Process Mining vor KI: Warum der Prozess zuerst kommt

Wer KI einführen will, fängt oft beim Werkzeug an. Process Mining dreht die Reihenfolge um. Zuerst zeigt es dir, wie deine Prozesse tatsächlich ablaufen, und erst dann entscheidest du, wo KI hilft. Dieser Artikel erklärt, warum Process Mining vor der KI-Einführung kommen sollte, wie die Bausteine zusammenspielen und wo die Methode an ihre Grenzen stößt.

Ein typischer Fall: Reklamationen schneller bearbeiten

Das folgende Beispiel stammt nicht aus einem bestimmten Kundenprojekt. Es beschreibt eine Konstellation, wie sie in vielen Unternehmen vorkommt, und kommt deshalb ohne Zahlen aus.

Ein mittelständischer Hersteller will seine Reklamationsbearbeitung mit KI beschleunigen. Die Idee: Ein Sprachmodell liest eingehende Reklamationen, ordnet sie einer Kategorie zu und formuliert einen Antwortentwurf. Das ist ein klassischer Use Case, und die Anbieter stehen bereit.

Bevor das Projekt startet, schaut sich das Team die Daten aus dem Ticketsystem und dem ERP an und rekonstruiert, wie eine Reklamation tatsächlich durchs Haus läuft. Das Ergebnis überrascht:

• Die meiste Zeit vergeht nicht mit dem Lesen und Beantworten, sondern mit dem Warten auf eine Rückmeldung aus der Qualitätssicherung.
• Viele Tickets wandern mehrfach zwischen Service, Vertrieb und Qualitätssicherung hin und her, weil die Zuständigkeit nicht eindeutig geregelt ist.
• Ein auffälliger Teil der „Reklamationen“ sind eigentlich Fragen zum Liefertermin. Diese Information liegt im ERP, ist für den Service aber nicht sichtbar.

Ein Sprachmodell hätte diese Tickets schneller kategorisiert, aber das eigentliche Problem nicht gelöst. Also werden zuerst die Zuständigkeiten geklärt und der Liefertermin für den Service sichtbar gemacht. Danach wird die KI dort eingesetzt, wo sie wirklich hilft: bei unstrukturierten Reklamationstexten, die eine fachliche Einordnung brauchen.

Process Mining sorgt also nicht dafür, dass weniger KI eingesetzt wird. Es sorgt dafür, dass die KI an der richtigen Stelle sitzt.

Was Process Mining ist und was nicht

In meinem Buch „KI-gestützte Prozessautomatisierung“ (Springer, 2026) beschreibe ich Process Mining als datengetriebene Methode zur Analyse von Geschäftsprozessen. Die Methode nutzt digitale Spuren aus IT-Systemen, um den tatsächlichen Prozessablauf zu rekonstruieren und Abweichungen von Soll-Prozessen sichtbar zu machen. Sie dient als Bindeglied zwischen Prozessmodellierung und Automatisierung.

Damit ist auch klar, was Process Mining nicht ist:

• Kein Modellierungswerkzeug. Process Mining zeichnet nicht, wie ein Prozess laufen soll, sondern zeigt, wie er läuft.
• Keine Automatisierung. Die Analyse selbst verändert nichts, sie liefert die Grundlage für Entscheidungen.
• Keine Mitarbeiterüberwachung. Es geht um Abläufe, nicht um Personen, und das muss auch in der Umsetzung so geregelt sein (dazu unten mehr).

Wie die Methode grundsätzlich funktioniert und welche Software es dafür gibt, habe ich in Process Mining: Die Zukunft der Digitalen Prozessoptimierung beschrieben. Hier geht es um die strategische Frage, warum diese Analyse vor die KI gehört.

Warum KI ohne Prozesstransparenz zur Wette wird

KI-Projekte im Mittelstand drehen sich in den meisten Fällen um Prozesse. In meiner Praxisstudie (2026) ist Prozessautomatisierung der häufigste Anwendungsbereich und kommt in 80 Prozent der Interviews vor. Die Studie wertet meine Beratungspraxis aus und ist nicht repräsentativ, aber sie zeigt, wohin die Erwartungen gehen.

