StartseiteArtikel

Was den Agenten fehlt, ist nicht Wissen, sondern die „Kausalitätsrechnung“: Die Kausalanker-Engine errichtet eine neutrale Infrastruktur, die auf der multimodalen sozialen Kausalcodierung der Subjekte basiert.

雅公子2026-11-20 17:35
Kausale Anker fungieren als neutrales gesellschaftliches kausales Fundament, um das Problem der Verantwortungszuweisung für intelligente Agenten zu lösen

Im vergangenen Jahr hat die Branche den größten Aufwand darauf verwendet, Agenten mit Gedächtnis auszustatten. Kollaborationsplattformen für Büroarbeiten haben Agenten nacheinander als unabhängige Kooperationssubjekte in Organisationen integriert, und eine Reihe von Startups haben anschließend an gemeinsamem Gedächtnis, Übergabedokumenten und Erfahrungspools gearbeitet – die Logik ist stimmig: Ein Agent, der sowohl über Handlungsmöglichkeiten als auch über Denkfähigkeit verfügt, darf kein schlechtes Gedächtnis haben.

Aber wenn ein Agent tatsächlich eine Aufgabe übernimmt, ist die erste Frage der Organisation nicht „Hast du das gemerkt?“, sondern „Warum wurde diese Angelegenheit nicht erledigt?“.

Auf diese Frage kann derzeit niemand eine Antwort geben.

I. Intelligente Agenten können arbeiten, können aber keine schlüssige Erklärung für das „Warum“ liefern

Zuerst sind die Fortschritte anzuerkennen. Heutige intelligente Agenten können Tools aufrufen, Schleifen ausführen, sich über Sitzungen hinweg merken, wie sie die Aufgabe letztes Mal erledigt haben, und sogar die Aufgabe fortsetzen, nachdem die Mitarbeiter Feierabend gemacht haben. Die Fähigkeiten sind in der gesamten Branche gleichermaßen verfügbar.

Das Problem liegt auf der anderen Seite: Sie können den Prozess nacherzählen, aber keine begründeten Urteile fällen.

Genauer gesagt gibt es vier Engpässe.

Erstens geben sie nur Texte aus, aber keine Grundlagen für die Urteile. Was Unternehmen brauchen, ist nie nur eine schön formulierte Erklärung, sondern „bei derselben Eingabe erhält man mit einer anderen Person, einer anderen Bereitstellung und nach denselben Regeln dasselbe Ergebnis zurück“. Große Sprachmodelle liefern Sprache, nicht „Zustand + Beweiszeiger + nachrechenbarer Pfad“. Deshalb sehen ihre erstellten Nachbesprechungsberichte zwar flüssig aus, aber die Fachabteilungen trauen sich nicht, darauf zu handeln, die Rechtsabteilungen trauen sich nicht, sie zu verwenden, und die Prüfer trauen sich nicht, sie zu unterzeichnen.

Zweitens verwechseln sie Korrelation mit Kausalität, und je flüssiger die Ausgabe ist, desto selbstsicherer sind sie. Das ist ein strukturelles Problem von Sprachmodellen: Ihre Antwort auf das „Warum“ ist im Wesentlichen eine nachträgliche Erzählung – sie verknüpfen Ereignisse mit gleicher Wahrscheinlichkeit zu einer plausiblen Geschichte. Bei gesellschaftlichen Ereignissen gibt es harte Schwellen für die Feststellung von Kausalität: Es braucht mindestens zwei Beweise, mindestens zwei Beobachtungszeitpunkte, und subjektive Zustände können nur von der betroffenen Person selbst beobachtet werden. Modelle kennen das Konzept der „Schwelle“ nicht, sie beurteilen nur, ob etwas „plausibel“ ist – je plausibler es wirkt, desto gefährlicher ist es.

