Kapitel 14: Business-Prozessautomatisierung

Die vorangegangenen Kapitel haben dargelegt, wie KI-Agenten Wissen abrufen, verstehen und im Kontext interagieren. Doch der wahre wirtschaftliche Hebel der digitalen Transformation liegt nicht im Chatten, sondern im Handeln. Unternehmen bestehen aus Prozessen: Rechnungsfreigaben, Kunden-Onboarding, Beschwerdemanagement oder komplexe Antragsprüfungen in der öffentlichen Verwaltung. Solange KI nur als passiver Auskunftsgeber fungiert, bleibt sie ein Assistenzsystem. Zur treibenden Kraft wird sie erst, wenn sie aktive Verantwortung in End-to-End-Prozessen übernimmt.

Dieses Kapitel erläutert die Prozess-Engine des Swiss AI Hub, welche die höchste Stufe des technologischen Reifegradmodells (Stufe 3) darstellt. Es beschreibt, wie die Plattform eine Brücke schlägt zwischen statischen Workflows, autonomen Agenten und der menschlichen Belegschaft. Ziel ist die Schaffung robuster Geschäftsanwendungen, die Medienbrüche eliminieren, die Durchlaufzeiten drastisch verkürzen und dabei jederzeit transparent und kontrollierbar bleiben.

Auf einen Blick

• Ganzheitliche Orchestrierung: Transformation von passiven Chatbots zu aktiven Prozess-Akteuren, die Aufgaben zwischen KI, Menschen und Programmen koordinieren.
• Zero-Config API-Generierung: Automatische Erstellung von typensicheren REST-Endpunkten für jeden Prozess und Agenten, was die Integrationszeit massiv verkürzt.
• Hybride Intelligenz: Nahtlose Eskalation von KI an Menschen via «Human-in-the-Loop» oder «Bot-in-the-Loop» (Teams/Slack), inklusive automatischer Wissensrückführung.
• Langlebige Persistenz: Technische Unterstützung für Prozesse, die Tage oder Wochen andauern, durch persistentes State-Management auf Basis von NATS JetStream.
• Vier Integrationsmuster: Flexible Anbindung von Fachsystemen (ERP, CRM, eGovernment) sowohl durch aktive Agenten-Aufrufe als auch durch automatisierte Daten-Pipelines.

Ganzheitliche Orchestrierung und agentische Prozesse

Geschäftlicher Nutzen

Traditionelle Automatisierungslösungen (RPA) sind oft starr und scheitern an unstrukturierten Daten oder Variabilität im Prozess. Die Entwicklung massgeschneiderter Schnittstellen (APIs) für jeden neuen KI-Prozess ist zudem zeitaufwändig und teuer. Unternehmen benötigen eine Agilität, bei der ein neuer Geschäftsprozess – etwa eine automatisierte Posteingangsverarbeitung – sofort technisch verfügbar und integrierbar ist, ohne dass IT-Teams wochenlang neue API-Gateways konfigurieren müssen. Dies reduziert die «Time-to-Market» für neue Automatisierungslösungen signifikant und ermöglicht es, komplexe Abläufe als dynamische Kollaborationen zu gestalten.

Konzeptioneller Ansatz

Der Swiss AI Hub erweitert das Konzept des einzelnen Agenten um die übergeordnete Entität des «agentischen Prozesses». Ein Prozess ist ein langlebiger, zustandsbehafteter Ablauf, der die Zusammenarbeit zwischen vier Entitätstypen koordiniert: Agenten (KI-Logik), Menschen (Entscheidungsträger), Programme (externe APIs) und andere Prozesse. Ein Prozess fungiert dabei als Dirigent, der Aufgaben an spezialisierte «Worker» delegiert, anstatt die Logik selbst auszuführen. Ein zentrales Konzept ist hierbei die Dienstentdeckung (Service Discovery): Die Plattform erkennt automatisch, welche Fähigkeiten verfügbar sind, und stellt diese der Aussenwelt dynamisch zur Verfügung.

