Die Zukunft einer Entscheidung

Wenn man mit Foresight-Projekten arbeitet, wird schnell deutlich, dass es wichtig ist, worauf wir uns konzentrieren. Sich einfach allgemein auf die Zukunft zu konzentrieren, ist manchmal spannend, weil es uns erlaubt, das breite Spektrum an Möglichkeiten zu erkunden, das die Zukunft mit sich bringt - aber es bedeutet auch, dass wir spezifische Erkenntnisse zugunsten breiter Perspektiven opfern.

Eine Alternative besteht darin, sich auf etwas Spezifisches zu konzentrieren - zum Beispiel darauf, wie sich ein Budget verändern wird oder wie sich die Herkunft der Touristen einer Stadt verändern könnte. Solche Foresight-Projekte sind stärker fokussiert und können oft handlungsorientiertere Ergebnisse liefern. Eine Variante dieses Ansatzes besteht darin, eine Entscheidung und einen Entscheidungsträger genauer zu betrachten.

Tatsächlich könnte man argumentieren, dass man einen ziemlich großartigen Wettbewerbsvorteil hat, wenn man die Entscheidungen versteht, die in der Zukunft über ein Unternehmen getroffen werden, und wenn man weiß, wie sie getroffen werden - mit etwas größerer Präzision als zuvor.

Die Entscheidungsmodellierung hat eine lange und umstrittene Geschichte. Die orthodoxe Linie verläuft über Ronald Howards Schule der Entscheidungsanalyse in Stanford in den 1960er Jahren, die Multi-Attribute Utility Theory von Keeney und Raiffa und die spätere „Decision Quality“-Bewegung von Spetzler und Matheson — die alle davon ausgehen, dass eine Entscheidung sinnvoll in gewichtete Attribute zerlegt und anhand des erwarteten Nutzens bewertet werden kann. In dieser Tradition steht unser Fregattenbeispiel. Aber diese Tradition wurde aus mehreren Richtungen herausgefordert, und die Herausforderungen sind es wert, ernst genommen zu werden.

Herbert Simon argumentierte, dass Entscheidungsträger eher zufriedenstellende Lösungen suchen, als zu optimieren, begrenzt durch kognitive Grenzen und die Kosten der Suche. James March und seine Mitarbeitenden gingen noch weiter und beschrieben organisationale Entscheidungen als Garbage-Can-Prozesse, bei denen Probleme, Lösungen und Entscheidungsträger in zeitlichen Strömen einigermaßen zufällig aufeinandertreffen. Gary Kleins Arbeit zur Recognition-Primed Decision Making zeigte, dass Expertinnen und Experten in Hochrisikobereichen — Feuerwehrleute, militärische Kommandeure, Intensivpflegekräfte — Attribute selten überhaupt abwägen; sie gleichen Muster mit angesammelter Erfahrung ab und führen mentale Simulationen der ersten praktikablen Option durch. Gerd Gigerenzers Tradition der schnellen und sparsamen Heuristiken hat, vielleicht unbequemerweise, gezeigt, dass einfache lexikografische Regeln („nimm das Beste“) in realen Umgebungen oft besser abschneiden als gewichtete Modelle.

Und dann gibt es die politikwissenschaftliche Kritik: Allisons drei Modelle der Kubakrise, Baumgartner und Jones zum Punctuated Equilibrium, die gesamte Tradition, die uns daran erinnert, dass Entscheidungen von Koalitionen in Arenen getroffen werden und dass die Verlagerung von Arenen oft wichtiger ist als die Neuverteilung von Gewichten. Warum also überhaupt modellieren? Weil — und das ist der Schritt, den es ausdrücklich zu machen lohnt — die Kritiken selbst modellierbar sind. Eine satisficing decision ist ein Entscheidungsmodell mit einem Anspruchsniveau und einer Stoppregel. Eine recognition-primed decision ist ein Modell mit einem einzigen dominanten Musterabgleichskoeffizienten und nahezu null Gewichten an anderer Stelle. Eine garbage-can decision ist ein stochastisches Modell über eine Kopplungsmatrix von Strömen. Eine Koalitionsentscheidung ist ein gewichtetes Modell, bei dem die Gewichte selbst ausgehandelte Ergebnisse eines vorgelagerten Verhandlungsmodells sind. Der Punkt der Entscheidungsmodellierung, zumindest in der Foresight, besteht nicht darin zu behaupten, dass reale Entscheidungen wie ordentliche MAUT-Scorecards aussehen — das tun sie normalerweise nicht — sondern darin, unsere Annahmen darüber, wie die Entscheidung getroffen wird, explizit genug zu machen, damit sie hinterfragt, neu gewichtet und in die Zukunft prognostiziert werden können. Das orthodoxe Modell ist ein Ausgangspunkt; die heterodoxen Kritiken geben uns andere. Entscheidend ist, dass wir ein Modell wählen, es benennen und dann die wirklich interessante Frage stellen: Wie wird sich das Modell selbst verändern?

Sobald wir die Entscheidung modelliert haben, können wir damit beginnen herauszuarbeiten, wie sich das Entscheidungsmodell unserer Meinung nach verändern könnte: Werden einige Überlegungen wichtiger werden? Werden andere an Bedeutung verlieren? Treten neue Faktoren in die Gleichung ein? Und wer wird in Zukunft die Entscheidungen treffen? Schauen wir uns an, wie das für unseren Bootshersteller in einem einfachen KI-Tool-Beispiel aussehen könnte, das den Standardrahmen des Entscheidungsmodells verwendet.