Anwendung von Hyperautomation zur Prozessautomatisierung im Versicherungsumfeld

Inhaltsverzeichnis

Zusammenfassung

Abstract

Inhaltsverzeichnis

Abbildungsverzeichnis

Tabellenverzeichnis

Abkürzungsverzeichnis

1 Automatisierung von Prozessen

2 Theoretische Grundlagen
2.1 Robotic Process Automation
2.2 Hyperautomation
2.2.1 Begriffsdefinitionen
2.2.2 Einordnung der Technologien
2.2.3 Referenzdefinition dieser wissenschaftlichen Arbeit

3 Methodik
3.1 Gesamtvorgehen der Arbeit
3.2 Vorgehen der Literatursuche
3.2.1 Vorgehen der Forschungsmethodik nach vom Brocke und Team
3.2.2 Definition und Umfang der Literaturrecherche
3.2.3 Konzeptualisierung der Thematik
3.2.4 Literaturrecherche
3.2.5 Literaturanalyse
3.3 Darstellung der Implementierung
3.4 Darstellung der Evaluierung
3.4.1 Datenerhebung
3.4.2 Auswertung und Datenanalyse

4 Strukturierte Literaturanalyse - Synthese
4.1 Konzeptmatrix
4.1.1 Dimension: KI Technologie
4.1.2 Dimension: Einsatzbereich
4.1.3 Dimensionen: Einsparpotenzial
4.2 Erkenntnisse für die Praxis
4.3 Implikationen für die Implementierung

5 Darstellung des Artefakts
5.1 Eckdaten des Projekts
5.2 Genereller Workflow in UiPath
5.2.1 Get Mail & Classify
5.2.2 Main Process
5.3 Spezifikation ML-Modell (NLP)
5.4 Spezifikation RPA in UiPath
5.5 Evaluierung des Artefakts

6 Kritische Beurteilung
6.1 Theoretische Implikationen
6.2 Praktische Implikationen
6.3 Limitationen

7 Fazit und Ausblick

Literaturverzeichnis

Anhang

Abbildungsverzeichnis

Abbildung 1: Google Trends Suchergebnisse (Datenquelle: 2021, Google Trends - https://www.google.com/trends, Stand: 14.04.2021)

Abbildung 2: Prozesskomplexität und RPA - Eigene Darstellung in Anlehnung an van der Aalst et al. (2018, S.270)

Abbildung 3: Generelle Einordnung der Begrifflichkeiten - Eigene Darstellung

Abbildung 4: Hyperautomation in a Nutshell - Eigene Darstellung

Abbildung 5: Vorgehen nach der DSRM in Anlehnung an Peffers et al. (2007, S.54)

Abbildung 6: Rechercheprozess – Eigene Darstellung in Anlehnung an vom Brocke et al. (2009, S.6)

Abbildung 7: Konzept der systematischen Literaturrecherche - Eigene Darstellung

Abbildung 8: Ergebnisverteilung der Literaturanalyse - Eigene Darstellung, Stand: 26.03.2021

Abbildung 9: zeitliche Verteilung des Beitragstyps - Eigene Darstellung

Abbildung 10: Ausführungsgrad der Anwendungsfälle - Eigene Darstellung

Abbildung 11: Mit RPA kombinierte KI-Technologien - Eigene Darstellung

Abbildung 12: Verwendete Software - Eigene Darstellung

Abbildung 13: Erstentwurf des PoC - Eigene Darstellung

Abbildung 14: Einordnung des Vorwissens der Experten - Eigene Darstellung

Abbildung 15: Konzeptmatrix - Eigene Darstellung

Abbildung 16: Aufteilung der verwendeten KI-Technologien - Eigene Darstellung

Abbildung 17: Einordnung der Projektart – Eigene Darstellung in Anlehnung an Lacity et al. (2017, S.14)

Abbildung 18: BPMN-Prozess - Eigener Prozess, angefertigt mit Software Camunda Modeler 4.7

Abbildung 19: Übersicht des vollständigen Widerrufsprozesses in UiPath - Eigener Prozess, angefertigt mit Software UiPath – Studio Pro 2021.4.4 Community License

Abbildung 20: Integration Python-Skript in UiPath - Eigener Prozess, angefertigt mit Software UiPath – Studio Pro 2021.4.4 Community License

Abbildung 21: UiPath - Login und Durchführung des Widerrufs - Eigener Prozess, angefertigt mit Software UiPath – Studio Pro 2021.4.4 Community License

Abbildung 22: Suchmaske– Screenshot, tech11 Insurance Platform

Abbildung 23: Evaluierung der Klassifikatoren - Eigene Darstellung

Abbildung 24: Daten der Durchführungstests - Eigene Darstellung

Tabellenverzeichnis

Tabelle 1: Definitionen und Synonyme (Teil 1)

Tabelle 2: Definitionen und Synonyme (Teil 2)

Tabelle 3: Taxonomie in Anlehnung an Cooper (1988, S.109)

Tabelle 4: Arbeitsdefinitionen

Tabelle 5: Zusammensetzung des Suchstrings

Tabelle 6: Daten der befragten Personen

Tabelle 7: Installierte Pakete und verwendete Aktivitäten

Abkürzungsverzeichnis

Abbildung in dieser Leseprobe nicht enthalten

1 Automatisierung von Prozessen

Prozesse bilden die Grundlage einer jeden Organisation. Eine anhaltend wichtige Aufgabe der Unternehmen ist es, diese zu verstehen und zu koordinieren (Dumas et al. 2018, S.26). Nur so kann die eigene Effektivität und Produktivität aufrechterhalten und weiter ausgebaut werden. Ein Faktor, der die Wettbewerbsfähigkeit der Organisationen wesentlich beeinflusst, ist die Automatisierung von Prozessen. Seit den 1990er Jahren wird in diesem Bereich dem Geschäftsprozessmanagement (engl. Business Process Management, BPM) vermehrt Aufmerksamkeit geschenkt (Dumas et al. 2018, S.9f.). Die Aufgabe von BPM besteht im Wesentlichen in der Koordinierung und dem Management aller im Unternehmen vorkommender Prozesse (Dumas et al. 2018, S.9f.). Die Beschäftigung mit der Thematik hat ein besseres Verständnis der Prozesslebenszyklen ermöglicht, wodurch wiederum eine zielführendere Automatisierung von Aufgaben und Prozessen stattfinden kann. Eine vollständige Automatisierung ist künftig nicht realistisch, da nur eine begrenzte Prozessanzahl mit verhältnismäßigen Ressourcen- und Kapazitätsaufwand automatisiert werden kann (van der Aalst et al. 2018, S.270f.). Eine Strategie, um den Automatisierungsgrad der Prozesse zu erweitern ist die Anwendung von Automatisierung in Verbindung mit Robotic Process Automation (RPA). Dabei werden monotone und arbeitsaufwendige Prozesse von Software-Robotern übernommen, die, je nach Ausprägung, über grafische Benutzeroberflächen verschiedene Aufgaben ausführen (Syed et al. 2020, S.1). Treten im Prozess häufig Ausnahmen oder außergewöhnliche Fälle auf, kommt der Einsatz der regelbasierten und somit relativ unflexiblen Roboter an seine Grenzen. Eingabedaten, die nicht digital oder in strukturierter Form vorliegen, können zu Unterbrechungen im Workflow oder fehlerhaften Abwicklungen führen (Syed et al., 2020, 10ff.). Das führt dazu, dass viele Prozesse trotz Verwendung von RPA manuelle Unterstützung von menschlichen Arbeitern¹ benötigen oder aus Mangel an Rentabilität gar nicht erst automatisiert werden.

