Automatisierung oder KI: Was in Betriebsprozessen wirklich wirtschaftlicher ist

Eine Mitarbeiterin öffnet jeden Morgen dieselbe CSV-Datei, kopiert neue Aufträge in die Fachsoftware und verschiebt anschließend die Datei in einen Archivordner. Die Spalten sind bekannt, die Regeln ändern sich selten und jeder Fehler lässt sich eindeutig prüfen. Wer hier sofort ein Sprachmodell einsetzt, macht einen einfachen Datentransfer teurer und schwerer kontrollierbar. Die richtige Frage lautet Automatisierung oder KI – und die Antwort kann ausdrücklich ohne KI auskommen.

Anders sieht es aus, wenn dieselben Aufträge als unterschiedlich aufgebaute PDFs, E-Mails und Scans eintreffen. Dann kann ein Modell variable Inhalte strukturieren. Kundennummer, Preis, Verfügbarkeit und Buchungsfreigabe sollten dennoch aus Regeln und führenden Systemen kommen. In einem realen Prozess liegt die wirtschaftliche Lösung deshalb häufig zwischen den Extremen: feste Technik für sichere Schritte, KI für variable Informationen und Menschen für verantwortliche Ausnahmen.

SW Business Solutions prüft jeden Prozessschritt technologieoffen. Das Team integriert vorhandene Standardsoftware, entwickelt Schnittstellen und Workflows und ergänzt KI nur dort, wo sie gegenüber einer einfacheren Lösung einen messbaren Vorteil bringt. Es gibt keinen wirtschaftlichen Grund, einen stabilen Prozess künstlich komplex zu machen.

Automatisierung oder KI wird für jeden Prozessschritt entschieden

Ein Gesamtprozess besteht selten aus nur einer Aufgabenart. Bei einer eingehenden Bestellung können Dokumenterkennung, Stammdatenzuordnung, Preisermittlung, Verfügbarkeitsprüfung, Freigabe und Kundenantwort unterschiedliche technische Lösungen benötigen.

Die Architektur folgt dieser Zerlegung. Ein Sprachmodell muss nicht rechnen, was das ERP bereits verbindlich weiß. Eine API sollte nicht versuchen, unstrukturierten Freitext zu verstehen. Der Beitrag KI für traditionelle Unternehmen beschreibt die typischen KI-Aufgaben; hier geht es um die wirtschaftliche Auswahl zwischen allen verfügbaren Verfahren.

Der erste Schritt ist möglicherweise weder Automatisierung noch KI

Ein schlechter Prozess wird durch Software lediglich schneller oder undurchsichtiger. Vor der Technikauswahl wird geprüft, ob ein Schritt entfallen, vereinheitlicht oder an seiner Quelle besser erfasst werden kann.

Typische Vorfragen sind:

• Weshalb wird dieselbe Information mehrfach eingetragen?
• Kann der Absender eine Auftragsnummer direkt mitliefern?
• Ist eine Freigabe fachlich nötig oder nur historisch gewachsen?
• Entsteht eine Liste nur, weil zwei Systeme nicht verbunden sind?
• Lässt sich eine Ausnahme durch einen klaren Vertrag oder Stammdatensatz vermeiden?
• Wird ein Bericht erzeugt, den niemand für eine Entscheidung nutzt?

Ein zusätzliches Pflichtfeld im Kundenportal kann zuverlässiger sein als die spätere Erkennung einer fehlenden Angabe. Eine eindeutige Behälter-, Maschinen- oder Projektnummer ersetzt viele unsichere Zuordnungen. Erst der bereinigte Zielprozess wird automatisiert.

Das aktuelle Themenangebot von Mittelstand-Digital zur Integration von KI-Use-Cases beginnt ebenfalls mit der Beschreibung des Ausgangsprozesses und der Frage, welche Schritte entfallen, automatisiert oder vereinfacht werden. Diese Reihenfolge verhindert, dass ein Werkzeug den Prozessentwurf bestimmt.

