Digitale Dimensionen in der Finanzbranche E-Book

• Herausgeber: Frankfurt School Verlag
• Kategorie: Fachliteratur
• Sprache: Deutsch

Seitenzahl: 650

Veröffentlichungsjahr: 2026

Beschreibung

In breiter Front findet die Digitalisierung nun in allen Bereichen der Finanzbranche statt. Als Grundpfeiler der digitalen Transformation lassen sich drei Dimensionen unterscheiden: Der Einsatz Künstlicher Intelligenz in Verbindung mit menschlicher Intelligenz ("Intelligence") wird die Arbeitsweise in Finanzunternehmen fundamental verändern. Der Aufbau von Widerstandsfähigkeit ("Resilience") reicht von Robustheit der Geschäftsmodelle bis zur Bekämpfung von Cyberkriminalität. Und die Reduktion von Komplexität ("Simplicity") muss sich von Prozessen über Strukturen bis hin zu Produkten erstrecken. Das Buch "Digitale Dimensionen in der Finanzbranche" präsentiert Konzepte und Lösungsansätze für alle drei Dimensionen. Vor dem Hintergrund von Intelligence, Resilience und Simplicity werden Ideen, Rahmenbedingungen, Business Cases und Innovationen vorgestellt. Auch zentrale EU-Initiativen wie Data Act, AI Act und FiDA werden eingeordnet und diskutiert. Die Autorinnen und Autoren kommen aus der Unternehmenspraxis, der Beratung und der Wissenschaft. Dieser multidisziplinäre Ansatz verleiht dem Buch eine solide theoretische Fundierung und verbindet diese mit einer hohen Praxisnähe. Banken, Versicherer und andere Finanzdienstleister erhalten so konkrete Anregungen für zukunftsweisende strategische und technologische Projekte im digitalen Zeitalter.

Leseprobe

N. Gittfried  G. Lienke  F. Seiferlein J. Leiendecker  B. Gehra  K. Hefter F. Hildebrand (eds.)

Non-financial Risk Management in the Financial Industry

 

A Target Operating Model

 

Second, revised and extended edition 2025

Bibliographic information from the German National Library

The German National Library lists this publication in the German National Bibliography. Detailed bibliographic data is available online at https://dnb.dnb.de.

Visit us online: https://www.fsforum.de/.

The work, including all its parts, is protected by copyright. Any use outside the narrow limits of copyright law is prohibited without the publisher's consent and is punishable by law. This applies in particular to reproductions, microfilming, and storage and processing in electronic systems.

ePub implementation: mediaTEXT Jena GmbH

ISBN (print): 978-3-95647-237-4

ISBN (epub): 978-3-95647-238-1

ISBN (pdf): 978-3-95647-239-8

Second, revised and extended edition 2025  © Frankfurt School Forum | Frankfurt School of Finance & Management gGmbH, Adickesallee 32-34, 60322 Frankfurt am Main, Germany

Table of contents

Geleitwort

Vorwort

Herausgeber

Autorinnen und Autoren

Teil I: Intelligence

Prozessmanagement im Zeitalter der Künstlichen IntelligenzMichael Rosemann

KI-getriebene Softwareentwicklung am Beispiel einer GroßbankFonlinda Frashëri, Florian Meiser, Christiane Vorspel-Rüter

Governance von Künstlicher Intelligenz in BankenSascha Dewald

Künstliche Intelligenz in Betriebsmodellen von FinanzdienstleisternSascha Dölker

Digitale Grundrechte im Kontext Künstlicher IntelligenzWolfgang Epting

KI am Front-End: Von regelbasierten Chatbots zu intelligenten KI-AgentenMichael Altendorf

Risikomanagement in Neobanken im Zeitalter der DigitalisierungAnatoly Nigmatulin, Volker Vonhoff

KI-gestützte Entwicklung von Geschäftsmodellen am Beispiel von ChatGPTFlorian Bongard, Jürgen Moormann

KI-Governance und KI-Controlling in VersicherungsunternehmenMirko Kraft

AI-powered Customer Experience and the required Change CapabilityFidelma Wimberger

Risikomanagement im Spannungsfeld von Regulierung und Künstlicher IntelligenzLea Maria Siering

Teil II: Resilience

Die Zukunft des Euro: Digitales Geld für Alltag und FinanzmarktBurkhard Balz

FinTechs im Spannungsfeld zwischen Wachstum und RegulierungMarcus W. Mosen

Shaping the Future of BankingAytac Aydin

Cyberkriminalität in der Finanzbranche: Aktuelle Entwicklungen, Bedrohungen und AbwehrstrategienHelmut Brechtken, Andreas Burger

Dimensionen von Datenstrategien und ihre Umsetzung in die PraxisUdo Wilcsek, Florian Schauer, Timo Kiefer

Szenarien für die Versicherungswirtschaft der ZukunftPhilipp Johannes Nolte, Thomas Kuckelkorn

IT-Plattformen als Brücke zwischen Klimaschutz und KosteneffizienzStephan Segbers, Hüseyin Kazanc, Janine Rappard

Teil III: Simplicity

Simplifizierung als strategischer Hebel: Hindernisse und LösungsmöglichkeitenViktoria Danzer, Markus Strietzel

Simplicity als Erfolgsfaktor für Fusionen in der VersicherungsbrancheFrank Lamsfuß, Jerome Claus

Fusionen: Chancen, Risiken und AlternativenGerrit Böhm

Transaktionsströme als Katalysator der DigitalisierungEleftherios Kousakis, Peter Robejsek, Nikolaus Trzeschan

Digitale Dimensionen in der modernen BancassuranceSebastian Langrehr, Evi Popp

Hyperpersonalisierung als Schlüssel zum KundenAngelika Stallhofer

Mit Primärdaten zu einer souveränen DatenstrategieDietmar Schmidt, Stefan Lütticke, Florian Schneider

Geleitwort

Liebe Leserin, lieber Leser,

Deutschland wandelt sich und es ist unsere gemeinsame Verantwortung, diesen Wandel zu gestalten. Die Digitalisierung ist dabei ein zentrales Handlungsfeld. Sie durchdringt Wirtschaft und Gesellschaft, eröffnet neue Wege zu mehr Effizienz, Innovation und nachhaltigem Wachstum. Die Digitalisierung ist ein kraftvoller Hebel für die Wettbewerbsfähigkeit unseres Landes. Sie steigert die Produktivität, schafft neue Geschäftsmodelle und leistet zugleich einen Beitrag zum Klimaschutz – allein intelligente Stromnetze können Millionen Tonnen CO2 einsparen.

Doch der digitale Aufbruch in Deutschland bleibt geprägt von Widersprüchen und Bedenken. Während der Bedarf an Innovationen und Investitionen größer ist denn je, hemmen Engpässe bei Infrastruktur, Fachkräften und ein sehr herausforderndes regulatorisches Umfeld den Fortschritt. Die Chancen der Digitalisierung liegen zwar auf der Hand, und doch hat Deutschland beim Thema Digitalisierung seit vielen Jahren eine Menge Aufholpotenzial. So belegen wir im IMD World Digital Competitiveness Ranking 2024 nur den 23. Rang. Will das Land international wieder wettbewerbsfähiger werden, muss es die Herausforderungen der Digitalisierung entschlossen annehmen. Bei der jetzt notwendigen Aufholjagd hat Deutschland keine Zeit zu verlieren. Es gilt, den digitalen Wandel nicht als Option, sondern als zentrale Aufgabe zu begreifen. Nur dieser Wandel sichert uns Wohlstand, Zukunftsfähigkeit und die Perspektive, Deutschlands Stärken in einem neuen, digitalen Zeitalter voll zu entfalten.

Hierbei kommt der Finanzbranche eine Vorreiterrolle zu. Aufgrund seiner Abstraktheit ist Geld der ideale Gegenstand für neue digitale Formen und Prozesse. Allerdings stellen die Modernisierung von IT-Infrastrukturen, die Integration neuer Technologien in bestehende Prozesse sowie Cybersicherheit die Branche vor erhebliche Herausforderungen. Die drei zentralen Themen des IMD World Digital Competitiveness Ranking – Wissen/Kompetenzen, Technologie und Zukunftsfähigkeit – verdeutlichen exemplarisch, wie die Finanzbranche ihre Vorreiterrolle bei der Digitalisierung unter Beweis stellt.

1. Wissen/Kompetenzen

Die Digitalisierung, insbesondere die Künstliche Intelligenz (KI), wird viele Berufsbilder in den kommenden Jahren grundlegend verändern. In der neuen Arbeitswelt gewinnen analytisches Denken, Kreativität und technologische Kompetenzen, daneben aber auch soziale und emotionale Fähigkeiten immer mehr an Bedeutung. Vor diesem Hintergrund engagiert sich die KfW als Förderpartner beispielsweise für den Aufbau von TUMO-Zentren in Deutschland, also außerschulischen Lernorten, an denen Jugendliche kostenfrei digitale und kreative Kompetenzen erwerben können – vom Programmieren über Design bis hin zu Robotik und Animation.

Die Vertiefung und der Transfer von Wissen sind auch zentrale Ziele der von der KfW koordinierten WIN-Initiative „Wachstums- und Innovationskapital für Deutschland“, in der sich zahlreiche Unternehmen, Verbände und die Bundesregierung gemeinsam dazu bekennen, die steuerlichen, rechtlichen und finanziellen Rahmenbedingungen in Deutschland so zu verbessern, dass junge, innovative Unternehmen leichter an privates Kapital kommen. Im Koalitionsvertrag „Verantwortung für Deutschland“ hat die aktuelle Bundesregierung die WIN-Initiative ausdrücklich erwähnt. Der Ausbau der Kooperationen zwischen Hochschulen, Investoren und Unternehmen steht an erster Stelle des zehn Punkte umfassenden Maßnahmenpakets, auf das sich die Initiatoren im September 2024 verständigt haben.

2. Technologie

Im IMD World Digital Competitiveness Ranking 2024 ist Deutschland nur in einer Kategorie auf dem Vormarsch: der Technologie. Hier stieg die Bundesrepublik um fünf Plätze und belegt nun den 29. Rang – noch immer kein Grund zur Zufriedenheit, aber vielleicht eine Trendwende. Doch gerade in der Finanzwirtschaft zeigt sich, wie kraftvoll digitale Innovationen vorangebracht werden können. So nimmt die Branche bei der Nutzung moderner Technologien eine Vorreiterrolle ein – etwa durch die schrittweise Einführung von Distributed-Ledger-Anwendungen im Kapitalmarkt. Deutschland und die EU treiben den Aufbau eines digitalen, DLT-basierten Kapitalmarkts voran, um ihre Wettbewerbsfähigkeit und digitale Souveränität langfristig zu sichern. Digitale Transaktionen ermöglichen effizientere, schnellere Prozesse und Kosteneinsparungen. Einen wichtigen rechtlichen Meilenstein bildet das Gesetz über elektronische Wertpapiere (eWpG) von 2021, das die Emission digitaler Wertpapiere – etwa in dezentralen Registern – erlaubt. Die KfW hat bereits erfolgreich zwei digitale Anleihen auf Blockchain-Basis emittiert und nutzt die gewonnenen Erkenntnisse, um die Skalierbarkeit digitaler Kapitalmarktprozesse weiterzuentwickeln.

