Viele KI-Vorhaben beginnen unspektakulär: Jemand erkennt ein Problem, kennt eine interessante Technologie und verbindet beides zu einer ersten Lösungsidee. Das reicht, um eine Diskussion zu beginnen. Schwieriger wird die Frage, ab wann diese Idee konkret genug ist, um sinnvoll Zeit, Daten oder technische Ressourcen in die weitere Untersuchung zu investieren.
Dafür drei Beispiele aus demselben fiktiven Ausgangsproblem.
A
Wir wollen generative KI einsetzen, um unseren technischen Support effizienter zu machen.
B
Unsere Servicetechniker verbringen regelmäßig Zeit damit, Informationen aus mehreren Dokumentationssystemen zusammenzusuchen. Wir wollen prüfen, ob eine KI-Anwendung diese Recherche beschleunigen kann.
C
Bei technischen Servicefällen sollen Informationen aus drei bestehenden Dokumentationsquellen schneller auffindbar werden. Eine KI-Anwendung könnte zu einem konkreten Fall relevante Textstellen zusammenstellen und die verwendeten Quellen ausweisen. Zunächst soll geprüft werden, ob sich damit die Recherchezeit bei einem abgegrenzten Falltyp reduzieren lässt. Ob Datenzugriff und Ergebnisqualität dafür ausreichen, ist noch offen.
Wo würden Sie die Grenze ziehen?
A ist kaum mehr als eine Lösungsrichtung, während C bereits deutlich strukturierter wirkt. B liegt irgendwo dazwischen – und genau dort wird die Frage interessant.
Eine allgemein richtige Antwort gibt es nicht, denn die notwendige Klarheit hängt davon ab, welche Entscheidung auf Grundlage der Beschreibung getroffen werden soll.
Für eine erste strukturierte Untersuchung würde ich B bereits als ausreichend konkret ansehen. Für die Freigabe eines technischen Proof of Concept (PoC) wäre mir selbst C noch zu offen.
Damit beschreibt „belastbar“ keinen absoluten Reifegrad. Gemeint ist hier vielmehr die Frage:
Ist bereits genug geklärt, um den nächsten relevanten Prüf- oder Entscheidungsschritt begründet festzulegen?
Im weiteren Verlauf unterscheide ich deshalb drei Schwellen:
- Problemklärung: Es gibt genug Substanz, um das eigentliche Problem sinnvoll einzugrenzen.
- Klärungsfähiges Vorhaben: Es gibt genug Klarheit, um die nächste relevante Unsicherheit gezielt zu untersuchen.
- PoC-Reife: Es gibt genug Klarheit, um einen begrenzten technischen Versuch mit Scope, Daten, Testbedingungen und Bewertungslogik sinnvoll aufzusetzen.
Problemklärung und Vorhabenklärung sind zwei unterschiedliche Schritte: Die Problemklärung klärt zunächst, welches reale Problem vorliegt, für wen es relevant ist und wodurch es entsteht. Erst die Vorhabenklärung formt daraus einen konkreten Untersuchungsgegenstand: wo eine mögliche Lösung eingreifen soll, welche Rolle KI dabei spielen könnte, welche Wirkung erwartet wird und welche Prüffrage als Nächstes beantwortet werden muss.
Eine erste Problemklärung kann daher sinnvoll abgeschlossen sein, ohne dass bereits ein belastbares Vorhaben existiert. Dieser Beitrag konzentriert sich auf die zweite Schwelle: den Übergang zum klärungsfähigen Vorhaben.
Kurzfassung für Entscheider
Für Leser mit wenig Zeit: die Kernaussagen dieses Beitrags in kompakter Form.
Kernaussage
Eine KI-Idee ist für die weitere Vorhabenklärung belastbar genug, wenn Problem, Einsatzkontext, mögliche Rolle der KI und erwartete Wirkung so weit konkretisiert sind, dass die wichtigste nächste Prüffrage benannt werden kann.
- Welches Problem soll untersucht werden?
- In welchem Einsatzkontext tritt es auf?
- Welche Rolle könnte KI dabei übernehmen?
- Welche reale Veränderung wird erwartet?
- Welche wesentliche Frage muss als Nächstes beantwortet werden?
