Hyperautomation erweitert die Farbpalette der Automatisierung
Im Hinblick auf die Pandemie wird es immer wichtiger, Prozesse in Unternehmen zu digitalisieren, optimieren und stabilisieren. Ein neuer Ansatz bietet durch die Integration von Künstlicher Intelligenz in regelbasierte Lösungen wie RPA (Robotic Process Automation) wirtschaftlich sinnvolle, strategisch wichtige und technologisch fortschrittliche Möglichkeiten zur Prozessoptimierung – die sogenannte Hyperautomation. Dieser Artikel unterstützt Sie, das Thema Hyperautomation durch eine Definition, Beispiele und Expertenmeinungen in der Praxis einzuordnen.
Was bedeutet Hyperautomation?
Hyperautomation wird definiert als Anwendung fortschrittlicher Technologien, einschließlich KI und maschinellem Lernen, um Prozesse zunehmend zu automatisieren und den Menschen zu unterstützen. Aktuell ist Hyperautomation laut Gartner einer der führenden strategischen Technologietrends [1]. Die Kombination aus regelbasierten Lösungen und Künstlicher Intelligenz führt zu einer Prozessautomatisierung, die herkömmliche Automatisierungslösungen überholt. Das Zusammenspiel von Fachwissen, Geschäftsprozessen und Daten wird wesentlich wirtschaftlicher und wirkungsvoller optimiert [2].
Häufig regeln Regeln Prozesse in Unternehmen binär
Eine relativ moderne und bereits weit verbreitete Technologie stellt RPA dar. Der Begriff RPA wird definiert als eine technologische, regelbasierte Nachahmung einer menschlichen Arbeitskraft, die wiederholende, zeitintensive und manuelle Aufgaben automatisiert. Schätzungen gehen davon aus, dass bereits heute jedes zweite Unternehmen in der DACH-Region RPA nutzt oder verprobt [3]. Der Bedarf ist dabei steigend [4]. Die Kerntechnologie von RPA lässt sich in die frühen 2000er-Jahre zurückverfolgen und kann zur Automatisierung von Aufgaben eingesetzt werden, die festen Mustern folgen [5].
RPA kann regelbasierte Aktionen imitieren, die normalerweise Mitarbeitende über verschiedene Anwendungen hinweg ausführen. Damit können zwar regelbasierte, strukturierte Prozesse und Kommunikationswege einfacher als bisher automatisiert werden, aber es sind längst nicht alle Unternehmensprozesse geeignet. Viele Prozesse folgen keinen einfachen Regeln oder eindeutigen Handlungsanweisungen. Der RPA-Roboter kennt jedoch nur binäre Entscheidungen. Jede Entscheidung bleibt farblich gesprochen schwarz oder weiß.
Künstliche Intelligenz automatisiert auch kognitive Aufgaben
Um die Anwendungsmöglichkeiten von Automatisierung in Unternehmen zu erweitern, müssen Lösungen in der Lage sein, komplexere und kognitiv anspruchsvolle Aufgaben zu übernehmen. "Durch KI werden kognitive Fähigkeiten genutzt, um selbstständige Entscheidungen und lernende Prozesse erst zu ermöglichen", merkt Georg Baumgartner, Geschäftsführer x-cellent technologies GmbH, an [6]. Diese erweiterte Art der Automatisierung wird auch als Intelligent Automation oder Cognitive Automation definiert. Unterschiedliche Algorithmen, Deep Computer Vision (DCV) oder Natural Language Processing (NLP) werden eingesetzt, um komplexere und variierende Muster zu erkennen [7]. Die KI ermöglicht es dem System, kontinuierlich Fähigkeiten zu verbessern, ohne dass Regeln implementiert werden müssen. Bei Aufgaben, die die KI nicht alleine lösen kann, wird der Mensch hinzugezogen.
Warum nutzen Unternehmen KI?
