Hören Sie auf, Trampelpfade zu asphaltieren – warum Prozessanalyse und -optimierung vor der Einführung von KI stehen sollten

In kaum einem Vorstandszimmer bleibt heutzutage die Frage „Was ist unsere KI-Strategie?“ aus. Der Handlungsdruck ist real, die Angst, etwas zu verpassen, groß: Wettbewerber kündigen Pilotprojekte an und machen mit KI Schlagzeilen, Anbieter versprechen Transformation, und niemand möchte das Unternehmen sein, das den Anschluss verpasst. Unter diesem Druck zeigt sich ein vertrautes Muster: Organisationen behandeln die Einführung von KI als das Projekt selbst – sie wählen zuerst ein Tool aus und suchen erst danach nach einem Anwendungsfall.

Die Erkenntnisse aus der Wirtschaftswissenschaft, der Informationssystemforschung und einer wachsenden Zahl von Analysen gescheiterter KI-Initiativen weisen in die entgegengesetzte Richtung. Die Organisationen, die mit Künstlicher Intelligenz Mehrwert erzielen, sind nicht diejenigen, die sie am schnellsten einführen, sondern diejenigen, die den Boden dafür bereiten: Sie überdenken ihr Geschäft und erfassen, analysieren und optimieren ihre Geschäftsprozesse, bevor auch nur ein einziges Modell in den Produktivbetrieb geht. Eine Bill Gates oft zugeschriebene Maxime bringt die zugrunde liegende Logik auf den Punkt: „(...) Automatisierung, die auf einen effizienten Betrieb angewendet wird, steigert dessen Effizienz; Automatisierung, die auf einen ineffizienten Betrieb angewendet wird, steigert dessen Ineffizienz.“ Die Zuschreibung mag auf Hörensagen beruhen; der Mechanismus ist, wie wir sehen werden, gut dokumentiert.

Dieser Artikel belegt – mit den entsprechenden Nachweisen –, warum disziplinierte Unternehmen seit jeher eine bestimmte Reihenfolge einhalten: zuerst analysieren, dann optimieren, danach automatisieren.

 

Die unbequeme Rechnung der Unternehmens-KI

Beginnen wir mit den Ergebnissen. Eine Studie der RAND Corporation aus dem Jahr 2024, die auf Interviews mit erfahrenen Data Scientists und Ingenieuren beruhte, schätzte, dass mehr als 80 % der KI-Projekte scheitern – etwa doppelt so viele wie bei IT-Projekten ohne KI [1]. Ein Jahr später veröffentlichte MITs Project NANDA für das Zeitalter der generativen KI eine noch drastischere Zahl: Trotz Investitionen von Unternehmen in Höhe von mehreren zehn Milliarden Dollar hätten rund 95 % der GenAI-Pilotprojekte keine messbaren Auswirkungen auf die Gewinn- und Verlustrechnung erzielt. Nur etwa 5 % der speziell entwickelten Unternehmens-Tools würden jemals in großem Maßstab produktiv eingesetzt [2].

Umfragedaten erzählen dieselbe Geschichte aus einem anderen Blickwinkel. S&P Global Market Intelligence stellte fest, dass der Anteil der Unternehmen, die die meisten ihrer KI-Initiativen aufgaben, 2025 auf 42 % stieg – gegenüber 17 % im Vorjahr. Im Durchschnitt wurden 46 % der Proofs of Concept verworfen, bevor sie überhaupt den Produktivbetrieb erreichten [3]. Gartner hatte genau diese Bereinigung vorausgesagt und prognostiziert, dass bis Ende 2025 mindestens 30 % der generativen KI-Projekte nach dem Proof of Concept eingestellt würden [4]. Und das betrifft nicht nur generative KI: Bereits 2019, bevor ChatGPT existierte, ergab eine globale Umfrage von MIT Sloan Management Review und Boston Consulting Group, dass sieben von zehn Unternehmen bis dahin nur geringe oder gar keine Auswirkungen ihrer KI-Investitionen festgestellt hatten [5].