Eine feste Schnittstelle ist für strukturierte Übergaben meist die erste Wahl

Wenn Quelle und Ziel definierte Felder besitzen, ist eine API, EDI-Nachricht oder kontrollierte Dateiübergabe verlässlicher als ein Modell. Kundennummer, Auftrags-ID, Menge und Datum werden validiert und in ein festes Schema übertragen.

Die Schnittstelle bietet Eigenschaften, die für viele Geschäftsvorgänge entscheidend sind:

• gleiche Eingabe erzeugt dasselbe Ergebnis
• Pflichtfelder und Datentypen sind prüfbar
• Fehler können konkret zurückgewiesen werden
• Wiederholungen lassen sich ohne Doppelbuchung behandeln
• jede Übergabe ist protokollierbar
• Tests decken bekannte Regeln vollständig ab

KI ist hier nur sinnvoll, wenn vor der Übergabe variable Inhalte strukturiert werden müssen oder eine Anomalie im Datenstrom erkannt werden soll. Die eigentliche Buchung bleibt ein deterministischer Vorgang.

Der Beitrag Systemintegration im Mittelstand ordnet API, EDI, Middleware und Dateiwege ausführlich ein. SW Business Solutions entwickelt API-Schnittstellen und individuelle Konnektoren, damit keine KI eingesetzt werden muss, um eine vermeidbare Systemlücke zu überbrücken.

Workflow-Automatisierung eignet sich für stabile Entscheidungen

Ein Workflow verbindet Ereignis, Bedingungen und Folgeaktionen. Trifft eine Bestellung mit gültiger Kundennummer ein, kann das System einen Vorgang anlegen, eine Aufgabe erzeugen und den Eingang bestätigen. Die Regeln sind sichtbar und gezielt testbar.

Eine regelbasierte Automatisierung passt, wenn:

• Eingaben strukturiert oder vorher sicher strukturiert werden
• Entscheidungskriterien vollständig formulierbar sind
• Ausnahmen bekannt und erkennbar sind
• gleiche Fälle gleich behandelt werden sollen
• Änderungen kontrolliert eingespielt werden können
• ein Fehler schnell auffällt und zurückgesetzt werden kann

Fraunhofer IML empfiehlt in seinem Kartenset zu Robotic Process Automation, regelbasierte und wiederkehrende Aufgaben auszuwählen sowie den Prozess vor der Automatisierung zu stabilisieren. RPA bedient häufig Benutzeroberflächen ähnlich wie ein Mensch. Das kann eine Übergangslösung sein, wenn ein Altsystem keine Schnittstelle bietet. Es bleibt jedoch empfindlich gegenüber geänderten Masken, Feldpositionen und Anmeldeabläufen.

Eine direkte Schnittstelle ist langfristig meist robuster, wenn sie technisch und vertraglich verfügbar ist. RPA sollte nicht als Ersatz für einen ungeklärten Prozess dienen.

Mathematische Optimierung ist nicht automatisch KI

Touren, Schichten, Belegungen oder Bestellmengen werden unter mehreren Bedingungen geplant. Dafür eignen sich Optimierungsverfahren, die ein Ziel unter Nebenbedingungen berechnen. Fahrzeugkapazität, Zeitfenster, Qualifikation, Mindestmenge und Anlagenverfügbarkeit werden explizit modelliert.

Machine Learning kann Eingabewerte wie Fahrzeit, Nachfrage oder Bearbeitungsdauer prognostizieren. Die Optimierung verwendet diese Schätzungen anschließend zusammen mit festen Regeln. Beide Komponenten müssen getrennt bewertet werden.

Ein Beispiel ist die Einsatzplanung:

1. Das Fachsystem liefert offene, bestätigte Aufträge.
2. Regeln schließen ungeeignete Techniker und Fahrzeuge aus.
3. Ein Modell schätzt Fahr- und Bedienzeit mit Unsicherheit.
4. Der Optimierer erstellt einen ausführbaren Vorschlag.
5. Die Disposition berücksichtigt Sonderwissen und gibt frei.