Drittens, und das ist der fatalste Punkt: Sie verstehen keine „Pflichten“. Der Kern gesellschaftlicher Kausalität liegt nicht darin, „was passiert ist“, sondern darin, „welcher Schritt was tun sollte, ob er erledigt wurde und wer das bestätigt“. Modelle kennen Fakten, aber keine Pflichten. Deshalb können sie antworten „dieser Vorgang wurde sechs Mal weitergeleitet“, aber nicht antworten „dieser Vorgang hätte im dritten Schritt abgeschlossen werden sollen, aber die Rechte und Pflichten im zweiten Schritt waren nicht festgelegt, sodass alle nachfolgenden Schritte leer laufen“. Die meisten Streitigkeiten in Organisationen liegen nicht auf der Faktenebene, sondern auf der Pflichtebene – genau in dem Bereich, in den Modelle nicht vordringen können.

Viertens gibt es keinen nachweisbaren Träger. Nach Ende der Sitzung werden die Daten gelöscht; Gedächtnisprodukte speichern Zusammenfassungen und Zeiger, mit denen man Erfahrungen wiederverwenden kann, aber keine Verantwortung festlegen kann. Wenn wirklich etwas schiefgeht, sagt der Agent „ich dachte, …“, die Organisation kann keinen Beweis vorlegen und kann die Verantwortung nicht auf ein System übertragen, das seine Gründe nicht klar erklären kann.

Die Folgen der vier Engpässe sind direkt: Wenn intelligente Agenten von „Fragen beantworten“ zu „Aufgaben übernehmen“ wechseln, müssen sie in der Lage sein, das „Warum“ zu erklären. Wenn sie das nicht können, bleiben sie nur in der Demonstrationsphase stecken. Das ist kein Fähigkeitsproblem, sondern ein Problem der Verantwortungszuweisung. Für die Verantwortungszuweisung braucht man kein stärkeres Modell, sondern eine Basisschicht, die „Urteile + Beweise + Nachrechenbarkeit“ liefern kann.

Li Long, Gründer und Produktexperte, drückt es direkt aus: Intelligente Agenten sind bis heute nur Tools, weil sie nicht wirklich in Organisationen integriert sind. Das Zeichen für die Integration in eine Organisation ist nicht, dass sie Fragen beantworten können, sondern dass sie Menschen Zeit sparen – statt Menschen mehr Zeit zu kosten, um die Richtigkeit und Fehler im Prozess zu klären. Wo liegt der Unterschied zwischen einem „Tool“ und einem „Assistenten“? Ein Tool antwortet nur, wenn man es fragt, ein Assistent übernimmt einen Teil des Prozesses und ist für diesen Teil verantwortlich.

Um diese Schwelle zu überwinden, braucht man nicht weitere Technik, weitere Methoden oder weitere kausale Daten aus Laboren zu stapeln, sondern zuerst eine gemeinsame unterlegene Struktur nach nationalem Standard, die von allen genutzt wird.

Ohne diese Struktur gibt es „tausend intelligente Agenten mit tausend verschiedenen Hamlet-Interpretationen“ in der Branche: Für dieselbe Angelegenheit geben verschiedene Anbieter eigene Urteile ab, die Nutzer wissen nicht, wem sie vertrauen sollen, und es gibt keine gegenseitige Anerkennung zwischen Institutionen. Die Zersplitterung wird nicht durch die Fähigkeiten der Modelle verursacht, sondern dadurch, dass jeder Anbieter ein eigenes Kausalitätsmaßstab aufbaut. Erst wenn die Struktur einheitlich ist, können Nutzer es wagen, einen Teil des Prozesses an das System zu übergeben.

