Prozessautomatisierung mit KI: Beispiele und Umsetzung
von SK
Prozessautomatisierung mit KI lohnt sich dort, wo wiederkehrende Abläufe an variablen Eingaben scheitern: an Rechnungen in zwanzig Layouts, an frei formulierten Kunden-E-Mails oder an Tickets, die erst gelesen werden müssen, bevor jemand sie zuordnen kann. Für kleine und mittlere Unternehmen ist der beste Einstieg ein einzelner, häufiger und klar abgegrenzter Prozess wie die Eingangsrechnungsverarbeitung oder die Ticketklassifizierung, den KI vorbereitet und ein Mensch freigibt, weil sich Nutzen und Fehlerquote dort in wenigen Wochen messen lassen.
Die Verbreitung ist längst da: Laut ifo-Konjunkturumfrage vom Mai 2026 setzen 54,5 % der deutschen Unternehmen KI in Geschäftsprozessen ein, ein Jahr zuvor waren es 40,9 %. Viele Projekte bleiben trotzdem im Pilotstadium hängen. Selten liegt das an der Technik. Meist fehlen ein sauber gewählter Prozess, belastbare Ausgangswerte und eine klare Zuständigkeit für den laufenden Betrieb.
In unserer Beratungspraxis sehen wir regelmäßig, dass die Wahl des Tools die kleinste Frage ist. Wer zuerst den Arbeitsablauf versteht, kann begründet entscheiden, ob feste Regeln genügen oder ob KI einen echten Mehrwert liefert, und den Erfolg später mit eigenen Zahlen belegen.
|
Das Wichtigste in Kürze:
|
Was unterscheidet KI-gestützte Abläufe von klassischer Automatisierung?
Klassische Automatisierung arbeitet nach festen Wenn-dann-Regeln und braucht strukturierte Daten; KI kann unstrukturierte Inhalte wie E-Mails, PDFs oder Freitexte lesen, einordnen und daraus einen Vorschlag ableiten. Robotic Process Automation (RPA) etwa kopiert zuverlässig Werte aus Feld A in Feld B, solange Feld A immer an derselben Stelle steht. Ändert ein Lieferant sein Rechnungslayout, stockt der Bot.
Feste Regeln genügen, wenn Eingaben einheitlich sind: Datenübertragung zwischen CRM und ERP, Freigabestufen ab bestimmten Beträgen, standardisierte Exporte. KI bringt einen Mehrwert, sobald Variabilität ins Spiel kommt:
- Dokumente mit wechselndem Aufbau (Rechnungen, Lieferscheine, Verträge)
- frei formulierte Texte (Kundenanfragen, Support-Tickets, Bewertungen)
- Entscheidungen auf Basis von Mustern (Dringlichkeit, Zuständigkeit, Plausibilität)
Die wirksamsten Abläufe kombinieren beides. Die KI übernimmt den unstrukturierten Teil, also das Lesen und Klassifizieren einer eingehenden E-Mail, und übergibt ein strukturiertes Ergebnis an einen regelbasierten Workflow, der Buchung, Weiterleitung oder Ablage erledigt. Diese Aufteilung hat einen praktischen Vorteil: Fehlerquellen lassen sich klar zuordnen. Liegt ein Problem in der Erkennung, wird das Modell oder die Vorlage angepasst; liegt es in der Weiterverarbeitung, die Regel.
Zu beachten ist, dass KI-Ausgaben Wahrscheinlichkeiten sind. Ein Sprachmodell liefert eine plausible Einordnung, keine garantiert richtige. Deshalb gehört zu jedem KI-Schritt ein Konfidenzwert oder eine Prüfregel, ab der ein Mensch übernimmt.
Welche Geschäftsprozesse eignen sich für den KI-Einsatz?
