Optimierung von administrativen Prozessen durch intelligente Automatisierung

Die Transformation von papierbasierten zu digitalen Geschäftsprozessen ist sowohl in Unternehmen als auch in Verwaltungen bereits seit einigen Jahren im Gange. Oft bleiben jedoch die erzielten Ergebnisse in Bezug auf Effizienzsteigerungen hinter den hohen Erwartungen zurück. Die Digitalisierung eines Prozesses bringt nicht per se eine Verbesserung der Effizienz mit sich – wesentlicher Faktor ist vielmehr die Prozessautomatisierung. Hier spielen verschiedene Technologien eine Rolle: Robotic Process Automation, Künstliche Intelligenz und Machine Learning.

Immer mehr neue Lösungen im Bereich der End-to-End-Geschäftsprozessautomatisierung versprechen, manuelle Aufwände zu reduzieren oder gar komplett überflüssig zu machen. Die Vertriebsmitarbeiter der einschlägigen Softwareanbieter überbieten sich gegenseitig mit Aussagen über die Leistungsfähigkeit von mutmaßlich revolutionären Technologien wie Robotic Process Automation, Künstlicher Intelligenz und Machine Learning. Für die potenziellen Nutzer stellt sich an dieser Stelle die Frage, welche Technologie wo sinnvoll einsetzbar ist und welche Erwartungshaltung an die einzelnen Systeme gerechtfertigt ist. Dieser Artikel bietet einen kleinen Überblick über die relevanten Technologien und beschreibt beispielhaft sowohl ihre Limitationen als auch ihre Potenziale vor dem Hintergrund der rasanten Entwicklung dieses Marktes.

Terminologische Einordnung

Aufgrund des häufig undifferenzierten Gebrauchs von Begriffen im Rahmen der Prozess-Automatisierung kann es zu einer erschwerten Erfassung der Thematik kommen. Einführend werden daher einige der transformativsten Technologien erläutert und sinnvoll zueinander in Beziehung gesetzt.

Robotic Process Automation (RPA) bezeichnet Technologien, welche sich wiederholende Aufgaben und Routine-Prozesse automatisieren können. Dies ist vergleichbar mit dem Einsatz von Robotern in Fabriken, welche Arbeitsschritte übernehmen, die sonst von Personen durchgeführt werden. RPA zielt darauf ab, manuelle Prozesse durch sogenannte Software-Roboter zu ersetzen. Diese Software-Roboter imitieren die manuellen Arbeitsschritte und stellen somit eine Möglichkeit dar, große Mengen an regelmäßig anfallenden Aufgaben wesentlich effizienter zu bewältigen. RPA-Systeme entwickeln eine Liste von Aktionen, indem sie beobachten, welche Handlungen ein Benutzer bei der Lösung einer bestimmten Aufgabe in der grafischen Benutzeroberfläche (grafical user interface) vornimmt, um diese (automatisiert) bei Aufgabenwiederholung auszuführen. RPA-Lösungen verwenden i. d. R. Algorithmen, sind regelbasiert und erfordern digitalisierte und strukturierte Eingaben für die Aufgabenautomatisierung.[1]

Künstliche Intelligenz (KI) beschreibt dagegen die Fähigkeit von technischen Systemen, natürliche Intelligenz nachzubilden. Eine computerwissenschaftliche Definition beschreibt KI über den Ansatz des rationalen Agenten. Darunter versteht man ein System, welches seine Umgebung identifiziert und Maßnahmen ergreift, welche die Wahrscheinlichkeit erhöhen, seine Ziele zu erreichen. Der Computer greift auf Daten zu, verarbeitet diese und reagiert. Mit anderen Worten ahmt KI kognitive Funktionen des Menschen nach, um eigenständig Antworten und Lösungen zu finden. Somit handelt es sich bei der KI nicht um eine Technologie für Routineaufgaben, wie es bei RPA der Fall ist. Während RPA prozessgetrieben den ausführenden Verfahrensapparat darstellt, fungiert KI als datengetriebener intelligenter Sensor. Dadurch lassen sich die Potenziale von Software-Robotern auf die nächste Stufe heben. Je mehr Daten der KI vorliegen, desto besser kann sich diese selbstgesteuert trainieren und aussagekräftige Modelle zur Entscheidungsfindung entwickeln.[2]

