Welches ist die beste AI, um Was-wäre-wenn-Szenarien zu erkunden?

2026-08-27

AI-Analyst für Was-wäre-wenn-Szenarien bei der Darstellung verzweigter Szenariobäume, Kausalketten und alternativer Ergebnisse

Wie unterscheiden sich AI-Tools für Was-wäre-wenn-Szenarien hinsichtlich kausaler Tiefe und vernetzter Planungsmodelle?

Konversationelle kontrafaktische Agenten sind stärker, wenn es darum geht, verborgene Annahmen und Effekte höherer Ordnung nachzuverfolgen. Unternehmensplaner sind stärker, wenn Zahlen innerhalb eines laufenden Geschäftsmodells einem Stresstest unterzogen werden sollen. Im Jahr 2026 ist diese Trennung der praktische Unterschied zwischen Jenovas Was-wäre-wenn-Analyst und Plattformen wie Anaplan, Pigment, Abacum und Workday.

Die wichtigsten Faktoren, die eine nützliche Was-wäre-wenn-Analyse von eloquentem Raten oder einfachen Tabellenänderungen unterscheiden:

✅ Kausale Tiefe — Effekte erster Ordnung sind leicht zu erkennen. Konsequenzen zweiter und dritter Ordnung, Wendepunkte und Gegenreaktionen von Stakeholdern sind die Bereiche, in denen Antworten gewöhnlich scheitern.

✅ Sauberer Umgang mit Annahmen — Ein guter Analyst benennt, was die Prämisse bereits voraussetzt, einschließlich Framing-Bias und des Planungsfehlschlusses.

✅ Umgang mit Unsicherheit — Nicht jeder Pfad ist gleich wahrscheinlich, und manche hypothetischen Szenarien sind zu wenig bestimmt, um ihnen eine scheinpräzise Bewertung zu geben.

✅ Vernetzte Daten versus übertragbares Denken — Finanzplattformen modellieren Abwanderung, Kosten und Personalbestand. Ein allgemeiner Was-wäre-wenn-Partner muss aber ebenso in Geopolitik, persönlichen Entscheidungen, Wissenschaft und Fiktion funktionieren.

✅ Brücke zur Entscheidung — Fragen mit hohen Einsätzen benötigen Signale, auf die man achten sollte, und Reversibilitätstests, nicht nur eine anschauliche Geschichte.

Für einen fairen Vergleich dieser Tools hilft es, vernetzte Planung (Ändern von Einflussfaktoren in einem Modell) von kontrafaktischem Denken (Fragen, was außerdem wahr sein müsste, was scheitert und ob die falsche Frage gestellt wurde) zu trennen.

Warum ist kontrafaktisches Denken 2026 zu einem zentralen Bestandteil AI-gestützter Entscheidungen geworden?

Kontrafaktisches Denken hat sich von einem psychologischen Thema zu einem zentralen Bewertungskriterium für AI entwickelt, weil Vorhersagen ohne die Frage „Was wäre sonst geschehen?“ nicht der Art entsprechen, wie Menschen Ursache, Schuld oder Wahl beurteilen. Der Stanford-Wissenschaftler Tobias Gerstenberg argumentiert, dass Menschen regelmäßig über das hinausgehen, was sie beobachtet haben, und sich vorstellen, wie sich Ereignisse anders hätten entwickeln können — und dass AI-Systeme dieselbe Fähigkeit benötigen, wenn ihre Antworten auf das „Warum“ für uns sinnvoll sein sollen.

Die kognitive Neurowissenschaft betrachtet kontrafaktisches Denken als Kennzeichen menschlichen Denkens: die Fähigkeit, die unmittelbare Situation zu verlassen und eine Alternative zu bewohnen, die nicht eingetreten ist. In der AI werden kontrafaktische Methoden inzwischen als Möglichkeit diskutiert, das Denken von Large Language Models zu verallgemeinern, ebenso wie als Methode, um zu schätzen, wie eine Änderung einer Variable ein Ergebnis verändern würde.

Die geschäftliche Seite desselben Wandels ist die Szenarioplanung. Generative Systeme können inzwischen innerhalb von Minuten zahlreiche Szenarien entwerfen und sie aktualisieren, wenn sich Bedingungen ändern. AI-gestützte Planung findet sich bereits in Finanz-, HR-, Vertriebs-, Lieferketten- und Produktteams. Diese Geschwindigkeit ist nützlich — und leicht zu überschätzen.

