Wie Unternehmen mit Prozessmodellierung die richtigen KI-Initiativen identifizieren und priorisieren

Fragt man Unternehmen, wie sie ihr nächstes KI- oder Automatisierungsprojekt auswählen, fällt die Antwort meist ähnlich aus: Es geht um den Business Case, erwartete Einsparungen und einen klaren Bezug zur Unternehmensstrategie. Fragt man allerdings, wie belastbar dieser Business Case tatsächlich ist, sieht die Sache oft schon anders aus.

Genau hier liegt eine der häufigsten Ursachen für Fehlentscheidungen bei KI-Investitionen. Die Prozesse, die auf einer Roadmap landen, sind längst nicht immer diejenigen, die sich am besten für eine Automatisierung eignen. Häufig sind es Prozesse, für die sich wichtige Stakeholder:innen starkmachen oder die ein Anbieter in einer überzeugenden Demo besonders gut dargestellt hat. Ob der zugrunde liegende Prozess tatsächlich für eine Automatisierung geeignet ist, wird dagegen oft gar nicht geprüft. Und wenn diese Diskrepanz schließlich auffällt, ist das Budget meist längst gebunden.

Prozessmodellierung schafft hier eine belastbare Grundlage. Statt sich darauf zu verlassen, wie ein Prozess vermeintlich abläuft, zeigt ein Prozessmodell, wie die Arbeit tatsächlich organisiert ist. Und genau das entscheidet darüber, ob ein Prozess für KI oder Automatisierung geeignet ist oder nicht.

Welche Prozesse für KI und Automatisierung infrage kommen, wird häufig von der Sichtbarkeit im Management, einem besonders überzeugenden Anbieter oder dem Druck bestimmt, mit einer Entwicklung der Konkurrenz Schritt zu halten. Das ist nicht grundsätzlich falsch. Es beantwortet aber nicht die entscheidende Frage.

Denn bevor ein Prozess automatisiert wird, muss klar sein: Ist er dafür überhaupt geeignet? Diese Frage lässt sich nicht allein im Rahmen eines Strategiegesprächs beantworten. Ob ein Prozess für Automatisierung geeignet ist, zeigt sich in den Details seiner tatsächlichen Ausführung – Schritt für Schritt. Genau diese Ebene wird in strategischen Diskussionen jedoch selten betrachtet. Stattdessen geben das Interesse eines Sponsors oder eine überzeugende Produktdemo häufig den Ausschlag.

Das macht die Priorisierung von KI-Initiativen auch anders als eine klassische Projektpriorisierung. Bei einem gewöhnlichen Projekt werden vor allem Nutzen und Aufwand gegenübergestellt. Bei KI und Automatisierung muss davor noch eine grundlegende Frage geklärt werden: Ist der Prozess überhaupt so aufgebaut, dass KI oder Automatisierung zuverlässig damit arbeiten kann? Wird diese Frage übersprungen, basiert die anschließende Nutzen-Aufwand-Abwägung auf einer unsicheren Grundlage.

So fließen Investitionen am Ende häufig in die Prozesse, die sich besonders leicht umsetzen lassen – und nicht unbedingt in diejenigen, bei denen der größte Mehrwert zu erwarten ist. Die Ergebnisse bleiben hinter den Erwartungen des Business Cases zurück. Und wenn die Ursache dafür erkannt wird, ist das Budget bereits ausgegeben und die nächste Runde von Entscheidungen beginnt oft nach demselben Muster.

In einem Strategiegespräch geht es darum, wie Menschen ihre Arbeit beschreiben. Ein Prozessmodell zeigt dagegen, wie diese Arbeit tatsächlich aufgebaut ist. Gerade diese Faktoren liefern oft Anhaltspunkte dafür, ob ein Prozess für KI geeignet ist – Anhaltspunkte, die aus Sicht des Managements leicht übersehen werden.

Ein Prozessmodell macht unter anderem sichtbar:

• Welche Schritte tatsächlich repetitiv sind – und welche nur auf den ersten Blick so wirken, während sich dahinter Entscheidungen, Ausnahmen oder Verhandlungen verbergen.
• Wo Teams denselben Prozess so unterschiedlich ausführen, dass es noch keinen einheitlichen Prozess zu automatisieren gibt, sondern mehrere Varianten desselben Ablaufs.
• Wo Volumen, Häufigkeit und geschäftliche Auswirkungen tatsächlich liegen und wo sie nur vermutet werden.
• Wo die im Prozess entstehenden Daten strukturiert und zuverlässig genug sind, um KI-gestützte Entscheidungen zu unterstützen.
• Wo Übergaben zwischen Rollen oder Systemen für Verzögerungen und Nacharbeiten sorgen.

