Für viele Geschäftsprozesse gibt es mehrere beschreibende Dokumente: Vom BPMN-Prozess bis zum Infoblatt an einer Maschine. Idee dieser Methode ist, davon zu profitieren, dass sich diese Dokumente oft unterschiedlich schnell verändern: Darin zeigt sich das Kernproblem zu langsamer Propagierung von Prozessinnovationen in Sollprozesse. 

Moderne LLMs und KI-Agenten können nach einer Änderung einzelner Dokumente die Kohärenz untereinander effizient prüfen, auch wenn die Dokumente unterschiedliche Aspekte von Prozessen fokussieren oder unterschiedliche Detailgrade haben. Finden wir einen Widerspruch weisen wir darauf hin: Vermutlich haben wir damit eine ‚ausgebremste‘ Prozessinnovation identifiziert und auch bereits einen Änderungsvorschlag für das ältere Dokument als Vorschlag erhalten: Hier greift dann das Human-in-the-Loop-Prinzip und Anwender:innen der Methode können die Veränderung schneller einer systematischen Bewertung zuzuführen. 

Typische Datenquellen sind verbundene BPMN-Prozesse auf verschiedenen Detail-Niveaus, aber auch deren textuelle Beschreibung, Arbeitsanweisungen, Schulungsmaterialien, Hinweise zum Arbeitsschutz oder zur Compliance, technische Schnittstellendokumentationen oder Meeting-Protokolle.

1. Ziel

Ziel der Methode (aProCheCk) ist es, Veränderungen in Dokumenten früh zu erkennen und deren Auswirkungen sichtbar zu machen. Dadurch wird eine gute Grundlage geschaffen, um Anpassungsbedarfe in der Prozesslandschaft gezielt zu bewerten und bei Bedarf in die übrige Dokumentation zu überführen.

Unabhängig davon: Es steigt die Konsistenz der Prozessdokumentation insgesamt.

2. Anwendung

Die Anwendung der Methode setzt eine State-of-the-Art KI-Plattform voraus, um die notwendigen Automatismen dort zu verankern und sicher abzubilden. Ein Proof-of-Concept der aProCheCk-Methode ist auf Github verfügbar.
Für eine erfolgreiche Anwendung der Methode ist die Datengrundlage wichtiger als die konkrete Ausgestaltung der KI-Automatismen und Prompts: 

• Die relevanten Dokumente müssen für den verwendeten KI-Agenten zugreifbar sein
• Sie müssen möglichst gut lesbar für KI-Agenten abgelegt sein (möglichst Text- oder XML-basierte Formate wie das bpmn 2.0-XML-Format)
• Idealerweise sind die Dokumente für die eine Organisation einen Kohärenzanspruch erhebt untereinander verknüpft, um die Anzahl notwendiger Paarvergleiche zu begrenzen. Es hilft ebenfalls, wenn Prozessdokumentation im Wiki-Stil für alle Beteiligten zugreifbar sind (im Sinne des „Social BPM“), um die Wahrscheinlichkeit zu erhöhen, dass entsprechende Notizen / Änderungen gemacht werden und dann auffallen können.

3. Vorteile

• Frühe Erkennung von Widersprüchen zwischen zusammengehörigen Dokumenten
• Workarounds „automatisch“ bemerken.
• Unabhängig von Event-Logs
• Unterstützung der Bewertung, ob Dokumente angepasst oder Prozesse weiter untersucht werden müssen
• Entlastung bei der Sichtung umfangreicher Dokumentenbestände durch KI-gestützte Hinweise
• Grundlage für eine schnellere Überführung von Erkenntnissen in die Dokumentenpflege

4. Adressaten

Prozessverantwortliche, Wissensmanagement, Plattform Teams, BPM Center of Excellence, Qualitätssicherung, Compliance-Abteilung und Revision

5. Do's / Erfolgsfaktoren

• Strikte Trennung von fertigen Prozess-Dokumentationen und Entwürfen, denn letztere dürfen inkonsistent zu anderen Dokumenten sein.
• Es hilft, wenn Prozesse und Dokumente schon explizite Bezüge zueinander haben und diese nicht erst KI-gestützt gefunden werden müssen.

6. Don'ts / Risiken

• Einsatz nur mit Zustimmung der Beteiligten – das Werkzeug kann ebenso als Unterstützung wie als Überwachung wahrgenommen werden.
• Die Sensitivität der Methode muss durch die inhaltlich Verantwortlichen justiert sein, um einer Ermüdung vor vielen Warnungen vorzubeugen.
• Die Methode nutzt i.A. kostenpflichte KI-Dienste intensiv – es gilt Budgets, Modellauswahl und Nutzungsfrequenz angemessen zu justieren. 

7. Weiterführende Literatur

• M. Schulte et al. (2025) Toward LLM-enabled business process coherence checking based on multi-level process documentation, Process Science.
• B. Felpel, F. Köhne, BPMN Modeler for Confluence, Proceedings of BPM2022, Münster.