KI-Handlungsoptionsanalyse: COA-Kriegsspiel mit Stabsgeschwindigkeit

Jeder Operationsplan beginnt mit derselben Frage: Welche der uns zur Verfügung stehenden Optionen sollen wir ausführen? Der militärische Entscheidungsprozess (MDMP) formalisiert, wie ein Stab diese Frage bearbeitet – und der Kriegsspielschritt, in dem jede Handlungsoption gegen wahrscheinliche Feindreaktionen durchgespielt wird, ist der Punkt, an dem der Großteil der analytischen Arbeit stattfindet. Es ist auch der Schritt, der am anfälligsten für Zeitdruck ist. Wenn sich der Planungshorizont von 72 Stunden auf 12 Stunden verkürzt – was bei Operationen mit hohem Tempo routinemäßig vorkommt – wird ein Stab, der noch vier bis sechs Stunden manuelles COA-Kriegsspiel benötigt, beim Entscheidungsbriefing des Kommandeurs mit unzureichender oder gar keiner Analyse ankommen. KI-gestützte konstruktive Simulation für die Stabsplanung verändert diese Einschränkung und ermöglicht es Stäben, mehrere Handlungsoptionen in der Zeit zu generieren, zu bespielen und zu vergleichen, die zuvor für eine einzige benötigt wurde.

Das COA-Analyseproblem: Warum manuelles Kriegsspiel unter Zeitdruck versagt

Der doktrinäre Kriegsspielschritt verlangt vom Stab, jede Kandidaten-COA gegen die wahrscheinlichste und gefährlichste feindliche Handlungsoption durchzuspielen, Aktions-Reaktions-Gegenaktions-Tripel an jedem Entscheidungspunkt zu protokollieren, die Entscheidungsunterstützungsschablone zu befüllen und Zweige und Folgeaktionen zu identifizieren. Richtig durchgeführt liefert dies ein analytisch fundiertes Entscheidungsbriefing. Unter Zeitdruck mit einem müden Stab durchgeführt, erzeugt es eine Checklistenübung, die den Plan bestätigt, den der S3 bereits vor dem Kriegsspiel bevorzugte.

Drei Fehler treten bei manuellem COA-Kriegsspiel unter Druck häufig auf. Erstens bespielt der Stab nur die wahrscheinlichste feindliche COA und überspringt die gefährlichste. Zweitens erfolgt das Kriegsspiel auf Basis einer einzigen optimistischen Schätzung der Aufgabenabschlusszeiten, ohne die Sensitivität gegenüber Verzögerungen und Rückschlägen zu testen. Drittens nutzt der Vergleich der COAs qualitative Eindrücke statt quantifizierter Ergebnisse aus dem Kriegsspiel. Jeder dieser Fehler mindert den analytischen Wert des Prozesses und erhöht das Risiko, dass die ausgewählte COA nicht erkannte Schwachstellen trägt.

KI-gestützte COA-Analyse adressiert alle drei Fehler, indem sie die rechnerisch intensiven Teile des Kriegsspiels automatisiert – feindliche COA-Entwicklung, Aktions-Reaktions-Logik, Ergebnisquantifizierung – während sie menschliches Urteilsvermögen an den Entscheidungspunkten beibehält, die es erfordern: Missionsanalyse, Identifizierung von Einschränkungen und Vorgaben des Kommandeurs.

COA-Generierung: Von der Mission zum Manöverentwurf

Bevor das Kriegsspiel beginnen kann, müssen COAs zum Bespielen vorhanden sein. Eine tragfähige COA zu generieren ist selbst eine nicht triviale Stabsaufgabe: Der S3 muss eine Kampfgruppenorganisation aus verfügbaren Assets ableiten, Untergeordneten Missionen zuweisen, ein Manöverkonzept mit Phasenlinien und Kontrollelementen erstellen und bestätigen, dass die resultierende COA doktrinäre Durchführbarkeitskriterien erfüllt – korrekte Unterstützungsverhältnisse, dekonfliktierte Wege, realistische Zeit-Distanz-Berechnungen.

KI-COA-Generatoren nähern sich dieser Aufgabe als Constraint-Satisfaction-Problem. Anhand der Missionsangabe, des Operationsgebiets, der kritischen Informationsanforderungen des Kommandeurs und der eingeschätzten Feindsituation wendet der Generator eine Bibliothek doktrinärer Schablonen – Kampfgruppenstrukturen, Manövermuster, Unterstützungszuteilungsregeln – an, um Kandidaten-COAs vorzuschlagen, die die festgelegten Einschränkungen erfüllen. Das Ergebnis ist ein strukturierter COA-Entwurf: Kampfgruppenorganisation, Manöverkonzept nach Phase, eine Liste von Planungsannahmen und eine Reihe kritischer Ereignisse, deren Timing den Rest des Plans antreibt.

