Definitionen

Die datengetriebene Methode, um reale Prozesse aus IT-Systemen sichtbar zu machen.

Prozessdaten plus Kontext und KI – von reiner Sichtbarkeit zu Verständnis und Handlung.

Analysemethode gegen übergeordnete Disziplin – was die beiden Begriffe trennt.

Daten als Knoten und Kanten – die natürliche Basis für vernetzte Prozessdaten.

Ereignisse, Objekte und Beziehungen im Graphen – mehrere Perspektiven auf einmal.

Ursache statt bloßer Reihenfolge – echte Zusammenhänge zwischen Prozessschritten.

Warum "A folgt auf B" für realistische Prozessmodelle nicht ausreicht.

Das klassische Eingabeformat für Process Mining – und seine Grenzen.

Die Disziplin, Prozesse systematisch zu gestalten, zu steuern und zu verbessern.

Input, Aktivitäten, Output – was einen Prozess ausmacht und abgrenzt.

Prozesse rund um mehrere Objekte statt eine einzige Fall-ID.

Automatisch ein Prozessmodell aus Ereignisdaten erzeugen – ohne Vorannahmen.

Ist-Ablauf gegen Soll-Modell prüfen – Abweichungen und Regelverstöße aufdecken.

Manuelle Tätigkeiten am Desktop erfassen – die Ergänzung zum Process Mining.

Der offene Standard für objektzentrierte Ereignisdaten.

Ein eindeutiger Pfad durch den Prozess – die Basis der Variantenanalyse.

Die konkrete Einzelausführung eines Prozesses – die Analyseeinheit im Process Mining.

Prozesse rechnerisch durchspielen – Was-wäre-wenn-Szenarien vor der Umsetzung.

Das lebende digitale Abbild eines Prozesses – für Analyse, Simulation und Steuerung.

AS-IS gegen TO-BE – die Grundlage jeder Prozessverbesserung.

Der internationale Standard zur grafischen Modellierung von Geschäftsprozessen.

Die im deutschsprachigen Raum verbreitete Notation aus Ereignissen und Funktionen.

KI, die ein Ziel über mehrere Schritte selbst verfolgt – vom Antworten zum Handeln.

Software, die mit einem KI-Modell ein Ziel verfolgt, entscheidet und über Werkzeuge handelt.

Inhalte erzeugen gegen Aufgaben erledigen – und was das für die Kontrolle bedeutet.

KI-Agenten, die autonom und dauerhaft an einem Ziel dranbleiben, statt auf Abruf zu antworten.

Autonome KI-Agenten, die dauerhaft auf Prozessdaten arbeiten statt nur auf Abruf.

Process Mining, angewendet auf die Spuren von KI-Agenten.

Der Nachweis, dass ein KI-Agent innerhalb seiner erlaubten Grenzen gehandelt hat.

KI-Antworten in echten Prozessdaten verankern statt in Sprachwahrscheinlichkeit.

KI, die Ursache und Wirkung modelliert statt nur Korrelationen zu finden.

Der offene Standard, über den KI-Agenten an externe Daten und Werkzeuge kommen.

Vorgeschriebener Ablauf gegen zielgetriebene Entscheidung zur Laufzeit.

Reaktiver Vorschlag gegen eigenständiges Verfolgen eines Ziels.

Prozesse, die ihren eigenen Verbesserungskreislauf dauerhaft am Laufen halten.

Die semantische Schicht, die Prozessdaten für Mensch und Maschine interpretierbar macht.

Ein Agent, der Ursachen-Hypothesen selbst bildet und an den Daten prüft.

Die Voraussetzungen, die Prozessdaten erfüllen müssen, damit Agenten verlässlich arbeiten.

KI-Agenten übernehmen die Ausnahmen, an denen regelbasierte Automatisierung scheitert.

Process Mining, bei dem KI-Agenten die Analyse selbst steuern.

Festlegen, welche Informationen ein KI-Agent im richtigen Moment bekommt.

Der Mensch prüft und gibt frei, bevor ein KI-Agent folgenreich handelt.

Die Koordination vieler Agenten, Bots und Menschen zu einem durchgängigen Prozess.

Mehrere spezialisierte KI-Agenten, die gemeinsam eine Aufgabe lösen.

Der offene Standard, über den KI-Agenten untereinander Aufgaben austauschen.

Regeln, Rollen und Kontrollen dafür, was KI-Agenten tun dürfen.

KI-Agenten, die andere KI-Agenten überwachen und bei Regelverstößen eingreifen.

Sichtbar machen, was KI-Agenten im Betrieb tun, kosten und falsch machen.

Geschäftsprozessmanagement für Prozesse, in denen KI-Agenten mitentscheiden.

Wenn Chatbots und Bots als „KI-Agenten" verkauft werden – und woran man es erkennt.