Process Mining und Task Mining zur Prozessverbesserung und Automatisierungsidentifikation

Unternehmen betreiben Order-to-Cash, Procure-to-Pay oder Hire-to-Retire auf ERP- und CRM-Systemen, wissen aber selten, wie Vorgänge tatsächlich laufen: wie viele Varianten es gibt, wo Arbeit wartet, wie oft etwas wiederholt wird. Process Mining rekonstruiert den realen Prozess aus den Ereignisprotokollen der Systeme, Task Mining ergänzt, was Mitarbeitende an ihren Arbeitsplatzrechnern tun, und KI-Schichten (Prognose, LLM-Assistenten, Kontext für Agenten) machen aus dem Bild priorisierte Verbesserungs- und Automatisierungsmaßnahmen mit messbarer Wirkung.

Problem & Nutzen

• Heute: Prozessdokumentation (BPMN-Workshops, Interviews) beschreibt den gewollten Prozess, nicht den tatsächlichen. Verbesserungsprojekte beginnen mit Anekdoten; Automatisierung (RPA, Agenten) wird nach dem lautesten Beteiligten statt nach Belegen ausgewählt. Nacharbeit, manuelle Eingriffe und Wartezeiten bleiben unsichtbar.
• KI-Nutzen: (1) objektives Ist-Modell aus Daten, (2) automatische Erkennung von Engpässen, Schleifen und Regelabweichungen, (3) Prognose verspäteter oder scheiternder Fälle, solange sie noch laufen, (4) eine quantifizierte Liste von Automatisierungskandidaten, (5) ein LLM-Assistent, mit dem Prozessverantwortliche fragen können „Warum sind 12 % der Aufträge blockiert?", ohne Abfragen zu schreiben, (6) ein aktuelles Prozessmodell als Kontext für KI-Agenten und als Maßstab für deren Wirkung nach dem Produktivstart.
• Hinweise auf Marktreife: Gartner behandelt den Bereich inzwischen als Magic Quadrant for Process Intelligence Platforms (5. Mai 2026, Nachfolger des Quadranten für Process-Mining-Plattformen); die Zusammenfassung nennt 13 Anbieter, darunter ARIS, Celonis, SAP Signavio, Microsoft, UiPath, ServiceNow und Pegasystems [1]. Von Anbietern genannte Einsparungen gibt es, sie sind aber Marketingaussagen; messen Sie Ihre eigene Ausgangsbasis.

Varianten

• Order-to-Cash / Procure-to-Pay: der klassische Einstieg; Gründe für blockierte Aufträge, Preis- oder Mengenänderungen, verspätete Zahlungen, Einkäufe außerhalb der Vorgaben, Fehler beim Drei-Wege-Abgleich (verwandt: DOC-001, DATA-015).
• Hire-to-Retire / Personalprozesse: Durchlaufzeit beim Onboarding, Freigabeschleifen. Die Falldaten betreffen Beschäftigte: siehe den Abschnitt zur Regulierung (Betriebsrat, Profiling).
• Fertigungsauftrags- und Logistik-Mining: MES/WMS-Protokolle zeigen Wartezeiten, Nacharbeit und Routenabweichungen in der Produktion und in Lagern.
• Objektzentriertes Process Mining: ein Ereignis bezieht sich auf mehrere Objekte (Auftrag, Position, Lieferung, Rechnung) nach dem Standard OCEL 2.0 [2]; vermeidet die Verzerrung, die entsteht, wenn alles in eine einzige Fall-ID gepresst wird.
• Task Mining: Aufzeichnungen vom Arbeitsplatz zeigen manuelle Schritte zwischen Systemen, die wichtigste Quelle für RPA-/Agenten-Kandidaten (AGENT-003).
• Prädiktive Prozessüberwachung: nächste Aktivität, Restdauer, Ergebnis (siehe PRED-024).
• Öffentlicher Sektor / KMU: Behörden analysieren die Fallbearbeitung (Genehmigungen, Leistungen); KMU beginnen mit einem einzelnen ERP- oder Ticketing-Export und Open-Source-Werkzeugen.

