Am Tag nach der Veröffentlichung von Jev, dem ersten System-One-Modell, schickte uns ein Freund eine Nachricht und fragte, wie es mit unserem Tool DecisionRules zusammenhänge. Tatsächlich dienen beide der Automatisierung von Entscheidungen: Jev ist ein Entscheidungsmodell; DecisionRules ist eine Entscheidungsengine. Dieser Artikel soll die Frage unseres Freundes beantworten (die implizit danach fragt, welche Lösung besser ist). Das wenig überraschende Ergebnis lautet, dass ein ursprünglicher Wettbewerbsvergleich auf falschen Annahmen beruht. Diese beiden Tools sind keine Rivalen; vielmehr ergänzen sie sich bei der Entscheidungsautomatisierung. Das muss jedoch durch eine offene Argumentation belegt werden.
These
Bei der Entscheidungsautomatisierung gibt es eine Schnittmenge zwischen Jev und DecisionRules. Nun möchten wir anhand eines Beweises durch Fallunterscheidung zeigen, dass 1. Wenn wir eine konkurrierende Schnittmenge zwischen Jev und DecisionRules annehmen, sich daraus ergibt, dass die Tools kombinierbar sind, und 2. Wenn wir eine ergänzende Schnittmenge annehmen, sich ebenfalls ergibt, dass die Tools kombinierbar sind. Folglich sind sie kombinierbare Tools und eine gute Verbindung für die erwartete digitale Transformation der kommenden Jahre.
Begründung
1. Zunächst stellen wir klar, dass sie unterschiedlichen Systemfamilien angehören, weshalb ein Vergleich problematisch erscheinen kann. Sie sind jedoch führend in ihren jeweiligen Kategorien, und ihre hohe Qualität bietet die beste Grundlage, um den allgemeinen Ansatz beider Systeme zu bewerten.
a. Jev: Eine KI-Lösung. Das Modell heißt System One Model und hat eine LLMs ähnliche interne Struktur, die jedoch verändert wurde, um typsichere Antworten zu garantieren. Es beansprucht, eine vertrauenswürdige KI-Lösung für eine wirtschaftliche Revolution bereitzustellen.
b. DecisionRules: Eine moderne Engine für Entscheidungsregeln. Aufbauend auf der Tradition von Business Rules Engines (BREs) gestaltet und zentralisiert diese Software die Standards beziehungsweise Geschäftsregeln eines Unternehmens. Sie beansprucht, eine benutzerfreundliche No-Code/Low-Code-Oberfläche für die direkte Nutzung durch nichttechnische Teams bereitzustellen.
2. Die aktuelle digitale Transformation drängt Unternehmen dazu, ihre Technologiearchitekturen zukunftssicher zu gestalten. CTOs und Lösungsarchitekten stehen unter Druck, dafür die besten Tools auszuwählen und technologische, geschäftliche und rechtliche Anforderungen in Einklang zu bringen. Eine präzise Bewertung dieser beiden wichtigen Tools zur Entscheidungsautomatisierung bietet dabei hilfreiche Orientierung. Wenn Führungskräfte zwischen externen Anbietern und internen Lösungen entscheiden, liefert dieser Artikel zudem wertvolle Hintergrundinformationen.
3. Allgemeiner betrachtet sind Skepsis und Hoffnung bei jeder KI-Investition miteinander verwoben. In diesem Zusammenhang kann der Vergleich von KI-Lösungen mit anderen marktüblichen Tools zu fundierteren Einschätzungen und sachlicheren Diskussionen beitragen.
Methodik
Wir vergleichen Jev und DecisionRules und leiten aus den Ergebnissen ab, dass die verglichenen Eigenschaften die beiden Tools nicht gegeneinanderstellen, sondern ihre Kombinierbarkeit aufzeigen. Nehmen wir an, dass sie sich ergänzen, ist intuitiv klar, dass dies Kombinierbarkeit impliziert; außerdem veranschaulicht die Analyse selbst, wie sie kombiniert werden können.