3. Zukunftsfähigkeit

Die Finanzbranche steht an der Spitze des digitalen Wandels. Laut einer Studie aus dem Jahr 2024 von KPMG unter 120 Bank-CEOs aus elf Nationen wollen vier von fünf Bankvorständen gezielt in KI investieren. Immer mehr Banken setzen beispielsweise Robotic Process Automation für Routineaufgaben ein. Auch das Kundenerlebnis profitiert vom technologischen Fortschritt: Datenbasierte Analysen ermöglichen es den Instituten, individuelle Dienstleistungen zu entwickeln und so die Zufriedenheit sowie Bindung der Kunden zu stärken, denn mithilfe der KI können sie das Verhalten ihrer Kunden besser verstehen und ihnen maßgeschneiderte Anlageempfehlungen geben.

Darüber hinaus fördert die Digitalisierung Innovationen und erleichtert die Entwicklung neuer Geschäftsmodelle – etwa durch Open Banking und Kooperationen mit FinTechs. Digitale Kanäle schaffen zudem Zugang zu Finanzdienstleistungen unabhängig von Standort und Öffnungszeiten. Insbesondere digitale Neobanken erleichtern Menschen in entlegenen Regionen und jungen Zielgruppen den Zugang zum Finanzsystem. Ein positiver Nebeneffekt: Die Kapitalmarkterfahrung junger Menschen steigt dank des einfachen Zugangs und der deutlich geringeren Kosten.

Digitale Chancen nutzen – so kann die Finanzbranche Zukunft gestalten

Insgesamt zeigt sich: Die Finanzwirtschaft ist an vielen Stellen Vorreiterin der Digitalisierung und befindet sich auf einem guten Kurs. Doch für eine langfristige Wettbewerbsfähigkeit sind kontinuierliche Investitionen in Technologie, Fachkräfte und die Modernisierung zentraler Systeme unerlässlich. Gleichzeitig erfordert ein dynamisches Umfeld die Bereitschaft, sich laufend weiterzuentwickeln und flexibel auf Veränderungen zu reagieren. Als KfW sind wir fest entschlossen, sowohl nach innen als auch nach außen einen nachhaltig positiven Beitrag zu leisten. Entscheidend ist dabei, die digitale Transformation mit Mut und Verantwortung voranzutreiben – nur so kann Deutschland seine Finanzbranche aktiv gestalten und als Innovationstreiber eine führende Rolle in Europa übernehmen.

Das vorliegende Buch zeigt in drei zentralen Dimensionen der Digitalisierung – Intelligenz, Resilienz und Simplicity –, wie dies gelingen kann. Gerade für die Finanzbranche ist die Auseinandersetzung mit diesen Dimensionen von großer Bedeutung. Die Beiträge des Buches machen Mut und geben einen spannenden Überblick über die vielfältigen Ansatzpunkte zur Nutzung der digitalen Chancen in unserer Branche.

Ich wünsche Ihnen anregende Einblicke und eine bereichernde Lektüre.

Stefan B. Wintels, Vorstandsvorsitzender der KfW Bankengruppe

Vorwort

Seit Jahren wird die Digitalisierung der Finanzbranche gefordert. Und ja, es wurden Fortschritte gemacht. Diese reichen aber bei Weitem nicht aus, sondern sind erst der Anfang. Finanzdienstleister handeln nicht mit physischen Produkten und stellen auch keine her. Stattdessen ist das gesamte Geschäft, mit sämtlichen Produkten und Services, softwarebasiert. Banken, Versicherer und weitere Finanzdienstleister sind mehr oder weniger Technologieunternehmen. Damit wird die enorme Bedeutung von Informationssystemen und der Digitalisierung von Prozessen in der Branche deutlich.

Die „Digitalen Dimensionen“ – also die Grundpfeiler der gerade stattfindenden digitalen Transformation – lassen sich sicherlich unterschiedlich definieren. Nach vielen Diskussionen und Gesprächen mit Praxisvertretern haben sich für uns drei Dimensionen herauskristallisiert, die für die Digitalisierung in der Finanzbranche relevant sind: „Intelligence“, „Resilience“ und „Simplicity“. Daher finden sich diese Begriffe im Untertitel des vorliegenden Buches wieder. Die auf der nächsten Seite gezeigte Abbildung stellt den Zusammenhang dieser drei Gestaltungsfelder dar.

Die Dimension Intelligence verstehen wir in einem breiten Sinne als die Fähigkeit, abstrakt zu denken, Zusammenhänge zu erkennen, Probleme zu lösen und aus Erfahrungen zu lernen. Üblicherweise wird diese Fähigkeit dem Menschen zugesprochen, sie wird aber immer mehr auch auf Maschinen übertragen. Diese dann Künstliche Intelligenz (KI) wird in praktisch alle Geschäftsprozesse Eingang finden und die Finanzbranche fundamental verändern.

Der zu erwartende Technologiesprung stellt hohe Anforderungen an die Softwareentwicklung, die fachliche Produktentwicklung, das Risikomanagement und generell an die Führungskräfte und Mitarbeitenden der Finanzunternehmen.[1] Der Einsatz der KI wird nicht nur dabei helfen, Finanzleistungen zu verbessern. Vielmehr wird KI die Art und Weise, wie Finanzdienstleistungen von Kunden erlebt wird, revolutionieren. Zudem wird das sich abzeichnende Problem des quantitativen und qualitativen Personalmangels ohne konsequenten KI-Einsatz gar nicht zu bewältigen sein.

 

Die Schaffung von Resilience ist die Grundvoraussetzung für erfolgreiches wirtschaftliches Handeln. Diese Dimension war schon immer wichtig für die Finanzbranche, gewinnt aber zukünftig noch mehr an Bedeutung. Dabei geht es um den Aufbau von Widerstandsfähigkeit in mehreren Bereichen: So muss die Robustheit der Geschäftsmodelle vor dem Hintergrund der digitalen Transformation immer wieder hinterfragt und verbessert werden. Von extremer Wichtigkeit ist die Bekämpfung der Cyberkriminalität. Dieses Thema umfasst sowohl den Schutz vor dem Eindringen Fremder in die IT-Systeme der Banken und Versicherer (einschließlich der kundennahen Systeme wie Apps, Websites usw.) als auch das Verhindern krimineller Finanztransaktionen. Insbesondere angesichts kriegerischer Auseinandersetzungen spielt Cybersicherheit eine immer größere Rolle.

Zur Resilienz gehört auch die Berücksichtigung von Umwelt-, Nachhaltigkeits- und Sozialfragen bei der Führung von Finanzunternehmen. Die Vorschriften der Aufsichtsbehörden verpflichten die Unternehmen dazu, ihre Widerstandsfähigkeit in Bezug auf eine Vielzahl neuer regulatorischer Themen, zu denen auch ESG-Anforderungen gehören, sicherzustellen. Die angedrohten Strafen bei nicht ordnungsgemäßer Umsetzung können durchaus existenzgefährdend sein. Außerdem sollte die Verfolgung von ESG-Zielen mit Blick auf die Zukunft sowieso selbstverständlich sein. Dies wird auch für die Werbung um junge Talente notwendig sein.

Simplicity ist eine auf den ersten Blick einfache und selbstverständliche Dimension. Allerdings ist, obwohl immer wieder neue CEOs mit der Ankündigung „Ich will dieses Unternehmen vereinfachen!“ antreten, der Erfolg meist bescheiden. Dabei ist es so wichtig, die über die Zeit gewachsenen organisatorischen Strukturen radikal zurückzuschneiden, Hierarchiestufen zu eliminieren, Prozesse zu vereinfachen, Produktpaletten auszudünnen und IT-Landschaften auszuharken. Aber auch aus Kundensicht ist Simplicity wichtig, denn damit steigt die Benutzerfreundlichkeit, oder umfassender das „Benutzererlebnis“.

Als leuchtendes Beispiel wird immer wieder Apple angeführt, dessen Erfolg sich im Wesentlichen auf eine intuitive Bedienung und ein übersichtliches (ja, und cooles) Design gründet. Was bedeutet das nun für Finanzdienstleister? Dass die Digitalisierung großartige Möglichkeiten bietet, Prozesse und Produkte zu vereinfachen. Dies zeigen u.a. Neobanken, -broker und -versicherer, von denen die traditionellen Häuser viel lernen können. Es ist wichtig, dass der Einsatz neuer Technologien explizit dazu genutzt wird, die teilweise erschreckende Komplexität in der Finanzbranche zu reduzieren.

Natürlich gibt es in der Finanzbranche viele Themen, bei denen zwei oder gar drei der Dimensionen zusammentreffen. Beispiele: Eine Prozessautomatisierung ohne Berücksichtigung von KI ist heutzutage nicht mehr sinnvoll. Die Hyperpersonalisierung, die für ein verbessertes Benutzererlebnis (und mehr Ertrag) sorgen soll, erfordert Einfachheit und ebenfalls die Verwendung von KI. Digitale Zahlungen vereinfachen Kaufvorgänge, müssen aber extrem sicher gestaltet werden, um widerstandsfähig gegenüber Betrugsversuchen und Geldwäsche zu sein.

Die Dimensionen „Intelligence“, „Resilience“ und „Simplicity“ bilden denn auch die Grundstruktur dieses Buches. Darin beleuchten wir aktuelle Entwicklungen und ihre Konsequenzen im Kontext der Finanzbranche. Zu diesem Zweck haben wir eine Reihe von Experten eingeladen, ihre Gedanken, Lösungsansätze und Einschätzungen in Beiträge zu fassen und mit Ihnen, liebe Leserinnen und Leser, zu teilen. Die Digitalisierung ist ein umfassendes, komplexes Gebiet, mit dem sich zuvorderst das obere Management intensiv beschäftigen muss. Die Beiträge sind daher vorwiegend aus Geschäftsleitungssicht geschrieben.

Wir bedanken uns bei allen Autorinnen und Autoren herzlich für die Bereitstellung ihrer Erfahrungen und ihr großes Engagement, durch das sie zum Gelingen dieses Buches beigetragen haben. Besonders danken wir Stefan B. Wintels, Vorstandsvorsitzender der KfW Bankengruppe, für das Geleitwort zu diesem Buch. Darüber hinaus geht unser Dank an Larissa Maibach, die höchst engagiert über Monate mit den Autoren kommuniziert und Texte redigiert hat, sowie an Dr. Florian Schneider, der bei der Konzeption und Ausformulierung diverser Beiträge unterstützt hat. Britta Fietzke vom Lektorat Sach | Verstand danken wir für die ausgezeichnete Endlektorierung und Ulrich Martin für die konstruktive Begleitung des Buchprojekts von Seiten des Frankfurt School Forums. Ganz besonders möchten wir uns bei den Unternehmen Mastercard und Roland Berger bedanken, ohne deren großzügige Sponsorenschaft dieses Buch nicht hätte entstehen können.

Wir hoffen, dass dieses Sammelwerk zu einem guten Verständnis der Herausforderungen und Chancen im Zusammenhang mit der Digitalisierung in der Finanzbranche beiträgt. Wir würden uns freuen, wenn die Beiträge Handlungsimpulse geben und weitere Denkanstöße liefern. In diesem Sinne wünschen wir allen Leserinnen und Lesern eine anregende Lektüre, interessante Erkenntnisse und viel Erfolg bei der praktischen Umsetzung.

Bad Homburg v.d.H., Köln, Frankfurt a.M., Dietmar Schmidtim November 2025Marcus W. MosenJürgen Moormann

[2]

Footnotes:

[1]In diesem Buch verwenden wir den Begriff Finanzunternehmen im Sinne des Digital Operational Resilience Act (DORA). Danach umfasst der Begriff alle in der Finanzbranche tätigen Unternehmen (Banken, Zahlungsinstitute, E-Geld-Institute, Anbieter von Krypto-Dienstleistungen, Wertpapierfirmen, Versicherungs- und Rückversicherungsunternehmen, Versicherungsvermittler, Zentralverwahrer usw.).

