Wann lohnt sich Automatisierung
wirklich?

Ein häufiger Fehler besteht darin, mit einer Technologie zu beginnen und anschließend nach einer passenden Anwendung zu suchen.

• Wir wollen KI einsetzen.

• Das sollten wir automatisieren.

• Könnten wir dafür nicht einen Agenten bauen?

Daraus können interessante Ideen entstehen. Ob dahinter auch ein sinnvolles Projekt steckt, ist damit noch nicht beantwortet.

Wir beginnen deshalb gerne einen Schritt früher.

Was passiert heute? Wer erledigt die Arbeit? Wie häufig? Wie lange dauert sie? Wo entstehen Fehler? Und was passiert, wenn der Prozess nicht wie vorgesehen funktioniert?

In solchen Gesprächen zeigen sich häufig Möglichkeiten, die deutlich weniger spektakulär klingen als die ursprüngliche KI-Idee, aber wesentlich mehr bringen.

Manchmal stellt sich auch heraus, dass es gar kein besonders großes Problem zu lösen gibt.

Auch das ist ein gutes Ergebnis.

Die Häufigkeit ist einer der einfachsten Filter.

Nehmen wir eine manuelle Aufgabe, für die ein Mitarbeiter 20 Minuten benötigt. Durch Automatisierung ließe sich dieser Aufwand beinahe vollständig vermeiden.

Das klingt zunächst sinnvoll.

Passiert die Aufgabe 50-mal am Tag, lohnt es sich vermutlich, genauer hinzusehen. Passiert sie viermal im Jahr, werden sich Entwicklung, Integration, Tests, Wartung und die Behandlung von Sonderfällen möglicherweise nie rechnen.

Das klingt offensichtlich. Sobald eine technisch interessante Lösung auf dem Tisch liegt, wird dieser Punkt aber erstaunlich leicht übersehen.

Entscheidend ist nicht nur die eingesparte Zeit pro Durchführung. Relevant ist der kumulierte Aufwand über Monate und Jahre im Verhältnis zu den Kosten für Implementierung und Betrieb.

Manchmal sind 20 Minuten manuelle Arbeit völlig in Ordnung.

Die Häufigkeit allein reicht allerdings nicht.

Manche Prozesse laufen tausendfach ab, benötigen aber schon heute kaum menschliches Eingreifen. Andere kommen nur wenige Male am Tag vor und beschäftigen mehrere Personen über Stunden.

Interessanter ist deshalb, wie viel tatsächliche menschliche Arbeit in einem Prozess steckt.

Dazu gehört nicht nur die offensichtliche Tätigkeit. Relevant sind auch die weniger sichtbaren Schritte: Informationen zwischen Systemen übertragen, Daten auf Vollständigkeit prüfen, Fehler korrigieren, auf Freigaben warten oder immer wieder dieselben Sonderfälle untersuchen.

Genau hier kann Automatisierung besonders interessant werden.

Was auf dem Papier wie eine fünfminütige Aufgabe aussieht, kann wesentlich mehr Aufwand verursachen, sobald man alle Schritte rundherum berücksichtigt.

Eine weitere Frage stellen wir relativ früh:

Wenn wir den Prozess heute automatisieren, wird er in sechs Monaten noch ungefähr gleich aussehen?

Einen instabilen Prozess zu automatisieren bedeutet häufig, seine Probleme gleich mit zu automatisieren.

Wenn sich Verantwortlichkeiten ständig ändern, Sonderfälle nicht klar verstanden sind oder verschiedene Personen dieselbe Aufgabe völlig unterschiedlich erledigen, löst Technologie dieses Problem nicht automatisch. Sie kann einen unklaren Prozess sogar schwerer veränderbar machen.

In solchen Fällen kann es sinnvoller sein, zuerst den Prozess zu standardisieren.

Bei KI wird diese Unterscheidung noch wichtiger.

Klassische Automatisierung funktioniert besonders gut, wenn Inputs, Regeln und Outputs vorhersehbar sind. KI kann wesentlich besser mit Variabilität umgehen und ermöglicht Automatisierung auch dort, wo früher menschliche Beurteilung notwendig war.

Das bedeutet aber nicht, dass man den zugrunde liegenden Prozess nicht mehr verstehen muss.

Es verändert lediglich, was sinnvoll automatisiert werden kann.

Auch nicht jedes Automatisierungsproblem ist ein KI-Problem.

Folgt eine Aufgabe einigen klaren Regeln, sind klassische Software oder ein einfacher Workflow häufig die zuverlässigere und wirtschaftlichere Lösung.

Machine Learning wird interessant, wenn Entscheidungen von Mustern in Daten abhängen, die sich nur schwer in fixe Regeln übersetzen lassen. Typische Beispiele dafür sind visuelle Qualitätskontrolle, Anomaly Detection oder Predictive Maintenance.

