Die Zukunft der Geschäftssimulationen: den Entscheidungsprozess modellieren, nicht nur sein Ergebnis

Die Messlogik von Geschäftssimulationen war bislang ergebnisorientiert: Marktanteil, Rentabilität, Liquidität, Regaleffizienz, die Zahl übersehener kritischer E-Mails. Diese Kennzahlen erzeugen eine Rangfolge, und eine Rangfolge eröffnet eine produktive Diskussion. Dasselbe Ergebnis lässt sich jedoch über völlig verschiedene Entscheidungswege erreichen, und die Ergebnistafel kann diese Wege nicht voneinander unterscheiden. Ein neuer Ansatz aus der Entscheidungsforschung bietet eine konkrete Methode, diese Lücke zu schließen.

Der Unterschied zwischen einem imitierenden und einem erklärenden Modell

Forschende der Aalto-Universität um Antti Oulasvirta haben gemeinsam mit Kolleginnen und Kollegen der Hong Kong University of Science and Technology, der City University of Hong Kong und der National University of Singapore ein Modell vorgelegt, das Augenbewegungen beim Lesen erklärt. Die Studie erschien am 10. August 2026 in Nature Human Behaviour und fand innerhalb weniger Tage breite Beachtung.

Bemerkenswert ist weniger das Ergebnis als die Methode. Frühere Ansätze verknüpften Textabschnitte mit Eye-Tracking-Daten und lernten, menschliches Verhalten zu imitieren. Die Imitation war überzeugend, doch diese Modelle verstanden nicht, was sie lasen, und verloren ihre Zuverlässigkeit, sobald sie auf neue Sprachen oder neue Kontexte übertragen wurden. Das neue Modell wurde mit gar keinen Eye-Tracking-Daten trainiert. Die Forschenden definierten für es ein Ziel und ein Ressourcenbudget: Verstehe den Text so gut wie möglich, berücksichtige aber, dass du nur begrenzte Zeit, ein begrenztes Gedächtnis und ein begrenztes Sichtfeld hast. Während es diesen Ausgleich über Millionen von Texten hinweg lernte, begann das Modell — ohne dass es ihm beigebracht wurde — vorhersagbare Wörter zu überspringen, bei schwierigen Passagen zu verweilen und zurückzuspringen, sobald der Sinnzusammenhang abriss.

Zum ersten Mal haben wir KI-Methoden eingesetzt, um zu verstehen — und nicht bloß nachzuahmen —, wie Menschen lesen.

Antti Oulasvirta, Aalto-Universität

Die Validierung macht diesen Unterschied noch deutlicher. Neununddreißig erwachsene Versuchspersonen änderten unter Zeitdruck ihre Lesestrategie: Bei knapper Zeit überflogen sie den gesamten Text, bei ausreichender Zeit konzentrierten sie sich auf die schwierigen Abschnitte. Als dieselbe Beschränkung im Modell verändert wurde, verschob sich auch das Modell in dieselbe Richtung. Der Grund dafür ist, dass das Verhalten nicht von Hand einprogrammiert wurde, sondern aus den Beschränkungen hervorgeht.

Ressourcenrationalität: Verhalten aus einem Budget ableiten

Das Prinzip, auf dem die Studie beruht, heißt Ressourcenrationalität. Es besagt, dass menschliches Verhalten nicht absolut optimal ist, wohl aber erstaunlich optimal, sobald man die verfügbaren Ressourcen als gegeben nimmt. Um vorherzusagen, wie jemand handeln wird, genügt es zu wissen, was diese Person erreichen will und mit welchem Budget sie arbeitet; das Verhalten selbst lässt sich aus diesen beiden Größen ableiten.

Für die Modellierung kehrt das die Arbeitsrichtung um. Verhalten wird nicht an Daten angepasst, sondern aus einem Prinzip vorhergesagt. Damit lässt sich auch fragen, was in einer nie zuvor beobachteten Situation geschehen würde.