[2]Anmerkung der Herausgeber:Im Sinne der besseren Lesbarkeit wird in diesem Buch i.d.R. das generische Maskulinum verwendet. Dies dient ausschließlich der sprachlichen Vereinfachung und impliziert keinerlei Ausschluss oder Benachteiligung anderer Geschlechter. Alle Personen, unabhängig von Geschlecht oder Geschlechtsidentität, sind selbstverständlich gleichermaßen gemeint und einbezogen.

Herausgeber

Dietmar Schmidt

Dietmar Schmidt ist geschäftsführender Gesellschafter der mexxon Gruppe (www.mexxon.com) mit branchenübergreifendem Schwerpunkt in Künstlicher Intelligenz, Smart Data und digitalen Ökosystemen. Seine Expertise liegt darin, eine erfolgreiche Datenstrategie in Unternehmen zu etablieren und qualitativ hochwertige Datenplattformen zu entwickeln. Zudem ist er Mitglied im Votum Verband, Aufsichtsratsmitglied der Haftpflichtkasse Darmstadt, Mitglied der Bundesfachkommission „Künstliche Intelligenz und Wertschöpfung 4.0“ des deutschen Wirtschaftsrats und Beirat der FRIDA – Free Insurance Data Initiative e.V.

Marcus W. Mosen

Marcus W. Mosen ist im Herbst 2025 vom Aufsichtsratsvorsitz der N26 SE als Co-CEO in den Vorstand der N26 SE eingetreten. Seit 2018 ist er als Advisor, Beirat, Aufsichtsrat und Investor in Payment-, Tech- und FinTech-Unternehmen aktiv (www.mwmosen.com). Er war mehr als 20 Jahre lang in Geschäftsführungsverantwortung bei führenden Zahlungsverkehrsanbietern wie First Data, Easycash, Ogone, Ingenico und Concardis. Er hat maßgeblich Entwicklungen im Zahlungsverkehrsmarkt in Deutschland und Europa in operativer und strategischer Verantwortung initiiert und mitgestaltet. Derzeit hat er Aufsichtsratsmandate bei AlphaQ Venture Capital, Consumer Edge und Geidea.

Prof. Dr. Jürgen Moormann

Prof. Dr. Jürgen Moormann lehrt Bank- und Prozessmanagement an der Frankfurt School of Finance & Management. Seine Forschungsfelder sind Strategieentwicklung, Business Engineering und Prozessmanagement, insbesondere in der Finanzbranche. Er ist Autor bzw. Herausgeber von 14 Büchern und hat rund 300 Artikel in wissenschaftlichen und praxisorientierten Zeitschriften veröffentlicht. Seine Forschungsergebnisse hat er auf nationaler und internationaler Ebene in zahlreichen Vorträgen vorgestellt. Er ist Vorsitzender des Aufsichtsrats der KARIS AG und Mitglied mehrerer akademischer und praxisbezogener Beiräte.

Autorinnen und Autoren

Michael Altendorf

Geschäftsführer, Acceleraid/Adtelligence GmbH, Berlin

Aytac Aydin

Mitglied des Vorstands, Privatkundengeschäft und Geschäftsbetrieb, Oldenburgische Landesbank AG (OLB), Oldenburg

Burkhard Balz

Mitglied des Vorstands, Deutsche Bundesbank, Frankfurt a.M.

Dr. Gerrit Böhm

Vorstandsvorsitzender, Volkswohl Bund Lebensversicherungen a.G. und Volkswohl Bund Sachversicherung AG, Dortmund

Florian Bongard

Senior Associate, Performance & Strategy, Integration & Separation (Tech M&A), KPMG, Frankfurt a.M.

Helmut Brechtken

Partner, Head of Digital Forensic Incident Response, Deloitte GmbH Wirtschaftsprüfungsgesellschaft, Köln

Dr. Andreas Burger

Partner, Financial Crime Advisory, Deloitte GmbH Wirtschaftsprüfungsgesellschaft, Frankfurt a.M.

Jerome Claus

Modul-Lead Marktbearbeitung – Post Merger Integration, BarmeniaGothaer Versicherungen, Köln und Wuppertal

Dr. Viktoria Danzer

Senior Partner, Financial Services, Roland Berger, München

Sascha Dewald

Chief Growth Officer, Corporate Strategy & Group Development, Deutsche Kreditbank AG, Berlin

Sascha Dölker

Leiter Digitalisierung, Deutsche WertpapierService Bank AG, Frankfurt a.M.

Wolfgang Epting

Solution Advisor Chief Expert, SAP Deutschland SE & Co. KG, Walldorf

Fonlinda Frashëri

Product Manager, Cluster CI/CD CHAMP, Group Service Technology Foundation, Commerzbank AG, Frankfurt a.M.

Hüseyin Kazanc

Geschäftsführer, FairConsult 24|7 GmbH und FairDigital 24|7 GmbH, Heidelberg

Timo Kiefer

Bereichsleiter Automatisierung, KI und Innovation, Alte Leipziger-Hallesche Gruppe, Stuttgart

Eleftherios Kousakis

Vice President, Dynamic Yield – Central Europe & Southeastern Europe, Mastercard, Athen

Prof. Dr. Mirko Kraft

Studiengangsleiter Bachelor-Studiengang Versicherungswirtschaft, Hochschule Coburg, Coburg

Thomas Kuckelkorn

Senior Manager, Kommunikation, Marketing und Events, InsurLab Germany e.V., Köln

Frank Lamsfuß

Mitglied des Vorstands, Marketing, Vertrieb und IT, BarmeniaGothaer Versicherungen, Köln und Wuppertal

Sebastian Langrehr

Vice President Sales, Hypoport InsurTech AG, und Chief Sales Officer, Smart InsurTech AG, Berlin

Dr. Stefan Lütticke

Sustainability Reporting Program Lead, Munich Re AG, München

Florian Meiser

Managing Director und Head of CI/CD CHAMP, Commerzbank AG, Frankfurt a.M.

Prof. Dr. Jürgen Moormann

Professor für Bank- und Prozessmanagement, Frankfurt School of Finance & Management, Frankfurt a.M.

Marcus W. Mosen

Co-CEO, N26 SE, Berlin

Anatoly Nigmatulin

Head of Credit Risk, N26 Bank SE, Berlin

Dr. Philipp Johannes Nolte

Geschäftsführer, InsurLab Germany e.V., Köln

Evi Popp

Mitglied des Vorstands, neue leben Lebensversicherung AG und neue leben Unfallversicherung AG, Hamburg

Janine Rappard

Managerin Vertriebsinnovation, RheinEnergie AG, Köln

Dr. Peter Robejsek

Geschäftsführer, Mastercard Deutschland, Frankfurt a.M.

Prof. Dr. Michael Rosemann

Director of the Centre for Future Enterprise, School of Management, Queensland University of Technology, Brisbane, Australien

Florian Schauer

Projektleiter IT-Transformation, Alte Leipziger-Hallesche Gruppe, Oberursel

Dietmar Schmidt

Geschäftsführender Gesellschafter, mexxon Gruppe, Bad Homburg v.d.H.

Dr. Florian Schneider

Consultant, mexxon Gruppe, Bad Homburg v.d.H.

Stephan Segbers

Mitglied des Vorstands, Vertrieb und Energiebeschaffung, RheinEnergie AG, Köln

Dr. Lea Maria Siering

Geschäftsführerin, Zalando Payments GmbH, Berlin

Angelika Stallhofer

Mitglied des Vorstands, Digitales Kundenmanagement, Frankfurter Volksbank Rhein/Main, Frankfurt a.M.

Dr. Markus Strietzel

Senior Partner, Global Head Financial Services, Roland Berger, Düsseldorf

Nikolaus Trzeschan

Vice President, Products & Solutions DACH, Mastercard, Frankfurt a.M.

Dr. Volker Vonhoff

Vice President Risk, N26 Bank SE, Berlin

Christiane Vorspel-Rüter

Mitglied des Vorstands, Chief Operating Officer, Commerzbank AG, Frankfurt a.M.

Udo Wilcsek

Mitglied der Vorstände Alte Leipziger Lebensversicherung a.G., Hallesche Krankenversicherung a.G. und Alte Leipziger Holding AG, Oberursel

Fidelma Wimberger

Head of Commercial Operations, Canada Life Assurance Europe plc, Dublin, Irland

Teil I: Intelligence

Einführung

Der erste Teil des vorliegenden Buches befasst sich mit der Dimension „Intelligence“ – einer selbstverständlichen Voraussetzung für erfolgreiches Handeln. Mit dem Begriff Intelligenz wird typischerweise die Fähigkeit des Menschen verstanden, komplexe Informationen zu verstehen, zu verarbeiten und daraus zweckvolles Handeln abzuleiten. Aufgrund des Aufkommens der Künstlichen Intelligenz (KI) – und insbesondere der generativen KI – hat diese Dimension aber eine neue, erweiterte Bedeutung erlangt. Es ist offensichtlich, dass KI in alle Bereiche unseres wirtschaftlichen und (weitgehend auch) privaten Handelns eindringen wird. Das gilt in besonderem Maße für die Finanzbranche, deren gesamtes Geschäft letztlich softwarebasiert ist. Gleichzeitig muss uns klar sein, dass KI keine Intelligenz im eigentlichen Sinne ist, sondern dass es sich um eine probabilistische Technologie handelt, die Aussagen aufgrund von Wahrscheinlichkeiten berechnet und keine Wahrheiten garantiert.[1] Dennoch wird KI die Wettbewerbsfähigkeit von Banken, Versicherern und anderen Finanzdienstleistern massiv beeinflussen.

Eröffnet wird der erste Teil der Beiträge in unserem Buch von Michael Rosemann. Er zeigt nicht nur die Grenzen des traditionellen Prozessmanagements auf, sondern skizziert drei große Entwicklungsschritte hin zum Prozessmanagement im Zeitalter der KI.

Wie generative KI die Softwareentwicklung in Großbanken entlang des gesamten Software Development Life Cycle verändert, zeigen Fonlinda Frashëri, Florian Meiser und Christiane Vorspel-Rüter. Sie erläutern, wie KI-gestützte CI/CD-Pipelines, automatisierte Tests und iteratives Monitoring die Effizienz, Qualität und Time-to-Market erhöhen und zugleich Governance-, Sicherheits- und Bias-Risiken adressieren.

Mit dem so wichtigen Thema der Governance von KI in Banken befasst sich Sascha Dewald, der verschiedene Modelle der KI-Steuerung vorstellt und schließlich den hybriden Ansatz als idealen Mittelweg zwischen regulatorischer Sicherheit und unternehmerischer Agilität vorschlägt.

Wie Finanzdienstleister die KI in ihren Betriebsmodellen nutzbar machen können, diskutiert Sascha Dölker. Er beschreibt zunächst die durch KI hervorgerufenen Auswirkungen auf Betriebsmodelle, um dann – basierend auf den Kernelementen Governance, Technologie, Daten, Prozesse und Menschen – den Weg zum Betriebsmodell der Zukunft zu entwickeln.

Wolfgang Epting setzt sich mit einem zentralen Thema im Kontext der KI auseinander: den digitalen Grundrechten. Er zeigt in seinem Beitrag, wie Banken, Versicherer, FinTechs und InsurTechs regulatorische Konformität, technologische Exzellenz und ethische Verantwortung durch konkrete Maßnahmen miteinander verbinden können.