Machine Learning (ML) ist eine Unterkategorie der künstlichen Intelligenz. Im Wesentlichen geht es darum, dass Maschinen automatisiert analytische Modelle zur Lösungsfindung entwickeln und daraus sinnvolle Ergebnisse liefern können. Dabei kann auf Basis spezieller Algorithmen eine eigenständige Anpassung an neue Szenarien erfolgen, ohne dass eine Programmierung eines konkreten Vorgehens notwendig ist. Kommen beim Machine Learning große neuronale Netze zum Einsatz, so wird dies als Deep Learning bezeichnet.[3]

Automatisierung mit RPA und KI in der Praxis

Der Einsatz diverser RPA-Applikationen findet branchenübergreifend Anklang. Exemplarisch seien hier das Finanzwesen, Versicherungen, die öffentliche Verwaltung oder auch das Gesundheitswesen genannt. Wiederholende Aufgaben im Rahmen der Backoffice-Prozesse bieten sich für den Einsatz von RPA-Applikationen besonders gut an. Insbesondere weniger komplexe operative Tätigkeiten lassen sich hervorragend automatisieren und bieten Organisationen die Möglichkeit, kurzfristig und mit relativ geringem Aufwand Effizienzsteigerungen zu realisieren.

Mit der Einführung von Dokumentenmanagementsystemen (DMS) konnten erste umfangreiche Optimierungen von der rein analogen Bearbeitung von administrativen Prozessen erreicht werden. Dazu gehören die Senkung von Druckkosten und Papierverbrauch, Zeitersparnis, schnelle Dokumentensuche, bessere Informationsverfügbarkeit und hohe Kosteneinsparung (z. B. für Akten und physische Archive). Durch Workflow-Management kam die informationstechnische Unterstützung von Geschäftsprozessen hinzu. Der Fokus liegt dabei auf der Verbesserung der Prozessqualität, was sich durch kürzere Durchlaufzeiten, geringere Kosten und mehr Transparenz bemerkbar macht.  Durch kognitiv unterstützende Assistenzsysteme wurde die Möglichkeit geschaffen, die Entscheidungsfindung zu erleichtern. Wesentliche Teilbereiche sind die Identifikation von Merkmalen der Lösungsmenge, sowie die Auswahl und Bewertung von Alternativen. Der Einsatz von RPA ermöglicht die Steigerung der Prozesseffizienz durch die Automatisierung von Standardprozessen. Software-Roboter übernehmen dabei repetitive und manuelle Aufgaben und bringen somit Entlastung bei den Teams im Backoffice. Mithilfe datengetriebener KI werden die Software-Roboter intelligent und können selbstständig Entscheidungen treffen. Darüber hinaus kann KI ihre eigene Arbeit ständig optimieren, indem sie Muster in großen Datenmengen mit hoher Geschwindigkeit identifiziert und analysiert.

Die folgende Grafik verdeutlicht die Verortung und Bedeutung bezüglich der Evolution zur Optimierung von administrativen Prozessen:

Abbildung 1: Evolution der administrativen Prozesse

Use Case: Der Weg zum höheren Automatisierungsgrad in der Rechnungsverarbeitung

Im Rahmen des komplexen Purchase-to-Pay-Prozesses ergeben sich durch den Einsatz der hier vorgestellten Technologien umfangreiche Optimierungspotenziale. So lassen sich Einkaufsprozesse automatisieren, wo mitunter Risikobewertungen für Preise, Prozesse, Image, Qualität und Lieferung bei der (Vor-)Auswahl von Lieferanten einfließen können. Verfügbarkeiten im Rahmen von Lieferketten lassen sich somit besser planen und steuern.[4]

Auch bei der häufig zeitaufwändigen und mühsamen Rechnungsverarbeitung gibt es viele Optimierungspotenziale. Hier bietet sich insbesondere die automatisierte Erfassung und Verarbeitung von Rechnungsinformationen an, welche Mitarbeiter entlastet und Freiräume für kreative Arbeiten und komplexe Sachverhalte schafft. Wie die nachfolgende Abbildung verdeutlicht, erstrecken sich die Automatisierungspotenziale durch den Einsatz der Technologien RPA, KI und ML in unterschiedlicher Ausprägung über den gesamten Rechnungsverarbeitungsprozess:

Abbildung 2: Automatisierungspotenziale im Rechnungsverarbeitungsprozess

Digitalisierung von Papierrechnungen

Bei der Digitalisierung von Papierrechnungen kommt heute nach dem Einscannen der Rechnungen in der Regel eine OCR-Software (Optical Character Recognition) zur automatischen Texterkennung auf Basis bildhafter Informationen zum Einsatz. Dabei werden die in den Rastergrafiken beinhalteten Buchstaben und Zeichen erkannt und einer gängigen Textcodierung zugeordnet. Die Erkennungsrate liegt leider trotz stetiger Weiterentwicklung von OCR-Softwares noch weit weg von 100 Prozent. Insbesondere auf Positionsebene stößt die OCR an ihre Grenzen, sodass im klassischen Fall manuell nachgearbeitet werden muss.

