Forschungswege · Record 002
An Evidence-First Reference Model for Trustworthy AI in Business Information Systems
Wie lässt sich KI-Vertrauenswürdigkeit so beschreiben, dass sie in einem Entscheidungssystem nachvollziehbar bearbeitet werden kann? Dieses veröffentlichte BIS-2026-Kapitel entwickelt dafür ein evidence-first Referenzmodell.
- Publikation
- BIS 2026 · LNBIP 584 · S. 89–101
- Veröffentlicht
- 21. Mai 2026
- Einordnung
- Evidence-first Referenzmodell
Die Frage dahinter
Vertrauenswürdigkeit soll im System nachvollziehbar werden.
Das Kapitel setzt bei einer Lücke an: In vielen Organisationen wird Vertrauenswürdigkeit über Prinzipien, Dokumentation oder nachträgliche Erklärungen behandelt, statt sie in die Gestaltung von KI-gestützten Entscheidungssystemen einzubeziehen.
Die Arbeit entwickelt dafür ein domänenübergreifendes evidence-first Referenzmodell. Es verbindet die Anforderungen aus einer fokussierten Literatursynthese mit einer konzeptionellen Implementierungsarchitektur, ohne einen bestimmten Technologie-Stack vorzuschreiben.
Modell verstehenFünf Anforderungen an das Referenzmodell
Das Abstract des veröffentlichten Kapitels benennt fünf Anforderungen. Sie sind hier als Orientierung zusammengefasst, nicht als eigenständige Validierung.
- 01
Evidence Binding
Belege bleiben mit der jeweiligen Aussage verbunden.
- 02
Artifact-Mandatory Evaluation
Bewertung wird an die erforderlichen Artefakte gebunden.
- 03
Audit-Safe Traceability
Nachvollziehbarkeit soll auch für Prüfungen erhalten bleiben.
- 04
Effective Human Oversight
Menschliche Aufsicht bleibt ein wirksamer Teil des Prozesses.
- 05
Separated Execution
Governance und analytische Ausführung werden getrennt betrachtet.
Was die Arbeit beiträgt
Ein kompakter Referenzrahmen.
Das veröffentlichte Kapitel führt die fünf Anforderungen in einem domänenübergreifenden Referenzmodell und einer konzeptionellen Implementierungsarchitektur zusammen. Die Architektur zeigt, dass die Anforderungen grundsätzlich konstruierbar sind, schreibt aber keinen konkreten Tool-Stack vor.
Die Publikation ist ein Referenzmodell-Beitrag. Sie ist kein Nachweis einer Feldwirksamkeit, einer unabhängigen Implementierungsvalidierung oder der Wirksamkeit des heutigen AIJIM SHARK.
Quelle: veröffentlichtes Kapitel bei SpringerVon hier aus weiter
Ein Schritt zwischen Diagnose und Spezifikation.
Das Referenzmodell ist ein veröffentlichter Baustein in Torstens Forschungsweg: Es übersetzt Anforderungen in eine strukturierte Modellklasse. Die spätere Spezifikationsarbeit ist ein eigener, nicht peer-reviewter Preprint mit eigener Evidenz und eigenem Status.
- Spezifikationsarbeit ansehen
Der aktuelle arXiv-Preprint mit eigenem Status und eigener Quellenlage.
- Forschung auf TechJournal
Die weiteren Arbeiten und ihre jeweiligen Grenzen.
Im Original nachlesen
Die Quelle zu diesem Record.
Dieser Record basiert auf dem veröffentlichten Springer-Konferenzkapitel. Die bibliografischen Angaben und die Einordnung bleiben an diese Originalquelle gebunden.
- 01
Veröffentlichtes Konferenzkapitel
An Evidence-First Reference Model for Trustworthy AI in Business Information Systems
Torsten Olivi Tiltack · Yifei Dong · Kun Yu · Fang Chen · BIS 2026 · LNBIP 584 · S. 89–101
Online seit 21. Mai 2026 · DOI 10.1007/978-3-032-26363-6_7
Veröffentlichung bei Springer
Zitieren
Die bibliografischen Angaben sind als BibTeX und RIS für Literaturverwaltungen exportierbar.
Wieder hinschauen
Ein Modell bleibt an seine Evidenz gebunden.
Spätere Ergänzungen und ein persönlicher Rückblick erhalten hier einen sichtbaren Platz. Bis dahin bleibt die Grenze zwischen konzeptioneller Constructability und empirischer Validierung ausdrücklich bestehen.
- Welche Anforderungen lassen sich in unabhängigen Umgebungen reproduzieren?
- Welche Evidenz wäre für eine belastbare Feldprüfung erforderlich?
- Welche Teile bleiben bewusst modell- oder profilgebunden?
Springer-Metadaten und Abstract als Originalquelle verknüpft. Referenzmodell, Constructability und offene Validierungsgrenzen getrennt dargestellt.
Die nächste Frage bleibt offen.
Weitere Forschungsrecords verbinden Originalquellen, Einordnung und den jeweils eigenen Status.
Zu den Quellen