Für den Vergleich unterteilen wir die Eigenschaften (Funktionalitäten der Systeme) in zwei Gruppen:
- Gemeinsamkeiten: Funktionen, die beide Plattformen bieten.
- Unterschiede: Funktionen, die jeweils nur eine Plattform bietet.
Die Bewertung der einzelnen Funktionen unterscheidet sich je nach Gruppe.
In der ersten Gruppe werden die Funktionen anhand praktischer Erfahrungen mit digitaler Automatisierung bewertet. Da reale Automatisierungsprojekte mit wirtschaftlichen Auswirkungen grundsätzlich praxisorientiert sind, bildet Berufserfahrung (gestützt durch theoretische Dokumentation und Beispiele) den besten Rahmen. Wir stufen die überlegene Funktion in jeder Kategorie als optimal ein.
In der zweiten Gruppe sind die Funktionen eigenständig und werden deshalb anhand der zusätzlichen Vorteile bewertet, die sie für die praktische Automatisierung bieten. Wir bezeichnen diese zusätzlichen Nutzen als Vorteile.
Für das Fazit kombinieren wir die optimalen Funktionen und Vorteile beider Systeme. Zusammen ermöglichen sie eine Argumentation mit dem Schluss, dass Jev DecisionRules nicht ersetzt; vielmehr hat das heutige digitale Umfeld eine starke Symbiose zwischen beiden hervorgebracht.
Gemeinsamkeiten
Strukturiertes Ausgabemodell
Anders als heutige LLMs gibt die kürzlich vorgestellte typsichere KI Jev keinen generierten Text für menschliche Leser zurück. Wie DecisionRules ist Jev darauf beschränkt, ein Element aus einer vordefinierten Menge von Ausgaben zurückzugeben. Diese Menge kann ein, zwei oder Hunderte möglicher Elemente enthalten, doch das System kann ausschließlich Ausgaben aus dieser Menge liefern. Die Vorteile sind vielfältig: Parsing ist unnötig, weil die Ergebnisse von vornherein strukturiert sind; das Systemverhalten lässt sich absichern; und Nutzer erhalten mehr Kontrolle.
Das erste System One Model unterstützt drei Primitive (oder Fragetypen), die jeweils einer eigenen Menge möglicher Ergebnisse entsprechen:
- Choice: Eine feste Menge von Optionen
- Score: Feste Positionen auf einem vom Nutzer definierten Spektrum
- Noul: Die Wahrscheinlichkeit, dass eine Aussage wahr ist (0 oder 1)
Für jede dieser vordefinierten Mengen ist die Auswahl unkompliziert. Auf eine Frage hin führt die KI eine probabilistische Analyse durch und wählt die Option, Position oder den Wahrheitswert mit der höchsten Wahrscheinlichkeit aus.
DecisionRules definiert Ausgabemengen visuell, wobei verschiedene Regeltypen diese Mengen unterschiedlich darstellen. Zum Beispiel kann in einer Entscheidungstabelle die Ergebnisspalte beliebig viele mögliche Ausgaben enthalten und dadurch Optionen, Positionen, boolesche Werte und mehr ausdrücken.
Bis hierher sind die Ansätze ähnlich. Welche Funktion optimal ist, zeigt sich, wenn ein Szenario Antworten mit komplexen Strukturen erfordert.
Bei DecisionRules ist die Antwort eindeutig: Die Plattform gibt ein Array anpassbarer JSON-Objekte zurück. Dieses einfache Modell ermöglicht komplexere JSON-Strukturen für jedes Array-Element. Beispielsweise können Sie das beste Produkt oder die drei besten Produkte aus einer Liste zurückgeben, einen Fehlerstatus zusammen mit einem Array fehlgeschlagener Validierungen ausgeben oder mehrere Datenzuordnungen erzeugen.
