Flagship case study 01 / 2026

FutureAI.

Strategische Entscheidungen proben, bevor sie teuer werden.

Ein lokal betriebenes Decision-Rehearsal-System, das aus einer Entscheidung eine simulierte Stakeholder-Welt erzeugt, Gegenereignisse testet und ein nachvollziehbares Urteil mit ausgewiesener Unsicherheit liefert.

Sandbox-Demo anfragen System ansehen ↓
FutureAI / Decision SimulatorLocal runtime · private data
FutureAI Decision Simulator mit Vorlagen für Policy-, Produkt- und Marktentscheidungen
219API-Routen
laufend gemessen
59k+Lines of Code
Eigenentwicklung
107–171Tokens / Sekunde
lokale Inferenz
0Cloud-Zwang
für sensible Daten

01 — Executive Briefing

Entscheidungen scheitern selten an fehlenden Folien.

Sie scheitern an Reaktionen, Nebenwirkungen und Annahmen, die vorab niemand belastbar durchgespielt hat.

Preisänderungen, Standortentscheidungen, Policies oder Compliance-Vorgaben betreffen verschiedene Gruppen gleichzeitig. Klassische Workshops liefern Meinungen. FutureAI liefert eine reproduzierbare Probe: Welche Fraktionen entstehen? Wo kippt Zustimmung? Welche Annahme macht das Ergebnis fragil?

01

Sensible Kontexte bleiben intern.

Modelle, Suche, Persistenz und Inferenz laufen auf eigener Hardware.

02

Jede Variante bleibt vergleichbar.

Ein deterministischer Welt-Motor trennt Simulation von sprachlicher Synthese.

03

Unsicherheit wird nicht kaschiert.

Streuung, Tipping-Points und offene Kalibrierung bleiben sichtbar.

02 — Product System

Vom Rohtext zum belastbaren Decision Memo.

Ein Prozess verbindet Weltmodell, Stakeholder-Simulation, kontrafaktische Ereignisse und Prognose. Die Oberfläche macht die Kette von Annahme zu Schlussfolgerung prüfbar.

  1. 01 / Ingest

    Ein Text wird zur operablen Welt.

    Seed-to-World extrahiert Akteure, Fraktionen, Objectives und einen Kausalgraphen. Varianten forken die bestehende Welt, statt Kontext neu aufzubauen.

    • Strukturierte Akteure und Interessen
    • Versionierbare Ausgangslage
    Seed → World01
    Seed-to-World extrahiert Akteure, Fraktionen und Kausalgraph aus Rohtext
    Aus unstrukturiertem Kontext entsteht ein reproduzierbares Simulationsmodell.

  2. 02 / Simulate

    Die Welt tickt ohne LLM im Kern.

    Bewegung, Wirtschaft, Wissen und Governance werden regelbasiert fortgeschrieben. Gleicher Seed, gleiches Ergebnis: Läufe bleiben wiederholbar und vergleichbar.

    • Deterministische Replays
    • Kostenarme Sensitivitätsanalyse
    World Engine02
    FutureAI World Mode mit Agenten, Metriken, Fork- und Tick-Steuerung
    43 Agenten, messbare Zustände und vergleichbare Alternativwelten.

  3. 03 / Stress test

    Gegenereignisse zeigen, was das Urteil aushält.

    Umfrage, Klage oder Gesetzesbeschluss werden injiziert. Synthetische Stakeholder reagieren gemäß ihrem Profil und mit ausgewiesener Konfidenz.

    • Kontrafaktische Ereignisse
    • Reaktionen mit Konfidenz
    God Mode03
    FutureAI God Mode mit Ereignis-Editor und Persona-Reaktionen
    Ein Ereignis hinein — begründete Persona-Reaktionen zurück.

  4. 04 / Decide

    Das Ergebnis endet nicht bei einem Score.

    Der Simulator bündelt Urteil, Konsens-Spread und Begründung in einem exportierbaren Memo. Die Kette von Annahme zu Schlussfolgerung bleibt offenlegbar.

    • Begründetes Urteil
    • Exportierbares Decision Memo
    Decision Simulator04
    FutureAI Decision Simulator für Varianten und begründete Urteile
    Ein Flow statt zehn Werkzeuge: Entscheidung → Simulation → Memo.

