THESENPAPIER 2026 · KI-AGENTEN
Wenn Analyse nichts mehr kostet
14. Oktober 2026 · Alexander (Alex) Sattler, Deutsche Digitale Beiräte e.V.

Warum KI die Entscheidungsfähigkeit von Organisationen zum eigentlichen Engpass macht.
Warum KI die Entscheidungsfähigkeit von Organisationen zum eigentlichen Engpass macht.
Deep Dive zu These 2: Bessere Automatisierung erhöht den Wert menschlicher Urteilskraft
Thomas Hollwedel hat in seinem Beitrag zu dieser These gezeigt, wie KI-Agenten Entscheidungen vorbereiten können: recherchieren, Erfahrungswissen erschließen, Szenarien rechnen, Annahmen angreifen, aus früheren Entscheidungen lernen. Dieser Beitrag setzt eine Sitzung später an. Er fragt, was geschieht, wenn die Vorbereitung gelungen ist.
Auf einen Blick
- Die verdeckte Bremse fällt weg. Viele Organisationen beenden eine Analyse nicht, weil sie genug wissen, sondern weil die nächste zu teuer wäre. KI macht jede zusätzliche Analyse deutlich schneller und billiger.
- Knapp wird nicht Wissen. Knapp werden Urteilskraft, Mandat und die Bereitschaft, unter Unsicherheit zu entscheiden.
- Entscheiden heißt, Unsicherheit zu übernehmen. Ist nicht geregelt, wer das tut, entsteht entweder Vertagung oder eine Scheinentscheidung, bei der die KI-Vorlage faktisch entscheidet.
- Decision Governance schafft die Bedingungen, unter denen Urteilskraft wirksam wird. Vier Elemente: Adressat, Abbruchregel, Kalibrierung nach Reversibilität, Entscheidung als Hypothese.
Die dritte Sitzung
Ein mittelständischer Hersteller überlegt, aus einem Produktgeschäft ein Servicegeschäft zu machen: Sensorik, Plattform, monatliche Gebühr statt Einmalverkauf. Die Vorlage für die Geschäftsführung ist besser als alles, was das Haus bisher gesehen hat.
Ein Agent hat Markt und Wettbewerb ausgewertet, ein zweiter hat Vertrieb, Service und Entwicklung zu ihren Erfahrungen befragt. Drei Varianten des Geschäftsmodells sind mit Sensitivitäten durchgerechnet. Ein dritter Agent hat die bevorzugte Variante angegriffen und die beiden fragilsten Annahmen benannt: die Zahlungsbereitschaft der Kunden und die Frage, ob der eigene Vertrieb ein Abonnement verkaufen kann.
Die Diskussion ist gut. Am Ende bittet ein Mitglied der Geschäftsführung darum, noch ein Szenario zu rechnen, für den Fall, dass ein Wettbewerber mit einem Kampfpreis einsteigt. Die Bitte ist vernünftig und schnell erfüllt. Am nächsten Morgen liegt das Szenario vor. In der zweiten Sitzung kommt die Haftung bei Ausfall der Sensorik zur Sprache, auch dazu gibt es am Folgetag eine fundierte Einschätzung. In der dritten Sitzung möchte jemand wissen, wie vergleichbare Unternehmen in Skandinavien vorgegangen sind.
Niemand in diesem Raum verhält sich unvernünftig. Jede Frage ist berechtigt, jede Antwort verbessert die Grundlage. Nach drei Sitzungen ist trotzdem nichts entschieden.
Nicht weil etwas fehlt, sondern weil nichts mehr da ist, was das Weiterfragen beenden würde.
Vom Urteil zur Entscheidung
These 2 lautet: Bessere Automatisierung erhöht den Wert menschlicher Urteilskraft. Hollwedels Beitrag zeigt, wie sich dadurch der Engpass verschiebt: von Information zu Interpretation, von Analyse zu Urteil, von Empfehlung zu Verantwortung. Dieser Beitrag zieht die These eine Ebene weiter. Urteilskraft wird erst wirksam, wenn eine Organisation geregelt hat, wer unter Unsicherheit entscheidet und die Verantwortung übernimmt. Denn Urteilen und Entscheiden sind nicht dasselbe.
