Generic AI-DLT Enterprise System

Walter Kurz; Michel Malara; Velimir Dedić

doi:10.5281/zenodo.21704875

Zusammenfassung

Ziel dieser Studie ist es, eine compliance-first und konzeptionell verallgemeinerbare Architektur für eine Multi-Agenten-Plattform künstlicher Intelligenz zu definieren, die mit Distributed-Ledger-Technologie verbunden und domänen-, deployment- und anbieteragnostisch ausgelegt ist. Sie adressiert einen anhaltenden Mangel heutiger AI-Einsätze, in denen Compliance häufig als nachrangiges Anliegen behandelt und rückwirkend über Prompt Engineering hergestellt wird statt im Grunddesign verankert zu sein. Das vorgeschlagene Modell kodiert regulatorische, governancebezogene und ESG-Anforderungen in einem Framework des objective-under-constraints und stellt damit sicher, dass alle spezialisierten Agenten bereits vor jeder domänenspezifischen Umsetzung innerhalb rechtlich zulässiger und nachweisbar auditierbarer Parameter arbeiten. Eine DAG-basierte Verifikationsschicht ermöglicht skalierbaren, latenzarmen und kosteneffizienten Betrieb bei gewahrter Beweisintegrität. Die Analyse prüft, ob dieses konzeptionelle Modell nachhaltige, schnell einsetzbare vertikale Anwendungen tragen kann, ohne Anbieterbindung zu erzeugen, und dabei operative Neutralität und ökologische Rechenschaftspflicht wahrt. Die Ergebnisse legen nahe, dass die Integration von Compliance, ESG-Metriken und Agentenspezialisierung auf Architekturebene eine übertragbare Grundlage für domänenübergreifende AI-DLT-Infrastrukturen bietet.

Schlagwörter:

compliance-first AI
Multi-Agenten-Systeme
Distributed-Ledger-Technologie
gerichteter azyklischer Graph
Regulation by Design
ESG-Integration
domänenagnostische Architektur
deploymentagnostische Architektur
anbieteragnostische Architektur
objective-under-constraints

Einleitung

Der heutige Einsatz künstlicher Intelligenz im Endkundenbereich wird von grossen Sprachmodellen (LLMs) und verwandten generativen Architekturen bestimmt, die typischerweise über proprietäre API-Endpunkte angesprochen werden.(Stanford HAI 2025; OpenAI 2025) In solchen Systemen bildet die erzeugte Ausgabe selbst das primäre Produkt.(Stanford HAI 2025)

Die interne Optimierung zielt auf Kohärenz, syntaktische Präzision und oberflächliche Faktentreue und arbeitet dafür mit Prompt Engineering, Instruction Tuning, Retrieval-Augmented-Generation-Pipelines (RAG) und nachgelagerter Moderation.(Schulhoff et al. 2024; Longpre et al. 2023; Ouyang et al. 2022; Lewis et al. 2020; OpenAI 2024) Diese Mechanismen verbessern unmittelbare Relevanz und Zuverlässigkeit wirksam, besonders dort, wo sich der Wert des Systems an der Qualität einer einzelnen Antwort bemisst.(Lewis et al. 2020; Ouyang et al. 2022)

Solche ausgabezentrierten Architekturen zeigen strukturelle Grenzen in unternehmensweiten Multi-Agenten-Systemen, die in regulierten Domänen arbeiten.(National Institute of Standards and Technology 2023)

Im Endkundeneinsatz werden Compliance, ethische Ausrichtung und Erwägungen zu Umwelt, Sozialem und Governance (ESG) typischerweise als unverbindliche Leitlinien oder nachgelagerte Filter angewandt statt als eingebettete Restriktionen.(National Institute of Standards and Technology 2023)

Die Kontrolle der Anbieter wird vor allem über die Wahl des Modelltrainings und über Prompt-Manipulation ausgeübt, was keine systemische Zusicherung dafür bietet, dass die Ausgaben oder die sie erzeugenden Zwischenschritte des Reasonings prozeduralen, rechtlichen oder beweisrechtlichen Anforderungen genügen.(European Parliament and Council of the European Union 2024; National Institute of Standards and Technology 2023)

Aus Sicht der Anbieter lässt sich dieses Optimierungsziel als restringiertes Problem in Gleichung 1 formalisieren, in dem die wahrgenommene Ausgabequalität innerhalb begrenzter Restriktionen für Compliance, faktische Korrektheit, wahrgenommene Nützlichkeit, stilistische Akzeptanz, Sicherheit und Latenz maximiert wird.

\begin{align} \max_{y \in \mathcal{Y}} \quad & Q_{\text{user}}(y, x, \theta) \label{eq:consumer-llm-obj} \\ \text{s.t.} \quad & C_{\text{policy}}(y) = 1 & \text{(compliance with policies and applicable laws)} \nonumber \\ & C_{\text{factual}}(y, \mathcal{K}) \geq \tau_f & \text{(factual correctness relative to knowledge base $\mathcal{K}$)} \nonumber \\ & C_{\text{context}}(y, x) \geq \tau_c & \text{(alignment with inferred user intent)} \nonumber \\ & C_{\text{style}}(y) \geq \tau_s & \text{(stylistic acceptability and engagement quality)} \nonumber \\ & C_{\text{safety}}(y) \geq \tau_{\sigma} & \text{(safety and risk minimisation)} \nonumber \\ & T(y) \leq \tau_t & \text{(latency limit for output delivery)} \nonumber \end{align}

(1)

1Ausgabequalität eines Endkundenmodells unter begrenzten Restriktionen

Dabei bezeichnet $y \in \mathcal{Y}$ die vom Modell als Antwort auf den Eingabe-Prompt $x$ erzeugte Textsequenz, wobei $\theta$ die Modellparameter darstellt. Die skalare Nutzenfunktion $Q_{\text{user}}$ schätzt die wahrgenommene Ausgabequalität aus Sicht der Endnutzenden. Die Restriktion $C_{\text{policy}}$ erzwingt die Einhaltung der Anbieterrichtlinien und der anwendbaren Rechtsrahmen. Die faktische Korrektheit wird über $C_{\text{factual}}$ relativ zu einer Wissensbasis $\mathcal{K}$ gemessen und nach unten durch eine Schwelle $\tau_f$ begrenzt. Die kontextuelle Passung zur abgeleiteten Nutzendenabsicht wird als $C_{\text{context}}$ mit Schwelle $\tau_c$ ausgedrückt, während $C_{\text{style}}$ die stilistische und rhetorische Akzeptanz oberhalb der Schwelle $\tau_s$ sichert. Sicherheits- und Reputationsrisikominimierung werden über $C_{\text{safety}}$ mit Schwelle $\tau_{\sigma}$ modelliert, und $T(y)$ bezeichnet die gesamte Generierungslatenz, begrenzt durch $\tau_t$ .

Enterprise-AI wirkt demgegenüber als delegierter Agent im Auftrag einer Organisation, sei sie unternehmerisch, staatlich, medizinisch oder anderer Art, und muss innerhalb eines normativen Rahmens arbeiten.(Chopra et al. 2018; Wooldridge 2009) In solchen Kontexten ist die Korrektheit der Ausgabe notwendig, aber für die Zulässigkeit nicht hinreichend.(European Parliament and Council of the European Union 2024) Alle Handlungen und Entscheidungen müssen durch eine formal definierte Umgebung des objective-under-constraints begrenzt sein, in der Compliance, ESG-Konformität und Verfahrensgültigkeit strukturelle Garantien statt angestrebter Eigenschaften sind.(National Institute of Standards and Technology 2023; European Parliament and Council of the European Union 2024) Das entspricht den rechtlichen und vertraglichen Pflichten menschlicher Akteure, deren Verhalten durch Leistungsanforderungen ebenso wie durch durchsetzbare Compliance-Pflichten begrenzt ist.(National Institute of Standards and Technology 2023)

In dieser Rahmung sind generative Modelle, LLMs eingeschlossen, am besten als modulare Komponenten innerhalb einer grösseren Multi-Agenten-Architektur zu verstehen und nicht als das prägende Element des Systems.(Wooldridge 2009) Der vorgeschlagene Ansatz umfasst zwei voneinander abhängige Schichten: ein modulares, rollenspezifisches Multi-Agenten-System, das sowohl dauerhafte als auch Ad-hoc-Committees für kontinuierliche und ereignisgetriebene Aufgaben bilden kann, und eine Distributed-Ledger-Infrastruktur mit einer DAG-Verifikationsschicht (Directed Acyclic Graph) für latenzarme, manipulationsevidente Auditierbarkeit.(Chopra et al. 2018; Yaga et al. 2018; Baird 2016a) Dieses Design ist bewusst deployment- und anbieteragnostisch und erlaubt es, heterogene AI-Module, generativ oder nicht, zu integrieren, ohne Compliance oder Skalierbarkeit zu beeinträchtigen.(National Institute of Standards and Technology 2023; Yaga et al. 2018)

Verwandte Arbeiten und Forschungslücke

Multi-Agenten-Architekturen in AI-Systemen

Multi-Agenten-Systeme (MAS) haben eine lange Geschichte im verteilten Problemlösen, in der Koordination und in der Planung, mit etablierten Mechanismen für Aufgabenzuteilung und Kooperation wie dem Contract Net Protocol und kooperativen Planungspipelines.(Smith 1980; Torreño et al. 2017) Klassische Darstellungen beschreiben autonome, lokal rationale Agenten, die sich über Verhandlung, Zusagen oder gemeinsame Pläne koordinieren, um globale Ziele in heterogenen Umgebungen zu erreichen.(Jennings et al. 1998; Wooldridge 2009) Diese Tradition bildet die Grundlage vieler heutiger Frameworks, die die Zerlegung komplexer Ziele in rollenspezifische Kompetenzen, lokale Entscheidungsfindung und explizite Protokolle für die Kommunikation zwischen Agenten übernehmen.(Jennings et al. 1998; Torreño et al. 2017)

