Jev + DecisionRules, Teil 1

Am Tag nach der Veröffentlichung von Jev, dem ersten System One Model, fragte uns ein Freund, in welchem Verhältnis es zu unserem Werkzeug DecisionRules steht. Tatsächlich werden beide eingesetzt, um Entscheidungen zu automatisieren: Jev ist ein Entscheidungsmodell; DecisionRules ist eine Decision Engine. Dieser Artikel soll die Frage unseres Freundes beantworten (die implizit auch danach fragt, welche Lösung besser ist). Die wenig überraschende Schlussfolgerung lautet, dass ein Vergleich als Wettbewerber auf falschen Annahmen beruht. Diese beiden Werkzeuge sind keine Rivalen, sondern ergänzen sich bei der Automatisierung von Entscheidungen. Das muss jedoch durch eine offene Argumentation gezeigt werden.

These

Jev und DecisionRules haben einen gemeinsamen Anwendungsbereich in der Entscheidungsautomatisierung. Wir möchten nun anhand einer Fallunterscheidung zeigen: 1. Wenn wir annehmen, dass Jev und DecisionRules in diesem Bereich miteinander konkurrieren, ergibt sich, dass sie kombinierbare Werkzeuge sind. 2. Wenn wir annehmen, dass sie sich ergänzen, ergibt sich ebenfalls, dass sie kombinierbare Werkzeuge sind. Sie lassen sich also kombinieren und bilden eine gute Verbindung für die digitale Transformation der kommenden Jahre.

Begründung

1. Zunächst stellen wir klar, dass sie zu unterschiedlichen Systemfamilien gehören und ein Vergleich daher problematisch erscheinen mag. Sie zählen jedoch zu den führenden Vertretern ihrer jeweiligen Kategorie. Ihre hohe Qualität bietet die beste Grundlage, um den allgemeinen Ansatz beider Systeme zu beurteilen.

a. Jev: Eine KI-Lösung. Das Modell heißt System One Model. Seine interne Struktur ähnelt der von LLMs, wurde aber so verändert, dass typsichere Antworten gewährleistet sind. Es soll eine vertrauenswürdige KI-Lösung für einen wirtschaftlichen Wandel bieten.

b. DecisionRules: Eine moderne Engine für Entscheidungsregeln. Aufbauend auf der Tradition von Business-Rules-Engines (BREs) hilft die Software, Unternehmensstandards beziehungsweise Geschäftsregeln zu gestalten und zentral zu verwalten. Sie verspricht eine benutzerfreundliche No-Code-/Low-Code-Oberfläche, die auch nichttechnische Teams direkt nutzen können.

2. Die heutige digitale Transformation drängt Unternehmen dazu, ihre Technologieplattformen zukunftssicher zu gestalten. CTOs und Solution Architects stehen unter Druck, die besten Werkzeuge dafür auszuwählen und dabei technische, wirtschaftliche und rechtliche Anforderungen abzuwägen. Eine genaue Beurteilung dieser beiden wichtigen Werkzeuge zur Entscheidungsautomatisierung bietet hierfür Orientierung. Wenn Führungskräfte zudem zwischen externen Anbietern und internen Lösungen wählen, liefert dieser Artikel wertvolle Hintergründe für ihre Entscheidung.

3. Im weiteren Sinne sind bei jeder KI-Investition Skepsis und Hoffnung miteinander verwoben. In diesem Zusammenhang kann der Vergleich von KI-Lösungen mit anderen Werkzeugen am Markt zu differenzierteren Meinungen und sachlicheren Diskussionen beitragen.

Methodik

Wir vergleichen Jev und DecisionRules und leiten aus den Ergebnissen ab, dass die untersuchten Eigenschaften die beiden Werkzeuge nicht gegeneinanderstellen, sondern ihre Kombinierbarkeit zeigen. Wenn wir von vornherein annehmen, dass sie sich ergänzen, folgt ihre Kombinierbarkeit intuitiv; außerdem veranschaulicht die Analyse selbst, wie sie kombiniert werden können.

Für den Vergleich teilen wir die Eigenschaften (Funktionen der Systeme) in zwei Gruppen ein:

Die Bewertung der einzelnen Funktionen hängt von der jeweiligen Gruppe ab.