Die Entwicklung des KI-Einsatzes am Front-End, also an der Kundenschnittstelle, ist in vielen Schritten erfolgt – von regelbasierten Chatbots bis zu intelligenten KI-Agenten. Michael Altendorf erläutert diese Schritte und leitet schließlich Erfolgsfaktoren für den Einsatz von KI in der Kommunikation mit den Kunden ab.

Das Risikomanagement ist von der Digitalisierung des Bankgeschäfts stark betroffen – das gilt besonders für Neobanken. Anatoly Nigmatulin und Volker Vonhoff setzen sich daher mit den digitalen Dimensionen des Risikomanagements in Neobanken auseinander.

Kann generative KI auch für innovative Aufgaben wie die Entwicklung von Geschäftsmodellen eingesetzt werden? Dieser Frage gehen Florian Bongard und Jürgen Moormann nach und zeigen anhand einer Fallstudie, wie ein Chatbot (in diesem Fall ChatGPT) für den Einsatz in der Geschäftsmodellentwicklung konfiguriert werden kann.

KI-Governance und KI-Controlling in der Assekuranz stehen im Mittelpunkt des Beitrags von Mirko Kraft. Der Beitrag basiert auf der aktuellen KI-Regulierung und zeigt anhand dreier Use Cases, wie KI-Governance und -Controlling in Versicherungsunternehmen umgesetzt werden können.

Den schnellen und umfassenden Wandel in allen Geschäftsbereichen von Unternehmen thematisiert Fidelma Wimberger. Insbesondere geht sie der Frage nach, wie Organisationen eine „Change Fitness” erreichen können. Sie unterlegt ihre Ausführungen mit konkreten Beispielen aus dem Lebensversicherungsbereich.

Zum Abschluss des ersten Buchteils kommt Lea Maria Siering zurück auf das Risikomanagement im Spannungsfeld zwischen Regulierung und KI. Sie argumentiert, dass KI zu einer stärkeren Vernetzung der Märkte und einer größeren Komplexität führt, wodurch neue Risiken geschaffen werden. Umso wichtiger wird zukünftig die Identifizierung und Steuerung von Risiken.

Die Beiträge zeigen die enorme Themenbreite der Intelligence in der Finanzbranche. Dabei geht es einerseits um den Einsatz der KI-Technologien, andererseits aber auch um die Intelligenz des Menschen, der letztlich die Tools entwickelt, einsetzt und verantwortlich für die Ergebnisse ist. Die Banken, Versicherer und anderen Finanzdienstleister stehen vor großen Aufgaben. Sie müssen sowohl die menschliche Intelligenz als auch die KI bestmöglich nutzen – zum Wohle der Unternehmen, der Mitarbeitenden und der Kundschaft.

Footnotes:

[1]Aus diesem Grund verwenden wir in diesem Buch die Großschreibung („Künstliche Intelligenz“), um mit diesem Begriff die Technologie als solche zu bezeichnen – es ist eben (noch) keine „künstliche Intelligenz“.

Prozessmanagement im Zeitalter der Künstlichen Intelligenz

Michael Rosemann

 

1    

Einleitung

2    

Grenzen des traditionellen Prozessmanagements

3    

Neue Paradigmen für die Prozessgestaltung

4    

Von der Transaktion zur Konversation

5    

Von der Automatisierung zur Autonomisierung

6    

Von der Reduktion zur Raffinesse

7    

Implikationen für das zukünftige Prozessmanagement

  

Literatur

1  Einleitung

In den letzten drei Jahrzehnten wurden signifikante Fortschritte im Bereich des Prozessmanagements erzielt. So haben Konzepte wie Lean Management, Six Sigma, Prozessautomatisierung und Process Mining wesentlich zur Produktivitätssteigerung in Unternehmen beigetragen. Auch in der Finanzbranche wurden viele Prozesse mittlerweile digitalisiert, insbesondere hinsichtlich der Integration von Kundenaktivitäten. Einige Prozesse wie Echtzeitzahlungen, mobile Banktransaktionen oder der Handel mit Kryptowerten sind durch neue Technologien überhaupt erst möglich geworden. Die Automatisierung und in noch stärkerem Maße die Digitalisierung haben die Ressourcenallokation nahezu perfektioniert und menschliche Fehler vielfach eliminiert. Dies hat die Finanzbranche zu einem Vorzeigebeispiel für die Anwendung des Prozessmanagements gemacht.

Doch der komplett digitalisierte Prozess kann nicht das finale Ziel sein, wie die mit der Künstlichen Intelligenz (KI) verbundenen neuen Möglichkeiten aufzeigen. Immer weniger steht die Lösung von Prozessproblemen im Vordergrund als vielmehr die Entwicklung neuer Prozessoptionen. Dies führt zu einer fundamental neuen Sichtweise, aus der Unternehmen auf ihre Geschäftsprozesse schauen. Angesichts neuer technologischer Möglichkeiten sind bislang unerreichbare Ziele wie die skalierbare Personalisierung nunmehr keine Utopie mehr.

Dieser Beitrag beschreibt die post-digitale Prozessgestaltung, wie sie durch KI möglich wird.[1] Dazu werden am Beispiel der Finanzbranche drei wegweisende Veränderungen skizziert:

1) 

der Prozesszugang via Konversationen und nicht nur mittels Transaktionen,

2) 

der Unterschied zwischen herkömmlicher Automatisierung und neuen Formen der Autonomisierung sowie

3) 

Prozessziele, die über Simplifizierung und Standardisierung hinausgehen und ultimativ personalisierte, proaktive und multimediale Prozesse anstreben – und sich damit deutlich von klassischen Zielen wie Kosten- und Zeitersparnissen unterscheiden.

2  Grenzen des traditionellen Prozessmanagements

Das Buch „The Principles of Scientific Management“ von Frederick W. Taylor wird von den Fellows der Academy of Management als das einflussreichste Managementbuch des 20. Jahrhunderts angesehen.[2] Taylors unermüdliches Streben nach dem besten Weg zur Durchführung einer bestimmten Aufgabe löste eine inzwischen über 100 Jahre andauernde Suche danach aus, wie sich Geschäftsprozesse identifizieren, beschreiben, verbessern und kontrollieren lassen. Daraus entwickelte sich als Disziplin das Industrial Engineering. Die Harvard University entwarf ihren Lehrplan für das erste Studienjahr auf Grundlage von Taylors Buch. Auch im Qualitätsmanagement wurden Prozesse in den Mittelpunkt der Betrachtung gestellt.

Die Verbesserung von Prozessen steht im Zentrum vieler Prozessmanagementkonzepte. So werden im Lean Management sieben Arten von Verschwendung („waste“) definiert und Ansätze zu deren Überwindung vorgeschlagen.[3] Six Sigma konzentriert sich auf Abweichungen als Grundursache von Prozessproblemen und setzt eine Reihe von meist statistischen Methoden ein, um die Probleme aufzudecken und zu beheben. Dies gilt auch für die Prozessstandardisierung und die Suche nach Skaleneffekten. Toyotas Kaizen-Ansatz hat seinen Schwerpunkt auf dem kontinuierlichen Eliminieren von Prozessproblemen. Zudem wurden prozesszentrierte Informationssysteme (Workflow-Management-Systeme, Robotic Process Automation, Process Mining) entwickelt, um durch verbesserte Automation und permanentes Monitoring Prozessfehler zu erkennen und menschliche Fehlerquellen zu reduzieren.

Dementsprechend ist das Prozessmanagement[4] seit seiner Entstehung durch eine „Problembeseitigungsmentalität“ charakterisiert. Allen bestehenden Ansätzen ist gemeinsam, dass sie zunächst Prozessprobleme („pain points“) und ihre Ursachen identifizieren, um diese dann strukturiert anzugehen. Dies hat sich in gängigen Methoden des Prozessmanagements ebenso manifestiert wie in den Rollenbeschreibungen von Prozessanalysten, Lean-Six-Sigma-Experten usw. Dementsprechend besteht Einigkeit über das ultimative Ziel des Prozessmanagements: der reibungslose Prozess. Dieser wird auch mit Begriffen wie Straight-through Processing, Zero-touch Process, Friction-free Process oder einfach als „optimierter Prozess“[5] beschrieben. Kosten- und Zeiteinsparungen sowie Fehlerreduktion sind dabei die dominierenden Ziele der Prozessverbesserung.

Dieser traditionelle Kern des Prozessmanagements hat Organisationen gute Dienste geleistet. Die Kosten der Prozessausführung sind gesunken und es konnten in allen Branchen Produktivitätssteigerungen erzielt werden. Dies hat zu neuen Formen der Transaktionseffizienz geführt und das Prozessmanagement für Unternehmen unverzichtbar gemacht.

Die Attraktivität des Prozessmanagements zeigt sich insbesondere in der Finanzbranche, die Wettbewerbsvorteile immer stärker durch technologische statt finanzieller Kompetenzen anstrebt. Dies wird deutlich an der Popularität der Digital-first-Strategien, der Bedeutung digitaler Kundeninteraktionen, Investitionen in umfassende „Super-Apps“ und Technologien wie Blockchain, der Rolle von API[6]-basiertem Open Banking und Partnerschaften mit FinTech-Unternehmen. In dieser (nahezu) komplett digitalisierbaren Branche werden heute papierfreie, unmittelbare Prozesse folgerichtig zunehmend zum Standard.

Das Ideal eines reibungslosen Geschäftsprozesses unterliegt jedoch einer Reihe von Einschränkungen: Erstens handelt es sich um einen „Wettlauf gegen Null“. Der vollständig digitale Geschäftsprozess – frei von Papier, Redundanzen, Fehlern, Engpässen usw. – wird immer mehr zu einem reinen Hygienefaktor. Dies ist der Fall, wenn Kunden an eine komplett digitale, effiziente Prozessausführung gewöhnt sind und daher nicht mit besonderer Wertschätzung reagieren. Solche reibungslosen, unverzüglichen Prozesse können in vielen Bereichen des Privatkundengeschäfts beobachtet werden. Kontoeröffnungen, die Verifikation von Dokumenten, Kreditanfragen und -beurteilungen, Zahlungsverfahren, Finanzanalysen usw. sind papierfrei und mobil, werden in der Cloud verarbeitet und zunehmend in Echtzeit ausgeführt. Dementsprechend hat die neue Generation von Bankkunden oft noch nie eine Bankfiliale betreten. Nicht mehr Lean Banking, sondern Realtime Banking ist zum Ziel geworden und Mitglieder der Generationen Z und Alpha sind in der Tat Realtime-Natives.[7] Sie sind in einer Digital/Mobile-first-Welt groß geworden und für sie ist es selbstverständlich, Prozesse überall anstoßen zu können und stets ein unmittelbares Ergebnis zu erhalten. Wenn jedoch Unternehmen ihre Prozessprobleme adressiert haben und digitale Prozesse zum Hygienefaktor werden, können kosten- und zeiteffiziente Prozesse keine Quelle von Wettbewerbsvorteilen mehr sein.