Jüngste Fortschritte bei grossen Sprachmodellen (LLMs) haben das Interesse an agentischen Architekturen neu belebt, die LLMs als Primitive für Planung, Kommunikation und Werkzeugnutzung einsetzen. Diese ermöglichen konversationelle Teams und Orchestrierungsschichten, wie Frameworks wie AutoGen zeigen, die konversationsprogrammierte Teams spezialisierter Agenten ermöglichen, sowie rollenspielbasierte und workflowbasierte Ansätze (etwa CAMEL, MetaGPT), die zeigen, wie Arbeitsteilung und gegenseitige Kritik zwischen Agenten die Leistung bei offenen Aufgaben verbessern können.(Wu et al. 2023; Li et al. 2023; Hong et al. 2023) Methodisch verwandte Muster wie ReAct verbinden Chain-of-Thought-Reasoning mit Handlungsauswahl und stärken damit werkzeugnutzende Agentendesigns.(Yao et al. 2023)

Über Forschungsprototypen hinaus stellen Entwicklungs-Toolchains Agentenmodule für domänenspezifische Pipelines bereit. So wurden etwa LangChain-basierte Agenten in daten- und werkzeugintegrierenden Systemen wie zweisprachigen Beratungsassistenten für Immobilien eingesetzt, was die Zugänglichkeit, zugleich aber auch die Variabilität der Entwicklungspraxis in heutigen Agenten-Stacks verdeutlicht.(Haurum et al. 2024)

Die meisten dieser Systeme werden vorrangig an funktionalen Metriken wie Aufgabenerfolg, Stichprobeneffizienz oder Benchmark-Werten gemessen, während eingebettete Compliance-Eigenschaften auf der Orchestrierungsebene selten durchgesetzt werden. Diese Lücke spiegelt sich in der Schaffung eigener Sicherheits- und Vertrauenswürdigkeits-Benchmarks für LLM-Agenten, die häufige Richtlinienverstösse und begrenztes Risikobewusstsein dokumentieren, selbst wenn die Aufgabenergebnisse die Leistungsziele erreichen.(Yuan et al. 2024; Levy et al. 2024) Übersichtsarbeiten zu LLM-basierten MAS sowie zu Sicherheit und Datenschutz bei LLMs charakterisieren das Feld ähnlich als leistungsgetrieben, wobei Governance und Assurance als Randthemen statt als architektonische Anliegen gelten.(Li et al. 2024; Yao et al. 2024) Diese Befunde motivieren Architekturen, in denen Compliance, Verfahrensgültigkeit und Auditierbarkeit als bindende Restriktionen der Koordination zwischen Agenten kodiert sind, statt über externes Monitoring nach dem Einsatz umgesetzt zu werden.

Compliance-by-Design in AI

Compliance-by-Design, auch als Regulation-by-Design bezeichnet, ist im europäischen Datenschutzrecht über den Grundsatz des Datenschutzes durch Technikgestaltung und durch datenschutzfreundliche Voreinstellungen (DPbDD) verankert, der von den Verantwortlichen technische und organisatorische Massnahmen ex ante verlangt (Artikel 25 DSGVO) und in den Leitlinien 4/2019 des Europäischen Datenschutzausschusses ausgeführt wird.(European Parliament and Council of the European Union 2016; European Data Protection Board 2020) Aktuelle AI-Governance-Rahmen erweitern diesen präventiven Ansatz: Der EU AI Act etabliert ein risikobasiertes Regime, in dem Einstufung und Pflichten vom Risikoniveau abhängen (insbesondere Artikel 6 und Anhang III für Hochrisikoanwendungen), während das NIST AI Risk Management Framework (AI RMF 1.0) die Funktionen Governance, Mapping, Messung und Steuerung über den AI-Lebenszyklus strukturiert.(European Parliament and Council of the European Union 2024; National Institute of Standards and Technology 2023)

Für Hochrisiko-AI-Systeme setzt der AI Act Anforderungen zur Entwurfs- und zur Laufzeit, die Compliance-by-Design operationalisieren. Dazu gehören ein dokumentiertes Risikomanagementsystem über den Lebenszyklus (Artikel 9), Kontrollen zu Daten und Data Governance für Trainings-, Validierungs- und Testdatensätze (Artikel 10), technische Dokumentation zum Nachweis der Konformität (Artikel 11), Protokollierungs-Fähigkeiten für Nachvollziehbarkeit und Aufsicht (Artikel 12), Transparenz-Pflichten gegenüber Betreibern (Artikel 13), Mechanismen der menschlichen Aufsicht (Artikel 14) sowie Schwellenwerte für Genauigkeit, Robustheit und Cybersicherheit (Artikel 15).(European Parliament and Council of the European Union 2024) Die Konformität wird durch Verfahren der Konformitätsbewertung (Artikel 43), durch Beobachtung nach dem Inverkehrbringen und Meldung von Vorfällen (Artikel 72–73) und durch Registrierung in einer EU-Datenbank zur Nachvollziehbarkeit (Artikel 49, 71) gestärkt. Zusammen verankern diese Massnahmen die Auditierbarkeit in der Orchestrierung, statt sie als externe Kontrolle zu behandeln.(European Parliament and Council of the European Union 2024) Ergänzende Standards wie ISO/IEC 42001:2023 (AI-Managementsysteme) und ISO/IEC 23894:2023 (Leitlinien zum AI-Risikomanagement) kodifizieren organisatorische Prozesse, die eine solche Verankerung im grossen Massstab ermöglichen.(International Organization for Standardization and International Electrotechnical Commission 2023b, 2023a)

In der Praxis bleiben viele Umsetzungen modellzentriert: Compliance-Mechanismen werden über Dokumentation vor dem Einsatz und nachgelagerte Audits an Einzelmodell-Pipelines angehängt, statt als bindende Restriktionen über die Systemorchestrierung hinweg durchgesetzt zu werden.(Raji et al. 2020; Costanza-Chock et al. 2022) Berichtsartefakte wie Model Cards und Datasheets for Datasets verbessern die Transparenz, garantieren aber für sich genommen weder Verfahrensgültigkeit unter Betriebsbedingungen noch komponentenübergreifende Rechenschaftspflicht in komplexen Einsätzen.(Mitchell et al. 2019; Gebru et al. 2021) Verteilte Multi-Agenten-Ökosysteme verstärken diese Lücken, weil Compliance über die Kommunikation zwischen Agenten, die Aufgabendelegation und die Entscheidungsrechte hinweg konsistent propagieren muss. Aktuelle Übersichtsarbeiten und Risikorahmen beschreiben Assurance in solchen Kontexten als ungelöste sozio-technische Herausforderung und bestärken damit die Notwendigkeit, Governance und Aufsicht in die Orchestrierungslogik zu integrieren, statt allein auf nachgelagertes Monitoring zu setzen.(Yao et al. 2024; National Institute of Standards and Technology 2023)

Distributed-Ledger-Technologie zur Verifikation

Distributed-Ledger-Technologie (DLT) wird breit eingesetzt, um Datenintegrität, Provenienz und Auditierbarkeit zu sichern, indem in adversarialen Umgebungen nur anfügbare, manipulationsevidente Aufzeichnungen geführt werden.(Yaga et al. 2018; Nakamoto 2008) Diese Garantien werden über Hash-Verkettung und authentifizierte Datenstrukturen wie Merkle-Bäume realisiert, die effiziente Inclusion- und Append-only-Proofs ermöglichen, wie Transparency-Log-Systeme für öffentliche Prüfung zeigen.(Laurie et al. 2021; Crosby and Wallach 2009; Tomescu et al. 2019) Unternehmenstaugliche Permissioned-Plattformen wie Hyperledger Fabric erweitern diese Primitive um Identitätsverwaltung, Endorsement Policies und konfigurierbaren Konsens und bieten damit feingranulare Zugriffskontrolle und verifizierbare Transaktionshistorien.(Androulaki et al. 2018)

Konventionelle Blockchains erzwingen eine lineare Ordnung von Blöcken, was die Verifikation vereinfacht, aber Durchsatz und Latenz begrenzt.(Yaga et al. 2018; Nakamoto 2008) Ledger mit gerichteten azyklischen Graphen (DAG) verallgemeinern diese Struktur zu BlockDAGs oder Transaktions-DAGs und ermöglichen höhere Nebenläufigkeit und in der Praxis bessere Abwägungen zwischen Durchsatz und Latenz.(Silvano and Marcelino 2020; Baird 2016b; Sompolinsky et al. 2021) Begutachtete Analysen DAG-basierter Designs, darunter IOTAs Tangle, Hashgraph und GHOSTDAG/PHANTOM, formalisieren Konsens- und Irreversibilitätseigenschaften und identifizieren zugleich Leistungsbereiche, die für Verifikation nahe der Echtzeit relevant sind.(Silvano and Marcelino 2020; Baird 2016b; Sompolinsky et al. 2021)

Im AI-Kontext wurde DLT eingesetzt, um Datensatzherkunft, Zugriffsprotokolle sowie Modell- und Update-Provenienz zu sichern und um auditierbare Koordination in Federated-Learning-Umgebungen (FL) bereitzustellen.(Kuo et al. 2020; Qu et al. 2022; Özdayi et al. 2020) Diese Anwendungen erzeugen manipulationsevidente Spuren für grobgranulare Artefakte wie Daten-Snapshots, Gradienten- oder Modellupdates und Zugriffsereignisse. Sie adressieren jedoch nicht die feingranulare, latenzarme Verifikation von Nachrichten und Entscheidungen zwischen Agenten, die für verteilte Multi-Agenten-Orchestrierung erforderlich ist. Neuere Arbeiten zu verifizierbaren Ledger-Datenbanken wie GlassDB zeigen, wie sich Transparency-Log-Abstraktionen mit effizienten Inclusion- und Append-only-Proofs in transaktionale Workloads einfügen und darunterliegende, latenzarme und manipulationsevidente Verifikationsschichten tragen.(Yue et al. 2023)

Die Literatur positioniert DLT als robustes Substrat für Beweisintegrität und für öffentliche oder konsortiale Auditierbarkeit, wobei DAG-basierte Ledger besonders für hohe Ereignisraten geeignet sind. Wenig untersucht bleibt die explizite Instrumentierung der Koordination und der Delegationsentscheidungen zwischen Agenten mit diesen Verifizierbarkeitsgarantien auf der Orchestrierungsebene von Multi-Agenten-AI-Systemen, über die Protokollierung statischer Daten und von FL-Updates hinaus.(Qu et al. 2022; Kuo et al. 2020)