So funktioniert es

1. Quellsysteme (ERP, CRM, Ticketing, MES; Desktop-Agent für Task Mining)
2. Extraktion & Aufbau des Ereignisprotokolls (Fall-/Objekt-IDs, Aktivität, Zeitstempel; Benutzer pseudonymisieren)
3. Prozesserkennung (Varianten, Directly-Follows-Graphen / Petri-Netze)
4. Konformitätsprüfung gegen Referenzmodell und Geschäftsregeln
5. Leistungs- & Ursachenanalyse (Engpässe, Nacharbeit, ML auf Fallattributen)
6. Prognose (Verzögerung / Ergebnis) + LLM-Assistent für Fragen und Erklärungen
7. Priorisierung der Chancen (Automatisierungspotenzial, Kosten, Volumen)
8. Maßnahmen: Workflow-/RPA-/Agenten-Aufbau, Prozessneugestaltung, Warnmeldungen; Nachmessung nach Produktivstart

• Zentrale KI-Komponenten: klassische Algorithmen zur Prozesserkennung und Konformitätsprüfung bleiben deterministisch; ML dient der Prognose von Ergebnis und Verzögerung auf tabellarischen Fallmerkmalen und der Ursachenzuordnung; LLMs übersetzen Fragen in Prozessabfragesprachen (PQL, SQL), fassen Varianten zusammen, benennen Schritte aus dem Task Mining und entwerfen Automatisierungsspezifikationen; Embeddings/Clustering fassen ähnliche Arbeitsplatzaktivitäten zu Aufgaben zusammen.
• Agentenkontext: das Prozessmodell wird Agenten zugänglich gemacht, zum Beispiel über MCP oder API, sodass ein Agent den Normalpfad, den aktuellen Warteschlangenstatus und Ausnahmen kennt; ein Vorher-nachher-Vergleich auf demselben Ereignisprotokoll zeigt, ob der Agent Durchlaufzeit oder Nacharbeit tatsächlich verringert hat.
• Mensch-in-der-Schleife (Human-in-the-Loop): Analysten validieren die Zuordnung im Ereignisprotokoll (der fehleranfälligste Schritt), bestätigen, dass erkannte Abweichungen real sind und keine Datenartefakte, und genehmigen jede Änderung am laufenden Prozess. Betriebsrat und Datenschutzbeauftragte(r) genehmigen den Umfang jedes Task Minings.

Datenaufbereitung

Das Rohmaterial sind Ereignisdaten: Fall-ID, Aktivität und Zeitstempel je Prozessschritt. Sie liegen im ERP (Aufträge, Rechnungen, Wareneingänge), im CRM, in Ticketsystemen und, für das Task Mining, auf den Arbeitsplatzrechnern der Beschäftigten. Typische Lücken im Mittelstand: ERP-Änderungsprotokolle, die nur die letzte Änderung statt jedes Schritts festhalten, Zeitstempel, die nur ein Datum enthalten, Fall-IDs, die zwischen Systemen abweichen, manuelle Arbeit in Excel, per E-Mail und auf Papier, die keine Spuren hinterlässt, sowie unklare Zugriffsrechte auf Änderungstabellen.

Schritte der Aufbereitung: (1) einen Prozess wählen (zum Beispiel Purchase-to-Pay) und den Fallbegriff festlegen; (2) Tabellen über Standardkonnektoren oder Exporte extrahieren (siehe PREP-005); (3) das Ereignisprotokoll aufbauen, Aktivitätsnamen und Zeitzonen vereinheitlichen, Test- und Dublettensätze entfernen; (4) Benutzer-IDs vor der Analyse pseudonymisieren (PREP-022) und Ansichten auf Rollenebene statt auf Personenebene vereinbaren; (5) das Protokoll mit dem Prozessverantwortlichen gegen die bekannte Realität validieren. Offline-Schritte (Papier, Telefon) lassen sich durch einfache digitale Erfassung ergänzen (PREP-008). Faustregel: 50 bis 70 Prozent des Projektaufwands entfallen auf Extraktion und Bereinigung, besonders beim ersten Prozess; spätere Prozesse nutzen die Konnektoren wieder. Prüfen Sie die Bereitschaft mit GUIDE-003 und der Datenbestandsaufnahme in PREP-001.