Ein generatives Sprachmodell wäre für die eigentliche Tourberechnung ungeeignet. Es kann die Begründung eines Vorschlags zusammenfassen oder eine Kundeninformation formulieren.

Machine Learning lohnt sich bei Mustern, die Regeln nicht ausreichend abbilden

Ein Prognosemodell kann sinnvoll sein, wenn das Ergebnis von vielen wechselnden Einflüssen abhängt und genügend bestätigte historische Daten vorliegen. Beispiele sind Nachfrage, Ausfallrisiko, Bearbeitungszeit oder Qualitätsabweichung.

Die Entscheidung für Machine Learning benötigt:

• ein überprüfbares Ziel
• repräsentative Eingaben aus dem späteren Betrieb
• ausreichende Historie mit Prozessänderungen
• eine einfache Vergleichsmethode
• akzeptable Fehlerkosten
• fachliche Prüfung und Rückfallebene
• laufende Überwachung der Modellqualität

Fraunhofer IPT beschreibt datengetriebene Prozessoptimierung als Ergänzung etablierter Verfahren. Das Institut weist zugleich auf Interpretationsspielräume, Unsicherheit und fehlendes Wissen über die richtige Reaktion hin. Für sicherheitsrelevante Anwendungen muss gewährleistet sein, dass ein Modellergebnis Anlagen und Beschäftigte nicht gefährdet.

Die KI entscheidet daher zunächst nicht automatisch. Sie gibt eine Prognose, einen Vergleichsbereich und relevante Einflussgrößen aus. Erst wenn der Schattenbetrieb die Qualität unter realen Bedingungen bestätigt, kann ein begrenzter Folgeprozess automatisiert werden.

Generative KI verarbeitet Sprache, aber keine verbindliche Wahrheit

Sprachmodelle eignen sich für variable Texte: Anfragen klassifizieren, Dokumentinhalte strukturieren, Wissen auffindbar machen, Entwürfe erstellen oder lange Verläufe zusammenfassen. Ihre Ausgabe ist probabilistisch. Eine sprachlich sichere Formulierung kann sachlich falsch sein.

Ein produktiver Ablauf trennt deshalb:

• variable Eingabe und Originalquelle
• vom Modell extrahierte oder formulierte Inhalte
• verifizierte Stammdaten und Geschäftswerte
• feste Freigabe- und Eskalationsregeln
• menschliche Kontrolle abhängig von Fehlerkosten

Eine Antwort an einen Kunden darf beispielsweise Lieferdatum und Preis nur aus dem ERP verwenden. Das Sprachmodell formuliert diese bestätigten Werte verständlich. Fehlt ein Wert, stellt es eine Rückfrage oder übergibt den Vorgang; es ergänzt keine plausible Zahl.

Das BSI behandelt für KI-Modelle zusätzliche Risiken neben der klassischen IT-Sicherheit. Der aktuelle Kriterienkatalog für KI-Modelle in der Bundesverwaltung fragt unter anderem nach Einsatzkontext, Schutzzielen, Daten, Modellzugriff und verbleibendem Risiko. Auch ein Mittelstandsprojekt benötigt eine angemessene, wenn auch kleinere Prüfung statt eines ungeklärten API-Aufrufs.

Die Variabilität entscheidet, wo feste Regeln enden

Variabilität kann aus Form, Inhalt oder Prozess stammen. Unterschiedliche PDF-Layouts sind formale Variabilität. Freie Problembeschreibungen enthalten sprachliche Variabilität. Ein täglich wechselnder Sonderprozess ist organisatorische Instabilität und wird durch KI nicht automatisch beherrschbar.

Eine Entscheidungsmatrix hilft bei der Einordnung:

Je höher die Variabilität, desto eher kann KI einen Vorteil haben. Hohe Variabilität bei zugleich hohen Fehlerkosten spricht jedoch nicht automatisch für KI. Sie kann bedeuten, dass der Vorgang beim Menschen bleiben und nur vorbereitet werden sollte.