ESG-Integration in digitalen Architekturen

ESG-Anforderungen in digitalen Infrastrukturen wurden bislang vor allem über Offenlegungsregime und Berichtsstandards institutionalisiert und nicht über die Laufzeitsteuerung von Systemen. In der EU verlangt die Corporate Sustainability Reporting Directive (CSRD) umfassende Nachhaltigkeitsangaben, operationalisiert über die European Sustainability Reporting Standards (ESRS), die themenbezogene Berichterstattung spezifizieren (etwa ESRS E1 zum Klima) und die Ausrichtung an etablierten Praktiken der Treibhausgasbilanzierung (THG) vorsehen.(European Parliament and Council 2022; European Commission 2023; EFRAG 2023) Parallel betonen Vorschläge zur AI-Governance Nachhaltigkeit als Designwert, doch berichtet die technische Literatur durchgängig, dass Energie- und Kohlenstoffmetriken unterberichtet oder nachträglich angehängt werden, statt als bindende operative Restriktionen eingebettet zu sein.(Schwartz et al. 2020; Strubell et al. 2019; Henderson et al. 2020)

Bei AI-Workloads variieren die Umweltwirkungen nach Modellklasse, nach Trainings- gegenüber Inferenzphase, nach Anlageneffizienz, Hardwarewahl, Geografie und zeitlich schwankender Kohlenstoffintensität des Netzes.(Patterson et al. 2021; Dodge et al. 2022) Empirische Studien zu Modellen an der Leistungsgrenze wie BLOOM 176B zeigen, dass eine vollständige Lebenszyklusperspektive die Schätzungen des Fussabdrucks gegenüber einer rein trainingsbezogenen Sicht wesentlich verändert, was die Bedeutung der Inventargrenzen für jede Restriktion auf Architekturebene unterstreicht.(Luccioni et al. 2023) Diese Befunde stärken die Forderung, Emissionen und Effizienz als vollwertige Leistungskriterien zu behandeln statt als Externalitäten, die erst nach dem Einsatz bewertet werden.(Schwartz et al. 2020)

Standardisierte Metriken überführen Nachhaltigkeitsmerkmale auf Anlagen- und Produktebene bereits in maschinenlesbare Restriktionen. Für Rechenzentren definiert die Normenreihe ISO/IEC 30134 Kennzahlen wie Power Usage Effectiveness (PUE), Energy Reuse Factor (ERF) und Carbon Usage Effectiveness (CUE) und ermöglicht damit Vergleich und Schwellenwertsetzung für Energieeffizienz, Energiewiederverwendung und betriebliche $\mathrm{CO_2}$ -Intensität während der Nutzungsphase.(ISO/IEC 2016, 2021, 2022) Auf Produkt- und Organisationsebene spezifiziert ISO 14067 Grundsätze zur Quantifizierung des Produkt-Kohlenstofffussabdrucks, während der Corporate Standard des Greenhouse Gas Protocol die Bilanzierung der Scopes 1 bis 3 regelt und damit eine Brücke zwischen operativer Telemetrie und den Berichtsbasislinien des Unternehmens schlägt.(ISO 2018; World Resources Institute and World Business Council for Sustainable Development 2015) ESRS E1 verlangt die Offenlegung der Scope-1- und Scope-2-Emissionen sowie wesentlicher Scope-3-Kategorien, mit dem Hinweis, sich auf das GHG Protocol (einschliesslich der Scope-2-Leitlinien) zu stützen und vorgelagerte Dienste wie Cloud Computing und Rechenzentrumsnutzung unter Scope 3 einzubeziehen, was die digitale Beschaffung mit berichtspflichtigen Inventaren verknüpft.(EFRAG 2023)

In den meisten AI-Systemen werden Umweltmetriken zur Transparenz oder zur Optimierung nach dem Einsatz erfasst (etwa durch Verlagerung von Regionen oder Zeitfenstern hin zu geringerer marginaler Netzintensität) statt als Restriktionen ex ante auf der Orchestrierungsebene durchgesetzt.(Dodge et al. 2022; Henderson et al. 2020) Eine compliance-first Multi-Agenten-Architektur kann dieses Muster umkehren, indem sie (i) Aufgaben mit expliziten Umweltbudgets parametrisiert, etwa Obergrenzen für den Energieverbrauch oder aus CUE abgeleitete $\mathrm{kg\,CO_2e/kWh}$ ; (ii) Scheduler-Entscheidungen an standardkonforme Telemetrie bindet, einschliesslich PUE, ERF, CUE und ISO-14067-konformer Produktfussabdrücke; und (iii) Zuteilungen und Ergebnisse für Auditierbarkeit und ESRS-konforme Berichterstattung festhält. In einem solchen Modell wird ESG zu einer Menge maschinell durchsetzbarer Restriktionen, die Planung, Platzierung und Ausführungspfade in Echtzeit prägen.(Schwartz et al. 2020; ISO/IEC 2022; EFRAG 2023)

Identifizierte Forschungslücke

Über die betrachteten Stränge Multi-Agenten-Orchestrierung, Compliance-by-Design, ledgerbasierte Verifikation und ESG-Governance hinweg zeigt die Literatur jeweils für sich erhebliche Fortschritte. Es fehlt eine integrierte Referenzarchitektur, die (i) regulatorische und assurancebezogene Pflichten als bindende Orchestrierungsrestriktionen für die Koordination mehrerer Agenten kodiert, (ii) Interaktionen zwischen Agenten mit manipulationsevidenter, latenzarmer Verifikation instrumentiert und (iii) ESG-Ziele als Laufzeit-Budgetrestriktionen operationalisiert statt als rückblickende Offenlegungen.

Erstens betonen aktuelle LLM-basierte Multi-Agenten-Systeme und Orchestrierungs-Frameworks Aufgabenleistung, Arbeitsteilung und Kommunikationsprotokolle, während Governance und Assurance nachrangige Anliegen oder externe Monitoring-Funktionen bleiben.(Li et al. 2024; Yao et al. 2024) Übersichtsarbeiten zu Sicherheit und Datenschutz bei LLMs berichten anhaltende Lücken bei Richtlinientreue, Nachvollziehbarkeit und komponentenübergreifender Rechenschaftspflicht in agentischen Umgebungen, was auf fehlende Garantien auf der Orchestrierungsebene hinweist.(Yao et al. 2024)

Zweitens kodifizieren Compliance-Rahmen Pflichten wie Risikomanagement über den Lebenszyklus, Protokollierung, technische Dokumentation und menschliche Aufsicht, spezifizieren aber nicht, wie sich solche Anforderungen als maschinell durchsetzbare Restriktionen ausdrücken lassen, die Delegation, Abstimmung und Eskalation zwischen Agenten in MAS steuern.(European Parliament and Council of the European Union 2024; National Institute of Standards and Technology 2023) Damit bleibt ein Gestaltungsraum zwischen politischer Absicht und Systemumsetzung offen, in dem die Orchestrierungssemantik Compliance-Artefakte wie Risikoregister, Protokolle und Konformitätsdokumentation selten an die Entscheidungsrechte und Protokolle der interagierenden Agenten bindet.(National Institute of Standards and Technology 2023)

Drittens bieten Distributed Ledgers manipulationsevidente Auditierbarkeit, DAG-basierte Designs verbessern Durchsatz- und Latenzeigenschaften, und verifizierbare Ledger liefern effiziente Inclusion Proofs. Bestehende AI-Integrationen konzentrieren sich jedoch auf Datensatz- oder Modellprovenienz und auf Update-Spuren im Federated Learning statt auf die feingranulare Verifikation von Nachrichten und Entscheidungen zwischen Agenten in Echtzeit.(Silvano and Marcelino 2020; Baird 2016b; Sompolinsky et al. 2021; Yue et al. 2023; Qu et al. 2022) In der Folge hängt die Beweisintegrität typischerweise an groben Ereignissen wie Datenzugriff oder Modellversionierung statt an den internen Koordinationsschritten, die die Handlungen des Unternehmens bestimmen.(Qu et al. 2022; Yue et al. 2023)

Schliesslich definieren ESG-Standards und Berichtsregime Metriken und Offenlegungen, etwa CUE für Rechenzentren und ESRS E1 für die Scopes 1 bis 3, doch werden sie selten als durchsetzbare Budgets oder Schwellen in Scheduler, Planer oder Ressourcenzuteiler eingebettet, die das Agentenverhalten zur Laufzeit prägen.(ISO/IEC 2022; EFRAG 2023) Das vorherrschende Muster ist Messung und Berichterstattung nach dem Einsatz und nicht die Erfüllung von Restriktionen ex ante im operativen Gefüge von AI-Systemen.(EFRAG 2023)

Die Lücke besteht im Fehlen einer unternehmenstauglichen, domänen- und anbieteragnostischen Orchestrierungsschicht für Multi-Agenten-AI, die Compliance-Pflichten und ESG-Restriktionen als strukturelle Eigenschaften kodiert und diese mit DAG-gestützter, manipulationsevidenter Verifikation der Koordination zwischen Agenten verbindet, um zulässige, auditierbare Abläufe im grossen Massstab zu erreichen.

Zielsetzung und Beitrag

Ziel dieser Arbeit ist es, eine compliance-first Architektur für Multi-Agenten-AI im Unternehmenskontext zu definieren und zu operationalisieren, in der regulatorische, governancebezogene und ESG-Pflichten als bindende Orchestrierungsprimitive wirken. Die Architektur ist domänen-, deployment- und anbieteragnostisch und positioniert generative Modelle als austauschbare Komponenten innerhalb eines geregelten Multi-Agenten-Gefüges. Eine rollenspezifische Agentenschicht trägt dauerhafte wie Ad-hoc-Committees, während eine Verifikations- und Governance-Schicht Richtlinien durchsetzt, Evidenz erfasst und ein DAG-Verifikationssubstrat (Directed Acyclic Graph) für manipulationsevidente, latenzarme Auditierbarkeit integriert. ESG-Anforderungen sind als Laufzeitbudgets eingebettet, wobei Scheduling- und Platzierungsentscheidungen an standardkonforme Telemetrie gebunden und für die Auditierbarkeit festgehalten werden. Das Design wahrt operative Neutralität über Cloud-, On-Premise- und Edge-Einsätze hinweg und enthält Assurance-Mechanismen für menschliche Aufsicht, Vorfallreaktion und Verfahrensgültigkeit.

