KI-Einsatz in der Prozessoptimierung — Eine Delphi-Studie zu Business Process Improvement Patterns
Wie muss ein bewährtes BPI-Metamodell erweitert werden, um KI-gestützte Verbesserungsmuster in der Prozessausführung präzise abzubilden? Eine expertenbasierte Delphi-Studie sucht Antworten.
Motivation
Künstliche Intelligenz verändert die Art und Weise, wie Unternehmen ihre Prozesse gestalten und verbessern – grundlegend und dauerhaft. Machine Learning, Natural Language Processing und intelligente Automatisierung eröffnen völlig neue Möglichkeiten, Engpässe zu erkennen, Entscheidungen zu unterstützen und Abläufe adaptiv zu optimieren.
Gleichzeitig fehlt es in der Praxis an strukturierten, methodisch fundierten Rahmenwerken, die genau beschreiben, wie KI-Technologien gezielt in Geschäftsprozesse eingebettet werden sollten. Bestehende Methoden des Business Process Improvement (BPI) wurden vor der KI-Ära entwickelt und berücksichtigen KI-spezifische Aspekte wie Transparenz, Autonomiegrad oder Datenabhängigkeiten kaum.
Diese Lücke ist der Ausgangspunkt der vorliegenden Arbeit: Wie muss ein bewährtes BPI-Metamodell erweitert werden, damit es KI-gestützte Verbesserungsmuster präzise, vergleichbar und praxistauglich abbilden kann?
Die Forschung
„Applying Artificial Intelligence to Process Optimization: A Delphi Study on Business Process Improvement Patterns"
Betreuer: Prof. Dr. Stefan Schönig & Leo Poss
Ziel der Arbeit ist die Entwicklung und expertenbasierte Validierung eines KI-erweiterten Metamodells für Business Process Improvement Patterns (AI-BPI). Als Ausgangsbasis dient das BPI-Metamodell von Falk (2013) — „Patterns for Business Process Improvement — A First Approach" —, das im Rahmen dieser Arbeit um KI-spezifische Dimensionen erweitert wird.
Das Metamodell beschreibt, aus welchen Bausteinen ein BPI-Muster besteht — also eine bewährte Schablone für die Verbesserung eines Geschäftsprozesses. Stellen Sie sich ein solches Muster wie ein strukturiertes Rezept vor: Es legt fest, welches Problem es löst, in welchem Kontext es anwendbar ist, wie die Lösung konkret aussieht und welcher Effekt — etwa Kostensenkung, Zeitersparnis oder Qualitätssteigerung — damit erzielt werden soll. Jede Box im Diagramm (z. B. „Solution", „Effect") ist eine sogenannte Klasse — sie steht für eine Informationskategorie, die ein vollständiges Verbesserungsmuster beschreiben muss. In meiner Masterarbeit wird dieses Modell gezielt um KI-spezifische Klassen erweitert: Welche KI-Technologie kommt zum Einsatz? Welche Rolle übernimmt sie im Prozess? Wie wird sichergestellt, dass die KI-Lösung vertrauenswürdig und kontrollierbar bleibt?
Abbildung: BPI-Metamodell nach Falk (2013) — „Patterns for Business Process Improvement — A First Approach". Zum Vergrößern anklicken.
Geschäftsprozesse durchlaufen einen sechsphasigen BPM-Lebenszyklus — von der Identifikation und Modellierung bis hin zu Monitoring und kontinuierlicher Verbesserung. Der inhaltliche Fokus dieser Arbeit liegt auf Phase 5 (Execution): dem Ort, an dem Prozesse tatsächlich ausgeführt werden und KI direkt in Aktivitäten eingebettet werden kann. Die entwickelten AI-BPI-Muster sind Werkzeuge der Prozessverbesserung (Phase 6) — sie beschreiben strukturiert, welche KI-Technologie in Phase 5 eingesetzt werden kann und wie, um konkrete Verbesserungen in Kosten, Zeit oder Qualität zu erzielen.
Zu den relevanten KI-Technologien in Phase 5 zählen etwa Machine Learning für Entscheidungsunterstützung, Natural Language Processing für automatisierte Dokumentenverarbeitung, Computer Vision für visuelle Qualitätskontrolle, Large Language Models für intelligente Prozessassistenz sowie Robotic Process Automation (RPA) für regelbasierte Automatisierung. Praktische Einsatzszenarien umfassen z. B. intelligentes Routing von Kundenanfragen, automatisierte Kreditentscheidungen, vorausschauende Wartung in der Produktion, Echtzeit-Betrugserkennung oder KI-gestützte Prüfung eingehender Dokumente — alles Fälle, für die ein AI-BPI-Muster eine strukturierte, wiederverwendbare Vorlage liefern kann.