Fehlerkosten begrenzen den erlaubten Automatisierungsgrad

Ein falsch zugeordnetes internes Dokument verursacht möglicherweise wenige Minuten Korrektur. Eine falsche Preisfreigabe, Maschinenaktion oder sicherheitskritische Priorisierung kann erhebliche Folgen haben. Die gleiche Modellqualität ist deshalb nicht für jeden Schritt ausreichend.

Fehler werden mindestens nach diesen Folgen bewertet:

• Ist der Fehler vor der Wirkung sichtbar?
• Kann er vollständig zurückgesetzt werden?
• Betrifft er Geld, Sicherheit, Recht oder Kundenbeziehung?
• Wie schnell wird er erkannt?
• Existiert eine zuverlässige Rückfallebene?
• Kann eine Person das Ergebnis realistisch prüfen?

Bei niedrigen und reversiblen Folgen kann eine automatische Verarbeitung mit Stichproben angemessen sein. Bei hohen Folgen wird die KI auf Sortierung, Hinweis oder Entwurf begrenzt. Eine menschliche Freigabe hilft nur, wenn die Prüfansicht Original, Ergebnis und kritische Unterschiede verständlich zeigt.

Erklärbarkeit ist ein betrieblicher Kostenfaktor

Eine feste Regel lässt sich meist direkt erklären: Das Pflichtfeld fehlt, die Menge überschreitet den Grenzwert oder der Vertrag ist abgelaufen. Ein Modellhinweis benötigt zusätzliche Informationen zu Daten, Version, Sicherheit und Vergleichsgrundlage.

Das wirkt sich auf Schulung, Support und Reklamationen aus. Mitarbeitende müssen wissen, wann sie einem Vorschlag folgen dürfen und wie sie ihn korrigieren. Kundenservice oder Revision benötigen nachvollziehbare Quellen. Techniker brauchen einen konkreten Befund statt einer abstrakten Risikozahl.

Wenn eine einfache Regel nahezu denselben Nutzen liefert, gewinnt sie häufig durch geringeren Erklärungs- und Kontrollaufwand. Ein komplexeres Modell muss diesen Zusatzaufwand mit besserer Prozesswirkung rechtfertigen.

Änderungsrate und Wartung bestimmen die langfristigen Kosten

Ein automatisierter Prozess bleibt nicht unverändert. Formulare, APIs, Preise, Verträge, Produkte, Zuständigkeiten und Benutzeroberflächen ändern sich. Jede technische Variante besitzt andere Wartungsrisiken.

Ein scheinbar schneller KI-Prototyp kann im Betrieb teuer werden, wenn sich Ausgaben nach einem Modellupdate verändern oder jeder Sonderfall manuell geprüft werden muss. Umgekehrt kann ein starres Regelwerk bei vielen wechselnden Dokumenten ständig neue Ausnahmen benötigen.

Die richtige Entscheidung berücksichtigt deshalb die erwartete Änderungsrate. Nicht die schnellste Demo, sondern der kontrollierbare Lebenszyklus entscheidet über Wirtschaftlichkeit.

Die Datenbasis beeinflusst die Technikauswahl

Regeln benötigen definierte Felder und Fachlogik. Prognosen benötigen historische Beispiele. Wissensassistenz benötigt freigegebene Dokumente und Metadaten. Bildmodelle benötigen Aufnahmen aus der späteren Umgebung.

Der kürzlich geplante Beitrag zur Datenbasis für KI im Unternehmen zeigt, wann Papier, Excel und E-Mail für einen begrenzten Pilot genügen. Fehlende Daten sind nicht immer ein Grund, das gesamte Vorhaben zu stoppen. Sie können aber den geeigneten technischen Zuschnitt verändern.

Wenn keine bestätigten Fehlerbeispiele vorliegen, ist ein selbstlernendes Qualitätsmodell schwer bewertbar. Eine Checkliste mit mobiler Erfassung kann zuerst die notwendige Datenbasis schaffen. Wenn eine Excel-Liste stabile Regeln enthält, kann ein Workflow bereits Nutzen liefern, bevor eine zentrale Plattform entsteht.

