Praktischer Leitfaden zur Nutzung KI-gestützter Automatisierung in Ihren Prozessorchestrierungs-Workflows
Das Versprechen der KI-gestützten Automatisierung
Die generative KI erlebt gerade einen Aufstieg, die Unternehmenswelt ist fasziniert und die Anwendungsfälle scheinen unbegrenzt. Man kann sich kaum vorstellen, was alles noch möglich sein wird. KI ist jetzt für den Durchschnittsnutzer zugänglich und greifbar, und nicht mehr nur ein von Anbietern forciertes Thema. Momentan herrscht jedoch so viel Aufsehen, dass es schwierig sein kann, bei der KI-gestützten Automatisierung zwischen Hype und Realität zu unterscheiden.
Schon heute können eine KI-gestützte Automatisierung und Prozessorchestrierung eine enorme Rolle spielen, sei es bei der Ausführung eigener Aufgaben, bei der Orchestrierung manueller Aufgaben oder bei der Umsetzung kontinuierlicher Verbesserungen. Laut Gartner, werden KI-gestützte Innovationsteams bis 2027 Projekte durchführen, die bis zu 75 % erfolgreicher sein werden als herkömmliche menschliche Teams, was zu einer beschleunigten Wertschöpfung aus angewandten Innovationen führt. Um KI effektiv und sinnvoll zu nutzen, muss man sie jedoch gezielt einsetzen.
In diesem Leitfaden möchten wir darstellen, welches Potenzial KI bietet, wenn Sie, Ihr Team oder Ihr Unternehmen Geschäftsprozesse orchestrieren möchten, um bessere Ergebnisse zu erzielen. Was ist heute bereits möglich und was in circa 6 bis 18 Monaten? Wie kann Prozessorchestrierung zusammen mit KI in einem Technologie-Stack für Hyperautomation eingesetzt werden? Welche potenziellen Herausforderungen oder Bedenken sind mit der Umsetzung verbunden? Was sind die geschäftlichen Auswirkungen? Diesen und weiteren Fragen gehen wir in diesem Leitfaden nach.
KI-gestützte Automatisierungsmöglichkeiten in der Prozessorchestrierung
Das aktuelle Interesse an KI ist größtenteils Anwendungen wie ChatGPT von OpenAI zu verdanken, aber durch eine KI-gestützte Automatisierung in der Prozessorchestrierung kann viel mehr erreicht werden.
Was ist Prozessorchestrierung?
Prozessorchestrierung koordiniert die verschiedenen, flexiblen Komponenten (oder Endpunkte) eines Geschäftsprozesses und verbindet manchmal sogar mehrere Prozesse miteinander. Die Prozessorchestrierung hilft Ihnen, mit bereits vorhandenen Mitarbeitern, Systemen und Geräten zu arbeiten und gleichzeitig selbst die ehrgeizigsten Ziele in der End-to-End-Prozessautomatisierung zu erreichen.
In diesem Zusammenhang haben wir die Einsatzmöglichkeiten einer KI-gestützten Automatisierung in drei Hauptkategorien unterteilt:
Prädiktiv
Prädiktive KI kann Daten verwenden, die von Prozessinstanzen während des Prozessbetriebs gesammelt werden, um Verbesserungen an den Modellen und am gesamten Prozessablauf vorzunehmen.
Generativ
Generative KI kann genutzt werden, um neue Prozesse zu erstellen, bestehende Prozesse zu verfeinern oder Code aus natürlichen Sprachbefehlen zu generieren.
Assistive KI
Diese Art der KI kann maschinelles Lernen nutzen, um die Erledigung von Aufgaben und die Entscheidungsfindung zu unterstützen oder zu automatisieren.
1 „Use Generative AI in Applied Innovation to Drive Business Value“, veröffentlicht am 15. Mai 2023
Sehen wir uns einmal genauer an, welche Möglichkeiten es in jedem dieser Bereiche heute und in naher Zukunft gibt.
Prädiktive KI
Laut der Studie Stand der Prozessorchestrierung 2023 ist die Prozesskomplexität eine der größten Herausforderungen bei der Umsetzung einer effektiven Automatisierung. Zweiundsiebzig Prozent der Befragten stimmen der Aussage zu, dass die Verwaltung unternehmenskritischer Prozesse immer komplexer wird. Immer mehr Aufgaben werden automatisiert, um Kundenforderungen zu erfüllen. 69 % sagten, dass es dabei schwierig ist, End-to-End-Prozesse zu visualisieren.
Was man nicht sieht, kann man nicht verbessern. Wenn Sie nicht die richtigen Daten aus Ihren Prozessinstanzen sammeln, gibt es keine effektive Möglichkeit, Ihre Prozessmodelle zu visualisieren oder zu verbessern. An dieser Stelle kommt die prädiktive Modellierung ins Spiel.