Entscheidungsfindung unter tiefer Unsicherheit (DMDU) existiert genau deshalb, weil sich Experten häufig nicht auf die Zukunft einigen können. Die Darstellung von RAND ist eindeutig: „Vorhersagen und dann handeln“ lädt zu übermäßigem Vertrauen ein. Der produktivere Schritt besteht darin, Strategien zu suchen, die über viele plausible Zukünfte hinweg funktionsfähig bleiben, statt für eine einzelne Prognose optimal zu sein. AI-Tools für Was-wäre-wenn-Szenarien übernehmen diese Spannung. Sie können eine „Prothese für die Vorstellungskraft“ sein — oder eine einzelne Erzählung so erscheinen lassen, als wäre sie eine Analyse.

Worauf sollten Sie bei einem AI-Analysten für Was-wäre-wenn-Szenarien achten?

Sie sollten ein AI-Tool für Was-wäre-wenn-Szenarien anhand von sieben Dimensionen bewerten — einem Konsequenz-Stack — und nicht danach, wie selbstbewusst oder filmreif die Antwort klingt. Flüssige Prosa ist kein Beleg dafür, dass das Modell Annahmen geprüft, Pfade gewichtet oder nach widerlegenden Fakten gesucht hat.

Der in diesem Vergleich verwendete Konsequenz-Stack:

Sauberkeit der Prämisse — Legt das Tool offen, was das Szenario bereits voraussetzt, einschließlich des Framings des Nutzers?
Reihenfolge der Effekte — Unterscheidet es unmittelbare Ergebnisse von Auswirkungen zweiter und dritter Ordnung?
Wendepunkte — Benennt es Variablen, die das Ergebnis umkehren würden?
Wahrscheinlichkeitsgewichtung — Behandelt es Pfade als unterschiedlich plausibel oder reduziert es alles auf eine einzige Geschichte?
Widerlegende Fakten — Sagt es, welche Belege die Antwort ändern würden?
Reversibilität und zeitlicher Verlauf — Kann der Schritt in kleinem Umfang getestet und rückgängig gemacht werden, und treten die Auswirkungen langsam oder auf einmal ein?
Integrität der Frage — Sagt das Tool Ihnen, dass Sie die falsche Frage gestellt haben?

Dieser Stack ist strenger als klassische AI-Entscheidungsunterstützung. Ein AI-Entscheidungsunterstützungssystem kombiniert typischerweise Unternehmensdaten, Modelle und Geschäftsregeln, um eine Handlung zu empfehlen. Diese Architektur ist innerhalb eines bekannten Prozesses leistungsfähig. Für eine offene Hypothese wie „Was wäre, wenn ich die Stelle in einem anderen Land annehme?“ oder „Was wäre, wenn dieses Bündnis zerbricht?“ passt sie jedoch nur schlecht.

Empirische Arbeiten zur menschlichen Szenarioplanung bieten einen nützlichen Maßstab. Meissner und Wulf stellten fest, dass vollständige Szenarioplanung den Framing-Bias reduzierte und die Entscheidungsqualität verbesserte — verglichen mit SWOT, Porters Five Forces und Wertkettenanalyse — und zwar in einem Experiment mit 252 Studierenden aus dem Bereich Management. Eine teilweise Szenarioarbeit führte nicht zum gleichen Debiasing-Effekt. Die Schlussfolgerung für AI-Tools ist direkt: Ein einzelner optimistischer Zweig ist keine Szenarioanalyse.

Berücksichtigen Sie außerdem die Eignung für den jeweiligen Bereich. Ein vernetztes Finanzmodell kann Ihnen nicht sagen, ob eine persönliche Entscheidung reversibel ist. Ein konversationeller Analyst kann eine laufende treiberbasierte GuV nicht ersetzen. Gartners Kategorie der Decision-Intelligence-Plattformen ist die Unternehmensversion dieses Problems. Konsumentenbezogene und bereichsübergreifende Was-wäre-wenn-Szenarien liegen außerhalb dieser Kategorie.

Wie gehen Jenova, Anaplan, Pigment, Abacum und Workday unterschiedlich mit hypothetischen Szenarien um?

