SocialHub.AI
Neu · in jedem Arbeitsbereich live

KI-Governance: Selbstreflexion & Genehmigungen

Flash stellt jede von der KI initiierte Aktion hinter ein aktionsspezifisches Autorisierungsgetriebe – auto, review oder forbidden –, das pro Arbeitsbereich in der AI Activity & Approvals-Konsole konfiguriert wird. Für einen KI-Client über MCP bedeutet dies zwei Dinge: Sie können die Geschäftsobjekte und die Aktionen, die Sie ausführen dürfen, entdecken, bevor Sie handeln, und Ihre Schreibaufrufe geben strukturierte Ergebnisse zurück – ausgeführt, ausstehende menschliche Genehmigung oder abgelehnt mit einem maschinenlesbaren Grund.

Dieser Leitfaden behandelt die Introspektionswerkzeuge, die Schreibsemantik unter einer Prüfstufe und den Genehmigungslebenszyklus. Er baut auf demselben geregelten MCP-Server auf, der im MCP-Integrationsleitfaden beschrieben ist. Die Geschäftsübersicht steht auf der Produktseite KI-Governance und Freigaben. Die Stufen-Weiterleitung ist in jedem Arbeitsbereich live.

Business-object Introspektion (Bereich introspection:read)

Drei Lese-Werkzeuge lassen einen KI-Client die Gestalt des Geschäfts erkennen, bevor er es berührt: welche Objekte es gibt (einschließlich der eigenen benutzerdefinierten Felder und Objekte des Arbeitsbereichs), was jedes Attribut bedeutet, wie Objekte zusammenhängen und welche Aktionen ausführbar sind — mit ihren Vorbedingungen und der Vorgabe-Stufe. Ein wohlverhaltener Agent ruft diese zuerst auf und behandelt ein ausstehendes oder abgelehntes Schreibergebnis als das letzte Wort darüber, was sein Arbeitsbereich erlaubt.

list_objectslesen

Ermitteln Sie die für den Arbeitsbereich des Schlüssels verfügbaren Geschäftsobjekte: Mitglied, Bestellung, Coupon, Kampagne, Filiale, Produkt, Segment, Tag – sowie alle benutzerdefinierten Objekte, die der Arbeitsbereich definiert hat. Gibt den Schlüssel, die Bezeichnung und eine Kurzbeschreibung jedes object zurück. Rufen Sie die Funktion zuerst auf, um zu erfahren, was vorhanden ist, bevor Sie es lesen oder handeln.

Parameter: (none)
describe_objectlesen

Die vollständige Struktur eines object: seine Attribute (einschließlich der benutzerdefinierten Felder des Arbeitsbereichs) mit ihrem Typ und ihrer geschäftlichen Bedeutung sowie seine Beziehungen zu anderen Objekten (z. B. gehört eine Bestellung zu einem Mitglied; ein Gutschein kann einem Mitglied ausgestellt werden). PII-Felder werden nur als Metadaten zurückgegeben – Name, Typ, Semantik und ein PII-Flag – niemals ihre Werte.

Parameter: object
list_actionslesen

Die Aktionen, die ein KI-Client ausführen darf, mit den Vorbedingungen jeder Aktion und ihrer Plattform-Vorgabe für die Autorisierungsstufe (auto / review / forbidden; gear_source: 'default'). Filtern Sie nach object, um nur die Aktionen zu sehen, die es berühren. Ihr Arbeitsbereich kann je Aktion eine andere Stufe setzen, und diese Einstellung wird durchgesetzt — das Schreibergebnis sagt Ihnen, ob ein Aufruf ausgeführt wurde, aussteht oder abgelehnt wurde.

Parameter: object?

Personenbezogene Daten (PII) sind standardmäßig nur Metadaten. Die Introspektion beschreibt Felder, die persönliche Informationen enthalten (Name, Typ, Bedeutung und ein pii-Flag), gibt aber niemals deren Werte zurück. Das Lesen der tatsächlichen Mitgliederdaten erfolgt über die Mitgliederlesetools und deren eigene Bereiche.

Beispiel: Beschreiben Sie einen object und überprüfen Sie dann die Zahnräder.