Umsetzungswege

Welcher Weg für wen

• KMU: Weg A, weil ausgereifte SaaS- und ERP-integrierte Process-Mining-Werkzeuge zu moderaten Preisen existieren; beschränken Sie sich auf Ereignisprotokoll-Mining von Standard-ERP-Prozessen und verzichten Sie auf Task Mining am Arbeitsplatz.
• Großunternehmen: Weg A, weil Process Mining eine Standardfunktion mit etablierten Anbietern und ERP-nativen Konnektoren (SAP, Oracle, Dynamics) ist.
• Entwickler: Weg C, weil Open-Source-Bibliotheken wie PM4Py und OCEL-Werkzeuge auf bescheidener Hardware laufen und volle Kontrolle über Extraktion und Modelle bieten.
• Öffentlicher Sektor: Weg C, weil Souveränität, Vergaberegeln und Anforderungen des Personalrats den Betrieb beschäftigtenbezogener Ereignisdaten in eigener Infrastruktur oder einer souveränen Cloud begünstigen.

Weg A — Kaufen (Standardsoftware) (für die meisten KMU und Großunternehmen empfohlen)

• Process-Intelligence-Plattformen: Celonis (DE, EU), SAP Signavio (DE, EU), ARIS / Software GmbH (DE, EU), außerdem Microsoft Process Mining (Power Automate), UiPath Process Mining und Task Mining, ServiceNow, Pega, IBM, Apromore (Salesforce), iGrafx, QPR (FI, EU), mpmX (DE, EU), Appian [1].
• Task Mining: meist Teil derselben Suiten (Celonis, Signavio, UiPath, Microsoft); prüfen Sie die Maskierung personenbezogener Daten auf dem Gerät und die Unkenntlichmachung von Screenshots.
• Wählen Sie A, wenn: eine SAP-/Oracle-zentrierte Landschaft mit Standardkonnektoren vorliegt, keine eigene Data-Science-Kapazität vorhanden ist und Governance sowie Austausch über Geschäftsbereiche hinweg nötig sind. Fragen Sie nach EU-Hosting, Unterauftragsverarbeiter-Liste, Steuerung der Aufbewahrung und der Möglichkeit, Benutzer-IDs bereits bei der Extraktion zu pseudonymisieren.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Ereignisprotokolle in ein Lakehouse extrahieren (Snowflake, Databricks, BigQuery, EU-Regionen), die Prozesserkennung mit PM4Py [3] ausführen und eine LLM-Schicht (Claude, Gemini, GPT, Mistral in EU-Regionen) für Text-zu-Abfrage, Variantenzusammenfassungen und Ursachenbeschreibungen ergänzen. Mit dbt/Airflow orchestrieren; strukturierte Ausgaben verwenden.
• Wählen Sie B, wenn: bereits eine Datenplattform und Entwickler vorhanden sind, die Protokolle aus nicht standardisierten Systemen stammen oder Sie Mining in ein internes Produkt einbetten möchten.

Weg C — Selbst betreiben (Open Source)

• Werkzeuge: PM4Py (Python, inkl. OCEL-Unterstützung), ProM, Apromore Community Edition, Disco ist kommerziell und nur als Desktop-Anwendung verfügbar; OCEL 2.0 als Austauschformat [2]. Open-Weight-LLMs (Qwen-, Llama-, Mistral-Familien) über vLLM oder Ollama für den Text-zu-Abfrage-Assistenten.
• Hardware: die Prozesserkennung läuft auf einem CPU-Server (HW1); ein LLM-Assistent mit einem Modell von ca. 8–30 Mrd. Parametern benötigt HW2.
• Aufwand: Protokollextraktion und Datenmodellierung dominieren; rechnen Sie damit, dass dort der Großteil der Zeit anfällt, nicht in den Algorithmen.

Weg D — Eigenes Training

Trainieren Sie Prognosemodelle für Ergebnis und Verzögerung (Gradient Boosting, Sequenzmodelle) auf Ihren eigenen Fällen, wenn generische Plattformmodelle zu schwach abschneiden; einige tausend abgeschlossene Fälle mit Ergebnislabels sind meist das Minimum. Ein Feintuning eines LLM für die PQL-/SQL-Erzeugung lohnt sich gegenüber schemabewusstem Prompting selten.