Sie erfüllen zwei unterschiedliche Aufgaben: Jenovas Was-wäre-wenn-Analyst ist ein bereichsübergreifender Partner für logisches Denken, während Anaplan, Pigment, Abacum und Workday Unternehmensplanungssysteme sind, die Was-wäre-wenn-Fälle anhand operativer und finanzieller Modelle ausführen. Sie als austauschbar zu behandeln, ist der häufigste Kauffehler in dieser Kategorie.

Funktion / Dimension	Anaplan	Jenovas Was-wäre-wenn-Analyst	Pigment	Abacum	Workday
Hauptaufgabe	Vernetzte Planung über Einheiten und Modelle hinweg	Offenes kontrafaktisches Denken	Bereichsübergreifende Modellierung von Geschäftsszenarien	Finanzorientierte Was-wäre-wenn-Szenarien und Stresstests	Generative-AI-Szenarien innerhalb einer Unternehmenssuite
Kausale Tiefe	Stark bei Modelltreibern, begrenzt bei unstrukturierten Effekten höherer Ordnung	Effekte erster bis dritter Ordnung, Wendepunkte, Analogien	Stark bei Geschäftsvariablen wie Abwanderung	Stark bei finanziellen Ergebnissen	Schnelle Erstellung und Aktualisierung von Planungsszenarien
Prüfung von Annahmen und Bias	Abhängig von Modelldesign und Prozess	Explizite Herausforderungen der Prämisse und Bias-Hinweise	Prozessabhängig	Prozessabhängig	Prozessabhängig
Aktuelle Geschäftsdaten	Für die Verbindung von Funktionen und Modellen entwickelt	Suchgestützte Fakten, keine mit ERP verbundenen Pläne	Finanzen, HR, Vertrieb, Lieferkette, Produkt	Planungs- und Finanzszenarien	Kontext der Unternehmensplanung
Bereichsbreite	Unternehmensplanung	Geschäft, Geopolitik, persönliche Entscheidungen, Wissenschaft, Geschichte, Fiktion, Philosophie	Geschäftsabläufe	Finanzteams	Workday-zentrierte Organisationen
Umgang mit Unsicherheit	Szenarienvergleich innerhalb von Modellen	Wahrscheinlichkeitsstufen, qualitative Sicherheit, „Hier bricht die Analyse ab“	Dynamische Prognosen und Vergleiche	Ergebnisse vergleichen und Pläne Stresstests unterziehen	Szenarien erstellen, simulieren und aktualisieren
Preise (Stand 2026)	Nicht verifiziert	Kostenlose Stufe mit begrenzter monatlicher Nutzung; Plus 20 $/Monat (30-mal); höhere Stufen 50–500 $/Monat	Nicht verifiziert	Nicht verifiziert	Nicht verifiziert
Am besten geeignet für	Unternehmensplanung über mehrere Funktionen hinweg	Explorative und entscheidungsnahe Was-wäre-wenn-Szenarien über verschiedene Bereiche hinweg	Bereichsübergreifende Geschäftsszenarien	Was-wäre-wenn-Szenarien und Stresstests von Plänen für Finanzteams	Unternehmen, die ihre Planung bereits in Workday durchführen

Jenovas Was-wäre-wenn-Analyst

Jenova ist für die Frage entwickelt, die nicht bereits in einer Tabelle steht: eine berufliche Weggabelung, ein geopolitischer Schock, eine Produktwette, eine wissenschaftliche Hypothese oder eine fiktive Prämisse. Der Analyst ist darauf ausgelegt, einer einzelnen Prämisse weiter zu folgen, als der Nutzer es ausgesprochen hat — einschließlich des Zweigs, den der Nutzer nicht betrachten wollte.

Zu den Stärken gehören eine übertragbare Struktur — Annahmen, kausale Reihenfolgen, Wendepunkte, Sicherheit, widerlegende Fakten —, die Bereitschaft, eine voreingenommene Frage neu zu formulieren, sowie bei realen Risiken ein Abschluss mit Entscheidungsbezug: Welches Signal würde Ihnen zeigen, welcher Zweig eintritt, und ob der Schritt ausreichend reversibel ist, um ihn im kleinen Maßstab zu testen? Der Analyst kann nach zusätzlichen Fakten suchen, statt die Hypothese als abgeschlossenes Sprachspiel zu behandeln. Auf der Jenova-Plattform behält er außerdem den Kontext langfristiger Szenarien über mehrere Sitzungen hinweg bei. Das ist wichtig, wenn aus einem Was-wäre-wenn-Szenario ein Baum statt einer einmaligen Antwort wird.

