Künstliche Intelligenz (KI) hat sich zu einer Technologie entwickelt, die durch ihre Fähigkeit, Aufgaben «intelligent» zu erledigen, branchenübergreifend die Wirtschaft beeinflusst, weshalb Unternehmen eine Produktivitätssteigerung erwarten. Diese kann durch eine Prozessoptimierung erreicht werden. Mit Geschäftsprozessmanagement (BPM) können Unternehmen ihre Prozesse mit einem strukturierten Vorgehen gezielt optimieren. Vor diesem Hintergrund ist es das Ziel dieser Arbeit aufzuzeigen, wie die Geschäftsprozesse von Eniwa mittels BPM und dem Einsatz von KI verbessert werden können.

Zur Erläuterung der theoretischen Grundlagen wurde eine Literaturrecherche durchgeführt. Für den praktischen Teil der Arbeit wurden drei Prozesse ausgewählt: «Kundenanfrage beantworten» (Kundendienst), «Stelle ausschreiben» (HR) und «Diensteinsatzplanung» (Elektro). Diese eignen sich für Eniwa, um Erfahrungen in der KI-gestützten Prozessoptimierung zu sammeln. Es wurde beschrieben, wie Prozesse, die sich für die Optimierung eignen, priorisiert, erhoben, gemessen und analysiert werden können und welche KI-Technologie für welche Prozessaufgabe geeignet ist.

In dieser Arbeit wurde gezeigt, dass der Einsatz von KI in den betrachteten Geschäftsprozessen Potenzial zur Verbesserung hat. Insbesondere Kundendienstprozesse eignen sich für eine Optimierung durch KI, wie bspw. der Prozess «Kundenanfrage beantworten», wo KI-Chatbots eingesetzt werden können. Dies führt dazu, dass die Kundenanfragen automatisiert beantwortet werden können, wodurch die Bearbeitungszeit sinkt und die Kundenzufriedenheit folglich gesteigert wird. Für das HR konnte ebenfalls gezeigt werden, dass Augmented Writing dazu beitragen kann, Stellenanzeigen effektiver und zielgerichteter zu formulieren, was die Bewerberqualität verbessert. Ausserdem kann Generative KI eingesetzt werden, um adressatengerechte LinkedIn-Posts zur Stellenausschreibung zu formulieren. Der Prozess «Diensteinsatzplanung» zeigt zunächst die Relevanz der Priorisierung von Prozessen, sowie, dass nicht jeder Prozess für eine KI-Implementierung geeignet ist. Viele KI-Projekte scheitern in Unternehmen, was auf eine unzureichende Datenqualität zurückzuführen sein kann. Da KI-Modelle Daten benötigen, auf denen sie trainiert werden, müssen diese Daten eine angemessene Datenqualität aufweisen.