Auch Process Mining spielt dabei eine wichtige Rolle. Die Prozessmodellierung zeigt, wie ein Prozess vorgesehen ist. Process Mining rekonstruiert dagegen anhand von Ereignisdaten, wie er tatsächlich abläuft. Dadurch lässt sich erkennen, ob das Modell wirklich die Praxis widerspiegelt oder nur die aufgeräumte Version, an die sich die Beteiligten aus einem Workshop erinnern.

Dieser Unterschied ist entscheidend. Denn genau dort, wo der beschriebene Prozess von der tatsächlichen Ausführung abweicht, entstehen häufig die Probleme, an denen Automatisierungsprojekte später scheitern.

Ist ein Prozess einmal modelliert, lassen sich die Eigenschaften eines guten Automatisierungskandidaten wesentlich konkreter beurteilen. Vier zentrale Merkmale helfen dabei, geeignete Prozesse von solchen zu unterscheiden, die noch nicht bereit sind.

Ein besonders starkes Signal für Automatisierung ist die Kombination aus häufig wiederkehrenden Aufgaben und wenig Entscheidungsspielraum. Ein klarer Input führt zu einem klaren Ergebnis, und zwischen den einzelnen Fällen gibt es nur wenige Unterschiede. In der Praxis ist das allerdings nicht immer so offensichtlich, wie es zunächst klingt. Manche Aufgaben wirken von außen sehr repetitiv, enthalten bei genauerem Hinsehen aber zahlreiche Ausnahmen oder Ermessensentscheidungen.

Ein Blick auf das Prozessmodell kann hier schnell Klarheit schaffen. Ein Schritt, der zunächst rein mechanisch erscheint, kann beispielsweise davon abhängen, dass jemand bestimmte nicht dokumentierte Faktoren abwägt oder eine Ausnahme mit einem anderen Beteiligten abstimmt. Prozessmodellierung macht solche Unterschiede sichtbar, weil dabei nicht nur das „Was“ festgehalten wird, sondern auch, wie der Ablauf tatsächlich aussieht.

Auch ein hohes Prozessvolumen allein macht einen Prozess noch nicht zu einem guten KI-Kandidaten. Entscheidend ist, ob die Daten, die dabei verarbeitet werden, ausreichend strukturiert und zuverlässig sind. Rechnungsdaten mit Betrag, Lieferant und Freigabestatus in klar definierten Feldern liefern beispielsweise eine gute Grundlage für automatisierte Entscheidungen. Liegen dieselben Informationen dagegen verteilt in Freitextkommentaren innerhalb einer E-Mail-Kommunikation, helfen auch tausende Prozessdurchläufe nicht weiter. Ein Prozessmodell zeigt, wo die relevanten Daten entstehen und wie sie an den einzelnen Prozessschritten vorliegen. So wird schnell sichtbar, ob ein Prozess tatsächlich auf einer verlässlichen Datengrundlage aufbaut.

Wird ein Prozess ständig angepasst, muss auch die darauf aufbauende Automatisierung immer wieder nachgezogen werden. Jede Veränderung am Prozess kann eine Anpassung der Automatisierung erforderlich machen. Die damit verbundenen Kosten werden leicht unterschätzt. Deshalb lohnt sich ein Blick auf die Entwicklung eines Prozesses über die Zeit. Der Vergleich verschiedener Versionen zeigt, ob der Prozess tatsächlich stabil geblieben ist oder sich schrittweise verändert hat. Das ist aussagekräftiger als eine Momentaufnahme, denn für eine nachhaltige Automatisierung zählt vor allem, wie stabil ein Prozess langfristig ist.

Was sich nicht messen lässt, kann nur angenommen, aber nicht wirklich überprüft werden. Deshalb sollte schon vor einer Automatisierung klar sein, woran sich ihr Erfolg messen lässt. Prozessmodelle helfen dabei zu erkennen, ob für einen Prozess überhaupt definierte Ergebnisse und Kennzahlen vorhanden sind. Besonders gute Voraussetzungen bieten Prozesse, für die bereits Indikatoren des Performance-Managements erfasst werden. So gibt es von Beginn an eine Vergleichsbasis für den Business Case. Fehlt eine klare Definition dafür, was als Erfolg gilt, bleibt letztlich offen, ob die Automatisierung tatsächlich eine Verbesserung gebracht hat.