Noch fataler für organisatorische Prozesse: Was Menschen wirklich merken müssen, sind nicht Daten, sondern jede einzelne Entscheidung während der Ausführung. Modelle können eine klar strukturierte Analyse liefern, die alle nach dem Lesen loben, aber danach gehen sie trotzdem zu Besprechungen, um die Zahlen abzugleichen, und niemand wagt, auf Grundlage dieses Ergebnisses Entscheidungen zu treffen. Sie beantworten „welche Beziehung die Daten zu haben scheinen“, aber nicht „nach welchem Urteil man vorgehen soll“. Diese Urteile sind heute an verschiedenen Stellen verteilt, zusammen mit der Aussage „das haben wir schon immer so berechnet“. N Agenten lesen jeweils die Datenbanktabellen, für denselben Indikator können sie N verschiedene Antworten liefern, und bei Fehlern gibt es keine Schiedsstelle.

Diese Art von Urteilen wird nicht von CausalAnchor verwaltet, es beurteilt keine Maßstäbe, rechnet keine Beträge um und prüft nicht die Richtigkeit. Es verwaltet eine andere Sache: In jeder Umgebung wird aufgezeichnet, wann diese Urteile verwendet wurden, worauf sie beruhen und wer sie bestätigt hat. Das Modell kann ausgetauscht werden, der Prozess geht nicht verloren; wenn etwas schiefgeht, kann man den genauen Code der betreffenden Regel nachverfolgen, nicht nur eine bestimmte Prompt-Zeichenfolge.

Deshalb greift CausalAnchor genau in diese Ebene ein: Wir bauen keine Modelle, keine Gedächtnisdatenbanken und fällen keine Schlussfolgerungen, sondern machen nur eines: einen „nativ multimodalen gesellschaftlichen Kausalitätsgrundstein für Subjekte“, der die multimodalen Verhaltensspuren der Subjekte in zeitlicher Reihenfolge zu überprüfbaren Kausalcodes nach nationalem Standard zurückverwandelt – eine neutrale öffentliche Infrastruktur, die für jedes Subjekt und jede Anwendung gilt.

II. Das „Warum“ in überprüfbare und gegenseitig anerkennbare „Codes“ zerlegen

Die Voraussetzung für die Zerlegung ist die Anerkennung, dass gesellschaftliche Kausalität eine Struktur hat: Wessen Bedarf, wessen Pflicht, auf welcher Ebene bricht der Vorgang ab und wem gehören die Beweise. Diese Dinge haben in jeder Organisation einen festen Platz, nur hat sie bisher niemand in dasselbe Satz von Feldern geschrieben. Kodierung bedeutet nicht, eigene Begriffe zu erfinden, sondern dass jeder Code mit Standardnummer, Eintragsnummer und Gültigkeitsdatum versehen wird, und dann schrittweise zu Gruppenstandard, lokalem Standard und Branchenstandard weiterentwickelt wird. Mit geltenden Standards ist gegenseitige Anerkennung zwischen Institutionen möglich; wenn jeder eigene Begriffe erfindet, stimmen sie nie überein.

Der Projektgründer erläutert: Das, was diese Sache stützt, ist eine multidisziplinäre Kreuzung, keine einzelne Technologie. Wirtschaftswissenschaften verwalten Angebot, Nachfrage und Kosten, Sozialwissenschaften verwalten Subjekte und Pflichten, Datenwissenschaften verwalten Strukturierung und Nachrechenbarkeit – die drei Linien müssen im selben Codesatz gleichzeitig gültig sein. Das Team hat mehr als zehn Jahre Produktentwicklung und marktwirtschaftliche Pilotierung in diesen Richtungen durchgeführt und hat derzeit 660 Einträge aufgebaut: 296 für Bedarf, 162 für Branchen und Subjekte, 62 für Pflichten, 59 für Prädikate, 53 für Lieferrichtungen, 15 für subjektive Zustände und 13 für Metadaten. Jeder Eintrag muss mit Standardnummer, Eintragsnummer und Gültigkeitsdatum versehen werden und behält drei Zustände bei: aktiviert, deaktiviert und ersetzt.