Technische Umsetzung im Swiss AI Hub

Die Plattform realisiert dies durch die Basisklasse AgenticProcess und intelligente Discovery-Dienste, die den NATS-Message-Bus kontinuierlich scannen. Entwickler definieren Prozessschritte mittels des @process_step()-Decorators, welcher als Delegationspunkt fungiert.

Sobald ein neuer Agenten-Bauplan oder Prozess bereitgestellt wird, generiert der ProcessEndpointsDiscoveryService automatisch entsprechende REST-Endpunkte unter Pfaden wie /api/v1/processes/{process_class}/{process_id}/{route}. Der integrierte «Jambo SchemaConverter» wandelt die Ereignisschemata der Prozesse zur Laufzeit in Pydantic-Modelle um. Dies garantiert, dass externe API-Aufrufe validiert werden, bevor sie die Geschäftslogik erreichen, und erzeugt automatisch eine aktuelle OpenAPI-Dokumentation (Swagger UI).

Hybride Entscheidungsarchitektur und Kollaborationsmuster

Geschäftlicher Nutzen

Ein vollständig autonomes System ist in regulierten Umfeldern oft weder rechtlich zulässig noch wünschenswert. Kritische Entscheidungen – etwa im Kreditwesen oder bei behördlichen Verfügungen – erfordern menschliches Urteilsvermögen oder die strikte Einhaltung deterministischer Regelwerke. Das Risiko von KI-Halluzinationen muss eliminiert werden. Unternehmen benötigen daher eine hybride Architektur, die KI für Vorarbeit und Analyse nutzt, die Letztentscheidung aber bei Unsicherheiten nahtlos an Fachexperten übergibt, ohne dass der Prozesskontext verloren geht.

Konzeptioneller Ansatz

Die Plattform setzt auf das Delegationsmuster (Delegation Pattern) und zwei Formen der menschlichen Integration. Beim «Human-in-the-Loop» (HITL) fordert der Agent über die Plattform-Oberfläche eine Eingabe an. Beim «Bot-in-the-Loop» (BITL) erfolgt die Eskalation über Kollaborations-Tools wie Microsoft Teams oder Slack. Stösst der Orchestrator auf Unsicherheiten, nutzt er das Prinzip des «Expert Asking Agent»: Die KI versucht nicht zu raten, sondern triggert einen Eskalationspfad. Die Antwort des Experten löst nicht nur das aktuelle Problem, sondern wird als neues Wissen in der Wissensdatenbank persistiert (Learning Loop), sodass die KI beim nächsten Mal autonom agieren kann.

Technische Umsetzung im Swiss AI Hub

Dieses Muster wird technisch durch spezialisierte Ereignisse realisiert:

• Agent-in-the-Loop (AITL): Die Klasse AgentInTheLoop ermöglicht es einem Orchestrator, Sub-Agenten aufzurufen. Über Parameter wie share_thread_id=True teilen sich diese Agenten das Konversationsgedächtnis, während share_run_id=False eine saubere technische Trennung gewährleistet.
• Human-in-the-Loop: Ereignisse wie HumanInTheLoop.request unterbrechen den technischen Workflow und erzeugen eine Aufgabe. Der Prozess verharrt in einem Wartezustand, bis ein HumanInTheLoop.response-Ereignis eintrifft.
• Bot-in-the-Loop: Via BotInTheLoop.invoke() postet der Agent eine Frage in einen Slack- oder Teams-Kanal. Die Antwort des Experten im Thread wird vom System erfasst, validiert und der Prozess automatisch fortgesetzt.

Systemintegration und Integrationsmuster

Geschäftlicher Nutzen

Ein Prozess, der keine Daten aus Fachsystemen lesen oder schreiben kann, bleibt isoliert. Der ROI von KI-Automatisierung entsteht primär durch die Integration in die bestehende IT-Landschaft – sei es das Verbuchen im SAP, das Aktualisieren eines Status im CRM oder das Ablegen eines Dokuments im eGovernment-Dossier (z. B. CMI Axioma oder Gever). Die Herausforderung liegt darin, unterschiedliche Integrationsrichtungen (Push/Pull) und Latenzanforderungen (Echtzeit/Batch) mit einer einheitlichen Plattform abzudecken, ohne für jedes System Punkt-zu-Punkt-Verbindungen bauen zu müssen.