Zweitens hat die permanente Verbesserung von Prozessen einen kulturellen Preis.[8] Aufgrund der Prozessautomatisierung wurde weltweit ein erheblicher Anteil menschlicher Aktivität aus Geschäftsprozessen entfernt und Millionen von Arbeitsplätzen wurden zugunsten gesteigerter Unternehmenseffizienz abgebaut. Infolgedessen kann Prozessmanagement das Stigma haben, die Prozessleistung stärker zu betonen als das Wohlbefinden der Mitarbeiter.[9] Dies führt in der gegenwärtigen „New Work“-Bewegung zu einer schwierigen Entscheidung für Unternehmen, die ihren Kunden Prozesseffizienz und ihren Mitarbeitenden eine sinnstiftende, attraktive Arbeitskultur anbieten müssen, um Talente anzuziehen und zu behalten. Als Reaktion haben erste Unternehmen präferenzbasierte Prozesse eingeführt. Hier können Mitarbeitende ihre Vorlieben für gewisse Arbeitsaufgaben mittels eines „Like it“ zum Ausdruck bringen und bekommen fortan und, sofern möglich, vergleichbare Aufgaben zugewiesen.[10]

Drittens erlauben neue Technologien weit mehr als die reine Prozessrationalisierung. Analytische und generative KI verändern das Qualitäts-Kosten-Verhältnis von automatisierten Entscheidungen und personalisierten Prozessen dramatisch.[11] Es ist nunmehr möglich, kontext-spezifische, personalisierte Konversationen proaktiv anzubieten – beispielsweise um Hauseigentümer, die von einer Flut betroffen sind, hinsichtlich einer Hypothek anzusprechen. KI-Technologien werden jedoch nicht ihren Fähigkeiten entsprechend genutzt, wenn sie ausschließlich für die Erreichung traditioneller Produktivitätsziele eingesetzt werden.

Aus diesen drei Gründen ist eine neue Sicht auf das Prozessmanagement, seine Ziele und seinen Einfluss auf Kunden und Mitarbeiter erforderlich. Der bisherige, jahrhundertalte Ansatz, der sich auf die konsequente und ausschließliche Beseitigung von Prozessproblemen beschränkte, reicht für die nächste, KI-unterstützte Generation von Prozessen in der Finanzbranche nicht mehr aus.

3  Neue Paradigmen für die Prozessgestaltung

KI ist kein Mittel zum Zweck, sondern eine Quelle für neue Optionen der Prozessgestaltung, die auf die beiden folgenden Ziele ausgerichtet sind:

KI ermöglicht die Steigerung der Produktivität eines Prozesses, d.h., ohne wesentliche Änderungen am Ergebnis eines Prozesses führt KI zu einer deutlichen Verbesserung der Prozesseffizienz. Dies ist beispielsweise der Fall, wenn Chatbots kundenbezogene Geschäftsprozesse unterstützen, was zu Einsparungen in Millionenhöhe führen kann. Kundenanfragen können im 24/7-Modus beantwortet, Anfragen deutlich schneller bearbeitet werden (z.B. Krediterhöhungen oder Bestellungen von Kreditkarten), ohne dass es zu Problemen beim Risikomanagement oder der Betrugserkennung kommt. Beispiele sind die KI-Systeme Erica (Bank of America), Ceba (Commonwealth Bank of Australia) und Aino (DNB Bank), die täglich mehr als 100.000 Kundenanfragen bearbeiten. Systeme wie die LLM Suite (JP Morgen Chase) unterstützen Bankmitarbeiter KI-basiert bei deren Aktivitäten.

KI verbessert die Generativität eines Prozesses, d.h., es entstehen völlig neue Wertangebote innerhalb eines Geschäftsprozesses. So kann beispielsweise KI genutzt werden, um nicht nur anstehende Zahlungsverkehrstransaktionen vorherzusagen, sondern auch proaktiv für den Kunden durchzuführen. Dies könnte im Fall von älteren Bürgern relevant sein, wenn diese ihre Fähigkeit verlieren, eigenständig solche Zahlungen zu tätigen. Basierend auf manchmal jahrzehntelangen Kundenbeziehungen verfügen Banken über umfassende Datensätze. Diese können Algorithmen füttern, die neue Dienstleistungen im Sinne einer „proaktiven Bank“ ermöglichen. Da diese Art des KI-Einsatzes neue Wertangebote hervorbringt, kann KI zu einem deutlichen Mehrertrag führen – ein wesentlicher Unterschied zu klassischen produktivitätsfokussierten Initiativen.

Prozessverbesserungen hinsichtlich Produktivität und Generativität sind die beiden wesentlichen Perspektiven, um im Prozessmanagement vom KI-Einsatz zu profitieren (Abbildung 1).

Abbildung 1: Zwei Perspektiven von KI auf Geschäftsprozesse

Für beide Perspektiven lassen sich Gestaltungsmuster definieren, die dabei helfen, sinnvolle Einsatzmöglichkeiten für KI in Geschäftsprozessen zu finden. Zwei Beispiele sollen dies verdeutlichen:

Anfang 2024 hat der australische Telekommunikationsanbieter Telstra eine interne generative KI-Lösung eingeführt, die den Mitarbeitern seiner Kundencenter eine „Ein-Satz-Zusammenfassung“ (One Sentence Summary) von Kundennotizen, Interaktionen und Transaktionen bietet. Dies gibt den Agenten in den Telstra-Kundencentern leicht verständliche Einblicke in den Kunden, kurz bevor sie eine eingegangene Anfrage beantworten. Eine interne Umfrage ergab, dass dies für 90% der Mitarbeiter Zeit einsparte und zu 20% weniger Folgekontakten führte – es wurde also die Prozesseffizienz deutlich gesteigert. Dieser Vorteil der KI-gestützten Effizienzsteigerung wird als „Komprimierung“ bezeichnet, da er auf einer Zusammenfassung von Informationen basiert, die über verschiedene Dokumente und Datenbanken verteilt sind.

In Fällen, in denen die Nachfrage unerwartet ansteigt oder Lieferengpässe auftreten, nutzen Unternehmen wie Unilever und Siemens KI, um basierend auf Produktanforderungen, Finanzdaten und ESG[12]-Scorecards alternative Lieferanten zu identifizieren. Das zeigt, wie Generativität, also die Schaffung von etwas Neuem (hier: potenzielle neue Lieferanten), die Effektivität eines Lieferkettenprozesses erhöhen kann. Dies ist ein Beispiel für „Optionalität“, d.h., KI wird verwendet, um zusätzliche Optionen zu schaffen.

Wenn wir den Einfluss von KI auf Geschäftsprozesse, der über Produktivitätssteigerungen hinausgeht, untersuchen und die etablierten Pfade des Prozessmanagements der ersten Generation verlassen, sind drei wichtige Entwicklungen für das zukünftige Prozessmanagement erkennbar (Abbildung 2).

Abbildung 2: KI-induzierte Entwicklungen des Prozessmanagements

4  Von der Transaktion zur Konversation

Geschäftsprozesse werden typischerweise aus einer transaktionalen Sicht definiert, da Prozesse als orchestrierte Transaktionen betrachtet werden können. Jede Transaktion besteht aus einem auslösenden Ereignis (z.B. Kreditanfrage ist eingetroffen), einer Aufgabe (z.B. Überprüfung des Kreditantrags) und einem resultierenden Ereignis (z.B. Kreditantrag wurde genehmigt). Dieses transaktionale Paradigma manifestiert sich in den Ereignisprotokollen, die wiederum Process-Mining-Algorithmen speisen, sowie in großen ERP-Systemen[13] (z.B. SAPs Konzept der Transaktionscodes, t-codes[14]). Im Sinne einer transaktionalen Logik werden Prozesse in diskrete Schritte zerlegt und stellen sich so nicht nur ihren Benutzern dar, sondern auch den Prozessexperten, die diese Prozesse verbessern.

Generative KI und die damit einhergehende verbesserte Fähigkeit zu natürlichsprachlichen Interaktionen ermöglicht nun eine zusätzliche Konversation mit Geschäftsprozessen, die die etablierte Transaktionsperspektive ergänzt (z.B. SAP Joule). Im Gegensatz zu Transaktionen sind Konversationen nicht durch formale Start- und Endereignisse eingeschränkt, sondern kontinuierlicher und natürlicher. Bisher mussten Benutzer die transaktionale Logik von prozesszentrierten Systemen verstehen (Human Learning). Jetzt beginnen Systeme, die konversationale Logik von Menschen zu verstehen (Machine Learning).

Konversationales Prozessmanagement ist die Fähigkeit, in natürlicher Sprache mit Prozessinformationen und zugehörigen externen, sogenannten kontextuellen Daten (z.B. aktueller Leitzinssatz) zu interagieren. Entsprechend dieser Definition geht das zukünftige Prozessmanagement über den engen Fokus auf Ereignisprotokolle hinaus und verknüpft diese mit Kontextinformationen, um situative Erklärungen zu ermöglichen (z.B.: „Welchen Einfluss hat die Zinssenkung auf die Nachfrage nach Hypothekendarlehen?“).[15] Das konversationale Prozessmanagement umfasst Interaktionen innerhalb der Ausführung eines Prozesses sowie Interaktionen über den Status eines Prozesses.

Konversationales Prozessmanagement ist bereits als integraler Bestandteil von vielen Chatbots und der Art und Weise, wie Kunden mit einem Prozess interagieren („Wann kann ich mit der Genehmigung meines Darlehens rechnen?“, „Wie ist der Briefkurs der Siemens-Aktie heute?“), populär geworden.[16] Dies gilt gleichermaßen für andere Prozessteilnehmer (z.B. Prozessverantwortliche, Prozessanalysten, Endanwender in der Fachabteilung). Diese müssen nicht länger eine prozessorientierte Denkweise annehmen, d.h. in diskreten Transaktionen denken. Vielmehr können sie in einem intuitiven Gespräch mit dem Prozess interagieren, anstatt sich mit der zusätzlichen kognitiven Belastung auseinanderzusetzen, die mit dem Verständnis der Transaktionen einhergeht. Dies könnte Nachforschungsfragen zu einem Prozess umfassen wie „Was sind die Unterschiede zwischen der Bearbeitung dieses Darlehens und des vorherigen?“ oder „Warum hat die Bearbeitung dieses Prozesses so viel länger gedauert als die durchschnittliche Bearbeitungszeit?“

Über diese Zwecke hinaus können Gespräche auch zum Trainieren oder Konfigurieren eines KI-unterstützten ERP- oder CRM-Systems genutzt werden. Ein Prozessanalyst könnte beispielsweise Folgendes äußern:

„Dieser Prozess stellt eine positive Abweichung dar“ (und wird so zum Maßstab für zukünftige Prozessverbesserungen).[17]

„Diese Kundin bevorzugt einen menschlichen Case Manager[18]“ (was sich auf die Ressourcenzuweisung auswirkt).

„Berücksichtigen Sie die regionalen Auswirkungen der bevorstehenden Senkung des US-Leitzinses auf die Nachfrage nach unseren Devisenprodukten.“

Schließlich kann ein Prozess auch über den Fortschritt in Gesprächsform Auskunft geben:

„Die Nachfrage nach unserem Vorsorgekonzept geht zurück und deshalb habe ich [die KI] die Provision für das Produkt um 20% gesenkt.“

„Der erfahrenste Sachbearbeiter ist derzeit krankgeschrieben. Daher muss ich [die KI] wissen, ob ich den Vorgang verzögern oder ihm eine weniger erfahrene Alternative zuweisen soll.“

Um das Potenzial der generativen KI zu erkunden und dieses dann sofort zu nutzen, haben viele Unternehmen Umgebungen entwickelt, die ihren Mitarbeiten das sichere Experimentieren mit dieser neuen, sich schnell entwickelnden Technologie ermöglichen. Ein Beispiel ist die AI Factory der Commonwealth Bank of Australia, die in Zusammenarbeit mit Amazon Web Services aufgebaut wurde. Das Ziel ist hier explizit die Entwicklung neuer hyperpersonalisierter, kontextualisierter Erfahrungen für Kunden, ohne Kompromisse beim Datenschutz oder der Rechnerintensität eingehen zu müssen.