Die Antworten von Jev sind bewusst atomar: Jede Frage liefert einen typisierten Wert zusammen mit seiner Wahrscheinlichkeitsverteilung, und TypeSafe empfiehlt, diese Antworten programmatisch zu kombinieren. Fortgeschrittene Muster wie das Durchlaufen einer Taxonomie über mehrere Fragen sind möglich, doch die Form jeder einzelnen Antwort bleibt unverändert. Komplexe Szenarien wie das Anhängen einer Produkt-ID an einen ermittelten Rabatt werden nicht nativ unterstützt.
Deshalb bietet das strukturierte Ausgabemodell von DecisionRules mehr Flexibilität und Möglichkeiten für unterschiedliche Ergebnisszenarien und ist somit optimal.
Eingabe in natürlicher Sprache
Vor zwei Jahren war es noch nicht selbstverständlich, dass eine BRE natürliche Sprache verarbeiten kann. Die rasanten Fortschritte der KI haben es modernen Engines für Entscheidungsregeln jedoch ermöglicht, diese Fähigkeit zu integrieren. Im zweiten Quartal 2026 gehörte DecisionRules zu den ersten Engines, die eine neue AI Agent Rule veröffentlichten und damit LLM-Fähigkeiten in streng definierte Entscheidungsabläufe integrierten.
Die Idee hinter der AI Agent Rule ähnelt der Vision hinter Jev. Die Ingenieure von DecisionRules schufen ein Framework, mit dem Nutzer ihren eigenen LLM-Anbieter (z. B. OpenAI, Anthropic, Google usw.) innerhalb eines eingeschränkten Ein-/Ausgabemodells anbinden können. Die Regel erhält die in ihrem Eingabemodell definierten Eingaben—etwa Freitext, Dokumente oder Transkripte—und liefert JSON-strukturierte, typsichere Ausgaben. Natürliche Sprache gelangt über den KI-Prompt hinein, in den Nutzer dynamische Attribute aus der Eingabe einsetzen; der übrige Prompt bleibt statisch. Die Logik jeder möglichen Ausgabe wird ähnlich wie bei Jev definiert, indem Beschreibungen von Kriterien mit Ausgabeelementen verknüpft werden.
Wie der AI Agent Eingaben in natürlicher Sprache in strukturierte Daten für nachgelagerte Regeln umwandelt, erfahren Sie ausführlicher unter AI Agent in DecisionRules: Der erste Regeltyp, der denkt.
System-One-Modelle wie Jev verarbeiten offensichtlich natürliche Sprache. Welche Lösung hier optimaler ist, entscheidet sich an der Leistung.
Bei Tests mit realen Entscheidungsaufgaben aus Finanzanwendungen lieferte Jev schnellere und genauere Antworten als die von allgemeinen LLMs unterstützte AI Agent Rule. In diesem Sinne bewältigt ein System One Model die Umwandlung unstrukturierter Eingaben in strukturierte Daten besser. Somit ist die Verarbeitung natürlicher Sprache durch Jev optimal.
Konfidenz
Jev soll ein zuverlässiges Modell sein, deshalb liefert das System einen Konfidenzwert zusammen mit jedem Choice oder Score. Dadurch erhält das Ergebnis ein Maß für seine Verlässlichkeit. Zwei Vorteile stechen hervor. Erstens ermöglicht dies Kontrolle: Systeme, die Jevs Ausgaben verarbeiten, können einen Mindestschwellenwert für die Konfidenz festlegen und Ergebnisse nur bei hoher Sicherheit verarbeiten. Zweitens wird Jev darauf trainiert, seine Sicherheit ehrlich anzugeben. Betrachtet man alle Antworten, für die Jev 80% Konfidenz angibt, werden ungefähr 80% davon richtig sein. TypeSafe nennt diese Trainingsmethode RLCD.
Auch DecisionRules bietet Konfidenz, allerdings nicht als dem Ergebnis beigefügten Wert. Da das Konfidenzniveau bei jeder Antwort gleich ist, kann es als implizit betrachtet werden. Bei vorhersehbarer, deterministischer Software beträgt es 100%. Die für nichttechnische Nutzer vorgesehene Oberfläche beeinträchtigt nicht die zugrunde liegende Bedingungslogik herkömmlicher Programmierung.