Die entscheidende Erkenntnis betrifft jedoch nicht die Misserfolgsquote, sondern deren Ursachen. Als die Forschenden von RAND die Ursachen kategorisierten, hatten die häufigsten fast nichts mit Algorithmen zu tun: fehlende Abstimmung zwischen Führungskräften und technischen Teams darüber, welches Problem die KI lösen sollte; mangelnde Verfügbarkeit der für geeignete Modelle benötigten Daten; der Fokus auf den Einsatz neuester Technologien statt auf die Lösung realer Probleme der Nutzerinnen und Nutzer; sowie eine unzureichende Infrastruktur und Daten-Governance [1]. MITs Bericht kam zu einer ergänzenden Schlussfolgerung: Pilotprojekte scheitern, weil die Tools nicht in tatsächliche Arbeitsabläufe passen und nicht aus dem Kontext der Arbeit lernen – eine „Lernlücke“, die in den Abläufen und nicht in der Modellqualität begründet liegt [2].

Mit anderen Worten: Unternehmens-KI scheitert meist an der Auswahl des Problems, an den Daten und an der Integration in Prozesse. Genau diese drei Aspekte soll die Prozessanalyse richtig angehen.

 

Wir haben diesen Film schon einmal gesehen

Das dürfte niemanden überraschen, der sich daran erinnert, wie zuletzt eine universell einsetzbare Technologie die Unternehmen erfasste. 1990 diagnostizierte Michael Hammer nach einem Jahrzehnt hoher IT-Ausgaben in Unternehmen, die enttäuschende Produktivitätsergebnisse gebracht hatten, die Ursache in einem der einflussreichsten Managementartikel aller Zeiten: Unternehmen nutzten Technologie, um ihre alten Geschäftsweisen zu mechanisieren. So blieben ineffiziente Prozesse bestehen und wurden lediglich von Computern beschleunigt. „Es ist an der Zeit, keine Trampelpfade mehr zu asphaltieren“, schrieb er – statt überholte Prozesse in Silizium und Software einzubetten, sollten Organisationen zunächst die Arbeit selbst neu gestalten [6].

Wirtschaftswissenschaftler quantifizierten anschließend, was Hammer intuitiv erkannt hatte. Anhand von Unternehmensdaten aus den 1990er-Jahren zeigten Erik Brynjolfsson und Lorin Hitt, dass die Erträge aus IT-Investitionen stark unterschiedlich ausfielen. Der Unterschied ließ sich durch ergänzende organisatorische Investitionen erklären: Unternehmen, die Prozesse neu gestalteten, Entscheidungen dezentralisierten und in Kompetenzen investierten, erzielten mit derselben Technologie erhebliche Produktivitätssteigerungen, während sie Unternehmen, die die Technologie lediglich installierten, kaum etwas brachte [7]. Zwei Jahrzehnte später formalisierte dieselbe Forschungstradition diese Erkenntnis als „Produktivitäts-J-Kurve“: Universell einsetzbare Technologien – Elektrizität, Computer und heute KI – entfalten ihren Nutzen erst mit Verzögerung, weil Unternehmen zunächst immaterielle Ergänzungen wie neue Prozesse, neue Kompetenzen und neu organisierte Arbeitsabläufe schaffen müssen. Werden diese Ergänzungen ausgelassen, bleibt die Technologie dauerhaft hinter ihren Möglichkeiten zurück [8].

KI ist die Fortsetzung dieses Films – mit größeren Budgets und schnelleren Hype-Zyklen. Die Technologie hat sich verändert, die wirtschaftlichen Zusammenhänge rund um komplementäre Investitionen nicht.

Deshalb ist Mourinho Solutions der richtige Partner, um Sie auf dem Weg zu mehr Effizienz in Ihrer Organisation und zur Maximierung der Rendite Ihrer KI-Investitionen zu begleiten. Wir sind davon überzeugt, dass das Geschäft an erster Stelle steht – die Technologie (und KI) sollte folgen. Dafür gibt es fünf gute Gründe.