Der Generator produziert keine fertige COA – er produziert einen Ausgangspunkt, den der Stab validiert und verfeinert. Der Wert liegt in Geschwindigkeit und Vollständigkeit: Die KI stellt sicher, dass keine doktrinäre Einschränkung versehentlich verletzt wird und dass die Arithmetik der Kampfgruppenorganisation – Kampfkraftverhältnisse, Transportkapazität, Unterstützungszuteilungen – korrekt ist, bevor der Stab das Kriegsspiel beginnt. Sie bringt auch Optionen ans Licht, die der S3 möglicherweise nicht in Betracht gezogen hat, indem er den constraint-erfüllenden Lösungsraum systematisch erkundet.

Integration von Gelände- und Nachrichtendaten

Die Qualität der COA-Generierung skaliert mit der Qualität der Eingaben. Moderne KI-COA-Tools verarbeiten georeferenzierte Geländedaten – digitale Höhenmodelle, Straßennetzgraphen, Vegetation und städtische Klassifikationen – um geländeabhängige Parameter automatisch zu berechnen: Wegdurchführbarkeit für Fahrzeugtypen, Beobachtung und Schussfelder für Verteidigungsstellungen, Sichtlinieneinschränkungen für Kommunikationsrelaisknoten. Das feindliche Nachrichtenbild, das aus der aktuellen Geheimdienstaufbereitung des Schlachtfelds stammt, beschränkt die Annahmen des COA-Generators darüber, wo Feindkräfte sind, wozu sie fähig sind und welche Handlungsoptionen sie wahrscheinlich verfolgen werden.

Diese Integration trennt einen KI-COA-Generator von einer einfachen Schablonenbibliothek. Eine Schablonenbibliothek produziert unabhängig vom Gelände dieselbe Ausgabe; ein geländebewusster Generator produziert COAs, die an die spezifische Operationsumgebung angepasst sind, mit Wegempfehlungen, die tatsächliche Straßenbedingungen widerspiegeln, und Verteidigungsstellungen, die für die spezifischen Geländemerkmale im Operationsgebiet ausgewählt wurden.

Automatisiertes Red Teaming: Der Gegner im Kriegsspiel

Der Kern der COA-Analyse ist das Kriegsspiel: eigene Aktion, feindliche Reaktion, eigene Gegenreaktion, wiederholen bis eine Phasengrenze oder ein Entscheidungspunkt erreicht ist. Beim manuellen Kriegsspiel spielt der S2 den Feind. Die Qualität des Kriegsspiels hängt direkt davon ab, wie gut der S2 den Gegner repräsentieren kann – unter Zeitdruck, mit unvollständigen Nachrichten, während er gleichzeitig den Nachrichtenproduktionszyklus verwaltet.

Automatisiertes Red Teaming ersetzt das manuelle Feindspiel des S2 durch einen eingeschränkten KI-Agenten, der das Verhalten des Gegners gemäß der schablonierten Feind-COA und dem eingeschätzten Fähigkeitssatz modelliert. Der Red-Team-Agent ist kein unkontrollierter Optimierer – er findet keine Strategien, die kein echter Gegner anwenden würde. Er operiert innerhalb doktrinärer Grenzen: Er nutzt die Geländemerkmale, die der Feind als identifiziert eingeschätzt wird, setzt die Waffensysteme im feindlichen Kräftebestand ein und reagiert auf eigene Aktionen mit den Gegenmaßnahmen, die die Doktrin des Feindes vorschreibt.

Das Ergebnis jeder Kriegsspieliteration ist ein chronologisches Protokoll von Aktions-Reaktions-Paaren, wobei jedes Paar mit der Entscheidungslogik annotiert ist, die die feindliche Reaktion erzeugt hat. Dieses Protokoll ist die Eingabe in die Entscheidungsunterstützungsschablone: benannte Aufklärungsgebiete, in denen die Nachrichtensammlung fokussiert werden sollte, Entscheidungspunkte, an denen der Kommandeur zwischen Zweigen wählen muss, und Auslösebedingungen, die anzeigen, welche feindliche COA sich entwickelt. Dieses Protokoll manuell aus einem Kriegsspiel zu erzeugen, das von einem müden S2 unter Zeitdruck gespielt wird, führt zu unvollständigen und inkonsistenten Ergebnissen; automatisiertes Red Teaming produziert ein vollständiges, konsistentes Protokoll in Minuten.

