Ein Shared-Services-Team im Finanzbereich bearbeitete monatlich Tausende von Ausnahmen bei Lieferantenrechnungen, doch das Automatisierungsprogramm brachte kaum messbare Entlastung. Bots konnten zwar Daten zwischen Systemen übertragen, aber Analysten suchten weiterhin nach fehlenden Bestellungen, interpretierten inkonsistente Lieferanteninformationen, leiteten Genehmigungen per E-Mail weiter und korrigierten Fehler nach der Buchung. Diese Fallstudie zur Neugestaltung von Unternehmensworkflows zeigt, warum die Einschränkung nicht in der Automatisierungskapazität lag. Es war ein Workflow, der auf fragmentierten Entscheidungen und unzuverlässigen Daten basierte.
Dieser Fall ist beispielhaft für die Herausforderungen in betriebsintensiven Unternehmen. Er bezieht sich nicht auf einen bestimmten Kunden. Vielmehr soll er die Umsetzungslogik eines Redesigns aufzeigen, das sich auf verschiedene Geschäftsbereiche, Systeme und Transaktionstypen skalieren lässt.
Ausgangspunkt: Die Automatisierung hatte einen schwachen Prozess verstärkt
Der Kreditorenprozess erschien auf dem Flussdiagramm einfach: Rechnung erhalten, prüfen, abgleichen, genehmigen und buchen. In der Praxis gab es jedoch über ein Dutzend Ausnahmefälle. Verschiedene Geschäftsbereiche verwendeten unterschiedliche Referenzfelder. Beschaffungsdaten trafen verspätet oder unvollständig ein. Genehmigungsschwellen variierten ohne klare Regeln. Analysten waren auf E-Mails, Tabellenkalkulationen und ihr persönliches Wissen angewiesen, um die Arbeit voranzutreiben.
Der erste Automatisierungsschritt konzentrierte sich auf die sichtbare manuelle Aufgabe: das Extrahieren von Rechnungsdaten und deren Eingabe in das ERP-System. Dadurch wurden zwar weniger Tastatureingaben benötigt, die Anzahl der Ausnahmen blieb jedoch gleich. In einigen Fällen beschleunigte sich sogar das Eintreffen unvollständiger Transaktionen in der Warteschlange. Das Team hatte zwar die Vorgänge automatisiert, ohne die zugrunde liegenden Entscheidungen zu überarbeiten.
Diese Unterscheidung ist wichtig. Ein Workflow kann digitalisiert werden und dennoch betrieblich teuer bleiben. Sind die Eingaben inkonsistent, die Zuständigkeiten unklar und hängt die Ausnahmebehandlung vom individuellen Urteilsvermögen ab, verlagert die Automatisierung den Engpass oft nur, anstatt ihn zu beseitigen.
Den Business Case definieren, bevor die Werkzeuge ausgewählt werden
Die Neugestaltung begann mit operativen Maßnahmen, nicht mit einer Vorauswahl an Technologien. Das Programmteam legte einen Ausgangswert für die Bearbeitungszeit pro Rechnung, die Fehlerquote, die Trefferquote beim ersten Durchgang, die Genehmigungszykluszeit, das Nachbearbeitungsvolumen und die Kosten pro Transaktion fest. Außerdem wurde die Warteschlangenstruktur nach Fehlerkategorie analysiert, wobei sich herausstellte, dass wenige Ursachen die meisten Zahlungsverzögerungen verursachten.
Diese Ausgangslage veränderte die Diskussion. Ziel war es nicht mehr, einen Bot einzusetzen oder eine KI-Funktion hinzuzufügen. Vielmehr ging es darum, die durchgängige Verarbeitung zu beschleunigen, die Nachvollziehbarkeit zu verbessern und gleichzeitig angemessene Kontrollen aufrechtzuerhalten.
Das Team legte praxisorientierte Designziele fest: Reduzierung manueller Rechnungsbearbeitungsschritte, Standardisierung von Ausnahmeprozessen bei hohem Aufkommen, Echtzeit-Visualisierung des Arbeitsstatus und Expertenprüfung nur in wirklich unklaren Fällen. Diese Ziele schufen einen gemeinsamen Entscheidungsrahmen für die Bereiche Finanzen, Einkauf, IT und die lokalen Geschäftsbereiche.
Warum eine Basislinie falsche Einsparungen verhindert
Ein Automatisierungsprojekt kann zwar Arbeitsstunden einsparen, die Gesamtbetriebskosten bleiben jedoch unverändert. Dies geschieht, wenn Mitarbeiter weiterhin Ausnahmen bearbeiten, Daten systemübergreifend abgleichen oder fehleranfällige Automatisierungen warten müssen. Ein überzeugender Business Case muss den gesamten Workflow berücksichtigen, einschließlich der vorgelagerten Datenqualität, nachgelagerter Korrekturen, Kontrollaktivitäten und des Supportaufwands.