Die Zerlegung erfolgt in fünf Ebenen. L1 ist das Subjekt: Wessen Bedarf ist diese Angelegenheit? L2 ist die binäre Beurteilung von Bedarf und Pflicht, die mit zehn parallelen Dimensionen aufgezeichnet wird, das Ergebnis fällt in sechs sich gegenseitig ausschließende Zustände. L3 fragt schichtweise nach Strategie, Methode, Verhalten und Tool, ob jede Schicht gültig ist. L4 legt Lieferung und Richtung fest. L5 führt die Überprüfung durch.

Auf Ebene L2 muss man streng vorgehen. Wenn die Beurteilung ungültig ist, darf man keine „umfassenden Gründe“ schreiben, sondern muss genau einen aus sechs Gründen zuordnen: unzureichende Fähigkeiten, Ressourcenknappheit, unbestimmte Rechte und Pflichten, externe Unterbrechung, unzureichende Beweise, Zeitpunkt nicht erreicht. Außerdem muss ein Bruchpunkt festgelegt werden: fehlendes Bewusstsein, fehlender Pfadabschnitt, fehlende Lieferung, fehlende Erfüllung, fehlende Beweise, fehlende Autorisierung, fehlende Zuordnung – aus sieben Kategorien wird nach Priorität nur ein Hauptbruchpunkt aufgezeichnet.

Dieser Punkt bestimmt, ob die ganze Angelegenheit nützlich ist. Bei derselben Aussage „es hat 11 Tage lang gehangen“ muss man bei „fehlender Lieferung“ die Lieferung ergänzen, bei „unzureichenden Beweisen“ die Unterlagen ergänzen, bei „Zeitpunkt nicht erreicht“ muss man gar nichts tun. Wenn man einen Punkt falsch beurteilt, sind alle Korrekturmaßnahmen falsch, und Geld und Zeit werden gleichzeitig verschwendet.

Die Position ist klar im Kern festgelegt: Wir parsen keine Inhalte, generieren keine Schlussfolgerungen, bauen kein abrufbares Gedächtnis, ersetzen nicht die Laufzeit, führen keine Berechnungen durch, beurteilen nicht die Richtigkeit, rechnen keine Beträge um und überschreiten keine erteilten Autorisierungen. Der Grund des Projektteams ist: Sobald diese Schicht anfängt, „bequem Schlussfolgerungen zu liefern“, ist sie keine öffentliche Schicht mehr, sondern wird zu einem weiteren Produkt, das Partei ergreifen muss. Deshalb wird bewusst ein Weg vermieden: Wir konkurrieren nicht mit dem Ökosystem großer Konzerne, sondern konzentrieren uns auf die Tiefe der Kausalitätsbeziehungen und bauen eine neutrale öffentliche Infrastruktur, die alle Seiten brauchen. Der Grund ist sehr praktisch: Ohne Neutralität gibt es keine gegenseitige Anerkennung. Das Gedächtnis kann locker sein, aber Kausalität muss streng sein – diese beiden Disziplinen sind gegensätzlich.

III. Nicht nur für intelligente Agenten dienen

Die drei Produkte des Produktsatzes haben klare Aufgabenverteilung: CausalAnchor führt die Berechnung durch, Yintongtong überträgt (überträgt nur Codes, keine Inhalte) und Yincangxu speichert (fügt nur Einträge zum Hauptbuch hinzu). Man kann das gesamte Paket kaufen oder einzelne Teile erwerben – die Felder der einzelnen Bereitstellung stimmen vollständig mit dem gesamten Paket überein: Gegenseitige Anerkennung hängt von der Codebibliothek und dem Format des Hauptbuchs ab, nicht davon, alle drei Teile zu kaufen. Der Speicherteil ist der Teil, der am wenigsten wie ein Produkt aussieht und am wichtigsten ist: Das Hauptbuch wird nur ergänzt. Jeder Datensatz verwendet „Code, Subjekt, Beobachtungszeitpunkt“ als zusammengesetzten Primärschlüssel. Bei Korrekturen wird die Geschichte nicht überschrieben, sondern ein neuer Korrekturereignis-Eintrag wird parallel hinzugefügt. Wenn ein Hauptbuch zwei Abteilungen vorgelegt wird, kann es nach der Autorisierung jeder abfragen, aber niemand kann es heimlich ändern.