In ADONIS: Leistungsindikatoren lassen sich direkt an den Aufgaben hinterlegen, bei denen sie entstehen. Die Messbarkeit wird damit bereits im Prozessmodell berücksichtigt und muss nicht erst nach der Einführung einer Lösung hergestellt werden. Für einen Prozess mit bereits definierten Kennzahlen steht damit von Anfang an eine belastbare Ausgangsbasis für den Business Case zur Verfügung.

Wie das in der Praxis aussehen kann, zeigt ein typischer Prozess aus dem Finanzbereich: der Abgleich von Lieferantenrechnungen mit Bestellungen in der Kreditorenbuchhaltung. Jeden Monat werden hier tausende Rechnungen verarbeitet. Das Prozessvolumen ist also hoch. Gleichzeitig enthalten die Rechnungen strukturierte Informationen wie Betrag, Lieferant und Freigabestatus. Beim Abgleich muss im Wesentlichen festgestellt werden, ob Rechnung und Bestellung übereinstimmen oder ob eine Abweichung vorliegt. Und auch der Prozess selbst hat sich über Jahre kaum verändert. Alle vier Merkmale sind damit erfüllt. Der Rechnungsabgleich ist deshalb ein nachvollziehbarer und belastbarer Ausgangspunkt für eine Automatisierung – nicht nur ein Kandidat, der auf den ersten Blick attraktiv wirkt.

Wendet man dieselbe Analyse auf einen Vertragsverhandlungsprozess an, ergibt sich ein völlig anderes Bild: geringes Volumen, unstrukturierte Inputs, hoher Entscheidungsspielraum und häufige Veränderungen. Beide Einschätzungen basieren also nicht auf der Meinung eines Workshop. Sie ergeben sich aus der Betrachtung dessen, was in den jeweiligen Prozessen tatsächlich passiert.

Geeignete Prozesse zu identifizieren, ist nur die eine Seite. Genauso wichtig ist es zu erkennen, welche Prozesse zunächst nicht infrage kommen – und warum. So lässt sich verhindern, dass vielversprechende Kandidaten am Papier später in der Praxis Probleme verursachen.

Wenn ein Prozess in verschiedenen Teams unterschiedlich abläuft, fehlt zunächst die gemeinsame Grundlage für eine Automatisierung. Eine Automatisierung würde dann zwangsläufig auf einer der bestehenden Varianten aufbauen und die anderen Varianten unberücksichtigt lassen. Das ist keine echte Automatisierung, sondern eine erzwungene Standardisierung. Sichtbar wird das häufig erst, wenn das Projekt bereits gestartet ist. Bevor ein Prozess automatisiert werden kann, sollte daher zunächst geklärt werden, wie er einheitlich ausgeführt werden soll. Prozessstandardisierung kommt vor Prozessautomatisierung – nicht danach.

In ADONIS Process Mining Essentials (PME): Die Variantenanalyse zeigt, wie stark sich die Prozessausführung zwischen Teams unterscheidet. Aus der Vermutung „Die Teams arbeiten wahrscheinlich unterschiedlich“ wird so eine nachvollziehbare Übersicht konkreter Prozessvarianten. Damit lässt sich erkennen, ob tatsächlich ein einheitlicher Prozess vorliegt oder mehrere unterschiedliche Abläufe unter demselben Namen zusammengefasst werden.

Verändert sich ein Prozess ständig, muss auch jede darauf aufbauende Automatisierung regelmäßig angepasst werden. Bei besonders volatilen Prozessen kann daraus ein dauerhafter Kreislauf aus Änderung und Nachbesserung entstehen. Deshalb sollte nicht nur betrachtet werden, wie der Prozess heute aussieht. Entscheidend ist auch, wie häufig und wie stark er sich verändert. Erst dadurch lässt sich einschätzen, ob eine Automatisierung langfristig stabil bleibt oder schon bald wieder überarbeitet werden muss.

Die Qualität einer KI-Anwendung hängt wesentlich von den Daten ab, die ihr der Prozess zur Verfügung stellt. Sind diese Daten unvollständig, inkonsistent oder nicht zugänglich, schränkt das nicht nur die Einsatzmöglichkeiten von KI ein. Es kann auch dazu führen, dass die Ergebnisse unvorhersehbar werden. Je früher solche Datenprobleme erkannt werden, desto besser. Werden sie bereits bei der Analyse des Prozesses sichtbar, lassen sie sich meist vergleichsweise einfach beheben. Treten sie dagegen erst nach der Einführung einer Lösung auf, können die notwendigen Korrekturen teuer und aufwendig werden.