Stand der Technik (2026)

• Kategorienwechsel: aus „Process Mining" ist „Process Intelligence" geworden: Mining plus Modellierung, Simulation, KI-Assistenten und Agentensteuerung in einer Plattform [1].
• Objektzentriertes Mining (OCEL 2.0) wird von den führenden Plattformen und von PM4Py unterstützt [2][3] und ersetzt bei O2C/P2P die Sicht mit einer einzigen Fall-ID, wo ein Auftrag viele Lieferungen und Rechnungen hat.
• LLM-Assistenten beantworten Prozessfragen in natürlicher Sprache und erzeugen Abfragen; die Genauigkeit hängt von einer sauberen semantischen Schicht ab (siehe DATA-001).
• Agenten und Prozesse: Prozessmodelle dienen als Verankerung und als Überwachung für Agenten (AGENT-002, AGENT-013); die Wirkung von Agenten an denselben Kennzahlen zu messen, ist das neue Verkaufsargument.
• Grenzen: Ergebnisse sind nur so gut wie das Ereignisprotokoll (fehlende Zeitstempel, im Stapel gebuchte Daten, als neue Fälle erfasste Nacharbeit); Tätigkeiten außerhalb des Systems (Telefon, E-Mail) bleiben unsichtbar; LLM-Erklärungen können plausible, aber unbelegte Ursachen nennen, daher jede Aussage an einen Filter auf reale Fälle binden; Task Mining auf Screenshot-Basis ist datenschutzkritisch und rechtlich oft eingeschränkt.

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack: Pipelines für tabular-ml und Zeitreihen mit PRED-024 (prädiktive Überwachung), Text-zu-Abfrage mit DATA-001, Datenqualitätsprüfungen aus DATA-008 auf Ereignisprotokollen.
• Nachgelagerte Automatisierung: AGENT-002 (Workflow-Automatisierung), AGENT-003 (Computer-Use/ Altsystem-Oberflächen), AGENT-013 (Multi-Agenten-Prozesse) setzen um, was das Mining identifiziert.
• Erkennung: ANOM-006 markiert Auffälligkeiten im Hauptbuch; Mining ergänzt Abweichungen im Kontrollfluss (übersprungene Freigaben).
• Nutzerverhaltensanalyse an Web-/App-Oberflächen: DATA-026 ist das kundenseitige Gegenstück.

Aufwand, Kosten & Kennzahlen

• Weg A: 6–12 Wochen bis zur ersten Erkenntnis zu einem Prozess mit Standardkonnektoren; Lizenzen werden meist nach Datenvolumen oder Nutzerzahl berechnet, hinzu kommen Integrationsleistungen.
• Weg B/C: 2–6 Monate; die Kosten werden von Protokollextraktion, Datenmodellierung und Fachwissen bestimmt.
• Kennzahlen: Durchlaufzeit von Anfang bis Ende, Anteil der Fälle auf dem Idealpfad, Nacharbeitsquote, Quote ohne manuellen Eingriff bzw. Automatisierungsquote, Konformitätsquote, Liefer- oder Zahlungstreue, realisierte Einsparungen je umgesetzter Maßnahme und, für Agenten, die Veränderung vorher/nachher an denselben Kennzahlen.

Menschen & Veränderung

Beginnen Sie mit der Geschäftsführung (Ziel: Verbesserung, nicht Überwachung) und dem Prozessverantwortlichen, der den Umfang festlegt und die Ergebnisse validiert. Beziehen Sie die IT und die Dateneigner für die Extraktion ein, die(den) Datenschutzbeauftragte(n) frühzeitig (personenbezogene Daten in Benutzer-IDs und Zeitstempeln; eine Datenschutz-Folgenabschätzung ist wahrscheinlich, besonders beim Task Mining) und den Betriebsrat, bevor Daten erhoben werden. Betriebsrat: ja, wo ein Betriebsrat besteht. Ereignisprotokolle und Arbeitsplatzaufzeichnungen sind objektiv geeignet, Verhalten und Leistung zu überwachen, daher greift § 87 Abs. 1 Nr. 6 BetrVG; § 90 Abs. 1 Nr. 3 verlangt die frühzeitige Unterrichtung über KI-gestützte Arbeitsgestaltung, und § 80 Abs. 3 erlaubt einen externen Sachverständigen. Öffentlicher Sektor: Personalrat. Eine Betriebsvereinbarung sollte Zweckbindung, Aggregation auf Rollenebene, kein Leistungsranking einzelner Personen, Aufbewahrungsfristen und den Ausschluss der Nutzung für disziplinarische Maßnahmen regeln (siehe GUIDE-004).

