KI hinter den Kulissen: Wie UX Solution Architecture aus einzelnen KI-Tools intelligente Prozesse macht

KI Automatisierung Bot UX
von Julian Wahl
Abstraktes Chat-Fenster aus Glas im Vordergrund, durch das ein Prozess-Netzwerk aus Knoten und Verbindungen im Hintergrund durchscheint.

Die Nutzung von KI wird natürlicherweise unmittelbar mit generativem Output assoziiert. Dabei liegt der Wert von KI nicht nur in der Generierung von Texten, Bildern oder Code – sondern KI entfaltet ihre Wirkung an ganz anderen Stellen auf dem Weg dorthin. Wo genau diese Stellen liegen können, zeigt dieser Artikel anhand eines Praxisbeispiels am Employee Lifecycle, den wir nicht nur durchleuchtet, sondern gänzlich neu aufgebaut haben, um die Datenqualität während eines Neueinstellungsprozesses maßgeblich zu steigern.

Der eigentliche Nutzen von KI entsteht häufig nicht ausschließlich beim Endergebnis, sondern auf dem Weg dorthin. KI hilft dabei, komplexe Prozesse über verschiedene Systeme, Datenquellen und Verantwortlichkeiten zu orchestrieren. Sie unterstützt dabei, Informationen zu interpretieren, Aufgaben zu erfassen, Abläufe anzustoßen und Informationen und Wissen zum richtigen Zeitpunkt zu den richtigen Adressaten zu bringen. Genau dieser holistische Blick steht im Mittelpunkt von dem, was sich hinter dem Begriff UX Solution Architecture verbirgt.

Denn viele Herausforderungen lassen sich nicht dadurch lösen, dass einzelne isolierte Tools oder Modelle Antworten generieren. Sie lassen sich dadurch lösen, dass Daten, Prozesse durch Menschen und Systeme sinnvoll miteinander verbunden werden. Genau dieses Potenzial in der Kombination von Tools und Systemen werde ich später an dem angesprochenen Praxisbeispiel ausführen. Daran wird deutlich, wie sich der Hebel an Projekten verändern kann und wie sich die Betrachtungsweise von ungenutzten Potenzialen dabei verschiebt.

Die Ausgangssituation

In vielen Projekten und Unternehmen begegnet man immer wieder denselben zwei Mustern: Informationen sind unvollständig oder werden nicht gepflegt, bis sie veraltet sind, oder die Informationen sind vorhanden, gelangen aber nicht an die relevanten Personen. Beide Varianten führen zum selben hinderlichen Ergebnis: Prozesse laufen nicht rund, Informationen werden gesucht statt gefunden und Entscheidungen werden auf Basis von Annahmen statt auf Basis belastbarer Informationen getroffen.

Um diese Probleme nachhaltig zu lösen, benötigt es eine Architektur, die Daten, Prozesse und Nutzerinteraktionen sinnvoll miteinander verbindet. Die wesentlichen Hauptaufgaben bestehen darin, eine sinnvolle Tool-Auswahl und deren Orchestrierung und ein geeignetes Datenmodell mit einem durchdachten Rollen- und Rechtekonzept zu definieren. Die ausgewählten Tools und Systeme sollen nicht eine weitere Insellösung sein, sondern sie sollen sich über offene Schnittstellen sauber in den Gesamtprozess einfügen. Das Datenmodell muss von Anfang an auf Wachstum ausgelegt sein, sodass zusätzliche Rollen und Zielgruppen ergänzt werden können, ohne dass bestehende Strukturen und Berechtigungen neu geschnitten werden müssen.

Der Employee Lifecycle als Use Case

Ein prädestiniertes Praxisbeispiel für diese Komplexität ist der Employee Lifecycle. Dabei begrenzen wir an der Stelle zunächst den Scope auf den Zeitpunkt des ersten Systemeintritts einer Person bis hin zu deren Vertragserstellung.

In diesem Kontext greifen zahlreiche unterschiedliche Rollen, Prozesse und Systeme ineinander. Informationen werden permanent erhoben, geprüft, ergänzt, weitergegeben und fortlaufend aktualisiert. Genau diese Komplexität macht den Prozess zu einem idealen Anwendungsfall für intelligente Orchestrierung und domänenspezifische KI.

Ziel ist es, den jeweiligen Zielgruppen – in unserem Fall fokussiert auf Führungskräfte und Mitarbeitende der Personalabteilung – genau die Informationen bereitzustellen, die sie für ihre aktuelle Aufgabe benötigen, um ihnen die jeweils nächsten sinnvollen Schritte aufzuzeigen.

