KI kann Antworten liefern, aber nicht die Frage „Worauf gründet sich die Gültigkeit dieser Antwort?“ beantworten: AIReadsU DIP möchte der Entscheidungsintelligenz eine „unverrückbare harte Grundfläche“ hinzufügen

Der Bereich der Entscheidungsintelligenz durchlebt derzeit ein Dilemma, das in der Branche wiederholt diskutiert, aber nie wirksam gelöst wurde: Die rasche Verbreitung von Large Language Models und autonomen Agenten hat die Effizienz der Ergebnisausgabe durch KI erheblich verbessert, doch damit einher geht eine Reihe unumgänglicher Probleme – zwischen den von der KI gelieferten Begründungen und den Ergebnissen besteht oft eine Trennung, die Glaubwürdigkeit der Ausgabequellen lässt sich nicht überprüfen, und die Vertrauenskosten für die manuelle Prüfung dieser Ausgaben liegen in der Regel weit über den Zeitkosten für die Entscheidung selbst.

Dieses Schwachpunkt tritt 2026 besonders deutlich hervor. Im Januar 2026 veröffentlichte Gartner das erste „Magic Quadrant für Entscheidungsintelligenz-Plattformen“ und definierte Entscheidungsintelligenz-Plattformen (Decision Intelligence Platforms, DIP) offiziell als „Software, die Entscheidungsmodellierung, Analyse und Wissen kombiniert, um menschliche oder maschinelle Entscheidungen zu unterstützen, zu verbessern oder zu automatisieren“. Gartner weist in dem Bericht darauf hin, dass mit dem Übergang des geschäftlichen Paradigmas von „datengesteuert“ zu „entscheidungsorientiert“ der DIP-Bereich von einem Randkonzept zu einem Mainstream-Konsens gelangt, aber der Kernkonflikt der Branche liegt darin: KI kann schnell „Antworten“ liefern, aber sie kann die Nutzer nicht davon überzeugen, „warum diese Antwort gültig ist“.

Genauer gesagt, wenn KI in Hochrisikoszenarien wie Kreditprüfungen, klinischen unterstützenden Entscheidungen und verwaltungsrechtlichen Ermessensentscheidungen eingesetzt wird, ist ein unumgängliches Problem: Wenn die Entscheidungsgrundlagen nicht nachverfolgt, die Entscheidungslogik nicht überprüft und die Entscheidungsergebnisse nicht auditiert werden können, ist der „Effizienzvorteil“ der KI nur eine Verlagerung des Risikos vom manuellen Bereich in den Black-Box-Bereich. Auf dem aktuellen Markt konzentrieren sich DIP-Giganten wie FICO und SAS auf Entscheidungsmodellierung und Regel-Engines, Hersteller von Basistechnologien für Graphtechnologie wie Neo4j auf Graph-Speicherung und semantische Schlussfolgerung, Hersteller von Agenten-Beobachtbarkeitslösungen wie LangSmith auf Prozessverfolgung und Debugging. An der Schnittstelle der Fähigkeiten dieser drei Arten von Anbietern befindet sich genau ein übersehener Lückenbereich – die semantische Herkunftsverfolgung und Verantwortungskontrollfläche für Entscheidungsgrundlagen.

Diese Lücke ist genau die Position, die AIReadsU DIP zu füllen versucht.

Keine Full-Stack-Entscheidungsplattform zu bauen, sondern nur den „unveränderlichen harten Untergrund“ zu schaffen

AIReadsU DIP hat einen differenzierten Weg gewählt: Es baut keine weitere Full-Stack-Entscheidungsplattform, sondern konzentriert sich auf die neu hinzugekommene Verantwortungskernschicht im Zeitalter der Agenten. Das Projekt baut auf drei Hauptlinien: Semantische Graphen, deterministische Schlussfolgerung und auditierbares Hauptbuch, um ein vertrauenswürdiges Entscheidungsunterstützungssystem für Hochrisiko-Entscheidungsszenarien zu schaffen.