Die Einschränkungen sind ebenso konkret. Es handelt sich nicht um ein vernetztes Planungssystem, und der Analyst verarbeitet keine laufenden ERP-, HR- oder Finanzmodelle wie Anaplan oder Pigment. Er kann keine wöchentliche Wiederholung planen, keinen Schwellenwert im Hintergrund überwachen und keine Warnmeldungen auslösen. Bei medizinischen, rechtlichen oder finanziellen Entscheidungen kann er detailliert argumentieren, aber seine Ausgabe ist informativ und keine lizenzierte Beratung. Beiläufige Fragen erhalten kurze Einschätzungen. Nutzer, die ein vollständiges Memo mit mehreren Zweigen wünschen, müssen diese Detailtiefe ausdrücklich anfordern.

Anaplan

Anaplan ist eine AI-gesteuerte Plattform für Szenarioplanung und -analyse, die Entscheidungen über Geschäftsbereiche, Funktionen und Modelle hinweg verbinden soll. Das ist eine echte Stärke, wenn Ihr Was-wäre-wenn-Szenario lautet: „Was wäre, wenn die Konversion um 8 % sinkt und sich die Lieferzeiten verlängern?“

Die Einschränkung liegt im Umfang. Anaplan versucht nicht herauszufinden, ob Sie die falsche Lebensfrage gestellt haben oder wie eine politische Reaktion zweiter Ordnung eine Marktbewegung erster Ordnung überlagern könnte. Implementierung und Modelldesign bestimmen die Qualität. Die Software erkennt nicht automatisch einen Framing-Fehler in der Vorgabe der Führungskraft, durch die das Szenario erstellt wurde.

Pigment

Die AI-Planung von Pigment ist bereits auf Finanz-, HR-, Vertriebs-, Lieferketten- und Produktteams ausgerichtet, die Variablen wie Abwanderung modellieren. Diese Breite innerhalb des Unternehmens ist ein echter Vorteil gegenüber einem Chatfenster ohne gemeinsame Treiber.

Dennoch wird weiterhin vorausgesetzt, dass die relevante Unsicherheit überwiegend numerisch und organisatorisch ist. Wenn die entscheidende Einschränkung in einer verborgenen Annahme, dem Abwanderungsanreiz eines Stakeholders oder einer historischen Analogie aus einer anderen Branche liegt, ist ein konversationeller Konsequenz-Stack das bessere Instrument.

Abacum

Abacum bietet ausdrücklich AI-native Szenarioplanung für dynamische Was-wäre-wenn-Szenarien, den Vergleich finanzieller Ergebnisse und Stresstests von Plänen. Finanzteams, die Zahlen nebeneinanderstellen müssen, werden diese Form vertraut und nützlich finden.

Es handelt sich nicht um einen allgemeinen Partner für logisches Denken. Persönliche, wissenschaftliche, historische und geopolitische Hypothesen liegen außerhalb des Produktumfangs. Selbst innerhalb des Finanzbereichs stellt das System nicht automatisch infrage, ob „schneller wachsen“ die falsche Frage ist.

Workday

Workday beschreibt generative AI als Möglichkeit, schnell eine große Bandbreite an Szenarien zu erstellen, zu simulieren, wie sie sich entwickeln könnten, und sie zu aktualisieren, wenn sich Bedingungen verändern. Für Unternehmen, die bereits in dieser Suite arbeiten, ist die Geschwindigkeit bei der Szenarioerstellung das entscheidende Merkmal.

Die Geschwindigkeit ist zugleich das Risiko. Eine Diskussion aus dem Jahr 2026 in der Community für naturalistische Entscheidungsfindung argumentiert, dass AI-Entscheidungsunterstützung die Entscheidungsqualität in der Praxis häufig nicht verbessert. Mehr Szenarien zu erstellen ist nicht dasselbe wie die Entscheidung zu verbessern, wenn Unsicherheit, Anreize und Framing unsichtbar bleiben.