Was etablierte Praxisrahmen gemeinsam betonen
- Google beginnt ML-Problem-Framing mit Problem, Use Case und Daten und stellt ausdrücklich die Frage, ob Machine Learning überhaupt der passende Ansatz ist.
- Der britische AI Playbook fordert, AI-Use-Cases von realen Business- und Nutzerproblemen aus zu entwickeln.
- NIST verlangt unter anderem Klarheit über Zweck, Einsatzkontext, Organisationsziele, Geschäftswert, Anforderungen und Risiken. [1][2][3]
Grenze der Aussage
Es gibt keinen allgemein anerkannten Schwellenwert, ab dem eine KI-Idee objektiv als „belastbares Vorhaben“ gilt. Die hier verwendete Grenze ist eine Entscheidungsheuristik.
Praktische Konsequenz
Vor dem nächsten technischen Schritt sollte ausreichend klar sein, welches Problem untersucht wird, wo eine mögliche Lösung eingreifen soll, welche Veränderung erwartet wird und welche offene Frage als Nächstes beantwortet werden muss.
Eine KI-Idee wird nicht konkreter, nur weil die Technologie konkreter wird
Viele frühe Vorhabensbeschreibungen beginnen bei der Lösung: Ein Sprachmodell soll internes Wissen zugänglich machen, Machine Learning soll Ausfälle vorhersagen oder ein Agent soll wiederkehrende Tätigkeiten automatisieren.
Damit ist bereits eine technische Richtung benannt, über das eigentliche Vorhaben wissen wir trotzdem wenig.
Google setzt beim Problem Framing deshalb früher an. Bevor ein Problem in ML-Begriffen formuliert wird, soll geprüft werden, ob Machine Learning überhaupt der geeignete Ansatz ist. Dafür müssen zunächst Problem, Use Case und relevante Daten verstanden werden; erst anschließend werden Modellziel, Output und Erfolgsmetriken formuliert. [1]
Der AI Playbook der britischen Regierung argumentiert ähnlich: AI-Use-Cases sollen von Business- und Nutzerbedürfnissen, Problemen und Ineffizienzen ausgehen und nicht davon, was eine Technologie grundsätzlich leisten kann. Zugleich soll geprüft werden, ob AI gegenüber bestehenden Verfahren tatsächlich einen relevanten Vorteil bietet. [2]
Damit verändert sich die Reihenfolge der Fragen. Aus
„Wo können wir generative KI einsetzen?“
wird beispielsweise
„Wo verlieren Servicetechniker heute Zeit oder Qualität – und welche Art von Unterstützung könnte diesen Zustand verbessern?“
Erst danach lohnt die Frage, ob Retrieval, klassische Suche, regelbasierte Automatisierung, ein Sprachmodell oder gar keine neue Technologie der sinnvollste Ansatz ist.
Eine frühe Technologiehypothese ist dabei völlig legitim, solange sie als Hypothese behandelt wird und sich nicht unbemerkt zur bereits feststehenden Lösung entwickelt.
Wie viel Klarheit braucht ein frühes Vorhaben?
Bei der Frage nach dem richtigen Reifegrad liegen zwei Fehlrichtungen nahe:
1. Direktumsetzung
Eine plausible Anwendungsidee genügt, um Daten bereitzustellen, Anbieter anzusprechen oder unmittelbar einen Proof of Concept aufzusetzen. Die technische Erprobung beginnt, bevor ausreichend klar ist, welche konkrete Frage sie eigentlich beantworten soll.
2. Komplettklärung
Das andere Extrem versucht, vor jedem Lernschritt bereits das spätere Projekt vollständig vorwegzunehmen: Anforderungen, Architektur, Datenqualität, Wirtschaftlichkeit, Governance und Betriebsmodell sollen möglichst vor Beginn der eigentlichen Untersuchung geklärt sein.
Für die frühe Vorhabenklärung liegt die sinnvolle Schwelle dazwischen: Es braucht noch keine vollständige Projektreife, aber genug Klarheit, damit die nächste Untersuchung gezielt gewählt und ihr Erkenntniswert begründet werden kann.
Grenzfall: günstige, reversible Experimente
Eine bewusst experimentierfreudige Vorgehensweise kann weniger Vorabklärung rechtfertigen, wenn ein Test sehr günstig, schnell und ohne relevante Folgewirkungen rückgängig zu machen ist. In solchen Situationen kann es rational sein, eine offene Frage direkt durch ein kleines Experiment zu beantworten, statt sie zuerst ausführlich zu analysieren.