In der ersten Gruppe beurteilen wir die Funktionen anhand praktischer Erfahrung mit digitaler Automatisierung. Da reale Automatisierungsprojekte mit wirtschaftlicher Wirkung naturgemäß praxisbezogen sind, bildet berufliche Erfahrung (gestützt durch theoretische Dokumentation und Beispiele) den besten Rahmen. Die überlegene Funktion in jeder Kategorie bezeichnen wir als optimal.

In der zweiten Gruppe sind die Funktionen eigenständig und werden daher nach ihrem zusätzlichen Nutzen für die praktische Automatisierung beurteilt. Diesen Nutzen bezeichnen wir als Vorteile. (Diese Gruppe behandeln wir im zweiten Teil des Artikels.)

Für die Schlussfolgerung führen wir die optimalen Funktionen und Vorteile beider Systeme zusammen. Daraus ergibt sich das Argument, dass Jev DecisionRules nicht ersetzt; vielmehr hat das heutige digitale Umfeld eine starke Symbiose zwischen beiden gefördert. (Diese Schlussfolgerung folgt in Teil 2.)

Gemeinsamkeiten

Modell für strukturierte Ausgaben

Anders als heutige LLMs gibt die kürzlich vorgestellte TypeSafe-KI Jev keinen generierten Text zur menschlichen Lektüre zurück. Wie DecisionRules ist Jev darauf beschränkt, ein Element aus einer vordefinierten Menge von Ausgaben zurückzugeben. Diese Menge kann eine, zwei oder Hunderte möglicher Elemente enthalten; das System kann jedoch nur Ausgaben aus dieser Menge liefern. Die Vorteile sind vielfältig: Ein Parsing ist nicht nötig, weil die Ergebnisse von vornherein strukturiert sind; das Systemverhalten kann abgesichert werden; und Nutzer erhalten mehr Kontrolle.

Das erste System One Model unterstützt drei Primitive (oder Fragetypen), die jeweils einer eigenen Menge möglicher Ergebnisse entsprechen:

Für jede dieser vordefinierten Mengen ist die Auswahl einfach. Bei einer Frage führt die KI eine probabilistische Analyse durch und wählt die Option, Position oder den Wahrheitswert mit der höchsten Wahrscheinlichkeit.

DecisionRules definiert Ausgabemengen visuell; verschiedene Regeltypen stellen sie auf unterschiedliche Weise dar. In einer Entscheidungstabelle kann die Ergebnisspalte beispielsweise beliebig viele mögliche Ausgaben enthalten und so Optionen, Positionen, boolesche Werte und mehr ausdrücken.

Bis hierher ähneln sich die Ansätze. Die optimale Funktion zeigt sich, wenn ein Anwendungsfall Antworten mit komplexen Strukturen erfordert.

Bei DecisionRules ist die Antwort klar: Die Plattform gibt ein Array anpassbarer JSON-Objekte zurück. Dieses einfache Modell ermöglicht komplexere JSON-Strukturen für jedes Array-Element. Beispielsweise lassen sich das beste Produkt oder die drei besten Produkte einer Liste zurückgeben, ein Fehlerstatus zusammen mit einem Array fehlgeschlagener Validierungen oder mehrere Datenabbildungen.

Die Antworten von Jev sind bewusst atomar: Jede Frage liefert einen typisierten Wert mit seiner Wahrscheinlichkeitsverteilung, und TypeSafe empfiehlt, diese Antworten programmatisch zu kombinieren. Fortgeschrittene Muster, etwa das Durchlaufen einer Taxonomie über mehrere Fragen, sind möglich. Die Form jeder einzelnen Antwort bleibt jedoch gleich. Komplexe Szenarien, wie die Zuordnung einer Produkt-ID zu einem resultierenden Rabatt, werden nicht nativ unterstützt.

Deshalb bietet das Modell für strukturierte Ausgaben von DecisionRules mehr Flexibilität und Möglichkeiten für unterschiedliche Ergebnisszenarien und ist damit optimal.

Eingaben in natürlicher Sprache

Noch vor zwei Jahren war es nicht selbstverständlich, dass eine Business-Rules-Engine natürliche Sprache verarbeiten kann. Dank der raschen Fortschritte der KI können moderne Engines für Entscheidungsregeln diese Fähigkeit inzwischen integrieren. Im zweiten Quartal 2026 gehörte DecisionRules zu den ersten Engines, die eine neue AI-Agent-Regel veröffentlichten und damit LLM-Funktionen in kontrollierte Entscheidungsabläufe einbanden.

