In der aktuellen Diskussion rund um Agentic AI stehen häufig die Fähigkeiten von Modellen im Mittelpunkt. Neue Systeme können planen, Werkzeuge aufrufen, Arbeitsabläufe orchestrieren und zunehmend komplexe Aufgaben übernehmen. Sobald diese Diskussion jedoch die Welt der Demos verlässt und auf reale betriebliche Fragestellungen trifft, verschiebt sich die Perspektive. Dann stellt sich nicht mehr die Frage, ob ein KI-Agent eine Aufgabe ausführen kann. Viel interessanter wird die Frage, ob er die Umgebung versteht, in der eine Entscheidung getroffen werden muss. Genau diese Fragestellung stand am Ausgangspunkt eines Urban-Digital-Twin-Szenarios für Frankfurt am Main. Ziel war es, zu untersuchen, wie sich räumliche Analysen, Simulationen und KI miteinander verbinden lassen, um Entscheidungsprozesse in einem komplexen städtischen Umfeld zu unterstützen. Im Laufe der Arbeiten entstand jedoch eine viel grundlegendere Erkenntnis: Bevor ein KI-Agent sinnvolle Entscheidungen unterstützen kann, muss er die räumlichen Zusammenhänge verstehen, die eine Stadt prägen. Städte sind keine Ansammlung unabhängiger Systeme. Verkehr, Infrastruktur, Wetter, Energieverbrauch, öffentliche Verkehrsmittel, Baustellen und menschliches Verhalten beeinflussen sich ständig gegenseitig. Wer diese Wechselwirkungen verstehen möchte, benötigt mehr als Daten. Er benötigt Kontext. Und dieser Kontext ist in vielen Fällen räumlicher Natur.
Jede Stadt besitzt ein Gedächtnis
Wenn von Digital Twins die Rede ist, denken viele zuerst an Echtzeitdaten. Verkehrsströme, Sensoren, Baustellen, Wetterinformationen oder aktuelle Ereignisse bestimmen häufig die Wahrnehmung dessen, was ein digitaler Zwilling leisten soll. Während der Arbeit am Frankfurter Szenario wurde jedoch schnell deutlich, dass die Gegenwart nur einen Teil der Geschichte erzählt. Städte besitzen auch ein Gedächtnis. Jeder Verkehrsunfall hinterlässt Spuren in den Daten. Wiederkehrende Staus erzeugen Muster. Bestimmte Kreuzungen oder Straßenzüge weisen über Jahre hinweg ähnliche Auffälligkeiten auf. Werden diese Muster sichtbar gemacht, entsteht allmählich ein Verständnis dafür, wie sich Risiken im urbanen Raum entwickeln. Aus diesem Grund begann die Analyse nicht mit KI, sondern mit historischen Verkehrsunfalldaten.
Der Anspruch bestand nicht darin, einzelne Unfälle zu untersuchen oder eine weitere Heatmap zu erzeugen. Interessant war die Frage, ob sich über mehrere Jahre hinweg stabile räumliche Muster erkennen lassen, die Hinweise auf die Funktionsweise des Verkehrssystems liefern. Dabei bestätigten einige Ergebnisse die Erwartungen. Hohe Unfallkonzentrationen traten entlang wichtiger Verkehrsachsen, an stark genutzten Kreuzungen und rund um zentrale Verkehrsknotenpunkte auf. Andere Ergebnisse überraschten dagegen. Bestimmte Bereiche der Stadt erschienen immer wieder in den Analysen, obwohl sie auf den ersten Blick keine herausragende Rolle im Verkehrsnetz spielten.
Erst durch die Einbeziehung zusätzlicher Geodaten, etwa zur Siedlungsstruktur, zur Verkehrsinfrastruktur oder zur Nutzung des öffentlichen Raums, entstand ein schlüssigeres Bild. Die eigentliche Erkenntnis lag dabei nicht in einzelnen Hotspots, sondern in der Beständigkeit bestimmter Muster. Einige Bereiche der Stadt entwickelten über Jahre hinweg ähnliche Risikostrukturen, während andere überraschend stabil blieben.