- Ein Urteil ist eine Einschätzung: Diese Annahme ist fragil, dieses Risiko ist tragbar, diese Option ist die beste. Urteile kann eine Organisation in beliebiger Zahl hervorbringen, und KI hilft, sie besser zu begründen.
- Eine Entscheidung legt fest, was danach gilt. Sie verändert mindestens eines von vier Dingen: eine Priorität, die Verteilung von Geld und Menschen, wer worüber entscheiden darf, oder eine Regel, nach der gearbeitet wird. Sie hat einen Adressaten, sie hat einen Preis, und nach ihr ist etwas anders als vorher.
Eine Geschäftsführung kann ausgezeichnet urteilen und trotzdem nicht entscheiden. Wenn KI Analyse verbilligt, wird deshalb nicht Wissen knapp. Knapp werden Urteilskraft, Mandat und die Bereitschaft, unter Unsicherheit zu entscheiden.
Ob diese drei zusammenkommen, ist keine Eigenschaft einzelner Personen. Es hängt an der Entscheidungsarchitektur, also an den Bedingungen, unter denen entschieden wird: wer worüber entscheidet, auf welcher Grundlage, mit welcher Verbindlichkeit, und was geschieht, wenn eine Entscheidung nicht trägt.
Die Bremse war der Aufwand
Organisationen hören selten auf zu analysieren, weil sie genug wissen. Sie hören auf, wenn das Budget verbraucht ist, der Termin drängt oder die Geduld der Geschäftsführung erschöpft ist.
Herbert Simon hat beschrieben, dass Menschen und Organisationen nicht nach der besten Lösung suchen, sondern nach der ersten, die ihren Ansprüchen genügt. Diese Regel funktioniert nur, wenn jemand weiß, was „gut genug“ heißt. In vielen Häusern ist das nie ausdrücklich festgelegt worden. Die Grenze hat dort der Aufwand gezogen. Eine weitere Marktstudie kostete sechs Wochen und einen fünfstelligen Betrag, ein weiteres Gutachten musste beauftragt, ein weiteres Szenario von jemandem gerechnet werden, der dafür anderes liegen ließ. Irgendwann war die Vorbereitung schlicht zu teuer, um sie fortzusetzen.
Viele Organisationen haben ihre Entscheidungsdisziplin nie gestaltet. Sie haben sie, ohne es zu bemerken, an die Kosten der Vorbereitung delegiert.
Am deutlichsten zeigt sich das am Business Case. Der Satz „Gute Idee, schreiben Sie bitte erst einen Business Case“ war selten eine Prüfung der Idee. Er war ein Filter über den Aufwand: Wer sich die Arbeit nicht machen wollte, hatte die Idee damit erledigt. Schreibt ein Agent den Business Case in einer halben Stunde, filtert diese Hürde nichts mehr.
KI entfernt diese verdeckte Bremse. Das ist der Mechanismus hinter der Szene oben. Agentische Systeme sind im Betrieb keineswegs kostenlos. Aber eine zusätzliche Analyse kostet oft nur noch einen Prompt und ein paar Minuten, und damit entfällt die Regel, die bisher das Ende der Vorbereitung erzwungen hat. Billiger wird dabei vor allem das Erzeugen. Das Prüfen bleibt aufwendig, wie These 5 des Thesenpapiers zeigt. Für Entscheidungen ist das keine Entwarnung: Wenn Vorlagen schneller entstehen, als jemand sie prüfen kann, wächst die Menge an Material, das niemand mehr ganz durchdringt.
Daraus folgt keine allgemeine Verlangsamung. Organisationen, die vor der Analyse festlegen, wann entschieden wird und was dafür vorliegen muss, werden mit KI deutlich schneller. Organisationen, deren einzige Abbruchregel der Aufwand war, erhalten eine Maschine, die Entscheidungsgrundlagen ohne natürliches Ende produziert. KI verstärkt die Entscheidungsarchitektur, die sie vorfindet, in beide Richtungen.
Für die zweite Gruppe ist die Folge paradox. Die Vorlagen werden besser, die Urteile auch, und entschieden wird trotzdem nicht. Zugespitzt: KI kann einer Organisation perfekt vorbereitete Nicht-Entscheidungen bescheren.
