---|---|---|---|---|---|
| Experte | 90 mins | 20 mins | 10 mins | 30 mins | -66.7% |
| Profi | 120 mins | 30 mins | 15 mins | 45 mins | -62.5% |
| Einsteiger | 240 mins | 60 mins | 60 mins | 120 mins | -50.0% |
Der Einsatz des Assistenten reduzierte die Zeit für die Regelerstellung um ca. 60%, was einer Steigerung der täglichen Produktivität um das 3x entspricht. Diese Veränderung brachte jedoch ein neues Phänomen zum Vorschein, das berücksichtigt werden muss.
Verständnislücke
Der Begriff "Vibe Modeling" lehnt sich an das inzwischen populäre Konzept des "Vibe Coding" an - dabei beschreiben Entwickler in natürlicher Sprache, was sie möchten, und lassen die KI den Code generieren. Wir haben dasselbe Prinzip auf Entscheidungslogik angewandt: Nutzer beschreiben die geschäftliche Anforderung im Gespräch, und der Assistent übersetzt sie in eine funktionierende Regelstruktur. Das ist schnell und intuitiv - bringt aber einen Zielkonflikt mit sich, den man verstehen sollte.
Obwohl die Geschwindigkeitsgewinne offensichtlich sind, zeigten unsere Ergebnisse eine bedeutende kognitive Veränderung, die wir als Verständnislücke bezeichnen.
Wenn Nutzer mit KI ihre Lösungen durch "Vibe" entstehen lassen, stoßen sie unweigerlich auf ein fehlendes Verständnis des internen Designs. Das ist kein Fehler im KI-gestützten Design, sondern eine natürliche Folge dieser Automatisierung:
- Der Assistent "durchdenkt" die komplexen Zusammenhänge und logischen Verzweigungen automatisch
- Beim manuellen Prozess lernt ein Mensch hingegen das "Warum" durch Fehler, Iterationen und das Verknüpfen von Zusammenhängen. Wenn KI die Struktur automatisch vervollständigt, wird diese manuelle Phase der "mentalen Zuordnung" übersprungen.
Die Zeitersparnis war beeindruckend, aber wie sieht es mit der Qualität aus? Der KI-Assistent konnte nicht nur Tabellen mit komplexeren Funktionen erstellen, sondern identifizierte und extrahierte auch bereits vorhandene Excel-Formeln, um sie mit grundlegenden Operatoren über mehrere Tabellenzeilen hinweg in einer Entscheidungstabelle nachzubilden. Aus Sicht der Qualitätssicherung gilt dies als ‘bewährte Vorgehensweise’ für Entscheidungstabellen und führt zu einer Tabelle, die sich leichter verwalten, ändern und verstehen lässt.
Komplexere Entscheidungslogik
Der KI-Assistent ist sehr leistungsfähig bei der Erstellung von Regeln bis zu mittlerer Größe und Komplexität, hat bislang aber Schwierigkeiten, große Tabellen mit vielen Bedingungen (Zeilen) zu erstellen. Dennoch kann er die zugrunde liegenden logischen Strukturen kompetent erstellen, sodass Nutzer die Daten anschließend über die Benutzeroberfläche oder die Excel-Import-/Exportfunktion eingeben können. Wenn komplexe Logik aus mehreren integrierten Funktionen besteht, empfiehlt es sich, die Funktion Function Expression des Assistenten zu nutzen. Sie kann sehr komplexe Funktionen zur Einfügung in bestimmte Zellen formulieren.
| Erfahrungsniveau | Manuelle Regelerstellung | Regelerstellung mit AIA | Differenz | Kosten/Stunde | Produktivitätsgewinn pro Stunde (€) | Erstellte Regeln pro MD - Manuell | Erstellte Regeln pro MD - AIA | Relative Produktivität (%) |
|---|---|---|---|---|---|---|---|---|
| Experte | 90 mins | 30 mins | -66.7% | € 120/ hour | € 240/ hour | 5 | 16 | 300% |
| Profi | 120 mins | 45 mins | -62.5% | € 60/ hour | € 100/ hour | 4 | 11 | 267% |
| Einsteiger | 240 mins | 120 mins | -50.0% | € 30/ hour | € 30/ hour | 2 | 4 | 200% |
Fazit
Indem wir KI als praktisches Werkzeug statt als mystische Kraft behandeln, haben wir die Zeitspanne zwischen dem Entstehen einer geschäftlichen Anforderung und einer produktiven, funktionierenden Entscheidung erfolgreich verkürzt. Unser Assistent ersetzt den menschlichen Experten nicht, sondern nimmt ihm die mühsame manuelle Arbeit ab. So können Sie sich auf das Warum konzentrieren, während er sich um das Wie kümmert.
Aktualisierung: Der KI-Assistent hat sich seit der Veröffentlichung dieses Artikels erheblich weiterentwickelt. Heute kann er Entscheidungstabellen, Skriptregeln, Nachschlagetabellen und Entscheidungsabläufe erstellen und bearbeiten sowie Testdaten und Funktionen generieren, bestehende Logik erklären und bei komplexeren Abläufen zur Regelerstellung helfen.
Ondřej Brejla arbeitet bei DecisionRules, wo er Unternehmen dabei unterstützt, Entscheidungsautomatisierungslösungen zu entwerfen und umzusetzen, die Geschäftsregeln aus hartkodierten Systemen herauslösen und in eine Form bringen, die Fachabteilungen direkt verwalten können. Er konzentriert sich auf Geschäftsregeln, Systemintegrationen und darauf, technischen Teams zu helfen, Prozesse so zu gestalten, dass die Fachanwender Teile der Anwendungen übernehmen können.
