AIM-Bench: LLM-Agenten im Lagerbestand – Bias-Analyse und Lösungsansätze

Mit den jüngsten Fortschritten in mathematischem Denken und langfristiger Planung haben große Sprachmodelle (LLMs) die Entwicklung von Agenten vorangetrieben, die zunehmend in Geschäftsprozessen eingesetzt werden. Besonders wichtig ist die Optimierung von Lagerbeständen, ein Kernbereich des Operations Managements. Bisher blieb jedoch unklar, wie gut LLM‑Agenten in unsicheren Situationen Entscheidungen treffen und welche Entscheidungsbias – etwa Framing‑Effekte – dabei auftreten.

Um diese Lücken zu schließen, wurde AIM‑Bench entwickelt. Das Benchmark‑Set bewertet das Entscheidungsverhalten von LLM‑Agenten in einer Vielzahl von Lieferketten‑Szenarien, die Unsicherheit und komplexe Nachschubentscheidungen simulieren. Die Ergebnisse zeigen, dass verschiedene LLMs unterschiedliche Bias‑Grad aufweisen, die denen menschlicher Entscheider ähneln.

Darüber hinaus wurden Strategien zur Reduktion von „Pull‑to‑Centre“ und Bullwhip‑Effekten untersucht. Durch kognitive Reflexion und den Einsatz von Informationsaustausch konnten die Agenten ihre Entscheidungen verbessern. Diese Erkenntnisse betonen die Notwendigkeit, Biases bei der Nutzung von LLMs in der Lagerbestandsplanung zu berücksichtigen und bieten Ansatzpunkte für die Entwicklung von menschenzentrierten Entscheidungshilfesystemen.