Prädiktive Modelle gehören zu den am häufigsten verwendeten KI-Modellen in der Produktion. Sie nutzen historische Daten, um eine Vorhersage für die Zukunft zu treffen. Durch die Verwendung dieser Modelle können Unternehmen ihre Prozessausführungsdaten analysieren, um Muster und Trends zu erkennen, die zur Optimierung künftiger Prozesse, zur Kostensenkung und zur Verbesserung des Kundenerlebnisses beitragen können.
Business-Analysten und Data Scientists können diese Daten verwenden, um ein neues Modell zu trainieren oder sie in ein vorhandenes Modell einzuspeisen, um anhand der vorhandenen Ausführungsdaten Vorhersagen zu künftigen Prozessinstanzen zu treffen. Beispielsweise ist es möglich, anhand der Aufgaben und Variablen im Prozessfluss vorherzusagen, wie lange der Abschluss einer Instanz dauern wird.
Darüber hinaus können Teams prädiktive Modelle nutzen, um Vorhersagen zu den effektivsten Entscheidungen für ein DMN-Modell zu machen. Eine mögliche Anwendung ist die Modellierung der Betrugserkennung bei Finanzdienstleistungen. Eine andere Möglichkeit ist die Verwendung eines Bilderkennungsmodells, um zu entscheiden, ob in Überwachungsvideomaterial eine Gefahr erkannt wird oder nicht (z. B. Einbruch) und ob eine bestimmte Aktion ausgelöst wird (z. B. Auslösen eines Alarms, Anruf bei der Polizei oder Ergreifen einer anderen Maßnahme).
Zentrale Herausforderungen
Für viele Teams ist die Verfügbarkeit von KI-fähigen Prozessdaten eine Herausforderung bei der KI-gestützten Automatisierung und kontinuierlichen Verbesserung. Viele Unternehmen haben keine Möglichkeit, Daten nur aus ihren Prozessinstanzen zu sammeln. Das liegt daran, dass viele Technologien, die Unternehmen zur Automatisierung einsetzen, z. B. die robotergestützte Prozessautomatisierung (RPA), in Silos arbeiten. Ohne Prozessorchestrierung gibt es keine Möglichkeit, isolierte Prozesse effektiv zu orchestrieren, geschweige denn Daten aus End-to-End-Prozessen zu visualisieren oder zu interpretieren.
Und selbst wenn Unternehmen Daten aus ihren Prozessinstanzen haben, verbringen sie oft übermäßig viel Zeit damit, diese für maschinelles Lernen vorzubereiten. Dieser Prozess erfordert eine umfangreiche Datenaufbereitung durch Data Scientists und Dateningenieure, die ohnehin sehr beschäftigt sind und über zu wenige Ressourcen verfügen.
Normalerweise entfallen in einem Datenanalyseprojekt 80 % des Aufwands allein auf die Datenvorbereitung. Dieser Aufwand verzögert den Trainingsprozess, der stattfinden muss, bevor Modelle für maschinelles Lernen in Produktion gehen.
Implementierung einer prädiktiven KI-gestützten Automatisierung
Um diese Herausforderungen zu meistern, sollten Sie sich für eine Prozessorchestrierungsplattform entscheiden, mit der Sie Daten über alle Prozessinstanzen hinweg erheben können. Die Prozessorchestrierung kann Daten über verschiedene Automatisierungstechnologien hinweg innerhalb Ihres Stacks zusammenführen und sie zur kontinuierlichen Verbesserung und Prozessoptimierung nutzen.
Suchen Sie nach einer Lösung, die KI-fähige Datensätze für das Modelltraining bereitstellt. Dadurch können Vorhersagemodelle schneller in die Produktion gebracht werden.
Ein Beispieldatensatz könnte z. B. die folgenden Informationen enthalten:
- Anzahl der nicht behobenen Fehler
- Gesamtanzahl der Fehler pro Prozessinstanz
- Anzahl der ausgeführten Benutzeraufgaben
- Gesamtdauer jedes Flussknotens einer bestimmten Aufgabenart
- Gesamtdauer eines Ereignisses
- Und mehr
Generative KI
Im Moment kratzen wir nur an der Oberfläche, wenn es um die Möglichkeiten der generativen KI geht. Gartner berichtet, dass 70 % der Unternehmen diese Möglichkeiten gerade erkunden.
Plattformen wie ChatGPT fungieren als Testfeld für Unternehmen, die mit einer generativen KI-API für Automatisierung und Prozessorchestrierung experimentieren möchten. Bisher haben Entwickler viele interessante experimentelle Anwendungen mithilfe der zugrunde liegenden Chat- und Spracherkennungstechnologie innerhalb dieser generativen KI-Modelle erstellt.
