In den letzten Monaten arbeite ich an mehreren sehr unterschiedlichen Stellen mit Settings, in denen KI nicht nur empfehlen, sondern operativ wirken soll. Eine Datenplattform für Retail-Media-Kampagnen. Ein Rapid-Diagnostic-Format, mit dem wir in der Beratung Value-Creation-Potenziale verdichten. Eine Operations-Verbesserung im Einkauf, an der ich mit-denke. Was mich in jedem dieser Settings überrascht hat, ist nicht, wie verschieden sie sind – das ist erwartbar – sondern wie gleich die Struktur darunter ist. Egal welcher Funktionsbereich, welche Branche, welche Zyklusdauer: es gibt einen operativen Kreislauf, der die Welt berührt, und einen langsameren, der auf den operativen zurückschaut und ihn justiert.
Für mich ist das gerade eine Grundform, keine konkrete Lösung – eine, die sich pro Anwendungsfall anders einfärbt.
Die Grundform in einem Satz
Eine operative Loop berührt die Welt und produziert dabei einen veränderlichen Kontext, der von einer langsameren Lernschleife getragen wird. Beides ist in die Realität eingebettet.
Liest man das Bild von außen nach innen, ergibt sich: Real World — operative Loop — Kontext — Lernschleife.
Was sich dreht (und was nicht)
Das Bild zeigt einen Kreis. Aber genau genommen dreht sich der Kreis nicht. Durch ihn wandern Ereignisse. Jede Handlung erzeugt eine Wirkung in der Welt, die im nächsten Durchlauf wieder beobachtet wird. Das ist, in der Sprache der Regelungstechnik, ein closed-loop process. Mehrere Ereignisse können parallel unterwegs sein. Wie schnell ein einzelner Durchlauf ist – ob täglich, stündlich, monatlich – ist eine Eigenschaft der Anwendung, nicht des Modells.
Die Lernschleife dreht zusätzlich, aber langsamer. Sie berührt die Welt nicht direkt. Sie schaut auf die Spur, die die operative Loop hinterlässt, und verändert den Kontext, in dem die operative Loop läuft.
Die operative Loop
Die operative Loop sitzt im äußeren Ring, weil sie die Real World direkt berührt. Sie nimmt aus der Welt auf – Observieren – und gibt in die Welt zurück – Handeln. Dazwischen liegen zwei weitere Phasen: Klären (das Wahrgenommene im Kontext einordnen) und Entscheiden (Optionen formen, Plan wählen).
Was mich am Modell mehr interessiert als die Phasen selbst sind die Übergangs-Artefakte zwischen ihnen. Sie sind das, was zwischen zwei Phasen übergeben wird – und damit das, was ein agentisches System (oder ein menschliches Team) tatsächlich produziert.
Zwischen Observieren und Klären entstehen Ereignisse – rohe Beobachtungen, noch nicht eingeordnet. Zwischen Klären und Entscheiden eine Diagnose – eine bewertete, eingeordnete Lage. Zwischen Entscheiden und Handeln ein Plan – eine konkrete Handlungsanweisung. Und zwischen Handeln und der Welt eine Wirkung – was die Handlung verursacht hat. Sie ist gleichzeitig das nächste Ereignis.
Der Loop liest sich dann als geschlossener Satz:
Ich beobachte ein Ereignis, kläre es zu einer Diagnose, entscheide einen Plan, handle und erzeuge eine Wirkung – die das nächste Ereignis ist.
In jeder Phase tauchen typischerweise weitere Sub-Artefakte auf. Beim Observieren: offene Fragen und fehlende Daten – was noch nicht beobachtet ist. Beim Klären: Widersprüche zwischen Ereignissen oder in der Diagnose. Beim Entscheiden: Hypothesen und Szenarien, aus denen gewählt wird. Beim Handeln: Abhängigkeiten und Reihenfolgen zwischen Plänen oder schlicht blockierte Handlungen. Diese Sub-Artefakte sind nicht essenziell für das Grundverständnis; sie sind kontextabhängig. In manchen Anwendungen brennt es an genau einer dieser Stellen, und das Modell wird gerade dort lokal zoomen.
Diagnose ist eine Stelle, kein Produkt
Die Diagnose – also das Übergangs-Artefakt zwischen Klären und Entscheiden – ist genau das, was wir in unserer Beratungsarbeit als Format anbieten: ein Rapid Diagnostic für Due Diligence und Value Creation. Verdichtetes Lagebild, bewertet, einsortiert, mit klarem Übergang in einen Plan. Das war keine Konstruktion im Nachhinein. Die Stelle existiert in vielen operativen Settings real und lohnt ein Produktformat.
Aber die Diagnose ist nicht das Ende der operativen Loop. Sie ist eine Zwischenstufe. Wer nur die Diagnose liefert und das Was tun wir damit offen lässt, reißt eine Lücke ins Ergebnis, die im operativen Setting nicht wegerklärbar ist. Das hat Konsequenzen dafür, wie wir Diagnose-Produkte einbetten müssen – und wie wir die nächsten Schritte (Entscheiden, Handeln) anschließen, ohne sie als Add-on zu behandeln.
Kontext: Ziele und Handlungsspielraum
Zwischen operativer Loop und Lernschleife sitzt der Kontext. Er ist das, was die operative Loop parametrisiert – ihre Einstellungen, ihr Wonach und Worin. Zwei klare Komponenten reichen:
Ziele – wonach wir handeln. Handlungsspielraum – worin wir uns bewegen: Budget, Ressourcen, Rahmenbedingungen, Befugnisse.
Die operative Loop liest den Kontext, verändert ihn aber nicht. Das Verändern ist Aufgabe der Lernschleife.