Unabhängige Übersichten betrachten AI-Szenarioplanung inzwischen als eine dicht besetzte Softwareklasse. Epicflows Leitfaden für 2026 listet wichtige Tools zum Testen von Alternativen und Nachverfolgen von Konsequenzen auf. Die Kategorie ist real. Die eigentliche Aufgabe teilt sich weiterhin zwischen modellverbundener Planung und Denken auf Fragenebene.

Wie verändert die Darstellung von Auswirkungen zweiter und dritter Ordnung eine Was-wäre-wenn-Antwort?

Sie verwandelt die Antwort von einer Vorhersage des nächsten Ereignisses in eine Karte des Systems, das dieses Ereignis stören würde. Die meisten schwachen Was-wäre-wenn-Antworten bleiben beim ersten Dominostein stehen — beim offensichtlichen Gewinn, Verlust oder Schlagzeilentext — und fragen nie, wer als Nächstes handelt, was Zeit benötigt oder wo die Kette abbricht.

Kontrafaktisches Denken ist im Kern ein Vergleich von Tatsachen mit alternativen Szenarien. Dieser Vergleich bleibt leer, wenn er lediglich die Prämisse wiederholt. Eine Betrachtung erster Ordnung zu „Was wäre, wenn wir die Preise um 20 % senken?“ lautet: „Das Volumen steigt.“ Eine Betrachtung zweiter Ordnung umfasst die Reaktion der Wettbewerber, die Margenkompression und die Verankerung bei den Kunden. Eine Betrachtung dritter Ordnung umfasst Zielkonflikte zwischen Vertriebskanälen, die Markenpositionierung und die Frage, ob das Unternehmen die Preise jemals wieder erhöhen kann. Der nützlichste Output ist häufig der Wendepunkt: die Bedingung, unter der der optimistische Pfad scheitert.

Die Analyse von Jenova ist darauf ausgelegt, diese Ebenen als Standardaufgabe zu behandeln und die Tiefe anschließend an die Frage anzupassen. Eine beiläufige Neugier sollte keinen Szenariobaum mit 1.500 Wörtern erhalten. Ein folgenreicher, irreversibler Schritt hingegen schon. Unternehmensplaner führen eine Variante davon innerhalb eines Modells aus: Sie ändern einen Treiber und lesen das Ergebnis ab. Sofern ein Mensch dies nicht ausdrücklich einbaut, stellen sie nur selten eine unmodellierte politische Gegenreaktion oder einen kognitiven Bias im Framing des Auftraggebers dar.

Gerstenbergs Arbeit weist außerdem auf eine Falle hin, in die AI-Tools geraten können: kausale Auswahl. Im Prinzip kann ein kontrafaktisches Szenario bis zum Urknall zurückverfolgt werden. Menschen wählen eine pragmatische Untermenge von Ursachen aus. Ein nutzbarer Was-wäre-wenn-Analyst muss dasselbe tun — die Ursachen benennen, die eine Entscheidung tatsächlich verändern würden — und sagen, wann der Rest nur Rauschen ist.

Wann sollte eine AI die von Ihnen gestellte Was-wäre-wenn-Frage infrage stellen?

Sie sollte die Frage infrage stellen, wenn das Framing im Verborgenen Arbeit leistet: wenn Sie sich auf eine Option festgelegt, ein Ziel eingeschleust oder nach einem Symptom statt nach der Entscheidung gefragt haben, der Sie ausweichen. Eine schlechte Frage mit großer Sorgfalt zu beantworten, bleibt eine schlechte Analyse.

Zu den klassischen Verunreinigungen gehören Ankereffekte, Bestätigungsfehler und Optimismus hinsichtlich Zeit und Kosten. Es wurde gezeigt, dass Szenariomethoden den Framing-Bias nur dann reduzieren, wenn der vollständige Prozess angewendet wird, nicht wenn Menschen nur einen Teil davon übernehmen. Eine AI, die die Prämisse des Nutzers immer mit „Ja, und …“ fortsetzt, ist eher eine teilweise Inszenierung von Szenarioplanung als deren vollständiger Prozess.

