Workflows sind das eigentliche Schlachtfeld für KI

In vielen Organisationen, die mit künstlicher Intelligenz experimentieren, zeigen sich die ersten Verbesserungen meist dort, wo Wissen der Hauptengpass ist. Systeme, die auf großen Sprachmodellen basieren, können Dokumente zusammenfassen, Informationen aus internen Datenbanken abrufen und Mitarbeiter bei Rechercheaufgaben unterstützen, die zuvor erheblichen Zeitaufwand erforderten. Diese Fähigkeiten haben sich als wertvoll erwiesen, insbesondere in Umgebungen, in denen große Informationsmengen schnell verarbeitet werden müssen. Doch trotz dieser Fortschritte bleiben die täglichen Abläufe des Geschäftsbetriebs oft weitgehend unverändert. Selbst Unternehmen, die KI-Tools breit eingeführt haben, verlassen sich immer noch stark auf menschliche Koordination, um Arbeitsprozesse zu steuern. Der Grund wird in der Regel deutlich, sobald die Aufmerksamkeit von einzelnen Aufgaben auf die sie verbindenden Workflows gelenkt wird.

Wo operative Komplexität tatsächlich liegt

Unternehmensprozesse bestehen selten aus einer einzigen Aktion. Eine typische Kundeninteraktion kann das Abrufen von Kontoinformationen, die Überprüfung der Berechtigung, die Aktualisierung von Datensätzen, das Auslösen nachgelagerter Aktionen und die Benachrichtigung anderer Systeme erfordern. Jeder Schritt kann unterschiedliche Anwendungen und unterschiedliche operative Regeln beinhalten. Eine einfache Versicherungsanfrage kann eine CRM-Plattform, eine Policendatenbank, ein Abrechnungssystem und ein Dokumentenmanagementsystem berühren. Im Gesundheitswesen kann die Terminplanung die Überprüfung der Berechtigung, die Verfügbarkeit von Ärzten, die Versicherungsvalidierung und die regulatorische Dokumentation umfassen. Workflows existieren genau deshalb, weil Organisationen auf mehrere Systeme angewiesen sind, um zu operieren – Systeme, die oft in unterschiedlichen Jahren implementiert wurden und selten miteinander konzipiert wurden. In großen Unternehmen ist es nicht ungewöhnlich, dass ein einzelner Prozess durch Software läuft, die in völlig unterschiedlichen Jahrzehnten eingeführt wurde. Die Automatisierung eines einzelnen Schritts beseitigt selten die Notwendigkeit, den Rest des Prozesses zu koordinieren.

Warum traditionelle Automatisierung Schwierigkeiten hat

Traditionelle Automatisierungstechnologien wurden für vorhersehbare Umgebungen entwickelt. Robotic Process Automation (RPA)-Tools beispielsweise funktionieren gut, wenn die Schritte eines Prozesses festgelegt sind und die Eingaben konsistent bleiben. Operative Workflows verhalten sich selten so. Anfragen variieren, Informationen können unvollständig sein und Ausnahmen treten häufig auf – oft genau in dem Moment, in dem ein sorgfältig entworfener Automatisierungsskript erwartet, dass alles vorhersehbar abläuft. Selbst kleine Abweichungen, wie fehlende Daten oder eine ungewöhnliche Kundenanfrage, können starre Automatisierungsabläufe unterbrechen. Dies erklärt, warum viele Organisationen immer noch stark auf menschliche Bediener angewiesen sind, um operative Prozesse zu koordinieren, selbst wenn Teile dieser Prozesse bereits automatisiert wurden.

KI verändert die Koordination von Workflows

Künstliche Intelligenz bietet eine andere Fähigkeit: die Interpretation von Kontext. Anstatt eine feste Abfolge von Aktionen auszuführen, können KI-Systeme eine Anfrage auswerten, die relevanten Informationen ermitteln, die zur Lösung erforderlich sind, und mit den Systemen interagieren, die zur Erledigung der Aufgabe benötigt werden. Dies ermöglicht die Automatisierung von Prozessen, die zuvor menschliches Urteilsvermögen erforderten, nur um den Workflow zu koordinieren. Frühere Automatisierungswerkzeuge konzentrierten sich auf einzelne Schritte innerhalb eines Prozesses. KI-Systeme machen es zunehmend möglich, den Workflow selbst zu koordinieren. Ökonomen, die sich mit technologischem Wandel beschäftigen, beobachten seit langem ähnliche Muster. Forschungen des MIT-Ökonomen David Autor zeigen, dass neue Technologien eher Aufgaben innerhalb von Workflows automatisieren, als ganze Berufe zu ersetzen. Künstliche Intelligenz scheint diesem Trend zu folgen.