Es existieren diverse Treiber bei der Automatisierung von kognitiven Aufgaben. Getrieben durch den Fachkräftemangel unterstützt KI Mitarbeitende dabei, die Durchsatzleistung zu erhöhen. Hier bereitet die KI dem Menschen die Informationen auf und legt die Entscheidung als Entwurf vor. Bei gut trainierter KI kann gerade monotone Arbeit komplett automatisiert werden. Der dadurch gewonnene Fokus auf die anspruchsvollen Tätigkeiten ermöglicht vielen Unternehmen eine Verbesserung und Vergleichmäßigung der Servicequalität. Außerdem ermöglichen die mit KI generierten Entscheidungsvorlagen eine Verringerung der Fehler. In Prozessen mit vielen sequentiell arbeitenden Mitarbeitenden tendiert eine Person dazu, den zuvor involvierten Menschen zu vertrauen. Ergebnisse einer KI kontrollieren Menschen unvoreingenommen. Schließlich fördert das Hinterfragen von Entscheidungen der KI in der Organisationsentwicklung das Prozessverständnis und ermöglicht über die Zeit eine effiziente Gestaltung der Informationsflüsse.
Was sagen Experten zum Thema Hyperautomation und KI?
Selbst mittelständische Unternehmen erhalten jedes Jahr tausende Dokumente von Kunden und Zulieferern. Häufig wird eine Info-Mail-Adresse genutzt, um die Informationen zentral zu sammeln und danach an die richtige Person im Unternehmen weiterzuleiten. Das intelligente Routing von Verträgen in das Archiv, Rechnungen zur Buchhaltung und Rückfragen an den Kundensupport wurde früher durch ein Regelwerk gelöst. Heute bietet lernende KI mit Natural Language Processing (NLP) neben Optical Character Recognition (OCR) eine flexible Automatisierung, da kein Regelwerk zur Weiterleitung der E-Mails definiert werden muss. Wohl erprobte Anwendungen gehen über diese automatische Weiterleitung bereits seit Jahren hinaus. Immer häufiger übernimmt die KI abteilungs- oder branchenspezifische Aufgaben.
Der Einsatz einer passenden KI unterstützt Unternehmen mit unterschiedlichen digitalen Reifegraden bei der wirtschaftlichen, sicheren und sinnhaften Vollautomation. "Durch unsere jahrelange Erfahrung in allen Bereichen der Frachtabfertigung nutzen wir bereits diverse Möglichkeiten der Automatisierung. Die additive Automatisierung durch das innovative Sprachverständnis mittels Deep Learning bietet einen neuen Werttreiber, um uns auch in Zukunft zuverlässig auf individuelle Dienstleistungen fokussieren zu können", sagt Jürg Zimmermann, Executive Vice President des Schweizer Logistikunternehmens Cargologic. Nicht nur bei den Transportdokumenten in der Luftfracht wird auf Prozesseffizienz geachtet, sondern in der gesamten Supply Chain. Die Optimierung über den Materialfluss hin zur Financial Supply Chain und Risk Supply Chain treibt die Prozess- & Organisationsentwicklung an. Schnell finden Unternehmen in den Bestellvorgängen und der Kreditorenbuchhaltung Anwendungsfälle, da diese Prozesse in der Praxis mit erheblichem monotonen Aufwand verbunden sind. Die Auswertung von Selbstauskünften der Lieferanten oder die systematische Erfassung der Herkunft von Materialien sind aktuell noch Exoten der Dokumenten-Automatisierung [8]. Um die richtigen Anwendungsfälle zu automatisieren, legt Oliver Kreienbrink, Geschäftsführer der Adconia GmbH, ein besonderes Augenmerk "auf die Analyse und die Identifikation der richtigen Ziele für die Automatisierung, damit relevante, werthaltige Teilprozesse mit hohem Automatisierungsgrad priorisiert werden". Nicht nur Aufgaben in Supply Chain Prozessen eignen sich. "KI hilft auch Banken, Lücken in Wertschöpfungsketten zu schließen", berichtet Kilian Thalhammer, Leiter Merchant Solutions bei der Deutschen Bank und Geschäftsführer Payment & Banking. Viele Tätigkeiten in Bezug auf die Prüfung, Archivierung und Suche von Informationen in Dokumenten sind für Behörden, Versicherungen oder Kreditinstitute optimale Anwendungsfälle für die kognitive Automatisierung.
Gibt es Herausforderungen bei KI und Hyperautomation?
KI-Modelle müssen auf die Besonderheiten des jeweiligen Einsatzgebiets und der Branche vorbereitet bzw. trainiert werden. Wie bei neuen Mitarbeitenden erfolgt dieses Training sukzessiv. In einer Art "Learning-by-doing" lernt die KI schrittweise durch das Feedback von dem Menschen. Häufig fällt hier das Schlagwort Active Learning. Active Learning ist besonders bei komplexeren kognitiven Aufgaben sinnvoll. Es zielt darauf ab, die nützlichsten Beispiele auszuwählen, um die Kosten für das Training der KI so weit wie möglich zu reduzieren, ohne die Leistung zu beeinträchtigen [9].
