Die BPM Wissensbasis

Demo anfragen

Die KI, die BPMN spricht — statt nur Kästchen zu malen

Fischli Stephan

„Mit KI“ steht inzwischen auf fast jedem Prozesswerkzeug. Öffnet man die Motorhaube, findet man meistens dasselbe: ein Textfeld, das eine Bezeichnung ergänzt, ein Assistent, der beim nächsten Kästchen einen Vorschlag einblendet, vielleicht ein Chat am Rand, der Fragen zur Notation beantwortet. Nützlich — aber es ist KI angeschraubt, nicht KI eingebaut. Die interessante Frage ist deshalb nicht, ob ein Tool KI hat, sondern worauf diese KI eigentlich arbeitet. Auf der Oberfläche, also auf Text und Pixeln? Oder auf dem, was ein Prozessmodell im Kern ausmacht — seiner Bedeutung? Und wenn Letzteres: Wie verhindert man, dass eine Technologie, die von Natur aus rät statt rechnet, ein Modell erzeugt, das fast stimmt und damit unbrauchbar ist? Genau an diesen beiden Fragen entscheidet sich, ob „KI in der Prozessmodellierung“ ein Marketingsatz bleibt oder einen echten Unterschied macht.

„Mit KI“ ist meistens ein Aufsatz auf der Oberfläche

Der verbreitete Fall lässt sich nüchtern beschreiben. Das Werkzeug ist ein Zeichenprogramm; die KI sitzt daneben und hilft beim Formulieren. Sie schlägt einen Aktivitätsnamen vor, korrigiert einen Tippfehler, generiert aus einem Stichwort einen Absatz Dokumentation. Das ist wertvoll, aber es ist im Grunde ein Autocomplete — dieselbe Klasse von Assistenz, die man aus der Textverarbeitung kennt, nur in einer Modellierungsumgebung. Die KI kennt die Oberfläche des Diagramms: dass hier ein Rechteck steht und dort ein Pfeil. Sie kennt nicht die Sache: dass dieses Rechteck eine Aktivität ist, die eine Rolle ausführt, dass jener Pfeil eine Reihenfolgebeziehung mit einer Bedingung ist, dass am Ende genau die Endzustände stehen müssen, die der Prozess wirklich haben kann.

Der Unterschied klingt akademisch, ist aber praktisch. Ein Assistent, der die Oberfläche kennt, kann ein Label glätten — aber er kann nicht beurteilen, ob ein Nachrichtenfluss unzulässig auf ein Gateway zeigt, ob ein Verzweigungspfad ins Leere läuft oder ob ein Endzustand fehlt. Dafür müsste er das Modell nicht sehen, sondern verstehen. Genau hier trennt sich angeschraubte von eingebauter KI.

AI-nativ heisst: auf der Bedeutung arbeiten, nicht auf Pixeln

Ein BPMN-Diagramm ist zweierlei zugleich. Es ist ein Bild — Kästchen, Rauten, Pfeile, Pools und Lanes in einer bestimmten Anordnung. Und es ist eine formale Struktur — ein Graph aus Aktivitäten, Ereignissen, Gateways und Flüssen, den die BPMN-2.0-Spezifikation der Object Management Group (zusätzlich als ISO/IEC 19510 normiert) präzise definiert. Das Bild ist für Menschen da, die Struktur für Maschinen. Wer „mit KI“ ernst nimmt, muss entscheiden, auf welcher der beiden Schichten die KI operiert.

AI-nativ bedeutet: Sie operiert auf der Struktur. Nicht „male ein Rechteck bei Koordinate x/y“, sondern „hier ist eine Aktivität, sie heisst Antrag prüfen, sie liegt in der Lane Sachbearbeitung, sie hat einen eingehenden und zwei ausgehende Flüsse, und der eine Ausgang gilt unter der Bedingung vollständig„. Auf dieser Ebene kann die KI Dinge, die auf der Pixelebene unmöglich sind: aus einer formlosen Beschreibung ein vollständiges Modell ableiten, ein bestehendes Diagramm zurücklesen und mit der Analyse abgleichen, Rollen zu Lanes verdichten, fehlende Endzustände bemerken. Sie spricht die Sprache des Prozesses, nicht bloss die des Zeichenwerkzeugs.

Das ist auch der Grund, warum ein AI-natives Werkzeug mit unscharfen Eingaben umgehen kann. Ein Satz wie „Ein Kunde reicht einen Antrag ein, wir prüfen ihn auf Vollständigkeit, fordern bei Bedarf Unterlagen nach und entscheiden dann fachlich“ enthält bereits alles, was ein Modell braucht — Aktivitäten, eine Schleife, eine Verzweigung, mehrere mögliche Ausgänge. Eine KI, die auf Bedeutung arbeitet, kann diese Elemente erkennen und in eine saubere Struktur überführen. Ein Autocomplete kann das nicht, weil es den Satz nur als Text sieht, nicht als Prozess.

