Die Schätzung von individuellen Behandlungseffekten (ITE) aus beobachteten Daten ist ein anspruchsvoller und wichtiger Bereich im kausalen Maschinenlernen und wird in verschiedenen mission-critischen Anwendungen häufig berücksichtigt. In dieser Arbeit schlagen wir einen informations-theoretischen Ansatz vor, um zuverlässigere Darstellungen für die Schätzung von ITE zu finden. Wir nutzen das Prinzip der Informationsflaschenhals (Information Bottleneck, IB), das den Kompromiss zwischen Kürze und Vorhersagekraft einer Darstellung adressiert. Durch die Einführung eines erweiterten graphischen Modells für den kausalen Informationsflaschenhals fördern wir die Unabhängigkeit zwischen der gelernten Darstellung und dem Behandlungstyp. Zudem führen wir eine zusätzliche Form eines Regularisierers ein, ausgehend vom Verständnis von ITE im Rahmen des semiaufgeklärten Lernens (semi-supervised learning), um noch zuverlässigere Darstellungen sicherzustellen. Experimentelle Ergebnisse zeigen, dass unser Modell den aktuellen Stand der Technik erreicht und auf realen Datensätzen mit Unsicherheitsinformationen zuverlässigere Vorhersageleistungen aufweist.