Viele Unternehmen können einfache Fragen dazu, wie sie tatsächlich laufen, nicht beantworten — welcher Schritt bremst unsere Lieferzeiten wirklich? welche Initiative behebt welches Problem? —, weil die Antworten über voneinander abgekoppelte Foliensätze, Tabellen und die Köpfe erfahrener Menschen verteilt sind. In einer kürzlich gehaltenen Live-Session haben wir eine Alternative gezeigt: Ausgehend von einer leeren Seite und einer Handvoll gewöhnlicher Dokumente haben wir einen berechenbaren Wissensgraphen des Betriebsmodells eines Unternehmens gebaut — Strategie, Operations und Messung in einem verbundenen, typisierten Modell — mit KI, die die Schwerarbeit erledigt, und einem Menschen, der steuert. Das Ergebnis ist ein Modell, das Sie befragen können und das Antworten liefert, die Sie nachvollziehen, hinterfragen und neu durchrechnen können. Das ist der Kern dessen, was wir Operating Model Engineering nennen — und es unterscheidet sich grundlegend davon, eine KI über Ihre Dokumente laufen zu lassen.

„Wir wollen die Durchlaufzeit von der Bestellung bis zur Lieferung auf 1,5 Tage senken. Welcher Schritt in unserem Prozess bremst das am stärksten — und welche unserer angestoßenen Initiativen behebt ihn tatsächlich?"

• Strategie — wohin das Unternehmen will: seine Ziele und die Initiativen, die es dorthin bringen sollen.
• Das eigentliche Betriebsmodell — wie es sich organisiert, um zu liefern: die Fähigkeiten, auf die es sich stützt, die Teams, die sie tragen, die Systeme, auf denen sie laufen.
• Operations — wo die Arbeit tatsächlich passiert: die Prozesse und die einzelnen Aktivitäten, aus denen jeder besteht.

• Governance von oben. Enterprise-Architekten einstellen, ein Framework einführen, ein Modellierungswerkzeug vorschreiben und das Unternehmen sauber dokumentieren. Das schafft echte Strenge — ist aber langsam, teuer, und das Modell veraltet, sobald der Dokumentationsaufwand endet. Die Landkarte wird zum Compliance-Artefakt statt zum lebendigen Entscheidungswerkzeug.
• Mining von unten. Process-Mining- oder Datenwerkzeuge auf Ihre Event-Logs ansetzen und die Struktur aus den Spuren entstehen lassen. Das ist schnell und in der Realität verankert — sieht aber nur, was bereits in Ihren Systemen instrumentiert ist, und sagt Ihnen, was geschieht, nicht was geschehen sollte, nicht warum, nicht wer es verantwortet. Die Strategieebene ist dafür unsichtbar.

• Ein Wissensgraph ist schlicht Information, dargestellt als Knoten (Dinge — ein Ziel, ein Prozess, eine Aktivität, eine KPI) und Kanten (typisierte Beziehungen zwischen ihnen — diese Aktivität treibt jene KPI an; diese Initiative behebt jenen Schritt). Anders als in einem Dokument können Sie den Beziehungen folgen.
• Wir nennen ihn einen berechenbaren Wissensgraphen, weil er nicht nur ein Diagramm zum Anschauen ist: Die Knoten tragen echte Attribute — Bearbeitungszeit, Fehlerquote, Menge, Ausführungsart —, über die eine KI oder ein Mensch rechnen kann, um Fragen zu beantworten, Szenarien zu simulieren und Optionen zu priorisieren
• Die KI arbeitet als Co-Modellierer, nicht als Orakel. Sie liest ein Dokument, schlägt vor, wie es darzustellen ist, und der Mensch korrigiert und steuert. Sie schlägt vor; Sie entscheiden.

• ein Führungsmemo der Geschäftsführerin („warum wir ändern müssen, wie wir arbeiten");
• eine Prozessbeschreibung, wie eine Bestellung heute tatsächlich abläuft, ungeschönt;
• ein einseitiger KPI-Überblick (Ist vs. Ziel);
• eine kurze Strategie-Notiz mit drei angestoßenen Initiativen.

• „Welche Aktivitäten bremsen unsere Lieferzeit und Zuverlässigkeit am stärksten — und warum?" Das Modell verfolgte das Ziel → die KPI, die es misst → den Prozess → die konkreten Schritte mit hohem Aufwand und hoher Fehlerquote: manuelle Auftragserfassung, Bestandszuteilung, Kommissionierung und die Rückstandsschleife. Keine Vermutung — ein Gang entlang der Beziehungen, der die Zahlen auf jeder Aktivität abwägt.
• „Welche 2–3 Schritte sollten wir zuerst angehen, und welche angestoßene Initiative unterstützt jeden davon?" Die Priorisierung der Aktivitäten nach Menge × Bearbeitungszeit × Fehlerquote setzte Kommissionieren & Verpacken an die Spitze, dann die manuelle Auftragserfassung, dann Bestandszuteilung und Rückstände — und weil wir jede Initiative mit den Schritten verdrahtet hatten, die sie adressiert, konnte das Modell jeden Fix strukturell mit seiner Initiative verknüpfen: Auftragserfassung → das Self-Service-Portal; Bestandszuteilung und Rückstände → die bedarfsgesteuerte Nachschubsteuerung; Kommissionierung → das Lager-Pilotprojekt. Das ist eine Antwort, die Kanten im Graphen folgt, nicht eine KI, die improvisiert.
• „Worüber sind Sie sich am unsichersten? Wo widersprechen sich die Dokumente oder lassen eine Lücke?" Das war der Moment mit der größten Glaubwürdigkeit auf Führungsebene: Das Modell sagte uns, was es nicht wusste — wo sich Memo und Prozessnotizen widersprachen, welche Zahlen es eher gefolgert als gelesen hatte. Genau diese Lücken sind die Agenda, die eine echte Transformation schließen muss.

Nichts davon war eine KI, die ein Dokument zusammenfasst. Sie schloss über ein typisiertes Modell, das sie mit aufgebaut hatte — und lieferte Antworten, die Sie bis zum Knoten nachvollziehen, hinterfragen und morgen erneut durchrechnen können, wenn sich die Zahlen ändern.

Ein berechenbarer Wissensgraph gibt Ihnen eine gemeinsame, verlässliche Sicht — für Menschen und für KI. Alles andere — die Geschwindigkeit, das Vertrauen, die Nachvollziehbarkeit — ergibt sich daraus, ein typisiertes Modell auf Ihren Dokumenten zu haben, nicht nur einen Stapel davon.

• die Dokumente — die Memos, Verträge und Spezifikationen, die das Warum, Wer und Sollte festhalten, erreichbar über RAG;
• die operativen Daten — die Data Warehouses und Systeme, die festhalten, *was tatsächlich geschah*, erreichbar über dieselbe typisierte Struktur.

Die Struktur an die operativen Daten anzubinden, die ohnehin schon in Ihren Data Warehouses liegen, ist das, was aus einem Modell Ihres Betriebsmodells einen digitalen Zwilling davon macht — einen, der mit den Zahlen von heute Morgen antwortet, nicht mit dem Deck vom letzten Quartal.