Auch dann sollte jedoch klar sein, welche Unsicherheit das Experiment reduzieren soll und welche Entscheidung vom Ergebnis abhängt. Sonst erzeugt der niedrige Einsatz zwar wenig Risiko, aber auch wenig verwertbare Erkenntnis.
Aus den verwendeten Praxisrahmen lässt sich dafür eine einfache Struktur mit fünf Fragen ableiten.
Sie ist keine Norm und kein allgemein gültiges Readiness-Modell, sondern meine Verdichtung der Punkte, die für diese frühe Entscheidung besonders relevant sind.
1. Welches Problem oder gewünschte Ergebnis wird untersucht?
„Wir wollen KI einsetzen“ beschreibt kein Problem.
Auch „Wir möchten unseren Support verbessern“ lässt noch fast jede Lösung zu.
Konkreter wird es beispielsweise so:
Techniker suchen bei bestimmten Servicefällen Informationen in mehreren Systemen zusammen. Die Recherche bindet Zeit und erschwert eine konsistente Bearbeitung.
Damit ist noch nicht bewiesen, dass dieser Zustand wirtschaftlich relevant genug ist. Es lassen sich nun aber gezielte Fragen stellen:
- Wie häufig tritt das Problem auf?
- Wer ist tatsächlich betroffen?
- Wie wird heute gearbeitet?
- Welche Folgen entstehen daraus?
NIST verlangt in seiner MAP-Funktion früh Klarheit über vorgesehenen Zweck und Einsatzkontext eines AI-Systems sowie über relevante Organisationsziele und den erwarteten Geschäftswert. [3]
Daraus muss zu diesem Zeitpunkt noch kein vollständiger Business Case entstehen. Die Vorhabenbeschreibung sollte aber erklären können, warum überhaupt etwas verändert werden soll.
2. Wo soll sich im realen Ablauf etwas verändern?
Ein Problem kann real sein und trotzdem zu breit beschrieben bleiben. Deshalb muss zumindest grob erkennbar werden, wo eine mögliche Lösung eingreifen würde:
- Wer nutzt sie?
- In welcher Situation?
- Welche Informationen stehen dort zur Verfügung?
- Was passiert davor und danach?
„Wissensmanagement verbessern“ kann dutzende verschiedene Probleme enthalten.
„Ein Servicetechniker soll bei einem definierten Fehlerbild schneller relevante Stellen aus drei freigegebenen Dokumentationsquellen finden“ grenzt den Untersuchungsgegenstand erheblich stärker ein.
Viele technische Fragen dürfen zu diesem Zeitpunkt noch offen sein, während Datenquellen, Nutzer, Risiken und Alternativen durch die Eingrenzung bereits sinnvoll untersucht werden können.
3. Welche Rolle soll KI dabei spielen?
Auch hierfür braucht es noch keine Architektur. Zunächst genügt eine funktionale Beschreibung:
- Informationen finden
- Inhalte zusammenfassen
- Fälle klassifizieren
- Entwicklungen prognostizieren
- Vorschläge erzeugen
- Entscheidungen unterstützen
- Handlungen selbst ausführen
Diese Unterschiede verändern die späteren Anforderungen erheblich.
Ein System, das einem Mitarbeiter relevante Dokumentstellen vorschlägt, stellt andere Anforderungen als eines, das einen technischen Fall selbstständig klassifiziert und einen Folgeprozess auslöst.
NIST fordert entsprechend, die konkreten Aufgaben zu bestimmen, die ein AI-System unterstützen soll. [3]
An dieser Stelle sollte außerdem eine weitere Frage zulässig bleiben:
Warum eigentlich KI?
Wenn eine verbesserte Suchfunktion, ein saubererer Prozess oder klassische Automatisierung denselben Zweck zuverlässiger oder mit geringerem Aufwand erfüllt, wäre das kein Scheitern der Vorhabenklärung, sondern ein brauchbares Ergebnis.
4. Welche Veränderung müsste sichtbar werden?
Spätestens hier braucht die Idee eine Wirkungshypothese.
Für das Beispiel könnte sie lauten:
Wenn relevante Informationen für definierte Servicefälle schneller auffindbar werden, sollte die benötigte Recherchezeit sinken, ohne dass die Verlässlichkeit der verwendeten Informationen unvertretbar schlechter wird.
