Executive Summary

Die deutsche Verwaltungsdigitalisierung scheitert weniger an fehlender Technologie als an unzureichend verstandenen, dokumentierten und gesteuerten Verwaltungsprozessen. Prozessintelligenz – verstanden als die Fähigkeit der öffentlichen Verwaltung, ihre Abläufe systematisch zu erfassen, datenbasiert zu analysieren, gezielt zu steuern und kontinuierlich zu verbessern – bildet das operative Fundament wirksamer Digitalisierung und eines verantwortungsvollen KI-Einsatzes.

Konzeptionell knüpft Prozessintelligenz an das etablierte Business Process Management (BPM) an, erweitert dieses jedoch um datengetriebene Analyse und KI-gestützte Entscheidungsmechanismen (Dumas et al., 2018). In einem Design-Science-Verständnis ist Prozessintelligenz als sozio-technisches Artefakt zu lesen, das organisatorische Strukturen, Methoden (z. B. BPMN, DMN, Process Mining) und technische Systeme integriert, um die Problematik fragmentierter Verwaltungsdigitalisierung adressieren zu können (Hevner et al., 2004).

1. Problemstellung der Verwaltungsdigitalisierung

1.1 Digitalisierung ohne Prozessreform

Digitalisierungsinitiativen in der öffentlichen Verwaltung fokussieren häufig auf die technische Abbildung bestehender Verfahren. In der Praxis führt dies dazu, dass analoge Ineffizienzen – etwa redundante Prüfschritte, Medienbrüche oder unklare Zuständigkeiten – unverändert in digitale Systeme übertragen werden. Das Ergebnis sind digitalisierte Altprozesse statt struktureller Verbesserungen, wie auch die E-Government-Literatur zu fragmentierten Modernisierungsansätzen dokumentiert (Janssen & Cresswell, 2006).

Wirksame Digitalisierung setzt daher eine vorgelagerte Analyse und Neugestaltung der zugrunde liegenden Prozesse voraus, wie sie im BPM-Lifecycle als Prozessanalyse und -redesign verankert ist (Dumas et al., 2018).

1.2 Strukturelle Ursachen

• Fragmentierte IT-Landschaften: Fehlende Interoperabilität verhindert durchgängige Prozesslogiken und behindert die End-to-End-Sicht auf Verwaltungsleistungen (Janssen & Cresswell, 2006).
• Geringe Standardisierung: Gleichartige Leistungen werden organisationsabhängig unterschiedlich umgesetzt; dies konterkariert Skalierung und Nachnutzung von digitalen Lösungen (Scholta et al., 2019).
• Zuständigkeitsorientierung: Abläufe werden entlang von Organisationseinheiten statt End-to-End-Prozessen gestaltet, was in der Public-Management-Forschung als wesentliche Barriere für Prozessreformen beschrieben wird (Bouckaert & Halligan, 2008).
• Front-End-Fokus: Digitalisierung adressiert häufig Schnittstellen zum Bürger, nicht die internen Kernprozesse, wodurch Effizienz- und Qualitätsgewinne begrenzt bleiben (Janssen & Cresswell, 2006).

1.3 KI als Verstärker struktureller Defizite

KI-Systeme sind in hohem Maße abhängig von klar definierten Prozessen und konsistenten Datenstrukturen. Studien zu algorithmischer Entscheidungsunterstützung in der öffentlichen Verwaltung zeigen, dass unklare Entscheidungsregeln und heterogene Datenbestände zu Bias, Intransparenz und eingeschränkter Skalierbarkeit führen (Veale & Brass, 2019). In Umgebungen mit hoher Prozessvarianz, unklaren Entscheidungsregeln und geringer Datenqualität verstärken KI-Lösungen bestehende Ineffizienzen, anstatt diese zu kompensieren.

2. Konzept der Prozessintelligenz

2.1 Definition und Einordnung im IS-Diskurs

Prozessintelligenz beschreibt die Fähigkeit einer Organisation, Geschäftsprozesse datenbasiert zu verstehen, zu steuern und adaptiv weiterzuentwickeln. Sie steht damit in der Tradition des BPM, wie es in der IS- und Management-Literatur als ganzheitlicher Ansatz zur Identifikation, Modellierung, Analyse, Verbesserung und Automatisierung von Prozessen beschrieben wird (Dumas et al., 2018). Zugleich adressiert Prozessintelligenz die „missing link“-Problematik zwischen Informationssystemen und tatsächlichen Prozessausführungen, die im Process-Mining-Diskurs hervorgehoben wird (van der Aalst, 2016).

Im Sinne von Design Science Research lässt sich Prozessintelligenz als integriertes Artefakt konzipieren, das Methoden (BPMN, DMN, Process Mining), organisatorische Rollen (Prozessverantwortliche, Governance-Gremien) und technische Infrastruktur (prozessfähige Fachverfahren, Ereignislogs) zusammenführt, um ein klar umrissenes Relevanzproblem – die Stockung der Verwaltungsdigitalisierung – zu adressieren (Hevner et al., 2004).