Eine neuartige Form des konversationalen Prozessmanagements sind sogenannte Reverse Prompts (auch Process Nudges genannt). Hier wird die Konversation vom AI-Agenten (der KI) und nicht vom menschlichen Agenten initiiert. Solche Reverse Prompts sind wichtig, um den Prozessdesigner auf neue, aber oft unbekannte Optionen für die Prozessgestaltung aufmerksam zu machen. Angesichts der hohen Geschwindigkeit technologiegetriebener Prozessinnovation ist dies von zunehmender Bedeutung und erlaubt einem Unternehmen, seine unbewusste Inkompetenz zu adressieren. Reverse Prompts sind an den Gestaltungspunkten („opportunity points“) eines Prozesses platziert und weisen auf neue Prozessideen hin – idealerweise mit Verweis auf bereits implementierte Prozesse in der Branche.[19] Beispielsweise könnte beim Prozess der Vergabe einer Kreditkarte die Idee vorgeschlagen werden, diese Karte ohne 16-stellige Nummer auf der physischen Kreditkarte auszugeben („numberless card“), um stattdessen Echtzeit-Tokens zu nutzen und eine biometrische Authentifizierung durchzuführen. Dieses Projekt von Mastercard in Australien zielt darauf ab, Verluste aufgrund von Missbrauch im Zusammenhang mit der Preisgabe von Kreditkartennummern zu verringern.

5  Von der Automatisierung zur Autonomisierung

Die Digitalisierung von Geschäftsprozessen ist weitgehend eine Geschichte der sich weiterentwickelnden Prozessautomatisierung. Der erste Schritt der Automatisierung von Prozessen war die Aufgabenautomatisierung. Die Automatisierung der Stücklistenauflösung führte in den 1960er-Jahren zu einer verbesserten Materialbedarfsplanung. Dies wurde das erste umfassende Modul innerhalb komplexerer Produktionsplanungssysteme und zunehmend wurden alle Hauptaufgaben (von der langfristigen Prognose bis zur Terminierung und Auftragsfreigabe) unterstützt. Als nächstes wurden Verwaltungsaufgaben in Bereichen wie Finanzen (z.B. Rechnungsprüfung), Anlagenverwaltung (z.B. Abschreibung) und Personalwesen (z.B. Gehaltsabrechnung) automatisiert. Als integrierte Lösung wird dies als ERP-System bezeichnet, d.h. ein System, das in seinem Kern transaktionale Aufgaben automatisierte. Es oblag seinen Benutzern, diese Aufgaben in einer bestimmten Reihenfolge auszulösen (z.B. durch Eingabe eines Transaktionscodes in SAP) und das System mit den erforderlichen Daten und Geschäftsregeln zu konfigurieren.

Zweitens kam in den 1990er-Jahren das Workflow-Management auf, also die Automatisierung von Kontrollflüssen (Ablaufautomatisierung).[20] Sobald eine Aufgabe abgeschlossen (z.B. Rechnungseingabe) und ein definierter Zustand erreicht ist (z.B. Rechnung erfasst), übernimmt das Workflow-Management-System und identifiziert die nächste Aufgabe gemäß dem zugrundeliegenden Prozessmodell. Relevante Ressourcen werden ermittelt (sogenannte Rollenauflösung), wobei der am besten geeignete Mitarbeiter anhand von Kriterien wie Qualifikation, früheren Erfahrungen (z.B. mit dem Fall oder dem Kunden) sowie Verfügbarkeit ausgewählt wird. Dies bedeutet, dass menschliche Benutzer die nachfolgende Aufgabe in einem Geschäftsprozess nicht mehr initiieren müssen.

Drittens ermöglicht seit etwa 2010 die robotergestützte Prozessautomation (RPA) auch die Automatisierung der Interaktionen eines Benutzers mit einer Aufgabe (Benutzerautonomisierung).[21] Durch manuelles Training oder sogenanntes Screen Scraping werden die von menschlichen Benutzern ausgeführten Routinen und befolgten Regeln von einem Softwareroboter verstanden und, wenn möglich, repliziert.

Bei diesen drei Arten der Automatisierung übernimmt die Technologie Aufgaben von Menschen, sodass sich diese auf wertschöpfende Aufgaben konzentrieren können, die Empathie und andere ausschließlich menschliche Fähigkeiten erfordern („from mundane to humane“). Automatisierte Prozesse werden schneller und kostengünstiger durchgeführt, was die variablen Kosten reduziert. Diese Prozesse sind so konfiguriert, dass die Ergebnisse genau wie vorhergesagt und gemäß definierter Regeln erfolgen (z.B. leitet ein Workflow-Management-System die Arbeit gemäß den definierten Regeln zur Ressourcenzuweisung weiter).

Die vierte Stufe der Bereitstellung von Technologie für Geschäftsprozesse, die Prozessautonomisierung, unterscheidet sich von den ersten drei Stufen. Dank KI ist es nun möglich, mehr als die reine Prozessausführung an Maschinen zu delegieren. Dies bedeutet, dass jetzt Maschinen, also nicht nur Menschen Entscheidungen treffen und somit auch Entscheidungsprozesse ändern können. Beispielsweise könnte ein autonomisierter Prozess kontextuelle Ereignisse identifizieren, die im Rahmen einer Prozessausführung von Bedeutung sind (ganz ähnlich, wie KI in der medizinischen Radiologie bisher unbekannte, aber bedeutsame Symptome diagnostiziert). Dort wo Menschen in ihrer Auswahl der Datensätze, die im Rahmen einer Geschäftsregel von Bedeutung sind, eingeschränkt sind, könnte eine KI einen breiteren Satz kontextbezogener Daten hinsichtlich ihrer Auswirkungen auf einen Geschäftsprozess berücksichtigen und bewerten. Dies könnte beispielsweise die Bewertung verschiedener unternehmensexterner Variablen (z.B. Förderprogramme für den Hausbau, aktueller Leitzins, neue Handelstarife) hinsichtlich ihrer Einflüsse auf die Nachfrage nach einem Produkt umfassen. Es könnte auch zu neuen Regeln für die Ressourcenzuweisung aufgrund veränderter Korrelationen zwischen Ressourcen und Prozessleistung oder zur Einbeziehung zusätzlicher externer Ereignisse (z.B. Reduktion des Leitzinses, neue Investitionsfördermaßnahmen) in die Konfiguration eines Kampagnenprozesses kommen.

Prozessautonomisierung ist also die Befähigung eines Geschäftsprozesses, selbstständig Entscheidungen im Lichte definierter Ziele und Einschränkungen zu treffen. Diese Entscheidungen können sich auf Ereignisse, Prozessablauf, Daten, Dauer und beteiligte Ressourcen beziehen. Abbildung 3 zeigt die vier Stufen von der Aufgabenautomatisierung zur Prozessautonomisierung sowie ihre Unterschiede hinsichtlich Aufgabe, Ablauf, Interaktion und Steuerung.

Abbildung 3: Vier Stufen der Digitalisierung von Geschäftsprozessen

Autonome Entscheidungen können situationsbedingt und fallbezogen (z.B. wenn einem bestimmten Kundenauftrag eine höhere Priorität zugewiesen wird, weil der Kunde über ein umfangreiches Wertpapierdepot verfügt) oder strukturell sein, und gelten damit für alle nachfolgenden Fälle (z.B. wenn ein zusätzlicher Entscheidungspunkt in den Prozess eingefügt wird, um eine angemessenere Ressourcenzuweisung zu ermöglichen).

Autonome Prozesse unterscheiden sich deutlich von automatisierten Prozessen. Während letztere effiziente Wege sind, um zu einem gewünschten und vorhersehbaren Ergebnis zu gelangen, sind autonome Prozesse innerhalb ihrer „gerahmten Autonomie“, also einem definierten Satz von Einschränkungen, nicht im Detail vorhersehbar.[22] Sowohl in Bezug auf das entstehende Prozessmodell als auch auf das Prozessergebnis sind sie nicht deterministisch wie automatisierte Prozesse, sondern stochastisch und geleitet von vorangegangenen Daten, Mustern und abgeleiteten Wahrscheinlichkeiten.

Die Prozessautonomisierung wird sich schnell weiterentwickeln und erfordert u.a. eine eigene Taxonomie, Erweiterungen von Prozessmodellierungssprachen, Vorgehensmodelle, mit denen Prozessanalysten über den geeigneten Grad und die geeignete Form der Prozessautonomisierung entscheiden können, und ein kommuniziertes und akzeptiertes Verständnis von verantwortungsvoller Autonomisierung.

6  Von der Reduktion zur Raffinesse

Ein neuer Soll-Prozess sieht oftmals deutlich einfacher aus als der entsprechende Ist-Prozess. Tendenziell enthält er weniger Nacharbeit, weniger Varianten, weniger Genehmigungsschritte, weniger papierbezogene Aktivitäten (z.B. drucken, kopieren, ablegen) und vor allem weniger nicht-wertschöpfende Aufgaben. Reduktion ist dementsprechend eine Kernaufgabe des Prozessmanagements.

Reduzierte Prozesse sind leichter zu verwalten und zu steuern, sie haben daher geringere Kosten bei der Prozessausführung. Kenntnisse zur Vereinfachung von Prozessen sind weithin verfügbar, da Prozessanalysten in den Methoden und Techniken geschult sind, um Prozesskomplexitäten zu identifizieren und zu beseitigen. Das umfasst insbesondere die aktivitätsbasierte Kostenrechnung („Activity-Based Costing“) und die darin eingebettete Identifizierung von Kostentreibern. Tatsächlich haben viele Unternehmen das Konzept „ein Prozess“ (z.B. ein Prozess für die Schadenabwicklung bei einem Versicherungsfall) zum Mantra ihrer organisationsweiten Prozessmanagementinitiativen gemacht. Daher wird Prozessreduktion oft als gleichbedeutend mit Prozessverbesserung gesehen. Auch der Einsatz von analytischer und generativer KI zielt häufig auf die Reduktion und Beschleunigung von Prozessen ab (z.B. Automatisierung von Interaktionen mit Kunden).

Das Streben nach Prozessreduktion bedeutet jedoch auch, die vielfältigen Chancen der neuen Technologien nicht ausreichend zu nutzen.[23] Diese ermöglichen vielfältige, bisher unvorstellbare, „raffinierte“ Prozessdesigns. Das Ergebnis sind Geschäftsprozesse, die extrem individualisiert werden können, kostengünstige Kreativitätsaufgaben beinhalten oder zukünftig gegebenenfalls sogar von „AI Companions“ durchgeführt werden, die menschliche Agenten (z.B. Bankmitarbeiter) replizieren. Dadurch könnten Bankkunden mit einer digitalisierten und visualisierten Version ihres bevorzugten Bankmitarbeiters kommunizieren, anstatt mit einem generischen Chatbot.

Raffiniertes Prozessdesign verwendet unstrukturierte Daten für Entscheidungsfindungs- und Eskalationsprozesse. Beispiele für solch raffinierte Prozesse sind:

Virtualisierung von Ressourcen innerhalb eines Prozesses: Online-Kundengewinnungsprozesse einschließlich eingebetteter generativer Avatare ermöglichen Einsatzszenarien, die über textbasierte Chatbot-Konversationen hinausgehen und möglicherweise sogar die digitale Nachbildung tatsächlicher Vertriebsmitarbeiter (z.B. Softwarelösungen von Anbietern wie Baidu, guiji.ai, Synthesia) beinhalten.