Das ist noch kein Messkonzept: Baseline, Zielwerte, Stichprobe, Testbedingungen und genaue Qualitätskriterien können an diesem Punkt weiterhin offen sein.
Wichtig ist zunächst, dass erkennbar wird, welcher reale Zustand sich verändern müsste, damit das Vorhaben überhaupt interessant bleibt.
Google trennt ausdrücklich zwischen dem gewünschten realen Outcome und technischen Modellmetriken. Ein Modell kann gute Evaluationswerte erreichen und trotzdem den gewünschten Anwendungserfolg verfehlen. [4]
Für die frühe Vorhabenklärung sollte die erste Erfolgsvorstellung deshalb über technische Modellgüte hinausgehen und beantworten:
Welche Arbeit, Entscheidung oder Prozessleistung soll sich tatsächlich verbessern?
5. Welche Frage muss als Nächstes beantwortet werden?
Dieser Punkt markiert für mich die eigentliche Schwelle, weil ein Vorhaben nicht erst dann belastbar wird, wenn alle Fragen beantwortet sind. Entscheidend ist zunächst, ob sich die noch offenen Fragen so weit strukturieren lassen, dass der nächste Erkenntnisschritt begründet gewählt werden kann.
Beim Supportbeispiel könnten sehr unterschiedliche Punkte den nächsten Schritt bestimmen:
- Sind die benötigten Dokumente zuverlässig zugänglich?
- Lassen sich relevante Informationen eindeutig einem Fall zuordnen?
- Ist der heutige Rechercheaufwand groß genug, um eine neue Lösung zu rechtfertigen?
- Welche Fehler wären im konkreten Einsatz akzeptabel?
- Reicht eine verbesserte klassische Suche bereits aus?
Nicht alles muss gleichzeitig untersucht werden. Wenn sich jedoch nicht erkennen lässt, welche dieser Fragen die nächste Entscheidung maßgeblich beeinflusst, bleibt auch der nächste Schritt beliebig.
Hier würde ich deshalb die Grenze ziehen:
Aus der KI-Idee ist ein klärungsfähiges Vorhaben geworden, sobald der nächste sinnvolle Erkenntnisschritt begründet werden kann.
Das bedeutet ausdrücklich noch nicht, dass das Vorhaben bereits wirtschaftlich sinnvoll, technisch machbar oder pilotreif ist. Diese Prüfungen folgen erst in späteren Schritten.
Die fünf Fragen reichen nur mit substantiellen Antworten
Ein Raster kann formal vollständig ausgefüllt und trotzdem inhaltlich leer bleiben. Aussagen wie „Support verbessern“, „Daten sind vorhanden“ oder „KI unterstützt den Mitarbeiter“ besetzen zwar die vorgesehenen Felder, grenzen aber noch kaum eine Entscheidung ein.
Für jede der fünf Antworten lohnt deshalb eine kurze Gegenprobe:
- Konkret: Wird der Untersuchungsgegenstand tatsächlich enger?
- Prüfbar: Lässt sich erkennen, welche Beobachtung oder welches Ergebnis die Annahme infrage stellen würde?
- Entscheidungsrelevant: Würde eine andere Antwort den nächsten Schritt verändern?
Wenn alle drei Fragen verneint werden, ist meist nur eine Beschreibung präziser geworden, nicht die Entscheidung.
Was an diesem Punkt noch offen bleiben darf
Eine frühe Vorhabenklärung muss viele Fragen noch nicht beantworten.
Ob vorhandene Daten tatsächlich geeignet sind, kann Gegenstand des nächsten Schritts sein. Auch die spätere Architektur muss nicht feststehen, und ein belastbarer Return on Investment lässt sich häufig erst bestimmen, wenn heutiger Aufwand, realistischer Nutzen und notwendige Investitionen besser verstanden sind. Modellmetriken, Akzeptanzgrenzen und Pilotbedingungen können ebenfalls später folgen.
Offene Fragen sind daher kein Zeichen schlechter Vorhabenklärung. Schwierig wird es erst, wenn sie so unscharf bleiben, dass praktisch jeder nächste Schritt gleichermaßen plausibel erscheint und damit keine klare Prüfentscheidung mehr möglich ist.