Gute Kandidaten laufen täglich oder wöchentlich, haben klar beschreibbare Ein- und Ausgaben, verfügen über historische Beispieldaten und verursachen heute einen messbaren Aufwand. Fehlt eines dieser Merkmale, wird entweder der Nutzen klein oder der Erfolg nicht belegbar.
| Prozess | Rolle der KI | Menschliche Prüfung | Kritische Voraussetzung |
|---|---|---|---|
| Eingangsrechnungen | Felder auslesen, Bestellung abgleichen | Freigabe bei Abweichungen oder niedriger Konfidenz | saubere Lieferanten- und Bestelldaten |
| Ticketklassifizierung | Thema, Dringlichkeit, Team erkennen | Stichproben, Korrektur falscher Zuordnungen | eindeutige Kategorien |
| E-Mail-Triage | sortieren, Antwortentwurf vorbereiten | Versand nach Freigabe | gepflegte Textbausteine |
| Angebote für Standardkonfigurationen | Entwurf aus Anfrage und Preisliste | fachliche Kontrolle vor Versand | aktuelle Preisdaten |
| Internes Wissen | Antworten mit Quellenangabe | Rückmeldung bei falschen Antworten | aktuelle Dokumente |
Bei der Rechnungsverarbeitung entscheidet die Datenqualität mehr als das Modell: Sind Lieferantenstammdaten doppelt angelegt oder Bestellnummern lückenhaft, schlägt der Abgleich fehl, egal wie gut die Erkennung arbeitet. Bei Tickets scheitern Projekte häufig an überlappenden Kategorien, die schon Menschen uneinheitlich vergeben.
Weniger geeignet für den Start sind seltene Vorgänge, Abläufe mit hohem Fehlerrisiko (etwa rechtlich bindende Entscheidungen ohne Prüfschritt) und vage Aufgaben wie „Kundenbedürfnisse verstehen“.
Wie gelingt die Umsetzung vom ersten Prozess bis zum Regelbetrieb?
Der Weg führt über fünf Etappen: Ist-Zustand messen, Scope schriftlich begrenzen, im Parallelbetrieb testen, kontrolliert live gehen und dauerhaft überwachen.
- Ausgangswerte erheben: Zeit je Vorgang an mindestens fünf bis zehn realen Fällen stoppen, Volumen aus Systemdaten ziehen, aktuelle Fehlerquote festhalten.
- Scope festlegen: Was automatisiert die Lösung, was nicht? Ein Beispiel für Rechnungen: deutsche Lieferanten, PDF-Format, Standardleistungen; Gutschriften, Fremdwährungen und handschriftliche Belege bleiben manuell.
- Erfolgskriterien definieren: konkrete Schwellen, etwa Bearbeitungszeit unter zwei Minuten und eine Fehlerquote unter einem vorher vereinbarten Wert.
- Parallelbetrieb: Zwei bis vier Wochen läuft die KI neben dem manuellen Prozess, Ergebnisse werden verglichen. Zwei bis drei Mitarbeitende aus dem Fachbereich testen mit; ihr Feedback verbessert die Lösung und schafft Akzeptanz.
- Regelbetrieb: stabile Schnittstellen statt manueller Exporte, Logging, klare Eskalationswege für nicht erkannte Fälle und ein Rückfallplan, mit dem der manuelle Prozess sofort wieder anläuft.
Für die Datenschutzseite gehören Auftragsverarbeitungsvertrag, Verarbeitungsverzeichnis, Datenminimierung und bei personenbezogenen Daten eine Prüfung der Datenschutz-Folgenabschätzung von Anfang an dazu. Im Betrieb lohnt ein kleiner Lenkungskreis aus fachlicher, technischer und entscheidender Rolle. Monatlich wird geprüft, ob Erkennungsrate und Korrekturaufwand stabil bleiben, denn neue Lieferanten oder geänderte Ticketthemen verschieben die Qualität schleichend.
Wie lassen sich Nutzen, Kosten und Risiken bewerten?
Belastbar wird eine Bewertung erst mit der Nettoersparnis: Bruttoersparnis mal Nutzungsquote, abzüglich Kontroll- und Korrekturaufwand. Pauschale Zeitersparnisse aus fremden Praxisbeispielen eignen sich höchstens als Hypothese; entscheiden sollten Sie auf Basis Ihrer eigenen Pilotdaten.