Der Blick zurück reicht nicht aus
Historische Daten helfen dabei, die Vergangenheit zu verstehen. Entscheidungen werden jedoch für die Zukunft getroffen.Aus diesem Grund wurde die Analyse um Verkehrssimulationen erweitert. Während die Unfallanalysen beantworten, was in den vergangenen Jahren geschehen ist, erlauben Simulationen einen Blick auf mögliche zukünftige Entwicklungen.
Wie verändern sich Verkehrsströme während größerer Baustellen?
Welche Auswirkungen haben Umleitungen?
Wie reagieren bestimmte Bereiche der Stadt auf steigende Verkehrsbelastungen?
Welche Korridore geraten frühzeitig unter Druck?
Simulationen liefern keine Vorhersagen im klassischen Sinne. Sie ermöglichen vielmehr das Durchspielen von Szenarien und machen sichtbar, wie sich Belastungen durch ein Verkehrsnetz ausbreiten können.Zunächst existierten beide Analysewelten nebeneinander. Historische Unfallmuster auf der einen Seite, simulierte Verkehrsströme auf der anderen. Der eigentliche Mehrwert entstand erst, als beide Perspektiven miteinander kombiniert wurden.
Wenn zukünftiger Druck auf historisches Risiko trifft
Eine hohe Verkehrsbelastung ist eine wichtige Information. Ein Unfall-Hotspot ist ebenfalls eine wichtige Information.Besonders interessant werden jedoch jene Orte, an denen beide Faktoren zusammenkommen. Im Frankfurter Szenario zeigten sich Bereiche, in denen Verkehrssimulationen eine zunehmende Belastung vorhersagten und gleichzeitig historische Unfallanalysen bereits über Jahre hinweg erhöhte Risikowerte dokumentierten.
Die Analyse konzentrierte sich dadurch nicht länger ausschließlich auf Verkehr oder auf Verkehrssicherheit. Im Mittelpunkt stand plötzlich die Frage nach dem Risiko. Hier entstand eine der wichtigsten Erkenntnisse des Projekts. Der größte Mehrwert lag nicht darin, einzelne Hotspots zu identifizieren. Entscheidend war das Verständnis dafür, wie verschiedene Risikosignale miteinander interagieren. Städte geraten selten durch ein einzelnes Ereignis unter Druck. Kritische Situationen entstehen häufig dann, wenn mehrere Faktoren gleichzeitig auftreten und sich gegenseitig verstärken.Aus analytischer Sicht bedeutet dies, dass räumliche Entscheidungsunterstützung weniger mit der Bewertung einzelner Datensätze zu tun hat als mit dem Verständnis ihrer Wechselwirkungen.
An diesem Punkt wurde KI wirklich interessant
Erst nachdem diese analytische Grundlage geschaffen war, stellte sich die Frage nach dem Einsatz von KI-Agenten in einem neuen Licht.Bis dahin bestand die Herausforderung nicht darin, Berichte zu generieren oder Dashboards zusammenzufassen. Die eigentliche Aufgabe bestand darin, unterschiedliche Informationsquellen miteinander in Beziehung zu setzen und daraus belastbare Schlussfolgerungen abzuleiten.Angenommen, eine Leitstelle erhält gleichzeitig mehrere Informationen: steigende Verkehrsbelastungen, eine anstehende Wetterlage mit Starkregen, eine Großveranstaltung in der Innenstadt sowie historische Hinweise auf erhöhte Unfallrisiken in den angrenzenden Bereichen.
