Ein Unternehmen, in dem viele Prozesse automatisiert ablaufen, ohne menschliche Aufsicht, und das sich dabei kontinuierlich selbst optimiert? Fortgeschrittene KI und Automatisierungswerkzeuge liefern die dafür notwendige technische Grundlage, doch die Umsetzung ist in der Regel mit einigen Herausforderungen verbunden. [...]
Pegasystems nennt die wichtigsten Stolperfallen auf dem Weg zum Autonomous Enterprise und gibt Tipps, wie Unternehmen sie umgehen können.
Legacy-Systeme
Die Architekturen und Technologien vieler alter Bestandssysteme unterstützen die heutigen Anforderungen für Automatisierung und KI nur sehr bedingt. Anpassen lassen sie sich oft nicht oder nur mit erheblichem Aufwand. Das führt dazu, dass Mitarbeiter viele Daten manuell aus verschiedenen Systemen zusammensuchen und sich selbstständig einen Überblick in der Informationsflut verschaffen müssen. Teilweise müssen sie Daten sogar redundant in mehreren Systemen pflegen.
Ein erster Schritt beim Auflösen solcher Silos kann Process Mining sein, das Geschäftsprozesse und ihre Zusammenhänge systemübergreifend sichtbar macht und dabei Ineffizienzen sowie Optimierungspotenziale aufzeigt. Anschließend helfen generative KI-Tools, schnell neue Anwendungen zu erstellen, die die Daten übersichtlich aufbereitet darstellen und Mitarbeiter mit Empfehlungen bei Entscheidungen unterstützen – oder diese sogar vollautomatisiert ausführen. Ändern sich Daten, werden diese automatisch wieder in die richtigen Systeme zurückgeschrieben.
Größere Eingriffe in die Bestandssysteme sind dafür nicht notwendig, und sie müssen auch nicht zwangsläufig ersetzt werden. Es wird lediglich eine moderne und skalierbare Darstellungs-, Logik-, Automatisierungs- und KI-Schicht über die Legacy-Systeme gelegt. Auf diese Weise halten sich Unternehmen alle Optionen hinsichtlich künftiger Anpassungen, einer Dekommissionierung oder eines Austauschs offen und profitieren bereits von den Vorzügen von Automatisierung und KI.
Komplexe Datenlandschaft
Häufig wissen Unternehmen gar nicht so genau, welche Daten sie besitzen oder in welchen Systemen wichtige Informationen stecken. Dadurch lassen sich diese aber auch nicht für die Automatisierung von Prozessen nutzen oder um Erkenntnisse aus ihnen zu ziehen. Mit Tools für Data Discovery und Datenanalyse können sich Unternehmen einen Überblick verschaffen. Sie benötigen aber auch eine Datenstrategie, die Ziele der Datennutzung definiert und datenbezogene Fragen zur Umsetzung konkreter Anwendungsfälle beantwortet, etwa ob die notwendigen Daten vorhanden sind oder wie sie sich beschaffen lassen.
Skill-Gaps
Bei der Umsetzung von KI-Projekten fehlen oft Knowhow und Erfahrung – nicht nur im technischen Bereich in Form von Entwicklern und KI-Experten, sondern insbesondere auch bei wichtigen Schnittstellenfunktionen. Unternehmen benötigen Mitarbeiter, die Brücken zwischen technischen und Fachbereichen schlagen, sprich: die Technikern die geschäftlichen Abläufe gut erklären und fachliche Anforderungen präzise formulieren können. Und die umgekehrt den Fachspezialisten bei der Nutzung der neuen Tools unter die Arme greifen, indem sie beispielsweise bei der Einordnung von KI-Antworten unterstützen. Neben Schulungen sind hier vor allem hybride Teams und agile Formen der Zusammenarbeit wichtig, um organisatorische Silos aufzubrechen und Mitarbeiter aus IT und Entwicklung mit KI-Experten und Spezialisten aus Fachbereichen zusammenzubringen.
Change-Management
Eng verbunden mit dem Aufbau hybrider Teams und der Einführung von agilen Formen der Zusammenarbeit sind kulturelle Veränderungen im Unternehmen, denn die Mitarbeiter benötigen Freiräume für ihre neuen Aufgaben und Rückendeckung durch das Top-Management. Überhaupt ist das Autonomous Enterprise für Unternehmen ein Paradigmenwechsel, da automatisierte Abläufe die Aufgaben und Verantwortlichkeiten in den Teams verändern, was Sorgen und Ängste bedingen kann. Diese müssen Unternehmen ernst nehmen.
Sie müssen zudem ihr Risikomanagement anpassen, um die Konsequenzen von Fehlentscheidungen durch KI zu bewerten und zu minimieren: Welche Entscheidungen soll KI fällen, welche Fehler sind hinnehmbar und wo sind Kontrollen durch Menschen notwendig? Wichtig ist ein Feedback-Loop, um aus falschen Entscheidungen zu lernen und KI stetig zu verbessern. Dieses Continuous Improvement sollte auch die Mitarbeiter einbinden, sodass ihre Erfahrungen mit neuen Tools und automatisierten Abläufen in Updates und künftige Entwicklungen einfließen.
Fehlende Vision
Häufig wollen Unternehmen zwar automatisieren und KI nutzen, aber ihnen fehlt sowohl eine übergeordnete Vision als auch eine Roadmap. Dadurch bleiben dann viele Chancen ungenutzt. Ein guter Ansatz, das zu ändern, ist eine konsequente Outcome-Zentrierung, bei der ein eindeutiger Nutzen für Mitarbeiter und Kunden im Vordergrund steht. Davon ausgehend lassen sich Roadmaps und Maßnahmen ableiten. Wichtig ist es, Topdown- und Bottomup-Ansätze zu kombinieren, um alle Interessen und Blickwinkel zu berücksichtigen. Von oben werden Unternehmensziele definiert, Prioritäten gesetzt und Handlungsfelder identifiziert. Aus den Fachbereichen kommen konkrete Problemstellungen und Rückmeldungen zum Verlauf einzelner Projekte. Die sollten anfangs eher klein sein, um schnell Erfahrungswerte zu gewinnen und Erfolgserlebnisse zu schaffen – Leuchtturm- statt Mammutprojekt, lautet die Devise.
„Ein Autonomous Enterprise entsteht nicht über Nacht, sondern fängt mit der Automatisierung einzelner Teilprozesse sowie der Nutzung von KI-Vorhersagen und KI-gesteuerten Entscheidungen in diesen Prozessen an“, erklärt Florian Lauck-Wunderlich, Head of AI and Advanced Analytics Consulting EMEA bei Pega. „Um schnellstmöglich von den Vorzügen von Automatisierung und KI zu profitieren, ohne auf große Entscheidungen oder umfangreiche Veränderungen hinsichtlich der Legacy-Systeme warten zu müssen, sollten Unternehmen kurzfristig eine moderne und skalierbare Darstellungs-, Logik-, Automatisierungs- und KI-Schicht über die alten Systeme legen.“
Be the first to comment