 

Grund 1: Automatisierung verstärkt jeden Prozess, auf den sie einwirkt

Ein Algorithmus, der in einem Prozess eingesetzt wird, übernimmt dessen Logik – einschließlich seiner Fehlentwicklungen. Das war Hammers ursprüngliche Warnung vor der IT [6]. Als Ende der 2010er-Jahre die robotergestützte Prozessautomatisierung (RPA) boomte, sprach auch die Forschungsgemeinschaft genau diese Warnung aus. Da RPA-Roboter die Art und Weise nachbilden, wie Arbeit derzeit erledigt wird – indem sie durch dieselben Bildschirme klicken und dieselben Regeln befolgen –, birgt eine Automatisierung ohne vorherige Prozessprüfung das Risiko, Ineffizienz mit digitalem Beton zu übergießen. Ein schlechter Prozess wird dadurch schneller, starrer und schwerer veränderbar [9]. Eine systematische Übersichtsarbeit zur RPA-Literatur identifizierte die Auswahl und Eignung von Prozessen – regelbasiert, standardisiert und ausgereift – ebenfalls als zentrale Erfolgsfaktoren. Eine ungeeignete Prozessauswahl wurde als wiederkehrende Ursache gescheiterter Initiativen festgestellt [10].

Diese Erkenntnis lässt sich direkt auf KI übertragen – und steht womöglich noch mehr auf dem Spiel. Ein Sprachmodell, das Antworten innerhalb einer fehlerhaften Genehmigungskette formuliert, füllt lediglich die Warteschlange am Engpass schneller. Ein ML-Modell, das die Nachfrage für einen Planungsprozess prognostiziert, an den sich niemand hält, erzeugt Vorhersagen, die niemand nutzt. Verstärkung ist der eigentliche Zweck von Automatisierung – deshalb sollte genau geprüft werden, was verstärkt wird.

 

Grund 2: Datenqualität ist das Ergebnis von Prozessen – und sie ist schlechter, als Sie denken

Jedes KI-System hängt von Daten ab, und Daten wiederum von Prozessen: Sie werden im alltäglichen Geschäftsbetrieb erstellt, eingegeben, umgewandelt und weitergegeben. Der Zustand dieser Daten ist ernüchternd. In einer Studie, in der Führungskräfte Stichproben der Datensätze ihrer eigenen Organisationen bewerteten, erfüllten nur 3 % der Unternehmensdaten grundlegende Qualitätsstandards. Fast die Hälfte der neu erstellten Datensätze enthielt mindestens einen kritischen Fehler, der sich auf die Arbeit auswirkte [11]. Die von RAND Befragten stuften den Mangel an geeigneten, nutzbaren Daten als eine der Hauptursachen für das Scheitern von KI-Projekten ein und merkten an, dass Organisationen den erforderlichen Aufwand für die Datenaufbereitung chronisch unterschätzen [1].

Die Folgen, wenn dieser Aspekt ignoriert wird, sind auch in der Praxis gut dokumentiert. Eine Studie unter KI-Fachleuten aus Bereichen mit hohen Anforderungen ergab, dass 92 % bereits „Datenkaskaden“ erlebt hatten – sich aufschaukelnde, nachgelagerte Ausfälle, ausgelöst durch vorgelagerte Probleme mit der Datenqualität, die meist unsichtbar bleiben, bis sie sich spät in Form fehlerhafter Modelle und aufgegebener Implementierungen bemerkbar machen [12]. Schon der Titel der Studie bringt das Reihenfolgeproblem der Branche auf den Punkt: „Alle wollen an den Modellen arbeiten, nicht an den Daten.“

Der strategische Punkt ist folgender: Datenqualität lässt sich nicht mit einem kurzen Bereinigungsprojekt herstellen, denn fehlerhafte Daten werden durch die Prozesse, die sie erzeugen, fortlaufend neu produziert. Die Prozessanalyse zeigt, wo Daten entstehen, dupliziert, erneut eingegeben und verfälscht werden; die Prozessoptimierung behebt den Fehler an der Quelle. Eine Organisation, die zuerst ihre Prozesse optimiert, schafft damit ganz nebenbei und gleichzeitig die Datengrundlage, auf der ihre künftige KI aufbauen wird.

 

Grund 3: Ohne Einblick in Ihre Prozesse wählen Sie die falschen Anwendungsfälle

Die Entscheidung, wo KI sinnvoll ist, ist eine Portfolientscheidung. Sie lässt sich nicht fundiert treffen, ohne zu wissen, wie die Arbeit tatsächlich abläuft. Davenport und Ronanki [13] untersuchten 152 Projekte mit kognitiven Technologien und stellten fest, dass ambitionierte „Mondflug“-Projekte häufig enttäuschten, während erfolgreiche Anwender schrittweise vorgingen: Sie untersuchten ihre Prozesse Aufgabe für Aufgabe und ordneten konkrete KI-Fähigkeiten konkreten Engpässen in konkreten Arbeitsabläufen zu.