Die Beiträge dieser Arbeit sind erstens eine Referenzarchitektur und Orchestrierungssemantik, die Entscheidungsrechte, Eskalationspfade und Funktionstrennung an maschinell durchsetzbare Restriktionen bindet. Zweitens eine DAG-basierte Verifikationsschicht, die die Koordination zwischen Agenten auf Nachrichtenebene mit Inclusion Proofs und Aufbewahrungsrichtlinien für Evidenz festhält. Drittens ein ESG-bewusster Scheduler, der Umweltziele als bindende Optimierungsrestriktionen behandelt und die Abwägungen zwischen Nutzen, Latenz und Ressourcenwirkung sichtbar macht. Viertens eine Einsatz-Blaupause und ein Bedrohungsmodell für Trust Zones, Umgehung von Richtlinien und Manipulation von Evidenz. Schliesslich skizziert das Paper die domänenübergreifende Anwendbarkeit anhand von Szenarien zu Triage im Gesundheitswesen, öffentlicher Beschaffung und Vorfallmanagement und benennt offene Forschungsrichtungen zur formalen Policy-Verifikation, zu Anreizen für organisationsübergreifende Committees und zu Abwägungen zwischen Performance und Auditierbarkeit im grossen Massstab.

Forschung

Organisationen lassen sich grob in zwei Kategorien einteilen: gewinnorientierte und auftragsorientierte. Gewinnorientierte Einheiten konzentrieren sich auf die Maximierung der finanziellen Leistung, während auftragsorientierte Einheiten wie staatliche Stellen, Gesundheitsdienstleister, Bildungseinrichtungen und Nichtregierungsorganisationen der Leistungserbringung, dem Gemeinwohl oder anderen nicht finanziellen Mandaten Vorrang geben. Trotz dieser Unterschiede arbeiten beide unter begrenzten Ressourcen und unterliegen regulatorischen, governancebezogenen und operativen Restriktionen. Diese organisatorische Taxonomie bietet eine nützliche Perspektive, um Optimierungsprobleme im Design von Enterprise-AI zu rahmen.

In ihrer allgemeinsten Form lässt sich die operative Zielsetzung einer Organisation als gemeinsame Maximierung von Nutzen und Viabilität ausdrücken, wobei Viabilität als die dauerhafte Fähigkeit der Organisation verstanden wird, unter wechselnden internen und externen Bedingungen zu arbeiten, sich anzupassen und ihre Ziele zu erreichen, wie in Gleichung 2 gezeigt:

\begin{align} \max_{\pi \in \Pi} \quad & \left[ \alpha \, U_{\text{org}}(\pi) + \beta \, V_{\text{org}}(\pi) \right] \label{eq:org-general} \\ \text{s.t.} \quad & \mathcal{C}_{\text{reg}}(\pi) = 1 & \text{(regulatory compliance)} \nonumber \\ & \mathcal{C}_{\text{gov}}(\pi) = 1 & \text{(governance compliance)} \nonumber \\ & \mathcal{C}_{\text{res}}(\pi) \leq R_{\max} & \text{(resource budget)} \nonumber \end{align}

(2)

2Organisatorischer Nutzen und Viabilität, gemeinsam maximiert

Dabei ist

\pi \in \Pi

eine operative Policy,

U_{\text{org}}

und

V_{\text{org}}

bezeichnen den organisatorischen Nutzen und die Viabilität, und

\alpha, \beta \geq 0

sind Gewichtungsparameter. Eine binäre Restriktion

\mathcal{C}_x(\pi) = 1

zeigt an, dass die Anforderung vollständig erfüllt sein muss.

Auf gewinnorientierte Organisationen angewandt, spezialisiert sich diese Formulierung zu Gleichung 3:

\begin{align} \max_{\pi \in \Pi} \quad & \left[ \alpha \, U_{\text{profit}}(\pi) + \beta \, V_{\text{profit}}(\pi) \right] \label{eq:org-profit} \\ \text{s.t.} \quad & \mathcal{C}_{\text{reg}}(\pi) = 1 \nonumber \\ & \mathcal{C}_{\text{gov}}(\pi) = 1 \nonumber \\ & \mathcal{C}_{\text{res}}(\pi) \leq R_{\max} \nonumber \end{align}

(3)

3Die Zielfunktion einer gewinnorientierten Organisation

Dabei kann

U_{\text{profit}}

Gewinn, Umsatzwachstum, Eigenkapitalrendite oder Marktanteil umfassen, während

V_{\text{profit}}

die Fähigkeit abbildet, finanzielle und operative Leistung über die Zeit aufrechtzuerhalten.

Für auftragsorientierte Organisationen ergibt dieselbe Struktur Gleichung 4:

\begin{align} \max_{\pi \in \Pi} \quad & \left[ \alpha \, U_{\text{mission}}(\pi) + \beta \, V_{\text{mission}}(\pi) \right] \label{eq:org-mission} \\ \text{s.t.} \quad & \mathcal{C}_{\text{reg}}(\pi) = 1 \nonumber \\ & \mathcal{C}_{\text{gov}}(\pi) = 1 \nonumber \\ & \mathcal{C}_{\text{res}}(\pi) \leq R_{\max} \nonumber \end{align}

(4)

4Die Zielfunktion einer auftragsorientierten Organisation

Dabei bezeichnet

\pi \in \Pi

eine operative Policy,

U_{\text{mission}}

und

V_{\text{mission}}

erfassen auftragsbezogenen Nutzen und Viabilität, und

\alpha, \beta \geq 0

sind Gewichtungsparameter, die deren relative Bedeutung abbilden.

U_{\text{mission}}

kann Versorgungsgrad, Qualität, Zugänglichkeit oder die Zufriedenheit der Anspruchsgruppen umfassen, während

V_{\text{mission}}

die Fähigkeit der Organisation misst, die Leistungserbringung unter wechselnden Bedingungen zu halten oder zu verbessern. Wie zuvor zeigt eine binäre Restriktion

\mathcal{C}_x(\pi) = 1

an, dass die Anforderung vollständig erfüllt sein muss, während Ungleichungsrestriktionen die Leistungskennzahlen innerhalb akzeptabler Schwellen halten.

Diese Unterscheidung ist bedeutsam, weil die zugrunde liegenden Ziele sowohl das Optimierungsziel als auch die zulässigen Koordinations- und Wettbewerbsmuster zwischen den Agenten prägen. Gewinnorientierte Einheiten agieren häufig in kompetitiven Märkten, in denen der strategische Vorteil davon abhängt, Konkurrenz zu übertreffen oder zu verdrängen, was zu adversarialen oder nicht kooperativen spieltheoretischen Modellen passt. Auftragsorientierte Organisationen arbeiten demgegenüber oft in Umfeldern, in denen Kooperation und Informationsaustausch die kollektiven Ergebnisse verbessern, etwa in Public Health, Sicherheit oder Umweltschutz. In diesen Domänen können kooperative Spieltheorie und Gleichgewichtskonzepte wie das Nash-Gleichgewicht eine gemeinsame Optimierung statt eines Nullsummenwettbewerbs ermöglichen. In gewinngetriebenen AI-Systemen verliert die praktische Bedeutung solcher Gleichgewichte, da die Designanreize typischerweise einseitige Maximierung gegenüber kollaborativer Stabilität begünstigen. Innerhalb dieser Taxonomie lässt sich die Orchestrierung von Enterprise-AI in regulierten Multi-Agenten-Umgebungen als domänenspezifischer Sonderfall der allgemeinen organisatorischen Formulierungen in den Gleichungen 2–Gl. 4 verstehen. Unabhängig davon, ob die Organisation gewinn- oder auftragsorientiert ist, unterscheidet sich das Orchestrierungsproblem grundlegend von der endkundenseitigen Formulierung in Gleichung 1. Statt die Qualität einer einzelnen Modellausgabe zu optimieren, geht es darum, den organisatorischen Nutzen zu maximieren und dabei eine Menge normativer, prozeduraler, beweisrechtlicher, ESG- und sicherheitsbezogener Restriktionen zu erfüllen, die alle Agenten im System binden. Dieses unternehmensspezifische Ziel ist in Gleichung 5 formalisiert:

\begin{align} \max_{\pi \in \Pi} \quad & U_{\text{org}}(\pi, G, \Theta) \label{eq:enterprise-mas-obj} \\ \text{s.t.} \quad & \mathcal{C}_{\text{reg}}(\pi) = 1 & \text{(regulatory compliance)} \nonumber \\ & \mathcal{C}_{\text{proc}}(\pi) = 1 & \text{(procedural validity)} \nonumber \\ & \mathcal{C}_{\text{esg}}(\pi) \geq \tau_{\text{esg}} & \text{(ESG performance thresholds)} \nonumber \\ & \mathcal{C}_{\text{evid}}(\pi) = 1 & \text{(evidentiary completeness)} \nonumber \\ & \mathcal{C}_{\text{safety}}(\pi) \geq \tau_{\sigma} & \text{(safety and risk minimisation)} \nonumber \\ & L(\pi) \leq \tau_l & \text{(latency bound for execution)} \nonumber \\ & \mathcal{C}_{\text{other}}(\pi) = 1 & \text{(additional enterprise policies and operational constraints)} \nonumber \end{align}

(5)

5Die Multi-Agenten-Zielfunktion im Unternehmen

Dabei bezeichnet $\pi \in \Pi$ eine Orchestrierungs-Policy, die Ziele $G$ auf koordinierte Agentenhandlungen abbildet, wobei $\Theta$ die systemweiten Parameter und die Konfiguration darstellt. Die Funktion $U_{\text{org}}$ erfasst den organisatorischen Nutzen einschliesslich Aufgabenerfolg, Ressourceneffizienz und Auftragspassung. Jede Restriktion $\mathcal{C}_x(\pi)$ liefert genau dann $1$ , wenn sie erfüllt ist, sodass Gleichungen der Form $\mathcal{C}_x(\pi) = 1$ Anforderungen darstellen, die für die Zulässigkeit der Policy erfüllt sein müssen. $\mathcal{C}_{\text{reg}}$ erzwingt die rechtliche und regulatorische Compliance; $\mathcal{C}_{\text{proc}}$ sichert die Verfahrensgültigkeit einschliesslich Funktionstrennung und Eskalationsregeln; $\mathcal{C}_{\text{esg}}$ misst die ESG-Leistung gegen eine Mindestschwelle $\tau_{\text{esg}}$ ; $\mathcal{C}_{\text{evid}}$ garantiert Beweisvollständigkeit und Auditierbarkeit; $\mathcal{C}_{\text{safety}}$ erzwingt operative Sicherheit und Risikominimierung mit Schwelle $\tau_{\sigma}$ ; $L(\pi)$ ist die Ende-zu-Ende-Ausführungslatenz, begrenzt durch $\tau_l$ ; und $\mathcal{C}_{\text{other}}$ deckt weitere Unternehmensrichtlinien, strategische Ziele oder operative Restriktionen ab. Die oben skizzierte organisatorische Taxonomie definiert die zulässigen Ziele und Restriktionen und beeinflusst zugleich die strategischen Interaktionen, die in der Orchestrierungsschicht angelegt sind. Reale Organisationen befinden sich selten in einem Zustand reinen Wettbewerbs oder reiner Kooperation. Auftragsorientierte Spitäler können um Mittel, Talente oder Innovationsführerschaft konkurrieren, während gewinnorientierte Unternehmen in Bereichen wie Branchensicherheitsstandards, gemeinsamer Infrastruktur oder gemeinsamer Interessenvertretung kooperieren können.