2.2 Ebenen der Prozessintelligenz

• Transparenz: Systematische Erfassung und Modellierung von Ist-Prozessen, typischerweise unter Einsatz von BPMN 2.0 und Prozess-Screenings.
• Analyse: Datenbasierte Bewertung von Effizienz, Qualität und Varianten, etwa unter Nutzung von Kennzahlensystemen und Process-Mining-Verfahren (van der Aalst, 2016).
• Steuerung: Kontinuierliche Optimierung, Automatisierung und Integration von KI-Anwendungen, gestützt durch explizite Entscheidungsmodelle (DMN) und Governance-Strukturen.

3. Methodisches Fundament: Artefakt-Bausteine

Aus DSR-Perspektive besteht Prozessintelligenz aus einem Ensemble von Artefakt-Bausteinen – konzeptuelle Modelle, Methoden und technische Komponenten –, die gemeinsam eine prozessintelligente Verwaltung ermöglichen (Hevner et al., 2004).

3.1 Prozess-Screening

Das Prozess-Screening bildet den Ausgangspunkt und dient der strukturierten Ist-Erhebung, Priorisierung und Bewertung von Verwaltungsprozessen. Es operationalisiert die Phase der Prozessidentifikation und -dokumentation im BPM-Lifecycle und schafft eine belastbare Grundlage für weitere Design- und Evaluationsschritte (Dumas et al., 2018).

3.2 BPMN 2.0 als Prozesssprache

BPMN 2.0 ermöglicht eine standardisierte und organisationsübergreifend verständliche Modellierung von Prozessen und ist in der IS-Literatur als De-facto-Standard der Prozessmodellierung verankert (Dumas et al., 2018). Für die öffentliche Verwaltung schafft BPMN die Voraussetzung, fachliche und technische Sicht auf Verwaltungsabläufe zu integrieren und modellbasierte Automatisierungsansätze zu unterstützen.

3.3 FIM als föderaler Standardisierungsrahmen

Das Föderale Informationsmanagement (FIM) ergänzt BPMN um verwaltungsspezifische Strukturierung von Leistungen, Daten und Prozessen. Es operationalisiert den Standardisierungsgedanken, der in der Digital-Government-Literatur als Voraussetzung für übergreifende Nachnutzung und Skalierung hervorgehoben wird (Scholta et al., 2019).

3.4 DMN zur Modellierung von Entscheidungslogik

Die Decision Model and Notation (DMN) ermöglicht die explizite, formal strukturierte Darstellung von Entscheidungsregeln. Aus Sicht der KI-Governance schafft DMN eine transparente Grundlage für regelbasierte und KI-gestützte Entscheidungen und ist zentral für die Nachvollziehbarkeit und Auditierbarkeit algorithmisch unterstützter Verwaltungsentscheidungen (Veale & Brass, 2019).

3.5 Process Mining als datengetriebene Analyse

Process Mining schließt die Lücke zwischen modellierten Soll-Prozessen und realen Ist-Abläufen, indem Ereignisdaten (Event Logs) genutzt werden, um tatsächliche Prozessvarianten, Engpässe und Compliance-Abweichungen zu rekonstruieren (van der Aalst, 2016). Für die öffentliche Verwaltung bildet Process Mining die empirische Basis, auf der Prozessintelligenz von einem rein modellgetriebenen Ansatz zu einer datengetriebenen Steuerungsfähigkeit weiterentwickelt werden kann.

4. Prozessintelligenz als Voraussetzung für KI in der Verwaltung

4.1 Design-Relevanz: Warum KI ohne Prozessintelligenz scheitert

Aus Perspektive des DSR-Relevanzkriteriums adressiert Prozessintelligenz ein klar umrissenes Praxisproblem: KI-Pilotprojekte in der Verwaltung bleiben häufig isoliert, nicht skalierbar und schwer erklärbar. Die Literatur zu algorithmic decision-making im öffentlichen Sektor verweist dabei insbesondere auf fehlende Datenqualität, unklare Entscheidungslogik und schwache Governance-Strukturen als zentrale Ursachen (Veale & Brass, 2019).

4.2 Reifegradmodell als konzeptionelles Artefakt

Das skizzierte Reifegradmodell (von „Ad hoc“ bis „KI-fähig“) lässt sich als konzeptionelles Artefakt im Sinne von Hevner et al., 2004 verstehen. Es strukturiert die Entwicklungspfadlogik von Verwaltungsorganisationen und ermöglicht, Designentscheidungen entlang definierter Reifegrade (Dokumentation, Standardisierung, Datengetriebenheit, KI-Integration) zu planen und zu evaluieren.

• Ad hoc: Undokumentierte Prozesse, keine konsistente Sicht auf Abläufe.
• Dokumentiert: Modellierte, aber nicht verbindlich verankerte Prozesse.
• Standardisiert: Verbindliche Prozessmodelle, klare Rollen und Governance.
• Datengetrieben: Kontinuierliche Messung, Monitoring und Verbesserung.
• KI-fähig: Integration von KI-Systemen in stabile, standardisierte und datengetriebene Prozesslandschaften.

