Verantwortungsvolle KI4 Min. Lesezeit

KI-Empfehlungen prüfen: Annahmen sichtbar machen

Eine Empfehlung kann überzeugend klingen und auf einer verborgenen Prämisse beruhen. Dieses Fünf-Felder-Protokoll macht Annahmen prüfbar und weist Verantwortung zu.

Bokili EditorialVeröffentlicht am 5. September 2026· Geprüft am 5. September 2026

Vier Arten von Informationen — Fakt, Annahme, unbekannt und zu prüfen — vor einer menschlichen Entscheidung getrennt

Eine KI-Empfehlung kann sorgfältig klingen, Belege anführen und dennoch auf einer unbenannten Annahme beruhen. Eine Umsatzprognose geht davon aus, dass die Pipeline wie üblich konvertiert. Ein Personalplan nimmt an, dass die Nachfrage konstant bleibt. Eine Lieferantenübersicht geht davon aus, dass fehlende Details keine Ausnahme bedeuten. Die Ausgabe mag flüssig sein; die zugrunde liegende Entscheidung ist jedoch fragil.

Bevor ein Manager den nächsten Schritt genehmigt, ist der wichtige Schritt nicht eine weitere Überarbeitung, sondern die Trennung von Bekanntem und Angenommenem, die Entscheidung, welche Annahme das Ergebnis ändern könnte, und die Zuweisung einer Überprüfung. Das verwandelt verborgene Argumentation in eine kleine, überprüfbare Aufzeichnung.

Warum eine plausible Antwort eine schwache Prämisse verbergen kann

Das NIST AI Risk Management Framework fordert Organisationen auf, beabsichtigte Nutzungen, Kontext, Annahmen und damit verbundene Einschränkungen zu dokumentieren. Es besagt auch, dass Wissensgrenzen und die Art und Weise, wie Menschen die KI-Ausgabe überwachen, ausreichend dokumentiert werden sollten, um nachfolgende Entscheidungen zu unterstützen. Dies sind Ergebnisse auf Systemebene, aber das Verhalten lässt sich auf die tägliche Arbeit übertragen: Machen Sie die Prämisse sichtbar, bevor sie zu einer Verpflichtung wird.

Das Generative AI Profile fügt eine praktische Warnung hinzu. Generative Systeme können konfabulierte Inhalte produzieren, die sich lesen, als wären sie wahr. Ein Prüfer muss daher sowohl die Antwort als auch die Grundlage darunter überprüfen. Eine korrekte Berechnung, die auf dem falschen Zeitraum basiert, ist immer noch die falsche Grundlage für Maßnahmen.

	Normale Antwortprüfung	Prüfung mit Blick auf Annahmen
Leitfrage	Wirkt das Ergebnis belegt?	Was muss stimmen, damit diese Empfehlung trägt?
Prüfgegenstand	Aussagen und Berechnungen	Aussagen, Prämissen und fehlender Kontext
Unsicherheit	Bleibt im flüssigen Text verborgen	Wird benannt und mit einem Test verknüpft
Entscheidung	Ergebnis annehmen oder ablehnen	Annehmen, testen, eingrenzen oder stoppen

Nutzen Sie ein Fünf-Felder-Annahmenprotokoll

Eine Karte für jede entscheidungsrelevante Annahme

Aussage

Formulieren Sie die Prämisse in einem überprüfbaren Satz: „Die Nachfrage wird innerhalb von zehn Prozent des aktuellen Niveaus bleiben.“

Grundlage

Markieren Sie, ob sie auf einem überprüften Fakt, einer Interpretation, einer Annahme oder einem Unbekannten beruht. Verwenden Sie nicht „KI sagt“ als Grundlage.

Konsequenz

Geben Sie an, was sich ändert, wenn die Prämisse falsch ist: Kosten, Frist, Sicherheit, Kundenversprechen, Rechte oder Qualität.

Prüfung

Nennen Sie die kleinste nützliche Überprüfung: Quelle öffnen, Eigentümer fragen, Sensitivitätsbereich testen oder neue Stichprobe sammeln.

Verantwortlicher und Zeit

Weisen Sie eine Person und ein Datum zu. Eine wichtige Annahme ohne Verantwortlichen ist nur eine Warnung, keine Kontrolle.

Das Protokoll ist keine Abschrift jedes Gedankens. Erfassen Sie nur Prämissen, die die Empfehlung oder die nächste Aktion ändern könnten. Wenig relevante Entwürfe benötigen möglicherweise keine. Eine Preisentscheidung, Richtlinienänderung oder sicherheitsrelevante Empfehlung benötigt möglicherweise mehrere.

Praxisbeispiel: eine Empfehlung zur Personalbesetzung im Support

Stellen Sie sich vor, ein Operations-Team bittet ein KI-Tool um eine Empfehlung zur Personalbesetzung im Support für den nächsten Monat. Die genehmigten Daten zeigen, dass das Ticketvolumen sechs Wochen lang gestiegen ist, die durchschnittliche Bearbeitungszeit gesunken ist und zwei Mitarbeiter ausscheiden werden. Das System empfiehlt die Einstellung von drei Aushilfskräften.

