1. Der Prozess passiert häufig genug
Eine Aufgabe, die fünf Minuten dauert und einmal im Quartal vorkommt, ist selten ein guter Automatisierungskandidat. Entscheidend ist die Kombination aus Häufigkeit, Zeitaufwand und Fehlerpotenzial. Kleine Einsparungen können bei hohem Volumen sehr relevant werden.
2. Eingabe und gewünschtes Ergebnis sind klar
Je klarer definiert ist, welche Informationen in einen Prozess hineingehen und was am Ende entstehen soll, desto besser lässt sich eine Automatisierung testen. Unklare Prozesse werden durch Automatisierung nicht automatisch besser – oft werden sie nur schneller unklar.
3. Ausnahmen sind bekannt
Viele Piloten funktionieren im Idealfall und scheitern später an Sonderfällen. Deshalb sollten Ausnahmen, fehlende Daten und Eskalationswege von Anfang an dokumentiert werden. Ein guter Workflow weiß nicht nur, was er tun soll, sondern auch, wann er stoppen muss.
4. Qualität lässt sich messen
Bei KI-Schritten reicht „sieht gut aus“ nicht. Definieren Sie, woran ein brauchbares Ergebnis erkannt wird: Extraktionsgenauigkeit, Klassifikationsquote, Bearbeitungszeit, Zahl manueller Korrekturen oder ein fachlicher Freigabeprozess.
5. Daten und Systeme sind erreichbar
Ein wirtschaftlicher Use Case kann technisch unattraktiv werden, wenn Daten nur manuell aus Altsystemen exportiert werden können oder Schnittstellen fehlen. Integrationsaufwand gehört deshalb in die frühe Bewertung.
6. Risiko und Nutzen passen zusammen
Je größer die Konsequenz eines Fehlers, desto stärker müssen Kontrolle, Freigabe und Nachvollziehbarkeit sein. Nicht jeder Schritt sollte vollautomatisch laufen. Häufig ist eine Assistenzlösung mit menschlicher Entscheidung wirtschaftlicher und sicherer.
7. Es gibt einen klaren Verantwortlichen
Automatisierungen brauchen fachliche Eigentümer. Jemand muss entscheiden können, wie der Prozess funktionieren soll, welche Fehler akzeptabel sind und wann Anpassungen notwendig werden. Ohne Ownership wird selbst gute Technik schnell zur Schatten-IT.