Was erst durch Entscheiden entsteht
Dass zusätzliche Analyse diesen Zustand nicht beendet, liegt an der Art der Entscheidungen, um die es hier geht. Heinz von Foerster hat es so formuliert: „Nur die Fragen, die prinzipiell unentscheidbar sind, können wir entscheiden.“ Was eindeutig aus den Daten folgt, muss niemand entscheiden. Es lässt sich berechnen, und zunehmend kann das eine Maschine. Ob ein Servicegeschäft trägt, ob Kunden für etwas zahlen, das sie bisher als Zugabe kannten, ob ein Vertrieb lernt, anders zu verkaufen: Darauf gibt es keine Antwort, die in den Daten verborgen liegt und nur noch gefunden werden muss.
Frank Knight hat schon 1921 zwischen Risiko und Unsicherheit unterschieden. Bei Risiko sind die Wahrscheinlichkeiten bekannt, und mehr Daten helfen. Bei Unsicherheit sind sie es nicht, und mehr Daten verschieben nur den Punkt, an dem man sich trotzdem festlegen muss. Strategische Entscheidungen fallen meist unter Unsicherheit. Das ist kein Mangel der Analyse, sondern ihre Grenze.
In komplexen Lagen kommt etwas hinzu. Ursache und Wirkung zeigen sich dort, wie Dave Snowden mit dem Cynefin-Framework beschrieben hat, erst im Rückblick.
Die Information, die am meisten fehlt, entsteht oft erst durch die Entscheidung selbst.
Sie entsteht durch den ersten Vertrag, die erste Reaktion des Vertriebs, die ersten Kunden, die kündigen oder bleiben. Kein Szenario-Agent kann sie vorab liefern, weil es sie vor der Entscheidung nicht gibt. Eine teure Verwechslung in solchen Lagen besteht darin, ein komplexes Problem zu behandeln, als wäre es kompliziert: mit mehr Analyse, wo ein Versuch schneller Klarheit brächte.
Entscheiden heißt deshalb nicht, Gewissheit herzustellen. Es heißt, Unsicherheit zu übernehmen. James March und Herbert Simon haben dafür den Begriff der Unsicherheitsabsorption geprägt, Niklas Luhmann hat ihn ins Zentrum seiner Organisationstheorie gestellt. Eine Entscheidung verwandelt eine offene Lage in eine Festlegung, auf der andere aufbauen können, ohne die ursprüngliche Unsicherheit selbst noch einmal tragen zu müssen. Wer entscheidet, nimmt sie ihnen ab. An dieser Stelle wird aus Urteilskraft Verantwortung.
Hier zeigt sich eine zweite, leisere Gefahr. KI-Systeme absorbieren Unsicherheit sprachlich hervorragend. Ihre Synthesen sind flüssig, gegliedert und begründet, sie lesen sich, als sei die Lage klarer, als sie ist. Was früher auf dem Weg durch mehrere Hierarchieebenen geglättet wurde, glättet heute ein Modell in Sekunden. Übernimmt eine Geschäftsführung eine solche Empfehlung, ohne dass jemand die verbleibende Unsicherheit ausdrücklich übernimmt, entsteht eine Scheinentscheidung. Beschlossen ist etwas, getragen hat die Unsicherheit niemand. Gerade hier wird Urteilskraft wichtiger, nicht weniger wichtig: Sie muss die Unsicherheit wieder sichtbar machen, die eine geschlossene Synthese verdeckt.
Damit gibt es zwei Fehlformen, die wie Gegensätze aussehen:
- Die perfekt vorbereitete Nicht-Entscheidung: Es wird weiter analysiert, weil nichts das Analysieren beendet.
- Die unbemerkt übernommene Empfehlung: Es wird beschlossen, was die Vorlage nahelegt, ohne dass jemand die Unsicherheit trägt.
Beide haben dieselbe Ursache: Die Organisation hat nicht geregelt, wer die Unsicherheit übernimmt.
Warum gute Urteile liegen bleiben
Dass gute Urteilskraft in vielen Organisationen nicht zu Entscheidungen führt, hat auch mit der Funktion von Information zu tun. Sie dient dort selten nur der Erkenntnis. Martha Feldman und James March haben beschrieben, dass Organisationen mehr Informationen sammeln und anfordern, als sie für ihre Entscheidungen nutzen. Information ist auch ein Signal: Sie zeigt, dass sorgfältig vorgegangen wurde. Eine Analyse verteilt Verantwortung, rechtfertigt eine Entscheidung im Nachhinein und senkt das persönliche Risiko. Und wer eine Entscheidung verhindern will, muss nicht widersprechen. Es genügt, eine weitere Prüfung zu verlangen.