Zurück zu A, B und C
Wie sehen die drei Beispiele nach diesen fünf Fragen aus?
A
Wir wollen generative KI einsetzen, um unseren technischen Support effizienter zu machen.
Hier kennen wir vor allem eine Technologie und eine allgemeine gewünschte Richtung. Welches konkrete Problem untersucht wird, wo die Anwendung eingreifen soll und woran Verbesserung erkennbar wäre, bleibt offen.
Für einen technischen Test wäre mir das zu wenig, für eine erste Problemklärung kann es dagegen völlig genügen.
B
Unsere Servicetechniker verbringen regelmäßig Zeit damit, Informationen aus mehreren Dokumentationssystemen zusammenzusuchen. Wir wollen prüfen, ob eine KI-Anwendung diese Recherche beschleunigen kann.
Jetzt existieren bereits ein Problem, betroffene Nutzer, ein Teil des Prozesskontexts und eine mögliche Wirkung.
Für die hier verwendete Einordnung würde ich B bereits als klärungsfähiges Vorhaben behandeln.
Für die Freigabe eines PoC fehlen dagegen unter anderem Scope, Datenlage, Testbedingungen und eine präzisere Vorstellung davon, wie Verbesserung bewertet werden soll.
C
Bei technischen Servicefällen sollen Informationen aus drei bestehenden Dokumentationsquellen schneller auffindbar werden. Eine KI-Anwendung könnte zu einem konkreten Fall relevante Textstellen zusammenstellen und die verwendeten Quellen ausweisen. Zunächst soll geprüft werden, ob sich damit die Recherchezeit bei einem abgegrenzten Falltyp reduzieren lässt. Ob Datenzugriff und Ergebnisqualität dafür ausreichen, ist noch offen.
Hier ist der Untersuchungsgegenstand deutlich enger, obwohl die Machbarkeit weiterhin ungeklärt bleibt:
- Die Dokumente könnten ungeeignet sein.
- Der heutige Rechercheaufwand könnte wirtschaftlich kaum relevant sein.
- Eine bestehende Suchtechnologie könnte bereits ausreichen.
- Die benötigte Ergebnisqualität könnte technisch nicht erreichbar sein.
C ist damit noch keine gute oder machbare Lösung. Die Beschreibung ist aber konkret genug, um begründet festzulegen, welche dieser Fragen als Nächstes untersucht werden sollte.
Die fünf Fragen auf einen Blick
Bevor aus einer KI-Idee der nächste technische Schritt abgeleitet wird, sollten fünf Fragen beantwortbar sein:
- Problem: Welches konkrete Problem oder gewünschte Ergebnis soll untersucht werden?
- Einsatzkontext: Wo, für wen und in welchem Ablauf soll sich etwas verändern?
- Rolle der KI: Welche konkrete Funktion soll die Technologie übernehmen – und welche Alternativen bleiben denkbar?
- Wirkung: Welche reale Veränderung müsste sichtbar werden, damit das Vorhaben relevant bleibt?
- Nächste Prüffrage: Welche noch offene Frage beeinflusst die nächste Entscheidung am stärksten?
Wenn diese fünf Punkte ausreichend klar sind, muss das Vorhaben noch nicht machbar oder wirtschaftlich sein. Es ist aber konkret genug, um den nächsten Erkenntnisschritt gezielt zu wählen.
Belastbarkeit hängt von der nächsten Entscheidung ab
Damit lässt sich die Eingangsfrage präziser beantworten:
Eine Beschreibung kann ausreichend belastbar sein, um eine strukturierte Analyse zu beginnen, und gleichzeitig völlig unzureichend für eine Investitionsfreigabe. Sie kann genügen, um Datenzugang zu untersuchen, obwohl sie für einen Proof of Concept noch zu unreif ist. Ebenso kann ein technisch plausibles Vorhaben noch keine ausreichende wirtschaftliche Begründung besitzen.
Die notwendige Reife hängt deshalb davon ab, welche Entscheidung als Nächstes getroffen werden soll.
Für den Übergang von einer Idee in die strukturierte Vorhabenklärung genügt aus meiner Sicht folgende Schwelle:
- Das Problem lässt sich konkret untersuchen.
- Der Einsatzkontext ist eingrenzbar.
- Die angenommene Rolle der KI ist beschreibbar und weiterhin hinterfragbar.