Abhilfe kann an dieser Stelle der Einsatz von künstlicher Intelligenz (KI) schaffen. Die Kombination von RPA und KI verspricht ein breites Anwendungsfeld und flexible Problemlösungen, da die Umwandlung unstrukturierter Daten, wie Dokumente oder E-Mails, in strukturierte Daten, etwa in Form eine zeilen- und spaltenorientierten Datenbank, ermöglicht wird (Burke, 2020, 12). Daraus ist das Forschungsgebiet der Hyperautomation hervorgegangen.

“Hyperautomation is irreversible and inevitable. Everything that can and should be automated will be automated.”(Burke 2020, S.12)

Hyperautomation ist ein neuartiger Ansatz zur Prozessautomatisierung, durch den ein hoher Grad an Automatisierung in den Organisationen erreicht werden kann. Gleichwohl stellt sich auch hierbei die Frage ob und wenn ja, welche Prozesse automatisiert werden sollen.

Aufgrund der geringen wissenschaftlichen Publikationsdichte im Bereich Hyperautomation soll mit dieser Arbeit zur aktuellen Forschung beigetragen werden. Das Ziel ist die Untersuchung der Anwendung von Hyperautomation zur Prozessautomatisierung. Dabei wird der aktuelle wissenschaftliche Stand aufbereitet und eine exemplarische Anwendung von Hyperautomation in der Versicherungsbranche erarbeitet und umgesetzt. Die vorliegenden Arbeit dient somit zur Beantwortung der folgenden Forschungsfragen (FF):

FF1) Welche Technologien werden im Rahmen von Hyperautomation in der
Praxis verwendet und in welchen Bereichen werden diese eingesetzt?

FF2) Welche Schlussfolgerungen ergeben sich aus der Thematik
Hyperautomation für die Praxis?

FF3) Wie kann eine prototypische Anwendung von Hyperautomation in
der Praxis aussehen?

Zunächst werden in Kapitel 2 die theoretischen Grundlagen aufbereitet. Dabei werden die Technologien RPA und Hyperautomation definiert und eingeordnet.

In Kapitel 3 wird das in der Arbeit verwendete methodische Vorgehen erläutert. Das strukturelle Gesamtvorgehen der vorliegenden Arbeit orientiert sich an der Design Science Research Methodology (DSRM) nach Peffers et al. (2007, S.54) (siehe Kapitel 3.1). Zudem wird in Kapitel 3.2 das Vorgehen der strukturierten Literaturanalyse nach vom Brocke et al. (2009, S.6) beschrieben. Die Ergebnisse der Literaturrecherche werden in Kapitel 4 näher betrachtet. Im Rahmen des methodischen Vorgehens nach Peffers et al. (2007, S.54) wird in Kapitel 5 ein Artefakt erstellt. Hierzu wird in Kapitel 3.3 zunächst die Beschreibung des entstehenden Artefakts und in Kapitel 3.4 die anschließende Evaluierung durch die Grounded Theory Methodology nach Strauss und Corbin (1996, S.1ff.) dargestellt.

Die strukturierte Literaturrecherche ermöglicht die Erfassung des aktuellen wissenschaftlichen Stands über die Anwendung von Hyperautomation zur Prozessautomatisierung. Die Erkenntnisse resultieren in Kapitel 4.1 in einer Konzeptmatrix mit deren Hilfe FF1 beantwortet wird. Zudem wird die ermittelte Literatur in Kapitel 4.2 und 4.3 hinsichtlich der Bearbeitung von FF2 synthetisiert und analysiert.

In Kapitel 5 findet die Entwicklung und Evaluation des Artefakts statt. Hierbei werden die Erkenntnisse aus den vorherigen Kapitel verwendet und ein Proof of Concept² (PoC) implementiert. Der PoC behandelt eine Anwendung von Hyperautomation zur Prozessautomatisierung in der Versicherungsbranche. Für die Evaluierung der Ergebnisse werden nach der Grounded Theory Methodology von Strauss und Corbin (1996, S.1ff.) semi-strukturierte Experteninterviews durchgeführt und ausgewertet. Das Vorgehen in diesem Kapitel dient somit der Beantwortung von FF3.

Das erarbeitete Wissen wird in Kapitel 6 kritisch diskutiert, indem theoretische, sowie praktische Handlungsempfehlungen abgeleitet werden. Außerdem werden mögliche Schwachstellen, die dieser Arbeit zugrunde liegen, aufgezeigt.

Die wissenschaftliche Arbeit endet in Kapitel 7 mit einer Zusammenfassung der Forschungsergebnisse. Dabei werden die Forschungsfragen aufgegriffen und beantwortet. Abschließend wird unter Einbezug der zuvor thematisierten Limitationen ein Ausblick in die weiterführende Forschung gegeben.

2 Theoretische Grundlagen

Die weltweiten Trends der Google-Suchanfragen seit 2015 (Abbildung 1), zeigen die Aktualität der Begriffe Hyperautomation und RPA im Zeitverlauf. Die vertikale Achse zeigt das Suchinteresse in Prozent relativ zum höchsten Punkt.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 1: Google Trends Suchergebnisse (Datenquelle: 2021, Google Trends - https://www.google.com/trends, Stand: 14.04.2021)

Obwohl der Begriff Hyperautomation bereits in der Forschung verwendet wurde, hat sich erst seit einigen Jahren ein gemeinsamer Kontext durchgesetzt. In der Google-Suchmaschine ist der Begriff erstmals im September 2016, vermutlich im Zusammenhang mit den Veröffentlichungen vonWipro³, die hier bereits über Hyperautomationsprojekten schrieben, aufgetreten. Größere Aufmerksamkeit bekam der Suchbegriff erst drei Jahre später, im Herbst 2019, durch die Erwähnung beiGartner⁴. Im Zenit stand der Begriff Hyperautomation im Sommer 2020, wobei gegenwärtig (Stand: 14.04.2021) das Interesse wieder nahezu am Allzeithoch ist.

Im folgenden Kapitel werden die grundlegenden Begrifflichkeiten RPA und Hyperautomation definiert. Zunächst wird auf RPA und dessen Ausprägungen eingegangen. Im Anschluss wird das Thema Hyperautomation bearbeitet. Nach einer Übersicht der geläufigsten Definitionen findet eine Einordnung der Technologie statt. Am Ende des Kapitels wird eine für diese Arbeit geltende Definition erarbeitet.

2.1 Robotic Process Automation

Zunächst wird der Begriff RPA definiert. In der weiteren Ausführung wird zudem auf die verschiedenen Betriebsmodi und der Abgrenzung zu ähnlichen Technologien eingegangen. Der Fokus liegt auf dem Schaffen eines grundlegenden Gesamtverständnis der Technologie.