Nicht jede weitere Analyse ist Vermeidung. Sorgfalt hat einen Endpunkt, Vermeidung nicht. Vermeidung tarnt sich allerdings gern als Sorgfalt, und mit KI steht Sorgfalt in nahezu unbegrenzter Menge zur Verfügung. In der Arbeit mit Führungsteams begegnen mir drei Muster, die das begünstigen.
Risikoaverse Führungskultur. Scheitern wird bestraft, Nichtstun nicht. Wer dann eine weitere Analyse anfordert, handelt individuell rational. KI macht diese Strategie nur billiger.
Führungsvakuum. Verantwortung wurde delegiert, Entscheidungsrechte nicht. Jede Vorlage wandert eine Ebene höher und wird dort um eine weitere Prüfung ergänzt. KI macht sie auf jeder Ebene umfangreicher. Die Frage, wer entscheidet, beantwortet sie nicht.
Blind-Spot-Führung. Schlechte Nachrichten werden auf dem Weg nach oben geglättet, weil sich verteidigen muss, wer sie meldet. Ein KI-gestütztes Lagebild hilft, wenn es Unsicherheit sichtbar lässt. Es verschärft das Muster, wenn es die Glättung automatisiert.
In allen drei Fällen fehlt der Organisation nicht die Urteilskraft. Es fehlt ein Ort, an dem aus Urteilen Entscheidungen werden.
Nils Brunsson hat auf einen weiteren Effekt hingewiesen. Entscheidungsverfahren, die sehr viele Alternativen und Gegenargumente durcharbeiten, können die Überzeugung schwächen, die es braucht, um danach zu handeln. Ein unermüdlicher Devil's-Advocate-Agent verbessert die Prüfung. Ohne festgelegten Endpunkt kann er die Bereitschaft untergraben, das Geprüfte auch zu tragen.
KI als Stresstest
Solange Analyse teuer war, ließ sich jede Verzögerung mit fehlender Information erklären. „Wir brauchen noch belastbarere Zahlen“ war ein Satz, dem kaum jemand widersprechen konnte. Wenn belastbarere Zahlen bis morgen früh vorliegen, verliert er seine Schutzwirkung.
KI wirkt damit als Stresstest für die Entscheidungsarchitektur. Wo nach Einführung leistungsfähiger Agenten die Zeit zwischen erkanntem Entscheidungsbedarf und getroffener Entscheidung nicht sinkt, war Information nicht der Engpass. Das lässt sich beobachten, ohne ein Gutachten zu beauftragen. Zwei Zahlen genügen:
- die Entscheidungen der letzten drei Monate, die verbindlich etwas verändert haben: eine Priorität, ein Budget, ein Entscheidungsrecht, ein gestopptes Vorhaben,
- die Vorlagen, die im selben Zeitraum erstellt, ergänzt und vertagt wurden.
Wächst die zweite Zahl und die erste nicht, bleibt der gestiegene Wert der Urteilskraft ungenutzt.
Von AI Governance zu Decision Governance
Hollwedel folgert, KI-Governance werde auch zu Decision Governance. Dieser Gedanke lässt sich weiterführen. Die übliche KI-Governance fragt, welche Entscheidungen eine Maschine treffen darf, wann ein Mensch eingreifen muss und wer haftet. Das ist notwendig. Es setzt aber stillschweigend voraus, dass auf der menschlichen Seite geklärt ist, wie entschieden wird. Ein Mensch in der Schleife hilft wenig, wenn offen bleibt, welcher Mensch, mit welchem Mandat und bis wann.
Decision Governance in einem weiteren Sinn beantwortet deshalb die Frage, unter welchen Bedingungen menschliche Urteilskraft überhaupt wirksam werden kann. Vier Elemente tragen dabei am meisten.
1 · Der Adressat
Jede Entscheidung von Tragweite braucht eine Person oder ein Gremium mit Mandat, das sie treffen darf und treffen muss. Davon zu trennen sind die Rollen um sie herum: wer Input liefert, wer challengen darf, wer ein Veto hat und wer ausdrücklich nicht. KI vervielfacht die Zahl der Stimmen, die etwas einwenden können, menschliche wie maschinelle. Umso wichtiger ist die Regel, dass ein Einwand ein Recht auf Gehör begründet, aber kein Vetorecht. Die Soziokratie bietet dafür eine brauchbare Formel: Eine Entscheidung gilt, wenn niemand einen schwerwiegenden, begründeten Einwand hat, nicht erst, wenn alle zustimmen.
