Wertstromanalysen gehören zu den wirksamsten Methoden, um echte Verbesserungen in Organisationen anzustoßen. Doch oft bleibt die Identifikation von Engpässen unscharf. Einzelne Zahlen, Prozessdarstellungen oder Interviews reichen selten aus, um das große Ganze zu verstehen.
Genau hier kann Künstliche Intelligenz unterstützen. Sie hilft, unterschiedliche Quellen zusammenzuführen und Muster zu erkennen, die sonst verborgen bleiben. Typische Datenquellen sind zum Beispiel:
- Projekt- und Ticketsysteme wie Jira, Azure DevOps oder Clarity. Sie liefern Informationen zu Durchlaufzeiten, Statuswechseln und Wiederaufnahmen.
- Prozessdokumentationen und Handbücher. Sie beschreiben Soll Abläufe und Rollen.
- Interview und Workshop Protokolle. Sie geben Aufschluss über kulturelle und organisatorische Ursachen für Verzögerungen.
- Kommunikationsdaten aus E Mails, Chats oder Meeting Logs. Sie zeigen Koordinationsaufwände und Entscheidungshürden.
- Systeme für Entwicklung und Betrieb wie CI/CD Pipelines. Sie machen sichtbar, wo sich Wartezeiten im Deployment ergeben.
- Service Management Systeme wie ServiceNow. Sie liefern Hinweise auf Störungen, Change Requests oder SLA Verletzungen.
Besonders häufig zeigen sich dabei wiederkehrende Bottlenecks, wie zum Beispiel:
- Lange Wartezeiten bei Freigaben, die zu Verzögerungen im gesamten Prozess führen.
- Fehlende Testkapazität im Fachbereich, wodurch sich User Acceptance Tests immer wieder verschieben.
- Unklare Anforderungen, die mehrfaches Rework erzeugen und so die Lead Time verlängern.
- Abhängigkeiten zwischen Teams oder externen Dienstleistern, die Wartezeiten und Koordinationsaufwand verursachen.
- Starre Release Takte, die den Flow bremsen, selbst wenn Arbeitspakete längst fertig sind.
- Unklare Verantwortlichkeiten, die zu Schleifen in der Abstimmung und zu verzögerten Entscheidungen führen.
Durch den Einsatz von KI werden diese Daten nicht nur nebeneinandergelegt, sondern integriert ausgewertet. Auf diese Weise lassen sich Engpässe im Wertstrom systematisch identifizieren, priorisieren und mit Hypothesen belegen. Führungskräfte und Entscheider erhalten dadurch eine fundierte Basis, um nicht nur lokal zu optimieren, sondern den gesamten Fluss zu verbessern.
Um diese Logik pragmatisch nutzbar zu machen, habe ich einen Prompt entwickelt, den man mit KI Systemen verwenden kann. Er führt durch die wichtigsten Schritte, von der Analyse bis zur Ableitung systemischer Maßnahmen:
Beispiel-Prompt für KI-gestützte Constraint-Analyse:
Du bist ein Analyst, der Wertströme in einer Bank untersucht. Deine Quellen sind:
- Jira-Daten – z. B. Durchlaufzeiten, Statuswechsel, Reopen-Quoten.
- Prozessdokumentation – offizielle Beschreibung der Prozessschritte.
- Interviewprotokolle – Aussagen von Fach- und IT-Mitarbeitern.
Aufgabe:
- Analysiere die Daten gemeinsam.
- Identifiziere Constraints/Engpässe im End-to-End-Wertstrom.
- Ordne die Constraints einem Prozessschritt oder Übergang zu.
- Formuliere eine Hypothese, warum es sich um einen Engpass handelt.
- Stütze dich, wenn möglich, auf mindestens zwei Quellen.
- Schlage 1–2 Maßnahmen vor, die systemisch wirken (nicht nur Quick-Wins).
Output-Format:
- Constraint-Titel: [kurzer prägnanter Name]
- Ort im Wertstrom: [Prozessschritt oder Übergang]
- Evidenz:
- Jira: [Kennzahlen oder Auffälligkeiten]
- Prozessdokumentation: [Hinweis oder Abweichung]
- Interview: [repräsentatives Zitat oder Zusammenfassung]
- Hypothese: [Warum dieser Constraint den Gesamtfluss begrenzt]
- Mögliche Maßnahmen: [1–2 systemische Hebel]