Wenn Mandanten uns nach „Decision Intelligence" fragen, ist die häufigste Folgefrage: Was ist das eigentlich — und worin unterscheidet es sich von „klassischer" Business Intelligence oder einem LLM-gestützten Assistenten? Wir bekommen die Frage so oft, dass eine saubere, kurze Antwort hier dauerhaft stehen soll.
Die Definition, an der wir uns orientieren
„Decision Intelligence (DI) is a practical discipline that advances decision making by explicitly understanding and engineering how decisions are made, and how outcomes are evaluated, managed and improved via feedback." — Gartner, Decision Intelligence Glossary
Drei Begriffe sind hier wichtig: praktische Disziplin, explizit modellieren, Feedback. Decision Intelligence ist keine neue Klasse von KI-Modellen, sondern ein Engineering-Vorgehen. Entscheidungen werden als Assets behandelt — beschrieben, versioniert, evaluiert. Wer eine Entscheidung getroffen hat, unter welchen Annahmen, mit welchem Ergebnis, fließt zurück in die Modelle, die die nächste Entscheidung vorbereiten.
Warum gerade jetzt? Der 2025 Hype-Cycle-Befund
Gartner hat Decision Intelligence im AI Hype Cycle 2025 als transformational eingestuft — die höchste Wirkungskategorie — und parallel den ersten Magic Quadrant für Decision-Intelligence-Plattformen veröffentlicht. Der Marktdurchdringungs-Indikator liegt aktuell zwischen 5 % und 20 %, mit zwei bis fünf Jahren bis zum Mainstream. Übersetzt: die Forschung ist erwachsen, die ersten Plattformen sind kaufbar, aber die meisten Häuser sind noch in der Such- oder Pilotphase.
Was DI von BI und Generative AI unterscheidet
Business Intelligence beantwortet „was ist passiert?" und „warum?". Generative AI beantwortet „wie formuliere ich das?". Decision Intelligence beantwortet „was sollten wir tun, unter welchen Annahmen, und woran erkennen wir später, ob die Entscheidung gut war?". Sie kombiniert deshalb mehrere Komponenten, die in anderen Disziplinen meist getrennt leben: Domänenmodelle, Prognose, formale Entscheidungslogik, kontrolliertes Experiment, Audit-Trail.
Wir verwenden Decision Intelligence ausschließlich dort, wo eine Entscheidung wiederkehrend, beschreibbar und im Outcome messbar ist. Ohne diese drei Eigenschaften ist DI Overkill — und ehrlich gesagt der falsche Hebel.
Wie wir das in der Praxis umsetzen
In unserem Studio durchläuft jede Decision-Intelligence-Initiative drei Schritte: Wir modellieren zuerst die Entscheidung formal — Akteure, Optionen, Annahmen, Kennzahlen. Erst danach kommen Daten, Prognose und KI-Modelle dazu. Am Ende steht ein Audit-Trail, der zeigt, warum die Empfehlung so und nicht anders ausfiel. Auf dieser Mechanik basiert auch unsere eigene Plattform cNode.
Wenn Sie sich fragen, ob ein Use Case in Ihrer Organisation für Decision Intelligence taugt: melden Sie sich. Wir sagen Ihnen ehrlich, ob es passt — oder ob klassische Automation günstiger zum gleichen Ergebnis kommt.