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:
VonBeziehungZu
„Rechnung prüfen“
wird ausgeführt von
Rolle „Buchhaltung“
Rolle „Buchhaltung“
nutzt System
„SAP“
Ausnahme „>50k€“
eskaliert zu
Rolle „CFO“
Regel „Stammkunden-Kulanz“
gilt für
„Reklamationsbearbeitung“
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.