Kann KI vorhersagen, was Haushalte mit Geldgutscheinen tun?

Ein Haushalt löst einen Gutschein ein – aber kauft er deshalb mehr? Vielleicht bezahlt er damit nur einen Einkauf, den er ohnehin getätigt hätte, und behält eigenes Geld zurück. Genau diese Unterscheidung soll ein KI-Simulator der Nanyang Technological University (NTU) in Singapur für politische Entscheidungen sichtbar machen.25

Was soll der Simulator vergleichen?

Das vierköpfige Team der Nanyang Business School – Hyeokkoo Eric Kwon, Jaecheol Park, Mo Jiayun und Kayoung Shin – will untersuchen, wie Verbraucher auf unterschiedlich ausgestaltete Hilfen reagieren könnten, etwa auf einen Gutschein über $100. Die Prognosen sollen erfassen, ob Empfänger sparen, insgesamt mehr ausgeben oder andere Dinge kaufen. Die bloße Einlösung eines Gutscheins wäre dafür noch kein Beleg für einen zusätzlichen Konjunktureffekt.25

OpenAI führt das Forschungsprojekt unter dem Titel „Privacy-Preserving LLM Agents for Auditable Government Policy Simulation“. Das ist der Projektname; das geplante Werkzeug selbst wird in der Berichterstattung als noch unbenannt beschrieben.85

Welche Rolle spielen Daten und KI-Agenten?

Als Grundlage dienen anonymisierte Transaktionsdaten von rund 1,5 Millionen Nutzern einer nicht namentlich genannten südkoreanischen Haushaltsbuch-App aus den Jahren 2023 bis 2025. Damit sollen simulierte Verbraucher – sogenannte KI-Agenten – unterschiedliche finanzielle Verhältnisse und Ausgabemuster abbilden.23

Laut der Beschreibung stammen die Transaktionsinformationen aus Bankbenachrichtigungen. Identifizierende Angaben werden entfernt; Werte wie Einkommen und Ausgaben sowie Angaben zu Kaufzeitpunkten werden zu Bereichen zusammengefasst. Je nach Sensibilität müssen die Merkmale eines Profils mit denen von mindestens drei, fünf oder zehn Nutzern übereinstimmen. Das soll das Risiko senken, dass sich aus einem simulierten Profil die Finanzhistorie einer einzelnen Person ableiten lässt. Eine Garantie gegen eine spätere Identifizierung ist Anonymisierung jedoch nicht.2

Der erhoffte Vorteil gegenüber Modellen mit festen Verhaltensregeln: Ein Agent könnte mehrere Merkmale gemeinsam berücksichtigen – beispielsweise, wie Einkommen und Alter zusammen die Nutzung eines Gutscheins beeinflussen. Dass daraus tatsächlich bessere Vorhersagen entstehen, ist noch nicht belegt.23

Wie will das Team die Prognosen überprüfen?

Die Forschenden planen, ihre Simulationen mit Ausgaben vor und nach Geldleistungen in Südkorea im Juli und September 2025 abzugleichen. Diese Leistungen durften nur bei zugelassenen Händlern eingesetzt werden und mussten bis November 2025 verbraucht sein. Damit gibt es einen realen Fall, an dem sich vorhergesagte Käufe und Ausgabenänderungen prüfen lassen.2

Ein solcher Abgleich kann unplausibles Verhalten der Agenten oder frei erfundene Erklärungen aufdecken. Für den Nachweis eines Prognosevorteils müsste das System aber Ergebnisse vorhersagen, die es zuvor nicht gesehen hat, sich mit geeigneten herkömmlichen Modellen messen und andere Einflüsse auf die Ausgaben berücksichtigen. Ein detailliertes Prüfverfahren oder veröffentlichte Fehlerquoten liegen in der verfügbaren Berichterstattung nicht vor. Höhere Genauigkeit bleibt daher ein Forschungsziel.23

Wann könnte das Werkzeug verfügbar sein?

OpenAI wählte das NTU-Projekt als eines von 14 Vorhaben aus mehr als 400 Einreichungen aus. Kwon beziffert die Förderung auf 100.000 US-Dollar; laut Berichterstattung besteht sie je zur Hälfte aus Geld und Guthaben für OpenAI-Modelle. Sie soll etwa sechs Monate Entwicklung und Tests unterstützen.8104

Bis Februar 2027 strebt das Team eine Veröffentlichung als Open-Source-Werkzeug an. Geplant sind außerdem eine Anpassung an unterschiedliche Bevölkerungsgruppen, Agentenprofile mit Interessen und politischen Ansichten sowie Erklärungen für die Prognosen.4 Ob das System außerhalb der südkoreanischen Datengrundlage zuverlässig funktioniert, muss erst überprüft werden. Eine überzeugend klingende Erklärung ist für sich genommen noch kein Beleg für eine zutreffende Vorhersage.