Engpassanalyse: Den echten Bottleneck finden, bevor du automatisierst
Automatisierung scheitert nicht an der Technik, sondern am falschen Ansatzpunkt. Wie man den Engpass findet, der den größten ROI bringt.
Definition
Engpassanalyse: Ein Bottleneck ist der Prozessschritt mit dem größten Durchsatz-Engpass — der Punkt, an dem Arbeit akkumuliert und alle anderen Effizienzgewinne aufzehrt. Ihn zuerst zu identifizieren ist Voraussetzung für jeden nachhaltigen ROI durch Automatisierung.
Das Problem mit „Wir wollen digitalisieren"
Die meisten KMU-Digitalisierungsprojekte starten mit dem Symptom, nicht der Ursache. Das Team beschwert sich über manuelle Prozesse, ein Tool wird eingeführt – und sechs Monate später sitzt das gleiche Team vor dem gleichen Tool und beklagt sich über die gleichen Probleme.
Der Fehler: Automatisiert wurde der falsche Schritt.
Die Bottleneck-Diagnose in 4 Schritten
1. Prozessfluss aufzeichnen (nicht schönzeichnen)
Nicht den Soll-Prozess dokumentieren, sondern den Ist-Prozess – so wie er wirklich läuft. Oft unterscheiden sie sich erheblich.
Werkzeuge: Miro, Lucidchart, oder einfach ein Whiteboard. Der Detailgrad spielt keine Rolle. Was zählt: Übergabepunkte, Wartezeiten, manuelle Eingriffe.
2. Durchlaufzeit messen, nicht schätzen
„Das dauert ungefähr eine Stunde" ist keine Baseline. Messbare Baseline ist: Ticketerstellungszeitpunkt → Abschluss, pro Ticket, über 30 Tage.
Die meisten Teams sind überrascht: Die Arbeit selbst macht oft nur einen kleinen Teil der gemessenen Zeit aus. Der Rest ist Warten, Suchen, Kommunizieren.
3. Fehlerrate & Nacharbeit tracken
Automatisieren lohnt sich besonders dort, wo Fehler teuer sind – nicht wo sie häufig sind. Ein Prozess mit 1 % Fehlerrate, der täglich läuft, kostet mehr als einer mit 10 % Fehlerrate, der wöchentlich läuft.
4. ROI-Hypothese formulieren, bevor man baut
Format: „Wenn wir [Schritt X] automatisieren, sparen wir [Y Stunden/Woche] bei [Z Teams] und reduzieren [Fehlertyp] um [Prozentsatz]."
Diese Hypothese ist dein Erfolgsmaßstab. Ohne sie weißt du nach der Implementierung nicht, ob sie funktioniert hat.
Die Velocity Trap: Wenn mehr Automatisierung langsamer macht
Die Diagnose zeigt, wo Automatisierung wirkt. Das zweite Risiko kommt danach: zu viele Automationen ohne Architektur.
Es gibt einen Punkt in jedem Automations-Stack, an dem jede neue Automation das System langsamer macht, nicht schneller.
Das klingt paradox. Ist es aber nicht.
Phase 1: Quick Wins
Die ersten 5–10 Automationen sind einfach. Klarer Input, klarer Output, wenig Abhängigkeiten. Der Stack läuft. Das Team ist begeistert.
Phase 2: Wachstum ohne Architektur
Weitere Automationen kommen hinzu. Jede für sich sinnvoll. Aber: Keine gemeinsamen Datenmodelle, keine zentrale Error-Handling-Strategie, keine einheitlichen Konventionen.
Phase 3: Die Trap schnappt zu
Ein Prozess ändert sich (z.B. ein API-Feld wird umbenannt). Plötzlich brechen 7 Automationen. Das Debugging dauert 2 Tage. Das Team traut sich nicht mehr, Änderungen vorzunehmen.
Drei Prinzipien gegen die Trap
1. Single Source of Truth für Datenfelder
Jedes Datenfeld, das mehrere Automationen nutzen, muss eine eindeutige Quelle haben. Änderungen dort propagieren sich kontrolliert.
2. Explizites Error-Handling von Anfang an
Retries, Dead-letter-Queues, Alerting – nicht nachträglich. Eine Automation ohne definierten Fehlerfall ist eine tickende Zeitbombe.
3. Observability als Designziel
Wenn du nach einer Woche nicht sagen kannst, wie viele Runs deine Automation hatte, wie viele fehlgeschlagen sind und warum – dann fehlt die Observability.
Fazit
Der Bottleneck ist selten dort, wo er zuerst vermutet wird. Systematische Diagnose vor Implementierung spart mehr Zeit als jede Automation. Automations-Stacks, die skalieren, sind nicht die mit den meisten Flows. Sie sind die mit den klarsten Konventionen, der saubersten Datenbasis und dem explizitesten Error-Handling.
Siehe auch
Weiterlesen
Grundlagen zu KI für Unternehmen und die Artikel, die dieses Thema vertiefen.
Verwandte Artikel
Erfolgsmetriken für KI-Projekte — Was du messen solltest (und was nicht)
2 Min LesezeitProcess Mining mit KI — Automatische Workflow-Analyse für den Mittelstand
2 Min LesezeitProzessarchitektur für Wachstumsteams: Operative Strukturen die tatsächlich skalieren
6 Min LesezeitKI für Unternehmen: Der Guide für den Mittelstand
14 Min LesezeitWelche Arbeit kostet in deinem Unternehmen heute zu viel Zeit?
Die KI-Mitarbeiter-Fit-Prüfung zeigt, ob ein KI-Mitarbeiter wiederkehrende operative Arbeit in eurem Prozess übernehmen kann. Du bekommst eine klare Antwort, kein Tool-Pitch.
5 Fragen · etwa 3 Minuten · klare Fit-Einschätzung