Nachricht des Bots in Microsoft Teams: Eine neue Personalanforderung für die Stelle Projektmanager wurde eingereicht, mit Link „Anfrage öffnen“.
Proaktive Benachrichtigung in Teams, sobald eine neue Anforderung eingeht.

Die Interessen der beteiligten Personengruppen sind dabei höchst unterschiedlich. Führungskräfte wollen schnell und intuitiv neue Personalanforderungen stellen können, ohne dass es sie lange von ihren operativen Aufgaben abhält. Idealerweise in den Arbeitsumgebungen, in denen sie ohnehin schon arbeiten. Mitarbeitende der Personalabteilung wollen unmittelbar benachrichtigt werden, sobald eine Anforderung eingeht, und automatisiert die nächsten Schritte angeboten bekommen: Vertragsentwurf, Onboarding-Vorbereitung, Ausstattungsliste abarbeiten.

Die Komplexität liegt also nicht in einem einzelnen Schritt, in einem einzelnen Output, sondern in dem durchgängigen Zusammenspiel über viele Rollen und Systemgrenzen hinweg – und genau hier kommt KI ins Spiel: als verbindendes Element, das die richtigen Informationen zu der richtigen Zeit an die richtige Stelle bringt. Und dieses bewusste Zusammenführen von Mensch, Prozess und Tooling ist der Kern von UX Solution Architecture.

Nehmen wir folgendes Beispiel aus meinem Anwendungskontext: Eine Führungskraft meldet den Bedarf für eine neue Stelle direkt über eine Adaptive Card im Microsoft Teams-Chat, in dem sie ohnehin arbeitet. Durch einen Bot werden die Eingaben strukturiert erfasst und automatisch als Datensatz im zentralen Datenmodell angelegt.

Teams-Chat mit dem Services-Bot: Auf „Hallo“ antwortet der Bot mit einer Begrüßung und den Schnellzugriffen „Neue Personalanforderung stellen“, „Umbesetzung“ und „Meine Anforderungen“.
Der Teams-Bot zeigt je nach Rolle, wobei er gerade helfen kann.

Kommen Bewerbungsunterlagen hinzu, liest ein KI-Schritt die Lebensläufe aus, extrahiert relevante Informationen und befüllt die passenden Felder automatisch, ohne dass diese fehleranfällig manuell befüllt werden müssen.

Auf dieser Grundlage werden Vertragsentwürfe vorbereitet, Onboarding-Aufgaben angestoßen und alle beteiligten Personen zu jedem Zeitpunkt mit den für sie relevanten Informationen versorgt.

Für die Beteiligten wirkt dieser Ablauf nahtlos – obwohl im Hintergrund Microsoft Teams, das Datenmodell, eine komplexe Workflow-Orchestrierung und mehrere KI-Komponenten zusammenspielen.

Systemarchitektur: Administration, Personalabteilung und Führungskräfte arbeiten über Lovable und Microsoft Teams. Dahinter verteilt n8n Anfragen, legt Vorgänge an, benachrichtigt und ruft KI-Modelle auf. Supabase hält Personen, Vorgänge und Status, Rollen und Rechte sowie den Wissenskatalog.
Sichtbar für die Nutzenden sind Teams und Lovable – n8n, Supabase und die KI-Modelle arbeiten hinter den Kulissen.

Die Auswahl der richtigen Werkzeuge

Für die Realisierung des Use Cases setzen wir eine Reihe aktueller KI- und Automatisierungs-Tools ein. Die konkrete Auswahl ist dabei eine Momentaufnahme: Die Tool-Landschaft verändert sich schnell und entscheidend ist am Ende weniger das einzelne Produkt als die Rolle, die es im Gesamtprozess ausfüllt.

Microsoft Teams dient als niedrigschwelliger Einstiegspunkt für die Nutzenden. Statt eine weitere Anwendung und deren Ort zu kennen, bleiben Führungskräfte und Personalmitarbeiter dort, wo sie ohnehin den Großteil ihres Arbeitstages verbringen. Konkret setzen wir dafür einen Microsoft Teams Bot ein, der jederzeit erreichbar ist und klar weiß, wofür er zuständig ist. Dieses Wissen definieren wir in einem „Wissenskatalog“, sodass wir jederzeit die Kompetenzen und Fähigkeiten des Bots ausbauen können, wenn weitere Fähigkeiten von dem Bot angeboten werden sollen. Für diese Konfiguration haben wir eine eigene UI entwickelt, um die Pflege und Wartung so benutzerfreundlich wie möglich abzubilden.

