Unternehmens-KI braucht zwei Weltmodelle

Yunzhong berichtet von Waifeisi

QbitAI | Offizieller Kanal QbitAI

Eine durchaus kontraintuitive Realität lautet:

KI wird in Unternehmen bereits breit eingesetzt, aber die Produktivität vieler Firmen ist dadurch nicht deutlich gestiegen.

Im 2025er Bericht über generative Unternehmens-KI, veröffentlicht vom NANDA-Progamm des MIT, gibt es eine Gruppe von Zahlen, die häufig zusammen betrachtet werden:

Unter den befragten Unternehmen führten bei95%der Firmen die generativen KI-Pilotprojekte zu keinem messbaren Ertrags- und Verlustnutzen; gleichzeitig nutzen bereits über90%der Beschäftigten in Unternehmen persönliche KI-Tools für die Arbeit, während nur 40% der Firmen tatsächlich offizielle Unternehmens-Abos erworben haben.

Hinter diesen Zahlen steckt im Grunde dasselbe Problem:

KI wird genutzt, aber sie bleibt auf der persönlichen Ebene stehen。

Womit Unternehmen heute also konfrontiert sind, ist nicht mehr die Frage „sollen wir KI einführen oder nicht“, sondern eine viel schwerere Frage:

Was genau sollte ein Unternehmen nach der Einführung selbst aufbauen, damit KI wirklich zu Produktivität wird?

Auf dem heutigen Vormittag gab Tezign-Gründer Fan Ling auf dem WTCC-Forum in Shanghai Xihui die Antwort:

Was Unternehmen letztlich ergänzen müssen, ist kein stärkeres Modell, sondernzwei Weltmodelle。

Erst den Kunden verstehen, dann das Unternehmen

Das Wort „Weltmodell“ ausgedrückt, bedeutet schlicht, ob ein System die Frage beantworten kann:Wenn ich so handele, was passiert als Nächstes。

Übertragen auf Unternehmen hat diese Frage mindestens zwei Richtungen:

Eine nach außen: den Kunden verstehen.Warum bevorzugt ein Kunde eine bestimmte Wahl, was bringt ihn dazu, seine Meinung zu ändern, welche Ausdrucksform und welche Produkte werden leichter akzeptiert. Diese Ebene nannte Tezign auf dem Forum „Kunden-Weltmodell“, in den späteren Unterlagen dann häufiger „subjektives Weltmodell”。

Eine nach innen: das Unternehmen verstehen.Welchen Ablauf durchläuft eine Entscheidung innerhalb des Unternehmens, welche Ressourcen, Regeln und Zusammenarbeitsverhältnisse wirken auf sie ein, und kann sie am Ende wirklich umgesetzt werden. Dieser Teil ist näher am „Unternehmens-Weltmodell”。

Beide scheinen die Frage zu beantworten, „wie man Entscheidungen trifft“, im Kern sind es aber nicht dasselbe.

Das subjektive Weltmodell, das den Kunden versteht, verarbeitet subjektive Präferenzen, Motive und Entscheidungen und stützt sich auf externe Nutzerdaten;

das Unternehmens-Weltmodell, das die Firma versteht, verarbeitet Prozesse, Assets, Regeln und stillschweigendes Wissen und stützt sich auf Kontext, der innerhalb der Organisation über lange Zeit angesammelt wurde.

Über das subjektive Weltmodell hat QbitAI vor einiger Zeit bereits eine ausführliche Erklärung veröffentlicht; darauf soll hier nicht näher eingegangen werden.

Gerade weil die beiden Systeme sich in Datenquellen, Aktualisierungsrhythmus und Verantwortungszuordnung unterscheiden, lassen sie sich nur schwer grob zu einem großen Modell zusammenführen.

Werden sie zusammengelegt, ergibt das oft keine Stärke, sondern beide Seiten werden gemeinsam stumpfer; fehlt eine der beiden Seiten, werden die Probleme sofort offenkundig:

• Mit nur einem Unternehmens-Weltmodell weiß der Agent zwar, wie etwas zu tun ist, aber nicht, ob es sich überhaupt lohnt, es zu tun – am Ende erledigt er womöglich nureffizient ein falsches Ziel。
• Mit nur einem Kunden-Weltmodell kann der Agent zwar die Anforderungen verstehen, aber nicht in eine echte organisatorische Umsetzung überführen – am Ende wird darausAnforderungen verstehen, aber nicht umsetzen können。

Es geht also nicht darum, dass „ein Modell mehr sicherer ist“, sondern dass in der Architektur von Unternehmens-Agenten ohnehin zwei völlig unterschiedliche Bausteine fehlen.

Das wertvollste Wissen eines Unternehmens ist oft noch gar nicht aufgeschrieben

Wenn das Kunden-Weltmodell eher der äußeren Wahrnehmung entspricht, dann liegt die größte Schwierigkeit desUnternehmens-Weltmodells in der Erkennung, Organisation und Nutzung des internen Wissens。

Denn das Wertvollste in einer Organisation befindet sich in vielem gerade nicht in Dokumenten.

