Decision Intelligence und Embedded Analytics: die Entscheidung als Designeinheit

Der Begriff „Decision Intelligence“ wird locker verwendet. Manche Anbieter hängen ihn an jedes Produkt, das irgendwo auf dem Bildschirm eine KI-Empfehlung zeigt. In der Wissenschaft geht ererDas Verhältnis von Interaktionen (Likes, Kommentare, Shares) zur Reichweite eines Inhalts. Zeigt, wie stark die Zielgruppe reagiert, gemessen an der Zahl der Personen, die den Inhalt gesehen haben.Vollständige Definition ansehen → auf eine formale Disziplin zurück, die Entscheidungstheorie, Data Science und Organisationsdesign verbindet. Beide Lesarten existieren nebeneinander, und genau deshalb reden CDOs beim Thema an ihren CFOs und Boards vorbei.

Festhalten lässt sich Folgendes: Decision Intelligence ist die Disziplin, das Informationsumfeld um eine konkrete Entscheidung herum zu gestalten, nicht um einen Datensatz oder ein Dashboard. Dieser Wechsel der Analyseeinheit verändert fast alles, was danach kommt.

Warum Decision Intelligence zur Kernaufgabe des CDO wird

Die CDO-Rolle wird oft in Richtung Infrastruktur gezogen: Datenqualität, Governance, Plattformarchitektur. Das zählt. Aber der Nachweis für die Datenfunktion entsteht letztlich dort, wo Daten eine Entscheidung verändern, die jemand sonst aus Instinkt oder Gewohnheit getroffen hätte.

Die meisten Organisationen haben stark in Dashboards investiert. Laut MIT Sloan Management Review hat die Nutzung generativer KI weltweit rund 2,4 Milliarden Nutzer erreicht, doch nach den meisten unabhängigen Einschätzungen hat sich die Lücke zwischen Datenverfügbarkeit und tatsächlich datengetriebenen Entscheidungen in Unternehmen nicht im gleichen Tempo geschlossen. Die Dashboards existieren. Entschieden wird weiter auf dem Flur.

Diese Lücke zu schließen ist Aufgabe des CDO. Nicht weil Datenteams schlechte Dashboards gebaut hätten, sondern weil Dashboards zum Informieren gebaut wurden und Entscheidungen mehr brauchen als Information. Sie brauchen das richtige Framing, das richtige Timing und die richtige Reibung. Decision Intelligence ist die Disziplin, die alle drei zugleich adressiert.

Wie funktioniert Embedded Analytics im Workflow?

Die Grundmechanik ist einfach: Statt mit „welche Daten haben wir und wie stellen wir sie dar“ zu beginnen, beginnen Sie mit „welche Entscheidung fällt hier, wer trifft sie, was würde die Wahl verändern und wann braucht die Person diesen Input“.

Ein konkretes Beispiel. Der Workflow eines Kreditsachbearbeiters in einer Retail-Bank umfasst täglich Dutzende kleiner Kreditentscheidungen. Klassisch baut die Bank ein Credit-Score-Modell und zeigt es in einem separaten Analytics-Portal. Der Sachbearbeiter ruft die Daten ab, wenn er daran denkt, oder wenn ein Fall grenzwertig wirkt. Meistens urteilt er ohne das Modell.

Embedded Analytics verändert die Ausgangslage. Das Kreditsignal erscheint direkt im Loan-Origination-System, in dem Moment, in dem der Sachbearbeiter einen Antrag prüft. Er wechselt nicht in ein separates Tool. Der Modelloutput ist da, eingeordnet durch eine Erklärung in Klartext und ein Konfidenzband. Der Sachbearbeiter entscheidet weiterhin, aber das Entscheidungsumfeld wurde konstruiert.

Das ist der Unterschied zwischen Analytics, die informieren, undAnalytics, die in Workflows eingebettet sind am Entscheidungspunkt. Der zweite Ansatz setzt voraus, dass man den Workflow kennt, und das heißt: Das Datenteam muss mit Operations, Product und den Leuten sprechen, die tatsächlich entscheiden.

Der technische Stack dafür umfasst typischerweise einen Semantic LayerSemantic LayerEine gemeinsame Ebene für Geschäftsdefinitionen zwischen Rohdaten und Berichten, damit alle Umsatz, Churn oder Marge gleich berechnen.Vollständige Definition ansehen →, der Metrikdefinitionen über Tools hinweg vereinheitlicht, einen per APIAPIApplication Programming Interface: eine standardisierte Schnittstelle, über die Anwendungen kommunizieren und Daten austauschen, ohne die interne Funktionsweise der jeweils anderen zu kennen.Vollständige Definition ansehen → zugänglichen Analytics Layer (etwa ein Headless-BIBITechnologien und Prozesse, die Rohdaten über Reporting, Dashboards und Analysen in verwertbare Insights überführen, damit Teams auf Basis von Fakten statt Intuition entscheiden.Vollständige Definition ansehen →-Setup) und Integrationspunkte in das System of Record, dem der Workflow gehört (CRMCRMCustomer Relationship Management: Software und Strategie, um Kundeninteraktionen über den gesamten Lifecycle zu steuern und zu analysieren.Vollständige Definition ansehen →, ERPERPEine integrierte Kernsoftware für zentrale Abläufe: Finanzen, Einkauf, Supply Chain, HR und Produktion auf gemeinsamer Datenbasis.Vollständige Definition ansehen →, Origination-Plattform, ITSM). dbt Labs, ein kommerzieller Anbieter von Tooling für Datentransformation, hat dieses Argument ausdrücklich gemacht: dass Transformationslayer und Compute-Plattform getrennte Entscheidungen sind und dass das, was dazwischen liegt (die Definition dessen, was eine Metrik bedeutet), darüber entscheidet, ob Analytics im konsumierenden System korrekt ankommen. Dieses Framing ist anbietergetrieben, beschreibt aber ein reales Architekturproblem.