Hybride Lösungen verbinden sichere Regeln mit variabler Erkennung

Viele wirtschaftliche Systeme kombinieren mehrere Verfahren. Das Beispiel einer PDF-Bestellung zeigt die Aufteilung:

1. Dokumenten-KI erkennt mögliche Positionen.
2. Ein Schema prüft Datentypen und Pflichtfelder.
3. Eine Zuordnungstabelle verbindet bekannte Kundenartikelnummern.
4. Semantische Suche schlägt nur für unbekannte Bezeichnungen Kandidaten vor.
5. ERP liefert Preise, Konditionen und Bestand.
6. Regeln entscheiden, welche Position automatisch vorbereitet werden darf.
7. Vertrieb prüft unsichere oder abweichende Positionen.
8. Generative KI formuliert die bestätigte Rückfrage.

Das Mittelstand-Digital-Beispiel zur KI-gestützten Auftragserfassung aus dem Jahr 2026 beschreibt ebenfalls das Zusammenspiel aus variablen Bestell-PDFs, klaren Prüfregeln, menschlicher Expertise und ERP-Struktur. Es ist ein Praxisbeispiel für einen bestimmten Prototyp, keine allgemeine Zusage für jede Dokumentqualität.

Die hybride Architektur begrenzt KI auf ihre Stärke und hält Geschäftswerte kontrolliert. Sie ist allerdings nur wirtschaftlich, wenn die einzelnen Komponenten klar überwacht werden können.

Der passende Automatisierungsgrad kann je Fallklasse unterschiedlich sein

Ein Prozess muss nicht vollständig manuell oder vollständig automatisch laufen. Häufig ist es wirtschaftlicher, Standardfälle, Klärfälle und kritische Fälle getrennt zu behandeln. Voraussetzung ist, dass das System die Grenzen dieser Klassen zuverlässig erkennt.

Bei einer eingehenden Bestellung kann die Aufteilung beispielsweise so aussehen:

• Ein Standardfall besitzt bekannte Kunden- und Artikelnummern, eindeutige Mengen und keine Preisabweichung. Er wird vollständig vorbereitet und nach einer festgelegten Regel weitergegeben.
• Ein Klärfall enthält eine unbekannte Bezeichnung oder widersprüchliche Einheit. Die Anwendung zeigt mögliche Zuordnungen und verlangt eine fachliche Auswahl.
• Ein kritischer Fall betrifft eine gesperrte Position, ungewöhnliche Kondition oder vertragliche Sonderregel. Er wird ohne automatische Geschäftswirkung an die verantwortliche Rolle übergeben.

Diese Segmentierung verhindert, dass der seltenste Sonderfall den gesamten Prozess blockiert. Sie verhindert ebenso, dass eine hohe Gesamtquote die riskanten Fehler verdeckt. Für jede Fallklasse gelten eigene Qualitätskriterien, Freigaben und Messwerte.

Der Anteil der Standardfälle darf nicht durch großzügigere Regeln künstlich erhöht werden. Wenn sich Dokumente, Produkte oder Verträge ändern, kann ein bisheriger Standardfall zum Klärfall werden. Die Klassengrenzen werden deshalb versioniert und nach Fehlern überprüft. Ein belastbares System darf kontrolliert weniger automatisieren, wenn seine Eingaben unsicherer werden.

Wirtschaftlichkeit wird gegen den heutigen Prozess und eine einfache Alternative gemessen

Der Business Case beginnt mit der Baseline. Für einen Vorgang werden Bearbeitungszeit, Häufigkeit, Wartezeit, Rückfragen, Fehler, Nacharbeit und entgangene Folgeprozesse erfasst. Dazu kommen Schwankungen und seltene Sonderfälle.