Grundsätzliche Definition .

“RPA is a noninvasive integration technology used to automate routine, repetitive and predictable tasks through orchestrated UI interactions that emulate human actions.” (Ray et al. 2019)

Der Zweck von RPA besteht darin, menschliche Aufgaben in Geschäftsprozessen durch Roboter, auch Bots genannt, zu ersetzen (Syed et al. 2020, S.3). Es handelt sich nicht um physische Roboter, sondern vielmehr um software-basierte Lösungen, die menschliche Arbeitskraft imitieren (Aguirre und Rodriguez 2017, S.2). Dabei interagieren die Softwareprogramme, je nach Betriebsmodi, ähnliche wie menschliche Benutzer, direkt über die grafische Benutzeroberfläche des Computer oder der Anwendungen (van der Aalst et al. 2018, S.269).

Abgrenzung Betriebsmodi.RPA kann in zwei Technologieformen vorkommen:beaufsichtigter (engl. Attended Robot)undunbeaufsichtigter Roboter (engl. Unattended Robot)(Hofmann et al. 2020, S.100).

Wird die Entwicklung und Ausführung des RPA Bot in Zusammenarbeit mit oder unter der Beaufsichtigung durch eine Arbeitskraft vorgenommen, spricht man von einem beaufsichtigten Roboter (Hofmann et al. 2020, S.100). Dieser wird lokal auf dem Rechner der mitarbeitenden Person ausgeführt und aktiv beobachtet (Hofmann et al. 2020, S.100). Die Funktionalitäten der Attended Robots basieren auf der Ausführung von Skripten und Makros, sowie der Nutzung von Screen-Scraping-Technologien, mit denen die Interaktionen des Benutzers aufgenommen und automatisiert wiedergegeben werden können (Willcocks et al. 2017, S.3). Die Interaktion, bzw. implementierte Logik, findet hierbei nahezu ausschließlich über die sichtbare Benutzeroberfläche, dem Front-End, statt. In diesem Kontext werden in der Literatur auch folgende Begriffe genannt: Robotic Desktop Automation (RDA), Desktop-RPA, Desktop Automation, Front-Office-Robot, Agent-Assist Automation, Assistive Automation, In-Line Automation und TaskBot (siehe Tabelle 1 und Tabelle 2).

Unattended Robots hingegen werden von einem dedizierten Team entwickelt und über virtuelle Maschinen auf Servern gesteuert, wobei das zentrale Monitoring und eine zielgerichtete Steuerung direkt über die Plattformen der RPA-Anbieter erfolgen kann (Smeets et al. 2019, S.9). Die unbeaufsichtigten Bots führen fortschrittliche, langwierige und aufgabenintensive Prozesse ohne menschlichen Eingriff aus und interagieren lediglich mit dem Benutzer, wenn es Ausnahmen oder Fragen gibt (Hofmann et al. 2020, S.100). Anstatt Prozessabläufe aufzunehmen, wird der Roboter mithilfe vorgefertigter Standardsoftwaremodule aus den Komponentenbibliotheken erstellt (Low-Code Entwicklung). Willcocks et al. (2017, S.3) sprechen in diesem Kontext von Enterprise RPA, da Unattended Robots so konzipiert sind, dass sie mit den Anforderungen an IT-Governance, Sicherheit, Architektur und Infrastruktur übereinstimmen und schnell implementiert, wiederverwendet und skaliert werden können. Neben der Interaktion über das Front-End, können Unattended Robots auch in die Prozesslogik im Back-End integriert werden. Weitere verwandte Begriffe sind: Structured RPA, Information Technology Process Automation, Back-Office Robot und Digital Workforce (siehe Tabelle 1 und Tabelle 2).

Abgrenzung zu traditioneller Prozessautomatisierung .Zur Automatisierung mit RPA eignen sich Prozesse und Aufgaben, wenn sie standardisiert, regelbasiert, häufig und bisher manuell von Menschen durchgeführt werden (Hofmann et al. 2020, S.100). Zudem sollten die Prozesse ohne kognitiven Aufwand oder Urteilsvermögen handhabbar sein. Willcocks et al. (2015, S.3f.) sprechen ebenfalls von volumenstarken, standardisierten, regelbasierten, ausgereiften und stabilen Prozessen. Auf der anderen Seite, werden RPA-Software teilweise auch fortgeschrittene, komplexe oder flexible und an die Umstände anpassbare Eigenschaften zugeschrieben (Syed et al. 2020, S.3).

Eine Einordnung von RPA zu anderen Technologien gibt Abbildung 2, in der derlong tail of worknach van der Aalst et al. (2018, S.270) abgebildet ist. Ursprünglich haben Imgrund et al. (2017, S.596) denlong tail of business processesformalisiert, welcher von van der Aalst et al. (2018, S.270) auf RPA adaptiert wurde. Auf der x-Achse ist der Grad der Fallunterschiedlichkeit, von links nach rechts zunehmend, aufgezeigt. Nahe dem Nullpunkt werden die Prozesstypen eingeordnet, die einen geringen Grad an Unterschiedlichkeit besitzen, also eine hohe Ähnlichkeit haben und auf die gleiche Art und Weise bearbeitet werden können. Komplexe einzigartige Fälle, die wenig Gemeinsamkeiten mit anderen Prozesstypen haben, erscheinen weiter rechts. Die vertikale Achse bildet die Häufigkeit dieser Falltypen ab. Betrachtet man die ausgefüllte Grafik, so ist eine Pareto-Verteilung zu sehen, wobei 80 % der Fälle durch 20 % der Falltypen erklärt werden können. Für diese Typen eignen sich aus ökonomischer Sicht traditionelle Prozessautomatisierungslösungen wie das Geschäftsprozessmanagement (van der Aalst et al. 2018, S.270). BPM stellt Konzepte, Methoden, Techniken und Werkzeuge zur Verfügung, die alle Aspekte des Managements eines Prozesses - Planung, Organisation und Überwachung - sowie die eigentliche Ausführung abdecken (Dumas et al. 2018, S.15).

Die übrigen 80 % der Prozesstypen beinhalten systemübergreifende Arbeiten, bei denen Menschen Daten eingeben oder Entscheidungen treffen. RPA kann im mittleren Teil unterstützen und die Automatisierung über verschiedene Informationssysteme hinweg koordinieren. Das Ende deslong tails of workbilden (noch) nicht automatisierbare Prozesse, bei denen Menschen eingreifen müssen.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 2: Prozesskomplexität und RPA - Eigene Darstellung in Anlehnung an van der Aalst et al. (2018, S.270) – Vergrößerte Darstellung im Anhang