Ein Prozess braucht eine klare Verantwortlichkeit – auch dann, wenn KI oder Automatisierung Teile seiner Ausführung übernimmt. Bei Ausnahmen, Eskalationen oder Fragen zum gewünschten Verhalten muss klar sein, wer die Verantwortung trägt. Fehlt ein eindeutiger Owner, bleibt diese Zuständigkeit offen. Deshalb sollte die Verantwortung bereits feststehen, bevor eine Automatisierung umgesetzt wird, und nicht erst dann geklärt werden, wenn Probleme auftreten. Für agentische KI gilt das umso mehr. Systeme, die eigenständig handeln, können die Folgen unklarer Verantwortlichkeiten deutlich schneller verstärken als klassische Automatisierungen.

Tipp: Einen genaueren Einblick in die Anforderungen an die Umsetzung finden Sie in unserem Blog zur Implementierung von agentischer KI.

Eine Liste geeigneter und ungeeigneter Prozesse ist noch keine Roadmap. Der entscheidende Schritt besteht darin, diese Erkenntnisse in eine nachvollziehbare Reihenfolge zu bringen. So wird aus einer Wunschliste ein Plan, der sich auch gegenüber kritischen Nachfragen begründen lässt.

Ein sinnvoller Ansatz sieht folgendermaßen aus:

1. Mit den wichtigsten Wunschkandidaten beginnen: Starten Sie mit den Prozessen, die in Ihrem Unternehmen besonders häufig als KI- oder Automatisierungskandidaten genannt werden. Gerade bei diesen Prozessen ist das Risiko hoch, dass sie aus den falschen Gründen ausgewählt wurden.
2. Alle Kandidaten nach denselben Kriterien bewerten: Wenden Sie die Qualifizierungs- und Ausschlusskriterien konsequent auf jeden Prozess an. So entsteht eine vergleichbare Grundlage, unabhängig davon, wer einen Prozess vorgeschlagen hat.
3. Kandidaten anhand relevanter Kriterien bewerten: Berücksichtigen Sie Impact, Standardisierung, Stabilität und Datenqualität. Dadurch werden Zielkonflikte sichtbar und Entscheidungen nachvollziehbar.
4. Aus den Ergebnissen eine Reihenfolge ableiten: Das Ziel sollte nicht nur sein, Prozesse zuzulassen oder auszuschließen. Entscheidend ist auch, welche Initiativen zuerst umgesetzt werden sollten.

So wird Prozessmodellierung von einer einmaligen Analyse zu einem festen Bestandteil der Prozessoptimierung. Wenn Stakeholder:innen die Priorisierung infrage stellen, liefert das Prozessmodell eine gemeinsame Faktenbasis für die Diskussion. Eine Priorisierung, die auf dem tatsächlichen Ablauf der Prozesse beruht, lässt sich deutlich schwerer durch persönliche Präferenzen oder die Meinung einzelner Stakeholder:innen verändern.

Prozessmodellierung ist nur so aussagekräftig wie das Modell selbst. Bildet ein Modell lediglich die aufgeräumte Version aus einem Workshop ab und nicht den tatsächlichen Ablauf, kann es eine Priorisierungsentscheidung genauso in die falsche Richtung lenken wie ein Verzicht auf die Analyse.

Auch Prozesse verändern sich. Ein Prozess, der im vergangenen Jahr noch als geeigneter Kandidat galt, kann sich inzwischen so stark verändert haben, dass eine Automatisierung nicht mehr sinnvoll ist. Deshalb sollte die Liste der Kandidaten regelmäßig überprüft und aktualisiert werden.

Process Mining kann die Lücke zwischen geplanter und tatsächlicher Prozessausführung verkleinern. Voraussetzung dafür ist allerdings, dass der Prozess bereits ausreichend Ereignisdaten erzeugt. Das ist nicht bei jedem Prozess der Fall.

Prozessmodellierung nimmt Entscheidungen also nicht vollständig die Unsicherheit. Es sorgt aber dafür, dass die verbleibende Unsicherheit sichtbar wird und auf einer nachvollziehbaren Grundlage diskutiert werden kann.

In vielen Unternehmen finden sich besonders interessante Kandidaten in einigen wiederkehrenden Prozessarten. Sie bieten daher einen guten Ausgangspunkt für eine erste Modellierungs-Initiative.