Genau diesen Einblick auf Aufgabenebene bietet die Disziplin des Geschäftsprozessmanagements (BPM) – und sie zählt zu unseren Kernkompetenzen. Der standardmäßige BPM-Lebenszyklus umfasst die Prozessidentifikation, -erhebung und -analyse sowie die Neugestaltung vor Implementierung und Automatisierung. Diese Reihenfolge hat sich über Jahrzehnte der Praxis herausgebildet: Einen ungeprüften Prozess zu automatisieren, ist ein Kategorienfehler [14]. Modernes Process Mining verstärkt diesen Ansatz zusätzlich: Durch die Rekonstruktion von Prozessen anhand der Ereignisprotokolle bestehender IT-Systeme ersetzt es meinungsbasierte Prozesslandkarten durch Belege. So werden die tatsächliche Anzahl an Prozessvarianten, Nacharbeitsschleifen, Abweichungen und Engpässe sichtbar – Dinge, die Interviews allein niemals aufdecken [15]. Im Grunde ist es ein Röntgenbild vor einer Operation – und häufig zeigt sich dabei, dass der Prozess, den Führungskräfte beschreiben, nicht dem Prozess entspricht, den die Organisation tatsächlich ausführt.

Die klassischen Erfolgsgeschichten der Automatisierung beruhten genau auf dieser sorgfältigen Auswahl. Bei Telefónica O2, einem der frühesten und meistzitierten RPA-Einsätze, der letztlich eine Rendite im Hunderte-Prozent-Bereich erzielte, wurden die Ziele für die Automatisierung bewusst gewählt: Prozesse mit hohem Volumen, standardisiert und regelbasiert, die stabilisiert wurden, bevor Software-Roboter zum Einsatz kamen [16]. Der Erfolg lag in der Auswahl begründet, nicht in der Software.

 

Grund 4: Manchmal besteht das beste „KI-Projekt“ darin, einen Schritt zu streichen

Die Prozessanalyse hat eine unbequeme Angewohnheit: Sie findet immer wieder Probleme, für die KI überhaupt nicht nötig ist. Eine doppelte Genehmigung, ein Bericht, den niemand liest, eine Übergabe, die es nur wegen eines Organigramms aus dem Jahr 2014 gibt, manuelle Dateneingaben zwischen zwei Systemen, die sich einfach integrieren ließen – die klassische Lehre der industriellen Ingenieurwissenschaften lautet: erst eliminieren, zusammenführen und vereinfachen, dann automatisieren. Denn wer Verschwendung automatisiert, erzeugt lediglich schnellere Verschwendung. Das war der Kern von Hammers Argument „Nicht automatisieren, sondern beseitigen“: Vieles von dem, was die Technologie beschleunigen sollte, hätte von vornherein gar nicht existieren dürfen [6].

Eine persönliche Anmerkung: Ich schätze das Leonardo da Vinci oft zugeschriebene Motto „Einfachheit ist die höchste Stufe der Vollendung“ sehr. Einen Prozess zu vereinfachen ist anspruchsvolle Arbeit: Sie erfordert ausgeprägte analytische Kompetenzen, die Fähigkeit, Beiträge aus verschiedenen Unternehmensbereichen miteinander zu verknüpfen, und die Integration von Wissen aus unterschiedlichen Fachgebieten. Genau dieses Handwerk bildet das Fundament von Mourinho Solutions.

Für eine Organisation, die kurz davorsteht, ein KI-Programm zu finanzieren, ist das kein Umweg, sondern bedeutet bares Geld und weniger Risiken. Gestrichene Schritte verursachen keine Automatisierungskosten, erfordern keine Modellwartung, schaffen keine neuen Fehlerquellen und zahlen sich sofort aus. Die Prozessarbeit bringt zudem einen zweiten Vorteil: eine gemessene Ausgangsbasis. Eine zentrale Erkenntnis des MIT-NANDA-Berichts war, dass die meisten GenAI-Pilotprojekte keine messbaren Auswirkungen auf die Gewinn- und Verlustrechnung nachweisen konnten [2] – doch Auswirkungen lassen sich nur anhand eines bekannten Ausgangspunkts messen. Ein optimierter Prozess verfügt über dokumentierte Durchlaufzeiten, Fehlerquoten und Kosten je Transaktion. Die anschließende KI-Einführung kann so von Anfang an ihre eigene Rendite nachweisen.