Um diese Variabilität zu erfassen, führen wir ein einstellbares Kooperations-Wettbewerbs-Kontinuum als vollwertigen Orchestrierungsparameter ein, formalisiert in Gleichung 6. $\gamma \in [0,1]$ bezeichne den Grad der kooperativen strategischen Ausrichtung im Multi-Agenten-System:

\begin{align} U_{\text{org}}^{\gamma}(\pi) = \gamma \cdot U_{\text{coop}}(\pi) + (1 - \gamma) \cdot U_{\text{comp}}(\pi) \label{eq:coop-comp-utility} \end{align}

(6)

6Nutzen entlang des Kooperations-Wettbewerbs-Kontinuums

Dabei misst

U_{\text{coop}}(\pi)

den Nutzen aus kooperativem Verhalten wie Ressourcenteilung, gegenseitiger Unterstützung und gemeinsamer Optimierung;

U_{\text{comp}}(\pi)

misst den Nutzen aus kompetitivem Verhalten wie Marktanteilsgewinn, strategischer Positionierung oder adversarialem Vorteil. Der Kooperationsparameter

\gamma

kann als Teil der Organisationsrichtlinie festgelegt oder dynamisch an Umfeldbedingungen, Marktsignale oder strategische Auslöser angepasst werden.

Diese Formulierung erlaubt Orchestrierungsrichtlinien von rein kompetitiv ( $\gamma = 0$ ) bis rein kooperativ ( $\gamma = 1$ ), wobei Zwischenwerte gemischte Strategien darstellen. So kann eine öffentliche Verwaltung ohne Wettbewerbsauftrag mit einem $\gamma$ nahe $1$ arbeiten, während ein auftragsorientiertes Spital $\gamma \approx 0.7$ so setzen könnte, dass es kooperative Public-Health-Koordination neben selektivem Wettbewerb um knappe Ressourcen abbildet. Ein gewinnorientiertes Unternehmen könnte nahe $\gamma = 0$ operieren, diesen Wert aber vorübergehend erhöhen, wo Kooperation die erwarteten Auszahlungen verbessert. Die Verankerung von $\gamma$ auf der Orchestrierungsebene macht die kooperativ-kompetitive Balance zu einem expliziten, gesteuerten Parameter statt zu einer emergenten Eigenschaft ad hoc entworfener Agenten. Sie ermöglicht zudem Szenarioplanung, in der das System strategische Verschiebungen simulieren oder ausführen kann. So könnte eine Organisation in einer stabilen Lieferkette mit $\gamma = 0.8$ arbeiten, diesen Wert aber auf $\gamma = 0.5$ senken, wenn Marktvolatilität eine stärkere Wettbewerbsposition verlangt. Das schafft strategische Agilität und wahrt zugleich eine auditierbare Aufzeichnung der Entscheidungslogik hinter Änderungen der Interaktionsmuster zwischen Agenten.

Aufbauend auf dem Kooperations-Wettbewerbs-Kontinuum erweitern wir den Rahmen, sodass $\gamma$ mit dem Kontext variieren kann statt über alle Szenarien fix zu bleiben. Organisationen können ein Basisprofil definieren, etwa $\gamma = 0.3$ für eine zu 30 % kooperative und zu 70 % kompetitive Haltung, und behalten zugleich die Möglichkeit, diesen Standard bei veränderten Umständen zu übersteuern. In einem stabilen Markt kann die Basislinie genügen. Bei einer kritischen Wettbewerbsherausforderung könnte das System auf $\gamma = 0.0$ für eine vollständig kompetitive Haltung wechseln. In einer gemeinsamen Notfallreaktion könnte das System auf $\gamma = 1.0$ gehen, um Koordination und gemeinsame Ressourcennutzung zu maximieren.

Der adaptive Parameter wird als kontextgetriebene Funktion in Gleichung 7 ausgedrückt, die die Formulierung in Gleichung 6 erweitert:

\begin{align} \gamma_t = f(\mathcal{S}_t, \mathcal{P}, \Theta) \label{eq:context-gamma} \end{align}

(7)

7Das Kooperationsgewicht als Funktion des Kontexts

Dabei ist

\gamma_t

der Kooperationsparameter zum Zeitpunkt

t

,

\mathcal{S}_t

beschreibt den vorherrschenden situativen Kontext,

\mathcal{P}

ist die Menge der Organisationsrichtlinien, und

\Theta

steht für Parameter und Schwellen auf Systemebene. Die Abbildung

f(\cdot)

bestimmt das operative

\gamma_t

aus beobachteten Bedingungen und Richtlinienregeln und aktualisiert seinen Wert, während sich der Kontext entwickelt.

Diese adaptive Formulierung hält Reasoning und Entscheidungsausgaben mehrerer Agenten an den situativen Anforderungen ausgerichtet und greift Muster auf, die aus sozialen und biologischen Systemen bekannt sind. In der Natur richtet sich Kooperation häufig an Mitglieder der eigenen Gruppe, während Wettbewerb oder Abwehrhandlungen gegen äussere Bedrohungen gerichtet sind. Der Schutz der Gemeinschaftsmitglieder ist ein kooperatives Gebot, während das Abwehren eines Eindringlings aggressive und kompetitive Taktiken erfordern kann. Organisatorisch gewendet gefährdet eine kollaborative Strategie gegenüber einer feindlichen Markteintretenden die Viabilität, während die Behandlung einer vertrauenswürdigen Partnerschaft in der Lieferkette als Gegnerin den langfristigen Nutzen erodieren kann. Der vorgeschlagene Ansatz ermöglicht diese Flexibilität, ohne eine einzig richtige Haltung vorauszusetzen oder eine feste Menge kooperativer oder kompetitiver Verhaltensweisen vorzuschreiben. Er überlässt die Wahl der Orchestrierungslogik und den geltenden Richtlinien, die den operativen Kontext in Echtzeit auslegen und die passendste Balance wählen können. Damit bleibt Anpassungsfähigkeit eine Designeigenschaft, und das System kann auf komplexe oder mehrdeutige Situationen reagieren, ohne durch starre strategische Annahmen eingeschränkt zu sein.

Orchestrierungsarchitektur mit kontextadaptiven strategischen Parametern

Wir erweitern die Formulierung der Unternehmensorchestrierung in Gleichung 5, indem wir das Kooperations-Wettbewerbs-Kontinuum aus Gleichung 6 zusammen mit seiner kontextgetriebenen Anpassung aus Gleichung 7 einbetten. Das resultierende Ziel ist in Gleichung 8 angegeben, wobei das Kooperationsgewicht $\gamma_t$ im Zeitverlauf auf beobachtete Bedingungen reagiert:

\begin{align} \max_{\pi \in \Pi} \quad & U_{\text{org}}^{\gamma_t}(\pi, G, \Theta) \label{eq:enterprise-mas-gamma} \\ \text{s.t.} \quad & \mathcal{C}_{\text{reg}}(\pi) = 1,\ \mathcal{C}_{\text{proc}}(\pi) = 1,\ \mathcal{C}_{\text{esg}}(\pi) \geq \tau_{\text{esg}},\ \mathcal{C}_{\text{evid}}(\pi) = 1, \nonumber \\ & \mathcal{C}_{\text{safety}}(\pi) \geq \tau_{\sigma},\ L(\pi) \leq \tau_l,\ \mathcal{C}_{\text{other}}(\pi) = 1 \nonumber \\ \text{where} \quad & U_{\text{org}}^{\gamma_t}(\pi, G, \Theta) = \gamma_t \cdot U_{\text{coop}}(\pi, G, \Theta) + (1 - \gamma_t) \cdot U_{\text{comp}}(\pi, G, \Theta) \nonumber \end{align}

(8)

8Die Unternehmenszielfunktion mit adaptivem Kooperationsgewicht

Dabei ergibt sich $\gamma_t \in [0,1]$ aus dem vorherrschenden situativen Kontext $\mathcal{S}_t$ über die Abbildung $f(\mathcal{S}_t, \mathcal{P}, \Theta)$ , wobei $\mathcal{P}$ die geltenden Richtlinien der Organisation bezeichnet und $\Theta$ Parameter und Schwellen auf Systemebene enthält. Werte von $\gamma_t$ nahe eins lenken die Orchestrierung zu kooperativen Modi mit Schwerpunkt auf Ressourcenbündelung, gegenseitiger Unterstützung und gemeinsamer Optimierung. Werte nahe null verschieben die Balance zu kompetitiven Modi und priorisieren Marktgewinn, strategische Positionierung oder adversarialen Vorteil. Zwischenwerte erzeugen gemischte Regime, in denen Kooperation und Wettbewerb entsprechend dem aktuellen Kontext gewichtet werden.

Die Abbildung $f(\cdot)$ ermöglicht strategische Verschiebungen als Reaktion auf Marktsignale, Umfeldänderungen oder betriebliche Ereignisse. Ein eigener Context Monitor nimmt Telemetrie, Marktindikatoren, ESG-Metriken und Vorfalldaten auf, um $\gamma_t$ zu aktualisieren. Jede Aktualisierung wird vom Policy Store und von der Rule Engine geprüft, vom Constraint Compiler in durchsetzbare Restriktionen überführt und durch die Stufe Compliance Verification geleitet. Ausgaben vor der Ausführung können unter menschlicher Aufsicht geprüft werden, bevor sie das Execution Gate passieren.

