Process Intelligence: Warum KI-Agenten Prozesskontext brauchen

Process Intelligence macht sichtbar, wie Prozesse in ERP, CRM, Ticketsystem und Fertigung tatsächlich ablaufen: mit allen Varianten, Schleifen und Engpässen. Damit wird sie zur Grundlage für eine Frage, die 2026 viele Geschäftsführungen beschäftigt: Wo kann KI im Prozess wirklich Wert schaffen, und wo darf ein KI-Agent selbstständig handeln?

Am 5. Mai 2026 hat Gartner diese Entwicklung mit dem neuen „Magic Quadrant for Process Intelligence Platforms“ nachgezeichnet, der den bisherigen Magic Quadrant für Process Mining ablöst. Eine Woche später, am 12. Mai 2026, stellte Celonis sein Context Model vor und unterzeichnete eine Vereinbarung zur Übernahme von Ikigai Labs, einem auf MIT-Forschung gegründeten Anbieter für Decision Intelligence. Beide Ereignisse zeigen dieselbe Richtung: Prozessdaten werden zum Kontext für KI.

Dieser Leitfaden erklärt, was Process Intelligence von Process Mining unterscheidet, warum KI-Agenten Prozesskontext brauchen, wie sich die vier Leader einordnen lassen und wie Sie in 90 Tagen mit einem einzigen Prozess starten.

Process Mining rekonstruiert aus den Ereignisprotokollen Ihrer Systeme, wie ein Prozess tatsächlich abläuft. Process Intelligence geht weiter: Sie verbindet Process Mining mit Task Mining, Prozessmodellierung und laufendem Monitoring und liefert so den operativen Kontext für Verbesserungen und den Einsatz von KI.

Die vier Disziplinen lebten lange in getrennten Werkzeugen:

• Process Mining: Rekonstruktion des Ist-Prozesses aus Ereignisprotokollen (Eventlogs) von ERP, CRM, MES oder Ticketsystem.
• Task Mining: Erfassung der Arbeit am Arbeitsplatz zwischen den Systemen, etwa Anwendungswechsel und manuelle Übertragungen.
• Prozessmodellierung: Beschreibung des Soll-Prozesses, meist in der Notation BPMN, mit Rollen und Verantwortlichkeiten.
• Monitoring und Automatisierung: laufender Abgleich von Soll und Ist, Warnungen bei Abweichungen und Auslöser für automatisierte Schritte.

Gartner beschreibt Process-Intelligence-Plattformen als Werkzeuge, die Mining, Modellierung und Monitoring vereinen, damit Unternehmen Prozesse visualisieren, analysieren und automatisieren können. Mit wachsendem KI-Einsatz liefern sie laut Gartner den operativen Kontext, um zu planen, wo KI-Agenten am sinnvollsten eingesetzt werden (zusammengefasst in den SAP News).

Die praktische Konsequenz: Wer nur Process Mining einsetzt, sieht den heutigen Ablauf, kann aber weder Änderungen simulieren noch automatisch reagieren. Wer nur modelliert, dokumentiert den Soll-Zustand, sieht aber nicht, wie weit die Wirklichkeit davon abweicht. Erst die Kombination zeigt, wo ein Eingriff lohnt.

KI-Agenten handeln nur dann verlässlich, wenn sie wissen, wie Arbeit in Ihrem Unternehmen tatsächlich fließt, welche Ausnahmen es gibt und wann sie eskalieren müssen. Dieses Wissen steckt in Ereignisprotokollen und Prozessmodellen, nicht im Sprachmodell.

Ein KI-Agent ist eine KI-Anwendung, die Aufgaben in mehreren Schritten selbstständig ausführt, etwa eine Bestellung prüfen, Daten nachschlagen und eine Freigabe anstoßen. Vier Lücken erklären, warum solche Agenten ohne Prozesskontext selten skalieren:

1. Das Modell kennt Ihre Abläufe nicht. Es weiß, wie eine Auftragsabwicklung im Allgemeinen funktioniert, aber nicht, welche Freigabewege in Ihrem Werk historisch gewachsen sind. Diese Wirklichkeit steht in Ihren Eventlogs.
2. Das Modell erkennt Ausnahmen nicht als Ausnahmen. Process Intelligence liefert Häufigkeiten, Varianten und Abweichungen. Daraus lässt sich ableiten, wann ein Agent selbst handeln darf und wann er an einen Menschen übergibt.
3. Das Modell versteht Abhängigkeiten zwischen Systemen nicht. Wird ein Auftrag im CRM angelegt, im ERP gebucht und im MES geplant, ist die Übergabe Teil des Prozesses. Objektzentriertes Process Mining bildet solche Abhängigkeiten ab.
4. Das Modell sieht keine Folgen voraus. Simulation und Decision Intelligence spielen durch, was eine Entscheidung auslöst, bevor sie wirkt. Genau diese Fähigkeit will Celonis mit Ikigai Labs in sein Context Model bringen, das der Anbieter als „Digital Twin of Operations“ beschreibt.

Forrester-Analyst Bernhard Schaffrik sieht die zentralen Hürden für unternehmensweite KI nicht in der Modellqualität, sondern in internen Silos und in der Einbettung von KI ins Betriebsmodell (Forrester, 18. Mai 2026). Wie Agenten technisch aufgebaut und abgesichert werden, zeigt der Leitfaden zu KI-Agenten im Unternehmen.

Drei Entwicklungen treffen 2026 zusammen: KI-Agenten gehen in den Betrieb, Studien zeigen den Wert neu gestalteter Workflows, und der Rechtsrahmen verlangt nachvollziehbare KI-Prozesse. Process Mining gibt es seit mehr als 15 Jahren; neu ist, dass Prozessdaten zur Voraussetzung für KI im Betrieb werden.

1. KI-Agenten verlassen die Pilotphase. Laut Bitkom-KI-Studie vom September 2026 setzen 11 % der Unternehmen KI-Agenten ein, 29 % planen es und weitere 31 % diskutieren darüber. Wer Agenten in Einkauf, Buchhaltung oder Service einsetzt, braucht ein belastbares Bild der Abläufe.

2. Workflow-Redesign bringt die größten Effekte. Laut McKinsey (März 2025) hat von 25 getesteten Merkmalen die Neugestaltung von Workflows den größten Einfluss auf den EBIT-Effekt generativer KI. In der Erhebung vom November 2025 haben die rund 6 % „AI High Performer“ ihre Workflows 2,8-mal so häufig grundlegend umgebaut wie andere Unternehmen (55 % gegenüber 20 %). Wer KI nur auf bestehende Prozesse legt, erzielt meist punktuelle Effizienz; spürbare EBIT-Effekte berichten vor allem Unternehmen, die Workflows neu gestalten.

3. Der Rechtsrahmen verlangt Nachvollziehbarkeit. Seit dem 2. August 2026 gelten die Transparenzpflichten nach Art. 50 der KI-Verordnung. Für Hochrisiko-Systeme nach Anhang III, etwa in Personalauswahl oder Kreditvergabe, greifen Logging-, Genauigkeits- und Aufsichtspflichten ab dem 2. Dezember 2027. Auch außerhalb dieser Fälle lohnt es sich, belegen zu können, wie oft ein Agent eingreift, mit welchem Effekt und wer ihn überwacht.

Gartner hat im Magic Quadrant for Process Intelligence Platforms vom 5. Mai 2026 13 Anbieter bewertet und vier als Leader eingestuft: ARIS, Celonis, Pegasystems und SAP Signavio. Welche Plattform zu Ihnen passt, entscheidet vor allem Ihre Systemlandschaft, nicht die Platzierung.

Autoren des Berichts sind Tushar Srivastava, David Sugden und Marc Kerremans (SAP News). Drei der vier Leader haben ihre Wurzeln in Deutschland. Die Übersicht ordnet sie aus Sicht deutscher Käufer ein, auf Basis der Anbieterangaben (Stand September 2026).

Zwei Hinweise für die Auswahl. Erstens ist die Wahl weniger eine Frage des Funktionsumfangs als des Betriebsmodells: Ein SAP-zentriertes Haus rechnet die Gesamtkosten anders als ein Unternehmen mit zehn Kernsystemen verschiedener Hersteller. Zweitens entscheiden die Konnektoren. Wie gut ein Anbieter außerhalb seines Heimat-Ökosystems passt, sollte ein Konnektoren-Check für Ihre konkrete Systemlandschaft zeigen.