2 · Die Abbruchregel
Sie wird festgelegt, bevor die Analyse beginnt. Fällt der Aufwand als Bremse aus, muss eine Regel an seine Stelle treten: bis wann entschieden wird und welche Information die Entscheidung noch verändern könnte. Die wirksamste Frage dafür ist einfach:
Welche Information würde unsere Entscheidung ändern?
Lässt sich keine benennen, dient jede weitere Analyse der Absicherung, nicht der Erkenntnis. Lässt sich eine benennen, ist klar, was noch zu tun ist, und alles andere kann entfallen. So wird Simons „gut genug“ zu einer Festlegung, die vor der Analyse getroffen wird, statt sich irgendwann aus ihr zu ergeben.
3 · Die Kalibrierung nach Reversibilität
Viele Entscheidungen sind korrigierbar, Zweiwegtüren in der Sprache von Jeff Bezos, und werden trotzdem mit dem Aufwand von Einwegtüren vorbereitet. Mit KI kann sich eine Organisation die Einwegtür-Analyse für jede Zweiwegtür leisten. Die Tiefe der Vorbereitung sollte sich deshalb danach richten, wie schwer eine Entscheidung rückgängig zu machen ist, nicht danach, wie viel Analyse verfügbar ist. Einwegtüren verdienen jede Sorgfalt, auch die volle Breite dessen, was Agenten leisten können. Zweiwegtüren verdienen einen Termin und einen Versuch, denn ein schneller Versuch liefert dort oft die bessere Information als ein weiteres Szenario.
4 · Die Entscheidung als Hypothese
Eine getroffene Entscheidung wird so festgehalten, dass sie sich prüfen lässt: was entschieden wurde, welche Unsicherheit dabei in Kauf genommen wird, wer sie trägt, wer danach was anders tun soll und wann das geprüft wird. Geprüft wird nicht, was erledigt ist, sondern was sich im Verhalten von Kunden, Teams oder Führung verändert hat.
Hier schließt sich der Kreis zu Hollwedels Learning-Agent. Ein solcher Agent kann überprüfen, welche Annahmen eingetreten sind, und die Qualität einer Entscheidung von der Qualität ihres Ergebnisses trennen. Er kann aber nur aus Entscheidungen lernen, die getroffen wurden.
Aus einer Fehlentscheidung lernt eine Organisation etwas. Aus einer vertagten lernt sie nichts.
Für Beiräte und Aufsichtsgremien folgt daraus eine Verschiebung der Aufmerksamkeit. Die Frage, was die KI empfiehlt und auf welchen Annahmen das beruht, bleibt wichtig. Ebenso wichtig wird die Frage, wer welche Unsicherheit übernommen hat und wann geprüft wird, ob die Entscheidung getragen hat. Ein Gremium, das sich regelmäßig die Liste der verbindlich getroffenen Entscheidungen vorlegen lässt statt der Liste der Vorlagen, sieht schnell, wo die Organisation tatsächlich steht.
Was sich für Führung verschiebt
Häufig wird gefolgert, KI demokratisiere den Informationsvorsprung von Führungskräften und verändere damit ihre Rolle grundlegend. Das stimmt nur zum Teil. Autorität in Organisationen hat nie allein auf Wissen beruht, sondern ebenso auf Mandat, Netzwerk, Erfahrung und der Bereitschaft, für Ergebnisse einzustehen. Das Kontextwissen, das Hollwedel mit Context-Agenten erschließen will, bleibt ungleich verteilt.
Ein Teil des Vorsprungs schmilzt aber tatsächlich: der analytische. Wenn jedes Team an einem Nachmittag eine Marktanalyse, einen Business Case und eine Gegenposition erstellen kann, verliert „die Analyse“ als Argument an Gewicht. Die Meinung der ranghöchsten Person kann sich schlechter hinter Zahlen verbergen, und die Menschen nah an der Sache werden mit KI deutlich leistungsfähiger.
