Welche Investition zuerst? cNode bewertet Optionen entlang eurer Ziele — mit Score, belegtem Rechenweg und einem Entscheidungs-Memo, das im Gremium standhält. Nicht Bauchgefühl, sondern eine nachvollziehbare, reproduzierbare Ableitung.
Ausgangslage & Kontext
Investitionsentscheidungen im Mittelstand und in kommunalen Unternehmen konkurrieren um knappe Mittel: Ersatzinvestition, Digitalisierung, Kapazitätsausbau, energetische Sanierung. Jede Option hat eigene Kennzahlen, eigene Risiken und einen unterschiedlichen Beitrag zu strategischen Zielen.
Der Vergleich dieser Optionen ist eine Priorisierungsaufgabe unter Zielkonflikten — und er muss begründet werden. Aufsichtsrat, Rat oder Fördermittelgeber erwarten eine nachvollziehbare Herleitung, warum Option A vor Option B rangiert. Der EU AI Act verlangt für solche entscheidungsvorbereitenden Systeme dokumentierte, transparente Grundlagen.
Das Problem
In der Praxis beruhen Investitionsentscheidungen oft auf Bauchgefühl und Einzelmeinungen statt auf einer strukturierten Bewertung. Selbst wenn eine Bewertung stattfindet, wird sie selten so dokumentiert, dass sie Monate später oder bei Rückfragen belastbar bleibt.
Ein Sprachmodell frei einen Score „vergeben“ zu lassen, ist keine Lösung: Das Ergebnis ist weder reproduzierbar noch belegbar, und es kann Faktoren erfinden oder gewichten, die niemand vorgegeben hat. Damit fehlt genau die Grundlage, die eine Priorisierung verteidigbar macht.
Konkrete Schwachstellen
- Investitionsentscheidungen beruhen oft auf Bauchgefühl statt Struktur.
- Der Vergleich von Optionen ist selten dokumentiert.
- Bei Rückfragen fehlt die belastbare, reproduzierbare Begründung.
- Frei vergebene KI-Scores erfinden oder gewichten unkontrolliert.
Die Kausalkette
Von der unstrukturierten Bewertung zur anfechtbaren Priorisierung verläuft eine klare Kette:
- Keine vorgegebene Zielhierarchieerzwingt ad-hoc, intuitive Bewertung
- Intuitive Bewertungbleibt undokumentiert und nicht reproduzierbar
- Undokumentierte Bewertunglässt sich bei Rückfragen nicht verteidigen
- Nicht verteidigbare Priorisierungwird angefochten oder rückabgewickelt
Wo cNode die Kette durchtrennt
cNode setzt an der Wurzel an: einer vorgegebenen Zielhierarchie. Optionen werden regelbasiert entlang dieser Hierarchie bewertet, der Score wird deterministisch aus benannten Faktoren zusammengesetzt, und zu jedem Faktor ist die Quelle hinterlegt. Weil die Bewertung von Anfang an strukturiert, belegt und reproduzierbar ist, entsteht die anfechtbare Priorisierung gar nicht.
Wie cNode es löst
cNode bewertet die Optionen entlang einer vorgegebenen Zielhierarchie statt eines frei geratenen Maßstabs. Die Ziele und ihre Gewichte sind explizit und nachvollziehbar — nicht das Modell entscheidet, was zählt, sondern eure vorgegebene Struktur.
Der Score wird deterministisch aus benannten Faktoren zusammengesetzt. Eine Beitrags-Zerlegung zeigt, welcher Faktor den Score in welche Richtung treibt, und hält zu jedem Faktor die Quelle fest. Damit ist nicht nur das Ranking sichtbar, sondern auch, warum es so ausfällt.
Eine Simulation prüft die Robustheit: Bleibt das Ranking stabil, wenn einzelne Annahmen kippen? So wird sichtbar, ob eine Priorisierung belastbar ist oder auf einer wackligen Annahme steht.
Das Sprachmodell verfasst daraus ein lesbares Entscheidungs-Memo — es formuliert die belegte Herleitung, erfindet aber weder Score noch Faktoren.
Der deterministische Ablauf
- Bewertung entlang einer vorgegebenen Zielhierarchie statt freiem Raten.
- Deterministischer Score aus benannten Faktoren, reproduzierbar über einen Seed.
- Beitrags-Zerlegung: was treibt den Score, mit Quelle je Faktor.
- Simulation: bleibt das Ranking stabil, wenn Annahmen kippen?
- Entscheidungs-Memo vom LLM formuliert; die Zahlen kommen aus der Engine.
Das Ergebnis
Am Ende steht ein klares, begründetes Ranking der Optionen und ein Entscheidungs-Memo mit Quelle und Rechenweg — bereit fürs Gremium. Die Priorisierung bleibt auch Monate später nachvollziehbar, weil sie reproduzierbar ist: Dieselbe Grundlage und dieselben Ziele führen zum selben Ergebnis.
Methodik & Belegbarkeit
Wissenschaftlich betrachtet ist die Priorisierung eine transparente, gewichtete Aggregation entlang einer explizit vorgegebenen Zielhierarchie — kein verdeckter Modell-Output. Die Beitrags-Zerlegung macht die Aggregation prüfbar, die Sensitivitäts-Simulation macht ihre Robustheit sichtbar.
Reproduzierbarkeit über einen festen Seed und Quellennachweis je Faktor schaffen Anschluss an EU AI Act Art. 12/13. Das Sprachmodell verbalisiert ausschließlich; Betrieb in Frankfurt oder on-prem bis air-gapped, Auftragsverarbeitung nach DSGVO Art. 28.
Quellen & Weiterführendes
- EU AI Act, Art. 13 — Transparenz entscheidungsvorbereitender Systeme.
- EU AI Act, Art. 12 — Protokollierung der Herleitung.
- Konzept: gewichtete Zielhierarchie mit Beitrags-Zerlegung und Sensitivitätsanalyse.
- Verwandt: Finanz- & Liquiditätsentscheidungen, Kommunales Beteiligungsmanagement.
Verwandte Anwendungsbereiche
Investitionen belegbar priorisieren
Wir bewerten eure Optionen an einem echten Fall.
Demo an euren Daten