KI-Vorlese: was Modelle lesen — und was nicht
Modelle lesen vor, Menschen prüfen nach — die Endbewertung bleibt eine redaktionelle Entscheidung.
KI-Modelle sind in der Exposure-Analyse Vorlesegeräte, keine Orakle. Sie sichten große Textmengen, erkennen wiederkehrende Muster und schlagen Knoten vor, die ein Mensch mitlesen sollte. Sie treffen keine Anlageentscheidung.
Was Modelle lesen können
Sprachmodelle erfassen Berichte, Notizen und Pressemeldungen, gliedern sie nach Rohstoffen, Standorten und Lieferanten und liefern eine erste Hypothese zur Exposure. Netzwerkalgorithmen ergänzen das um Beziehungsstrukturen, die im Text nur implizit stehen.
Was Modelle nicht lesen
Sie lesen nicht, was nicht geschrieben steht. Eine Lieferkette, die in den Unterlagen nicht auftaucht, existiert für das Modell nicht — auch wenn sie real ist. Diese Grenze ist kein Mangel des Modells, sondern eine Eigenschaft der Quellen.
Quellenlage
Geschäftsberichte, Nachhaltigkeitsberichte, öffentliche Register, Pressemeldungen. Wo eine Quelle einfließt, steht sie im Absatz.
Was offen bleibt
Die Qualität der Exposure-Hypothese hängt an der Qualität der Quellen. Der Artikel hält diese Abhängigkeit offen sichtbar, statt sie hinter einer einzelnen Zahl zu verstecken.