Der Wandel von menschenzentrierten zu datenzentrierten Prozessen ist still passiert. Aber er verändert alles: wie Prozesse gedacht, dokumentiert und gesteuert werden müssen.
Solange ein Prozess hauptsächlich von Menschen ausgeführt wurde, konnte er in Köpfen leben. Erfahrung, Intuition und informelle Absprachen haben die Lücken gefüllt. Das hat funktioniert.
Sobald Daten, Automatisierung und KI ins Spiel kommen, funktioniert es nicht mehr. Systeme können keine Lücken mit Intuition füllen. Sie brauchen klare Definitionen: Was kommt rein? Was soll rauskommen? Was passiert dazwischen?
Genau das ist die Idee hinter dem IPO-Framework.
Ein Denkmodell mit Geschichte
Das IPO-Modell ist keine neue Erfindung. In der Informatik ist es seit den 1950er Jahren das grundlegende Denkmodell für jedes System das Daten verarbeitet: Ein System empfängt einen Input, verarbeitet ihn, und produziert einen Output. Einfach, vollständig, universell.
Was sich verändert hat, sind Geschäftsprozesse.
Operative Abläufe die früher rein manuell funktionierten, Auftragsbearbeitung, Angebotserstellung, Einkauf, Serviceplanung, Onboarding, werden zunehmend datengetrieben. ERP-Systeme, Automatisierungstools, KI-Assistenten und Sensorik dringen in Bereiche vor die vor zehn Jahren noch ausschließlich von Menschen und Papier gesteuert wurden.
Damit nähern sich Geschäftsprozesse strukturell der Informatik an. Sie empfangen Daten, verarbeiten sie, und produzieren Ergebnisse. Die Logik ist dieselbe, nur der Kontext ist ein anderer.
MAI DATA wendet das IPO-Denkmodell konsequent auf operative Geschäftsprozesse im industriellen Mittelstand an, mit einem entscheidenden Unterschied zur klassischen IT-Perspektive: Im Mittelpunkt steht nicht die Technologie, sondern der Geschäftswert.
Das Problem das es löst
Fragt man in einem Unternehmen drei Mitarbeitende wie ein bestimmter Prozess funktioniert, bekommt man drei verschiedene Antworten. Nicht weil jemand schlechte Arbeit leistet. Sondern weil der Prozess nie vollständig definiert wurde.
Was dokumentiert wurde sind die Schritte dazwischen. Was fast immer fehlt: Eine klare Definition dessen was in den Prozess reinkommen muss, und was am Ende konkret herauskommen soll.
Das hat Konsequenzen. Jeder füllt die Lücken mit Annahmen. Übergaben zwischen Abteilungen scheitern weil niemand definiert hat was übergeben werden muss. Rückfragen kosten Zeit. Und wenn auf dieser Basis automatisiert oder optimiert wird, wird das Problem nicht kleiner, es wird schneller und systematischer.
Automatisierung löst kein Strukturproblem. Sie beschleunigt es.
Die drei Sektoren
Das IPO-Framework gliedert jeden Prozess in drei klar abgegrenzte Sektoren. Es ist kein IT-Konzept, es ist ein Werkzeug für alle die Prozesse verstehen, dokumentieren und verbessern wollen.
Umsetzen von links nach rechts.
Input — Was muss reinkommen?
Der Input-Sektor definiert alles was ein Prozess benötigt bevor er gestartet werden kann. Welche Daten und Informationen müssen vorliegen, vollständig, in ausreichender Qualität, zum richtigen Zeitpunkt?
Im industriellen Mittelstand sind Datenquellen oft heterogen: ERP, Excel, E-Mail, Papier und Maschinensensoren koexistieren ohne klare Hierarchie. Jeder Kanal liefert Informationen, aber niemand hat definiert welche davon Pflicht sind bevor der nächste Schritt beginnt.
Die zentrale Frage: Welche Informationen müssen vollständig vorliegen damit dieser Prozess starten darf? Solange diese Frage nicht beantwortet ist, läuft jeder Prozess auf Basis von Annahmen.
Processing — Was passiert dazwischen?
Der Processing-Sektor beschreibt wie der Input in den gewünschten Output transformiert wird. Hier findet die eigentliche Wertschöpfung statt, und hier liegt gleichzeitig das größte Optimierungs- und Automatisierungspotenzial.
Output — Was soll konkret rauskommen?
Der Output-Sektor beschreibt das konkrete Ergebnis des Prozesses. Nicht abstrakt, sondern präzise: Was liegt am Ende vor? Für wen? In welchem Format? Bis wann?
Ein gut definierter Output ermöglicht es der richtigen Person zum richtigen Zeitpunkt die richtige Entscheidung zu treffen, ohne weitere Aufbereitung. Das ist der Maßstab.
Die Anwendungslogik: Output-first
Das IPO-Framework wird nicht von links nach rechts angewendet. Die Logik ist umgekehrt, und das ist der entscheidende Unterschied zu klassischer Prozessdokumentation.
Output definieren
Was soll am Ende konkret vorliegen, und welchen Geschäftswert hat das? Für wen? In welchem Format? Bis wann? Ein guter Output ist SMART.
Input klären
Welche Daten und Informationen braucht der Prozess um diesen Output zu produzieren? Was ist Pflicht, was ist optional?
Processing strukturieren
Welche Schritte transformieren den Input in den gewünschten Output, und welche davon können automatisiert werden?
Wer vom Output aus denkt, sieht Dinge die er sonst übersehen hätte. Welche Daten von Anfang an gesammelt werden müssen. Welche Übergabe früher hätte passieren sollen. Welcher Schritt gar nicht notwendig ist weil er zum definierten Output nichts beiträgt.
Praxisbeispiel: Angebotserstellung im Maschinenbau
Ein Maschinenbauer erhält eine Kundenanfrage. Die Kalkulation beginnt, irgendwie. Drei Tage später geht das Angebot raus. Zu spät. Der Kunde hat sich bereits woanders entschieden.
Mit dem IPO-Framework wird sichtbar warum.
Das Ergebnis: Angebote die schneller raus gehen, weniger Fehler enthalten, und Kunden die nicht zur Konkurrenz wechseln weil die Antwort zu lange dauert.
Was das Framework leistet, und was nicht
Das IPO-Framework schafft Klarheit. Aber Klarheit alleine verändert noch nichts. Der nächste Schritt ist Optimierung, dann Automatisierung, dann intelligentes Wissensmanagement das sicherstellt dass das erarbeitete Wissen im Unternehmen bleibt.
Was das Framework leistet: Es stellt sicher dass kein Prozess mehr auf Annahmen gebaut wird. Dass Input und Output so klar definiert sind dass Automatisierung nicht auf Sand gebaut wird. Und dass drei Mitarbeitende die denselben Prozess beschreiben auch dieselbe Antwort geben.
In den folgenden Artikeln gehen wir jeden Sektor im Detail durch, was guten Input ausmacht, wo im Processing das meiste Potenzial liegt, und wie Output-Definitionen in der Praxis aussehen die wirklich funktionieren.