Der blinde Fleck: „fast richtig“ ist bei einem Modell wertlos

Hier kommt der Punkt, den die meisten „mit KI“-Versprechen elegant überspringen. Generative KI ist mächtig, aber sie ist ihrem Wesen nach nicht-deterministisch und zur Halluzination neigend. Dasselbe Sprachmodell, zweimal mit derselben Beschreibung gefüttert, kann zwei verschiedene Modelle liefern. Und es kann, mit vollkommener sprachlicher Souveränität, etwas erfinden, das plausibel klingt und formal falsch ist: eine Eigenschaft, die es im BPMN-Schema gar nicht gibt; einen Pfeil, der von einem Gateway zu einem anderen zeigt, wo nur Aktivitäten und Ereignisse stehen dürften; einen Nachrichtenfluss, der ins Nichts läuft; einen Verzweigungspfad ohne Ziel.

Bei Fliesstext ist ein Text, der grösstenteils stimmt, oft gut genug — kleinere Ungenauigkeiten liest der Mensch beim Verstehen automatisch glatt. Bei einem formalen Prozessmodell gilt das nicht. Ein BPMN-Diagramm ist kein Text, den man wohlwollend interpretiert, sondern eine Struktur, die entweder gültig ist oder nicht. Ein einziger Fluss, der auf das falsche Element zeigt, macht das Diagramm formal kaputt: Der Modeler stellt es nicht dar, die spätere Übersetzung in ausführbaren Code scheitert, die Validierung schlägt fehl. „Fast richtig“ ist hier gleichbedeutend mit „falsch“. Und weil die KI nicht-deterministisch ist, kann man sich auch nicht darauf verlassen, dass der Fehler beim nächsten Mal ausbleibt.

Man kann diesen Befund als Argument gegen KI in der Modellierung lesen. Das wäre die falsche Lehre. Die richtige lautet: Generative KI braucht eine Leitplanke, die aus ihrer Kreativität etwas Überprüfbares macht — und diese Leitplanke existiert bei Prozessmodellen bereits, in Form eines formalen Standards.

Leitplanke: ein formales Schema und eine Validierung mit Retry

Weil BPMN 2.0 ein formaler Standard ist, lässt sich jeder KI-Vorschlag maschinell gegen ein verbindliches Schema prüfen, noch bevor ihn ein Mensch zu sehen bekommt. Das Schema beschreibt, welche Elemente es gibt, welche Eigenschaften sie tragen dürfen und welche Beziehungen zulässig sind. Ein Vorschlag, der eine erfundene Eigenschaft mitbringt, einen Fluss auf ein Gateway legt oder einen Pfad offen lässt, verletzt das Schema — und das ist eine objektive, überprüfbare Tatsache, kein Geschmacksurteil.

Aus dieser Prüfbarkeit wird eine Architektur. Die KI erzeugt einen Entwurf; eine Validierung prüft ihn gegen Schema und Notationsregeln; ist er gültig, wird er angezeigt; ist er es nicht, geht die konkrete Fehlermeldung zurück an die KI, die korrigiert und einen neuen Versuch liefert. Diese Schleife läuft, bis das Ergebnis gültig ist — im Idealfall unsichtbar für den Anwender, der am Ende nur das saubere Modell sieht. Die Kreativität der KI bleibt erhalten, ihre Fehleranfälligkeit wird abgefangen. Schematisch:

Beschreibungoder BildKI-EntwurfPrüfung gegendas SchemaModell wirdangezeigtAutomatischeKorrekturgültigungültig

(Skizze schematisch — eine vereinfachte Darstellung des Zusammenspiels, nicht der genaue technische Ablauf.)

Es lohnt sich, konkret zu werden, denn die Fehler sind keine Theorie. Sprachmodelle verwechseln beim Erzeugen von BPMN wiederkehrend source_ref/target_ref mit den im Schema definierten Feldern; sie hängen einem Element eine Eigenschaft an, die es gar nicht besitzt; sie schreiben subprocess statt subProcess; sie legen einen Nachrichtenfluss auf ein Gateway statt auf eine Aufgabe; sie liefern weniger Aktivitäten, als ein sinnvoller Prozess braucht. Jeder dieser Fehler ist für einen Menschen mühsam zu finden und für eine Schema-Prüfung trivial. Genau das ist die Arbeitsteilung, die AI-native Modellierung möglich macht: Die KI leistet den kreativen Sprung von der Beschreibung zur Struktur, das formale Schema garantiert, dass die Struktur am Ende trägt.

Die zweite Leitplanke ist stilistischer Natur. Ein schema-gültiges Modell ist noch kein gutes Modell — es kann formal korrekt und trotzdem unlesbar sein. Deshalb greift dieselbe Idee auf der Stilebene: Die KI wird nicht nur auf Gültigkeit, sondern auf Method-&-Style-Konformität hin geführt — Gateways als Fragen, Aktivitäten im Verb-Objekt-Stil, benannte Endzustände (warum das kein Luxus ist, behandelt der Beitrag „Schöne Diagramme sind kein Luxus“ ausführlich). So ist das Ergebnis nicht bloss formal in Ordnung, sondern für Menschen verständlich.

