Neue Ansätze zur Modellierung und Vorhersage in dynamischen Unternehmenssystemen

Die fortschreitende Integration künstlicher Intelligenz in Unternehmenssysteme wirft grundlegende Fragen bezüglich der Modellierung und Vorhersage von Systemverhalten auf. Insbesondere die Notwendigkeit von "World Models" – also Modellen, die die Dynamik einer Umgebung internalisieren, um Aktionen und deren Auswirkungen vorherzusagen – wird in komplexen Enterprise-Umgebungen intensiv diskutiert. Eine zentrale Erkenntnis ist dabei die Bedeutung des Kontextes zur korrekten Ableitung von Systemdynamiken.

Die Herausforderung dynamischer Unternehmensumgebungen

Unternehmenssysteme unterscheiden sich von vielen anderen Umgebungen durch ihre inhärente Dynamik. Die Regeln und Prozesse, die das Systemverhalten steuern, sind oft mandantenspezifisch, verändern sich ständig und sind in Konfigurationsartefakten wie Geschäftsregeln oder Workflows hinterlegt. Diese Gegebenheiten führen dazu, dass Modelle, die ausschließlich auf historischen Daten trainiert wurden, bei Veränderungen in der Systemkonfiguration unzuverlässig werden können. Die Frage, ob ein Agent diese Regeln zur Inferenzzeit noch lernen muss, wenn sie direkt ausgelesen werden können, steht im Mittelpunkt aktueller Forschung.

Die Rolle von "World Models" und ihre Grenzen

Traditionell ermöglichen Weltmodelle Agenten, die Auswirkungen ihrer Handlungen durch die Internalisierung von Umgebungsdynamiken vorherzusehen. In Enterprise-Systemen kann diese Internalisierung jedoch brüchig werden, da die Dynamiken nicht statisch sind. Wenn Geschäftslogiken oder Workflows aktualisiert werden, verlieren fest gelernte Modelle an Genauigkeit. Dies unterstreicht die Notwendigkeit robusterer Ansätze.

"Discovery Agents": Eine neue Perspektive

Eine vielversprechende Alternative sind sogenannte "Discovery Agents". Diese Agenten versuchen nicht, die gesamte Umgebungsdynamik im Voraus zu internalisieren. Stattdessen sind sie darauf ausgelegt, relevante Übergangslogiken zur Laufzeit aktiv zu entdecken. Dies geschieht beispielsweise durch das Abfragen des Systemzustands, die Inspektion von Workflow-Definitionen oder das Ausführen gezielter Probeaktionen. Dieser Ansatz ist in Unternehmenssystemen besonders relevant, da die Übergangslogik häufig explizit über Konfigurationsartefakte zugänglich ist.

CascadeBench: Ein Benchmark für dynamische Systeme

Um die Leistungsfähigkeit dieser Ansätze zu bewerten, wurde der Benchmark CascadeBench entwickelt. Dieser Benchmark konzentriert sich auf die Vorhersage von Kaskaden in Unternehmensumgebungen unter Berücksichtigung von Konfigurations- und Bereitstellungsänderungen. Im Gegensatz zu früheren Benchmarks, die oft feste Konfigurationen bewerten, untersucht CascadeBench, wie Agenten Dynamiken zur Inferenzzeit entdecken und sich anpassen. Die Ergebnisse zeigen, dass offline trainierte Weltmodelle zwar innerhalb ihrer Trainingsverteilung gut abschneiden, aber bei Dynamikänderungen stark nachlassen. Discovery Agents hingegen erweisen sich als robuster, da sie ihre Vorhersagen auf die aktive Bereitstellung stützen.

Die Experimente auf CascadeBench untersuchen drei Komplexitätsstufen von Übergängen:

- Tier 1: Schema-bestimmte Effekte: Diese sind durch das Datenschema fest definiert und erfordern keine Regelinspektion. - Tier 2: Regel-komponierte Kaskaden: Hier bestimmen Geschäftsregeln die Übergänge, deren Nachverfolgung Kaskadenausführungen erfordert. - Tier 3: Ausführungs-inferiertes Verhalten: Diese Übergänge hängen von undokumentiertem Engine-Verhalten oder emergenten Interaktionen ab, die nicht allein aus der Konfiguration ableitbar sind.

Die Bedeutung von Kontext und Laufzeit-Retrieval

Die Forschungsergebnisse legen nahe, dass die reine Prompt-basierte Methode, bei der ein Large Language Model (LLM) lediglich aus dem bereitgestellten Kontext Vorhersagen trifft, an ihre Grenzen stößt, wenn Regeln verborgen sind. Fine-Tuning kann hier eine gewisse Verbesserung bringen, insbesondere wenn der Regelkontext fehlt. Die größte Robustheit unter Konfigurationsänderungen erreichen jedoch Discovery Agents, die zur Laufzeit relevante Regeln, Schemata und Datensätze aus der Live-Instanz abrufen können.

