Attribution-gesteuerte Gruppen-KI – Eine prozess-transparente Alternative zur modellzentrierten Layer-Optimierung

ABSTRACT (DEUTSCH)Diese Abhandlung stellt das Framework der Attribution-gesteuerten Gruppen-KI (AGKI) vor, eine innovativeAntwort auf die Defizite monolithischer Large LanguageModels (LLMs) bei komplexen betriebswirtschaftlichenFragestellungen. Während traditionelle Ansätze auf diequantitative Skalierung von Parametern abzielen, etabliertAGKI kognitive Tiefe als funktionale Systemeigenschafteiner kollaborativen Multi-Agenten-Architektur. DasSystem partitioniert Aufgaben emergent auf spezialisierteRollenprofile, initiiert eine strukturierte, zeitlich gedeckelteDiskursphase und führt die Argumentationspfade in eineverlustarme Synthese über. Das fundamentale Paradigmaliegt in der lückenlosen informationellen Auditierbarkeit(Compliance): Jeder synthetisierte Teilsatz wird über eineMetadatenstruktur präzise einer Entstehungsphase,einem spezifischen Agentenprofil und dessenbegründeter Prämisse zugeordnet. Für den produktivenEinsatz wird eine Kubernetes-basierte Microservice-Struktur definiert. ABSTRACT (ENGLISH)This paper introduces the Attribution-Driven Group AI(AGKI) framework, an innovative solution addressing theinherent deficiencies of monolithic Large LanguageModels (LLMs) in highly complex business decisions.While traditional approaches focus on quantitativeparameter scaling, AGKI establishes cognitive depth as afunctional system property within a collaborative multi-agent architecture. The system partitions tasks intospecialized role profiles, initiates a structured, time-capped discourse phase, and aggregates diverseargument paths into a low-loss synthesis. Thefoundational paradigm lies in seamless informationalauditability (compliance): every synthesized outputclause is precisely mapped via a metadata structure to itsorigin phase, agent profile, and underlying premise. Forproduction-grade deployment, a Kubernetes-basedmicroservice architecture is defined