Bei der Künstlichen Intelligenz (KI) vollzieht sich gegenwärtig ein Paradigmenwechsel von rein statistischen Korrelationen zu dynamischen Ursache-Wirkungsmodellen. Als Erfolg versprechende Grundlage für diese kausale KI bietet sich die Theorie komplexer, evolutionärer Systeme an, die unser Expertennetzwerk Competivation seit einigen Jahren auf reale Managementprobleme anwendet. Diese beiden Entwicklungslinien gilt es zu verbinden. Das Interesse von Investoren an dem Heidelberger Startup Kausable AI zeigt, wie groß das Potenzial dieses Paradigmenwechsels ist.
In unserem neuen Blogpost erläutere ich, wie die Managementtheorie komplexer, evolutionärer Systeme der kausalen KI zum Durchbruch verhelfen kann.
Frühphaseninvestment in Kausable AI
KI-Modelle, die mit Daten aus der Vergangenheit trainiert werden, kommen an ihre Grenzen, wenn etwas Unerwartetes eintritt. Sie müssen dann in einem aufwendigen Prozess angepasst werden. Das Heidelberger Startup Kausable AI ist von der Idee ausgegangen, dass eine neue Generation von Modellen lernen muss, besser mit dem ständigen Wandel umzugehen. Dafür hat das Unternehmen von Wagniskapitalgebern und bekannten KI-Forschern ein Frühphaseninvestment in Höhe von 12 Millionen Euro erhalten. Das mit synthetischen Daten trainierte Modell soll Ursachen und Wirkungen verstehen, daraus Hypothesen ableiten und aus Ergebnissen lernen, neue Herausforderungen zu meistern. Ob dieser Ansatz funktioniert, ist noch offen, der Bedarf aber groß, da die Bewältigung komplexer Probleme immer anspruchsvoller wird. So versuchen die Gründer mit ihrem Projekt TipPFN, Kipppunkte zu erkennen, an denen sich Systeme plötzlich verändern.1
In dieser Situation benötigen innovative KI-Modelle eine praxistaugliche theoretische Grundlage.
Anwendung der Theorie komplexer, evolutionärer Systeme auf reale Managementprobleme
Die Entwicklung der Theorie komplexer evolutionärer Systeme und ihre Anwendung auf reale Managementprobleme habe ich vor kurzem in einem Artikel beschrieben.2 Für die Verbindung mit einer KI, die Ursachen und Wirkungen versteht, sind einige Kennzeichen dieser Systeme von Bedeutung, die ich kurz erläutern möchte. Dies gilt insbesondere im Hinblick auf die komplexen Wechselwirkungen zwischen verschiedenen Ebenen wie Geopolitik, Umwelt, Staaten, Regionen, Unternehmen und Verwaltungen sowie Individuen und Gesellschaft.
Die Implikationen für eine Gestaltung von Mehrebenen-Strategien sind tiefgreifend. Eine KI-Unterstützung kann dazu beitragen, die Defizite traditioneller Managementpraktiken zu verringern.
Ein Kennzeichen komplexer, evolutionärer Systeme ist Offenheit. Daher ist es wichtig, auf jeder Systemebene den Einfluss von Umfeldfaktoren zu verstehen. Gegenwärtig stellt das Zusammenwirken verschiedener Risiken für die deutsche Wirtschaft eine neue Art von Bedrohung dar.
Dieses Umfeld ist durch eine große Dynamik gekennzeichnet. Daher stehen alle relevanten Akteure vor der Aufgabe, ein dynamisches Selbstbild zu entwickeln. Wichtige Impulse für ein solches Growth Mindset gehen von der Führung und Personalentwicklung aus.
Ein weiteres wichtiges Kennzeichen ist Verbundenheit. KI kann helfen, die komplexe Konnektivität zwischen Ebenen und Akteuren zu modellieren. So sind Probleme z.B. bei der Energiewende in der Vergangenheit aus Barrieren zwischen den Sektoren Politik, Wissenschaft, Wirtschaft und Gesellschaft entstanden.
Häufig wird dabei die Nichtlinearität der Prozesse unterschätzt. Hierunter versteht man die Erkenntnis, dass von kleinen Ereignissen große Wirkungen ausgehen können. Diese Wirkungen erkennt man meist aber erst nach dem Erreichen von Kipppunkten.
Ein Kennzeichen vieler Strategien ist Emergenz. Im Unterschied zu der verbreiteten Meinung, dass die oberste Führungsebene Strategien entwickelt, entstehen diese nicht selten ausgehend von Individuen mit einem besonderen Weitblick und verbreiten sich von außen oder von unten in der Hierarchie nach oben.
Ebenfalls unterschätzt wird die Pfadabhängigkeit. Gemeint ist damit die Bedeutung der Anfangsbedingungen für die weiteren Prozesse. Ein typisches Beispiel sind sachlogisch überzeugende Strategien, die an einer toxischen Organisationskultur scheitern.