KI-Agenten wiederum werden interessant, wenn ein Prozess mehrere Schritte, Systeme und Entscheidungen umfasst: Informationen abrufen, diese interpretieren und anschließend entscheiden, was passieren soll.

In einem eigenen Artikel zeigen wir, wie KI-Agenten klassische industrielle Automatisierung erweitern können, wenn Workflows mehr Flexibilität und eigenständige Entscheidungen erfordern. craftworks beschreibt dort unter anderem Anwendungen in Predictive Maintenance, Incident Follow-up, Prozessoptimierung, Qualitätskontrolle und Energiemanagement.

Es geht nicht darum, die fortschrittlichste verfügbare Technologie einzusetzen.

Es geht darum, die einfachste Technologie zu verwenden, die das Problem zuverlässig löst.

Der Normalfall lässt sich meist relativ einfach automatisieren.

Reale Prozesse bestehen allerdings nicht nur aus Normalfällen.

Ein Lieferant ändert das Format einer Datei. Ein Sensor liefert plötzlich keine Daten mehr. Jemand gibt einen unerwarteten Wert ein. Ein Produktionsauftrag entspricht nicht dem üblichen Muster. Eine API ist vorübergehend nicht verfügbar.

Dann muss immer noch entschieden werden, was passiert.

Bevor wir einen Prozess automatisieren, betrachten wir deshalb die Ausnahmen genauso genau wie den normalen Ablauf.

Wie häufig treten sie auf?

Lassen sie sich zuverlässig erkennen?

Kann das System damit umgehen oder muss ein Mensch übernehmen?

Und vor allem: Welche Folgen hat es, wenn die Automatisierung eine falsche Entscheidung trifft?

Bei manchen Prozessen ist ein gelegentlicher manueller Eingriff überhaupt kein Problem. Bei anderen kann eine falsche automatisierte Entscheidung die Produktion stoppen oder ein Qualitätsproblem verursachen.

Dieser Unterschied ist entscheidend dafür, wie viel Autonomie ein System bekommen sollte.

Diese Frage sollte vor der Implementierung beantwortet werden, nicht danach.

Wie sieht Erfolg konkret aus?

Weniger manuelle Arbeit ist eine naheliegende Antwort. Abhängig vom Prozess können aber auch weniger Fehler, kürzere Durchlaufzeiten, geringere Stillstandszeiten, weniger Ausschuss, bessere Prognosen oder ein höherer Produktionsoutput relevant sein.

Wenn es keine Möglichkeit gibt, den bestehenden Prozess zu messen, wird es schwierig zu zeigen, dass die Automatisierung ihn verbessert hat.

Deshalb definieren wir Erfolgskriterien in unseren Projekten möglichst früh.

Ein gutes Automatisierungsprojekt sollte am Ende mehr liefern als funktionierende Software. Es sollte nachvollziehbar sein, was sich dadurch verbessert hat.

Wenn wir ein mögliches Automatisierungsprojekt betrachten, versuchen wir zunächst einige recht unspektakuläre Dinge zu verstehen.

Passiert der Prozess häufig genug, um relevant zu sein? Verursacht er einen nennenswerten manuellen Aufwand? Ist er ausreichend stabil? Sind die notwendigen Daten und Schnittstellen vorhanden? Lassen sich Sonderfälle sicher behandeln? Und gibt es ein Ergebnis, das wir messen können?

Für diese Fragen braucht man keine ausgefeilte KI-Strategie.

Man muss den Prozess vernünftig verstehen.

Wenn die Antworten in die richtige Richtung zeigen, kann im nächsten Schritt entschieden werden, welche Form der Automatisierung sinnvoll ist. Das kann ein klassischer Workflow sein, ein Optimierungsmodell, Machine Learning oder ein KI-Agent.

Und manchmal lautet das Ergebnis des Assessments, dass überhaupt nichts entwickelt werden muss.

Wir mögen Automatisierung. Wir bauen ziemlich viel davon.

Technologie verursacht aber nicht nur Implementierungsaufwand, sondern vor allem auch laufenden Aufwand.

Jeder automatisierte Prozess muss verstanden, gewartet und angepasst werden, wenn sich das Unternehmen rundherum verändert.

Bei Prozessen mit hohem Volumen, vielen Wiederholungen oder großen Datenmengen kann sich diese Investition sehr schnell rechnen.

Bei einer Aufgabe, die jemand zweimal im Monat in einem Spreadsheet erledigt, vielleicht nicht.

Diesen Unterschied zu erkennen, ist wertvoller, als alles zu automatisieren, was technisch möglich ist.

Wir können uns gemeinsam den Prozess, die verfügbaren Daten und die bestehenden Systeme ansehen und beurteilen, ob der erwartete Nutzen den Aufwand rechtfertigt.

Wenn das der Fall ist, können wir die Lösung anhand realer operativer Daten entwickeln und testen, bevor Sie sich für eine größere Implementierung entscheiden.

SPRECHEN SIE MIT UNS ÜBER IHREN USE CASE