Drei ineinander verschachtelte Zeitskalen

Das zweite Merkmal des Lesemodells ist seine hierarchische Struktur. Entscheidungen fallen nicht auf einer Ebene, sondern auf drei ineinander verschachtelten Zeitskalen, wobei die höhere Ebene der niedrigeren ihr Budget zuteilt:

• Die Fixationsebene: Eine einzelne Pause von rund 250 Millisekunden dient der Worterkennung. Wohin der Blick fällt und wie lange er bleibt, entscheidet sich auf dieser Ebene.
• Die Satzebene: Das Integrieren von Information bestimmt, welches Wort übersprungen wird und wohin zurückgesprungen wird. Von hier stammen die Entscheidungen über Auslassung und Regression.
• Die Textebene: Der Zweck des Lesens selbst — was aus diesem Text gelernt werden soll — prägt, was im Gedächtnis behalten und welcher Abschnitt erneut gelesen wird.

Diese Architektur gilt ebenso für Teilnehmende einer Geschäftssimulation. Der Fixationsebene entspricht das Lesen einer einzelnen Angabe: welche Zeile des Berichts herangezogen, welches Diagramm geöffnet und wieder geschlossen wurde. Der Satzebene entspricht der taktische Zug: diese Analyse überspringen und den Preis festlegen, oder zu den Wettbewerbsdaten des Vorquartals zurückkehren. Der Textebene entspricht die Strategie: auf welche Unsicherheit das Budget dieser Runde verwendet wird. Die Zuordnung ist strukturell, nicht wörtlich — eine Fixation und eine Preisentscheidung sind nicht dasselbe kognitive Ereignis. Gemeinsam ist ihnen die Zuteilung einer begrenzten Ressource über verschachtelte Zeitskalen hinweg.

Was die Ergebnistafel nicht sieht

Was heutige Simulationen speichern, ist überwiegend die abgegebene Entscheidung. Zwei Teilnehmende können jedoch dieselbe Entscheidung treffen und dasselbe Ergebnis erzielen und dabei völlig unterschiedlichen Strategien folgen. Die beiden folgenden Teams erreichen im selben Quartal denselben Zuwachs an Marktanteil:

1. Team A: Liest den Wettbewerbsbericht, die Nachfragedaten und die Kostentabelle nacheinander, verweilt lange bei der Kostentabelle, kehrt einmal zu den Wettbewerbsdaten zurück und legt dann den Preis fest. Die verfolgte Strategie lautet: die Unsicherheit schließen und dann entscheiden.
2. Team B: Liest nur das Briefing, öffnet die drei Datenquellen nie und setzt den Preis aus dem Bauch heraus. Weil der Nachfrageschock zu seinen Gunsten ausfällt, erreicht es dasselbe Ergebnis. Die verfolgte Strategie lautet: schnell entscheiden und auf Glück setzen.

Die Ergebnistafel kann diese beiden Teams nicht unterscheiden. Was Teilnehmende jedoch in ihren Arbeitsalltag zurücktragen, ist nicht die Zahl, sondern die Strategie. Spielt Team B das nächste Quartal mit derselben Strategie, wird der Nachfrageschock gegen es ausfallen, und das Gelernte wird sich als falsch erweisen — nur wird es dann das echte Leben lehren und nicht die Simulation. Genau so lag der Fall in der Leseforschung: Gemessen wurde als Ergebnis das Verstehen, die Erklärungskraft aber lag in den Fixationen.

Warum der Entscheidungsprozess mit bestärkendem Lernen modelliert wird

Der erste Gedanke bei der Modellierung eines Entscheidungsprozesses ist, viele Entscheidungen aufzuzeichnen und ein Vorhersagemodell zu trainieren. Dieser Weg stößt auf zwei Hindernisse. Erstens existiert kein Korpus, das mit „richtige Managemententscheidung" ausgezeichnet wäre. Zweitens würde ein solches Korpus, gäbe es es, die Vorurteile der Vergangenheit einschreiben und nicht auf nie gesehene Szenarien verallgemeinern. Genau an diese Grenze stießen die früheren Lesemodelle.

Bestärkendes Lernen bietet einen anderen Vertrag: Statt des Verhaltens werden ein Ziel und Beschränkungen definiert, und die Strategie ergibt sich daraus. Das Computational Behavior Lab der Aalto-Universität hat diesen Ansatz in weit auseinanderliegenden Feldern immer wieder angewandt:

• Multitasking beim Fahren: Jokinen, Kujala und Oulasvirta erklärten die Aufteilung der Aufmerksamkeit zwischen Straße und Bildschirm als optimale Anpassung unter Unsicherheit. Riskantes Fahrverhalten erwies sich als rationale Antwort auf Rauschen in der motorischen Kontrolle.
• Entscheidungen von Fußgängern: Es wurde gezeigt, dass sich die Entscheidung, wann jemand die Straße überquert, im Rahmen begrenzt-optimalen Entscheidens erklären lässt.
• Tippen auf dem Touchscreen: Das Modell CRTypist bewegt beim Tippen Blick und Finger wie ein Mensch; es macht Fehler, blickt zum oberen Bildschirmrand, um sie zu bemerken, und korrigiert sie.
• Anpassung von Benutzeroberflächen: Bei der Anpassung von Oberflächen an Nutzende mittels modellbasierten bestärkenden Lernens wurde das Nutzermodell unmittelbar in die Optimierungsschleife gestellt.

Bedeutsam sind nicht die einzelnen Ergebnisse, sondern das Ausreifen der Methode. Ein Schritt-für-Schritt-Arbeitsablauf zum Bau solcher Modelle ist inzwischen wissenschaftlich beschrieben, und der Ansatz wird nicht als Einzeltechnik, sondern als allgemeine Theorie der Interaktion verstanden. Das ist kein einmaliger Erfolg eines einzelnen Labors, sondern eine übertragbare Methode.

Die „durchschnittliche teilnehmende Person" gibt es nicht

Für die Gestaltung von Simulationen ist dies der entscheidende Punkt. In einem ressourcenrationalen Modell sind die Beschränkungen ausdrücklich niedergeschrieben: Arbeitsgedächtniskapazität, Sehschärfe, Lesegeschwindigkeit, Sprachbeherrschung, Fachwissen. Ändert man diese Parameter, erhält man eine andere Person.

In den einschlägigen Arbeiten tritt dies als Kernfähigkeit hervor, nicht als nachträglich ergänztes Merkmal. Zu den ausgewiesenen Vorzügen von CRTypist gehört, Nutzende mit unterschiedlichen Fähigkeiten simulieren zu können, die für eine Studie nur schwer oder gar nicht zu gewinnen sind. Andere Arbeiten sagen keinen durchschnittlichen, sondern personalisierte Blickpfade vorher. Es wurde gezeigt, dass kognitive Fähigkeiten die Leistung bei alltäglichen Computeraufgaben vorhersagen. Modelliert wurde auch, wie sich Suchstrategien in Menüs mit der Erfahrung entwickeln — Kompetenz ist demnach kein fester Koeffizient, sondern ein Verlauf.

Für eine Lernplattform folgt daraus unmittelbar: Dasselbe Szenario ist für verschiedene Teilnehmende ein verschiedenes Problem. Eine frisch graduierte Analystin und ein Category Manager mit fünfzehn Jahren Erfahrung sehen im selben Postfach nicht dieselbe Information. Lässt sich die teilnehmende Person parametrisieren, so lassen sich auch Szenario und Rückmeldung parametrisieren.

Wie eine Simulation aussieht, die den Entscheidungsprozess modelliert

Dieser Ansatz hat fünf konkrete Konsequenzen für die Gestaltung von Geschäftssimulationen.

1. Prozesstelemetrie wird zu Daten erster Klasse

Auch der Weg zur Entscheidung ist ein Datum: welche Panels geöffnet wurden, in welcher Reihenfolge, wie lange sie offen blieben, zu welchem Bericht zurückgekehrt wurde, wie lange es bis zur ersten Entscheidung dauerte, wie oft die Entscheidung revidiert wurde. In der Sprache des Lesemodells sind das Fixationsdauer, Auslassung und Regression. Ohne Aufzeichnung lassen sie sich nicht modellieren, und die meisten Plattformen zeichnen sie heute nicht auf.

2. Strategiediagnose statt Rangfolge

Das Ergebnis einer Auswertungssitzung kann statt „Sie sind Dritter geworden" lauten: „Dies ist die Strategie, der Sie gefolgt sind" — schnell entscheiden, ohne die Unsicherheit zu schließen; überanalysieren und zu spät kommen; einer einzigen Quelle zu sehr vertrauen; Belege erst nach der Entscheidung suchen. Solche Beschreibungen tragen weit mehr Lerninformation als eine Rangfolge und lassen sich unmittelbar mit einer Verhaltensänderung verbinden.