Der schwierigere Teil ist Decision Architecture: festzulegen, welcher Entscheidungstyp vorliegt (einmalig oder wiederkehrend, individuell oder im Gremium, reversibel oder nicht), welche Information das Ergebnis wirklich verändert und welche kognitive Last der Entscheider aufnehmen kann. Eine Zahl auf einem Bildschirm ist keine Embedded Analytics. Eine Zahl auf einem Bildschirm zum richtigen Zeitpunkt, mit einer klaren Handlung verknüpft, innerhalb des Systems, das die Person ohnehin nutzt, schon.

Was KI und domänenspezifische Modelle beitragen

KI, generative KI eingeschlossen, verändert die Fläche, die für EmbeddingEmbeddingEin Embedding ist ein numerischer Vektor, der Daten (Text, Bilder oder Objekte) so darstellt, dass ihre Bedeutung erfasst wird: Ähnliche Elemente liegen im Raum dicht beieinander.Vollständige Definition ansehen → zur Verfügung steht. Die von The New Stack im September 2026 berichtete Zusammenarbeit von NVIDIA und Palantir zum Fine-TuningFine-TuningFine-Tuning passt ein vortrainiertes Modell an eine bestimmte Aufgabe oder Domäne an, indem das Training auf einem kleineren, gezielten Datensatz fortgesetzt wird. Das verbessert Genauigkeit und Stil für den jeweiligen Anwendungsfall.Vollständige Definition ansehen → eines Nemotron-Modells mit 30 Milliarden Parametern für Supply-Chain-Entscheidungen ist ein Beispiel: Domänenspezifische Modelle, eingebettet in operative Workflows, kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →önnen deutlich größere Allzweckmodelle bei den Entscheidungen schlagen, die in einem bestimmten Kontext tatsächlich anfallen. Das heißt: Beim Embedding geht es nicht nur darum, wo die Analytics erscheinen, sondern darum, die Intelligenz auf den konkreten Entscheidungstyp zuzuschneiden.

Claudes Ergebnis beim Benchmark „agents that build agents“, ebenfalls von The New Stack im September 2026 berichtet, lag bei weniger als einem Viertel bestandener Tests. Daran lohnt es sich zu erinnern, wenn jemand vollständig autonome KI-Entscheidungen vorschlägt. Assistierte Entscheidungen, bei denen ein Mensch mit gut gestaltetem KI-Input in der Schleife bleibt, dominieren weiterhin in operativen Umgebungen, in denen Fehler materiell kosten.

Wann lohnt sich Decision Intelligence, wann nicht?

Investitionen in Decision Intelligence lohnen sich, wenn eine Entscheidung häufig wiederkehrt, wenn Daten die Wahrscheinlichkeit eines besseren Ergebnisses tatsächlich verändern und wenn der Entscheider in einem definierten Workflow erreichbar ist. Kreditgenehmigungen, Bestandsauffüllung, Routing von Kundeneskalationen: Das passt gut.

Es passt nicht auf jedes Problem.Strategische Entscheidungen mit langem Zeithorizont enthalten zu viele Variablen und zu wenig Signal, als dass Embedded Analytics viel beitragen könnten. Ein CEO, der über den Eintritt in einen neuen Markt entscheidet, profitiert nicht von einem Empfehlungsmodul in seiner Kalender-App. Der Nutzen von Decision Intelligence liegt in der Spezifität, und die verschwindet in großer Höhe.

Es gibt auch einen organisatorischen Tradeoff. Um konkrete Entscheidungen herum zu bauen, muss das Datenteam Zeit in operativen Workflows verbringen, Change Management verstehen und mehr Integrationspunkte pflegen. Das ist ein anderes Fähigkeitsprofil als der Bau eines Data WarehouseData WarehouseEin zentrales Repository, das Daten aus vielen Quellsystemen in einem strukturierten, abfrageoptimierten Speicher zusammenführt, ausgelegt für Analytics, Reporting und Business Intelligence.Vollständige Definition ansehen →. Teams, die beides gleichzeitig versuchen, machen meist beides schlecht. Reihenfolge und Priorisierung zählen also genauso viel wie die Architektur.

Der praktische Startpunkt für die meisten CDOs: drei bis fünf häufige Entscheidungen identifizieren, bei denen die Dateninputs bereits existieren, den Entscheider aber nicht zum richtigen Zeitpunkt erreichen. Die zuerst reparieren. Die Erfolge daraus, gemessen an Ergebnissen statt an Dashboard-Aufrufen, sind das, was die größere Investition für ein Board lesbar macht.