• Transaktionsprozesse mit hohem Volumen und strukturierten Ein- und Ausgaben, etwa der Abgleich von Lieferantenrechnungen in der Kreditorenbuchhaltung oder die Auftragsbestätigung im Order-to-Cash-Prozess. Hier wiederholt sich derselbe Vorgang tausende Male auf Basis konsistenter Daten.
• Prozesse mit häufigen Ausnahmen, die bestimmten Mustern folgen, etwa die Triage von Versicherungsfällen oder die Bearbeitung von Retouren im Einzelhandel. Viele dieser Ausnahmen sind nicht wirklich einzigartig und können klassifiziert werden, bevor sie von einem Menschen bearbeitet werden.
• Funktionsübergreifende Übergaben, bei denen Verzögerungen und Nacharbeiten messbar sind, etwa die Bonitätsprüfung zwischen Vertrieb und Finanzabteilung oder die Übergabe von der Auftragserfassung an die Auftragsabwicklung. Die dabei entstehenden Verzögerungen lassen sich gut quantifizieren.
• Compliance- und Monitoring-Prozesse, etwa die Transaktionsprüfung im Finanzdienstleistungsbereich oder Dokumentenprüfungen im Onboarding. Hier kann KI Anomalien schneller und konsistenter erkennen und zur weiteren Prüfung markieren als eine manuelle Stichprobenprüfung.

Allen diesen Prozessen ist weniger die eingesetzte Technologie gemeinsam als ihre Struktur: Sie sind repetitiv, messbar und basieren auf Daten, die bereits im Prozess entstehen. Genau diese Eigenschaften macht das Modellieren von Prozessen sichtbar.

Wer eine Vielzahl von Prozessen auf diese Weise bewerten möchte, stößt mit Dokumenten und Tabellen schnell an Grenzen. Modelle, Kriterien und Nachweise müssen an einem Ort zusammengeführt und über das gesamte Prozessportfolio hinweg konsistent genutzt werden können. Genau hier kann eine dedizierte Geschäftsprozessmanagement-(GPM-)Plattform unterstützen. ADONIS bietet dafür die entsprechende Grundlage.

Strukturierte Prozesslandkarten und -modelle machen die Kriterien für die Auswahl und den Ausschluss konkreter bewertbar. Die Eignung eines Prozesses wird damit zu einer nachvollziehbaren Beurteilung und nicht zu einer reinen Meinungsfrage. Process Mining zeigt, wie stark die tatsächliche Ausführung von der geplanten Prozessstruktur abweicht. Genau diese Unterschiede können entscheidend dafür sein, ob ein Business Case für Automatisierung tatsächlich trägt. Die Variantenanalyse wiederum macht sichtbar, wo Teams einen Prozess so unterschiedlich ausführen, dass zunächst eine stärkere Standardisierung notwendig ist.

Die drei Ansätze bauen aufeinander auf: Modellierung schafft die Grundlage für die Bewertung, Process Mining zeigt, wie der Prozess tatsächlich läuft, und die Variantenanalyse macht Unterschiede in der Ausführung sichtbar. So entsteht eine priorisierte, evidenzbasierte Liste von Kandidaten – statt einer Wunschliste, die sich jedes Mal verändert, wenn sich die Meinung der Führungsebene ändert.

Der Einstieg muss kein großes Transformationsprogramm sein. Entscheidend ist, Prozessinformationen konsequent zur Grundlage der Priorisierung zu machen.

1. Modellieren Sie die Prozesse, die Ihr Unternehmen besonders gerne automatisieren möchte, bevor ein Budget freigegeben wird. So basiert die Entscheidung auf konkreten Prozesserkenntnissen und nicht allein auf Erwartungen.
2. Wenden Sie Ausschlusskriterien genauso konsequent an wie Qualifizierungskriterien. Einen Prozess begründet auszuschließen, ist ein wertvolles Ergebnis und kein Misserfolg.
3. Machen Sie Prozessmodellierung zu einem festen Bestandteil des Business Cases und nicht zu einem separaten Arbeitsstrom, der am Ende unberücksichtigt bleibt.
4. Überprüfen und aktualisieren Sie die Kandidaten regelmäßig. Prozesse verändern sich, die Möglichkeiten von KI entwickeln sich weiter und ein Prozess, der heute noch nicht geeignet ist, kann schon bald die notwendigen Voraussetzungen erfüllen.

Diese Vorgehensweise wird umso wichtiger, je stärker sich KI von einzelnen Pilotprojekten hin zu agentischen Systemen entwickelt, die eigenständig handeln. Denn je mehr Autonomie ein System erhält, desto größer werden auch die Folgen, wenn der falsche Prozess dafür ausgewählt wurde. Unternehmen, die KI erfolgreich einsetzen, können deshalb anhand konkreter Erkenntnisse beantworten, welche Prozesse dafür bereit sind – und welche nicht. Gute KI-Priorisierung ist weniger eine Frage der Ambition als der Fähigkeit, die eigenen Prozesse so gut zu kennen, dass die richtigen Entscheidungen getroffen werden.