Lesen ist der Anfang. Üben macht den Unterschied.

Jetzt starten

Die Berechnung mag plausibel sein, aber die Empfehlung beruht auf unausgesprochenen Prämissen: Der Anstieg wird anhalten, die Verbesserung der Bearbeitungszeit ist stabil, die Abgänge erfolgen planmäßig, temporäre Agenten erreichen schnell eine nützliche Kompetenz, und die bestehende Warteschlangendefinition hat sich nicht geändert.

Das Team erstellt drei Karten. Die Annahme mit den größten Konsequenzen ist, dass das Volumen hoch bleiben wird. Ihre Grundlage ist ein Sechs-Wochen-Trend, keine bestätigte Prognose. Wenn falsch, könnte das Team zu viel einstellen. Der Prüfungsverantwortliche vergleicht den Trend mit dem Produktstartkalender und führt vor Freitag Szenarien für niedrige, mittlere und hohe Nachfrage durch. Eine zweite Karte deckt die Einarbeitungszeit ab; die Personalabteilung ist für die Prüfung verantwortlich. Die Empfehlung ändert sich von „drei einstellen“ zu „eine Zwei-Wochen-Option genehmigen, dann nur auslösen, wenn das mittlere Szenario erreicht wird.“

Verwandeln Sie die Antwort in eine entscheidungsreife Empfehlung

1
1. Entscheidung neu formulieren
Beschreiben Sie, was die Empfehlung autorisieren, ausgeben, versprechen oder ändern wird.
2
2. Fragen, was wahr sein muss
Extrahieren Sie jede Prämisse, die die Empfehlung wesentlich beeinflusst. Halten Sie die Liste kurz.
3
3. Grundlage klassifizieren
Trennen Sie überprüfte Fakten, Interpretationen, Annahmen und Unbekanntes. Verknüpfen Sie Fakten mit ihrer Quelle.
4
4. Nach Konsequenz ordnen
Überprüfen Sie die Prämisse, deren Scheitern Kosten, Sicherheit, Rechte, Zeitplan oder Qualität am stärksten beeinflussen würde.
5
5. Prüfung oder Grenze zuweisen
Verifizieren Sie es, testen Sie einen Bereich, grenzen Sie die Empfehlung ein oder stoppen Sie. Notieren Sie einen Verantwortlichen und ein Datum.

Bitten Sie die KI nicht, ihre eigenen Annahmen zu zertifizieren

Dasselbe Modell kann helfen, mögliche Prämissen vorzuschlagen, aber es kann eine unbegründete Prämisse nicht in Beweise umwandeln. Nutzen Sie es, um die Überprüfungsfrage zu erweitern: „Listen Sie die Bedingungen auf, von denen diese Empfehlung abzuhängen scheint.“ Dann muss eine Person die wichtigen Punkte anhand genehmigter Quellen und Fachwissen überprüfen.

Microsofts Leitfaden für Mensch-KI-Interaktion empfiehlt, den Service bei Unsicherheit einzugrenzen, sein Verhalten verständlich zu machen und effiziente Korrekturen zu unterstützen. Ein Annahmeprotokoll integriert diese Ideen in die Arbeitsdokumentation. Es zeigt, warum die Empfehlung gilt, wo sie scheitern könnte und wie ein Prüfer sie korrigieren kann.

Protokoll in den Workflow integrieren

Nutzen Sie das Annahmeprotokoll, nachdem Sie wesentliche Behauptungen überprüft haben und bevor die Arbeit zur Entscheidungsübergabe wird. Kombinieren Sie es mit der Zwei-Phasen-Generierungs- und Entscheidungsvorlage und einer Auslassungsprüfung für KI-Zusammenfassungen. Jedes Tool schützt vor einem anderen Fehlerpunkt.

Annahmen in zehn Minuten prüfen

Wählen Sie eine KI-Empfehlung mit geringem Risiko, nach der Sie noch nicht gehandelt haben.
Notieren Sie die Entscheidung, die sie auslösen würde.
Vervollständigen Sie dreimal: „Diese Empfehlung gilt nur, wenn …“
Ordnen Sie jede Aussage ein: Fakt, Interpretation, Annahme oder unbekannt.
Wählen Sie die folgenreichste Prämisse und legen Sie Prüfung, verantwortliche Person und Termin fest.
Formulieren Sie die Empfehlung neu und machen Sie Ergebnis, Grenze oder Stoppbedingung sichtbar.

Vertrauen wächst, wenn die Prämisse mit der Antwort reist

Eine ausgefeilte Empfehlung sollte ihre Grundlagen nicht überholen. Halten Sie die wenigen Annahmen, die Handlungen ändern, neben den Beweisen, dem Prüfer und der Entscheidung fest. Bokilis kurze Arbeitsplatz-Missionen helfen Teams, diese Art der sichtbaren Beurteilung an realistischen Aufgaben zu üben, mit Feedback und einem zweiten Versuch, bevor die Gewohnheit in die Arbeitsalltag einfließt.