Abdeckung der gefährlichsten feindlichen Handlungsoption

Da automatisiertes Red Teaming schnell ist, kann der Stab es sich leisten, jede eigene COA gegen die wahrscheinlichste und die gefährlichste feindliche COA zu bespielen, ohne den gesamten Planungszeitplan zu beeinträchtigen. Die gefährlichste feindliche COA – diejenige mit dem höchsten Potenzial, den eigenen Plan zu durchkreuzen – ist genau die, bei der manuelles Kriegsspiel unter Zeitdruck am häufigsten gekürzt wird, weil sie am längsten zu entwickeln ist und psychologisch am unbequemsten zu spielen ist. KI-Red-Teaming beseitigt beide Einschränkungen: Die gefährlichste COA dauert nicht länger als die wahrscheinlichste, und die Software zeigt keinen Optimismus-Bias.

Statistische Ergebnismodellierung: COA-Robustheit unter Unsicherheit

Ein deterministisches Kriegsspiel produziert ein einziges Ergebnis – diese COA gelingt oder scheitert unter diesen spezifischen Annahmen. Dieses Ergebnis ist so unsicher wie seine unzuverlässigste Eingabeannahme, und bei der Planung unter Unsicherheit neigen die unzuverlässigsten Annahmen dazu, die folgenreichsten zu sein: Feindstärke, feindliche Reaktionszeit, Wetter und Abschlussraten eigener Aufgaben.

Statistische Ergebnismodellierung führt jede COA durch eine Monte-Carlo-Simulation – typischerweise mehrere hundert bis einige tausend Iterationen – wobei die unsicheren Eingabeparameter über ihre eingeschätzten Wahrscheinlichkeitsverteilungen variiert werden. Das Ergebnis ist kein einzelnes Ergebnis, sondern eine Verteilung: Erfolgswahrscheinlichkeit für die Gesamtoperation, eine Verteilung der Zeit bis zum Ziel, ein Konfidenzintervall für den Logistikverbrauch, eine Wahrscheinlichkeit, dass eine bestimmte Phase abgeschlossen wird, bevor der Feind Verstärkung heranführen kann. Diese Verteilungsausgabe gibt dem Kommandeur und dem Stab ein quantifiziertes Maß für die COA-Robustheit statt einer Punktschätzung.

Der Vergleich von Robustheitsverteilungen über COAs hinweg ist der analytische Beitrag, den KI-gestützte Analyse am deutlichsten leistet. Es ist einfach zu behaupten, bei einem manuellen Vergleich, dass COA 1 flexibler ist als COA 2. Es ist qualitativ anders zu zeigen, dass COA 1 die Mission mit 78 % Wahrscheinlichkeit über den Unsicherheitsbereich hinweg erfüllt, während COA 2 sie mit 61 % erfüllt – wobei der Vorteil von COA 2 auf das enge günstige Szenario konzentriert ist, das der Planungsstab bevorzugte.

Stabsentscheidungsunterstützung: Von der Analyse zum Briefing

Die Ausgabe der COA-Analyse muss den Kommandeur in einer Form erreichen, die Entscheidungsfindung unterstützt. Im traditionellen MDMP bedeutet dies das Entscheidungsbriefing: Der S3 präsentiert jede COA mit ihren Kriegsspielergebnissen, der S2 präsentiert die Feindanalyse, und der Stab empfiehlt eine COA auf Basis einer Vergleichsmatrix, die nach den Kriterien des Kommandeurs gewichtet ist.

KI-Entscheidungsunterstützungstools integrieren sich direkt in diese Briefingvorbereitung. Die COA-Vergleichsmatrix wird automatisch aus den Kriegsspielausgaben befüllt – Kriteriumsbewertungen werden aus der quantifizierten Analyse abgeleitet, nicht aus Stabseindrücken. Die Entscheidungsunterstützungsschablone wird aus dem Kriegsspielprotokoll generiert. Natürlichsprachliche Zusammenfassungen der wichtigsten Vorteile, Schwachstellen und kritischen Annahmen jeder COA werden von der KI entworfen und vom S3 vor dem Briefing überprüft. Der Kommandeur erhält ein Briefing, das auf quantifizierter Analyse basiert und nicht auf den qualitativen Eindrücken eines Stabs, der seit zwanzig Stunden wach ist.