Chain-of-Thought-Bereiche, Variablenzustände und Entscheidungsaufzeichnungen werden im DAG Verification Layer zusammen mit Ereignisprotokollen und Inclusion Proofs notarisiert. Das sichert Richtlinientreue, Reproduzierbarkeit und Auditierbarkeit. Der Audit Layer bietet Abruf- und Simulationsfunktionen über eine eigene Query-API. Die geschichtete Orchestrierungsarchitektur in Abbildung 1 führt diese Elemente zusammen.

Abbildung 1Geschichtete Orchestrierungsarchitektur mit dem kontextadaptiven Kooperations-Wettbewerbs-Parameter $\gamma_t$ . Die Policy- und Governance-Komponenten berechnen $\gamma_t$ über $f(\mathcal{S}_t, \mathcal{P}, \Theta)$ und kompilieren die Restriktionen $\{\mathcal{C}_x\}$ . Die Orchestrierungsschicht plant und verifiziert Ausgaben, während die DAG-Verifikationsschicht Chain-of-Thought-Bereiche, Entscheidungen und Restriktionsergebnisse notarisiert. Die Audit-Schicht ermöglicht forensische und simulationsbasierte Abfragen.

Während bestehende Frameworks der Multi-Agenten-Orchestrierung Koordination, Optimierung oder Compliance meist als getrennte Anliegen behandeln, verbinden nur wenige sie in einer einzigen Architektur, die die Kooperations-Wettbewerbs-Balance als gesteuerten, kontextadaptiven Parameter führt. Das Design in Abbildung 1 bettet $\gamma_t$ unmittelbar in die Entscheidungsschleife ein, wendet Compliance-Prüfungen vor der Ausführung an und hält alle strategischen Änderungen mit verifizierbarer Provenienz fest. Diese Integration schliesst zwei anhaltende Lücken in der Literatur. Die erste ist das Fehlen eines Mechanismus, um die Haltung zwischen Agenten entlang eines Kontinuums von vollständig kooperativ bis vollständig kompetitiv auf kontextuelle Auslöser hin anzupassen. Die zweite ist die fehlende transparente Verbindung zwischen diesen Auslösern, den davon beeinflussten Orchestrierungsentscheidungen und den daraus folgenden operativen Ergebnissen. Beides zu adressieren erlaubt es Multi-Agenten-Systemen im Unternehmensmassstab, strategisch agil zu bleiben und zugleich nachweisbar an langfristigen Viabilitätszielen ausgerichtet zu sein.

Als Substrat für die Notarisierung wird ein gerichteter azyklischer Graph (DAG) gewählt, um die Latenzengpässe zu vermeiden, die den Blockerzeugungsintervallen konventioneller Blockchains innewohnen. Für Auditprotokolle, die technischer und nicht finanzieller Natur sind, passen die Bestätigungsverzögerungen und Transaktionsgebühren typischer finanzieller Layer-1-Ledger schlecht zu den operativen Anforderungen. Im vorgeschlagenen Modell werden Ereignisse in einen Layer-2-DAG mit vernachlässigbaren oder ohne Transaktionskosten geminted, was hochfrequente, latenzarme Notarisierung von Entscheidungen, Restriktionsprüfungen und kontextuellen Auslösern erlaubt. Wo Minting-Kosten von null verschieden sind, kann ein spieltheoretisches Anreizdesign eine umfassende Notarisierung begünstigen und zugleich die Möglichkeit erhalten, unkritische Ereignisse auszulassen. $\mathcal{E}$ sei die Menge der Ereignisse, $c(e)$ die Minting-Kosten des Ereignisses $e \in \mathcal{E}$ und $v(e)$ sein erwarteter Verifikations- oder Auditwert. Die resultierende Präferenzfunktion für die Notarisierung ist in Gleichung 9 angegeben:

\begin{align} \max_{\mathcal{E}' \subseteq \mathcal{E}} \quad & \sum_{e \in \mathcal{E}'} \big[ v(e) - \lambda \cdot c(e) \big] \label{eq:dag-mint-preference} \end{align}

(9)

9Welche Ereignisse eine Notarisierung wert sind

Dabei erfasst

\lambda

die Kostensensitivität des Betriebs. Über die Kalibrierung von

\lambda

kann das System hochwertige, kostengünstige Ereignisse begünstigen und zugleich das Auslassen kritischer Handlungen unattraktiv machen. Unter realistischen Kostenbedingungen lässt sich die umfassende Notarisierung zur dominanten operativen Wahl machen. Der Layer-2-DAG kann seinen Zustand periodisch über Merkle-Tree-Commitments an einen Layer-1-Ledger verankern, der entweder eine Allzweck-Blockchain oder ein spezialisierter Ledger für Aktivitätsprotokolle von AI-Systemen sein kann. In beiden Fällen beeinflusst das ökonomische Modell des zugrunde liegenden Ledgers die Vollständigkeit der Notarisierung. In diesem Rahmen wirkt der DAG als verifizierbare Aufzeichnung der Systemaktivität und als primäre Quelle für forensische Analyse, Simulationswiedergabe und regulatorische Audits.

In einem dedizierten DAG-System wird die Vektorisierung von Smart Contracts und gespeicherten Hashes vorgeschlagen, damit AI-Agenten notarisierte Inhalte effizienter und sicherer parsen und darüber schliessen können. Vertragslogik und Zustandsnachweise als vektorisierte Strukturen darzustellen erlaubt schnelleren Abruf und schnellere Interpretation und sichert zugleich die Kompatibilität mit embeddingbasierten Reasoning-Systemen. Das kann den Parsing-Aufwand senken und das Fehlerrisiko aus mehrdeutiger oder inkonsistenter Vertragskodierung verringern. Die Machbarkeit dieses Ansatzes sowie seine Performance-Abwägungen und Sicherheitsimplikationen müssen in realistischen Einsatzumgebungen rigoros geprüft werden. Wir betrachten dies als vorrangige Richtung künftiger Forschung mit dem Potenzial, die Integration zwischen Notarisierungsschichten und AI-Orchestrierungssystemen zu stärken.

Menschliche Aufsicht als Governance-Primitiv

Die menschliche Aufsicht ist im Orchestrierungsrahmen als Governance-Primitiv verankert und erstreckt sich über den gesamten operativen Lebenszyklus von der Richtliniendefinition bis zum Audit nach der Ausführung. In der vorgeschlagenen Architektur interagieren Menschen an Punkten mit dem System, die nach ihrer Passung zu Governance-Zielen und Risikoprofilen gewählt sind.

Auf der Ebene von Richtlinie und Strategie legen menschliche Entscheidungstragende Basisregeln, operative Restriktionen und strategische Prioritäten fest, einschliesslich des Balanceparameters $\gamma$ zwischen Kooperation und Wettbewerb. Auch wenn $\gamma$ vom System dynamisch an situative Daten $\mathcal{S}_t$ angepasst werden kann, behält die menschliche Aufsicht die Befugnis, diese Werte zu verfeinern oder zu übersteuern, wenn kontextuelle Einsicht über das situative Modell der Agenten hinausgeht. In volatilen Märkten oder aufkommenden Public-Health-Krisen kann etwa eine Person die kooperativ-kompetitive Gewichtung auf Basis von Informationen neu kalibrieren, die noch nicht in den Systemzustand eingegangen sind.

In der Phase vor der Ausführung wirken Menschen an der Compliance-Validierung für Handlungen mit hoher Wirkung oder hohem Risiko mit. Das kann die Prüfung eines Ausgabeentwurfs der Orchestrierungsschicht umfassen, wobei Compliance-Agenten, menschlich oder AI-basiert, die Einhaltung regulatorischer, prozeduraler und ESG-bezogener Restriktionen vor der Ausführung verifizieren. Menschliche Prüfende wirken als adaptive Schutzvorkehrung und adressieren Randfälle, Auslegungsspielräume oder ethische Erwägungen, die ausserhalb formalisierter Restriktionen liegen.

In der Phase Audit und Review ergänzt die menschliche Aufsicht das AI-gestützte Auditieren. In der DAG-Schicht notarisierte Protokolle nach der Ausführung sind für forensische Prüfung, Simulationswiedergabe und regulatorische Berichterstattung zugänglich. Routineverifikation in hoher Zahl kann algorithmisch erfolgen, während Ausnahmefälle, strittige Handlungen oder Richtlinienänderungen menschlich geführte Audits auslösen können. Dieses Zweimodus-Design verbindet Geschwindigkeit und Abdeckung automatisierter Verifikation mit der Interpretierbarkeit und der Rechenschaftspflicht menschlicher Prüfung.

Die Integration menschlicher Aufsicht auf mehreren Stufen erlaubt es dem System, menschliche Intuition, ethisches Urteil und Fachwissen aufzunehmen, ohne Autonomie und Skalierbarkeit des Multi-Agenten-Gefüges zu mindern. Häufigkeit und Tiefe der Aufsicht lassen sich über Szenariorichtlinien anpassen und in Phasen regulatorischer Unsicherheit oder erhöhten Reputationsrisikos erhöhen. Indem die Aufsicht in der Orchestrierungssemantik formalisiert und nicht als Ad-hoc-Eingriff behandelt wird, sichert die Architektur, dass menschliches Urteil ein geregeltes, auditierbares und strategisch ausgerichtetes Element des Systembetriebs bleibt.

Diskussion und theoretische Implikationen

Die vorgeschlagene Architektur verbindet ein Framework der Multi-Agenten-Orchestrierung mit einem kontextadaptiven Kooperations-Wettbewerbs-Kontinuum, mit Notarisierung über einen Layer-2-DAG und mit geregelter menschlicher Aufsicht. Diese Komponenten wurden jeweils in früheren Arbeiten untersucht, doch ihre Verbindung zu einem einheitlichen, richtliniengetriebenen Enterprise-AI-System bedeutet eine Verschiebung sowohl in der theoretischen Rahmung als auch im operativen Design.