Die generative KI-gestützte Automatisierung könnte ChatGPT nutzen, um die manuellen Workflows in einem Bewerbungsprozess für einen Gemeindemarkt zu erweitern. Der Markt könnte die Bewerbung von Verkäufern prüfen. ChatGPT könnte relevante Daten aus einem Bewerbungsformular extrahieren und diese in einen Prozess einspeisen, der Bewerbungen basierend auf bestimmten Kriterien akzeptiert oder ablehnt. Anschließend könnte ChatGPT automatisch Annahme- oder Ablehnungs-E-Mails generieren, die physischen Adressen der Verkäufer validieren und Verkäuferbeschreibungen für die Website des Marktes erstellen.
Die Einrichtung eines solchen Prozesses könnte die Effizienz der manuellen Workflows deutlich steigern. Durch die Überprüfung der Verkäufer, die bestimmte Produktarten verkaufen möchten, verringert sich die Anzahl der E-Mails, die das Team lesen muss. Da E-Mails automatisch generiert werden, muss das Team keine Nachrichten mehr schreiben, und es wird eine einheitliche Vorgehensweise bei der Ablehnung von Bewerbern eingeführt. Das Team muss auch keine Texte mehr für die Website erstellen, und durch den neuen Prozess ist sichergestellt, dass jeder Verkäufer eine Beschreibung auf der Website hat. Durch die automatische Validierung der Geschäftsadresse des Verkäufers wird verhindert, dass das Team diese Aufgabe vergisst.
Weitere Beispiele für mögliche Anwendungen für Entwickler und Tester könnten die Verwendung generativer KI zur Generierung von Testdaten sein, um sicherzustellen, dass ein End-to-End-Prozess wie erwartet funktioniert. Oder Teams könnten zur Entwicklung mit Open-Source-Codegeneratoren experimentieren (z. B. GitHub Copilot) und ein Prozessmodell codieren.
Zentrale Herausforderungen bei der KI-gestützten Automatisierung
Obwohl generative KI-Anwendungen derzeit in der Produktion eingesetzt werden, gibt es einige wichtige Überlegungen, die beim Einsatz in einer KI-gestützten Automatisierung zu beachten sind.
Halluzination
Generative KI ist anfällig für Halluzination bzw. sie erfindet „Fakten“ basierend auf dem Trainingsdatensatz. Daher ist bei wichtigen Aufgaben immer noch viel Überwachung durch Menschen erforderlich, damit Fehler vermieden werden können.
Sicherheit
Standardmäßig verwendet OpenAI keine über seine API übermittelten Daten, um seine Modelle zu trainieren oder zu verbessern. Allerdings birgt die Übertragung sensibler Daten über das Internet an ein Tool wie ChatGPT ein gewisses Risiko. Bei echten Prozessen sollten Sie es vermeiden, persönlich identifizierbare Informationen (PII) und private Geschäftsinformationen an generative Online-KI-Tools zu übermitteln. Achten Sie darauf, dass die Unternehmensrichtlinien zur Datensicherheit und für die Verwendung dieser Art von Tools eingehalten werden.
Rechtliche Risiken
Die Verwendung von Codegeneratoren und Open-Source-Software könnte rechtliche Risiken in Bezug auf Urheberrecht und Code-Lizenzierung nach sich ziehen.
Implementierung der generativen KI-gestützten Automatisierung
Suchen Sie nach einer Prozessorchestrierungslösung, die über vorgefertigte Konnektoren zu generativen KI-Anwendungen verfügt, z. B. die API von OpenAI für ChatGPT. Konnektoren sind ein einfacher Weg, um mit ChatGPT und OpenAIs Moderations-API direkt in Ihren Prozessen zu experimentieren.
Assistive KI
Bei der KI-gestützten Automatisierung kann die assistive KI eingesetzt werden, um Menschen zu unterstützen oder automatisch eine Entscheidung zu treffen, die ein Mensch unter bestimmten Bedingungen auch treffen würde. Diese Technologie soll die grundlegende menschliche Entscheidungsfindung beschleunigen und dadurch die Effizienz eines Prozesses steigern.
Diese Technologie könnte aus bestimmten Gründen von finanzieller Bedeutung sein. Fast drei Milliarden Geschäftsentscheidungen werden jedes Jahr getroffen. Untersuchungen von Bain zeigen eine 95-prozentige Korrelation zwischen Entscheidungseffektivität und Finanzleistung. Leider, so die Ergebnisse von McKinsey, berichten 72 % der Führungskräfte, dass schlechte Entscheidungen genauso häufig vorkommen wie gute. Das durchschnittliche S&P 500-Unternehmen verschwendet etwa 250 Millionen Dollar jährlich aufgrund ineffizienter Entscheidungsfindung.