Welche Funktion optimal ist, hängt vom Anwendungsfall ab, denn unterschiedliche Szenarien setzen unterschiedliche Prioritäten. In der Praxis verlangen Branchen wie Finanzwesen, Versicherungen, Fertigung und Logistik jedoch vollständige Vorhersehbarkeit. Für technische Teams und Anbieter ist das nicht verhandelbar.
Obwohl System One Models anhand von Ergebnissen optimiert werden und dadurch besser kalibrierte Wahrscheinlichkeiten liefern, weisen sie ausdrücklich darauf hin: Die Richtigkeit einzelner Antworten ist nicht garantiert. In Unternehmensumgebungen beruhen optimale Entscheidungen auf vorhersehbaren, deterministischen Systemen, in denen Prozesse zusätzlich Schritt für Schritt geprüft werden können, etwa durch Audits in DecisionRules.
Daher ist das Konfidenzmodell von DecisionRules optimal.
Bevor wir Schlussfolgerungen ziehen, müssen wir die Funktionalitäten betrachten, die diese Tools unterschiedlichen Systemfamilien zuordnen. Das erklärt, warum sie die oben besprochenen ähnlichen Funktionen unterschiedlich angehen, und verdeutlicht das Verhältnis ihrer Ziele und Lösungen.
Unterschiede
Audit-Logs - DecisionRules
DecisionRules geht über typische Business Rules Engines (BREs) hinaus, indem es ein leistungsfähiges Audit-Logging-System bietet. Sehen wir uns an, was es besonders macht.
Jevs Ausgabe besteht aus drei atomaren Komponenten: der typisierten Antwort (einem der drei primitiven Ergebnisse), den Wahrscheinlichkeiten und dem Konfidenzwert. Das unterstützt zwar die Modellkontrolle, ist aber kein Audit-Log. Ein vollständiges Logging-System, das API-Eingabe, Ausgabe und Metadaten (Datum, Status, Ausführungszeit) erfasst, muss extern entwickelt werden. Im Gegensatz dazu ist Audit-Logging integriert und in DecisionRules "sofort einsatzbereit".
Steuerung der Datenaufbewahrung: Compliance nach Ihren Vorgaben
Auch andere Plattformen auf dem Markt bieten Audit-Logs mit Eingaben, Ausgaben und Ausführungszeiten. Institutionen benötigen jedoch häufig mehr: die Möglichkeit zu begründen, warum ein bestimmtes Ergebnis zurückgegeben wurde. Eine leistungsfähige Audit-Funktion sollte für jeden Einzelfall genau zeigen, welche Bedingung erfüllt wurde (oder nicht), selbst innerhalb komplexer AND/OR-Logikketten. DecisionRules bietet dies im Log jeder Entscheidung, weil seine Bedingungsketten explizit definiert und für Menschen lesbar sind.
Die Vorteile liegen auf der Hand, aber betrachten wir eine verwandte Frage:
Werden System One Models jemals aussagekräftige Audit-Logs erzeugen?
Man soll niemals nie sagen, doch die aktuellen Entwicklungen lassen vermuten, dass dies nicht auf der Roadmap steht. Vorerst gilt:
- Berichte mit Eingaben, Ausgaben und Erklärbarkeit zu KI-Antworten hinzuzufügen, würde die Transparenz verbessern (derzeit bietet Jev keine Erklärbarkeit). Das allein reicht jedoch nicht aus: Solche Erklärungen sind typischerweise in natürlicher Sprache formuliert, während vertrauenswürdige Systeme strukturierte, konsistente Logs erfordern.