Dieser Ansatz verbessert die Genauigkeit von Vorhersagen über Instanzen hinweg, ohne dass eine spezifische Anpassung an die Zielinstanz erforderlich ist. Der Mechanismus dahinter ist das wiederholte "Grounding": Während Prompt-basierte Modelle sich hauptsächlich auf ihren anfänglichen Kontext und frühere Ausgaben verlassen, können Discovery Agents die Live-Instanz bei jedem Schritt erneut abfragen. Dies aktualisiert die Sicht des Modells auf die bereitgestellte Konfiguration und reduziert die Akkumulation von Fehlern über längere Vorhersagehorizonte.

Implikationen für die Unternehmens-KI

Die Ergebnisse betonen, dass Enterprise-KI-Agenten nicht ausschließlich auf fest internalisierte Dynamiken vertrauen sollten. Vielmehr ist eine Kombination aus gelernten Mustern und der Fähigkeit zur Laufzeit-Entdeckung und -Begründung entscheidend. Dies bedeutet, dass zukünftige KI-Systeme Mechanismen integrieren müssen, um relevante Übergangslogiken zur Laufzeit zu identifizieren.

Die "World of Workflows" (WoW) Studie unterstreicht zudem, dass LLMs in komplexen Unternehmenssystemen an "Dynamikblindheit" leiden, d.h., sie können die unsichtbaren, kaskadierenden Nebeneffekte ihrer Aktionen nicht zuverlässig vorhersagen. Dies führt zu stillen Regelverstößen und unzuverlässigem Verhalten. Um dies zu überwinden, ist ein "geerdetes Weltmodell" erforderlich, bei dem Agenten versteckte Zustandsübergänge mental simulieren müssen, um die Lücke in der Beobachtbarkeit zu schließen.

Fazit und Ausblick

Die Debatte, ob Unternehmenssysteme "gelehrte Weltmodelle" benötigen, wird dahingehend geklärt, dass sie eine Kombination aus gelernten Prioren und Laufzeit-Entdeckung benötigen. Die Bedeutung des Kontextes zur Ableitung von Dynamiken ist hierbei nicht zu unterschätzen. Die Entwicklung von Discovery Agents, die in der Lage sind, zur Laufzeit auf Systemkonfigurationen zuzugreifen und diese zu interpretieren, ist ein entscheidender Schritt zur Schaffung robuster und zuverlässiger KI-Agenten in komplexen und sich ständig ändernden Unternehmensumgebungen. Die weitere Forschung wird sich darauf konzentrieren, wie diese beiden Ansätze – internes Lernen und externes Entdecken – optimal kombiniert werden können, um Agenten zu trainieren, die lernen, wann, was und wie sie Informationen abrufen sollen.

Bibliography: - Sethumadhavan Nair, Jishnu; Bechard, Patrice; Maheshwary, Rishabh; Dasgupta, Surajit; Ramachandran, Sravan; Bhagat, Aakash; Radhakrishna, Shruthan; Pattnaik, Pulkit; Obando-Ceron, Johan; Reddy, Shiva Krishna; Sagar, Malay; Davasam, Seganrasan; Subramanian, Vipul; Mittal, Sridhar; Nemala, Krishna; Pal, Christopher; Sunkara, Srinivas; Rajeswar, Sai (2026): Do Enterprise Systems Need Learned World Models? The Importance of Context to Infer Dynamics. In: arXiv. URL: https://arxiv.org/abs/2605.12178, zuletzt geprüft am 13.05.2026. - Gupta, Lakshya; Li, Litao; Liu, Yizhe; Subramanian, Sriram Ganapathi; Suleman, Kaheer; Zhang, Zichen; Lu, Haoye; Pasupalak, Sumit (2026): World of Workflows: A Benchmark for Bringing World Models to Enterprise Systems. In: arXiv. URL: https://arxiv.org/pdf/2601.22130, zuletzt geprüft am 13.05.2026. - Brown, Dan (2026): The Context Model: The missing piece of the Enterprise AI tech stack. In: Celonis Blog. URL: https://www.celonis.com/blog/the-context-model-the-missing-piece-of-the-enterprise-ai-tech-stack, zuletzt geprüft am 13.05.2026. - Sheinberg, Ran (2026): Enterprise World Model: The Next Unlock for AI Agents. In: xpander.ai Blog. URL: https://xpander.ai/blog/enterprise-world-model-the-next-unlock-for-ai-agents, zuletzt geprüft am 13.05.2026.