Aus Sicht der technischen Architektur ist das Produkt in drei Schichten unterteilt. Die Kontextschicht verankert strukturierte Fakten durch Wissensgraphen, GraphRAG und Zeitintelligenz und löst das Problem „Woher stammen die Daten?“. Die Verantwortungsschicht realisiert Herkunftsverfolgung, Entscheidungsintelligenz, Konflikterkennung und PROV-O-konforme Überprüfung und löst das Problem „Können die Grundlagen verwendet werden?“. Die Erweiterungsschicht unterstützt den Austausch und die Verbesserung aller vorhandenen Komponenten durch Plug-Ins und Methodenregistrierungen und löst das Problem „Kann es in die bestehenden Systeme der Kunden integriert werden?“. Die technische Basis speichert Fakten auf RDF, leitet Klassifizierungen mit OWL durch, führt Überprüfungen mit SHACL durch und erzeugt Beweise mit PROV-O. Jede Schicht hat klare Verantwortlichkeiten, und der Kern realisiert die Faktenverankerung, deterministische Schlussfolgerung und weiterleitbare Beweise.

PROV-O ist der von der W3C veröffentlichte Standard für Herkunftsontologien, der dazu dient, Herkunftsinformationen aus verschiedenen Systemen und Kontexten darzustellen und auszutauschen, und definiert drei Kernelemente: Entitäten, Aktivitäten und Agenten sowie ihre Beziehungen. AIReadsU DIP nutzt diesen Standard als technischen Ankerpunkt für die Konformitätsprüfung, sodass der Entstehungsprozess von Entscheidungsgrundlagen strukturiert aufgezeichnet, nachverfolgt und überprüft werden kann. Gleichzeitig stellt der EU AI Act klare technische Anforderungen an Hochrisiko-KI-Systeme: Das System muss in der Lage sein, Ereignisprotokolle während des gesamten Lebenszyklus automatisch aufzuzeichnen, um die Nachverfolgbarkeit zu gewährleisten. Für KI-Entscheidungsprodukte, die auf den EU-Markt abzielen oder eine internationale Expansion planen, wird die Fähigkeit zur Herkunftsverfolgung und Verantwortung von einem „Pluspunkt“ zu einer „Zugangsvoraussetzung“.

Das Projekt hat derzeit die vorführbare Proposal-Gate, das WORM-unveränderliche Hauptbuch und das regulatorische Beweispaket abgeschlossen und kann drei Standardszenarien wie Kreditablehnung, klinische Entscheidungen und verwaltungsrechtliche Ermessensentscheidungen in einer Umgebung mit synthetischen Daten ausführen. Das bedeutet, dass der Weg von der technischen Validierung zur Szenariovalidierung bereits geebnet ist. Der nächste Schritt besteht darin, die Fähigkeiten aus der Umgebung mit synthetischen Daten auf reale Kundenszenarien zu übertragen.

Wer braucht „vertrauenswürdige Entscheidungen“? Die Konvergenz von regulatorischer Konformität und Geschäftslogik

Die Zielnutzer von AIReadsU DIP konzentrieren sich auf drei Gruppen: Erstens die Erbauer von Entscheidungssystemen in stark regulierten Branchen wie Finanzen, Gesundheitswesen und Verwaltung, diese Szenarien haben natürliche Konformitätsanforderungen an die Nachverfolgbarkeit von Entscheidungen. Zweitens Unternehmen, die Agenten für automatisierte Entscheidungen einsetzen – je autonomer die Agenten sind, desto dringender werden die Governance-Anforderungen „Warum kann man es ändern, wer kann es ändern und wie kann man es rückgängig machen, wenn es schief geht“. Drittens die Abteilungen für KI-Governance und Konformität – mit der fortlaufenden Umsetzung von Rahmenwerken wie EU AI Act, HIPAA und SOX wird die Nachfrage nach Tools für die Entscheidungsgovernance von „optional“ zu „obligatorisch“.