Nutzen setzt sich aus harter Zeitersparnis, Qualitätsgewinn (weniger Nacharbeit, in Euro bewertbar) und Kapazitätsgewinn zusammen, wobei Letzterer nur zählt, wenn das zusätzliche Volumen tatsächlich anfällt. Kürzere Reaktionszeiten oder zufriedenere Teams gehören als Kontext in die Entscheidung, nicht in die Formel.
Kosten umfassen mindestens:
- Lizenzen und nutzungsabhängige API-Gebühren
- Einführung, Integration und Datenaufbereitung
- interne Zeit für Projektsteuerung, Tests und Schulung
- Betrieb und Pflege nach dem Go-live
- menschliche Prüfung und Fehlerkorrektur
Risiken werden vor der ROI-Rechnung abgezogen: gemessene Fehlerquote mal Kosten je Fehlerfall. Eine falsch zugeordnete Rechnung kostet Korrekturzeit, eine fehlerhafte Kundenantwort im ungünstigen Fall eine Reklamation.
Wir empfehlen, ein konservatives und ein optimistisches Szenario zu rechnen und das konservative als Entscheidungsgrundlage zu nehmen. Zeitersparnis ist zunächst freie Kapazität; zu Geld wird sie erst, wenn diese Kapazität sinnvoll eingesetzt wird.
Mit einem geeigneten Prozess klein anfangen
Der verlässlichste Einstieg beginnt beim Arbeitsablauf: ein häufiger, abgegrenzter Prozess mit variablen Eingaben, für den Daten und heutige Aufwände bekannt sind. Feste Regeln übernehmen den strukturierten Teil, KI das Lesen und Einordnen, ein Mensch die Freigabe kritischer Fälle. Ein schriftlich begrenzter Pilot mit Parallelbetrieb liefert die Zahlen, an denen sich die Skalierung messen lässt. Im Regelbetrieb sichern Monitoring, Eskalationswege und regelmäßige Stichproben die Qualität. Als nächster Schritt eignet sich ein Prozess, der vorhandene Schnittstellen wiederverwendet und eine ähnlich gute Datenlage hat.
Häufig gestellte Fragen:
Für einen klar begrenzten Prozess sind fünf bis zehn Wochen vom Ist-Audit bis zum Regelbetrieb ein realistischer Rahmen. Den größten Anteil nehmen Parallelbetrieb und Nachjustierung ein. Unklare Datenlage oder wachsender Scope verlängern die Dauer spürbar.
Im Mittelstand verlagert sie vor allem Routinearbeit wie Datenerfassung und Sortierung, während fachliche Entscheidungen beim Team bleiben. Mitarbeitende übernehmen Prüfung, Ausnahmen und Pflege der Lösung. Transparente Kommunikation von Beginn an reduziert Widerstände deutlich.
Für den Start reichen Prozesswissen, analytisches Verständnis und ein externer Partner oder ein etabliertes Werkzeug. Mit wachsender Zahl automatisierter Prozesse lohnt ein kleines internes Team, das Anforderungen formuliert und einfache Anpassungen selbst vornimmt. Forschungswissen ist dafür nicht nötig.
Ja, sofern Auftragsverarbeitungsvertrag, Verarbeitungsverzeichnis, Datenminimierung und ein Löschkonzept vorliegen. Bei personenbezogenen Daten ist zu prüfen, ob eine Datenschutz-Folgenabschätzung erforderlich ist. Viele Anbieter bieten Hosting in der EU an.
Klassische Automatisierung reicht, wenn Eingaben einheitlich strukturiert sind und die Regeln vollständig beschrieben werden können. Beispiele sind Datenübertragungen zwischen Systemen oder betragsabhängige Freigaben. KI lohnt sich erst, wenn Dokumente, Texte oder Fallkonstellationen variieren.
