Von Prozessdaten zum KI-Agenten: Wie ein Knowledge Graph entsteht

Zwischen „Prozesse irgendwie dokumentiert“ und „AI Agent handelt darauf“ liegen normalerweise 12 Monate.

Mit einem strukturierten Ansatz sind es vier Wochen. Nicht als Versprechen — als Ergebnis eines anderen Ausgangspunkts: Prozesse werden von Anfang an als maschinenlesbare Struktur aufgebaut.

Schritt 1: Rohdaten — Was das Unternehmen bereits weiß

Jedes Unternehmen hat bereits Prozesswissen — unstrukturiert verteilt in Systemlogs (ERP, CRM, Ticketsystem), bestehender Dokumentation (Handbücher, Wikis, SOPs) und in Schlüsselpersonen, die das implizite Wissen tragen.

Im Knowledge-Graph-Ansatz wird es automatisch extrahiert — durch Process Mining und strukturierte Kurzinterviews.

Eigenaufwand: 3–5 Stunden/Woche, 1–2 Wochen.

Ergebnis: vollständiger Rohstoff.

Schritt 2: Extraktion — Aus Rohdaten werden Entitäten

Entitäten werden identifiziert: Prozesse, Rollen, Systeme, Regeln, Ausnahmen — je als eigener Knoten.

Eigenschaften werden erfasst: Dauer, Häufigkeit, Verantwortlichkeit.

Konflikte werden sichtbar: Wenn Systemdaten zeigen, dass ein Schritt in 40% der Fälle übersprungen wird, obwohl das Handbuch ihn als Pflicht beschreibt — wird das markiert. Nicht aufgelöst, nur sichtbar. Das ist Information.

Ergebnis: Saubere Entitäten mit Eigenschaften.

Schritt 3: Vernetzung — Aus Entitäten wird ein Knowledge Graph

Ein Knowledge Graph ist ein Netzwerk von Beziehungen:

Tausende Verbindungen. Kein Mensch liest diesen Graphen — Maschinen befragen ihn in Millisekunden.

Ergebnis: maschinenlesbares, vernetztes Modell des Unternehmens.

Schritt 4: Aktivierung — Der Graph wird nutzbar für AI Agents

Query-Layer: Agents befragen den Graphen: „Welche Regeln gelten für Lieferanten über 200k?“ → strukturierte Antwort.

Context-Injection: Relevanter Kontext wird automatisch injiziert. Der Agent bekommt nicht alles — nur was für seine aktuelle Aufgabe relevant ist.

Continuous Learning: Korrekturen fließen zurück. Der Graph lernt mit dem Unternehmen — ohne manuelle Pflege.

Ergebnis: Ein Agent der auf Unternehmenswissen handelt — nicht auf Annahmen.

Der Gesamtweg

• Woche 1–2: Rohdaten erfassen
• Woche 2–3: Extraktion
• Woche 3–4: Vernetzung (Knowledge Graph)
• Ab Woche 4: Aktivierung (AI Agents)

Nach Woche 4 ist der Graph nicht fertig — er ist operational. Er verbessert sich kontinuierlich.

Der Unterschied zu klassischem BPM: Das Ergebnis ist nicht ein Dokument das veraltet. Es ist ein System das lernt.