Jede dieser Informationen für sich betrachtet mag wenig spektakulär erscheinen. Gemeinsam ergeben sie jedoch ein deutlich komplexeres Lagebild. Genau hier entsteht Raum für neue Konzepte wie Spatial Decision Intelligence. Im Rahmen des Projekts Spatial Decision Skills wurde deshalb untersucht, wie geographische Analysefähigkeiten als Werkzeuge für KI-Agenten bereitgestellt werden können. Die Idee dahinter ist bewusst einfach gehalten: Statt davon auszugehen, dass ein Modell sämtliche Informationen bereits kennt, erhält es Zugriff auf räumliche Analysefunktionen und kann relevante Informationen selbst ermitteln. Ein Agent könnte beispielsweise Unfall-Hotspots identifizieren, kritische Infrastrukturen analysieren, alternative Routen bewerten oder die räumlichen Auswirkungen einer Entscheidung untersuchen. Die Stärke eines solchen Systems liegt nicht darin, Antworten auswendig zu kennen, sondern darin, Zusammenhänge zu erkennen und nachvollziehbar zu begründen.
Die wichtigste Frage lautete nicht „Kann die KI das?“
Während der Arbeiten tauchte eine andere Frage immer wieder auf.
Nicht: Kann die KI diese Analyse durchführen?
Sondern: Warum empfiehlt die KI genau diese Handlung?
Diese Frage erwies sich als wesentlich wichtiger als die eigentliche Empfehlung. Vertrauen entsteht nicht durch Automatisierung. Vertrauen entsteht durch Nachvollziehbarkeit. Entscheidungsträger möchten sehen, welche Daten verwendet wurden. Sie möchten die zugrunde liegenden Annahmen verstehen und nachvollziehen können, wie ein System zu einer bestimmten Empfehlung gelangt ist. Je stärker die Analysen in Richtung Entscheidungsunterstützung gingen, desto deutlicher wurde, dass Transparenz keine nachgelagerte Funktion sein kann. Sie bildet die Grundlage vertrauenswürdiger GeoAI-Systeme. Ein KI-Agent, der räumliche Zusammenhänge analysiert, muss daher mehr leisten als die Berechnung eines Ergebnisses. Er muss seinen Gedankengang offenlegen.
Vom Digital Twin zur Spatial Decision Intelligence
Rückblickend hat das Frankfurter Szenario vor allem eine Erkenntnis verdeutlicht. Die Zukunft urbaner Systeme wird nicht von autonomen KI-Agenten geprägt sein, die Entscheidungen unabhängig von Menschen treffen. Wesentlich realistischer erscheint eine Zukunft, in der räumliche Analysen, Digitale Zwillinge, Data Science und KI zusammenspielen, um komplexe Zusammenhänge verständlicher zu machen. Spatial Data Science hilft dabei, Muster zu erkennen. Digitale Zwillinge ermöglichen das Verständnis von Dynamiken und zukünftigen Entwicklungen. Agentic AI eröffnet neue Wege, unterschiedliche Wissensquellen zusammenzuführen und kontextbezogen zu nutzen. Gemeinsam weisen diese Entwicklungen auf etwas Größeres hin. Auf eine Disziplin, die sich nicht primär mit Daten oder Algorithmen beschäftigt, sondern mit besseren Entscheidungen.
Denn am Ende ist die wichtigste Frage nicht, ob KI eine Antwort generieren kann.Die entscheidende Frage lautet, ob sie dabei helfen kann, die Konsequenzen möglicher Entscheidungen besser zu verstehen, bevor gehandelt wird.Und sobald Entscheidungen Menschen, Infrastruktur oder Städte betreffen, spielt der räumliche Kontext fast immer eine zentrale Rolle.
Weiterführende Links
Diskussion
Die Arbeiten rund um das Frankfurter Urban-Digital-Twin-Szenario sowie das Projekt Spatial Decision Skills stehen noch am Anfang. Gerade deshalb interessieren uns unterschiedliche Perspektiven aus der Community.
Welche Entscheidungen sollte ein KI-Agent in einem Urban Digital Twin unterstützen dürfen?
Wo liegen die Grenzen zwischen intelligenter Assistenz und autonomer Entscheidungsfindung?
Und vielleicht die spannendste Frage:
Welche räumlichen Fähigkeiten sollte jeder Geospatial AI Agent künftig beherrschen?
%2520Office%2520skaliert.png)