3. Szenarien werden vor dem Kurs mit einer synthetischen Kohorte geprüft

Lässt man eine Kohorte simulierter Teilnehmender durch ein Szenario laufen, beantwortet das Fragen wie: Ist das Szenario zu leicht? Gibt es eine degenerierte Strategie, die den zu vermittelnden Zielkonflikt vollständig umgeht? Unterscheidet es die sorgfältige von der glücklichen Person? Heute lassen sich diese Fragen erst nach mehreren Pilotdurchläufen und mit erheblichem Aufwand beantworten.

4. Informationslast und Zeitdruck werden anpassbar

Die Versuchspersonen der Lesestudie änderten ihre Strategie, sobald sich der Zeitdruck änderte. Dieselben Hebel gibt es in einer Simulation: Rundendauer, Zahl der zu öffnenden Berichte, Kosten des Informationszugangs. Ist das Modell der teilnehmenden Person bekannt, lassen sich diese Hebel individuell einstellen und alle an ihre eigene Lerngrenze heranführen statt an eine gemeinsame Schwierigkeitskurve.

5. Barrierefreiheit und Fairness werden messbar

Ist das Teilnehmermodell ausdrücklich definiert, lässt sich folgende Frage prüfen: Bestraft die Simulation jemanden, der nicht in seiner Muttersprache liest oder langsamer liest, aus einem Grund, der mit unternehmerischem Urteilsvermögen nichts zu tun hat? Aus einer stillschweigenden Annahme wird ein prüfbares Kriterium.

Die Grenzen der Analogie

Wer diesen Ansatz redlich vertreten will, muss auch sagen, wo er schwach wird. Vier Grenzen treten hervor:

• Das Problem der Zielfunktion: Beim Lesen ist „Verstehen" ein Ziel, auf das man sich einigen kann. Bei einer unternehmerischen Entscheidung ist die Frage, worin das Ziel besteht, häufig genau das, was gelehrt werden soll. Ressourcenrationalität setzt ein definiertes Ziel voraus; ist es falsch definiert, ist das Ergebnis ein selbstsicher falsches Modell.
• Soziale und organisationale Beschränkungen: Lesen ist eine einsame Tätigkeit mit kurzem Horizont. Strategisches Entscheiden ist sozial und langfristig; der Prozess stockt meist an organisationalen, nicht an kognitiven Beschränkungen — wer überzeugt werden muss, wer Zugang zu den Daten hat, welche Diskussion in die Sitzung passt.
• Das Risiko der Überwachung: Prozessdaten werden erhoben, um die teilnehmende Person zu diagnostizieren und das Szenario anzupassen, werden ihr offen gezeigt und nicht als Produktivitätskennzahl an ihre Führungskraft weitergegeben. Solange diese Grenze nicht ins Produkt eingeschrieben ist, genügt guter Wille nicht.
• Die Pflicht zur Validierung: Ein Modell erzeugt Hypothesen, es ist kein Schiedsrichter. Das Lesemodell wurde an 39 Versuchspersonen und an jahrzehntelangen Lesebefunden geprüft. Solange ein Modell des Entscheidungsprozesses dieselbe Disziplin nicht durchläuft, bleibt es eine besser aussehende Vermutung.

Fazit: Die Frage verschiebt sich

Die Frage, die Simulationen bislang gestellt haben, lautete „Wie haben Sie entschieden?". Die Ergebnistafel misst diese Frage gut und sollte sie weiter messen.

Die Frage der nächsten Generation wird lauten: „Wie sind Sie zu dieser Entscheidung gelangt?" — welche Information herangezogen wurde, was übersprungen wurde, wohin zurückgekehrt wurde, wann innegehalten und entschieden wurde. Es gibt einen konkreten Grund zu glauben, dass dies möglich ist: Ein Forschungsteam hat es für einen Vorgang geschafft, der so schnell, so automatisch und so unsichtbar ist wie das Lesen eines Satzes — und zwar ohne eine einzige Eye-Tracking-Aufzeichnung.

Eine unternehmerische Entscheidung ist weitaus komplexer als das Lesen eines Satzes. Die Struktur ist jedoch dieselbe: begrenzte Zeit, begrenzte Aufmerksamkeit, begrenztes Gedächtnis und eine fortwährende, meist unbemerkte Folge von Entscheidungen darüber, wofür sie eingesetzt werden. Die eigentliche Aufgabe einer Simulation besteht darin, diese Entscheidungen sichtbar zu machen. SimAnas entscheidungsorientierte Lösungen werden in diese Richtung weiterentwickelt.