RPA-Systeme können demnach flexibel eingesetzt werden und erhöhen den Automatisierungsgrad im eingesetzten Bereich. Neben den mit der Automatisierung einhergehenden Nutzen, nennen Willcocks et al. (2015, S.6ff.) Low-Code Programmierung und lightweight IT als zwei weitere wesentliche Vorteile von RPA gegenüber herkömmlichen Prozessautomatisierungstechnologien. Anwender benötigen zum einen wenige, bis keine Programmierkenntnisse, da Anbieter wie UiPath⁵, Automation Anywhere⁶ oder Blue Prism⁷ Low-Code Anwendungen etwa in Form vonDrag- and Drop-Systematiken zur Verfügung stellen. Hierdurch werden Prozesse durch vorgefertigte Elemente abgebildet und der auszuführende Code automatisch generiert. Zum anderen ist RPA leicht in Prozesse und IT-Systeme integrierbar. Die Implementierung von RPA ist somit minimal bis nicht-invasiv, da weder eine komplexe, zeitaufwändige oder teure Integration, noch Änderungen an der bestehenden IT-Landschaft vorgenommen werden müssen (Willcocks et al. 2015, S.14). Nach Syed et al. (2020, S.3ff.) kann der Einsatz von RPA zu einer Verbesserung der betrieblichen Effizienz, der Qualität der erbrachten Dienstleistung (oder Arbeit), sowie der Verbesserung des Risikomanagements und der Compliance führen. Die nicht-invasiven Eigenschaft von RPA ermöglicht zudem die Automatisierung von Prozessen, bei denen eine Interaktion mit Altsystemen stattfindet. Der Aufbau einer traditionellen Integration über Programmierschnittstellen (engl. Application Programming Interface, API) ist hier häufig zu komplex, zeitaufwändig und teuer. Zudem kann RPA bei größeren Migrationsprojekten die Konsolidierung, Validierung und den Transport von Daten aus unterschiedlichen Quellen unterstützen (Ray et al. 2019).

Treten im Prozess häufig Ausnahmen oder außergewöhnliche Fälle auf, kommt der Einsatz der regelbasierten und somit relativ unflexiblen Roboter an seine Grenzen. Eingabedaten, die nicht digital oder in strukturierter Form vorliegen, können zu Unterbrechungen im Workflow oder fehlerhaften Abwicklungen führen. Abhilfe kann der Einsatz von KI schaffen (Syed et al. 2020, S.10ff.).

2.2 Hyperautomation

In der Literatur ist noch keine eindeutige Definition von Hyperautomation zu finden. Die erste Erwähnung erfolgte in der Google-Suchmaschine 2016 im Zusammenhang mit den Veröffentlichungen von Wipro (siehe Abbildung 1). Drei Jahre später im Oktober 2019, wurde Hyperautomation in dem jährlich erscheinenden BerichtGartner Top 10 Strategic Technology Trends for 2020erneut aufgegriffen. Seitdem ist der Begriff in der wissenschaftlichen und praxisnahen Literatur vermehrt zu finden.

Im Folgenden werden, die in der Literatur zu findenden Begrifflichkeiten, aufbereitet und darauf aufbauend eine für diese Arbeit gültige Arbeitsdefinition entwickelt.

2.2.1 Begriffsdefinitionen

Eine häufig wiederkehrende Definition von Hyperautomation ist:

„Hyperautomation refers to the combination of multiple machine learning, packaged software and automation tools to deliver work.“
(Cearley et al. 2019, S.10)

In dem ReportTop 10 Strategic Technology Trends for 2020werden RPA und intelligent Business Process Management Suites (iBPMS) als Kernkomponenten von Hyperautomation, die sich gegenseitig ergänzen und immer häufiger gemeinsam bereitgestellt werden, genannt. iBPMS wird definiert als ein integriertes Set von Technologien, das Menschen, Maschinen und Dinge koordiniert. Die Integration von externen Systemen erfolgt, anders als bei RPA, über robuste APIs. iBPMS-Software unterstützt den gesamten Lebenszyklus von Geschäftsprozessen und Entscheidungen. Dies beinhaltet die Erkennung, Analyse, Design von Prozessen bis hin zur Implementierung, Ausführung, Überwachung und kontinuierlichen Optimierung dieser (Cearley et al. 2019, S.11).

Seit dem Erscheinen des oben genannten Berichts wird der Begriff immer wieder aufgegriffen und dabei teilweise in abgewandelter Form definiert oder mit bereits existierenden Begriffen verglichen oder gleichgesetzt. Um einen Überblick über die geläufigen, in der Praxis und Literatur verwendeten Begriffe zu schaffen, werden in Tabelle 1 und Tabelle 2 zunächst einige Definitionen gesammelt. Hierbei wird auf die nach dem unabhängiges Technologie- und MarktforschungsunternehmenForrester⁸ (Schaffrik 2021, S.3) führenden AnbieterUiPathundAutomation AnywhereBezug genommen. Zusätzlich wird auf die Informationen derIEEE Standards Association⁹ (IEEE Corporate Advisory Group 2017, S.1ff.; IEEE Corporate Advisory Group 2019, S.1ff.) und des Gartner Glossary‘s (2021b) zurückgegriffen. Da UiPath kein Glossar zur Verfügung stellt, wird aus dem UiPath-Blogbeitrag mit dem TitelThe Ultimate RPA Glossary: Robotic Process Automation Definitions to Knowverfasst von Kate McDaniel (2019), Blog-Redakteurin bei UiPath, zitiert. Die Definitionen des Anbieters Automation Anywhere sind der Produktdokumentation (Automation Anywhere 2021) entnommen.

Aus Tabelle 1 und Tabelle 2 geht hervor, dass die in Kapitel 2.1 definierten Begriffe RDA und RPA klar voneinander abgrenzbar sind und bei RDA die Automatisierung von ausgewählten Aufgaben im Vordergrund steht. Inklusive Workflow Automation, sind diese der Kategorie Task Automation zuzuordnen. Ein Workflow ist eine Abfolge von Aufgaben, die zur Ausführung eines bestimmten Prozesses organisiert sind. Workflow Management beschreibt somit den Einsatz von RPA zur Automatisierung von Schritten bei manuellen oder routinemäßigen Geschäftsaufgaben. Schwerpunkt liegt auf dem gesamten Arbeitsablauf und nicht auf einzelnen Aktivitäten (McDaniel 2019). Im Gegensatz zur Prozessautomatisierung werden die einzelnen Prozesse im Detail in ihrer Abfolge analysiert und optimiert und weniger in ein großes Ganzes eingeordnet (Dumas et al. 2018, S.15).

Dennoch ist der Übergang zwischen Task Automation und Process Automation fließend und nicht klar abgrenzbar. Gartner (2021b) definiert die Geschäftsprozessautomatisierung (engl. Business Process Automation, BPA) als Automatisierung komplexer Geschäftsprozesse, die über die konventionelle Datenmanipulation und Aufzeichnungsaktivitäten hinausgehen. UiPath erweitert diese Definition, da BPA zudem als alleinstehende Anwendung für die Automatisierung von Schlüsselprozesse oder als Teil einer umfassenden, systematischen Geschäftsprozessmanagement-Initiative dienen kann (McDaniel 2019). Die IEEE Corporate Advisory Group (2017, S.9) definiert BPM als eine beliebige Kombination aus Modellierung, Automatisierung, Ausführung, Kontrolle, Messung und Optimierung von Geschäftsprozessen zur Unterstützung von Unternehmenszielen. Im Gegensatz zur Workflow Automatisierung steht nicht die Koordinierung einzelner Aufgaben im Vordergrund, sondern das Management aller beschriebenen Prozesse im Unternehmen.

