Kern•8–12 Stunden

KI-Prozessautomatisierungskarte

Überführe einen As-is-Prozess in eine evidenzbasierte Automatisierungskarte mit Engpässen, Kontrollen, KI-Kandidaten, deterministischen Alternativen, Human Checkpoints und messbaren Akzeptanzkriterien.

ProzessmodellierungAutomatisierungsanalyseKontrolldesignAnforderungs-TraceabilityKI-Capability-Fit

Szenario

Aufgabe

Ein operativer Prozess läuft über E-Mail, Tabellen und CRM und enthält manuelle Prüfungen, doppelte Dateneingabe und mehrere Ausnahmewege. Das Team möchte KI ergänzen, hat aber keinen Nachweis, wo ein Modell Wert schafft und wo deterministische Workflow-Automatisierung genügt. Erstelle eine As-is/To-be-Karte, trenne deterministische Automatisierung von probabilistischer KI, erhalte Kontrollpunkte und definiere die Verifikation vor dem Rollout.

Schrittweise Umsetzung

1. Rekonstruiere den realen As-is-Prozess

Ergebnis: Die Prozesskarte basiert auf Evidenz und zeigt auch Ausnahmen statt nur den Happy Path.

Aufgaben

→10–20 reale Prozessinstanzen sammeln
→Akteure, Systeme, Queues, Freigaben und Rework markieren
→Durchlaufzeit, Wartezeit und Fehler- oder Rework-Signale erfassen
→Kritische Schritte mit Quelldokumenten oder Systemereignissen verknüpfen

Prüfungen

✓Jeder High-Impact-Schritt hat eine Evidenzquelle
✓Ausnahmen werden nicht in Notizen versteckt
✓Jede manuelle Prüfung hat einen erklärten Zweck

2. Deterministische, KI-gestützte und agentische Automatisierung trennen

Ergebnis: KI wird nur dort eingesetzt, wo probabilistische Fähigkeiten erforderlich sind.

Aufgaben

→Für jeden Engpass mindestens eine Nicht-KI-Alternative definieren
→Input-Variabilität, Mehrdeutigkeit, Reasoning-Bedarf, Tool-Zugriff und Fehlerauswirkung bewerten
→Authority Class zuweisen: read, recommend, draft, bounded action oder prohibited action
→Abhängigkeiten von Datenqualität, Retrieval, Identity, Permissions und Human Review erfassen

Prüfungen

✓Jeder KI-Kandidat hat eine Nicht-KI-Baseline
✓Modelloutput gilt weder als Permission noch als autoritatives Ergebnis
✓High-Impact-Aktionen erhalten keine Autonomie ohne Control Evidence

3. To-be-Flow mit Kontrollen und Fehlerpfaden aufbauen

Ergebnis: Der Zielprozess beschreibt Validation, Escalation, Retry und Reconciliation statt nur einer KI-Stufe.

Aufgaben

→Normalpfad und mindestens drei Fehlerpfade zeichnen
→Schema- und Feldvalidierung vor Domain Logic ergänzen
→Für Write Actions Preconditions, Idempotenz und authoritative Postconditions definieren
→Fallback für nicht verfügbares Modell, veraltete Daten, geringe Konfidenz oder Policy Conflict festlegen

Prüfungen

✓Timeout nach Side Effect führt in Reconciliation statt Blind Retry
✓Unsichere oder nicht unterstützte Ergebnisse besitzen einen sicheren Exit
✓Human Checkpoints sind an Risiko und Authority gekoppelt

4. Die Karte in ein entscheidungsreifes Experiment überführen

Ergebnis: Das Team kann anhand messbarer Signale über Go, Iterate oder Kill entscheiden.

Aufgaben

→Repräsentatives Evaluation Set mit Happy Paths, Edge Cases und teuren Fehlern erstellen
→Baselines und Ziele für Qualität, Zeit, Kosten und Rework festhalten
→Shadow-, Draft- und Canary-Rollout entwerfen
→Rollback, Owner und Production-Feedback-zu-Regression-Loop definieren

Prüfungen

✓Jede Erfolgsmetrik hat Baseline und Ground-Truth-Quelle
✓Kritischer Fehler blockiert Rollout unabhängig vom Durchschnittsscore
✓Kosten werden pro erfolgreicher Aufgabe inklusive Review- und Retry-Overhead berechnet

Akzeptanzkriterien

Die As-is-Karte enthält Evidenz für kritische Schritte, Übergaben, Ausnahmen und Kontrollen
Jeder KI-Kandidat wird mit einer deterministischen oder Nicht-KI-Baseline verglichen
Der To-be-Flow enthält Authority, Validation, Escalation, Retry oder Reconciliation und Fallback
Ein repräsentatives Evaluation Set und vordefinierte Go-, Iterate- oder Kill-Kriterien existieren
High-Impact-Automatisierung erfordert eine explizite Human- oder Permission-Boundary und autoritative Verifikation

Materialien vor der Umsetzung

Human-in-the-loop für AI

Eine praxisnahe Production-Architektur für menschliche Aufsicht: Eine Person wird genau an einem Risikopunkt eingebunden und erhält genug Kontext für echte statt nur formale Kontrolle. Behandelt Verträge, Authority Boundaries, Failure Modes, Evaluation und kontrollierten Rollout.