In derselben Studie taucht Prozessklarheit mit 41 Prozent als kritisches Hindernis auf. Auch diese Zahl ist nicht repräsentativ, passt aber zu einer einfachen Logik: Wer einen Prozess verändern will, muss ihn kennen.

Ohne diese Kenntnis entstehen drei Risiken:

1. Du automatisierst den falschen Schritt. Der sichtbare Aufwand ist oft nicht der eigentliche Engpass, wie das Beispiel oben zeigt.
2. Dein Business Case steht auf Sand. Ohne gemessenen Ausgangswert lässt sich später nicht belegen, was die KI tatsächlich verbessert hat.
3. Du verwechselst Prozessprobleme mit Datenproblemen und umgekehrt. Schlechte Daten entstehen in konkreten Prozessschritten. Warum die Datenbasis für jede KI-Strategie entscheidend ist, habe ich in Datenqualität für KI: Das Fundament jeder Strategie beschrieben. Process Mining zeigt dir, an welcher Stelle im Ablauf diese Probleme entstehen.

Hinzu kommt das Wissen, das in Köpfen steckt. Sebastian Bluhm, Experte für Arbeitgeber-Exzellenz, sagt dazu in meinem Buch „Die Revolution des Wissensmanagements“ (Haufe, 2025): „Die Schwelle für relevantes Wissen wird immer höher. Unternehmen müssen sicherstellen, dass sie diese Schwelle erreichen.“ Für Prozesse heißt das: Implizites Wissen darüber, wie es „eigentlich“ läuft, reicht nicht mehr, wenn KI im Ablauf mitarbeiten soll.

Die richtige Reihenfolge: Transparenz, Vereinfachung, Automatisierung

In meinem Buch „KI-gestützte Prozessautomatisierung“ beschreibe ich, wie RPA, Process Mining und KI zusammenwirken. RPA übernimmt regelbasierte Routineaufgaben, Process Mining schafft Transparenz über die tatsächlichen Abläufe, und KI verarbeitet unstrukturierte Daten und trifft komplexe Entscheidungen. Zusammen ermöglichen sie eine ganzheitliche Automatisierung von End-to-End-Prozessen. Im Buch nenne ich das Hyperautomation.

Aus dieser Arbeitsteilung ergibt sich eine Reihenfolge, die du als Entscheider einfordern solltest:

1. Transparenz: Process Mining zeigt Varianten, Schleifen, Wartezeiten und Abweichungen.
2. Vereinfachung: Organisatorische Ursachen werden organisatorisch gelöst, also über Zuständigkeiten, Freigaberegeln und Schnittstellen. Das kostet oft wenig und bringt viel.
3. Regelbasierte Automatisierung: Was klaren Regeln folgt, übernehmen RPA oder die Workflow-Funktionen vorhandener Systeme.
4. KI: Sie kommt dort zum Einsatz, wo Dokumente, Freitext, Bilder oder Ermessensentscheidungen im Spiel sind.

Diese Reihenfolge ist kein Plädoyer gegen KI, sondern eines dafür, KI gezielt einzusetzen. Welche Möglichkeiten KI in der Prozessoptimierung grundsätzlich bietet, findest du in Wie man mit KI Prozesse optimieren kann.

Wann Process Mining nicht der erste Schritt ist

Die Methode hat Grenzen, und die solltest du kennen.

Nicht jeder Prozess hinterlässt Spuren. Abläufe, die über E-Mail, Telefon, Tabellen oder Zuruf laufen, sind für Process Mining weitgehend unsichtbar. Dann brauchst du ergänzend Interviews und Beobachtungen vor Ort.

Nicht jeder KI-Use-Case ist ein Prozess-Use-Case. Wer einen Wissensassistenten oder eine Suche über technische Dokumentation aufbauen will, beginnt besser mit einer Bestandsaufnahme der Datenquellen. Ideen, welche Use Cases es jenseits der Prozessautomatisierung gibt, findest du in 100 KI Use Cases für Unternehmen im Mittelstand.