Bei dem Forum unterteilte Tezan das Unternehmenswissen in zwei Kategorien:

• Die eine Kategorie sindExplizites Wissen„…, die in Handbücher, Abläufe und Regelwerke geschrieben werden können, mit dem Streben nach höher, schneller, genauer;“
• Die andere Kategorie sindimplizites Wissen— wie Geschmack, Urteilsvermögen, Gespür für Grenzen, Erfahrung und Beziehungen — lassen sich nicht vollständig ausdrücken, sondern können nur in konkreten Projekten und Kollaborationen allmählich wachsen.

Das erklärt auch, warum „der KI alle Dokumente zufüttern“ nicht gleichbedeutend mit „die KI versteht das Unternehmen“ ist.

Tatsächlich versuchen bereits zahlreiche Unternehmen, ihre eigenen Kontextsysteme auf Grundlage der Modellfähigkeiten aufzubauen.

Aber ob das Kontextsystem gut aufgebaut ist — für diese Ebene hat sich möglicherweise noch kein einheitlicher Beurteilungsmaßstab gebildet.

Das Kontextsystem, das Unternehmen wirklich benötigen, muss mindestens mehrere Bedingungen erfüllen:

• Es ersetzt nicht die bestehenden Systeme, sondern verbindet vorhandene Data Lakes, Geschäftssysteme und Asset-Systeme;
• Es ist kein Wissen, das für Menschen zum Lesen gedacht ist, sondern strukturierte Objekte und Beziehungen, die von Agenten aufgerufen werden können;
• Es ist auch keine einmalige Lieferung, sondern kann nach jedem Urteil Grundlagen für die Nachbereitung (Retrospektive) hinterlassen, damit gleichartige Probleme beim nächsten Mal nicht von Null an beginnen müssen.

In einem Satz zusammengefasst:Agenten rufen nicht Daten ab, sondern Kontext。

Fachliches Urteilsvermögen wird gerade zu Trainingsdaten

Wenn das Unternehmens-Weltmodell den internen Kontext löst, dann besteht eine weitere stattfindende Veränderung darin, dassfachliches Urteilsvermögen beginnt, in die Trainingsdaten einzufließen。

Hier ist nicht das dritte Weltmodell gemeint, und es ist auch nicht gleichbedeutend mit dem Kunden-Weltmodell.

Es ähnelt eher einer gemeinsamen Fähigkeitsgrundlage unterhalb der beiden Weltmodelle.

Laut Angaben des Forums und einschlägiger technischer Unterlagen hat Teznect bereits eine große Zahl von Experten aus verschiedenen Bereichen eingebunden, die an der Erfassung und Annotation realer Urteilsprozesse mitwirken, sodass die Trainingssignale nicht mehr nur von generischen Daten abhängen, sondern zunehmend Urteilswege im Geschäftskontext (Creative Trajectory) enthalten. Inzwischen treiben auch einige Partnerinstitutionen Forschung in eine ähnliche Richtung voran; die gesammelten Urteilswege haben bereits eine Größenordnung von10,000 erreicht。

Warum ist das wichtig?

Weil das wertvollste Wissen in Unternehmen — wie Beurteilungsmaßstäbe, Abwägungslogik und Risikosensibilität — weder im Internet noch in generischen Modellen vorhanden ist.

Es existierte bisher nur zwischen Menschen, Projekten und Archiven.

Was jetzt geleistet wird, ist im Wesentlichen, diese ursprünglich schwer bewahrbaren Urteilsprozesse in eine ansammelbare Form von Vermögenswerten zu verwandeln.

Daher führt dieser Weg letztlich nicht nur zu „Modellen, die das Geschäft besser verstehen“, sondern zu einer klaren Entwicklungsrichtung für Unternehmens-KI:

von „gemieteter Intelligenz“hin zu „souveräner Intelligenz“。

Wirklich schwer zu bewerten ist nicht, ob die Antwort richtig ist, sondern ob sie „typisch für dieses Unternehmen“ ist.

Am Ende bleibt also eine Frage, die sich nicht umgehen lässt: Wie bewertet man?

Allgemeine Benchmarks messen, ob ein Modell die Standardantwort richtig geben kann.

Doch in Unternehmensszenarien ist die wichtigere Frage oft nicht „richtig oder falsch“, sondern:ob es auf die Art und Weise dieses Unternehmens richtig gemacht hat.。

Die Marken Grenzen eines Unternehmens, die Produktauswahl-Logik eines Teams, die Risikotoleranz eines Managers – all das findet sich weder in öffentlichen Evaluierungsdatensätzen noch in den Standardwerten allgemeiner Modelle.

Der wahre Wert eines geschäftsspezifischen Benchmarks liegt daher nicht darin, dem Modell einen Punktestand zu geben, sondern darin, dass er die Beurteilungsmaßstäbe einer Organisation in einen Testdatensatz verwandelt, der kontinuierlich regressionsgeprüft, verglichen und korrigiert werden kann.