Beschreibende Beispiele für die Anfrage-/Antwortstruktur (abgekürzt – echte Antworten listen jedes Feld und jede Aktion auf):

// describe_object { "object": "member" }
{
  "object": "member",
  "label": "Member",
  "meaning": "A loyalty program member owned by this workspace.",
  "fields": [
    { "name": "email",            "type": "string",  "pii": true,
      "meaning": "Contact email. PII: metadata only — values are never returned here." },
    { "name": "tier",             "type": "string",  "pii": false,
      "meaning": "Current loyalty tier." },
    { "name": "membership_no",    "type": "string",  "pii": false, "custom": true,
      "meaning": "Workspace-defined custom field." }
  ],
  "relationships": [
    { "to": "order",  "kind": "has_many",  "meaning": "Orders placed by this member." },
    { "to": "coupon", "kind": "has_many",  "meaning": "Coupons issued to this member." },
    { "to": "tag",    "kind": "has_many",  "meaning": "Tags currently applied to this member." }
  ]
}
// list_actions { "object": "member" }
{ "actions": [
  { "key": "earn_points", "object": "member", "gear": "review", "gear_source": "default", "gear_locked": false,
    "preconditions": ["compliance_outreach","budget","write_guard"], "reversal": "undo", "value_cap": { "amount": 10000 } },
  { "key": "issue_coupon", "object": "member", "gear": "review", "gear_source": "default", "gear_locked": false,
    "preconditions": ["compliance_outreach","budget","write_guard","pool_ownership"], "reversal": "undo" },
  { "key": "assign_tag", "object": "member", "gear": "review", "gear_source": "default", "gear_locked": false,
    "preconditions": ["write_guard"], "reversal": "compensating" },
  { "key": "add_member_note", "object": "member", "gear": "auto", "gear_source": "default", "gear_locked": false,
    "preconditions": ["write_guard"], "reversal": "compensating" }
], "count": 4 }

Heute bezeichnet gear die Plattform-Vorgabe jeder Aktion (gear_source: 'default'), nicht die eigene Einstellung Ihres Arbeitsbereichs. Agenten-Gewährungen wie earn_points und issue_coupon haben als Vorgabe review: Die Gewährung eines Agenten wird zur Freigabe durch eine Person eingereiht und nur ausgeführt, wenn sie freigegeben wurde; add_member_note hat als Vorgabe auto. Jeder Arbeitsbereich kann je Aktion eine eigene Stufe setzen, und diese Einstellungen sind hier noch nicht abgebildet — behandeln Sie list_actions daher als Ausgangspunkt und stützen Sie sich auf jedes Schreibergebnis (ausgeführt, ausstehend oder abgelehnt), statt Stufen über lange Sitzungen hinweg zwischenzuspeichern.

Schreiben Sie Werkzeuge unter eine Rezension: ausstehend/abgelehnt

Wenn ein MCP-Schreibwerkzeug eine Aktion mit dem Gear review anvisiert, führt der Aufruf not den Seiteneffekt nicht aus. Er gibt ein strukturiertes Ergebnis zurück: Entweder wurde der Vorschlag zur menschlichen Genehmigung in die Warteschlange gestellt (pending) oder er wurde direkt abgelehnt (refused) mit einem maschinenlesbaren reason_code und einem suggested_action.

// proposed — waiting for a human
{
  "status": "pending",
  "proposal_id": "prop_9f2c…",
  "key": "issue_coupon",
  "expires_at": "2026-07-10T00:00:00Z",  // 7 days
  "message": "Queued for human approval in
              AI Activity & Approvals."
}
// refused — with a reason and a next step
{
  "status": "refused",
  "key": "issue_coupon",
  "reason_code": "recently_rejected",
  "suggested_action": "A human rejected this
    proposal recently. Do not re-propose;
    consider a different action or ask the
    operator."
}
reason_codeBedeutungWas Ihr Makler tun sollte
gear_forbiddenDie Aktion ist für diesen Arbeitsbereich auf verboten gesetzt, oder sie wurde so aufgerufen, dass sie eine Berechtigung braucht, die sie nicht hat.Versuchen Sie es nicht erneut. Machen Sie die Ablehnung deutlich; folgen Sie den Anweisungen. suggested_action (typischerweise eine alternative Handlung oder „jemanden bitten, den Gang zu wechseln“).
recently_rejectedEin Mitarbeiter hat kürzlich denselben Vorschlag für dasselbe Ziel abgelehnt – die Plattform wird ihn nicht erneut einreichen.Respektiere die menschliche Entscheidung. Schlage sie nicht erneut vor und formuliere sie nicht um; folge ihr. suggested_action.