Theoretisch führt der Kooperations-Wettbewerbs-Parameter $\gamma_t$ über statische spieltheoretische Formulierungen hinaus zu einer dynamischen, kontextbewussten Darstellung. Diese Formulierung erkennt an, dass Organisationsstrategie auf der kompetitiv-kooperativen Achse nicht fix ist, sondern sich mit Marktdynamik, Umfeldauslösern und internen strategischen Prioritäten entwickelt. Die Verankerung von $\gamma_t$ als einstellbarem Orchestrierungsparameter rückt das Modell näher an beobachtetes Organisationsverhalten in gewinn- wie auftragsorientierten Kontexten. Das Kontinuum schafft zudem eine formale Brücke zwischen strategischer Managementtheorie und dem Design von Multi-Agenten-Systemen und ermöglicht Szenariomodellierung, in der Wettbewerbsvorteil und kooperative Stabilität gemeinsam optimiert werden.

Die Verwendung eines Layer-2-DAG als Notarisierungssubstrat wirft weitere theoretische Überlegungen auf. Sie rahmt Distributed-Ledger-Technologie in der AI-Governance neu, weg vom Ledger für Finanztransaktionen hin zu einer hochfrequenten, latenzarmen Aufzeichnung von Entscheidungsprozessen und Restriktionsauswertungen. Diese Verschiebung positioniert den Ledger als strategisches Gedächtnis, das Wiedergabe, forensische Analyse und Richtlinienverfeinerung ohne die Performancekosten von Layer-1-Blockchains ermöglicht. Die spieltheoretische Kosten-Wert-Funktion für die Notarisierung in Gleichung 9 formalisiert die Abwägung zwischen Vollständigkeit und operativem Aufwand und erlaubt es, bevorzugte Verhaltensweisen unmittelbar in die ökonomische Logik des Protokollierungsmechanismus einzubetten.

Auch die Verankerung menschlicher Aufsicht über mehrere Orchestrierungsstufen hinweg hat theoretische Bedeutung. Indem menschliche Interaktionspunkte bei der Richtlinienbildung, der Validierung vor der Ausführung und dem Audit nach der Ausführung definiert werden, behandelt die Architektur Aufsicht als strukturellen Governance-Mechanismus statt als reaktive Schutzvorkehrung. Das sichert, dass menschliche Eingriffe nachvollziehbar und mit den operativen Restriktionen verbunden sind, und trägt ein hybrides Governance-Modell, in dem ethisches Urteil und Fachwissen algorithmische Skalierung und Konsistenz ergänzen.

Zusammengenommen operationalisiert die Architektur Konzepte, die in der AI-Forschung häufig getrennt behandelt wurden: strategische Anpassungsfähigkeit, verteilte Vertrauensinfrastruktur und geregelte Zusammenarbeit von Mensch und AI. Der theoretische Beitrag liegt darin, diese Elemente als voneinander abhängige Komponenten eines unternehmenstauglichen Multi-Agenten-AI-Systems zu positionieren. Diese Perspektive eröffnet neue Wege für die Forschung zu adaptiven spieltheoretischen Strategien, zu ledgergestützten Governance-Mechanismen und zu empirischen Studien menschlicher Aufsicht in komplexen sozio-technischen Umgebungen.

Limitationen und weitere Forschung

Die vorgeschlagene Architektur bietet einen kohärenten Rahmen für die Orchestrierung unternehmenstauglicher Multi-Agenten-AI, doch bleiben mehrere Limitationen, die weitere Untersuchung verdienen.

Der Parameter $\gamma_t$ des Kooperations-Wettbewerbs-Kontinuums ist theoretisch gut begründet, wurde aber über heterogene organisatorische Kontexte hinweg nicht empirisch validiert. Eine robuste Kalibrierung von $\gamma_t$ erfordert Längsschnittstudien und kontrollierte Simulationsexperimente, um Stabilität, Reaktionsfähigkeit und Widerstandsfähigkeit gegen strategische Manipulation zu prüfen. Die Verhaltenswirkungen abrupter Anpassungen von $\gamma_t$ in Hochrisikodomänen wie der Notfallmedizin oder volatilen Finanzmärkten sind weitgehend unerforscht.

Der Layer-2-DAG-Notarisierungsmechanismus adressiert Latenz- und Transaktionskostenrestriktionen, bringt aber eigene operative Abwägungen mit sich. Die Kosten-Wert-Formulierung in Gleichung 9 setzt eine genaue Schätzung von $v(e)$ und einen stabilen Kostensensitivitätsparameter $\lambda$ voraus. In der Praxis dürften beide mit veränderten Prioritäten, Governance-Änderungen und externem Druck variieren. Künftige Arbeiten sollten adaptive Strategien zur Einstellung von $\lambda$ untersuchen sowie die Auswirkungen teilweiser Notarisierung auf Vollständigkeit und Verlässlichkeit forensischer Aufzeichnungen. Der Vorschlag, Smart Contracts und gehashte Nachweise für AI-nativen Zugriff zu vektorisieren, erfordert zudem gezieltes Benchmarking, um Abrufgeschwindigkeit, Parsing-Genauigkeit und Sicherheitsverhalten unter realistischen Einsatzlasten zu beurteilen.

Die menschliche Aufsicht ist zwar strukturell auf mehreren Orchestrierungsstufen verankert, wurde aber hinsichtlich kognitiver Belastung und Prozesslatenz noch nicht bewertet. Ohne sorgfältiges Design könnten Aufsichtspunkte zu operativen Engpässen werden, wenn Komplexität oder Häufigkeit der Agentenhandlungen die machbare Prüfkapazität übersteigen. Eine vielversprechende Richtung ist die Entwicklung hybrider Audit-Workflows, die AI-gestützte Triage mit selektiver menschlicher Prüfung verbinden und damit Skalierbarkeit wie Rechenschaftspflicht wahren.

Die Interoperabilität mit bestehenden Unternehmenssystemen und regulatorischen Umfeldern ist eine weitere offene Herausforderung. Schichtübergreifende Verankerungsstrategien, jurisdiktionsspezifische Compliance-Regeln und sektorkalibrierte ESG-Schwellen dürften eine domänenspezifische Anpassung erfordern. Diese Faktoren sind für die Einführung in regulierten Branchen und für die grenzüberschreitende operative Gültigkeit entscheidend.

Literatur

Androulaki, Elli, Artem Barger, Vita Bortnikov, et al. 2018. “Hyperledger Fabric: A Distributed Operating System for Permissioned Blockchains.” Proceedings of EuroSys ’18. https://doi.org/10.1145/3190508.3190538.

Baird, Leemon. 2016a. The Swirlds Hashgraph Consensus Algorithm: Fair, Fast, Byzantine Fault Tolerance. Swirlds Inc. https://www.swirlds.com/downloads/SWIRLDS-TR-2016-01.pdf.

Baird, Leemon. 2016b. The Swirlds Hashgraph Consensus Algorithm: Fair, Fast, Byzantine Fault Tolerance. SWIRLDS-TR-2016-01. Swirlds Inc. https://www.swirlds.com/downloads/SWIRLDS-TR-2016-01.pdf.

Chopra, Amit K., Leendert van der Torre, Harko Verhagen, and Serena Villata, eds. 2018. Handbook of Normative Multiagent Systems. College Publications. https://www.collegepublications.co.uk/downloads/handbooks00004.pdf.

Costanza-Chock, Sasha, Emma Harvey, Inioluwa Deborah Raji, Martha Czernuszenko, and Joy Buolamwini. 2022. “Who Audits the Auditors? Recommendations from a Field Scan of the Algorithmic Auditing Ecosystem.” FAccT ’22: 2022 ACM Conference on Fairness, Accountability, and Transparency, 1571–83. https://doi.org/10.1145/3531146.3533213.

Crosby, Scott A., and Dan S. Wallach. 2009. “Efficient Data Structures for Tamper-Evident Logging.” Proceedings of the 18th USENIX Security Symposium, 317–34. https://static.usenix.org/event/sec09/tech/full_papers/crosby.pdf.

Dodge, Jesse, Taylor Prewitt, Remi Tachet des Combes, et al. 2022. “Measuring the Carbon Intensity of AI in Cloud Instances.” Proceedings of the 2022 ACM Conference on Fairness, Accountability, and Transparency (FAccT), 1877–94. https://doi.org/10.1145/3531146.3533234.

EFRAG. 2023. ESRS E1 Climate Change (Delegated Act Annex). European Financial Reporting Advisory Group. https://www.efrag.org/Assets/Download?assetUrl=%2Fsites%2Fwebpublishing%2FSiteAssets%2FESRS%2520E1%2520Delegated-act-2023-5303-annex-1_en.pdf.

European Commission. 2023. Commission Delegated Regulation (EU) 2023/2772 of 31 July 2023 Supplementing Directive 2013/34/EU as Regards European Sustainability Reporting Standards. Official Journal of the European Union. https://eur-lex.europa.eu/eli/reg_del/2023/2772/oj.

European Data Protection Board. 2020. Guidelines 4/2019 on Article 25 Data Protection by Design and by Default (Version 2.0). https://www.edpb.europa.eu/sites/default/files/files/file1/edpb_guidelines_201904_dataprotection_by_design_and_by_default_v2.0_en.pdf.

European Parliament and Council. 2022. Directive (EU) 2022/2464 of 14 December 2022 on Corporate Sustainability Reporting (CSRD). Official Journal of the European Union. https://eur-lex.europa.eu/eli/dir/2022/2464/oj.

European Parliament and Council of the European Union. 2016. Regulation (EU) 2016/679 (General Data Protection Regulation). https://eur-lex.europa.eu/eli/reg/2016/679/oj/eng.

European Parliament and Council of the European Union. 2024. Regulation (EU) 2024/1689 Laying down Harmonised Rules on Artificial Intelligence (Artificial Intelligence Act). https://eur-lex.europa.eu/eli/reg/2024/1689/oj/eng.

Gebru, Timnit, Jamie Morgenstern, Briana Vecchione, et al. 2021. “Datasheets for Datasets.” Communications of the ACM 64 (12): 86–92. https://doi.org/10.1145/3458723.

Haurum, Kasper R., Runyu Ma, Long Wen, and Liang Wen. 2024. “Real Estate with AI: An Agent Based on LangChain.” Procedia Computer Science 242: 1082–88. https://doi.org/10.1016/j.procs.2024.08.199.

Henderson, Peter, Jieru Hu, Joshua Romoff, Emma Brunskill, Dan Jurafsky, and Joelle Pineau. 2020. “Towards the Systematic Reporting of the Energy and Carbon Footprints of Machine Learning.” Journal of Machine Learning Research 21: 1–43. https://jmlr.org/papers/volume21/20-312/20-312.pdf.