 

Grund 5: Der Wert von KI entsteht durch organisatorische Veränderungen – er wird nicht mit der Software installiert

Schließlich weisen Forschungsergebnisse dazu, woher der tatsächliche Wert von KI stammt, auf eine unbequeme Wahrheit für alle hin, die zuerst zum Tool greifen: Der Wert entsteht auf der Ebene der Geschäftsprozesse – und nur dann, wenn sich die Organisation im Zuge der Technologie verändert. Eine systematische Literaturübersicht zu KI und Geschäftswert ergab, dass sich erste Auswirkungen in Form effizienterer Prozesse und besserer Entscheidungen innerhalb der Prozesse zeigen. Diese Vorteile zu realisieren, hängt jedoch von organisatorischen Voraussetzungen und einer gezielten Transformation der Geschäftsprozesse ab – nicht von der Ausgereiftheit des Modells [17]. Interviewstudien mit KI-Anwendern benennen ebenfalls die organisatorische Bereitschaft – strategische Ausrichtung, Datenqualität und Governance, Prozesswissen und Unternehmenskultur – als Voraussetzung, die vor der Entscheidung zur Einführung bewertet werden sollte, statt erst danach entdeckt zu werden [18].

Auch die Forschung aus der Praxis bestätigt dies. Führungskräfte von McKinsey schrieben in der Harvard Business Review, dass die größten Hindernisse für eine Skalierung von KI nicht technischer, sondern kultureller und organisatorischer Natur seien. Erfolg erfordere die Neugestaltung von Arbeitsabläufen und KI-Initiativen, die von der Fachseite geführt als Prozessveränderungen mit interdisziplinären Teams umgesetzt würden – nicht als IT-Installationen [19]. Und die globale Studie von MIT Sloan und BCG zeigte, dass sich die Unternehmen, die mit KI tatsächlich Mehrwert erzielten, dadurch auszeichneten, wie sie Strategie, organisatorische Veränderungen und Technologie miteinander verbanden, statt Technologie mit Strategie gleichzusetzen [5].

Prozessanalyse und -optimierung sind genau diese organisatorische Arbeit – in der richtigen Reihenfolge. Sie sorgt dafür, dass sich die Führung darüber verständigt, welche Probleme wichtig sind (und geht damit RANDs häufigste Ursache für das Scheitern von KI-Projekten an [1]). Sie schafft das Prozessverständnis, das für die Neugestaltung von Arbeitsabläufen erforderlich ist, und bildet stabile, standardisierte Abläufe, auf denen KI zuverlässig eingesetzt werden kann.

 

Mourinho Solutions setzt auf „Prozess zuerst“

Keiner der oben genannten Gründe spricht dafür, jahrelang zu analysieren, bevor irgendjemand ein Modell anfassen darf. Es geht um eine kurze, disziplinierte Abfolge – im Wesentlichen die erste Hälfte des BPM-Lebenszyklus [14] –, die innerhalb von Wochen statt Quartalen umgesetzt und auf den Umfang des geplanten KI-Programms abgestimmt wird.

Mourinho Solutions verfolgt einen maßgeschneiderten Beratungsansatz, der auf Wissen auf dem neuesten Stand und langjähriger Erfahrung beruht. Wir begleiten Ihre Organisation systematisch durch den gesamten BPM-Lebenszyklus, damit Sie die größtmögliche Rendite aus Ihrer Investition erzielen.

Es gibt auch einen sich verstärkenden Effekt, den es zu benennen gilt. Die Organisationen der erfolgreichen Minderheit – MITs 5 %, die „Pioniere“ der MIT-Sloan/BCG-Studien – haben nicht nur Misserfolge vermieden, sondern auch organisatorische Fähigkeiten aufgebaut. Dadurch wird jede weitere KI-Einführung günstiger und schneller als die vorherige [5], [2]. Klarheit über Prozesse, saubere Datenflüsse und eine konsequente Messpraxis sind Infrastruktur. Ihr Wert wächst mit der Zeit.