Kommunizieren Sie offen, welche Daten erfasst werden und warum; lassen Sie Beschäftigte ihre eigenen Daten einsehen und falsche Prozessvarianten melden, was auch die Qualität verbessert. Wählen Sie eine Pilotgruppe aus einem freiwilligen Team, führen Sie sie zeitlich begrenzt durch und messen Sie ausschließlich Prozesskennzahlen. Typische Sorge: „Das misst mich." Begegnen Sie ihr mit Aggregation, Transparenz und Zusagen in der Betriebsvereinbarung. Menschen entscheiden über jede Änderung; das Werkzeug macht nur Vorschläge. Unterstützen Sie die Beschäftigten mit kurzen Schulungen zur KI-Kompetenz (GUIDE-006, Unterstützungspflicht nach Art. 4 AI Act) und einem Veränderungsplan (GUIDE-008).

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): kommt darauf an. Das Mining von Geschäftsprozessen hat typischerweise ein minimales Risiko. Es wird hochriskant (Anhang III Nr. 4, Beschäftigung und Management der Arbeitnehmer), wenn Ergebnisse genutzt werden, um Aufgaben zuzuweisen oder die Leistung einzelner Beschäftigter zu überwachen oder zu bewerten. Art. 5: Die Ableitung von Emotionen bei Beschäftigten am Arbeitsplatz ist verboten; kombinieren Sie Task Mining nicht mit solchen Funktionen. Die KI-Kompetenz (Art. 4) gilt [4].
• DSGVO: Ereignisprotokolle und besonders Task-Mining-Daten enthalten personenbezogene Daten von Beschäftigten (Benutzer-IDs, Fenstertitel, Screenshots, Zeitangaben). Nötig sind eine Rechtsgrundlage, Zweckbindung, Datenminimierung, eine Datenschutz-Folgenabschätzung (DSFA) für Task Mining, Pseudonymisierung an der Quelle und kurze Aufbewahrung [5]. Analysieren Sie Prozesse, nicht Personen: aggregieren Sie nach Rolle oder Team und blenden Sie die Detailansicht auf Einzelpersonen aus.
• Arbeitsrecht (Deutschland): Ein Betriebsrat hat Mitbestimmungsrechte bei technischen Einrichtungen, die Leistung oder Verhalten überwachen können (§ 87 Abs. 1 Nr. 6 BetrVG); schließen Sie vor dem Start eine Betriebsvereinbarung.
• Weitere Risiken: falsche Schlüsse aus schlechten Protokollen, Wahrnehmung als Produktivitätsüberwachung, sensible Daten in Screenshots (Gesundheit, Bank). Gegenmaßnahmen: Maskierung auf dem Gerät, Positivlisten für Anwendungen, keine Bewertung einzelner Personen, menschliche Prüfung der Ergebnisse, dokumentierter Zweck.

Erste Schritte

1. Wählen Sie einen Prozess mit messbarem Problem (z. B. P2P oder O2C) und vereinbaren Sie Kennzahlen und Ausgangsbasis.
2. Klären Sie zuerst den Datenschutz: Datenschutzbeauftragte(r), DSFA, Betriebsvereinbarung, pseudonymisierte Benutzer-IDs.
3. Extrahieren Sie ein Ereignisprotokoll (Fall-ID, Aktivität, Zeitstempel) und validieren Sie es mit den Prozessverantwortlichen.
4. Führen Sie Prozesserkennung und Konformitätsprüfung auf 6–12 Monaten Daten aus; erstellen Sie eine Auswahlliste von Engpässen und Automatisierungskandidaten.
5. Setzen Sie die wichtigsten 2–3 Maßnahmen um (Regelkorrektur, Workflow, Agent) und messen Sie am selben Protokoll erneut.

Quellen

1. Gartner — Magic Quadrant for Process Intelligence Platforms (May 2026), abstract — https://www.gartner.com/doc/7810417
2. OCEL 2.0 object-centric event log standard — https://www.ocel-standard.org/
3. PM4Py process mining library — https://github.com/process-intelligence-solutions/pm4py
4. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
5. Regulation (EU) 2016/679 (GDPR) — https://eur-lex.europa.eu/eli/reg/2016/679/oj
6. Pega — Gartner process intelligence 2026 page — https://www.pega.com/gartner-process-intelligence-2026
7. Celonis documentation — https://docs.celonis.com/
8. Microsoft Process Mining (Power Automate) — https://learn.microsoft.com/power-automate/process-mining-overview