- Eine gewünschte reale Veränderung ist erkennbar.
- Die nächste wesentliche Prüffrage kann benannt werden.
Mehr Klarheit hilft, vollständige Projektreife wäre an dieser Stelle jedoch der falsche Maßstab.
Der nächste Schritt besteht deshalb noch nicht darin, festzulegen, wie eine Lösung gebaut wird. Zuerst lohnt eine andere Frage:
Welche Entscheidung soll das Vorhaben eigentlich verbessern – und woran würde man erkennen, dass es dafür relevant genug ist?
Ergebnis zur Ausgangsfrage
Für die in diesem Beitrag betrachtete Schwelle lautet meine Antwort: Ab B würde ich von einem klärungsfähigen Vorhaben sprechen.
- A: ausreichend für eine erste Problemklärung, aber noch zu offen für eine gezielte Vorhabenuntersuchung.
- B: ausreichend konkret, um die nächste relevante Prüffrage begründet festzulegen.
- C: stärker eingegrenzt, aber weiterhin kein Nachweis für technische Machbarkeit oder PoC-Reife.
Die Schwelle ist erreicht, wenn Problem, Einsatzkontext, Rolle der KI und erwartete Wirkung so weit geklärt sind, dass der nächste sinnvolle Erkenntnisschritt gezielt gewählt werden kann.
Genau dort setzt der nächste Beitrag an: Welche Entscheidung oder Handlung soll das Vorhaben tatsächlich verbessern – und woran lässt sich diese Verbesserung erkennen?
Entscheidungsübersicht
Kernaussage
Eine KI-Idee ist für die weitere Vorhabenklärung belastbar genug, wenn Problem, Einsatzkontext, mögliche Rolle der KI und erwartete Wirkung so weit konkretisiert sind, dass die wichtigste nächste Prüffrage benannt werden kann.
Was etablierte Praxisrahmen gemeinsam betonen
Problem, Einsatzkontext, Nutzer, Daten, erwartete Wirkung und die Frage, ob Machine Learning überhaupt der passende Ansatz ist, sollten vor dem nächsten technischen Schritt ausreichend klar sein. [1] [2] [3]
Grenze der Aussage
Es gibt keinen allgemein anerkannten Schwellenwert für ein objektiv „belastbares Vorhaben“. Die hier verwendete Grenze ist eine Entscheidungsheuristik für den Übergang in die gezielte Vorhabenklärung.
Praktische Konsequenz
Vor dem nächsten technischen Schritt sollte klar genug sein, welches Problem untersucht wird, wo eine mögliche Lösung eingreifen soll, welche Veränderung erwartet wird und welche offene Frage als Nächstes beantwortet werden muss.
Quellen
- [1] Google for Developers – Machine Learning: Problem Framing. Relevant insbesondere die Abschnitte zum Problemverständnis, Use Case, Datenverständnis und zur Prüfung, ob Machine Learning überhaupt der geeignete Ansatz ist. Overview · Summary
- [2] UK Government / Department for Science, Innovation and Technology – Artificial Intelligence Playbook for the UK Government. Veröffentlicht am 10.02.2025. Relevant insbesondere die Abschnitte zur Definition des Ziels, zur Auswahl geeigneter AI-Use-Cases und zum Grundsatz, das passende Werkzeug für die Aufgabe einzusetzen. Der Playbook richtet sich an den öffentlichen Sektor; die Übertragung auf Unternehmensvorhaben betrifft hier die allgemeine Entscheidungslogik, nicht sektorspezifische Vorgaben. Quelle
- [3] National Institute of Standards and Technology – Artificial Intelligence Risk Management Framework (AI RMF 1.0). NIST AI 100-1, veröffentlicht am 26.01.2023. Relevant insbesondere MAP 1.1, 1.3–1.6 und 2.1 zu Zweck, Einsatzkontext, Organisationszielen, Geschäftswert, Risikotoleranz, Anforderungen und Aufgaben des Systems. Das Framework ist freiwillig, sektorneutral und kein Projektmanagementstandard. NIST AI RMF 1.0 · AIRC / MAP
- [4] Google for Developers – Machine Learning: Framing an ML problem. Relevant insbesondere die Trennung zwischen gewünschtem realem Outcome, Modellziel, Modellausgabe und Erfolgsmetriken. Quelle