Jede Ablehnung trägt ein reason_code in dieser Form plus ein suggested_action – behandeln Sie die oben genannten Codes als diejenigen, auf die verzweigt werden soll, und das Feld als erweiterbar. Eine Ablehnung ist für Sie eine schwierige Grenzüberschreitung und kein Fehler, den Sie noch einmal umgehen müssen: Formulieren Sie einen Vorschlag niemals um, um an einer Ablehnung vorbeizukommen.

Der Genehmigungszyklus

Ein pending-Vorschlag wird genau auf eine Weise verarbeitet: approved, rejected oder expired. Benutzer bearbeiten ihn in der KI-Aktivitäts- und Genehmigungskonsole (einzeln oder im Batch-Verfahren nach Aktionstyp).

ZustandWie es passiertDann
pendingWährend die Ausrüstung der Aktion überprüft wird, wurde ein Schreibtool aufgerufen – der Vorschlag steht zur menschlichen Genehmigung in der Warteschlange.Genehmigt · Abgelehnt · Abgelaufen
approvedEin Mensch hat die Aktion freigegeben. Vor der Ausführung überprüft die Plattform die Begründung der KI erneut. Ist diese nicht mehr gültig (z. B. weil der Kunde bereits erneut gekauft hat), wird die Aktion nicht ausgeführt.Terminal (Ergebnis im Entscheidungsprotokoll gespeichert; umkehrbare Aktionen lassen sich mit einem Klick rückgängig machen)
rejectedEin Mensch hat es abgelehnt, optional mit einer Anmerkung. Derselbe Vorschlag wird dann erneut abgelehnt. recently_rejected falls erneut eingereicht.Terminal
expiredWenn innerhalb von 7 Tagen keine Entscheidung getroffen wird, verfällt der Vorschlag automatisch und es wird nichts ausgeführt.Terminal

Garantierte Gleichwertigkeit

  • Eine Genehmigung, eine Ausführung. Die Genehmigung eines Vorschlags führt die zugehörige Aktion genau einmal aus; eine wiederholte Genehmigung gibt das gespeicherte Ergebnis ohne weitere Auswirkungen wieder.
  • Erneutes Einreichen führt nicht zu Duplikaten. Ein erneuter Aufruf des Schreibtools für denselben Vorschlag, während dieser noch aussteht, liefert dasselbe Ergebnis (pending und proposal_id) – es wird keine zweite Karte in die Warteschlange gestellt.
  • Genehmigung wird erneut validiert, Ausführung bedingt. Zum Zeitpunkt der Genehmigung prüft die Plattform erneut, ob die Begründung der KI noch zutrifft. Ist dies nicht mehr der Fall (z. B. weil der Kunde bereits erneut gekauft hat), wird nichts ausgeführt – das Ergebnis wird anstelle der Aktion protokolliert.
  • Alles wird geprüft. Vorschlag, Entscheidung, Autorisierungspfad (auto oder eine benannte Person), Ausführung und Ergebnis werden im Entscheidungsprotokoll erfasst, wo umkehrbare Aktionen mit einem Klick rückgängig gemacht werden können.

Der Server ist die Grenze. Stufen, erneute Prüfung, Ablauf und der Schutzschalter je Aktion werden auf der Seite von SocialHub.AI durchgesetzt — niemals der Schlussfolgerung des Agenten oder seiner Bestätigung im Client anvertraut. Das Senden steuern die Stufen nicht: Win-back und andere Agentennachrichten gehen nur innerhalb ihrer eigenen Sendeleitplanken hinaus (Einwilligung und Frequenzobergrenzen), und Kampagnenentwürfe senden sich nie selbst.

Transparenz-Primitive & das Glass-Box-Modell für die Bestandsverwaltung

Die gleiche Transparenz – jede automatisierte Entscheidung protokolliert und nachvollziehbar, personenbezogene Daten aus dem Modellkontext ferngehalten – erstreckt sich über die geregelten Aktionen hinaus: auf die Optimierung des Datenverkehrs, auf ausgehende LLM-Aufforderungen und auf das klassische ML-Modellinventar, das Ranking, Vorhersage und Erkennung im gesamten Produkt ermöglicht.