An dieser Stelle können RPA und insbesondere KI-Mechanismen zum Einsatz kommen. Bei ausreichend hohem Rechnungsvolumen lernt die KI durch die manuellen Korrekturen und Zuordnungen des Anwenders vollautomatisch während des Prozesses und verbessert so die Erkennungsrate kontinuierlich.

Automatisierung bei der sachlichen Rechnungsprüfung

Prozesse mit wiederholender Dateneingabe können potenziell über RPA-Software abgedeckt werden. Innerhalb der sachlichen Prüfung von Rechnungen werden diverse Angaben zu Ware, Anzahl, Preis, und Konditionen überprüft. Hier werden i. d. R. auch die betreffenden Kostenstellen ausgewählt. Eine geeignete RPA-Software kann diese Angaben auf Korrektheit prüfen und innerhalb einer übersichtlichen Bearbeitungsmaske mögliche Abweichungen für den Mitarbeiter kenntlich machen. Bei Bedarf können Abänderungen oder Ergänzungen vorgenommen werden. KI-gestützte Systeme sind selbst in der Lage Änderungsvorschläge zu liefern. Wurden sämtliche Daten bestätigt und die passenden Häkchen gesetzt, kann die automatische Weiterleitung an die Freigabe erfolgen.

Automatisierte Kontierung von Rechnungen

Nach der Freigabe kann auch die Sachbearbeitung in der Buchhaltung durch einen auf ML-basierten Algorithmus unterstützt werden, um den Aufwand für die Auswahl der Kontierung zu reduzieren. Eine Zeit- und Ressourcenersparnis ergibt sich bspw. durch einen Kontierungsvorschlag, welchen ein ML-basierender Algorithmus der Sachbearbeitung zur Verfügung stellen kann. Im Anschluss wird dieser Vorschlag durch die Sachbearbeitung bestätigt oder manuell angepasst. Gleichzeitig wird die Information über die Auswahl und mögliche Anpassung in einer Datenbank gespeichert und dient so der Verbesserung des algorithmischen Modells. Hierdurch wird der Prozess insgesamt effizienter gestaltet, während sich gleichzeitig die Erfassungsqualität langfristig steigern kann.

Kernvoraussetzung zur Umsetzung dieses Anwendungsfalls ist das Vorliegen von historischen Daten. Dabei werden bereits erfolgreich kontierte und verarbeitete Rechnungen mit ihrer entsprechenden Kontierung ausgewertet, um einen auf überwachtem Lernen basierenden Algorithmus zu trainieren.

Intelligente Automatisierung als Chance wahrnehmen

Bei der Betrachtung von administrativen Prozessen wie der Rechnungsverarbeitung wird deutlich, was Automatisierung auf Basis von RPA, KI oder ML leisten kann. Sowohl Behörden als auch Unternehmen erhalten durch den Einsatz moderner Automatisierungstechnologien die Möglichkeit, nicht nur mehr Vorgänge wie bspw. Rechnungen in weniger Zeit zu bearbeiten, sondern auch darüber hinaus die Fehlerquote im Prozess signifikant zu reduzieren. So reichen die Potenziale im Rechnungsverarbeitungsprozess vom optimierten Rechnungseingang über einen effizienteren Freigabeprozess bis hin zur Dunkelbuchung. Auch eine verbesserte Planung, Steuerung und Kontrolle geht mit einem gesteigerten Automatisierungsgrad einher.

Mit Blick auf die Arbeitswelt geht mit der Verschiebung von kognitiven sowie Routinetätigkeiten hin zur KI auch ein Wandel von Berufsfeldern einher. Hier spielen die Faktoren Akzeptanz, technisches Verständnis und Anwendungskenntnisse eine wichtige Rolle. Um das Personal auf den Einsatz fortschrittlicher Automatisierungslösungen vorzubereiten, sollte folglich auch der Change entsprechend strukturiert, initiiert und begleitet werden.[5]

[4] Kleemann, F.C./Glas, A.H.: Einkauf 4.0. Digitale Transformation der Beschaffung, Wiesbaden: Springer 2020.
[5] Opiela N./Kar R. M./Thapa B./Weber M.: Exekutive KI 2030, Berlin: Kompetenzzentrum Öffentliche IT Fraunhofer-Institut für Offene Kommunikationssysteme FOKUS 2018.