Die Idee hinter der AI-Agent-Regel ähnelt der Vision von Jev. Die Entwickler von DecisionRules haben ein Framework geschaffen, mit dem Nutzer ihren eigenen LLM-Anbieter (etwa OpenAI, Anthropic oder Google) innerhalb eines eingeschränkten Ein-/Ausgabemodells anbinden können. Die Regel empfängt Eingaben, die in ihrem Eingabemodell definiert sind, etwa Freitext, Dokumente oder Transkripte, und liefert JSON-strukturierte, typsichere Ausgaben. Natürliche Sprache gelangt über den KI-Prompt hinein, in den Nutzer dynamische Attribute aus der Eingabe einfügen; der übrige Prompt bleibt unverändert. Die Logik für jede mögliche Ausgabe wird ähnlich wie bei Jev definiert, indem Kriterienbeschreibungen mit Ausgabeelementen verknüpft werden.

Wie der AI Agent natürlichsprachliche Eingaben in strukturierte Daten für nachgelagerte Regeln umwandelt, erläutert der Artikel AI Agent in DecisionRules: Der erste Regeltyp, der denkt.

System One Models wie Jev verarbeiten also eindeutig natürliche Sprache. Welche Lösung hier optimaler ist, hängt von der Leistung ab.

Bei Tests mit realen Entscheidungsaufgaben aus dem Finanzbereich lieferte Jev schnellere und präzisere Antworten als die auf allgemeinen LLMs basierende AI-Agent-Regel. In diesem Sinne bewältigt ein System One Model die Umwandlung unstrukturierter Eingaben in strukturierte Daten besser. Somit ist Jevs Verarbeitung natürlicher Sprache optimal.

Konfidenz

Jev möchte ein zuverlässiges Modell sein. Deshalb liefert das System zu jedem Choice oder Score einen Konfidenzwert mit. Damit erhält das Ergebnis ein Maß für seine Verlässlichkeit. Zwei Vorteile stechen hervor. Erstens schafft dies Kontrolle: Systeme, die Jevs Ausgaben verarbeiten, können einen Mindestwert festlegen und Ergebnisse nur bei hoher Sicherheit weiterverarbeiten. Zweitens wird Jev darauf trainiert, seine Sicherheit ehrlich einzuschätzen. Wenn man alle Antworten mit einer von Jev angegebenen Konfidenz von 80 % zusammenfasst, werden ungefähr 80 % davon richtig sein. TypeSafe nennt diese Trainingsmethode RLCD.

DecisionRules bietet ebenfalls Konfidenz, jedoch nicht als Wert, der an das Ergebnis angehängt wird. Da der Konfidenzwert für jede Antwort gleich ist, kann er als implizit betrachtet werden. Bei vorhersehbarer und deterministischer Software liegt er bei 100 %. Die für nichttechnische Nutzer gedachte Oberfläche beeinträchtigt die zugrunde liegende bedingte Logik herkömmlicher Programmierung nicht.

Welche Funktion optimal ist, hängt vom Anwendungsfall ab, denn verschiedene Szenarien setzen unterschiedliche Prioritäten. In der Praxis verlangen Branchen wie Finanzwesen, Versicherungen, Fertigung und Logistik jedoch vollständige Vorhersehbarkeit. Für technische Teams und Anbieter ist dies nicht verhandelbar.

System One Models werden zwar anhand von Ergebnissen optimiert und liefern dadurch besser kalibrierte Wahrscheinlichkeiten, weisen aber ausdrücklich darauf hin: Für einzelne Antworten gibt es keine Garantie, dass sie richtig sind. In Unternehmensumgebungen beruhen optimale Entscheidungen auf vorhersehbaren, deterministischen Systemen, deren Abläufe außerdem Schritt für Schritt überprüft werden können, etwa durch Audits in DecisionRules.

Daher ist das Konfidenzmodell von DecisionRules optimal.

Fortsetzung folgt…

Bisher haben wir den Vergleich als Wettbewerb bis zu seiner logischen Grenze geführt und waren gezwungen, in jedem Fall eine überlegene Option auszuwählen. Im nächsten Teil betrachten wir die einzigartigen Funktionen der beiden Systeme. Das wird neue Perspektiven eröffnen und noch deutlicher zeigen, warum sie keine Konkurrenten, sondern Partner sind.