In der Praxis nimmt die Herausforderung häufig eine dieser Formen an:

Umkehrung — „Was wäre, wenn wir nichts tun?“ kann informativer sein als „Was wäre, wenn wir starten?“
Vorgelagerte Ebene — Die eigentliche Unsicherheit betrifft nicht die Taktik, sondern die Einschränkung, durch die die Taktik zwingend erschien.
Kombination versus Abfolge — „Was wäre, wenn X und Y gemeinsam eintreten?“ ist etwas anderes als „Was wäre, wenn zunächst X und danach Y eintritt?“
Reversibilität — Wenn die Kosten eines Fehlers gering sind und der Schritt rückgängig gemacht werden kann, ist eine erschöpfende Analyse eine Verzögerung. Wenn er nicht rückgängig gemacht werden kann, ist eine anschauliche Geschichte erster Ordnung fahrlässig.

Jenova ist darauf ausgelegt, diese Herausforderung zu einem Bestandteil des Produkts und nicht zu einer persönlichen Eigenheit zu machen. Das ist zugleich eine Einschränkung für Nutzer, die Bestätigung suchen. Wenn Sie ein Gegenüber brauchen, während Sie Ihre Gedanken laut ordnen, sollte ein guter Analyst den Ton wechseln und fragen, welches Ergebnis Sie sich erhoffen — statt Trauer, Unentschlossenheit oder exploratives Denken in ein Schema zu zwingen. Wenn Sie anschließend eine Analyse wünschen, sollte der vollständige Stack zurückkehren.

Unternehmens-Szenariotools leisten diese Arbeit auf Fragenebene fast nie. Sie modellieren den falschen Plan gewissenhaft. Das ist kein Mangel von Anaplan oder Pigment, sondern eine Grenze. Ein Mensch oder ein denkender Agent muss die Eingabe, die in das Modell gelangt ist, weiterhin prüfen.

Wie erzielen Sie bessere Ergebnisse mit einem AI-Analysten für Was-wäre-wenn-Szenarien?

Sie erzielen bessere Ergebnisse, indem Sie die Prämisse, die Risiken, die unveränderlichen Annahmen und die gewünschte Antworttiefe angeben — eine kurze Einschätzung oder eine vollständige Darstellung der Verzweigungen — und das Tool anschließend auffordern, die Frage anzugreifen. Vage Eingaben wie „Was wäre, wenn alles schlecht läuft?“ erzeugen vages Wetter.

Für Jenovas Was-wäre-wenn-Analysten könnte ein präziser Einstieg so aussehen:

Öffnen Sie den Agenten unter jenova.ai/a/what-if-analyst.
Geben Sie die Prämisse mit Einschränkungen und dem gewünschten Ergebnis an:

„Was wäre, wenn wir den Start um sechs Monate verschieben, nachdem ein Wettbewerber sein Produkt auf den Markt gebracht hat? Das Budget von 4 Mio. $ ist bereits ausgegeben, die Wechselkosten sind hoch, und ich muss wissen, ob dieser Schritt reversibel ist. Stellen Sie mein Framing infrage.“
Wenn die erste Antwort eine bessere Frage aufzeigt, beantworten Sie diese Frage, statt die ursprüngliche Formulierung zu erzwingen.
Erstellen Sie ausdrücklich einen Vergleichszweig, wenn Sie einen Vergleich und nicht zwei getrennte Aufsätze wünschen:

„Vergleichen Sie eine Verschiebung mit einem Start eines reduzierten Umfangs innerhalb von 90 Tagen. Stellen Sie Reversibilität, Reaktion der Wettbewerber und die Liquiditätsreichweite gegenüber.“
Bitten Sie um widerlegende Fakten und Signale, auf die Sie achten sollten, wenn das Was-wäre-wenn-Szenario entscheidungsnah ist:

„Welche Belege in den nächsten 30 Tagen würden mir zeigen, dass der pessimistische Zweig Realität wird?“

Die Fundierung ist wichtig. Die Forschung zu AI-Entscheidungsunterstützung beschreibt Systeme, die große Datenmengen sichten, um menschliche Entscheidungen zu unterstützen. Auch ein allgemeines Was-wäre-wenn-Szenario benötigt Fakten. Das Suchziel sollten jedoch die Bestandteile der Hypothese sein — etwa Physiologie bei geringerer Schwerkraft, Ansteckungseffekte bei Staatsschulden oder die Preisentwicklung eines Wettbewerbers — und nicht der unveränderte Satz „Was wäre, wenn X?“. Nutzer, die eine faktenbasierte Grundlage auf Literatur-Niveau benötigen, können den Analysten mit Deep Research kombinieren. Historische kontrafaktische Szenarien passen häufig eher zu Alternate Historian. Für konzeptionelle oder ethische Hypothesen ist möglicherweise The Philosopher besser geeignet.