Sobald so etwas existiert, muss man nicht mehr darauf angewiesen sein, anhand des „Gefühls, dass es besser geworden ist“ zu beurteilen, welche Fähigkeitsveränderungen ein Modell-Upgrade, eine Prozessanpassung oder ein Teamwechsel tatsächlich mit sich gebracht haben.

Zu diesem Punkt nannte das Team von Tezan eine besonders typische Kalibrierungsmethode:

In Atypicas Szenario lassen sie echte Personen und KI-Personas dieselben verhaltensökonomischen Experimente durchführen und quantifizieren dann anhand der Unterschiede zwischen beiden die Qualität der Simulation, was wiederum in das Modelltraining und die Optimierung einfließt.

QbitAI berichtete im Juli dieses Jahres vor Ort auf der WAIC über ein Ergebnis: Das Subjektiv-Weltmodell erreicht bei der Verhaltenssimulation eine Genauigkeit von 85%.

Natürlich bleiben solche Simulationen und Benchmarks im Wesentlichen Kalibrierungswerkzeuge; sie ermöglichen Forschung und Validierung in einem früheren Stadium, können aber die Forschung mit echten Menschen nicht ersetzen.

Der Beginn der Agentic Transformation

Welche Mechanismen müssen Unternehmen aufbauen, damit intelligente Agenten wirklich laufen können?

Und wenn die Grundlagen vorhanden sind, wie bringt man diese Mechanismen dann wirklich in Gang?

Auf dem Forum hieß es, dass ein Unternehmens-Agenten-System nur dann wirklich laufen kann, wenn ein vollständiger Regelkreis in Bewegung gesetzt wird:Signal, Plan, Create, Evals。

• Signal und Evals hängen stärker vom Kunden-Weltmodell ab; sie beantworten die Frage: Worauf achten die Nutzer gerade jetzt, und akzeptieren die Kunden das Ergebnis wirklich?
• Plan und Create hingegen hängen stärker vom Unternehmens-Weltmodell ab; sie beantworten die Frage: Lässt sich das in der Organisation überhaupt umsetzen, und wie geht man angesichts der vorhandenen Ressourcen, Prozesse und Beschränkungen vor?

Dahinter verbirgt sich eigentlich der Unterschied zwischen Unternehmens-Agenten und der vorherigen Generation von Copilots.。

Ein Copilot ist eher ein einmalig aufgerufenes Werkzeug: Du fragst, es antwortet; du startest eine Aufgabe, es liefert dir ein Ergebnis.

Aber der Agent, den Unternehmen wirklich brauchen, ist anders: Er ist langlebig, kann dauerhaft laufen, muss in die Arbeitsabläufe integriert sein und über Zeiträume hinweg Ziele, Zustände und Rückmeldungen bewahren – statt jedes Mal bei null anzufangen.

Fan Ling sagte in seiner Rede:

Der Agent bringt die Arbeit auf 80 Punkte, und der Mensch bringt sie von 80 auf 120 Punkte.

Das Wichtige an diesem Satz sind nicht die beiden Zahlen „80 Punkte“ und „120 Punkte“, sondern die Tatsache, dass er die Arbeitsteilung zwischen Mensch und Agent neu definiert.

Die beiden stehen nicht in einem Ersetzungsverhältnis, sondern in einer versetzten Arbeitsteilung: Die KI treibt einen Großteil der tokenisierbaren Arbeit voran, und der eigentliche Wert der Experten liegt weiterhin in dem letzten Abschnitt hochdichter Urteilsbildung.

Betrachtet man diese Hinweise zusammen, so befindet sich unternehmensnahe KI in einer neuen Phase; die „zwei Weltmodelle“ liefern genau den Ausdruck dieser Fähigkeiten in der Unternehmensarchitektur:

Ein Modell versteht das Externe, eines das Innere, und dazwischen läuft ein langlebiger Agent, der kontinuierlich vorantreibt.

Erwähnenswert ist, dass Tezantic auf dem WTCC-Forum gleichzeitig dieAgentic-Transformation-Kooperationsinitiativeveröffentlicht hat, die Hochschulen, Forschungseinrichtungen, Unternehmen, Modell- und Technologiepartner sowie Fachpraktiker zusammenbringt. Der Grund ist einfach: Dieser Weg ist noch nicht vollständig erprobt, viele Fragen haben keine fertigen Antworten, und man kann nur in offener Zusammenarbeit wachsend lernen.

Statt der Frage „Wie setzt man KI ein?“ versucht Tezantic, mit einem gemeinschaftlichen Ansatz eine noch schwierigere Frage zu beantworten:

Ein Unternehmen will sein Urteilsvermögen in ein akkumulierbares Vermögen verwandeln. Was ist also der erste Schritt?

Referenzlink: https://game.atypica.ai/

*Dieser Artikel wurde von QbitAI mit Genehmigung veröffentlicht; die Ansichten liegen allein beim ursprünglichen Autor.