Aus Sicht des Geschäftsmodells positioniert sich AIReadsU DIP als mittlere Schicht für die Entscheidungsgovernance. Die Entscheidungsmodellierung integriert Drools, die Service-Orchestrierung verbindet sich mit den bestehenden BPM-Systemen der Kunden, und es deckt nur die von den Aufsichtsbehörden vorgeschriebenen Bereiche ab, die noch von niemandem abgedeckt sind. Der Vorteil dieser Positionierung liegt darin, dass es keine Substitutionsbeziehung zu bestehenden Entscheidungsplattformen bildet, sondern als ergänzende Schicht in die vorhandene Technologie-Stack der Kunden integriert wird, wodurch die Migrationskosten und Entscheidungshürden der Kunden gesenkt werden.

Aus Sicht des Marktpotenzials prognostiziert Gartner in seinem Bericht 2026, dass bis 2027 nicht regulierte KI-Entscheidungssysteme mit erheblich gestiegenen Konformitätsrisiken konfrontiert werden, und das Fehlen von Fähigkeiten zur Entscheidungsgovernance zu einem der Haupthindernisse für die großflächige Einführung von KI in Unternehmen wird. Diese Einschätzung bestätigt sich mit den zwingenden Anforderungen des EU AI Act an die Protokollierung und Nachverfolgbarkeit von Hochrisiko-KI-Systemen – der Umsetzungsrhythmus des regulatorischen Rahmens definiert das Zeitfenster für den Bereich der vertrauenswürdigen Entscheidungen.

Hintergrund des Teams und aktueller Fortschritt

Der Gründer des Projekts, Xu Weiting, ist der Open-Source-Initiator der Zeitreihengraphen-Engine für Erkenntnisse sowie Gründer des Projekts für vertrauenswürdige KI und semantische Kontextsysteme für Unternehmen Context OS. Aus öffentlichen Informationen geht hervor, dass Xu Weiting über langjährige technische Erfahrungen im Bereich der semantischen Graphen und W3C-Standards verfügt. Das Kernteam hat kürzlich einen Experten für deterministische Schlussfolgerungstechnologie hinzugewonnen und baut derzeit das Produktframework rund um semantische Graphen und Konformitätsstandards für die Herkunftsverfolgung auf.

Im Bereich der Finanzierung hat AIReadsU DIP eine Seed-Finanzierung von 1 Million Yuan abgeschlossen. Die Investoren sind private Investoren, die Finanzierung wurde am 22. September 2026 abgeschlossen. Die Mittel aus dieser Runde werden für die Verbesserung des Kernprodukts und die Umsetzung von POCs bei Leitkunden verwendet.

Xu Weiting hat eine klare Aussage zur Positionierung des Projekts gemacht: „Wir bauen keine weitere Entscheidungsplattform, wir fügen DIP diese unveränderliche harte Schicht hinzu. FICO ist dafür zuständig, ob die Entscheidung richtig ist, LangSmith ist dafür zuständig, ob der Prozess sichtbar ist, wir sind dafür zuständig, warum die Entscheidung gültig ist, wer sie ändern kann und wie man sie rückgängig machen kann, wenn sie schief geht. Bei der selbstverbessernden Entwicklung von Agenten ist Vertrauenswürdigkeit keine Funktion, sondern eine Zugangsvoraussetzung – und diese Voraussetzung wird derzeit von niemandem bereitgestellt.“

An dem Wendepunkt, an dem KI-Entscheidungen von „einsatzbereit“ zu „bedenkenlos nutzbar“ gelangen, wählt AIReadsU DIP einen ausreichend eng gefassten und robusten Ansatz. Ob dieser Ansatz unter dem doppelten Druck von regulatorischer Konformität und geschäftlichen Anforderungen einen nachhaltigen Produktvorteil bilden kann, wird die Umsetzung der POCs bei Leitkunden im nächsten Jahr zeigen.