Auf Grundlage einer vorangehenden strukturierten Literaturrecherche wurden KI-spezifische Klassenerweiterungen identifiziert und als erste Vorschläge für das erweiterte Metamodell formuliert. Diese Vorschläge bilden die Bewertungsgrundlage der Delphi-Studie und werden durch Expertenfeedback iterativ verfeinert.
BPM-Lebenszyklus nach Weske (2019). Phase 5 (Execution) ist der Ort, an dem KI in laufende Prozessaktivitäten eingebettet wird. Die AI-BPI-Muster dieser Arbeit werden im Rahmen von Phase 6 eingesetzt, um gezielt Verbesserungen in Phase 5 zu realisieren.
Nutzen für Unternehmen
Das validierte Metamodell bietet Unternehmen einen konkreten Orientierungsrahmen für den strukturierten Einsatz von KI in der Geschäftsprozessverbesserung:
KI strukturiert in Prozessaktivitäten einbetten
Das Metamodell beschreibt präzise, welche KI-Dienste in welcher Rolle innerhalb laufender Prozessaktivitäten eingesetzt werden können — einschließlich der technologischen und kontextuellen Voraussetzungen.
Bewährte Muster auf neue Kontexte übertragen
Durch einheitliche Klassen und Attribute lassen sich validierte AI-BPI-Muster branchen- und kontextübergreifend vergleichen und wiederverwenden — statt jedes Mal von Null zu starten.
Governance-Aspekte strukturiert erfassen
Das erweiterte Metamodell soll die Grundlage schaffen, um sicherheits- und vertrauensrelevante Anforderungen an KI-Dienste — wie Autonomiegrad oder Transparenz — als integralen Bestandteil von Verbesserungsmustern abzubilden.
Fundierte Entscheidungsgrundlage für KI-Projekte
Ein durch Expertenkonsens validiertes Metamodell liefert eine praxistaugliche Grundlage, um KI-Einsatzszenarien in Geschäftsprozessen methodisch zu bewerten und vergleichbar zu machen.
Die Delphi-Methode
Die Delphi-Methode ist ein strukturiertes Expertenbefragungsverfahren, das in mehreren Runden iterativ Konsens über komplexe Fragestellungen herstellt. Jede Runde baut auf den anonymisiert aggregierten Ergebnissen der vorherigen auf — so lange, bis Stabilität im Meinungsbild erreicht ist. Der Studienablauf ist auf vier Runden ausgelegt.
Das Expertengremium setzt sich bewusst aus Personen sowohl aus der Wissenschaft als auch aus der Praxis zusammen — um theoretische Fundiertheit und praxisnahe Relevanz des Metamodells gleichermaßen sicherzustellen.
Phase 1 — Klassenerweiterungen bewerten
Auf Basis einer strukturierten Literaturrecherche vorgeschlagene KI-spezifische Klassenerweiterungen werden von Experten bewertet (Beibehalten / Anpassen / Entfernen). Eigene Vorschläge für weitere Klassen sind ausdrücklich erwünscht. Antworten werden anonymisiert aggregiert und in die nächste Runde überführt, bis ein stabiler Konsens über den finalen Klassensatz erreicht ist.
Phase 2 — Attribute der finalisierten Klassen bestimmen
Im zweiten Schritt werden die Attribute der konsentierten Klassen erarbeitet und iterativ bewertet. Auch hier können Experten eigene Attributvorschläge einbringen. Die Runden werden so lange wiederholt, bis Stabilität im Meinungsbild erreicht ist.
Ergebnis — Validiertes AI-BPI-Metamodell
Das Ergebnis ist ein durch Expertenkonsens validiertes, KI-erweitertes BPI-Metamodell, das als Grundlage für praxisnahe AI-BPI-Patterns dienen kann.
Teilnehmen
Die Teilnahme an der Delphi-Studie ist ausschließlich für eingeladene Experten möglich. Wenn Sie eine persönliche Einladung erhalten haben, enthält diese einen direkten Link zur Registrierung.