Tabelle 1: Definitionen und Synonyme (Teil 1)

Abbildung in dieser Leseprobe nicht enthalten

Tabelle 2: Definitionen und Synonyme (Teil 2)

Abbildung in dieser Leseprobe nicht enthalten

Die Integration von KI in den Automatisierungsprozess verändert auch die verwendeten Begrifflichkeiten. Cognitive Automation ermöglicht die Bearbeitung von semi- und unstrukturierten Daten, wodurch das Spektrum an automatisierbaren Prozessen (siehe Abbildung 2) erweitert wird (Automation Anywhere 2021; McDaniel 2019). Für die explizite Kombination von RPA und KI werden häufig die Begriffe Cognitive RPA, Intelligent RPA oder Enhanced RPA verwendet. Ähnlich der Unterscheidung zwischen Workflow Automation und BPA, greift diese auch für die Abgrenzung der Begriffe Cognitive Automation und Intelligent Process Automation (IPA). IPA gilt hierbei als umfangreicher und umfasst die Anwendung intelligenter Technologien wie Computer Vision (CV), Machine Learning (ML) oder Natural Language Processing (NLP) in Kombination mit RPA (Automation Anywhere 2021; McDaniel 2019). Das Ziel von IPA ist die Ausführung der Kombination von Prozessen, Aktivitäten und Aufgaben in einem oder mehreren nicht miteinander verbundenen Softwaresystemen (IEEE Corporate Advisory Group 2017, S.11).

In diesem Kontext taucht der Begriff Hyperautomation auf, wobei dieser nicht trennscharf von IPA abgrenzbar ist. McDaniel (2019) bezeichnet Hyperautomation als Überbegriff für die Zusammenlegung mehrerer Komponenten der Prozessautomatisierung. Dabei werden Werkzeuge und Technologien, die die Fähigkeit zur Automatisierung von Arbeit verstärken, integriert. Eine zentrale Rolle sieht UiPath dabei in RPA, das mit Technologien wie KI, Process Mining und anderen fortschrittlichen Tools kombiniert wird. Zudem wird Hyperautomation als Automatisierungsmöglichkeit deklariert, die wesentlich wirkungsvoller als herkömmliche Automatisierungsmethoden ist. Automation Anywhere (2021) definiert Hyperautomation als die Erweiterung der Automatisierung von Geschäftsprozessen über die Grenzen einzelner Prozesse hinaus. Die Kernanwendung sieht das Unternehmen ebenfalls in der Automatisierung wiederholender Aufgaben durch Verbindung von KI-Tools mit RPA. Wörtlich definiert der Software-Anbieter Hyperautomation als„eine End-to-End-Automatisierung, die durch die Nutzung der Leistungsfähigkeit verschiedener Technologien erreicht wird“(Automation Anywhere 2021). Diese Definition ist ähnlich der von Gartner, die zu Beginn dieses Kapitels bereits besprochen wurde.

Auffällig ist, dass die Software-Anbieter bei den Begriffsdefinitionen Cognitive Automation, IPA und Hyperautomation vorwiegend RPA in den Mittelpunkt stellen, wohingegen die IEEE Standards Association und Gartner in dem ReportGartner Top 10 Strategic Technology Trends for 2020die Begriffsdefinitionen neutral und generisch halten. Dem ist hinzuzufügen, dass Gartners Vizepräsident für Forschung Brian Burke in dem AnschlussberichtTop Strategic Technology Trends for 2021den Begriff Hyperautomation erneut aufgreift. Demnach wollen Unternehmen mithilfe von Hyperautomation so viele Geschäfts- und IT-Prozesse wie möglich automatisieren, indem sie Werkzeuge wie KI, maschinelles Lernen, ereignisgesteuerte Software, robotergestützte Prozessautomatisierung und andere Arten von Tools zur Automatisierung von Entscheidungsprozessen und Aufgaben einsetzen (Burke 2020, S.12).

Während seit dem Bericht von Gartner 2019 in der Literatur häufig der Begriff Hyperautomation verwendet wird, sind für den gleichen oder ähnlichen Sachverhalt, je nach den individueller Auslegung, weitere, vorwiegend durch Beratungshäuser geprägte, Begriffe zu finden. Forresters Pendant zu Hyperautomation ist Digital Process Automation und das Unternehmen für B2B-Veranstaltungen IQPC¹⁰ verwendet den Begriff IPA (Leonardo 2021). Weitere nicht ganz trennscharfe Begriffe sind: Intelligent Automation (IA), Integrated Automation Platform and Cognitive Automation (Bornet et al. 2020, S.25).

2.2.2 Einordnung der Technologien

Die Erkenntnisse aus den Begriffsbestimmungen in Tabelle 1 und Tabelle 2 werden in Abbildung 3 visualisiert, strukturiert und interpretiert. Die Grafik hilft bei der generellen Einordnung der Technologien und ihrer Leistungsfähigkeit. Begriffe, die nicht bereits abgegrenzt sind, werden in der folgenden Diskussion definiert.

Der Automatisierungsgrad bestimmt die im Unternehmen automatisierten Prozesse. Dabei wird die Gesamtmenge an automatisierbaren Prozessen betrachtet. Technologien, die nahe dem Ursprung eingeordnet sind, können insgesamt nur eine geringe Gesamtautomatisierung bedienen, da nur ein Teil aller vorkommender Prozesse durch die Technologien automatisiert werden können. Ein geringer Automatisierungsgrad beinhaltet vorwiegend die Automatisierung einzelner Aufgaben und Teilprozesse. Ein steigender Automatisierungsgrad erhöht den Anteil in Frage kommender Prozesse, die mit den jeweiligen Technologien automatisiert werden können. In diesem Zug erhöht sich ebenso die Möglichkeit individueller Prozessanpassungen, da die weiter rechts eingeordneten Technologien flexibler auf die Umweltumstände eingehen können und so komplexere Sachverhalte und die Bearbeitung unstrukturierter Inhalte möglich sind. Nahe dem Nullpunkt hingegen ist vorwiegend die Automatisierung strukturierter Daten und regelbasierter Prozesse gegeben. Der finale Punkt ist die Fähigkeit der theoretisch vollständigen Automatisierung.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 3: Generelle Einordnung der Begrifflichkeiten - Eigene Darstellung

Die vertikale Achse beinhaltet verschiedene Charakteristika, die in ähnlicher Weise auf eine entsprechende Einordnung der Technologien auf der Achse reagieren. Die Ausprägung der einzelnen Elemente ist geringer, je niedriger die Einordnung auf der Achse ist. Während bei den Komponenten Komplexität, Kosten, IT-Know-How, Einführungsdauer, Integrationsaufwand und Humankapital gemeinhin niedrigere Ausprägungen angestrebt werden, ist das Charakteristikum Robustheit invertiert zu interpretieren. Eine hohe Robustheit bedeutet, dass Systeme auch unter ungewöhnlichen Bedingungen, wie zum Beispiel veränderten Umweltumständen, die der Entwickler nicht explizit berücksichtigt hat, erwartungsgemäß (re-)agieren können.

Die Abbildung ist in 4 Strategien unterteilt:Task Automation,Process Automation,Intelligent AutomationundHyperautomation. Während die ersten drei genannten Komponenten in das Diagramm eingeordnet werden können, ist Hyperautomation vielmehr als zu erreichender Ziel- oder Endzustand zu sehen. Auf die einzelnen Strategien wird im Folgenden näher eingegangen.