Plotdesk ist an keinen dieser Anbieter gebunden. Ob Celonis, ARIS, SAP Signavio oder Pega passt, hängt an Ihrer Systemlandschaft und am ersten Use Case, der den Nutzen begründen muss.

Die Nutzung von KI wächst schnell, die Wirkung in den Prozessen hält nicht Schritt. Laut Bitkom-KI-Studie 2026 setzen 57 % der Unternehmen ab 20 Beschäftigten KI ein, doch 59 % schöpfen das Potenzial nach eigener Einschätzung überhaupt nicht aus.

Die gute Nachricht. Unter den KI-Nutzern berichten 66 % von einer verbesserten Wettbewerbsposition, 48 % haben interne Prozesse beschleunigt und 45 % sehen einen messbaren Beitrag zum Unternehmenserfolg (Bitkom, September 2026).

Die unbequeme Nachricht. 54 % der KI-Nutzer nennen schwer kalkulierbare Kosten als Hürde, und 41 % zählen die Integration in bestehende Systeme zu den großen Kostenpunkten. Schon im März 2026 gaben in der Bitkom-Umfrage „Digitalisierung der Wirtschaft“ 33 % der KI-Nutzer an, dass KI höhere Kosten verursacht hat als erwartet; 19 % haben wegen KI bereits Stellen abgebaut.

Zusammen ergeben die Zahlen ein klares Bild: Wer KI ohne Prozesskontext einführt, gewinnt punktuell Zeit, verliert aber leicht den Überblick über Kosten und Wirkung. Process Intelligence setzt genau dort an, weil sie KI dorthin lenkt, wo der Nutzen im Ablauf messbar ist.

Eine produktive Process-Intelligence-Architektur trennt fünf Fähigkeiten: Discovery, Governance, Monitoring, Decision Intelligence und Ausführung. Sie müssen nicht in fünf Werkzeugen liegen, haben aber unterschiedliche Verantwortliche und Risiken.

Nicht jede Organisation braucht alle fünf Fähigkeiten ab dem ersten Tag. Bewährt hat sich, mit Discovery zu beginnen, Monitoring früh anzuschließen und Agenten erst einzusetzen, wenn die ersten drei Fähigkeiten stabil laufen. Sonst fehlt die Differenz zwischen Ist und Soll, an der sich der Nutzen belegen lässt.

Der beste Einstieg ist ein einziger, wertschöpfungsrelevanter Prozess, der in 90 Tagen vermessen, verbessert und mit einem ersten KI-Hebel ausgestattet wird. Wer dagegen im ersten Jahr 40 Prozesse parallel betrachtet, hat am Ende oft viele Analysen und kein Ergebnis im Betrieb.

Ziel ist keine Transformation in 90 Tagen, sondern eine wiederholbare Methode: Discovery, Soll-Definition, Ausgangswert, ein KI-Hebel, gemessene Wirkung. Die Prozesse zwei bis fünf lassen sich danach deutlich schneller anschließen.

Die meisten Process-Intelligence-Initiativen scheitern an der Reihenfolge, nicht an der Technik. Diese fünf Fehler lassen sich vermeiden:

1. Erst die Plattform, dann der Prozess. Eine Lizenz ohne klaren ersten Prozess erzeugt Kosten ohne Wertbeitrag. Starten Sie mit einem priorisierten Prozess und einer Kennzahlen-Hypothese und wählen Sie die Plattform um diesen Use Case herum.
2. Analysieren ohne Eingriff. Wer drei Quartale vermisst, ohne etwas zu verändern, verliert den Rückhalt der Geschäftsführung. Setzen Sie spätestens am Ende des ersten Quartals einen konkreten Eingriff produktiv, auch wenn er klein ist.
3. „Eventlogs sind doch nur technische Daten.“ Sie enthalten meist personenbeziehbare Angaben wie Bearbeiterkennungen und Zeitstempel. Binden Sie Datenschutz und Betriebsrat in Woche zwei ein, nicht kurz vor dem Go-live.
4. Der KI-Agent kommt vor dem Prozessverständnis. Agenten ohne Kenntnis der Varianten liefern eindrucksvolle Demos, scheitern aber an Sonderfällen, die dann manuell aufgefangen werden. Erst verstehen, dann automatisieren.
5. Process Intelligence als reines IT-Thema. Ohne Fachbereich entsteht ein Dashboard ohne Nutzer. Die Prozessverantwortlichen treiben den Inhalt, die IT liefert die Plattform, beide teilen die Verantwortung für die Kennzahlen.