Die richtige Ausgangslage deckt auch Zielkonflikte auf. Das Streben nach maximaler, durchgängiger Verarbeitung kann das Risiko erhöhen, minderwertige Transaktionen zu genehmigen, wenn die Abgleichregeln unzureichend sind. Umgekehrt kann das Hinzufügen von Prüfschritten die Kontrolle verbessern, jedoch den größten Teil des Effizienzgewinns zunichtemachen. Das Design muss festlegen, welche Ausnahmen eine manuelle Überprüfung erfordern und welche lediglich bessere Informationen benötigen.
Neugestaltung des Arbeitsablaufs im Zusammenhang mit Entscheidungen und Daten
Das Team analysierte den Prozess auf der Ebene, an der die Arbeit tatsächlich ins Stocken geriet: Übergaben, Entscheidungen, Datenabhängigkeiten und Ausnahmeauslöser. Anstatt jede lokale Abweichung als dauerhaft zu dokumentieren, gruppierte es die Abweichungen in drei Kategorien: regulatorische Anforderungen, wirtschaftlich gerechtfertigte Unterschiede und historisch bedingte Umgehungslösungen.
Nur die ersten beiden Kategorien fanden Eingang in den zukünftigen Entwurf. Bisherige Behelfslösungen wurden hinterfragt, vereinfacht oder beseitigt.
Der überarbeitete Workflow führte ein einheitliches Erfassungsmodell für Rechnungen, standardisierte Referenzdatenprüfungen und klare Routing-Regeln für häufige Ausnahmen ein. Lieferantenstammdaten, Bestelldaten, Wareneingangsinformationen und Rechnungsfelder wurden durch eine definierte Validierungslogik verknüpft. Jeder Transaktion wurde ein sichtbarer Status und eine zugewiesene nächste Aktion zugeordnet.
Dies war keine einfache Prozessabbildung. Die Neugestaltung legte die Datenverantwortung fest. Der Einkauf war für die Vollständigkeit der Bestellungen zuständig. Die Finanzabteilung für die Validierungsregeln der Buchhaltung. Die Stammdatenverwaltung für die Qualität der Lieferantendatensätze. Die Betriebsleitung für die Servicequalität. Ohne diese Klarheit hätte ein neuer Workflow das alte Muster reproduziert, bei dem Teams die Daten der anderen im Nachhinein korrigierten.
Die Automatisierung kam nach der Vereinfachung
Sobald der zukünftige Workflow stabil war, konnte die Automatisierung präziser eingesetzt werden. Die regelbasierte Automatisierung übernahm die Dokumentenerfassung, Feldvalidierung, den Abgleich, das Routing, Statusaktualisierungen und Standardbenachrichtigungen. Die Workflow-Orchestrierung steuerte Genehmigungen und Eskalationen systemübergreifend. Eine KI-gestützte Klassifizierung wurde für unstrukturierte Rechnungsinhalte und die Kategorisierung wiederkehrender Ausnahmen in Betracht gezogen, jedoch nur dort, wo Konfidenzschwellen und manuelle Prüfpfade explizit definiert waren.
Diese Vorgehensweise reduzierte den Wartungsaufwand. Automatisierungskomponenten basierten auf standardisierten Regeln und wiederverwendbaren Datenobjekten anstatt auf lokalen Ausnahmen. Bei einer Richtlinienänderung aktualisierte das Unternehmen lediglich eine festgelegte Regel, anstatt mehrere Skripte neu zu erstellen.
Für Unternehmen, die KI evaluieren, ist diese Erkenntnis besonders relevant. KI kann bei der Dokumenteninterpretation, Codevorschläge unterbreiten oder Warteschlangen priorisieren. Sie sollte jedoch nicht die Prozessverantwortung oder die Pflege von Stammdaten ersetzen. Ein Modell, das fehlerhafte Eingaben kompensiert, kann zu Entscheidungen führen, die schwer nachvollziehbar, überprüfbar und verbesserungsfähig sind.
Ergebnisse der Fallstudie zur Neugestaltung von Unternehmensworkflows
Nach der Implementierung konnte das Unternehmen den Fortschritt mithilfe von Workflow-Telemetrie anstelle periodischer manueller Berichte messen. Führungskräfte sahen in einer einzigen Ansicht die Volumina in jeder Phase, Ausnahmen nach Ursache, die Dauer der Warteschlange, Genehmigungsverzögerungen und die Automatisierungsleistung.