Hong, Sirui et al. 2023. “MetaGPT: Meta Programming for a Multi-Agent Collaborative Framework.” arXiv, ahead of print. https://doi.org/10.48550/arXiv.2308.00352.

International Organization for Standardization, and International Electrotechnical Commission. 2023a. ISO/IEC 23894:2023 — Artificial intelligence — Risk management. ISO. https://www.iso.org/standard/77304.html.

International Organization for Standardization, and International Electrotechnical Commission. 2023b. ISO/IEC 42001:2023 — Information technology — Artificial intelligence — Management system. ISO. https://www.iso.org/standard/42001.

ISO. 2018. Greenhouse Gases — Carbon Footprint of Products — Requirements and Guidelines for Quantification. https://www.iso.org/standard/71206.html.

ISO/IEC. 2016. Information Technology — Data Centres — Key Performance Indicators — Part 2: Power Usage Effectiveness (PUE). https://www.iso.org/standard/63451.html.

ISO/IEC. 2021. Information Technology — Data Centres — Key Performance Indicators — Part 6: Energy Reuse Factor (ERF). https://www.iso.org/standard/71717.html.

ISO/IEC. 2022. Information Technology — Data Centres — Key Performance Indicators — Part 8: Carbon Usage Effectiveness (CUE). https://www.iso.org/standard/77691.html.

Jennings, Nicholas R., Katia Sycara, and Michael Wooldridge. 1998. “A Roadmap of Agent Research and Development.” Autonomous Agents and Multi-Agent Systems 1: 7–38. https://doi.org/10.1023/A:1010090405266.

Kuo, Te-Wei, Hao-Cheng Kuo, Chun-Tsai Kuo, Lucila Ohno-Machado, and Hsing-Kuo Kenneth Pao. 2020. “Privacy-Preserving Model Learning on a Blockchain Network-of-Networks.” Journal of the American Medical Informatics Association 27 (3): 343–54. https://doi.org/10.1093/jamia/ocz214.

Laurie, Ben, Eran Messeri, and Rob Stradling. 2021. Certificate Transparency Version 2.0. Request for Comments No. 9162. RFC Editor. https://doi.org/10.17487/RFC9162.

Levy, Ido, Ben Wiesel, Sami Marreed, Alon Oved, Avi Yaeli, and Segev Shlomov. 2024. “ST-WebAgentBench: A Benchmark for Evaluating Safety and Trustworthiness in Web Agents.” arXiv, ahead of print. https://doi.org/10.48550/arXiv.2410.06703.

Lewis, Patrick, Ethan Perez, Aleksandra Piktus, et al. 2020. “Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks.” Advances in Neural Information Processing Systems 33. https://doi.org/10.48550/arXiv.2005.11401.

Li, Guohao, Hasan Abed Al Kader Hammoud, Hani Itani, Dmitrii Khizbullin, and Bernard Ghanem. 2023. “CAMEL: Communicative Agents for ‘Mind’ Exploration of Large Language Model Society.” arXiv, ahead of print. https://doi.org/10.48550/arXiv.2303.17760.

Li, Xinyi, Sai Wang, Siqi Zeng, Yu Wu, and Yi Yang. 2024. “A Survey on LLM-Based Multi-Agent Systems: Workflow, Infrastructure, and Challenges.” Vicinagearth 1 (9). https://doi.org/10.1007/s44336-024-00009-2.

Longpre, Shayne et al. 2023. Designing Data and Methods for Effective Instruction Tuning. https://doi.org/10.48550/arXiv.2301.13688.

Luccioni, Alexandra Sasha, Samuel Viguier, Anne-Laure Ligozat, and Yacine Jernite. 2023. “Estimating the Carbon Footprint of BLOOM, a 176B Parameter Language Model.” Journal of Machine Learning Research 24 (306): 1–53. https://www.jmlr.org/papers/volume24/23-0069/23-0069.pdf.

Mitchell, Margaret, Simone Wu, Andrew Zaldivar, et al. 2019. “Model Cards for Model Reporting.” Proceedings of the Conference on Fairness, Accountability, and Transparency, 220–29. https://doi.org/10.1145/3287560.3287596.

Nakamoto, Satoshi. 2008. Bitcoin: A Peer-to-Peer Electronic Cash System. https://bitcoin.org/bitcoin.pdf.

National Institute of Standards and Technology. 2023. Artificial Intelligence Risk Management Framework (AI RMF 1.0). NIST. https://doi.org/10.6028/NIST.AI.100-1.

OpenAI. 2024. Moderation Guide and Models. https://platform.openai.com/docs/guides/moderation.

OpenAI. 2025. Models and API Overview. https://platform.openai.com/docs/models.

Ouyang, Long, Jeff Wu, Xu Jiang, et al. 2022. “Training Language Models to Follow Instructions with Human Feedback.” Advances in Neural Information Processing Systems 35. https://doi.org/10.48550/arXiv.2203.02155.

Özdayi, Mustafa Safa, Murat Kantarcioglu, and Bradley Malin. 2020. Leveraging Blockchain for Immutable Logging and Querying Across Multiple Sites. https://arxiv.org/abs/2001.08529.

Patterson, David, Joseph Gonzalez, Quoc Le, et al. 2021. “Carbon Emissions and Large Neural Network Training.” arXiv. https://arxiv.org/abs/2104.10350.

Qu, Youyang, Md Palash Uddin, Chenquan Gan, and Yong Xiang. 2022. “Blockchain-Enabled Federated Learning: A Survey.” ACM Computing Surveys 55 (4). https://doi.org/10.1145/3524104.

Raji, Inioluwa Deborah, Andrew Smart, Rebecca N. White, et al. 2020. “Closing the AI Accountability Gap: Defining an End-to-End Framework for Internal Algorithmic Auditing.” FAT* ’20: Proceedings of the 2020 Conference on Fairness, Accountability, and Transparency, 33–44. https://doi.org/10.1145/3351095.3372873.

Schulhoff, Samuel et al. 2024. A Systematic Survey of Prompt Engineering Techniques. https://doi.org/10.48550/arXiv.2406.06608.

Schwartz, Roy, Jesse Dodge, Noah A. Smith, and Oren Etzioni. 2020. “Green AI.” Communications of the ACM 63 (12): 54–63. https://doi.org/10.1145/3381831.

Silvano, W. F., and R. Marcelino. 2020. “IOTA Tangle: A Cryptocurrency to Communicate Internet-of-Things Data.” Future Generation Computer Systems 112: 307–19. https://doi.org/10.1016/j.future.2020.05.047.

Smith, Reid G. 1980. “The Contract Net Protocol: High-Level Communication and Control in a Distributed Problem Solver.” IEEE Transactions on Computers C-29 (12): 1104–13. https://doi.org/10.1109/TC.1980.1675516.

Sompolinsky, Yonatan, Shai Wyborski, and Aviv Zohar. 2021. “PHANTOM GHOSTDAG: A Scalable Generalization of Nakamoto Consensus.” Proceedings of the 3rd ACM Conference on Advances in Financial Technologies (AFT 2021), 57–70. https://doi.org/10.1145/3479722.3480990.

Stanford HAI. 2025. AI Index Report 2025: Chapter 4 Economy. https://hai.stanford.edu/assets/files/hai_ai-index-report-2025_chapter4_final.pdf.

Strubell, Emma, Ananya Ganesh, and Andrew McCallum. 2019. “Energy and Policy Considerations for Deep Learning in NLP.” Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics, 3645–50. https://doi.org/10.18653/v1/P19-1355.

Tomescu, Alin, Vivek Bhupatiraju, Dimitrios Papadopoulos, Charalampos Papamanthou, Nikos Triandopoulos, and Srinivas Devadas. 2019. “Transparency Logs via Append-Only Authenticated Dictionaries.” Proceedings of the 2019 ACM SIGSAC Conference on Computer and Communications Security (CCS), 1299–316. https://doi.org/10.1145/3319535.3345652.

Torreño, Alejandro, Eva Onaindia, Antonı́n Komenda, and Michal Štolba. 2017. “Cooperative Multi-Agent Planning: A Survey.” ACM Computing Surveys 50 (6): 84:1–32. https://doi.org/10.1145/3128584.

Wooldridge, Michael. 2009. An Introduction to Multiagent Systems. 2nd ed. John Wiley & Sons. https://www.wiley.com/en-us/An%2BIntroduction%2Bto%2BMultiAgent%2BSystems%2C%2B2nd%2BEdition-p-9780470519462.

World Resources Institute, and World Business Council for Sustainable Development. 2015. The GHG Protocol: Corporate Accounting and Reporting Standard. https://ghgprotocol.org/corporate-standard.

Wu, Qingyun, Gagan Bansal, Jieyu Zhang, et al. 2023. “AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation.” arXiv, ahead of print. https://doi.org/10.48550/arXiv.2308.08155.

Yaga, Dylan, Peter Mell, Nik Roby, and Karen Scarfone. 2018. Blockchain Technology Overview. NIST Interagency Report No. 8202. National Institute of Standards; Technology. https://doi.org/10.6028/NIST.IR.8202.

Yao, Shunyu, Jeffrey Zhao, Dian Yu, et al. 2023. “ReAct: Synergizing Reasoning and Acting in Language Models.” Proceedings of the Eleventh International Conference on Learning Representations (ICLR). https://openreview.net/forum?id=WE_vluYUL-X.

Yao, Yifan, Jinhao Duan, Kaidi Xu, Yuanfang Cai, Zhibo Sun, and Yue Zhang. 2024. “A Survey on Large Language Model (LLM) Security and Privacy: The Good, the Bad, and the Ugly.” High-Confidence Computing 4: 100211. https://doi.org/10.1016/j.hcc.2024.100211.

Yuan, Tingting et al. 2024. “R-Judge: Benchmarking Safety Risk Awareness for LLM Agents.” Findings of EMNLP 2024. https://doi.org/10.18653/v1/2024.findings-emnlp.79.

Yue, Cong, Tien Tuan Anh Dinh, Zhongle Xie, et al. 2023. “GlassDB: An Efficient Verifiable Ledger Database System Through Transparency.” Proceedings of the VLDB Endowment 16 (6): 1359–71. https://doi.org/10.14778/3583140.3583152.

Generisches AI-DLT-Unternehmenssystem