- Selbst wenn die Erklärbarkeitsergebnisse strukturiert wären, hätte aufgrund des probabilistischen Modellcharakters jeder Logeintrag seinen eigenen Konfidenzwert. Die Audit-Spur wird dadurch probabilistisch. Regulatorische Rahmenbedingungen verlangen jedoch für große Teile der Entscheidungskette deterministische, faktische Aufzeichnungen, unabhängig von einer hohen Konfidenz. Zudem könnte die Forderung nach Erklärbarkeit für diese Wahrscheinlichkeiten zu einer unendlichen Erklärungsschleife führen.
Kurz gesagt: Die Einhaltung von Compliance-Standards ist für Audit-Logs grundlegend; deshalb ist Determinismus bei manchen regulierten Entscheidungen nicht verhandelbar. Diese Entscheidungen deckt DecisionRules ab.
Anweisungen und Kriterien - Jev
In einer Anfrage an Jev stellt der Nutzer eine Frage oder Entscheidungsaufgabe unter der Bezeichnung instructions bereit, und das ist einzigartig. Daraus ergeben sich zwei Vorteile:
- Die Verwendung natürlicher Sprache.
- Die Förderung gedanklicher Klarheit im Entscheidungsprozess.
Der zweite Punkt wird oft unterschätzt, ist aber entscheidend. Denken wir an Kommunikation und Wissenstransfer: Um eine Entscheidung eines automatisierten Systems zu erklären, braucht es ein klares Verständnis der Entscheidungsaufgabe, nicht bloß Intuition. Oder denken wir an die Wartung durch eine neue Generation: Die beantwortete Frage ausdrücklich zu benennen, kann viel klarer sein als vage Bezeichnungen von Anwendungsfällen.
Bei der Betrachtung natürlicher Sprache ist es auch wichtig, das Feld criteria in einer Jev-Anfrage zu besprechen.
DecisionRules macht Entscheidungskriterien beim Entwerfen von Regeln natürlich ebenfalls explizit. Die Vorgehensweise unterscheidet sich jedoch: Jev verwendet natürliche Sprache, während DecisionRules visuelle, formale Logik nutzt.
Logik in einfachem Englisch definieren zu können, war lange ein Ziel von IT-Projekten. In diesem Sinne verwirklicht Jev einen Traum. Das Gegenargument gab es allerdings schon immer, und es bleibt interessant.
Die ursprüngliche Motivation für diesen Traum entsprang einem Einwand: Nichttechnische Menschen können formale Logik nicht verstehen, sodass selbst visuelle Oberflächen zu viel technisches Wissen verlangen. Diese Sorge beruhte auf realen Fällen, in denen Fachteams wegen Lernschwierigkeiten die Einführung von BREs ablehnten.
In diesem Zusammenhang sind verständliche Erklärungen der Gründe für eine Entscheidung hilfreich und ein klarer Vorteil.
Dieser Vorteil hat jedoch zwei Seiten. Natürliche Sprache schafft intuitive Klarheit, verringert aber die Klarheit des Tools. Wir dürfen nicht vergessen, dass Logik formalisiert wurde, um Transparenz, Präzision und Sicherheit im Denken zu gewährleisten. Obwohl sie universell ist, wird formale Logik nicht mühelos erlernt. Entfernt man Formalismus aus Maschinen, kann das Transparenz und Sicherheit des Systems selbst beeinträchtigen.
Das verdient eine tiefere Diskussion, die unsere Möglichkeiten übersteigt. Zum Abschluss betrachten wir jedoch ein Zitat von Alfred North Whitehead:
“Indem eine gute Notation dem Gehirn jede unnötige Arbeit abnimmt, gibt sie ihm die Freiheit, sich auf anspruchsvollere Probleme zu konzentrieren, und steigert so tatsächlich die geistige Leistungsfähigkeit der Menschheit.”
Wenn wir anerkennen, dass zu viel formales und technisches Wissen unrealistisch ist, sollten wir zugleich erkennen, dass ein gewisses Maß an technischem Verständnis vorteilhaft für Fachanwender und ihre Teams ist. Es befähigt sie, klar zu denken, präzise zu handeln und nachhaltig innovativ zu sein.