Task Automation.RDA und RPA eignen sich insbesondere für die Automatisierung von regelbasierten sich wiederholenden manuellen Geschäftsprozessen (Syed et al. 2020, S.5). Demnach wäre strenggenommen Robotic Task Automation ein präziserer Begriff als RPA. Dieser Begriff hat sich im allgemeinen Sprachgebrauch nicht durchgesetzt, wird aber vereinzelt in diesem Kontext erwähnt. In einem Interview bei Willcocks et al. (2015, S.38) wird Robotic Task Automation von einer Arbeitskraft bei KPMG¹¹ aufgegriffen. Daneben wird in der Fachliteratur diesbezüglich kaum Bezug genommen. Task Automation, vertreten durch RDA und RPA, ist in der unteren linken Ecke des Diagramms (Abbildung 3) angesiedelt, da insbesondere der Integrationsaufwand und die Dauer bis zur Bereitstellung einer lauffähigen Lösung gering sind. Durch Low-Code Software Anbieter wie UiPath oder Automation Anywhere sind zudem keine erweiterten Programmierkenntnisse von Nöten. Da die Technologien über die grafische Oberfläche agieren, kann es bei Änderungen der Benutzeroberfläche (z. B. eine andere Bildschirmauflösung oder ein anderes Layout¹² ) zu fehlerhaften Ausführungen oder Prozessabbrüchen kommen (Syed et al. 2020, S.12). Stabilere Systeme bietet in der Regel die im Folgenden betrachtete Process Automation.

Process Automation.Während der Fokus von Task Automation auf der Automatisierung einzelner Aufgaben und simpler Prozesse liegt, ist von den Technologien in dieser Kategorie in der Regel eine umfassendere Automatisierung, mit Fokus auf dem Management der zugrunde liegenden Prozesse, zu erwarten. Im Gegensatz zu BPA, wird beim Geschäftsprozessmanagement nicht nur die Automatisierung von Prozessen koordiniert, sondern der ganze Prozesslebenszyklus betreut. Im Fokus steht das Management aller Prozesse, die in dem Unternehmen vorkommen. Das methodische Vorgehen des BPM wird in der Literatur unterschiedlich aufgefasst, wobei die verwendeten Grundelemente, Modellierung, Analyse, Optimierung, Implementierung und Überwachung, identisch sind (Dumas et al. 2018, S.23; Van der Aalst 2011, S.8; Weske 2012, S.12). Unterschiedlichkeiten liegen vorwiegend in der Reihenfolge und Gewichtung der Bausteine.

Bei der Implementierung und Ausführung der Geschäftsprozesse kommen Informationssysteme zum Einsatz. Systeme, die mit automatisierten Geschäftsprozessen arbeiten, werden als prozessgestützte Informationssysteme (engl. process-aware informationssystems) bezeichnet (Dumas et al. 2018, S.9; Van der Aalst 2011, S.3). Hier sind auch Business Process Management Systeme (BPMS) einzuordnen. Der Zweck eines BPMS ist es, einen automatisierten Geschäftsprozess so zu koordinieren, dass alle Arbeiten zur richtigen Zeit von der richtigen Ressource erledigt werden (Dumas et al. 2018, S.345). Diverse Unternehmen bieten verschiedene BPMS mit unterschiedlichem Funktionsumfang an, die verschiedene Phasen des BPM-Lebenszyklus abdecken. Das Spektrum reicht von einfachen Programmen, die nur das Design und die Automatisierung von Geschäftsprozessen ermöglichen, bis hin zu komplexen Systemen, die auch serviceorientierte Architektur (engl. service-oriented architecture), komplexe Ereignisverarbeitung (engl. complex event processing) und die Integration mit Anwendungen von Drittanbietern und sozialen Netzwerken umfassen (Dumas et al. 2018, S.345).

Diese Systeme sind in Abbildung 3 mittig eingeordnet, da die Implementierung solcher Mechanismen in der Regel durch geschulte IT-Fachleute durchgeführt werden müssen. Die einhergehende komplexe und aufwendige Integration in die Systemlandschaft eines Unternehmens wirkt sich negativ auf die Dauer und Kosten der Einführung aus. Dafür ist eine größere Nachhaltigkeit und Robustheit gegenüber ändernden Umweltumständen gegeben. Der Einsatz von Process Automation und dessen Tools kann als umfassendere Prozessautomatisierung als Task Automation gesehen werden, da der volle Geschäftsprozesslebenslauf, vom initialen Entwurf bis zur Ausführung und der kontinuierlichen Überprüfung im weiteren Verlauf, berücksichtigt wird.

Intelligent Automation.Wesentlicher Bestandteil von IA ist die Integration künstlicher Intelligenz. KI umfasst alle Methoden und Technologien, die Maschinen helfen autonom zu denken und zu handeln, ohne explizite Programmierung. Dabei geht es vor allem darum, logisches Denken zu implementieren, um eigenständiges Entscheiden und Handeln zu ermöglichen. (Mohamed 2020, S.95).

Bezogen auf Abbildung 3 ermöglicht KI die Verarbeitung unstrukturierter Daten, wodurch die Anzahl an potenziell automatisierbaren Aufgaben und Prozessen steigt. Die Kombination von Process Automation, respektive BPM, und KI resultiert in IPA bzw. iBPMS. KI unterstützt BPMS bei der Automatisierung und Orchestration von Geschäftsprozessen, die sich während ihrer Ausführung selbst gestalten. Diese Prozesse können daher als adaptiv und intelligent bezeichnet werden. Sie führen die beste, nächste Aktion aus, anstatt repetitiv die gleiche wiederholbare Abfolge von Aktionen zu tätigen. Dies wird immer wichtiger, insbesondere im Kontext digitalisierter Prozesse, die das Verhalten von Menschen, Prozessen und Dingen koordinieren. Der sich schnell ändernde betriebliche Kontext in einem digitalisierten Prozess erfordert umsetzbare, fortschrittliche Analysen, um Geschäftsprozesse über die virtuelle und physische Welt hinweg intelligenter zu orchestrieren (Cearley et al. 2019, S.11ff.).

Ebenso erweitert KI das ausführbare Aufgabenspektrum von RPA. Die Integration kognitiver Technologien mit RPA ermöglicht es, die Automatisierung auf Prozesse auszuweiten, die Wahrnehmung oder Urteilsvermögen erfordern (Schatsky et al. 2017, S.8). Neben der Bearbeitung strukturierter Daten, ermöglicht intelligent RPA somit auch die Verwendung unstrukturierter Daten (Lacity und Willcocks 2016, S.43). Während bei RPA-Systemen ein deterministisches Ergebnis, also eine einzige richtige Antwort, bestimmt wird, liefern intelligente RPA Systeme ein probabilistisches Ergebnis in Form einer Auswahl möglicher Antworten, die individuell und situationsabhängig interpretiert werden können (Lacity und Willcocks 2016, S.43). Intelligent RPA vereint KI-getriebene Methodiken wie natürliche Sprachverarbeitung und -erkennung (engl. Natural Language Processing), maschinelles Lernen (engl. Machine Learning), autonome Selbstverbesserungsmechanismen oder Bilderkennung (engl. Computer Vision) mit herkömmlichen RPA-Systemen (Syed et al. 2020, S.10). Während hierdurch eine Zunahme an Individualisierungsmöglichkeiten und der Abdeckung automatisierbarer Prozesse erreicht werden kann, steigen die Ausprägungen wie etwa Kosten, Komplexität und Integrationsaufwand proportional weniger an.