Plotdesk ist keine Process-Mining-Plattform, sondern setzt dort an, wo aus der Prozessanalyse eine KI-Lösung im Betrieb werden soll. Plotdesk verbindet eine KI-Plattform mit einem Umsetzungsteam für den Mittelstand; dazu gehört Prozessexpertise: Das Team konzipiert den relevanten Prozess von Anfang bis Ende neu, mit KI dort, wo sie den größten Nutzen bringt.

Process-Mining-Plattformen bleiben das Werkzeug für die Analyse. Ihre Ergebnisse fließen über Schnittstellen in Workflows und Agenten auf der Plotdesk-Plattform ein:

• Workflows und Studio: Abläufe werden im Node-Editor gebaut und zeitgesteuert, per Webhook oder bei neuen Dateien und Tabelleneinträgen ausgelöst, etwa wenn ein Monitoring eine Abweichung meldet.
• Daten aus den Kernsystemen: Plotdesk Connect bindet lokale Systeme wie ERP, Fileserver oder Ticketsysteme an; externe Datenbanken wie SQL Server, PostgreSQL oder Snowflake werden direkt abgefragt.
• Dokumente im Prozess: Dateien mit Texterkennung (OCR) machen Belege, Lieferscheine oder Verträge für KI-Schritte nutzbar.
• Prozessoberflächen: Plugins bilden individuelle Abläufe als eigene Oberfläche ab, Canvas erzeugt Anwendungen direkt auf Ihren Daten.
• Schnittstellen: Über REST-API und MCP-Server lassen sich bestehende Plattformen anbinden, etwa um Ergebnisse aus Process-Intelligence-Werkzeugen zu übernehmen.
• Kontrolle: SSO, Rollen, mehr als 40 Berechtigungen, Audit-Logs und Kostensteuerung je Team; betrieben als dedizierte Instanz in der EU oder im eigenen Tenant, mit mehr als 100 Modellvarianten aus zehn Provider-Typen.

Der Weg folgt vier Schritten. Die KI-Potenzialanalyse prüft Prozesse, Herausforderungen und Systeme, gern auf Basis vorhandener Mining-Analysen, und formuliert eine Hypothese, wo KI wirtschaftlich wirkt. Im Proof of Value setzen wir einen priorisierten KI-Hebel aus der Prozessanalyse auf Ihren Daten um, etwa Vorqualifizierung, Dokumentenauswertung oder Service-Routing, und prüfen ihn gegen gemeinsam definierte Erfolgskriterien. Die Produktive Lösung integriert ihn in Prozesse, Berechtigungen und Infrastruktur, der Systematische Ausbau überträgt das Vorgehen auf weitere Prozesse. Die Grundlage bilden mehr als 1.200 Use Cases in 15 Branchen; für Industrieunternehmen zeigt die Seite KI im Maschinen- und Anlagenbau typische Einstiege.

Die Mehrheit der Unternehmen nutzt KI, doch nur wenige erzielen spürbare Wirkung. Die Lücke liegt selten im Modell, sondern im fehlenden Wissen darüber, wo KI im Ablauf eingreifen soll. Process Intelligence liefert diesen Kontext, und Gartner hat die Disziplin 2026 als eigene Plattformkategorie etabliert.

Der Einstieg ist kleiner, als das Vokabular vermuten lässt: ein Prozess, sauber vermessen, mit Ausgangswert und einem ersten KI-Hebel im Betrieb. Wer so beginnt, schafft die Methode, mit der sich die nächsten Prozesse schneller erschließen lassen. Entscheidend ist nicht das beste Modell, sondern das Verständnis, wo sein Einsatz im Prozess tatsächlich Wert schafft.