Die Rolle des Stabs verlagert sich von der Berechnung zur Urteilsfindung. Offiziere, die zuvor Stunden mit Arithmetik verbrachten – Zeit-Distanz-Berechnungen, Unterstützungsverhältnisprüfungen, Befüllung der Synchronisationsmatrix – verbringen diese Zeit nun mit Fragen, bei denen professionelles Urteilsvermögen unersetzlich ist: Ist das Nachrichtenbild zuverlässig genug, um diese COA zu unterstützen? Stimmt der Auftrag des Kommandeurs, so wie er formuliert ist, tatsächlich mit der empfohlenen COA überein? Sind die kritischen Annahmen realistisch angesichts dessen, was wir über diesen Gegner aus Operationserfahrung wissen? Die KI übernimmt die Berechnung; der Stab übernimmt das Schlussfolgern.

Integration mit KI-OpFor-Kriegsspiel und Simulation

COA-Analyse-KI operiert nicht isoliert. Bei den fähigsten Implementierungen ist die COA-Kriegsspielmaschine mit derselben Simulationsumgebung verbunden, die für das Übungsspiel genutzt wird – dasselbe Geländemodell, dieselbe Einheitenfähigkeitsdatenbank, dasselbe gegnerische Verhaltensmodell. Das bedeutet, das automatisierte Red Team im COA-Analyseschritt und das KI-OpFor-System in der Trainingsübung verwenden konsistente Modelle des Gegnerverhalten, was einen kohärenten Faden von der Planung zur Ausführung erzeugt.

Wenn der Plan in einer konstruktiven Simulationsübung ausgeführt wird, werden die während der COA-Analyse identifizierten Entscheidungspunkte zu den Auslösebedingungen, die das Übungskontrollsystem überwacht. Die während des Kriegsspiels identifizierten Zweige werden zu den Kontingenz-Zweigen, die der Stab während der Übung erkennen und ausführen muss. Die Nachbesprechung kann vergleichen, was die COA-Analyse vorhergesagt hat, mit dem, was die Simulation erzeugt hat, und so eine Rückkopplungsschleife schaffen, die sowohl die Planungskompetenz des Stabs als auch die Treue der KI-Modelle verbessert, die im nächsten Planungszyklus verwendet werden.

Diese Integration unterstützt auch den Kontext der Multi-Domain-Operationen. Eine Multi-Domain-Kriegsspielumgebung umfasst Land-, Luft-, See-, Weltraum- und Cyber-Effekte; eine COA, die in einem reinen Landmodell solide erscheint, kann scheitern, wenn Zeitlinien zur Unterdrückung der Luftverteidigung oder Fenster für Cyber-Effekte als Einschränkungen eingeführt werden. KI-COA-Tools, die mit einer Multi-Domain-Simulation integriert sind, können diese bereichsübergreifenden Zeitkonflikte während des Planungsschritts aufzeigen, nicht erst nach der Übung, die sie entlarvt hat.

Implementierungserwägungen für Verteidigungsorganisationen

Der Einsatz von KI-COA-Analyse in einer echten Stabsumgebung erfordert die Beachtung mehrerer Integrationsanforderungen, die bei Fähigkeitsdemonstrationen nicht immer offensichtlich sind. Erstens muss das Tool in einer getrennten oder degradierten Netzwerkumgebung betriebsfähig sein – operative Planung wartet nicht auf Cloud-Konnektivität. Rand-einsetzbare Inferenz und ein lokaler Gelände- und Nachrichtendatenspeicher sind Anforderungen, keine Verbesserungen.

Zweitens muss das Tool seine Ausgaben in Formaten exportieren, die sich in den bestehenden Stabsworkflow integrieren: standardmäßige militärische Grafikformate für COA-Entwürfe, tabellenkalkulationskompatible Formate für Vergleichsmatrizen und Klartextzusammenfassungen, die ohne Neuformatierung in den OPLAN oder OPORD eingearbeitet werden können. Ein Tool, das verlangt, dass der Stab seine Ausgaben in ein separates System neu eingibt, wird unter Zeitdruck umgangen werden.

Drittens, und grundlegendsten, muss dem Tool vertraut werden. Vertrauen in KI-Entscheidungsunterstützungstools wird durch Transparenz aufgebaut – der Stab muss in der Lage sein, die Logik hinter jeder Empfehlung zu sehen, jede Ausgabe auf ihre Eingaben zurückzuverfolgen und jedes KI-generierte Ergebnis ohne Reibung zu überschreiben. Ein Tool, das korrekte Ausgaben durch einen undurchsichtigen Prozess produziert, wird nicht vertraut; ein Tool, dessen Schlussfolgerung für einen erfahrenen Offizier nachvollziehbar ist, wird genutzt werden und Planungsergebnisse verbessern.