# Einen Eskalationspfad aufbauen
Typ: Checkliste
Herkunft: prompt-engineering / refusals-and-escalation / refusal-escalation-path
Version: refusal-escalation-path-2026-09-04
Geprüft: 2026-09-04

ACHTUNG: Dieses Dokument ist ein Lernartefakt aus einer Schulungssequenz. Es ist kein produktives Runbook. Vor jeder Anwendung in einer realen Umgebung müssen die Schritte gegen lokale Dokumentation, Runbooks und Freigabestatus geprüft werden.

## Szenario
Ein Assistent verweigert individuelle Rechtsauskünfte und verweist bisher mit einem Satz an die Rechtsabteilung. In drei Monaten sind so 1.400 Verweise entstanden, ohne dass ein einziger Vorgang angelegt wurde — die Rechtsabteilung wusste nichts davon. Der Pfad soll jetzt gebaut werden.

## Schritte
1. Die zu erwartende Menge aus den bisherigen Verweisen schätzen und mit der Rechtsabteilung eine Kapazität vereinbaren.
2. Den Verweigerungsgrund als eigenes Feld ausgeben, damit die Anwendung den Fall maschinell erkennt.
3. Bei diesem Grund einen Vorgang in einer benannten Warteschlange anlegen, mit Frage, Verlauf und Grund.
4. Dem Nutzer eine Vorgangsnummer und einen Bearbeitungszeitraum zusagen.
5. Den Rückweg schließen: Ergebnis zum Nutzer, Vorgang abschließen, Wiederholungsversuche auswerten.

## Begründung
Warum: Ein Eskalationspfad beginnt mit der Frage, wer die Menge bearbeitet — ohne zugesagte Kapazität erzeugt jeder technisch saubere Pfad nur eine Warteschlange ohne Ende. Danach folgen Erkennung, Übergabe, Zusage und Rückweg in dieser Abhängigkeit.
Folgen: **+** Die Fragen werden tatsächlich beantwortet, und die Umgehungsversuche verschwinden mitsamt ihrem Risiko. **−** Der Pfad verlagert reale Arbeit auf Menschen: Rund 15 Vorgänge pro Woche, die vorher niemand hatte — und die Zusage an den Nutzer bindet euch an eine Bearbeitungszeit, die eingehalten werden muss.

## Quellen
1. NIST AI Risk Management Framework, Core (Govern, Manage) — https://airc.nist.gov/airmf-resources/airmf/5-sec-core/
2. Röttger et al., XSTest: A Test Suite for Identifying Exaggerated Safety Behaviours in Large Language Models, NAACL 2024 — https://arxiv.org/abs/2308.01263