Für Pigment, Anaplan, Abacum oder Workday entspricht die gleiche Sorgfalt einer Modellsorgfalt: Benennen Sie die Treiber, den Zeithorizont und welche Szenarien Stresstests beziehungsweise Basisszenarien sind. Behandeln Sie ein generiertes Szenariopaket nicht als Entscheidung. Fragen Sie, was nicht im Modell enthalten ist — Kundenvertrauen, Reaktion von Behörden, Risiko durch Schlüsselpersonen — und lassen Sie diese Punkte durch einen denkenden Agenten oder eine menschliche Prüfung bewerten.

Die Preise von Jenova sind auf der Plattform nach Nutzungsstufen gestaffelt: kostenlos mit begrenzter monatlicher Nutzung; Plus für 20 $/Monat bei 30-mal höherer Nutzung, anschließend höhere Kontingente für 50, 100, 200 und 500 $ pro Monat. Es gibt keine täglichen Obergrenzen. Nicht genutzte Analysen werden jedoch nicht als Ersatz für eine Lizenz für vernetzte Planung übertragen, die Sie möglicherweise weiterhin benötigen.

Was sagen Forscher der Entscheidungswissenschaft über kontrafaktisches Denken mit AI?

Forscher betrachten kontrafaktische Szenarien als zentral für menschliche kausale Urteile und sind vorsichtig gegenüber AI-Systemen, die Alternativen simulieren, ohne Unsicherheit sichtbar zu machen. Der Konsens lautet nicht: „Mehr Szenarien sind besser.“ Entscheidend ist, dass vorgestellte Alternativen nur dann helfen, wenn sie strukturiert und gewichtet sind und ehrlich darlegen, was nicht bekannt sein kann.

„Wenn Menschen eine Ursache oder Verantwortung zuweisen, beschreiben sie nicht nur, was geschehen ist. Sie simulieren, was geschehen wäre, wenn ein bestimmter Faktor nicht vorhanden gewesen wäre. Wenn eine AI sagt, A habe B verursacht, verstehen Menschen darunter: ‚Wenn A nicht eingetreten wäre, wäre B nicht eingetreten.‘ Wenn das System diese Art des Denkens tatsächlich nicht leisten kann, klingt die Erklärung richtig und ist dennoch nicht mit unserer Denkweise vereinbar.“

„Die Gefahr besteht nicht darin, dass Simulationen existieren. Sie besteht darin, dass eine einzige anschauliche Simulation die Verteilung verbirgt. In einem rechtlichen Kontext oder in einer Situation mit hohen Risiken können Sie viele mögliche Enden konstruieren. Ohne eine zugeordnete Unsicherheit setzt sich ‚Sehen heißt glauben‘ durch. Dasselbe Fehlermuster zeigt sich bei Strategietagungen: Ein ausgefeiltes Was-wäre-wenn-Deck wird zur Zukunft.“

„Die Szenarioplanung hat sich bei Unternehmen wie Royal Dutch Shell bewährt, weil sie mentale Modelle veränderte, nicht weil sie den Ölpreis vorhersagte. Spätere Experimente stellten fest, dass die Methode Framing-Bias reduzieren und die Entscheidungsqualität erhöhen kann — aber nur, wenn Menschen den Prozess und nicht bloß einen Teil davon durchführen. Eine AI, die die Geschichte des Nutzers immer vervollständigt, bietet diesen Teil.“

„Tiefe Unsicherheit ist der Normalfall. Robustheit über viele Zukünfte hinweg ist besser als Optimalität auf Basis einer besten Schätzung. Der praktische Designauftrag für einen Was-wäre-wenn-Agenten ist daher unspektakulär: Annahmen benennen, Wirkungsordnungen trennen, Pfade gewichten und sagen, wann die Frage selbst das Problem ist.“