Benutzerfreundlichkeit - DecisionRules
Ein wesentlicher Unterschied liegt in den Zielgruppen:
- Jev richtet sich an Entwickler.
- DecisionRules richtet sich an Fachanwender.
Das bedeutet, dass Jevs Art, Regeln oder Kriterien zu beschreiben, trotz der Verwendung natürlicher Sprache nicht auf nichttechnische Nutzer ausgerichtet ist.
Zur Veranschaulichung stelle ich beide Oberflächen visuell gegenüber:
Vergleich der Oberflächen von Jev und DecisionRules
Das ist kein Mangel von Jev, denn dieses Problem will es gar nicht lösen. Stattdessen soll KI sicher in robuste technische Infrastrukturen eingebettet werden, in denen Architekten und Ingenieure auf vorhersehbare, modulare Komponenten setzen.
DecisionRules adressiert dagegen eine andere Herausforderung der digitalen Transformation: Wer wird die digitalen Tools nutzen und warten?
Diese Frage hat keine einfache Antwort. Erfahrungsgemäß ist es jedoch unerlässlich, dass Fachexperten, nicht nur Entwickler, die Regeln hinter der Automatisierung verwalten können, wenn Entscheidungen von menschlicher Pragmatik und kontextbezogener Semantik abhängen. DecisionRules verkürzt die Markteinführungszeit erheblich und senkt die technische Hürde für Regeländerungen, wodurch Automatisierung langfristig tragfähig wird.
Diese Eigenschaft verdeutlicht am stärksten, dass jedes Tool eine andere Dimension der Entscheidungsautomatisierung optimiert.
Semantisches Urteilen - Jev
Jev beansprucht ein breiteres Spektrum möglicher Anwendungsfälle. Bisher haben wir uns auf Entscheidungen konzentriert, doch System One Models gehen darüber hinaus. Sie leisten das, was sie semantisches Urteilen und Entscheiden nennen.
Dieser Abschnitt beleuchtet Anwendungsfälle, die nur Jev bietet und die DecisionRules nicht unterstützen kann:
- Wissenschaftliche Entdeckungen
- Semantische Codeprüfung
- Gaming
- Leadgenerierung
- Graphen und Wissensgraphen
Diese Anwendungen entstehen aus der Anpassungsfähigkeit des Modells: seiner Fähigkeit, unterschiedliche, unstrukturierte Eingaben ohne strenge Datenvorgaben zu verarbeiten. Dadurch werden die möglichen Szenarien flexibler.
Die Eigenständigkeit dieser Szenarien bietet Jev einen unabhängigen Vorteil; außerdem machen seine Leistung und Vorbereitung es deutlich nützlicher als andere herkömmliche LLMs.
Testsuite - DecisionRules
IT-Teams sind mit Testmethoden vertraut, doch dieses Wissen reicht selten in andere Abteilungen. Fachanwender schlagen häufig Regeländerungen vor, doch unabhängig vom Umfang muss die IT sie testen, um die Systemstabilität sicherzustellen. Das führt zu einem ständigen Hin und Her: Anfrage, Test, Rückmeldung, Überarbeitung und erneute verbesserte Anfrage. In vielen Unternehmen entsteht dadurch ein erheblicher Engpass.
DecisionRules geht über andere BREs hinaus und bietet Rule Testing: ein Modul zum Erstellen und Ausführen eigener Testsätze. Nutzer können Hunderte Szenarien pro Regel und über Versionen hinweg simulieren. Mit einem Klick können sie Testdaten eingeben und Ergebnisse vergleichen.
Damit erhalten Fachanwender die Kontrolle, während die für sichere Änderungen erforderliche Sicherheit und Sorgfalt erhalten bleiben. Für Audits werden sämtliche Testausführungen gespeichert, und historische Ergebnisse sind vollständig zugänglich.