Die Lernschleife
Die Lernschleife sitzt in der Mitte – im Bild bewusst klein und gedämpft, weil sie kein direktes Welt-Geschehen ist. Sie wirkt auf der Spur, die die operative Loop hinterlässt, und schreibt am Kontext.
Sie hat ebenfalls vier Phasen: Auswerten (die Spur sichten, Pattern erkennen), Reflektieren (das Gesehene im Licht der bisherigen Annahmen und Ziele deuten), Justieren (entscheiden, was sich am Kontext ändern muss), Übernehmen (die Änderung verbindlich machen; der Kontext ist jetzt neu).
Liest sich als Satz: Wir werten aus, was die operative Loop produziert hat, reflektieren das im Licht unserer Ziele, justieren den Kontext und übernehmen das Neue als Rahmen für den nächsten Durchlauf.
Die Lernschleife hat keine eigenen Übergangs-Artefakte. Sie produziert eine Sache: einen veränderten Kontext.
Parametrisierung pro Anwendungsfall
Die Grundform bleibt gleich. Was sich pro Anwendungsfall ändert, sind die Regler – Zyklusdauer der operativen Loop, Frequenz der Lernschleife, wer der Actor ist (einzelne Person, Team, AI, hybrid), welche Sub-Artefakte dominant sind, was im Kontext beweglich ist und was fix.
Drei Beispiele aus meiner aktuellen Arbeit, als Skizzen:
Eine Daten- und Operations-Plattform für Kampagnen-Steuerung. Operative Loop täglich – Performance beobachten, kleine Anpassungen entscheiden, ausspielen, Wirkung messen, neuer Tag. Lernschleife selten und auf Anlass: nur wenn die Strategie nicht mehr trägt. Kontext relativ stabil – Kampagnenziele und Budget bleiben Wochen lang konstant. Hochfrequente operative Loop, niedrige Lerntiefe.
PE-100-Tage und Due Diligence. Beide Loops fast gleichzeitig heiß. Innen läuft hochfrequent Verarbeitung von Findings, Quick-Wins, Beobachtungen. Außen baut sich das Modell vom Unternehmen erst beim Reingehen auf, der Kontext – was wollen wir hier hebeln, was geht überhaupt – ist selbst noch im Werden. Das macht es so anstrengend: innen und außen brennen.
Operations-Verbesserung im Einkauf. Operative Loop wöchentlich. Lernschleife alle paar Monate. Klar gesetzter Kontext: Effizienzziel und Prozessmodell sind vorab definiert. Mittlere Frequenz, moderate Lerntiefe.
Theoretische Verwandte
Das Modell verdichtet etwas, das in mehreren Traditionen unter anderen Namen schon gesagt wurde. Ich nenne sie, statt zu tun, als sei das neu.
Single- und Double-Loop Learning (Argyris und Schön; siehe auch argyris-defensive-routines) – die Unterscheidung zwischen operativer Anpassung und Veränderung der zugrunde liegenden Annahmen. Genau das Verhältnis von operativer Loop und Lernschleife. Aus dieser Tradition kommt der Name Double Loop Model; in der aktuellen Mehragenten-Forschung wird er ohne Zögern auf KI-Systeme angewendet. OODA-Loop (John Boyd) – Observe, Orient, Decide, Act. Strukturelle Vorlage der operativen Loop. Closed-Loop Process (Regelungstechnik) – der Fachbegriff für eine Schleife, die durch Wirkung in der Welt geschlossen wird. Inner Loop und Outer Loop (aktuelles AI-Vokabular; siehe inner-outer-loop) – dieselbe Trennung auf Implementierungs-Ebene: inner für Task-Reliability, outer für Anpassung über Sessions hinweg. Mein Doppelschleifenmodell überträgt diese Trennung auf die Operating-Model-Ebene. Predictive Processing (Neurowissenschaft) – dieselbe Wahrnehmungs-Handlungs-Loop in Lebewesen, mit Kontext als Erwartungs- bzw. Modell-Schicht. Sensemaking (Karl Weick) – die Klär-Phase als zentrale menschliche Tätigkeit. Viable System Model (Stafford Beer) – geschachtelte Steuerungsebenen mit langsameren Meta-Schleifen. PDCA (Deming) – Plan-Do-Check-Act als einfachere Variante derselben Doppelstruktur.
Mein Beitrag ist nicht eines dieser Konzepte. Mein Beitrag ist die spezifische Verdichtung in eine Form, die für agentische Operations kommunizierbar bleibt, ohne dass man drei Bücher zitieren muss, bevor man anfangen kann – und die Übertragung der Inner/Outer-Trennung von der Implementierungs- auf die Operating-Model-Ebene, dort, wo sie für Beratungs- und Geschäfts-Praxis trägt.
Was offen bleibt
Das Modell ist nicht fertig. Es ist eine erste runde Form, die mir in meiner Arbeit hilft, das Gespräch über agentische Operations sortiert zu führen. Offen ist: konkrete Anwendungs-Skizzen, die das Bild jeweils mit Leben füllen; die Frage, wann der Actor explizit ins Bild muss; ob Werte und Normen eine eigene Kontext-Komponente verdienen; wie das Modell sich verhält, wenn mehr als zwei Loops verschachtelt sind. Daran arbeite ich weiter.
Wenn dich beim Lesen die Frage gepackt hat wo brennt es bei uns in der Loop?, oder wie sieht der Kontext aus, der bei uns parametrisiert?, oder wer hält bei uns überhaupt die Lernschleife? – dann bin ich an einer Antwort interessiert. Was mich an diesem Modell trägt, ist nicht, dass es fertig wäre, sondern dass es eine Form gibt, in der man sich darüber verständigen kann.