Antizipative Geschäftsprozesse: Einsatz von Augmented Reality (z.B. Online-Verkaufsprozess von Apple oder Gucci, indem Geräte, Schuhe usw. in die Umgebung des Kunden projiziert werden).

Schaffung neuer vertrauenswürdiger Token: Einsatz harter und weicher Biometrie, wodurch die Identifizierung einer Person eine ausreichende Grundlage für eine Transaktion darstellt (z.B. Handflächenleser von Amazon One) und zusätzliche Token (Smartphone, Kreditkarte) überflüssig werden.

Event-Brokerage: Initiierung von komplementären Angeboten von Drittanbietern.

Erstellung völlig neuer Prozessergebnisse: Fortschrittliche Technologien (z.B. additive Fertigung, Text-zu-Bild-/Video-Modelle) ermöglichen Produkte und Dienstleistungen, die rein manuell nicht erstellbar wären (z.B. persönliche Videonachrichten, die Banktransaktionen angehängt werden).

Videogestützte Kontrollprozesse: Durch den Einsatz erweiterter Videoanalyse werden visuelle Daten zu einem Teil der Prozessüberwachung (z.B. Cisco: Erkennung von Ladendiebstahl in Geschäften; Aldi: Einsatz von Gesichtskontrollen zur Identifizierung potenziell minderjähriger Kunden, die Alkohol kaufen; Domino’s Pizza: Einsatz von KI-Kameras zur Gewährleistung der korrekten Auftragserfüllung).

Kontextualisierte Geschäftsprozessausführung: Echtzeit-Geofencing mithilfe von Kontextfaktoren zur Durchführung situativer Prozesse (z.B. Verwendung von Wetterinformationen in Marketingprozessen). Dies könnte zukünftig auch Geofenced Money beinhalten.

Prozessraffinesse ist die Nutzung völlig neuer Möglichkeiten des Prozessdesigns, die Formen von Prozesserlebnis und -eleganz ermöglichen, die die Erwartungen der Kunden übertreffen. Sie ermöglicht es auch, Ziele zu verfolgen, die im Gegensatz zum Zero-touch-Mantra der Prozessvereinfachung stehen. So können Banken nun generative KI-Fähigkeiten nutzen, um mehr Konversationen zu generieren. Beispielsweise hat die National Australia Bank (NAB) in ihrem „Customer Brain“-Konzept neue Konversationspunkte in ihre Geschäftsprozesse aufgenommen, in denen Kunden proaktiv kontaktiert werden. Die Anlässe reichen von Erinnerungen und Produkterklärungen bis hin zu Vorschlägen, nicht mehr wertbringende Finanzprodukte zu evakuieren. So hat die NAB etwa 1.000 Kundendatenattribute definiert, die das „Customer Brain“ füttern, und fast 800 Machine-Learning-Modelle, die lernen, was Kunden brauchen und wie man sie am besten bedient. Als Ergebnis sieht die NAB 50% mehr Möglichkeiten für ihre Vertriebsmitarbeiter sowie um 50% gestiegene Konversionsraten.

Somit sehen wir in zukünftigen Prozessen wohl eher mehr als weniger Mikromomente mit Kundeninteraktion – eine Entwicklung, die sehr im Gegensatz zum etablierten Zero-touch-Bestreben des bisherigen Prozessmanagements steht.

Die Entwicklung von der Reduktion zur Raffinesse geht jedoch über die Entstehung neuer Geschäftsprozesse hinaus und umfasst auch neue Prozessziele. Während der traditionelle Fokus auf Reduktion kosten- und zeitzentrierte Messgrößen erfordert, werden für Raffinesse eher wachstumsorientierte Zielgrößen benötigt (z.B. Ertrag, Kundenerfahrung, Messung des Net Promoter Score an Mikromomenten eines Prozesses) sowie moderierende Maßnahmen, die eine verantwortungsvolle Prozessgestaltung sicherstellen (z.B. Datenschutz, Gleichbehandlung aller Kunden im Sinne der Fairness). Dies beinhaltet vor allem die Fähigkeit, vertrauenswürdige Prozesse gestalten und implementieren zu können.[24]

Prozessraffinesse ist ein wachsender Bereich, in dem das Wissen noch in den Kinderschuhen steckt, die Neugier hoch ist, Spekulationen vielfältig sind, der aber in jedem Fall völlig neue Differenzierungsmerkmale anbietet.

7  Implikationen für das zukünftige Prozessmanagement

In diesem Beitrag wurden drei Entwicklungen des Prozessmanagements erörtert: (1) von der Transaktion zur Konversation, (2) von der Automatisierung zur Autonomisierung und (3) von der Reduktion zur Raffinesse. Diese Entwicklungen erfordern grundlegende Änderungen sowohl in unserer Denkweise als auch in den Fähigkeiten und Werkzeugen des Prozessmanagements. Das produktivitätszentrierte Denken, das das Prozessmanagement über Jahrzehnte hinweg bestimmt hat, spiegelt den Effizienzfokus wider, der mit Vereinfachung und Standardisierung einhergeht.

Inzwischen hat sich das Umfeld jedoch verändert und neue Technologien bieten neue Möglichkeiten für das Design zukünftiger Geschäftsprozesse. Wir müssen die Chancen verstehen, die diese neuen Technologien – insbesondere analytische und generative KI – bieten und wie sie neue Wege für das Prozessmanagement freimachen. Wir müssen lernen, in diesen neuen Wegen zu denken, wenn wir Prozessmanagement in der Praxis durchführen bzw. im Rahmen unserer Forschung und Produktentwicklung Methoden und Werkzeuge für das Prozessmanagement weiterentwickeln. Wir stehen vor der Herausforderung, einige unserer Grundannahmen zu hinterfragen und neue Prozesslogiken zu etablieren. So denken wir etwa nicht in Transaktionen, sondern in Konversationen, streben nicht nur nach Automatisierung, sondern nach Autonomisierung, und suchen nicht nur nach Reduktion, sondern auch nach Raffinesse.

Die nächste Generation des Prozessmanagements in der Finanzbranche wird das Potenzial der KI nutzen. Banken, Versicherer und andere Finanzdienstleister werden etablierte Logiken wie Transaktionen, Automatisierung und Reduktion weiterhin anwenden, werden jedoch über das derzeitige Denken hinausgehen. Damit können auch in Zukunft prozessbezogene Wettbewerbsvorteile generiert werden, vor allem wenn die Möglichkeiten der Kosten-, Zeit- und Fehlerreduktion zunehmend erschöpft sind. Neben neuen Fähigkeiten (Skillset), neuen Daten (Dataset) und neuen Methoden (Toolset) wird sich das neue Prozessmanagement aber vor allem durch einen neuen Mindset auszeichnen. Nicht länger sind Schwachstellen und Notwendigkeiten, sondern neue Gelegenheiten und Ambitionen die Treiber der Prozessveränderungen. Und es ist zu erwarten, dass vor allem dies viele, oftmals konservative Unternehmen vor eine Herausforderung stellen wird, die größer ist als das reine Entwickeln eines Verständnisses für neue Technologien.

Literatur

Bogodistov, Y./Moormann, J. (2024): Process Management and Burnout Prevention – A Human-Centred Approach to Reducing Work-Related Stress, Cham: Palgrave Macmillan.

Davenport, T.H./Redman, T.C. (2025): How to Marry Process Management and AI, in: Harvard Business Review, 103. Jg., Nr. 1, S. 38-44.

Dumas, M./Fournier, F./Limonad, L./Marrella, A./Montali, M./Rehse, J.-R./Accorsi, R./Calvanese, D./De Giacomo, G./Fahland, D./Gal, A./La Rosa, M./Völzer, H./Weber, I. (2023): AI-augmented Business Process Management Systems: A Research Manifesto, in: ACM Transactions on Management Information Systems, 14. Jg., Nr. 1, S. 1-19.

Grisold, T./Kremser, W./Mendling, J./Recker, J./vom Brocke, J./Wurm, B. (2024): Generating impactful situated explanations through digital trace data, in: Journal of Information Technology, 39. Jg., Nr. 1, S. 2-18.

Kurtz, V./Bönsch, J./Ovtcharova, J. (2022): Understanding and Harnessing the Potential of Conversational AI for S-BPM, in: Elstermann, M./Betz, S./Lederer, M. (Hrsg.), Subject-Oriented Business Process Management. Dynamic Digital Design of Everything – Designing or being designed? Proceedings of the S-BPM ONE 2022 conference, Cham: Springer, S. 41-57.

Rosemann, M. (2019): Trust-aware Process Design, in: Hildebrandt, T./van Dongen, B.F./Röglinger, M./Mendling, J. (Hrsg.), Proceedings of the 17th BPM 2019 conference, Cham: Springer, S. 305-321.

Rosemann, M. (2020): Explorative Process Design Patterns, in: Fahland, D./Ghidini, C./Becker, J./Dumas, M. (Hrsg.), Proceedings of the 18th BPM 2020 conference, Cham: Springer, S. 349-367.

Rosemann, M./vom Brocke, J./van Looy, A./Santoro, F. (2024): Business process management in the age of AI – three essential shifts, in: Information Systems and e-Business Management, 22. Jg., S. 415-429.

Schmiedel, T./Recker, J./vom Brocke, J. (2020): The relation between BPM culture, BPM methods, and process performance. Evidence from quantitative field studies, in: Information and Management, 57. Jg., Nr. 2, 103175.

Setiawan, M.A./Sadiq, S. (2013): A methodology for improving business process performance through positive deviance, in: International Journal of Information Systems Modeling and Design, 4. Jg., Nr. 2, S. 1-22.

Syed, R./Suriadi, S./Adams, M./Bandara, W./Leemans, S.J.J./Ouyang, C./ter Hofstede, A.H.M./van de Weerd, I./Wynn, M.T./Reijers, H.A. (2020): Robotic Process Automation: Contemporary themes and challenges, in: Computers in Industry, Vol. 115, 103162.

Taylor, F.W. (1911): The Principles of Scientific Management, New York, London: Harper & Brothers.

van der Aalst, W.M.P./van Hee, K. (2003): Workflow Management: Models, Methods, and Systems, Cambridge, MA: The MIT Press.

van Looy, A./Shafagatova, A. (2016): Business process performance measurement: A structured literature review of indicators, measures and metrics, SpringerPlus 5, 1797.

Womack, J.P./Jones, D.T./Roos, D. (1990): The Machine That Changed the World: The Story of Lean Production, New York: Free Press.