Unit- und Regressionstests: Alles an einem Ort
Jev überlässt Tests dagegen vollständig den Entwicklern, die diese entweder durch Code oder externe Dienste umsetzen können. Ebenso liegt die Versionskontrolle beim Engineering-Team.
Das zeigt einen grundlegenden Unterschied: Ein Tool befähigt die Nutzer; das andere setzt die Verantwortung der Entwickler voraus.
Fazit: kombinierbare Tools
Fassen wir alle acht Beobachtungen (Gemeinsamkeiten und Unterschiede) zusammen, lassen sich zwei Schlussfolgerungen ableiten:
- Unabhängig von den sich überschneidenden Fähigkeiten lösen beide Tools unterschiedliche Bereiche des Automatisierungsproblems ohne Überschneidungen, sodass beide für sich genommen wertvoll sind.
- Wenn Sie eines einsetzen, ergibt sich das andere an der Schnittstelle ganz natürlich als symbiotischer Partner für die vollständige Optimierung der Entscheidungsautomatisierung.
Eigenständiger Nutzen
Schon anhand der vorläufigen Definitionen zu Beginn war erkennbar, dass beide Tools unterschiedlichen Zwecken in der Entscheidungsautomatisierung dienen. Selbst wenn wir annehmen, dass eines das andere bei einigen Funktionen ersetzen kann, gelangen wir nun wieder zum selben Ergebnis: unterschiedliche Bereiche und Zwecke.
Anhand der Vorteile bei Benutzerfreundlichkeit und Testsuiten haben wir gesehen, dass sich die Zielgruppen unterscheiden.
Auch die Bereiche der Anwendungsfälle unterscheiden sich:
- Audit-Logs und Testsuiten deuten auf einen Schwerpunkt in regulierten Umgebungen hin, in denen Compliance, Nachvollziehbarkeit und Stabilität entscheidend sind.
- Semantisches Urteilen zielt dagegen auf intellektuelle Aufgaben wie Verstehen, Klassifizieren und Entdecken—bei denen absolute Sicherheit weniger im Mittelpunkt steht.
Die Gemeinsamkeiten der Ein- und Ausgabemodelle haben gezeigt, dass sie auch unterschiedliche Datenmodelle optimieren:
- DecisionRules: Strukturierte Eingabe → strukturierte Ausgabe
- Jev: Eingabe in natürlicher Sprache → strukturierte atomare Ausgabe
| DecisionRules | Jev | |
|---|---|---|
| Zielgruppen | Nichttechnische Nutzer | Technische Nutzer |
| Datenmodell | Strukturierte Eingabe → Strukturierte Ausgabe | Eingabe in natürlicher Sprache → Strukturierte Ausgabe |
| Anwendungsbereiche | Regulierte Unternehmen | Projekte zum semantischen Verständnis |
Aus architektonischer Sicht sind beide Tools somit für unterschiedliche Projektarten nützlich. Ein häufiger Anwendungsfall in DecisionRules ist beispielsweise die Rückgabe eines Arrays fehlgeschlagener Validierungen aus einem Entscheidungsablauf. Bei Jev geht es darum, ob das Konfidenzniveau einen Schwellenwert erreicht, um den Workflow fortzusetzen. Diese unterschiedlichen Verhaltensweisen liefern zugleich den Hinweis auf ihre Kompatibilität: die Abläufe.
Kombinierbar für eine optimale Praxis
Entwickeln wir die Argumentation anhand von drei Prämissen:
- Jev ist für programmatische Workflows konzipiert. TypeSafe AI erklärt ausdrücklich, dass Jevs Ergebnisse durch Code verarbeitet werden sollen. Sicherheitsmechanismen wie Überschreitungsschwellen, Fallback-Logik und Konfidenzprüfungen werden im Anwendungscode implementiert, nicht in Jev selbst.