Warum muss man das jetzt machen: Die Fähigkeiten der Basismodelle brauchen für weitere Verbesserungen qualitativ hochwertigere Daten. Die im Internetzeitalter angesammelten Korpora sind fast erschöpft, das Scaling Law nähert sich seiner Grenze, das verbleibende Wachstum liegt nicht in den Speicherlagern, sondern im Kausalnetz der realen Szenarien – wer welchen Bedarf gestellt hat, wer welche Pflicht erfüllen soll, welcher Schritt gebrochen ist und wo die Beweise liegen. Diese Daten sind heute fast noch nicht strukturiert worden.

Intelligente Agenten sind die ersten Szenarien, die an diese Wand stoßen, aber nicht die einzigen. Jede Organisation, die „den Prozess klar erklären muss“, braucht dasselbe standardisierte Kodierungssystem.

Die zweite Kategorie sind Regierungsangelegenheiten und öffentliche Dienstleistungen als natürliche passende Szenarien: Anfragebearbeitung, Auftragsverteilung und -bearbeitung sowie Abschlussarchivierung bringen von Natur aus drei Beobachtungszeitpunkte mit, genau die Struktur, die für die Kausalbeurteilung benötigt wird. Das Projektteam hat eine Vergleichsbasis angegeben: Die durchschnittliche Bearbeitungsdauer für Bürgeranfragen in einer bestimmten Straße im Jahr 2025 betrug 21,1 Stunden pro Fall. Sie wollen diese Zahl nicht nur senken, sondern die „durchschnittliche Bearbeitungsdauer“ zerlegen in „welche Kategorie von Bruchpunkt jeden Fall aufgehalten hat“.

Die dritte Kategorie ist Beschaffung und Erfüllung von Unternehmensdienstleistungen. Nach Vertragsunterzeichnung und Bezahlung wird heute die tatsächliche erbrachte Dienstleistung anhand von Abnahmebestätigungen und menschlichen Urteilen beurteilt; nach der Zerlegung in die binäre Struktur von Bedarf und Pflicht kann jeder einzelne Eintrag zugeordnet werden zu „welche Pflicht nicht erfüllt wurde und wo die Beweise fehlen“.

Die vierte Kategorie sind Plattformen und Datenbetreiber. Bei der Abrechnung mit mehreren Lieferanten glaubt jeder, mehr Arbeit geleistet zu haben. Da das Hauptbuch nur ergänzt wird und der Maßstab einheitlich ist, wandeln sich die Streitigkeiten von „jeder redet von seiner eigenen Version“ zu „Überprüfung an derselben Zeile“.

Das Produkt des Projekts plant klar drei Ökosysteme, die denselben Codesatz und dasselbe Hauptbuch gemeinsam nutzen: Neubau-Typ, der zusammen mit neuen Systemen wächst; Einfüge-Typ, der die bestehenden Systeme nicht verändert und parallel eine zusätzliche Schicht hinzufügt; Mount-Typ, der von dem Subjekt nach Bedarf installiert wird. Derselbe Vorfall ist in verschiedenen Institutionen immer noch derselbe Vorfall. Nach dem Plan des dreidimensionalen Ökosystems 1.0 bis 4.0 des Projektteams wird in der fünften Kategorie eine Plugin-Bibliothek eröffnet: Das Subjekt installiert diese Schicht in seiner eigenen Anwendung, hält die Standarddaten selbst und bekommt immer noch denselben Codesatz und dasselbe Hauptbuch; es werden nur Codebibliothek und Hauptbuchformat bereitgestellt, keine Transaktionen betrieben und keine Plugins verkauft.

Gleichzeitig erklärt der Projektgründer: Datenverwaltung ist eine völlige Paradoxie der nachträglichen Behebung. Auf