A/B-Verkehrsoptimierung: das Entscheidungsprotokoll

Wiederkehrende Kampagnen (Automatisierungen und Customer Journeys) können sich dafür anmelden Automatische Optimierung des Datenverkehrs im Laufe der Zeit, wodurch die Auslieferungsgewichte auf die verschiedenen Experimentvarianten basierend auf der beobachteten Klickleistung neu verteilt werden. Jede Neuverteilung ist nachvollziehbar:

  • Entscheidungsprotokoll (nur Anhängen). Bei jeder stündlichen Neuberechnung wird ein Datensatz mit den angewendeten Gewichtungen und einer lesbaren Begründung erstellt. Datensätze werden niemals überschrieben – das Protokoll dokumentiert die vollständige Historie des Datenverkehrs.
  • Die konfigurierte Aufteilung wird nicht verändert. Die konfigurierte Aufteilung Ihres Experiments bleibt als Basiswert unverändert; optimierte Gewichtungen werden berechnet und parallel protokolliert.
  • Explorationsschwelle: 10 %. Die Gewichtung keiner Variante fällt jemals unter 10 %, sodass jede Variante weiterhin Traffic generiert und eine Trendwende erkennbar bleibt.
  • Gleichmäßige Aufteilung bis ≥100 Auslieferungen pro Variante. Die Gewichtung bleibt so lange auf der konfigurierten Aufteilung, bis jede Variante mindestens ~100 Auslieferungen erreicht hat – keine Neuverteilung bei geringen Datenmengen und kein statistischer „Gewinner“ wird durch diesen Mechanismus ermittelt.

LLM PII-Maskierung an der Provider-Naht

Bevor eine Anfrage Flash an einen externen LLM-Anbieter weitergeleitet wird, werden die persönlichen Identifikationsdaten der Mitglieder maskiert – und zwar direkt an der Schnittstelle zum Anbieter, sodass jede KI-Funktion diesen Prozess durchläuft:

  • Deterministische Pseudonyme. E-Mail-Adressen, Telefonnummern und kartenähnliche Ziffernfolgen werden durch stabile Platzhalter ersetzt. Derselbe Bezeichner wird immer demselben Pseudonym zugeordnet, sodass die Argumentation des Modells über eine Eingabeaufforderung hinweg konsistent bleibt.
  • Die Maskierung gilt für jede ausgehende Eingabeaufforderung jeder KI-Funktion – es gibt nichts zu aktivieren, und sie kann nicht im Produkt deaktiviert werden.
  • Nur maskiert, niemals demaskiert. Die Zuordnung ist an der Ausgabegrenze unidirektional: Die Modellausgabe wird niemals umgeschrieben, um echte Kennungen wiederherzustellen, sodass rohe personenbezogene Daten nicht durch eine LLM-Antwort übertragen werden können.

Warum das heute wichtig ist. Die KI-Vorschläge von Flash basieren auf aggregierten Daten und Kampagnendaten anstatt auf personenbezogenen Datensätzen. Die Maskierungsstelle ist die erzwungene Garantie, die auch bei wachsenden KI-Funktionen Bestand hat, und keine Notlösung für eine Sicherheitslücke.

Inventar des Glaskastenmodells

Jede Vorhersage- oder Statistikfunktion im Produkt ist ein klassisches, deterministisches Modell – keine Black-Box-Bewertung, keine Stichprobenentnahme, sodass dieselben Daten immer dasselbe Modell erzeugen. Jedes trägt ein explizites Ehrlichkeitstor: Unterhalb des Tors gibt es nichts statt einer Vermutung aus, und jede Punktzahl wird mit den Zahlen geliefert, die zur Neuberechnung erforderlich sind. Der aktuelle Bestand:

ModellPowersVertrauensprinzip
Zwei-Modell-Uplift (zwei deterministische logistische Anpassungen)SoClaw Ranking der Win-Back-Arbeitsliste – Value-at-Risk × Uplift, trainiert anhand der programmeigenen Always-on-RCT mit KontrollgruppeAktiviert nur nach ≥200 ausgereiften behandelten Zeilen, ≥50 Kontrollgruppenzeilen und ≥20 Konvertierungen, wobei beide Anpassungen konvergieren – darunter fällt die Rangfolge auf den reinen Value-at-Risk zurück. Negativ-erhebende (nicht störende) Mitglieder sinken; Jede Aufgabe speichert ihren Punktestand.
Gamma-Wert pro Mitglied (Momentenmethode)Erwartetes Datum des nächsten Kaufs im Profil + Bedingung des Segments „Tage bis zum erwarteten nächsten Kauf“ (negativ = überfällig)Erfordert mindestens drei beobachtete Lücken (d. h. mindestens vier Käufe) und einen Variationskoeffizienten (≤ 1,5) für die Regelmäßigkeit des Kaufrhythmus. Ein unregelmäßiger Käufer erhält NULL, niemals ein fiktives Datum. Ein vergangenes erwartetes Datum wird als ehrliches Überfälligkeitssignal ausgegeben.
Logistische Regression mit L2-Regularisierung pro TeamKlicken Sie auf die Neigung (0–100), aktualisieren Sie jede Nacht die Sendungen des Teams in den letzten 90 TagenNur-Klicks-Label (wird nie geöffnet – Apple MPP bläht sie auf); vor Lecks geschützte Funktion vor dem Klicken; deterministischer Full-Batch-Gradientenabstieg nach einem festen Zeitplan. Fit Gates ≥500 Sends / ≥30 Klicks / ≥50 Mitglieder; Ein Mitglied benötigt ≥3 aktuelle Versendungen, um bewertet zu werden.
Kosinusnormalisiertes Element-kNNProduktempfehlungen mit dem Hinweis „Kaufte auch“ auf allen Empfehlungsoberflächen.Die Berechnung von co_count / √(Käufer(A) × Käufer(B)) korrigiert die Verzerrung durch die Beliebtheit; Paare benötigen mindestens zwei gemeinsame Käufer, um zustande zu kommen; die Rohdaten der gemeinsamen Käufe werden zusammen mit dem Score als nachvollziehbarer Nachweis gespeichert.
Assoziationsregeln (Unterstützung/Vertrauen/Limitierung).Cross-Selling-Vorschläge, die täglich aus den eigenen Bestellzeilen des Händlers ermittelt werdenEine Regel benötigt mindestens drei gleichzeitig auftretende Bestellungen und eine Konfidenz von mindestens 5 %. Jede Regel speichert die zugrunde liegenden Rohdaten der Bestellungen, sodass jeder Wert manuell neu berechnet werden kann. Die Mitgliederprofilansicht schließt bereits vorhandene Produkte aus und zeigt nur aktive Käufer an.
Ausreißer mit robuster Statistik (Median / MAD)Der behavior_outlier PunktebetrugserkennungRobust z ≥ 6 plus absolute Untergrenzen (≥10 Verdiensttransaktionen; Teams mit weniger als 50 aktiven Mitgliedern werden übersprungen); monatlich gehäufte Deduplizierung pro Mitglied; nur Einfrieren – es wird eine Überprüfung eingeleitet und niemals von selbst storniert.
Kaplan-Meier + Cox proportionale Hazards (Nelder-Mead partielle Wahrscheinlichkeit)Bindung nach monatlicher Anmeldekohorte + Panel „Womit Bindung korreliert“.Gedruckte Definition in der Ansicht: Abwanderung = 90 Tage ohne Kauf, Kunden, die noch nie gekauft haben, ausgeschlossen, Kohorten mit weniger als 30 Mitgliedern ausgeblendet und angezeigt. Die Cox-Anpassung erfordert ≥30 beobachtete Abwanderungsereignisse und ist auf 3 Kovariaten begrenzt; Korrelate werden als Korrelation, nicht als Kausalität, gekennzeichnet.
Winter-Saison (wöchentliche Schwankungen, feste Konstanten)Die Umsatzprognose für die nächsten 14 Tage auf dem DashboardFeste Glättungskonstanten – keine teamspezifische Anpassungsfläche; zeigt die gleiche zertifizierte Umsatzkennzahl wie alle anderen Bildschirme an; gestrichelte Linie + Fehlerband mit Angabe der Dollarbasis; vollständig unter 4 Wochen Historie verborgen; als Prognose und nicht als Verpflichtung gekennzeichnet.

Keines dieser Modelle handelt jemals von sich aus: Sie ordnen, bewerten und markieren. Wenn ein Agent auf das handelt, was sie an die Oberfläche bringen, durchlaufen seine Punkte, Gutscheine und Mitgliederänderungen die oben genannten gesteuerten Aktionsstufen, und seine Nachrichten gehen nur innerhalb der Sendeleitplanken von Win-back hinaus.

Für alle technischen Details zu den einzelnen Modellen – Methoden, Eingaben, Ausgabespalten, Integritätsprüfungen und Nutzungsflächen – siehe die Referenz für Vorhersagemodelle.