Konzeptioneller Ansatz

Der Swiss AI Hub verfolgt eine umfassende Integrationsstrategie, die vier spezifische Muster unterstützt, um sowohl Echtzeit-Interaktionen als auch Massendatenverarbeitung abzudecken. Die Plattform fungiert dabei als Drehscheibe, die sowohl aktiv agieren (Outbound) als auch passiv gesteuert werden kann (Inbound).

Technische Umsetzung im Swiss AI Hub

Die Plattform unterstützt technisch vier definierte Integrationsmuster:

1. Direkte Agenten-API-Aufrufe (Outbound): Innerhalb eines Agenten-Bauplans nutzen Agenten Bibliotheken wie httpx, um externe REST-, SOAP- oder GraphQL-Schnittstellen synchron aufzurufen (z. B. «Kundenstatus abfragen»).
2. Plattform-API-Integration (Inbound): Externe Systeme nutzen die Agent Interaction REST API, um Prozesse zu triggern. Der Traefik Reverse Proxy sichert diese Endpunkte via OAuth 2.0 oder API-Keys ab.
3. Daten-Pipelines (Batch): Für die Synchronisation grosser Datenmengen (z. B. aus SharePoint) nutzt die Plattform Dagster. Diese Pipelines laden Daten in die Wissensdatenbank, damit RAG-Prozesse stets auf aktuellen Unternehmensdaten operieren.
4. Model Context Protocol (MCP): Für Entwickler-Workflows stellt die Plattform einen MCP-Server bereit. Dies erlaubt es KI-Assistenten, den Systemzustand abzufragen und die API-Struktur dynamisch zu explorieren.

Langläufer-Prozesse und persistente Zustandsverwaltung

Geschäftlicher Nutzen

Reale Geschäftsprozesse sind selten in Millisekunden abgeschlossen. Eine Vertragsprüfung kann Tage dauern, weil auf die Unterschrift eines Vorgesetzten gewartet werden muss. Technische Systeme dürfen während solcher Wartezeiten keine Ressourcen blockieren oder in Timeouts laufen. Die Zuverlässigkeit eines Automatisierungssystems misst sich daran, ob es Prozesse über Tage oder Wochen stabil halten kann, ohne den Kontext zu verlieren, selbst wenn Server neu gestartet oder aktualisiert werden.

Konzeptioneller Ansatz

Der Swiss AI Hub behandelt Zeit als fundamentalen Faktor. Die Architektur ist auf Asynchronität und Persistenz ausgelegt. Ein Prozess, der auf ein externes Ereignis wartet, verbraucht keine Rechenleistung («Sleep Mode»). Sein gesamter Zustand – Variablen, bisherige Schritte, Dokumente – wird serialisiert und sicher in der Datenbank abgelegt. Sobald das erwartete Ereignis eintritt, wird der Prozess «rehydriert» und setzt die Arbeit exakt an der Stelle fort, an der er pausiert hat.

Technische Umsetzung im Swiss AI Hub

Die technische Basis bildet eine Kombination aus NATS JetStream und robusten Persistenz-Schichten:

• Event-Sourcing: Jeder Schritt im Prozess erzeugt ein Ereignis. Der Zustand des Prozesses ist die Summe dieser Ereignisse. Dies ermöglicht nicht nur das Pausieren, sondern auch eine lückenlose Auditierung («Wer hat wann was genehmigt?»).
• Wiederherstellung: Da der Zustand persistent ist, überleben Prozesse auch Neustarts der Container-Infrastruktur oder Updates der Plattform.
• Observation: Über integrierte Monitoring-Tools (Phoenix/SigNoz) können Administratoren den Status langlaufender Prozesse einsehen. Sie erkennen sofort, an welchem Schritt ein Prozess wartet (z. B. «Blocked by User») und können bei Bedarf manuell eingreifen.