Kernaussage gleich am Anfang
BPMN schafft Übersicht und verhindert, dass KI-Initiativen im Tagesgeschäft zerfasern. Kennen Sie das: Sie starten ein KI-Pilotprojekt mit grossem Enthusiasmus, doch nach einigen Wochen herrscht Unklarheit darüber, wer welche Daten liefert, welche Entscheidungsschritte die KI beeinflusst und wie das Ergebnis in bestehende Prozesse passt? In meiner Erfahrung ist BPMN, also die Business Process Model and Notation, der einfachste Hebel, um klassische Projektmethodik mit KI-Vorhaben zu verbinden und so Transparenz, Verantwortlichkeit und Wiederholbarkeit herzustellen.
Warum BPMN bei KI anders wirkt
Worin genau liegt der Unterschied, wenn man BPMN für KI-Projekte einsetzt? BPMN zwingt dazu, Prozessschritte zu benennen, Übergaben zu dokumentieren und Entscheidungspunkte sichtbar zu machen. Das macht nicht nur Abläufe klar, sondern enthüllt auch versteckte Datenabhängigkeiten und Modellannahmen. Was ich dabei sehe: Teams, die zuvor nebulös über "Datenpipelines" gesprochen haben, können plötzlich konkret benennen, welches System wann welche Informationen liefern muss. Das reduziert Missverständnisse zwischen Data Science, IT und Fachbereich.
Typische Fehler aus der Praxis
Ein häufiger Fehler ist, mit Modell- und Feature-Entwicklung zu starten, ohne den operativen Prozess zu modellieren. Dann funktioniert das Modell isoliert, aber es passt nicht in den Alltag. Ein zweiter Fehler ist, Verantwortlichkeiten für Datenqualität und Entscheidungslogik nicht verbindlich festzulegen. Fehlt diese Klarheit, entstehen stille Workarounds und Shadow-IT. Ein dritter, oft übersehener Fehler besteht darin, BPMN nur als Dokumentation am Projektende zu sehen, statt als lebendes Werkzeug während der gesamten Entwicklung und Einführung.
Wie BPMN konkret hilft
Wie bringt BPMN Ordnung in die KI-Entwicklung? Beginnen Sie damit, das gewünschte End-to-End-Szenario zu modellieren: Eingabequellen, relevante Datenfelder, Entscheidungsknoten, Eskalationspfade und Rückmeldeschleifen. In meiner Beratungspraxis hat sich gezeigt, dass bereits eine einfache BPMN-Skizze entscheidende Diskussionspunkte auf den Tisch bringt, etwa wie oft ein Modell neu trainiert werden muss oder wer Eingriffe bei Fehlentscheidungen vornimmt. So werden Schnittstellen zwischen Machine Learning, Dateningenieurwesen und Fachabteilung greifbar.
Integration in klassische Projekte
Wie lässt sich BPMN in bestehende Projektmethoden integrieren, ohne alles neu zu erfinden? Nutzen Sie BPMN als Brücke zwischen Lastenheft, Data-Engineering-Plan und Change-Management. Ich empfehle, Prozessmodelle früh in Workshops mit Stakeholdern zu erarbeiten und diese Modelle iterativ zu verfeinern, wenn neue Erkenntnisse aus Tests und Datenanalysen auftauchen. Das führt zu konkreten Akzeptanzkriterien für das KI-Modell und macht Abnahmekriterien messbar.
Was passiert, wenn man es richtig macht
Stellen Sie sich vor, Ihr nächstes KI-Projekt liefert nicht nur ein gutes Modell, sondern auch klare Betriebsanweisungen: wer überwacht die Modellperformance, wie sind Fallbacks definiert, welche Daten werden wohin geloggt. In solchen Projekten ist die Übergabe in den Betrieb selten ein abruptes Ende, sondern ein geordneter Prozess. Was ich immer wieder erlebe: Teams gewinnen Vertrauen, weil Entscheidungen nachvollziehbar sind und Verantwortungen nicht mehr verschwimmen.
Konkrete 14–30-Tage-Handlungsempfehlung
Beginnen Sie in den nächsten zwei bis vier Wochen mit einem halbtägigen Workshop, in dem Sie den Kernprozess, der von der KI betroffen ist, in BPMN skizzieren; laden Sie Data Scientists, Dateningenieure, IT-Betreuer und Fachverantwortliche ein und zwingen Sie die Gruppe, Eingaben, Outputs und Entscheidungspunkte zu benennen; dokumentieren Sie zusätzlich, wer für Datenqualität, Modellupdates und das Monitoring zuständig ist und vereinbaren Sie kurze, wiederkehrende Reviews, um die Skizze nach ersten Tests anzupassen.