Anders als bei Regeln besteht bei manchen KI-Algorithmen das Blackbox-Dilemma. Dabei können Menschen Entscheidungen der KI im Nachhinein nicht vollständig nachvollziehen. Zu dieser Thematik wird aktuell geforscht und es existieren erste Ansätze, um auch Entscheidungen von Deep Learning KI nachzuvollziehen (Explainable AI) [10]. Hier lässt sich anmerken, dass letztendlich nicht nur die KI in einer Black-Box agiert, sondern auch die Menschen selbst. So können beispielsweise zwei Mitarbeitende bei der Bearbeitung derselben Aufgabe zu unterschiedlichen Ergebnissen kommen, sofern sie nicht miteinander kommunizieren. Sobald ein Prozess einen gewissen Handlungsspielraum oder Unstimmigkeiten umfasst, können Entscheidungen selten in einem binären Entscheidungsmuster nachvollzogen werden. Es empfiehlt sich daher bei komplexen kognitiven Aufgaben, KI als unterstützende Komponente für menschliche Entscheidungen einzusetzen, bei denen der Mensch die abschließende Kontrollfunktion einnimmt.
Dr. Oliver Laitenberger, Partner bei Horn & Company, bestätigt diese Anforderung an die KI: "Der verantwortungsvolle Umgang mit Daten wird im Hinblick auf die Nachvollziehbarkeit von KI-Anwendungen gerade in Branchen mit hohen regulatorischen Anforderungen wie z. B. der Finanzindustrie immer wichtiger". Die Deutsche Bundesbank sieht eine Lösung in der Aufrechterhaltung hoher Qualität der Inputdaten. Die "Datenqualität (...) rückt (...) verstärkt in den Fokus, weil AI/ML-Verfahren Verzerrungen der Ausgangsdaten exakt weitergeben" [11]. Somit helfen hochwertige Inputdaten bei der Eingrenzung des Blackbox-Dilemmas. Neben der Datenqualität sehen wir die Genauigkeit und den Funktionsumfang der KI als weitere Steuerungsgrößen. Das magische KI-Dreieck bietet ein Rahmenwerk für Anwender, um ein Verständnis von Einflussgrößen auf die Qualität der eigenen KI-Lösungen zu entwickeln [12]. Es war zudem die Basis einer der KI-Lösungen, die in Zukunft auch bei der Deutschen Bundesbank eingesetzt werden.
Welche Aufgaben kann die KI in Zukunft übernehmen?
Wie bei jeder neuen technologischen Entwicklung reifen die Anwendungsfälle erst im Laufe der Zeit. Tausendfach erprobte Anwendungsfälle wie das automatische Verschlagworten oder Abtippen von Dokumenten finden durch ihre Wirtschaftlichkeit bereits heute hohes Interesse bei Vorständen und Geschäftsführern. Jedoch fällt es bis heute Unternehmen schwer, in Texten gespeichertes Wissen aus unterschiedlichen Abteilungen oder aus unterschiedlichen Quellen zu aggregieren. In Unternehmen führt dies zu doppelter Arbeit und sogar zu widersprüchlichem "Wissen" in unterschiedlichen Abteilungen. Eine echte Welle der sprachlichen Automatisierung steht vielen Branchen daher erst bevor. Umtriebige Führungspersonen testen bereits hinter zum Teil noch verschlossenen Türen echte Game Changer für kognitive Aufgaben.
- Smarte Textbausteine: Unternehmen schreiben täglich neue Texte, deren Inhalt häufig durch individuelle oder unternehmensweite Textbausteine vorgegeben ist. Mitarbeitende verwalten und pflegen Textbausteine heute noch manuell, dies kann jedoch von KI übernommen werden. Vortrainierte Sprachmodelle wie z. B. GPT Neo sind leistungsstarke Textgeneratoren, die bereits heute gute Textvorschläge schreiben [13]. Die KI nutzt vorhandene Texte, generiert Textvorschläge im Sprachgebrauch des Unternehmens und schließt so auch Wissenslücken zwischen Mitarbeitenden. Diese werden dadurch entlastet und Wissen in bestehenden Texten wird effizient genutzt. Darüber hinaus zeigen unsere Praxistests, dass die KI bestehende Texte auf die zentralen Aussagen zusammenfassen kann und so um 80 Prozent kürzt [14].