Der Aufstieg agentenbasierter Workflow-Systeme

Jüngste Fortschritte in KI-Architekturen haben diese Entwicklung beschleunigt. Agentenbasierte Systeme können eine Anfrage interpretieren, die erforderlichen Aktionen zur Lösung ermitteln und mit mehreren Systemen interagieren, um den Prozess abzuschließen. Dieses Modell taucht bereits in verschiedenen Branchen auf. Telekommunikationsanbieter nutzen KI-gesteuerte Systeme, um Netzwerkprobleme zu diagnostizieren und Abhilfeworkflows einzuleiten. Versicherungsunternehmen verlassen sich zunehmend auf automatisierte Agenten, um Policen zu überprüfen und Teile der Schadensbearbeitung abzuwickeln. Logistikunternehmen nutzen KI-Koordinationssysteme, um Routen und Zeitpläne in komplexen operativen Netzwerken anzupassen. In jedem dieser Beispiele liegt der eigentliche Wert künstlicher Intelligenz nicht in der Beantwortung von Fragen, sondern in der Lösung operativer Situationen.

Governance wird zentral

Wenn künstliche Intelligenz beginnt, operative Workflows auszuführen, wird Governance schnell kritisch. Organisationen müssen wissen, welche Maßnahmen ergriffen wurden, warum sie ergriffen wurden und ob diese Maßnahmen internen Richtlinien und regulatorischen Anforderungen entsprechen. Sobald automatisierte Systeme operative Entscheidungen treffen, wird die Fähigkeit, diese Entscheidungen zu erklären, genauso wichtig wie die Fähigkeit, sie auszuführen. In regulierten Sektoren wie dem Gesundheitswesen, der Versicherung und dem Finanzwesen werden diese Anforderungen durch rechtliche Rahmenbedingungen für die automatisierte Entscheidungsfindung verstärkt. Der AI Act der Europäischen Union führt beispielsweise Transparenzanforderungen für Systeme ein, die mit Kunden interagieren oder operative Ergebnisse beeinflussen. Operative KI-Systeme erfordern daher eine Architektur, die sich in Unternehmenssysteme integriert, Governance-Regeln konsistent anwendet und klare Aufzeichnungen über die vom System durchgeführten Aktionen führt.

Elba und Workflow-Orchestrierung

Dies ist genau die Art von operativer Umgebung, für die Plattformen wie Elba entwickelt wurden. Anstatt sich ausschließlich auf die konversationelle Interaktion zu konzentrieren, fungiert Elba als agentenbasierte, Omnichannel-Orchestrierungsschicht, die Anfragen – ob über Sprache, Messaging oder andere Kanäle empfangen – in Workflows übersetzen kann, die über Unternehmenssysteme hinweg ausgeführt werden. Sobald die Absicht identifiziert ist, ruft die Plattform den Kontext ab, interagiert mit verbundenen Anwendungen, wendet Geschäftslogik an und schließt definierte operative Prozesse innerhalb der von der Organisation festgelegten Governance-Grenzen ab. Aus der Perspektive des Benutzers beginnt die Interaktion oft mit einer einfachen Anfrage. Hinter den Kulissen koordiniert das System jedoch die Abfolge der operativen Aktionen, die erforderlich sind, um diese Anfrage über die digitale Infrastruktur der Organisation hinweg zu lösen.

Wohin sich die KI-Adoption entwickelt

Die erste Phase der Einführung von KI in Unternehmen konzentrierte sich weitgehend auf Informationen. Systeme beantworteten Fragen, fassten Dokumente zusammen und unterstützten Mitarbeiter bei Wissensaufgaben. Die nächste Phase entfaltet sich innerhalb operativer Workflows. Organisationen, die KI erfolgreich in die Prozesse integrieren, die die Arbeit systemübergreifend koordinieren, werden die größten operativen Auswirkungen erzielen. Während künstliche Intelligenz weiter reift, wird ihr bedeutsamster Beitrag möglicherweise nicht darin bestehen, bessere Antworten zu generieren, sondern Organisationen zu ermöglichen, Workflows effizienter und zuverlässiger auszuführen.