Mitbestimmung und Datenschutz gehören an den Anfang. Process-Mining-Daten können Rückschlüsse auf einzelne Bearbeiter zulassen. Bei technischen Einrichtungen, die zur Überwachung von Verhalten oder Leistung bestimmt sind, hat der Betriebsrat nach § 87 Abs. 1 Nr. 6 BetrVG ein Mitbestimmungsrecht. Pseudonymisierung, ein klar festgehaltener Zweck und eine Vereinbarung mit dem Betriebsrat sind deshalb Voraussetzung und keine Kür.

Ressourcen sind knapp. In meiner Praxisstudie (2026) werden Ressourcenengpässe mit 75 Prozent als mittelstandsspezifische Herausforderung beschrieben (aus meiner Beratungspraxis, nicht repräsentativ). Ein flächendeckendes Process-Mining-Programm überfordert viele Organisationen. Ein einzelner, gut gewählter Prozess überfordert niemanden.

Handlungsempfehlungen für Entscheider

• Wähle einen Prozess, nicht die ganze Landschaft. Am besten eignet sich der Prozess, für den ohnehin ein KI-Vorhaben auf dem Tisch liegt.
• Kläre die Datenfreigabe vor der Technik. Lege fest, wer welche Systemdaten extrahieren darf, in welcher Form und zu welchem Zweck.
• Hol Betriebsrat und Datenschutz in den ersten Termin. Ein gemeinsames Verständnis spart dir später Monate.
• Dokumentiere den Ausgangswert. Durchlaufzeit, Anzahl der Schleifen und Wartezeiten bilden die Basis für jeden ehrlichen Business Case.
• Trenne die Ursachen. Ordne jeden Engpass einer von drei Kategorien zu: organisatorisch, regelbasiert oder unstrukturiert. Nur für die letzte brauchst du KI.
• Setz eine Frist. Die Analyse soll eine Entscheidung vorbereiten. Leg vorher fest, bis wann diese Entscheidung fällt.

Fazit

Process Mining ist keine Vorstufe, die KI-Projekte bremst. Die Analyse macht sie treffsicherer. Sie zeigt dir, wo dein Prozess tatsächlich hakt, welche Probleme du ohne Technik lösen kannst und wo KI wirklich gebraucht wird. Wer diesen Schritt überspringt, investiert in Annahmen. Wer ihn geht, investiert in Fakten.

Welchen Prozess in deinem Unternehmen würdest du als Erstes durchleuchten, wenn du morgen damit anfangen könntest?

Quellen

• Julian Funke: „KI-gestützte Prozessautomatisierung“, Springer, 2026 (S. 32: „Process Mining: Das steckt hinter der datengetriebenen Prozessanalyse“; S. 134: „So gelingt die Kombination von RPA, Process Mining und KI“).
• Julian Funke: Praxisstudie „A) Studienbericht“, 2026, S. 2 (eigene Auswertung aus der Beratungspraxis, nicht repräsentativ).
• Julian Funke: „Die Revolution des Wissensmanagements“, Haufe, 2025, S. 125 (Zitat Sebastian Bluhm).
• Betriebsverfassungsgesetz, § 87 Abs. 1 Nr. 6: https://www.gesetze-im-internet.de/betrvg/__87.html
• Julian Funke: Process Mining: Die Zukunft der Digitalen Prozessoptimierung (2023): https://julian-funke.de/2023/05/12/process-mining-die-zukunft-der-digitalen-prozessoptimierung-effizientes-optimieren-von-prozessen/
• Julian Funke: Wie man mit KI Prozesse optimieren kann (2023): https://julian-funke.de/2023/06/15/wie-man-mit-ki-prozesse-optimieren-kann/
• Julian Funke: Datenqualität für KI: Das Fundament jeder Strategie (2026): https://julian-funke.de/2026/10/23/datenqualitaet-ki-strategie/
• Julian Funke: 100 KI Use Cases für Unternehmen im Mittelstand (2023): https://julian-funke.de/2023/10/19/100-ki-use-cases-fuer-unternehmen-im-mittelstand/