03 — Uncertainty by design

Ein seriöses System darf „unklar“ sagen.

Mehrere unabhängige Läufe liefern Konsens-Wahrscheinlichkeit und Tipping-Points. Ein Spread über 15 Prozentpunkte wird als echte Unsicherheit markiert, nicht zu Scheinpräzision gemittelt.

Society ForecastMonte Carlo
Society Forecast mit Läufen, Runden, Thin-Agenten und Schock-Ereignis
Wenige „thick“ Personas liefern Tiefe; bis zu 200 Thin-Agenten je Cluster liefern Breite.
Validation LogCalibration
Validation-Log mit Backtest-Baseline und offenen Prognosen
Backtest-Baseline und ausstehende reale Kalibrierung bleiben getrennt.

04 — Architecture

Produktentscheidungen, nicht Technologie-Dekoration.

01

Determinismus als Ökonomie

Der Welt-Motor läuft ohne LLM. Replays und Sensitivitätsanalysen bleiben reproduzierbar und bezahlbar.

02

Kausalgraph als harte Wahrheit

Ein Wächter verhindert, dass Begründungen Ursachen erfinden, die im Regelgraphen nicht existieren.

03

Unsicherheit als Ergebnis

Unabhängige Läufe werden aggregiert. Echte Streuung bleibt sichtbar.

04

Zwei lokale Modellpfade

Massenaufrufe laufen schnell; Synthese und Memos stark. Reasoning wird gezielt zugeschaltet.

05

Local-first als Zugang

Inferenz, Vektorsuche, Websuche und Persistenz bleiben auf eigener Infrastruktur.

  • Python / FastAPI
  • React / TypeScript
  • SQLite
  • llama.cpp + MTP
  • SearXNG
  • Multi-Agent Simulation

05 — Evidence, not theatre

Messwerte mit Herkunft. Grenzen mit Absicht.

Alle Werte stammen aus dem internen R&D-Prototyp und wurden selbst gemessen, nicht extern auditiert.

219

API-Routen

Laufender Dienst, intern gemessen

59.000+

Lines of Code

110 Commits · Eigenentwicklung

0.18

Brier Score

Backtest · 8 Referenzszenarien

107–171

Tokens / Sekunde

Intern gemessen · RTX 5090

Einordnung des gemessenen Brier Score Skala des Brier Score von 0,00 bis 0,50, wobei niedriger besser ist. Bei 0,25 liegt der Wert, den eine konstante 50-zu-50-Prognose erreicht. Der im Backtest über acht Referenzszenarien gemessene Wert liegt bei 0,18. BRIER SCORE — NIEDRIGER IST BESSER 0.25 · KONSTANTE 50/50-PROGNOSE 0.000.100.20 0.300.400.50 0.18 gemessen BACKTEST · 8 REFERENZSZENARIEN

Skala seitlich scrollbar →

Ein Brier Score ohne Bezugspunkt sagt nichts. Der relevante Vergleich ist 0.25 — der Wert, den man mit einer konstanten „fifty-fifty“-Ansage erreicht. 0.18 liegt darunter, aber auf acht Szenarien: eine Richtungsangabe, keine belastbare Kalibrierung.

Offene Arbeit

Was vor einem Pilot noch fehlt.

  1. 01

    Reale Kalibrierung

    Prognose-Ausgang-Paare und eine echte Kalibrierungskurve sind der wichtigste offene Schritt.

  2. 02

    Belastbarere Kernmetriken

    Stance und Sentiment arbeiten teils heuristisch. Ein getesteter Klassifikator soll sie absichern.

  3. 03

    Härtung für den Kundeneinsatz

    Zugriffskontrolle und Mandantentrennung fehlen noch. Das erste Format ist ein begleiteter Workshop, kein Self-Service-SaaS.

06 — Next move

Komplexe AI-Systeme brauchen Produkturteil — nicht nur Code.

FutureAI belegt Konzeption, Architektur und Umsetzung aus einer Hand: vom Business-Problem über lokale Inferenz und Multi-Agent-Orchestrierung bis zum prüfbaren Produkt-Flow.

Geführte Demo vereinbaren Profil & Kontakt ↗
Demo per Screenshare oder abgeschottetem Gastzugang. Der Quellcode ist nicht öffentlich.