Algorithmische Entscheidungssysteme (im Englischen: algorithmic decision making (ADM) systems, daher auch im Deutschen oft mit ADM-System abgekürzt) sind Maschinen oder Software, die basierend auf Daten eine Zahl berechnen, auf Grund derer eine Entscheidung getroffen werden kann. Das können beispielsweise die geforderten Zinsen eines Kreditvertrages sein, die Entscheidung, ob überhaupt ein Kredit vergeben wird, aber auch eine medizinische Diagnose. Wer sich wundert, warum die Diagnose einer Zahl entspricht: Im Computer sind alle Informationen letztendlich Zahlen und so kann auch eine medizinische Diagnose in diesem Sinne "berechnet" werden. Im Wesentlichen unterscheidet man zwei Arten von Resultaten von algorithmischen Entscheidungssystemen: Klassifizierungen und Risikobewertungen (scoring). Im ersten Fall besteht das Ergebnis aus einer Einstufung, wie man es z.B. aus der Schadensklasse einer Autoversicherung kennt. Im zweiten Fall besteht das Ergebnis aus einer Wahrscheinlichkeit, dass die bewertete Person oder das bewertete Objekt ein gewisses Verhalten zeigt. Ein solcher Risikoscore wird z.B. von der Schufa berechnet und dieser Wert wird wiederum für Entscheidungen zu Krediten oder Vermietungen verwendet.
Viele Entscheidungssysteme der 1980er und 1990er-Jahre bestanden aus computerlesbaren Regeln, die die Softwareentwickler:innen von Experten bekommen hatten. Diese Expertensysteme werden teilweise auch heute noch genutzt. Sie werden auch zum weiten Feld der künstlichen Intelligenz gezählt, sind aber in der heutigen Diskussion um künstliche Intelligenz und algorithmische Entscheidungssysteme nicht gemeint. Das liegt daran, dass die von Expert:innen aufgestellten Regeln gut nachvollziehbar sind und die Entscheidungen daher gut von unabhängigen Prüfungsgremien untersuchbar sind.
Durch die Fortschritte im maschinellen Lernen und der Verfügbarkeit großer Mengen an Daten, gibt es heute viele algorithmische Entscheidungssysteme, die auf maschinellen Lernverfahren basieren. Das Problem daran ist, dass die von den Verfahren gefundenen Muster, die in statistischen Modellen gespeichert werden, oft deutlich weniger gut nachvollziehbar sind und auch ungewollte Diskriminierungen enthalten können. Noch schwieriger wird die Beurteilung der Güte und Fairness der Systeme, wenn diese während ihres Einsatzes weiterlernen und damit beständig ihre Entscheidungsregeln ändern.

Solche ADM Systeme mit einer (fertig) gelernten oder einer (weiterhin) lernenden Komponente werden in einer Vielzahl von Kontexten eingesetzt. Beispielhaft lassen sich die Aufdeckung von Steuerbetrug oder die Zuweisung von Qualifizierungsprogrammen für Arbeitslose anführen. Darüber hinaus werden sie in sehr sensiblen Bereichen wie der Strafjustiz und der medizinischen Diagnostik eingesetzt, in denen Entscheidungen weitreichende existenzielle Konsequenzen für den Einzelnen haben.