Die Lösungskosten umfassen mehr als Entwicklung oder Lizenz:

• Prozessanalyse und Datenaufbereitung
• Integration in führende Systeme
• Modell-, Workflow- oder RPA-Betrieb
• Prüfoberfläche und Ausnahmebearbeitung
• Tests, Sicherheit und Berechtigungen
• Schulung und Prozessänderung
• Monitoring, Support und Anpassungen
• mögliche Rückabwicklung von Fehlern

Verglichen werden mindestens drei Varianten: heutiger Ablauf, einfachste tragfähige Automatisierung und erweiterte Lösung mit KI. Wenn eine feste Schnittstelle den größten Engpass löst, muss ein Sprachmodell keinen zusätzlichen Nutzen vortäuschen.

Eine Einsparung pro automatisch bearbeitetem Standardfall darf nicht die Kosten der Klärfälle verschweigen. Entscheidend ist der gesamte Vorgang bis zum fachlich richtigen Abschluss.

Eine einfache Bewertungsmatrix schafft eine belastbare Vorauswahl

Jeder Prozessschritt erhält eine fachliche Bewertung statt eines KI-Scores aus dem Bauchgefühl:

Die Matrix erzeugt keine automatische Kaufentscheidung. Sie zeigt, welche Annahmen im Pilot geprüft werden müssen. Ein seltener Vorgang mit hohen Fehlerkosten und wenig Daten bleibt trotz hoher Variabilität meist beim Menschen.

Ein Pilot testet zuerst die unsicherste Annahme

Bei einer Workflow-Automatisierung kann die unsicherste Annahme sein, ob alle Ausnahmen regelbasiert erkannt werden. Bei Dokumenten-KI ist es möglicherweise die Feldqualität über verschiedene Lieferanten. Bei einer Prognose ist es die Leistung gegenüber einer einfachen Baseline.

Ein geeigneter Pilot läuft in folgenden Schritten:

1. Prozessschritt und heutige Baseline festlegen.
2. einfachste technisch mögliche Alternative beschreiben.
3. Fehlerfolgen und erlaubte Autonomie definieren.
4. Daten, Regeln und Ausnahmen prüfen.
5. beide Varianten auf denselben repräsentativen Fällen testen.
6. Ergebnisse im Schattenbetrieb zeigen.
7. Prüf- und Kläraufwand vollständig messen.
8. Betriebskosten und erwartete Änderungen einbeziehen.
9. anhand vorher definierter Stop-Kriterien entscheiden.

Ein KI-Pilot ist nicht erfolgreich, wenn er beeindruckende Einzelfälle zeigt. Er muss gegenüber Regel, Schnittstelle oder heutiger Bearbeitung unter realen Bedingungen einen messbaren Vorteil liefern.

SW Business Solutions wählt die einfachste tragfähige Technik

SW Business Solutions verfolgt einen realen Vorgang gemeinsam mit Fachbereich und IT. Jeder Schritt wird nach Eingabe, Regel, Variabilität, Fehlerfolge, führendem System und gewünschtem Ergebnis zerlegt. Erst danach wird die technische Lösung festgelegt.

Die Umsetzung kann umfassen:

• Prozessaufnahme und Baseline
• Formular- und Stammdatenverbesserung
• API-, Datei- und Systemintegration
• Workflow- und Regelautomatisierung
• Optimierungsverfahren für Planung
• Dokumenten-, Sprach- oder Bild-KI
• Prognosemodelle und Datenanalyse
• Prüfoberflächen und Klärwarteschlangen
• Rollen, Protokollierung und Monitoring

Die Prozessautomatisierung von SW Business Solutions verbindet Standardwerkzeuge und individuelle Entwicklung. Die KI-Integration von SW Business Solutions kommt hinzu, wenn variable Informationen oder statistische Muster den Mehraufwand rechtfertigen.

Für die erste Prüfung genügt ein manueller Ablauf mit seinen Eingaben, Ausnahmen und Ergebnissen. SW Business Solutions bewertet neutral, ob Schnittstelle, Workflow, Optimierung oder KI den Engpass wirtschaftlich löst. Das Dream Outcome ist kein möglichst großer KI-Anteil, sondern ein zuverlässiger Prozess mit weniger unnötiger Arbeit und kontrollierbaren Betriebskosten.