Im Rahmen von KI sind für das Verständnis dieser Arbeit insbesondere die Technologien, ML, NLP und CV hervorzuheben. Diese werden im Folgenden erläutert.

Maschine Learning.Zentraler Aspekt des maschinellen Lernens ist die sinnvolle Verarbeitung von Daten, wodurch eine aussagekräftige Interpretation der vorliegenden Eingabedaten ermöglicht wird (Chollet 2017, S.6). Die Systeme werden mit historischen Daten gefüttert, auch Training genannt, wodurch sie Strukturen und Muster erkennen, eigene Regeln aufstellen und Vorhersagen über Prozessergebnisse treffen oder Klassifizierungsaufgaben durchführen um die Aufgabe zu lösen (Gotthardt et al. 2020, S.91). Deep Learning (DL) ist wiederum ein Teilgebiet des ML. Der Kerngedanke hierbei ist, dass durch die Verwendung komplexer mehrschichtiger künstlicher neuronaler Netzwerke (engl. Artificial Neural Networks) Zusammenhänge erkannt werden können, die beim reinen maschinellen Lernen, zum Beispiel bei der Verwendung klassischer Entscheidungsbäume, unentdeckt bleiben (Buxmann und Schmidt 2019, S.12). Die Tiefe der Modelle wird anhand der Anzahl an sogenannten Repräsentationsschichten (engl. layer of representations) bestimmt (Chollet 2017, S.8). Technisch gesehen ist DL eine mehrstufige ML Methode zum Lernen von Datendarstellungen (Chollet 2017, S.9).

ML bzw. DL Algorithmen können in die drei Bereiche Supvervised, Unsupervised und Reinforcement Learning unterteilt werden. Beim Supervised Learning werden gelabelte Trainingsdaten verwendet, um Klassifikationen oder Regressionen durchzuführen (Bird et al. 2009, S.221f.). Die meisten DL-Problemstellungen wie etwa die optische Zeichenerkennung (engl. Optical Character Recognition, OCR), Spracherkennung, Bildklassifikation und Sprachübersetzung, werden mithilfe von Supervised Learning Algorithmen gelöst (Chollet 2017, S.94). Unsupervised Learning Systeme hingegen werden eingesetzt, um Rohdaten, ohne explizites Wissen über die vorliegenden Datensätze, zu verarbeiten und zum Beispiel durch Dimensionsreduktion und Clustering vorhandene Korrelationen zu verstehen (Chollet 2017, S.94). Beim Reinforcement Learning reagiert ein Agent auf das Feedback seiner Umgebung und lernt durch eine Trial-and-Error-Methode. Das positive oder negative Feedback nutzt der Agent, um sich stetig zu verbessern und die richtigen Aktionen zu wählen (Chollet 2017, S.95). So ist der Einsatz von Reinforcement Learning beispielsweise für Empfehlungssystemen geeignet (Mohamed 2020, S.98).

Computer Vision.Die Aufgabe von CV ist die Erkennung, Interpretation und Verarbeitung von Bildern oder Videos, indem Eigenschaften wie Form, Beleuchtung und Farbverteilung betrachtet werden (Szeliski 2011, S.3). Eine beliebte Anwendung von CV ist die Bilderkennung. Beispielsweise kann mithilfe von OCR getippter, handgeschriebener oder gescannter Text in maschinenlesbare Form umgewandelt werden, wodurch eine zeitaufwändige manuelle Dateneingabe eliminiert wird (Gotthardt et al. 2020, S.91). Ebenso kann die Bilderkennung für die Maschineninspektion oder die Qualitätssicherung eingesetzt werden, indem nach Mängeln oder Defekten gesucht wird. (Szeliski 2011, S.5). Ein weiterer Anwendungsbereich ist die Objekterkennung, die unter anderem zur Erhöhung der allgemeinen Sicherheit eingesetzt werden kann, etwa durch die Verbesserung der Fahrzeugsicherheit durch Analyse des Straßenverkehrs oder die Minimierung der Zahl der Ertrinkungsopfer durch Videoüberwachung von Schwimmbädern (Szeliski 2011, S.5).

Natural Language Processing.NLP zielt darauf ab natürliche Sprache oder Text intelligent zu verarbeiten (Mohamed 2020, S.138). DL für die Verarbeitung natürlicher Sprache ist eine auf Wörter, Sätze und Absätze angewandte Mustererkennung (Bird et al. 2009, S.180). Dabei werden Maschinen befähigt menschliche Sprache in Form von Schrift oder Ton zu verstehen und daraus Bedeutung abzuleiten. Die Anwendungsmöglichkeiten sind vielfältig und in Bereichen zu finden, in denen eine Interaktion zwischen Computern und Menschen, in Form von Sprachen oder Text, stattfindet. So ermöglicht NLP unter anderem die Extraktion von Informationen aus unstrukturierten Daten wie Dokumenten oder E-Mails (Bird et al. 2009, 262f.). Um Bedeutung aus Text oder Sprache zu gewinnen, sind nach Chowdhury (2003, S.55f.) verschiedene Ebenen zu unterscheiden:

- Phonetische oder phonologische Ebene à Fokus liegt auf der Aussprache
- Morphologische Ebene à Untersuchung von Wortbestandteilen, Suffixen und Präfixen
- Lexikalische Ebene à Beschäftigung mit der lexikalischen Bedeutung von Wörtern und Wortartenanalysen
- Syntaktische Ebene à Grammatik und Struktur von Sätzen
- Semantische Ebene à Bedeutung von Wörtern und Sätzen
- Diskursebene à Ermittlung der Textart anhand der Dokumentenstruktur
- Pragmatische Ebene à Kontext des Inhalts

Je nach Einsatzgebiet können die Systeme zur Verarbeitung natürlicher Sprache alle oder nur einige dieser Elemente beinhalten. In der Praxis sind diverse Techniken und Methoden verfügbar, um Problemstellungen verschiedenster Art zu lösen. Hier kommen unter anderem Spracherkennung, Dialogsysteme, Informationsabfragen, maschinelle Übersetzung oder Fragebeantwortungsalgorithmen zum Einsatz (Mohamed 2020, S.138).

Hyperautomation.Von der Task Automation bis zur IA steigt die Anzahl der möglichen automatisierbaren Prozesse stetig an und mündet in der Hyperautomation. In diesem Zustand können alle automatisierbaren Prozesse und Aufgaben, die im Unternehmen anfallen, durch die Kombination bzw. Integration der Werkzeuge und Technologien aus den jeweiligen Vorphasen bearbeitet werden.

Im folgenden Kapitel wird aus den gewonnenen Erkenntnissen und ermittelten Zusammenhängen eine Referenzdefinition erarbeitet, die der vorliegenden Arbeit zugrunde liegt.