Komplexe, evolutionäre Systeme sind durch Adaptivität gekennzeichnet. Diese Anpassung an neue Entwicklungen bei großer Unsicherheit hat aufgrund der gegenwärtigen geopolitischen Situation ein extremes Niveau erreicht.
Damit werden die Rahmenbedingungen für Selbstorganisation immer wichtiger. Erfolgreiche Digitalunternehmen vertrauen in die Arbeit von kompetenten, agilen Teams. Auf der anderen Seite ist bei der Personalführung „nach alter Schule“ Agilität noch ein Fremdwort.
Eng damit verknüpft ist die Bedeutung von Lernschleifen. Ein Indikator dafür, dass diese iterativen Lernprozesse funktionieren, sind Verantwortliche, die nicht Opfer einer Transformationsillusion werden und glauben, es sei ein neuer stabiler Gleichgewichtszustand erreichbar.
Das Verständnis komplexer, evolutionärer Systeme leistet einen wichtigen Beitrag, um der kausalen KI zum Durchbruch zu verhelfen. Hierzu ist es wichtig, sich mit der Bedeutung der drei Stufen einer Kausalitätseiter für dynamische Ursache-Wirkungsmodelle zu beschäftigen.
Bedeutung der drei Stufen einer Kausalitätsleiter
Die Bedeutung der von dem Turing-Preisträger Judea Pearl entwickelten drei Stufen der Kausalität liegt in der Überwindung der Grenzen reiner Mustererkennung hin zu Systemen, die Ursache-Wirkungszusammenhänge verstehen, hypothetische Szenarien durchspielen und nachvollziehbar handeln. Dabei unterscheidet Pearl zwischen den Stufen Beobachten, Handeln und Reflektieren.3
In der ersten Stufe des Beobachtens (Assoziation) geht es um das Erfassen von Daten und Mustern. Dies ist das Fundament des klassischen Deep Learning. Hierbei besteht das Problem darin, dass diese Systeme zwar Korrelationen erkennen, aber keine Kausalitäten, also nicht das Warum verstehen. Wenn sich die Rahmenbedingungen ändern (Dataset Shift), versagen traditionelle KI-Modelle oft.
Der Fokus der zweiten Stufe des Handelns (Intervention) liegt auf dem aktiven Eingreifen in ein System und dem Verändern von Variablen. Eine kausale KI verlässt auf dieser Stufe die passive Rolle. Sie kann in begrenztem Umfang vorhersagen, was geschehen könnte.
Die dritte Stufe des Reflektierens (kontrafaktisches Denken) spielt im Rahmen einer rückblickenden Betrachtung Alternativszenarien durch. Diese Stufe bildet eine Brücke zur menschlichen Kognition. Sie ermöglicht der KI ein echtes Lernen aus Fehlern durch hypothetische Simulationen.
Zum endgültigen Durchbruch der kausalen KI fehlt es gegenwärtig noch an Fortschritten in den folgenden vier Schlüsselbereichen:
- Der automatischen Strukturentdeckung. Um aus Beobachtungsdaten zu erkennen, was Ursache und was Wirkung ist (Causal Discovery), bedarf es der Mitwirkung von menschlichen Experten, die über Methoden- und Fachkompetenz verfügen.
- Einer Entwicklung von standardisierten Software-Frameworks. Es fehlen sowohl universelle, leicht verständliche Software-Bibliotheken für spezifische Anwendungen als auch Benchmarks für die Leistungsmessung kausaler Modelle.
- Einem Mangel an Daten aus der Praxis bezüglich der Kausalitätsstufen zwei und drei. Um komplexe Anwendungsfelder zu simulieren, benötigt man bessere Methoden zur Generierung von synthetischen Daten.
- Der Verbindung mit dem Deep Learning. Die Stärke der kausalen KI liegt im logischen Denken. Deep Learning ist gut im Verarbeiten von unstrukturierten Daten. Forschungsinstitute und Tech-Giganten arbeiten an einer Verschmelzung dieser beiden Welten (Causal Deep Learning).
An diesen Schlüsselbereichen setzt eine KI-unterstützte Anwendung der Theorie komplexer evolutionärer Systeme in der Managementpraxis an.
Zusammenarbeit verschiedener Akteursgruppen
Bei der Verbindung von kausaler KI mit komplexen, evolutionären Systemen spielt die Zusammenarbeit verschiedener Akteursgruppen eine wichtige Rolle. Diese Gruppen sind:
- Managementforscher und Berater, die die Theorie komplexer, evolutionärer Systeme anwenden sowie
- Praktiker, die über Erfahrung mit den aktuellen Herausforderungen von Unternehmen und Verwaltungen verfügen.