Eine assistive KI kann den Automatisierungsgrad in vielen Szenarien erhöhen. Durch die Betrachtung von Prozessausführungsdaten kann die assistive KI zum Beispiel dazu genutzt werden, selbstheilende Prozesse zu schaffen. Die Technologie könnte Engpässe im Prozess erkennen, Verbesserungsvorschläge machen und Modelle automatisch aktualisieren (oder nach einer Überprüfung durch Menschen aktualisieren). Bei Prozesstests könnte eine assistive KI ein Anforderungsdokument berücksichtigen und automatisch Basistestfälle für eine Vielzahl von Situationen, beispielsweise Formulare, generieren. Auf der Grundlage des bisherigen menschlichen Verhaltens kann das System Tests generieren, die ein Formular „fehlerhaft“ machen könnten, z. B. falsche numerische Felder, Überschreitung von Zeichenbeschränkungen und mehr.
Untersuchungen von Bain ergaben, eine Korrelation von
[ 95%]
zwischen Entscheidungseffektivität und Finanzleistung
Zentrale Herausforderungen
Die größte Herausforderung bei der assistiven KI ist zum jetzigen Zeitpunkt ihre mangelnde Ausgereiftheit. Heute dient diese Technologie vor allem der Ergänzung und Unterstützung menschlicher Entscheidungen. In den meisten Unternehmen gibt es immer noch eine Reifekurve, bei der die Maschinen Entscheidungen nicht vollständig automatisieren.
Die Zurückhaltung diesbezüglich ist größtenteils darauf zurückzuführen, dass KI-gestützte Entscheidungen nicht nachvollziehbar sind. Es ist wichtig, erklären zu können, warum eine Maschine bestimmte Empfehlungen gibt oder Entscheidungen trifft, um Voreingenommenheit und andere Fehler in automatisierten Prozessen zu vermeiden. Die Voreingenommenheit entsteht durch die Verwendung historischer Entscheidungsdaten, die zum Trainieren des maschinellen Lernmodells eingesetzt wurden. Wenn man eine Voreingenommenheit im Datensatz erkennt, kann man sie auch in der Entscheidung erkennen.
Implementierung einer auf assistiver KI basierenden Automatisierung
Viele Anwendungen der assistiven KI sind zukunftsorientiert und experimentell. Unternehmen mit einem hohen KI-Reifegrad können maschinenlernfähige Datensätze aus einem Prozessorchestrierungssystem in Kombination mit anderen internen Datensätzen nutzen, um Muster vorherzusagen und sinnvolle Entscheidungen abzuleiten.
Bei der automatisierten Entscheidungsfindung sollte zunächst ein Mensch anwesend sein, um die Effektivität der maschinellen Entscheidung zu überprüfen. Die Validierung maschineller Entscheidungen durch Menschen ist ein wichtiger Schritt, um den Algorithmus für maschinelles Lernen zu trainieren, damit er eine optimale Genauigkeit erreicht und Voreingenommenheit reduziert wird.
Verwendung von benutzerdefinierten KI-Integrationen zusammen mit Prozessorchestrierung
Es gibt unbegrenzte Möglichkeiten, bestehende KI-Anwendungen in Automatisierungs- und Prozessorchestrierungs-Workflows zu integrieren. Diese Anwendungen können die Effizienz von Prozessen verbessern oder Automatisierungsfunktionen hinzufügen, wo es vorher keine gab.
Einige Beispiele
- Bilderkennung
- Videoanalyse
- Computer Vision
- Wissensgewinnung
- Aufdeckung von Betrug
- Sprachtranskription
- Maschinelle Übersetzung
- Datenanalyse
KI-gestützte Automatisierung: unbegrenzte Möglichkeiten
In Verbindung mit Prozessorchestrierung bietet KI Unternehmen zahlreiche Möglichkeiten, die Effizienz und Effektivität ihrer Abläufe zu steigern oder den Automatisierungsgrad zu erhöhen. Von der kontinuierlichen Prozessverbesserung über die Erweiterung manueller Workflows bis hin zur Automatisierung von Entscheidungen — die Möglichkeiten der KI-gestützten Automatisierung sind schier endlos. Es ist spannend zu sehen, wie Unternehmen heute mit diesen Technologien experimentieren. Wir gehen davon aus, dass noch mehr Optionen entstehen, wenn erfolgreiche Experimente validiert werden.
Camunda arbeitet aktiv an der Integration von KI in seine eigene Prozessorchestrierungsplattform und ermöglicht externe KI-Integrationen von Kunden.
Bereit, loszulegen?
Lernen Sie die Plattform kennen oder erhalten Sie eine Demo