2.2.3 Referenzdefinition dieser wissenschaftlichen Arbeit

Der Begriff Hyperautomation wird im Folgenden angewendet, wenn ein Zusammenspiel der drei Kernkomponenten aus Abbildung 4 stattfindet. Hierbei wird der Einsatz eines ausführenden, eines koordinierenden und eines intelligenten Teils betrachtet.

Aus den Definitionen in Tabelle 1 und Tabelle 2 ist zu entnehmen, dass Hyperautomation durch die intensive Verwendung von RPA geprägt wurde und dieses eine elementare Rolle einnimmt. Ebenso wichtig ist die intelligente Komponente, etwa in Form von ML, CV oder NLP. Die Verwendung von KI und RPA wird zudem von Managementsystemen überwacht und koordiniert. Hierbei können BPMS oder iBPMS, je nach Anbieter auch Orchestrator (UiPath) oder Kontrollraum (Automation Anywhere) genannt, dienen. Das BPM bildet in diesem Sinne den konzeptionellen Rahmen für den Einsatz von Hyperautomation. Es definiert die Tätigkeiten, Rollen und Voraussetzungen der Automatisierung und ggf. auch der Digitalisierung (Koch und Wildner 2020, S.213).

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 4: Hyperautomation in a Nutshell - Eigene Darstellung

Um die Vorteile von Hyperautomation voll ausschöpfen zu können, benötigen Unternehmen eine übergreifende Sicht auf ihre Funktions- und Prozessebenen (Cearley et al. 2019, S.11). Ein derartiges Prozessmanagement hilft Verbesserungspotenzial in Prozessen zu identifizieren, wobei Automatisierung und KI bei der Reaktion auf Ereignisse und Auswertung der gesammelten Daten unterstützen (Koch und Wildner 2020, S.216). Der Ansatz der Verwendung immer hochentwickelterer Modelle zur Analyse und Steuerung von Prozessen kommt dabei der Entwicklung eines digitalen Zwillings einer Organisation (engl. Digital Twin of an Organization) gleich (Cearley et al. 2019, S.11).

Hyperautomation ist somit nicht die konkrete Verwendung von bestimmten Technologien. Vielmehr handelt es sich um einen Katalog von Technologien, die zur Digitalisierung, Automatisierung und Optimierung des Unternehmens und seiner Prozesse beitragen können. Der Begriff wird geprägt durch die drei Kategorien Roboter, Koordinierung und Intelligenz. Der bloße Einsatz eines oder mehrerer Software-Roboter ist genauso wenig Hyperautomation wie der alleinige Einsatz von BPMS. Erst das Zusammenspiel und die Integration der einzelnen Blöcke ineinander wird als Hyperautomation angesehen.

Aus Abbildung 3 kann entnommen werden, dass Hyperautomation als Strategie und Wegbereiter zu einer einheitlichen und zentral gesteuerten Unternehmensautomatisierung beiträgt. Hierfür stellt Hyperautomation eine Toolbox zur Verfügung, mithilfe der, je nach Anwendungsszenario, eine individuell passende und flexible Automatisierung erfolgen kann.

3 Methodik

Die wissenschaftliche Forschung in dieser Arbeit folgt der DSRM nach Peffers et al. (2007, S.54). Der DSRM-Prozess, das Vorgehen der strukturierten Literaturanalyse nach vom Brocke et al. (2009, S.5ff.) und die Darstellung der Implementierung und Evaluierung anhand der Grounded Theory Methodology nach Strauss und Corbin (1996, S.1ff.) werden im Folgenden erläutert.

3.1 Gesamtvorgehen der Arbeit

Der Aufbau dieser Arbeit orientiert sich an der DSRM nach Peffers et al. (2007, S.54). Diese formulieren einen konzeptionellen Prozess, der auf der bisherigen Literatur über Design Science in Information System (IS) und Referenzdisziplinen aufbaut und Forschern einmental modelfür praxisnahe Forschungsergebnisse liefert (Peffers et al. 2007, S.50). Dabei ist ein allgemein akzeptierter Rahmen für die Durchführung und Präsentation von Design Science Research entstanden.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 5: Vorgehen nach der DSRM in Anlehnung an Peffers et al. (2007, S.54)

Peffers et al. (2007, S.54) empfehlen für die Bearbeitung der vorliegenden wissenschaftlichen Untersuchung einen problemlösungsorientierten Ansatz. Die angewandte Herangehensweise ermöglicht einen kontinuierlichen Verbesserungsprozess während der Bearbeitung durch die Verknüpfung von Forschung und Praxis (Peffers et al. 2007, S.70). Der ursprünglich sechsstufige Prozess wurde auf das Forschungsproblem adaptiert und in vier Prozessaktivitäten zusammengefasst. Die vier, teilweise iterativen, Prozesselemente werden sequenziell durchgeführt (Abbildung 5), wodurch auf Basis von wissenschaftlichen und praktischen Kriterien ein Artefakt erstellt wird. Umrahmt wird der Prozess von einer weiteren Komponente, der Kommunikation. Hierbei handelt es sich vorwiegend um die Dokumentation der durchgeführten Stufen und den dabei behandelten Themen. Zusätzlich erfolgt, in Anlehnung an Peffers et al. (2007, S.54), in den folgenden Abschnitten eine prägnante Beschreibung der verschiedenen Prozessaktivitäten.

[...]

---

¹ In dieser Arbeit wird aus Gründen der besseren Lesbarkeit das generische Maskulinum verwendet. Weibliche und anderweitige Geschlechteridentitäten werden dabei ausdrücklich mitgemeint, soweit es für die Aussage erforderlich ist.

² Der Begriff Proof of Concept wird in der vorliegenden Arbeit synonym mit dem Begriff Prototyp verwendet.

³ https://www.wipro.com/ - Wipro Limited ist ein weltweit führendes Unternehmen für Informationstechnologie, Beratung und Geschäftsprozessdienstleistungen (Wipro Limited 2021).

⁴ https://www.gartner.de/de - Gartner Inc. ist ein 1979 gegründetes Research- und Beratungsunternehmen, das Marktforschungsergebnisse und Analysen über die Entwicklungen in der IT anbietet (Gartner Inc. 2021a).

⁵ https://www.uipath.com/de/

⁶ https://www.automationanywhere.com/de/

⁷ https://www.blueprism.com/de/

⁸ https://www.forrester.com/bold - Forrester Research ist ein 1983 gegründetes unabhängiges Technologie- und Marktforschungsunternehmen mit dem Schwerpunkt auf bestehende und potenzielle Auswirkungen von Technologien (Forrester Research 2021).

⁹ https://standards.ieee.org/ - IEEE Standards Association ist eine führende konsensbildenden Organisation, die globale Technologien pflegt, entwickelt und vorantreibt (IEEE Standards Association 2021).

¹⁰ https://www.iqpc.com/

¹¹ https://home.kpmg/de

¹² Die genannten Anbieter liefern mittlerweile Lösungen, die weit über reine RDA oder RPA hinausgehen und eigenständig mit diversen Situationen, wie etwa geänderte Benutzeroberflächen, umgehen können.