Wie MESTRO BPMN spricht

MESTRO ist von Grund auf AI-nativ gebaut, und die eben beschriebene Architektur ist kein nachträglicher Filter, sondern das Fundament. Man beschreibt einen Ablauf in eigenen Worten — oder man reicht ein Bild ein: eine abfotografierte Whiteboard-Skizze, ein PDF mit einem Sollprozess. MESTRO leitet daraus kein Stichwort und keine Bildkopie ab, sondern ein strukturiertes Modell mit Rollen, Kontrollfluss, Verzweigungen und expliziten Endzuständen. Jeder dieser Vorschläge läuft gegen das BPMN-Schema und die Notationsregeln; was nicht gültig ist, wird korrigiert und erneut versucht, bevor das Ergebnis überhaupt erscheint. Der Anwender sieht nicht die Rohausgabe eines Sprachmodells, sondern ein geprüftes Diagramm.

Zwei Eigenschaften machen den Ansatz rund. Erstens erzeugt MESTRO Standard-BPMN 2.0 beziehungsweise CMMN 1.1 — kein proprietäres Zwischenformat, das man nur im eigenen Werkzeug öffnen könnte. Die Prüfbarkeit gegen ein offenes Schema ist überhaupt erst möglich, weil das Zielformat ein offener Standard ist; ein Hauslieferant-Format würde diesen Hebel wegnehmen. Zweitens wird die Notation abgeleitet, nicht per Schalter gewählt: MESTRO erkennt am Charakter des Ablaufs, ob ein strukturierter Prozess (BPMN) oder ein fallgetriebenes, weniger vorhersehbares Vorgehen (CMMN) angemessen ist. Auch das ist eine Bedeutungsentscheidung, keine Oberflächenentscheidung — und deshalb etwas, das nur eine KI treffen kann, die auf der Struktur arbeitet.

Und der Mensch bleibt Autor. Die KI schreibt ihre Vorschläge in ein Arbeitsblatt, das „Work-Pad“; die Übernahme in das kanonische Diagramm ist eine bewusste menschliche Handlung, nie ein stilles Überschreiben (warum diese Trennung so wichtig ist, vertieft „Die KI schlägt vor. Du entscheidest.“). Die KI ist ein rasend schneller Co-Modellierer mit Schema-Kenntnis — kein Autopilot.

Vom gültigen Modell zum Rest des Lebenszyklus

Der Nutzen dieser Disziplin endet nicht beim Diagramm. Ein Modell, das schema-gültig und method-konform ist, ist genau das, was die nachfolgenden Etappen brauchen. Weil es strukturell eindeutig ist, lässt es sich zuverlässig in ausführbaren Code übersetzen — das Modell bleibt die Quelle, aus der die Umsetzung entsteht, und nicht eine unverbindliche Skizze daneben. Was in der Modellierung an Mehrdeutigkeit übrig bleibt, taucht in der Umsetzung wieder auf, nur teurer. Die frühe Schema-Prüfung ist damit nicht nur eine Fehlerbremse für die KI, sondern eine Investition in alles, was danach kommt: Test, Betrieb, Optimierung. Ein Werkzeug, das den ganzen Lebenszyklus im Blick hat, kann sich diese Strenge nicht als Kür leisten — es braucht sie als Pflicht.

Man sieht daran auch, warum „Hyperautomation“ — die verbreitete Idee, ganze Vorgangsketten durchgängig zu automatisieren — ohne diese Grundlage brüchig bleibt. Automatisierung im grossen Massstab setzt Modelle voraus, auf die man sich verlassen kann. Ein nicht-deterministischer KI-Entwurf ohne Leitplanke ist keine solche Grundlage; ein geprüftes Standardmodell schon.

Fazit

Der Unterschied zwischen „mit KI“ und „AI-nativ“ ist nicht der zwischen wenig und viel KI, sondern der zwischen einem Rechtschreibassistenten und einem Ko-Autor, der die Sprache tatsächlich beherrscht. Der erste kennt die Oberfläche, der zweite die Bedeutung. Entscheidend ist dabei paradoxerweise nicht die Kreativität der KI — die haben inzwischen viele —, sondern das, was sie einrahmt. Generative KI ist nicht-deterministisch und halluziniert; ein Prozessmodell, das fast stimmt, ist wertlos. Erst ein formales Schema mit Validierung und Retry macht aus einem kreativen, aber unzuverlässigen Entwurf ein überprüfbares Ergebnis in einem offenen Standardformat. Kreative KI und prüfbares Standardformat — das Zusammenspiel macht den Unterschied, nicht die eine oder die andere Hälfte allein. Eine KI, die BPMN wirklich spricht, beweist das nicht dadurch, dass sie schöne Kästchen malt, sondern dadurch, dass am Ende ein Modell steht, das nicht nur gut aussieht, sondern stimmt.

Quellen & Weiterlesen

Vorheriger Beitrag
Nächster Beitrag