Diese beiden Gruppen liefern das „Human in the Loop“-Vorwissen und sollten ihre wertvolle Ressource schützen. Zu dieser Erfahrungsebene kommt die Ebene Technologie und Infrastruktur hinzu. Hier agieren:
- KI-Experten, die an der Weiterentwicklung und Vermarktung von kausaler KI und deren Algorithmen arbeiten sowie
- Cloud-Anbieter, die die Nutzung einer vertrauenswürdigen Infrastruktur und ihre Skalierung ermöglichen.
In der Vergangenheit hat unser Expertennetzwerk die Erfahrung gemacht, dass die Konnektivität dieser Akteure ein wichtiger Erfolgsfaktor ist. Insofern ist dieses Thema ein weiterer Baustein der von uns geprägten fünften Entwicklungsstufe eines verbindenden strategischen Managements.4
Dabei sollte man sich der Tatsache bewusst sein, dass auch für Digital-Giganten die Causal AI so etwas ist, wie der „Heilige Gral“ der nächsten KI-Generation. Eine solche Next AI setzt wieder mehr auf die sokratische Gesprächsmethode eines kritischen, schrittweisen Hinterfragens, um die für Sprachmodelle typischen Halluzinationen zu reduzieren.5 Ein interessantes Anwendungsfeld der kausalen KI ist die Entwicklung von positiven Zukunftsbildern mit Hilfe von strategischer Vorausschau.
Entwicklung von positiven Zukunftsbildern
Die strategische Vorausschau hat eine lange Entwicklungsgeschichte. Der Begriff Foresight ist zwar erst in den 1980er Jahren geprägt worden. Wichtige Methoden, wie die Szenario-Analyse, sind aber bereits in den 1960er Jahren entstanden, als Forschungsinstitute in den USA nach dem zweiten Weltkrieg ihren Schwerpunkt vom militärischen in den privatwirtschaftlichen Sektor verlagert haben.
Der von uns vor einigen Jahren entwickelte Game-Changer-Radar verfolgt das Ziel, tiefgreifende Veränderungen frühzeitig zu erkennen, um die sich bietenden Möglichkeiten zu nutzen, bevor es Wettbewerber tun.6 Diese Methode haben wir bei unserem 2020 erschienenen Buch zu KI als Game Changer genutzt.7
Eine strategische Vorausschau sollte stärker auf den Entwurf von positiven Zukunftsbildern gerichtet sein, die Zukunft als gestaltbaren Möglichkeitsraum betrachten.8 Eine kausale KI kann helfen, mögliche Entwicklungen und Wechselwirkungen systematisch zu durchdenken. Solche Zukunftsbilder sind der Ausgangspunkt für überzeugende Narrative, die die emotionale Verbundenheit erhöhen. Ein derartiges Narrativ braucht Deutschland gegenwärtig dringend.
Fazit
- Kausale KI hat das Potenzial, Organisationen besser und kostengünstiger auf unerwartete Veränderungen vorzubereiten als traditionelle KI-Modelle
- Die Anwendung der Theorie komplexer, evolutionärer Systeme im Management und die Kennzeichen dieser Theorie liefern für die kausale KI eine wichtige Grundlage
- Diese theoretische Basis kann einen Beitrag zum Durchbruch der kausalen KI leisten. Dies erfordert eine Zusammenarbeit verschiedener Akteursgruppen
- In der Praxis besteht ein großer Bedarf an positiven Zukunftsbildern, die wir mit Hilfe einer KI-unterstützten strategischen Vorausschau entwickeln.
Literatur
[1] Bomke, L., Berühmte KI-Forscher setzen auf diese deutschen Gründer. In: Handelsblatt, 24./ 25./ 26. Juli 2026, S. 31
[2] Servatius, H.G., Lernen, Lösungen für komplexe Managementprobleme zu gestalten. In: Competivation Blog, 15.07.2025
[3] Pearl, J., Mackenzie, D., The Book of Why – The New Science of Cause and Effect, Neue Auflage, Basic Books 2026
[4] Servatius, H.G., Verbindendes strategisches Management im KI-Zeitalter. In: Competivation Blog, 22.05.2026
[5] Bomke, L., Dehari, L., Fokuhl, J., Mit Sokrates die KI trainieren. In: Handelsblatt, 12. August 2026, S. 26-27
[6] Servatius, H.G., Strategische Vorausschau mit einem Game-Changer-Radar. In: Competivation Blog, 27.01.2021
[7] Kaufmann, T., Servatius, H.G., Das Internet der Dinge und Künstliche Intelligenz als Game Changer – Wege zu einem Management 4.0 und einer digitalen Architektur, SpringerVieweg 2020
[8] Schön, N., Peters, N., Europa braucht dringend mehr Zukunftskompetenz. In: Handelsblatt, 5. August 2026, S. 14