Admin-Oberfläche mit einer Liste von Bot-Services wie „Neue Personalanforderung stellen“, „CV hochladen“ und „Offene Anfragen“, jeweils mit Status, Umgebung, berechtigten Rollen und Verantwortlichem.
In der Admin-Oberfläche wird gepflegt, welche Services der Bot für welche Rollen anbietet.

Durch Proactive Messaging meldet sich der Bot zudem von sich aus, sobald relevante Events eintreten: eine neue Personalanforderung, eine Statusänderung oder ein Kommentar zu einem Vorgang. Die Information kommt zu den Menschen, statt dass diese sie suchen müssen.

Mit Lovable bauen wir leichtgewichtige, individuell zugeschnittene Frontends dort, wo wir eigene Oberflächen brauchen, die über das hinausgehen, was Teams leisten kann. Ohne das Deployment selbst verantworten zu müssen, lassen sich UIs in rasanter Geschwindigkeit realisieren. Supabase dient dabei als Backbone des Datenmodells. Hier liegen alle Informationen zu Personen, Verträgen, Statusinformationen und allen Verknüpfungen, die für den Lifecycle relevant sind. Es erlaubt uns, Datenstrukturen schnell zu modellieren und diese über klare Schnittstellen anderen Apps wie u. a. Lovable, Teams oder n8n zur Verfügung zu stellen.

Die einzelnen Workflows laufen in n8n zusammen, wo die einzelnen Schritte miteinander verbunden werden. Das Absenden einer neuen Personalanforderung löst eine Kette von Ereignissen aus: Daten werden in Supabase angelegt, die Personalabteilung wird benachrichtigt, ein Vertragsentwurf wird vorbereitet, KI-Modelle reichern Informationen an, prüfen auf Vollständigkeit oder lesen Dokumente zur relevanten Vorbefüllung aus. Aus einzelnen Bausteinen entsteht so ein Prozess, ohne dass wir tief in eigenes Backend-Engineering einsteigen müssen.

Da innerhalb dieses Prozesses sensible Personaldaten verarbeitet werden, wurden Datenschutz und Compliance von Anfang an mitgedacht. KI kommt nicht als unkontrollierte Black Box zum Einsatz, sondern innerhalb klar definierter Prozesse. Personenbezogene Daten werden ausschließlich in dafür vorgesehenen Systemen verarbeitet und unter Berücksichtigung der geltenden DSGVO-Anforderungen behandelt.

Für die Kommunikation der Tools untereinander verwenden wir Top-Tier-LLMs, um einerseits so effizient und effektiv wie möglich zu arbeiten, andererseits um deren Grenzen und Schwachstellen zu erkennen. Dadurch schärft sich das Verständnis, welche Aufgaben KI übernehmen kann und welche Aufgaben eben nicht. Über die gesamte Projektlaufzeit hinweg entsteht dadurch ein wachsendes Wissens-Repository, in dem Kontext, Anforderungen und getroffene Entscheidungen kontinuierlich festgehalten werden. So geht das „Warum“ hinter einer Lösung nicht verloren, sondern bleibt abrufbar und wird selbst zur Grundlage für die nächsten Schritte. KI wird dadurch nicht nur Teil der Lösung selbst, sondern zu einem Sparringspartner bei der Gestaltung komplexer Systeme und Prozesse – und zum Gedächtnis des Projekts.

Ausblick

Spannend wird es, wenn man diesen Ansatz weiterdenkt. Die beschriebene Architektur ist nicht auf den User Lifecycle beschränkt. Dasselbe Muster aus Datenmodell, Orchestrierung, Oberflächen und KI-Komponenten lässt sich auf jede Domäne und jede Branche übertragen: Wissen im Unternehmen tool-agnostisch verfügbar zu machen und eine Architektur aufzusetzen, die dieses Wissen nutzt, um es zu den notwendigen Zeitpunkten an die relevanten Stellen weiterzureichen.

Die Möglichkeiten, die sich in diesem Kontext durch KI eröffnen, sind ebenso groß wie spannend. Ihr größtes Potenzial entfaltet sich jedoch erst dann, wenn KI nicht ausschließlich als Werkzeug zur Generierung von Ergebnissen verstanden wird. Der eigentliche Hebel liegt in der intelligenten Orchestrierung von Daten, Prozessen, Menschen und Systemen.

Genau das ist die Aufgabe moderner UX Solution Architecture: die richtigen Informationen zur richtigen Zeit am richtigen Ort bereitzustellen und dabei die Stärken von Mensch und Maschine sinnvoll zu kombinieren. Denn nur dann baut man digitale Produkte, die nicht am Menschen vorbei entwickelt werden und letztendlich vor allem eine Aufgabe erfüllen: echte User Needs treffen.