KI-getriebene Softwareentwicklung am Beispiel einer Großbank

Fonlinda Frashëri, Florian Meiser, Christiane Vorspel-Rüter

 

1    

Einleitung

2    

Generative KI in der Softwareentwicklung

2.1    

Einfluss auf die Dimension „Technologie“

2.2    

Einfluss auf die Dimension „Mensch“

2.3    

Einfluss auf die Dimension „Prozesse“

2.4    

Synergien und Risiken

2.5    

Generative KI in den SDLC-Phasen

3    

KI-basiertes Vorgehensmodell für den Software Development Life Cycle

3.1    

Analyse, Zielsetzung und Strategieentwicklung

3.2    

Auswahl geeigneter Architektur, Technologien und Tools

3.3    

Integration in bestehende Prozesse

3.4    

Aufbau der Infrastruktur und Einbindung der Nutzer und Stakeholder

3.5    

Iterativer Rollout mit Monitoring und kontinuierlichem Verbesserungsprozess

4    

Anwendungsbeispiele

4.1    

Kostensenkung durch Legacy-Transformation

4.2    

Geschäftswertsteigerung durch neue Funktionalität

5    

Fazit und Handlungsempfehlungen

  

Literatur

1  Einleitung

Während die Digitalisierung die Finanzbranche transformiert, ist die generative Künstliche Intelligenz (KI) dabei, sie zu revolutionieren. Zu einer solchen Revolution gehören nicht nur neue Schnittstellen zum Kunden (Chatbots, Avatare usw.), personalisierte Empfehlungen für Finanzprodukte und -dienstleistungen sowie eine effizientere Betrugsbekämpfung, sondern auch das Umdenken des Gesamtsystems als solches, um aus Daten neue Geschäftsideen und Produkte zu entwickeln.

In einem wettbewerbsintensiven Umfeld wird es für Banken und andere Finanzdienstleister überlebenswichtig sein, eine fehlerfreie und schnelle Software bereitzustellen. Zu diesem Zweck haben viele Unternehmen in die Automatisierung der Prozessschritte entlang des Lebenszyklus der Softwareentwicklung (Software Development Life Cycle, SDLC),[1] in die Modernisierung der Anwendungsarchitekturen sowie in die Einführung agiler Arbeitsweisen investiert. Sogenannte Continuous Integration and Continuous Deployment(CI/CD)-Pipelines[2] unterstützen Unternehmen dabei, schnell fehlerfreie Softwareprodukte zu entwickeln und gleichzeitig einen kontinuierlichen Zyklus von Entwicklungen neuer Funktionalitäten und Aktualisierungen zu gewährleisten.

Während Unternehmen eine Zeit lang damit beschäftigt waren, DevOps[3] einzuführen, CI/CD-Pipelines zu entwerfen und die drei Dimensionen „Mensch“, „Technologie“ und „Prozesse“ mit den DevOps-Praktiken zu harmonisieren, kommt heute mit KI ein neuer Einfluss hinzu, der alles verändert und weitere Effizienzen verspricht.

In der Softwareentwicklung (Abbildung 1) existieren trotz diverser Optimierungen, Automatisierungen und schlanker Frameworks weiterhin zahlreiche repetitive und vorhersehbare Aufgaben. Diese Aufgaben schränken die kreativen und anspruchsvolleren Tätigkeiten der Softwareingenieure ein. Der Einsatz von KI in der kurz- bis mittelfristigen Perspektive wird es ermöglichen, sich auf die wesentlichen Aspekte zu konzentrieren, die einen echten Mehrwert für das Unternehmen schaffen. Das bedeutet, dass die Prozessabläufe einer grundlegenden Überarbeitung bedürfen.

Abbildung 1: Software Development Life Cycle

Mit der Einführung von KI-Agenten und KI-gestützten Tools verändert sich die Prozesslandschaft derart, dass einzelne Prozessschritte miteinander verschmelzen und die Interaktionen mit den Mitarbeitenden grundlegend verändert werden. Die KI-gestützten Tools werden gleichzeitig auch die Technologielandschaft prägen. Der große Hebel und die große Herausforderung sind die Daten, deren Qualität und Aktualität sowie die Relationen zwischen den Datenobjekten. Um das Potenzial von KI und den KI-Modellen im SDLC auszuschöpfen, ist es notwendig, die Hoheit über die Daten entlang des SDLC zu haben. Dies erfordert wiederum ein zentrales Modell für den Betrieb einer CI/CD-Pipeline.

Veränderungen bringen sowohl Herausforderungen als auch Chancen mit sich. Wie diese jeweils zueinanderstehen und wie die Anpassung im unternehmensindividuellen Kontext erfolgen soll, wird in den nächsten Abschnitten behandelt.

2  Generative KI in der Softwareentwicklung

Im Jahr 2022, d.h. vor der Veröffentlichung von ChatGPT, hatten wir in einem Whitepaper Zukunftshypothesen entwickelt, darunter auch in Bezug auf den Einsatz von Machine Learning und KI im Lebenszyklus der Softwareentwicklung.[4] Das Whitepaper zeigt, wie KI mögliche Fehler in CI/CD-Pipelines frühzeitig erkennen und Entscheidungen zur Stabilitätsverbesserung treffen kann. Die Erkenntnisse verdeutlichen, wie KI DevOps-Strategien durch Automatisierung, verbesserte Entscheidungen und erhöhte Codequalität verbessern kann. Trotz erheblicher Herausforderungen (umfangreiche Datensatzvorbereitung, regulatorische Anforderungen im Bankensektor usw.) zeichnen sich vier Entwicklungen ab: Erstens helfen KI-basierte Code-Reviews dabei, Fehler und Sicherheitsrisiken frühzeitig zu erkennen. Zweitens unterstützt KI durch Fehlerprognosen DevOps-Teams dabei, Probleme zu beheben, bevor sie die Software beeinträchtigen. Drittens ermöglicht KI eine schnellere Ursachenanalyse für ineffizienten Code. Schließlich optimiert die KI manuelle Testprozesse, entlastet DevOps-Teams und verbessert die Softwarequalität.

CI/CD-Pipelines und DevOps-Praktiken sind entscheidend für die schnelle Lieferung hochwertiger Software. Selbst Unternehmen mit hohem DevOps-Reifegrad müssen weiterhin die Effizienz in der Softwareproduktion erhöhen. Softwareentwicklung umfasst mehr als Programmierung – auch Anforderungsanalyse, Design und Testen benötigen eine gute Zusammenarbeit und sind zeitaufwendig. Erfahrungsgemäß arbeiten Entwickler nur zwei bis vier Stunden pro Tag an Programmcodes. Die Hauptursachen für den Zeitverlust sind unklare Anforderungen, Meetings, unzureichende Dokumentationen und Fehlerbehebungen. KI kann viele dieser Aufgaben übernehmen, u.a. Definition spezifischer Anforderungen, Protokollierung der Meetings, Dokumentation der Lösungen sowie Schwachstelleninspektionen. KI-basierte Tools für diese Aufgaben sind bereits verfügbar und verändern die Arbeitsweise in Projekten erheblich. Sie steigern die Effizienz und ermöglichen Teams, sich auf wertschöpfende Aufgaben zu konzentrieren.

2.1  Einfluss auf die Dimension „Technologie“

KI ist für die Technologiewelt kein neuer Begriff. Ihre Konzepte stammen aus den späten 1960er-Jahren. Viele Systeme wurden jahrelang regelbasiert entwickelt, doch KI-Systeme nutzen das gesamte Netzwerk von Datenquellen und neuronale Prinzipien,[5] um neue Inhalte zu generieren. Für die Softwareentwicklung mithilfe Generativer KI (GenAI) eröffnen sich zahlreiche Möglichkeiten. Tools wie GitHub Copilot und ChatGPT können Code schreiben, Code verbessern und optimale Lösungen für die Probleme vorschlagen. KI erkennt frühzeitig Anomalien im Code oder in der Infrastruktur (d.h. physische oder virtuelle Server und Netze) und verhindert Ausfälle. Sie generiert Testfälle basierend auf Codeänderungen, priorisiert Tests nach Risiko und optimiert CI/CD-Pipelines, indem sie Fehler beim Bauen der Softwarekomponenten voraussieht, Abhängigkeiten verwaltet und den Release-Prozess automatisiert. Diese Entwicklungen markieren eine Ära in der Softwareentwicklung, in der KI als kreativer Assistent neue Effizienzniveaus und Innovation ermöglicht.

2.2  Einfluss auf die Dimension „Mensch“

Aufgrund der Automatisierung repetitiver Aufgaben durch KI können sich Entwickler auf kreative und strategische Tätigkeiten konzentrieren. KI übernimmt monotone Aufgaben wie Code-Reviews, Fehlerbehebung und Testfallgenerierung, wodurch Entwickler Zeit für Problemlösungen und Innovationen gewinnen. Dies führt zu einer Veränderung der Anforderungsprofile: Entwickler müssen nun neue Kompetenzen im Umgang mit KI-gestützten Tools, mit Datenanalysen und mit Machine-Learning-Modellen erlernen, während traditionelle Programmierfähigkeiten an Bedeutung verlieren. Der Einsatz KI-basierter Analysetools verbessert die Entscheidungsfindung für diverse Probleme und Aufgabenstellungen erheblich. Datengetriebene Einblicke in Codequalität, Projektplanung und Risikobewertung unterstützen Entwickler und Manager bei ihren Entscheidungen und steigern die Projekteffizienz. Sprachmodelle wie ChatGPT werden die Teamkommunikation revolutionieren, indem sie Fragen klären, Dokumentationen erstellen und das Onboarding neuer Teammitglieder erleichtern. Insgesamt eröffnet die Integration von KI in die Softwareentwicklung viele Möglichkeiten, um Produktivität und Softwarequalität zu steigern. Allerdings zeigen erste Erfahrungen in unserem Unternehmen, dass die effiziente Nutzung von KI auch mit Herausforderungen verbunden ist. Beispielsweise unterstützen KI-basierte Coding-Assistenten Juniorenentwicklern i.d.R. besser, während erfahrene Seniorentwickler aufgrund ihrer langjährigen Erfahrung und ihres fundierten Fachwissens bei der Entwicklung effizienter Lösungen und qualitativ hochwertigem Code weniger auf diese Hilfsmittel angewiesen sind.

2.3  Einfluss auf die Dimension „Prozesse“

Der Einsatz von KI-Tools verbessert die Planung erheblich. KI-Agenten können Aufgaben priorisieren, Zeitpläne optimieren und Abhängigkeiten erkennen, wodurch Projekte reibungsloser verlaufen. Im Bereich Incident Management (Management von Zwischenfällen) bieten automatisierte Lösungen große Vorteile. Sie klassifizieren Vorfälle, analysieren Ursachen und schlagen Lösungen vor, wodurch die Reaktionszeiten verkürzt und die Effizienz bei der Problembehebung erhöht wird. KI revolutioniert auch die Feedbackzyklen, indem sie Nutzerfeedback schneller sammelt, genauer analysiert und interpretiert. Unternehmen können so rasch auf Nutzerbedürfnisse reagieren und auf dem neuesten Stand bleiben. Das, was früher der Prozessmodellierung, Optimierung und Dokumentation bedurfte, wird mit der Verwendung von KI neu zu definieren sein. Mit KI verschmelzen in einer Ereignisgesteuerten Prozess-Kette (EPK) Aktivitäten, Ereignisse und Entscheidungszweige. Auch in diesem Bereich stehen Unternehmen vor erheblichen Herausforderungen, da die Prozesse, die bislang nur teilweise digitalisiert sind, noch stärker vereinfacht, digitalisiert und neu gedacht werden müssen als je zuvor.

2.4  Synergien und Risiken

Die Integration von KI in den Lebenszyklus der Softwareentwicklung bietet viele Vorteile. Die Automatisierung repetitiver Aufgaben wie Tests und Dokumentation steigert die Effizienz und ermöglicht Entwicklern, sich stärker auf Innovationen zu konzentrieren. Dies verbessert die Softwarequalität durch frühzeitige Erkennung von Defekten und Schwachstellen, erhöht Sicherheit sowie Zuverlässigkeit und verkürzt Markteinführungszeiten. Das verschafft Unternehmen Wettbewerbsvorteile.