- Jev übertrifft allgemeine LLMs bei Entscheidungsaufgaben. Wie oben gezeigt, liefert Jev schneller präzisere strukturierte Ausgaben als allgemeine LLMs. Wie ebenfalls oben erläutert, bedeutet der probabilistische Charakter der strukturierten Ausgaben, dass konfidenzbasierte Logik extern durchgesetzt werden muss, wiederum durch Code.
- DecisionRules ermöglicht eine strukturierte Entscheidungsorchestrierung. Seine Funktion Decision Flow ermöglicht es Nutzern, Regeln zu verketten, logische Abhängigkeiten zu definieren und die Ausführungsreihenfolge zu steuern. In der DecisionRules Academy wird empfohlen, die AI Agent Rule stets in Decision Flows zu integrieren, um die Leistungsfähigkeit von KI mit deterministischer Kontrolle zu verbinden.
Aus den Prämissen zwei und drei lässt sich ableiten, dass Decision Flow die von Jev getroffenen Entscheidungen zusammen mit den Entscheidungen der deterministischen Regeln von DecisionRules in einem einzigen Ablauf orchestrieren kann.
So lassen sie sich in der Praxis kombinieren:
- Jev übernimmt den Teil des Workflows, der natürliche Sprache verarbeitet und hochwertige, atomare strukturierte Ausgaben erzeugt.
- DecisionRules nutzt seine native Oberfläche, um deterministische Transformationslogik zu erstellen, die auf Jevs Ausgaben angewendet wird—insbesondere anhand der Konfidenzwerte.
- Decision Flow orchestriert den gesamten Prozess und gewährleistet vertrauenswürdige, auditierbare Entscheidungen, die den Unternehmensstandards entsprechen.
Aus den Prämissen eins und drei lässt sich ableiten, dass die von Jev erwarteten Sicherheitsmechanismen für eine bessere Leistung in DecisionRules implementiert werden können. Jedes Tool schließt die Lücke des anderen:
| System One Model (Jev) | DecisionRules |
|---|---|
| Lässt sich sicher mit Code integrieren | Bietet eine zentralisierte, sichere Umgebung für Sicherheitslogik |
| Liefert leistungsstarke KI | Auditierbare, vorhersehbare Regeln, die von Fachanwendern verwaltet werden |
| Verarbeitet unstrukturierte Eingaben | Ermöglicht nichttechnischen Experten die Pflege der Compliance-Logik |
| Ermöglicht der IT, sich auf semantische Integration statt auf Regeltests zu konzentrieren |
Gemeinsam ermöglichen sie:
- Nichttechnischen Teams, Eingaben in natürlicher Sprache zu nutzen und zugleich Auditierbarkeit und Kontrolle zu behalten.
- KI-gestützten Systemen, vollständige Automatisierung zu erreichen, ohne Compliance oder Nachvollziehbarkeit zu opfern.
Wenn Sie eines dieser Tools in Betracht ziehen, wird sich das andere folglich ganz natürlich als idealer Partner ergeben. Wenn Sie Entscheidungen mit Fachanwendern automatisieren, verbindet Jevs Verständnis natürlicher Sprache mit den Governance-Funktionen von DecisionRules sowohl Zugänglichkeit als auch Intelligenz. Wenn Sie KI-gestützte Automatisierung entwickeln, gewährleistet die Integration von Jev mit DecisionRules Konfidenzschwellen, Audit-Spuren und die Durchsetzung von Geschäftsregeln—ohne die Entwickler zu überlasten. Sie sind keine Rivalen. Sie sind kombinierbare Partner für die Zukunft der Entscheidungsautomatisierung.
Co-Autor Ivan Peresta
Ivan Peresta ist Produktanalyst und arbeitet im Bereich Professional Services bei DecisionRules. Er wirkt an der Gestaltung von Produktfunktionen mit, testet und dokumentiert sie und unterstützt Kunden dabei, Entscheidungsautomatisierung in die Praxis umzusetzen. Außerdem trägt er zu KI-gestützten Regelfunktionen und zum MCP-Server von DecisionRules bei. Mehr erfahren Sie in Ivans Profil.