Die angestrebte Wirkung bestand nicht nur in einer schnelleren Rechnungsbuchung. Es handelte sich um einen besser steuerbaren Prozess. Standardtransaktionen wurden nach festgelegten Regeln abgewickelt. Ausnahmefälle wurden frühzeitig erfasst und dem zuständigen Verantwortlichen zugewiesen. Analysten verbrachten weniger Zeit mit der Informationssuche und konnten sich stattdessen auf die Lösung wichtiger Probleme konzentrieren, wie beispielsweise strittige Konditionen oder wiederkehrende Fehler in Lieferantendaten.
Eine typische Neugestaltung dieser Art kann in mehreren Bereichen zu Verbesserungen führen:
- Höhere Trefferquoten beim ersten Versuch durch vollständige und standardisierte Transaktionsdaten.
- Geringerer manueller Aufwand, da routinemäßige Validierung und Weiterleitung automatisch erfolgen.
- Kürzere Zykluszeiten ergeben sich, wenn Genehmigungen nach transparenten Regeln erfolgen und Eskalationen durch Servicelevel ausgelöst werden.
- Bessere Compliance, da Entscheidungslogik, Genehmigungen und Ausnahmen im Workflow protokolliert werden.
- Geringere Supportkosten, da wiederverwendbare Automatisierung eine Sammlung lokaler Skripte ersetzt.
Die genauen Ergebnisse hängen von der Transaktionsqualität, der Systemarchitektur, regionalen Unterschieden und der Bereitschaft der Geschäftsinhaber ab, veraltete Workarounds aufzugeben. Ein Prozess mit mangelhafter Bestelldisziplin muss möglicherweise vorgelagert optimiert werden, bevor er hohe Durchsatzraten erreichen kann. Dies ist kein Versagen der Automatisierung, sondern ein Zeichen dafür, dass der Transformationsumfang ehrlich definiert wurde.
Skalierung des Modells über eine Funktion hinaus
Das wertvollste Ergebnis war das auf dem Workflow basierende Betriebsmodell. Derselbe Ansatz ließe sich auf Beschaffungsanfragen, Kundenauftragsabweichungen, die Priorisierung von Service-Tickets, die Bearbeitung von Reklamationen und Ereignisse im Bereich der Fertigungsqualität anwenden. Jeder Prozess hat zwar unterschiedliche Regeln, doch die Vorgehensweise bei der Neugestaltung bleibt dieselbe: Leistungskennzahlen festlegen, Entscheidungen vereinfachen, Daten strukturieren, wiederkehrende Aktionen automatisieren und die Ergebnisse kontinuierlich überwachen.
Skalierung erfordert eine praxisorientierte, nicht bürokratische Steuerung. Ein zentrales Transformationsteam sollte Architekturstandards, wiederverwendbare Komponenten und Messdefinitionen pflegen. Prozessverantwortliche behalten die Verantwortung für Geschäftsregeln und -ergebnisse. Lokale Teams sollten berechtigte regulatorische oder kommerzielle Anforderungen äußern können, ohne jede Präferenz in eine permanente Variante umzuwandeln.
Hier kann ein einheitliches Partnermodell Reibungsverluste reduzieren. Prozessneugestaltung, Datenarchitektur, Automatisierungsbereitstellung und operative Messung sind eng miteinander verknüpft. Die Trennung dieser Bereiche auf voneinander unabhängige Anbieter führt häufig zu Verzögerungen bei der Übergabe und zu unterschiedlichen Annahmen über die Ursachen.
Was Führungskräfte testen sollten, bevor sie die nächste Automatisierungsinitiative genehmigen
Hochrangige Sponsoren sollten hinterfragen, ob die vorgeschlagene Initiative ihren zukünftigen Workflow in operativen Begriffen erläutern kann. Welche Entscheidungen werden eliminiert, standardisiert, automatisiert oder zur Expertenprüfung beibehalten? Welche Daten werden an jedem Entscheidungspunkt benötigt? Wer ist für die Datenqualität verantwortlich, wenn eine Transaktion fehlschlägt? Welche Kennzahl belegt die verbesserte Workflow-Performance sechs Monate nach der Inbetriebnahme?
Sind die Antworten vage, kauft das Unternehmen möglicherweise eine weitere Technologieebene, um ein ungelöstes Prozessproblem zu beheben. Sind die Antworten hingegen konkret, bietet die Initiative die Grundlage für skalierbare Verbesserungen.
Die wirkungsvollsten Workflow-Neugestaltungen beschleunigen nicht die Arbeit innerhalb eines fehlerhaften Prozesses. Sie erleichtern vielmehr die Bedienung, die Steuerung und die Verbesserung des Prozesses bei sich ändernden Geschäftsbedingungen.