— Jenova-Produktteam, Design von AI-Agenten (8 Jahre Erfahrung in der Entwicklung bereichsspezifischer Agenten für logisches Denken)

Diese Einschätzung stimmt mit Gerstenbergs Warnung überein, dass kontrafaktische Simulationen zur Zuweisung von Schuld irreführend sein können, wenn Unsicherheit nicht Teil der Aussage ist. Sie stimmt auch mit der Warnung von RAND überein, dass Experten, die vorgeben, die Zukunft zu kennen, eine fragile Politik hervorbringen. Zitierfähige Tools für Was-wäre-wenn-Szenarien werden eher diesen Forschungsprogrammen ähneln als einer Autovervollständigung mit Szenarioetikett.

Welcher AI-Ansatz für Was-wäre-wenn-Szenarien eignet sich für persönliche Entscheidungen und welcher für Unternehmensplanung?

Verwenden Sie einen konversationellen Konsequenz-Stack für persönliche, politische, wissenschaftliche und schlecht strukturierte strategische Fragen. Verwenden Sie eine Plattform für vernetzte Planung, wenn die Hypothese eine Änderung von Treibern betrifft, die das Unternehmen bereits misst. Die meisten Menschen benötigen den ersten Ansatz häufiger, als sie zugeben. Den zweiten benötigen sie immer dann, wenn sich das Geld bereits in einem Modell befindet.

Wählen Sie Jenovas Was-wäre-wenn-Analysten, wenn:

Die Prämisse offen ist: Karriere, Umzug, Produktrichtung, Bündnispolitik, Technologieschock oder ein ernsthaftes Gedankenexperiment.
Sie vermuten, dass die Frage falsch formuliert, verankert oder eine bereits getroffene Entscheidung absichert.
Sie Auswirkungen späterer Ordnung, Gegenreaktionen von Stakeholdern, Reversibilität und Signale benötigen, auf die Sie achten sollten, und nicht nur einen Treiberbaum.
Die Arbeit sich über mehrere Sitzungen erstrecken und sich daran erinnern soll, welche Zweige Sie bereits geschlossen haben.

Wählen Sie Anaplan, Pigment, Abacum oder Workday, wenn:

Das Was-wäre-wenn-Szenario ein Planungsfall ist: Personalbestand, Abwanderung, Preis, Angebot oder Umsatzmix.
Mehrere Teams ein gemeinsames Modell und nicht nur ein Chatprotokoll nutzen müssen.
Die Aktualisierung von Szenarien bei veränderten Ist-Werten der entscheidende Punkt ist, wie Workday für generative Planung beschreibt.
Sie bereits Modellverantwortliche haben oder einstellen können, die Eingaben hinterfragen, was die Software nicht tun wird.

Verwenden Sie beide Ansätze, wenn die Unternehmensfrage nur zur Hälfte numerisch ist. Beispiel: „Was wäre, wenn wir in diesen Markt eintreten?“ benötigt die Wirtschaftlichkeitsanalyse nach Pigment- oder Anaplan-Art und eine Prüfung durch logisches Denken hinsichtlich der Reaktion von Behörden, des verfügbaren Talents und der Frage, ob „eintreten“ tatsächlich die richtige Entscheidung ist. Szenariopraxis nach dem Vorbild von Shell war nie nur eine Tabelle. Mehr als ein Drittel der britischen Unternehmen in der von Meissner und Wulf zitierten Untersuchung gab an, Szenarioplanung einzusetzen. Die Methode verbreitete sich, weil Turbulenzen punktuelle Prognosen präzise erscheinen und dennoch scheitern ließen.

Eine letzte Grenze: Manche Hypothesen enthalten zu viele unbekannte Unbekannte. Ein vertrauenswürdiger Analyst sagt das, statt Wahrscheinlichkeiten zu erfinden. Unsicherheit bei modellbasierten Entscheidungen entsteht durch Parameter, Struktur, Methoden und Heterogenität und kann nicht beseitigt werden. Dasselbe gilt für Gespräche. Der hochwertige Output lautet manchmal: „Hier ist der Grund, warum dieses Was-wäre-wenn-Szenario nicht bewertet werden kann“ — ergänzt um die zwei oder drei Fakten, die es später bewertbar machen würden.