Ich habe eine Abschlussveranstaltung erlebt, bei der mehrere Teams über Wochen neue Ideen getestet, verworfen und weiterentwickelt hatten. Am Ende kamen zwei Vorstände dazu, die den Prozess aus einer Zusammenfassung kannten, und verkündeten, welche Teams Budget erhalten.
Es waren die Entscheider. Die Könner saßen im Publikum.
Mit KI erhalten die Könner im Publikum dieselben Analysewerkzeuge wie die Entscheider auf der Bühne. Für These 2 heißt das: Der Wert menschlicher Urteilskraft steigt, aber nicht automatisch bei denen, die heute entscheiden. Ändert sich an der Verteilung der Entscheidungsrechte nichts, wächst der Abstand zwischen dem, was eine Organisation weiß, und dem, was sie entscheidet.
Der Wert von Führung verschiebt sich damit nicht vom Wissen zur Intuition, sondern vom Wissen zur Architektur. Führung legt fest, wo entschieden wird, was als gut genug gilt und wann eine Analyse endet. Sie übernimmt Unsicherheit sichtbar, statt sie an Vorlagen und Gremien weiterzureichen. Und sie beendet Dinge: Analysen, Piloten, Vorhaben. KI macht Vorlagen und Versuche billiger. Damit wird das Beenden wichtiger als das Starten.
Wer entscheidet
Die Debatte über KI wird oft als Frage geführt, was Maschinen können und was Menschen bleibt. Für Entscheidungen mit unternehmerischer Tragweite ist das nicht die ergiebigste Frage. Ergiebiger ist, was geschieht, wenn eine Ausrede wegfällt, die Organisationen lange geschützt hat.
Wie KI Aufgaben, Rollen und Übergaben verändert und welche Grenzen größere Autonomie braucht, behandeln die Thesen 3 und 4. Beide setzen voraus, was dieser Beitrag beschreibt: eine Organisation, die geregelt hat, wer unter Unsicherheit entscheidet.
Agenten werden die Vorbereitung weiter verbessern, und das ist gut so. Was sie nicht übernehmen können, ist der Moment, in dem jemand eine Unsicherheit für die Organisation übernimmt, bevor die Lage klar ist. Diesen Moment kann man nicht berechnen, nur zuweisen. Organisationen, die ihre Entscheidungsdisziplin bisher dem Aufwand überlassen haben, müssen sie nun bewusst gestalten. Gelingt das, lernen sie mit KI schneller, weil sie aus mehr getroffenen Entscheidungen lernen. Damit wird Entscheidungsfähigkeit zum Wettbewerbsfaktor, und ihre Grundlage ist die Antwort auf eine Frage, die viele Organisationen nie ausdrücklich beantwortet haben.
Wer entscheidet?
Quellen
- Bezos, Jeff (2016): Letter to Shareholders 2015. Seattle: Amazon.com.
- Brunsson, Nils (1982): The Irrationality of Action and Action Rationality: Decisions, Ideologies and Organizational Actions. Journal of Management Studies 19 (1), 29–44.
- Deutsche Digitale Beiräte e. V. (2026): KI-Agenten im Mittelstand. Acht Thesen für Geschäftsführung, Beiräte und Aufsichtsgremien.
- Endenburg, Gerard (1998): Sociocracy. The Organization of Decision-Making. Delft: Eburon.
- Feldman, Martha S.; March, James G. (1981): Information in Organizations as Signal and Symbol. Administrative Science Quarterly 26 (2), 171–186.
- Foerster, Heinz von (1993): KybernEthik. Berlin: Merve.
- Hollwedel, Thomas (2026): Wenn KI mehr weiß, muss der Mensch besser urteilen. Deep Dive zu These 2, Deutsche Digitale Beiräte.
- Knight, Frank H. (1921): Risk, Uncertainty and Profit. Boston: Houghton Mifflin.
- Luhmann, Niklas (2000): Organisation und Entscheidung. Opladen: Westdeutscher Verlag.
- March, James G.; Simon, Herbert A. (1958): Organizations. New York: Wiley.
- Simon, Herbert A. (1956): Rational Choice and the Structure of the Environment. Psychological Review 63 (2), 129–138.
- Snowden, David J.; Boone, Mary E. (2007): A Leader’s Framework for Decision Making. Harvard Business Review 85 (11), 68–76.