5. Wirkungspotenziale und Evaluation

5.1 Effizienz, Qualität und Nutzerorientierung

Empirische Studien zu BPM zeigen, dass strukturierte Prozessgestaltung und -steuerung zu messbaren Effizienz- und Qualitätsgewinnen führen, etwa in Form geringerer Durchlaufzeiten, reduzierter Fehlerquoten und verbesserter Servicequalität (Dumas et al., 2018). In einem DSR-Setting können diese Kennzahlen als Evaluationkriterien für Prozessintelligenz-Artefakte dienen.

5.2 Transparenz, Rechtssicherheit und KI-Governance

Explizite Prozess- und Entscheidungsmodelle erhöhen Nachvollziehbarkeit, Prüfbarkeit und Rechtssicherheit – eine zentrale Anforderung im öffentlichen Sektor. In der Diskussion um „algorithmic accountability“ wird betont, dass nachvollziehbare Entscheidungsregeln und dokumentierte Abläufe Voraussetzung für legitime KI-gestützte Entscheidungen sind (Veale & Brass, 2019).

5.3 Skalierbarkeit und Nachnutzung

Standardisierte Modelle nach FIM- und BPMN-Logik unterstützen das Prinzip „Einer für Alle“, das im deutschsprachigen E-Government-Diskurs als Schlüssel zur Skalierung digitaler Verwaltungsleistungen gilt (Scholta et al., 2019). Aus DSR-Sicht stellt dies ein wichtiges Kriterium für die Breitenwirkung des Artefakts dar.

5.4 Anpassungsfähigkeit und Resilienz

Dokumentierte und standardisierte Prozesse erleichtern die Umsetzung regulatorischer Änderungen und organisatorischer Anpassungen. Die Verwaltungs- und Public-Management-Literatur diskutiert dies als zentrale Dimension administrativer Resilienz und Change-Fähigkeit (Bouckaert & Halligan, 2008).

6. Implikationen für Design Science Research

6.1 Artefaktcharakter von Prozessintelligenz

Prozessintelligenz kann als umfassendes, sozio-technisches Artefakt im Sinne von Hevner et al., 2004 verstanden werden. Es kombiniert konzeptionelle Modelle (Reifegradmodell, Ebenen der Prozessintelligenz), Methoden (Screening, BPMN, DMN, Process Mining) und technische Implementierungen (ereignisbasierte Systemlogs, Workflow-Systeme) und adressiert damit ein Relevanzproblem der Verwaltungsdigitalisierung.

6.2 Forschungsdesign und Evaluationspfade

Für ein DSR-Paper bieten sich insbesondere formative Evaluationen entlang der Reifegrade sowie summative Evaluationen mit Kennzahlen zu Effizienz, Qualität, Transparenz und Skalierung an Hevner et al., 2004. Ergänzend kann die Anwendung der Hevner-Guidelines auf Prozessintelligenz-Artefakte selbst zum Gegenstand einer konzeptionellen oder empirischen Studie werden (Gregor & Hevner, 2013).

7. Fazit

Prozessintelligenz ist eine zentrale Voraussetzung für erfolgreiche Verwaltungsdigitalisierung und skalierbaren KI-Einsatz. Im IS-Diskurs verbindet sie BPM, Process Mining und KI-Governance zu einem integrierten, designorientierten Ansatz, der das Relevanzproblem fragmentierter und technologiegetriebener Digitalisierungsinitiativen adressiert (Dumas et al., 2018, van der Aalst, 2016). Als Artefakt im Sinne der Design Science bietet Prozessintelligenz einen strukturierten Rahmen, um Prozess-, Daten- und KI-Perspektiven in der öffentlichen Verwaltung zu integrieren und systematisch zu evaluieren (Hevner et al., 2004).

Literatur

• Hevner, A. R., March, S. T., Park, J., & Ram, S. (2004). Design science in information systems research. MIS Quarterly, 28(1), 75–105.
• Gregor, S., & Hevner, A. R. (2013). Positioning and presenting design science research for maximum impact. MIS Quarterly, 37(2), 337–355.
• Dumas, M., La Rosa, M., Mendling, J., & Reijers, H. A. (2018). Fundamentals of business process management (2nd ed.). Springer. https://doi.org/10.1007/978-3-662-56509-4
• van der Aalst, W. (2016). Process mining: Data science in action (2nd ed.). Springer.
• Janssen, M., & Cresswell, A. M. (2006). Enterprise architecture integration in e-government. Proceedings of the 39th Annual Hawaii International Conference on System Sciences. IEEE.
• Scholta, H., Mertens, W., Kowalkiewicz, M., & Becker, J. (2019). From one-size-fits-all to user-centered digital public services: A literature review and research agenda. Government Information Quarterly, 36(1), 11–25.
• Bouckaert, G., & Halligan, J. (2008). Managing performance: International comparisons. Routledge.
• Veale, M., & Brass, I. (2019). Administration by algorithm? Public management meets public sector machine learning. Public Management Review, 21(4), 615–642.