- Compliance mit KI: Erste wirtschaftlich sinnvolle Anwendungen bietet KI beim Schwärzen von streng vertraulichen oder personenbezogenen Informationen in Dokumenten. Dies ist eine zeitaufwändige Tätigkeit für Unternehmen und Behörden. Durch Transformer (KI) können 95 Prozent der Arbeit automatisiert werden [15]. Selbst ohne Training erkennt die KI Vor- und Nachnamen, Orte und Organisationen für den Menschen automatisch, wodurch das Schwärzen der Daten erheblich genauer und schneller erfolgen kann.
- E-Mail-Automatisierung: E-Mails sind nach wie vor eines der wichtigsten Kommunikationsmittel in Unternehmen. Mitarbeitende verbringen einen erheblichen Anteil ihrer Arbeitszeit damit, E-Mails zu lesen, den Inhalt zu verstehen, notwendige Informationen zu besorgen und dem Sender danach zu antworten. Die neueste Forschung zeigt, dass kontextbasierte Ansätze weit über die einfache E-Mail-Weiterleitung hinausgehen [16]. Der Clou ist, dass aus dem Kontext der empfangenen E-Mail und dem Inhalt bereits versendeter E-Mails neue E-Mails generiert werden können. In Zukunft wird es möglicherweise keine Empfangsbestätigungen in der Form "Wir haben Ihre E-Mail erhalten und kümmern uns umgehend um Ihr Anliegen" geben, sondern eine erste Antwort der KI. Erst bei Rückfragen wird der Mensch aktiv.
Fazit
Hyperautomation besteht aus einer Kombination von regelbasierten Lösungen und KI. Dies bietet die Flexibilität und Leistung an den Stellen im Unternehmen zu automatisieren, wo es zuvor nicht möglich war. Das sind Prozesse, die unstrukturierte Daten nutzen oder eine kognitive Komponente benötigen und wenn überhaupt nur mit erheblichen Aufwand in einem starren Regelwerk abgebildet werden könnten. Einfache Hyperautomation und KI-Lösungen sind längst schon in der Praxis angekommen. In innovativen Unternehmen wird Hyperautomation bereits weiter gedacht, um bestehende Systeme mit KI zu ergänzen und somit die Farbpalette der Automatisierung zu erweitern.
- Gartner Inc., 2020: Gartner Top 10 Strategic Technology Trends for 2021
- Gartner Inc., 2019: Gartner Top 10 Strategic Technology Trends for 2020
- PricewaterhouseCoopers GmbH Wirtschaftsprüfungsgesellschaft, 2020: Robotic Process Automation (RPA) in der DACH-Region
- Stamford, C., 2020: Gartner Says Worldwide Robotic Process Automation Software Revenue to Reach Nearly $2 Billion in 2021
- Aquiree, S., Rodriguez, A., 2017: Automation of a Business Process Using Robotic Process Automation (RPA): A Case Study, in: WEA 2017: Applied Computer Sciences in Engineering, Vol. 742, S. 65-71
- Rehbinder, J., 2021: Hyperautomation in ERP-Systemen
- van der Aalst, W. et al., 2018: Robotic Process Automation, in: Business & Information System Engineering, Vol. 60, No. 4, S. 269-272
- Rohweder, T., 2021: Intelligente Prozessautomatisierung: Digitale Transformation auf dem nächsten Level
- Buchner, V., 2021: Active Learning für datenzentrierte KI
- Zednik, C., 2019: Solving the Black Box Problem: A Normative Framework for Explainable Artificial Intelligence
- Wuermeling, J., 2021: Innovation und Stabilität: Die Bundesbank in der Digitalisierung, in: Banking News Nr. 282
- Informatik Aktuell – Helm, C.: Das Magische Dreieck bei KI-Projekten
- Tan, B. et al., 2020: Progressive Generation of Long Text
- Oliveira, A., 2021: Automatische Textzusammenfassung in Dokumenten mit schnellerem R-CNN und PEGASUS
- Chambliss, C., 2020: How to Fine-Tune BERT for Named Entity Recognition
- Wang, W. et al., 2019: Context-aware intent identification in email conversations, in: Proceedings of the 42nd International ACM SIGIR Conference on Research and Development in Information Retrieval (S. 585-594)