 

Fazit: KI-Bereitschaft setzt Prozessbereitschaft voraus

Der Drang, KI einzuführen, lässt Prozessanalysen oft als Verzögerung erscheinen. Die Fakten zeigen das Gegenteil: Sie sind die wirksamste verfügbare Maßnahme zur Risikoreduzierung, denn sie setzt an den dokumentierten Ursachen für das Scheitern von KI-Projekten an – dem falschen Problem, einer schwachen Datenbasis und nicht integrierten Arbeitsabläufen –, bevor diese sich zu einem aufgegebenen Pilotprojekt summieren können. Wer bloß Trampelpfade asphaltiert, schafft praktisch keinen Mehrwert – und kann ihn sogar verringern. Fünfunddreißig Jahre Forschung, von der Geschäftsprozessneugestaltung [6] über die Ökonomie der Komplementarität [7], [8] bis hin zu den aktuellen Analysen gescheiterter KI-Projekte [1], [2], erzählen durchweg dieselbe Geschichte: Technologie vervielfacht die Organisation, in der sie zum Einsatz kommt. Optimieren Sie zuerst die Organisation, dann vervielfacht KI etwas, dessen Vervielfachung sich lohnt.

Für Führungsteams lautet die Frage also nicht: „Wie schnell können wir KI einführen?“, sondern: „Welche unserer Prozesse würde KI tatsächlich transformieren, wenn wir sie erst verstanden und optimiert haben?“ Wer die Fragen in dieser Reihenfolge beantwortet, gehört zu den 5 % statt zu den 95 %.

Mourinho Solutions sorgt dafür, dass Ihre Organisation zu den 5 % gehört.

---

Bei Mourinho Solutions arbeiten wir genau in dieser Reihenfolge. Wir unterstützen Organisationen dabei, ihre Prozesse abzubilden und zu analysieren, sie auf messbare Verbesserungen hin zu optimieren und erst dann KI zu konzipieren und einzuführen, wenn sich ihr Nutzen nachweislich lohnt. Wenn Ihr Unternehmen eine KI-Initiative plant, sollten Sie mit einem Gespräch über Ihre Prozesse beginnen – kontaktieren Sie uns für eine Prozessbewertung.

 

 

Literaturverzeichnis

[1] J. Ryseff, B. F. De Bruhl, and S. J. Newberry, The Root Causes of Failure for Artificial Intelligence Projects and How They Can Succeed: Avoiding the Anti-Patterns of AI. Santa Monica, CA, USA: RAND Corporation, 2024. [Online]. Available: https://www.rand.org/pubs/research_reports/RRA2680-1.html

[2] A. Challapally, C. Pease, R. Raskar, and P. Chari, “The GenAI divide: State of AI in business 2025,” MIT NANDA, Cambridge, MA, USA, 2025. [Online]. Available: https://mlq.ai/media/quarterly_decks/v0.1_State_of_AI_in_Business_2025_Report.pdf

[3] S&P Global Market Intelligence, “Voice of the Enterprise: AI & machine learning” survey, 2025; findings reported in “AI project failure rates are on the rise: Report,” CIO Dive, Mar. 2025. [Online]. Available: https://www.ciodive.com/news/AI-project-fail-data-SPGlobal/742590/

[4] Gartner, “Gartner predicts 30% of generative AI projects will be abandoned after proof of concept by end of 2025,” Press release, Jul. 29, 2024. [Online]. Available: https://www.gartner.com/en/newsroom/press-releases/2024-07-29-gartner-predicts-30-percent-of-generative-ai-projects-will-be-abandoned-after-proof-of-concept-by-end-of-2025

[5] S. Ransbotham, S. Khodabandeh, R. Fehling, B. LaFountain, and D. Kiron, “Winning with AI,” MIT Sloan Management Review and Boston Consulting Group, Cambridge, MA, USA, Res. Rep., 2019. [Online]. Available: https://sloanreview.mit.edu/projects/winning-with-ai/

[6] M. Hammer, “Reengineering work: Don’t automate, obliterate,” Harvard Business Review, vol. 68, no. 4, pp. 104–112, Jul.–Aug. 1990. [Online]. Available: https://hbr.org/1990/07/reengineering-work-dont-automate-obliterate

[7] E. Brynjolfsson and L. M. Hitt, “Beyond computation: Information technology, organizational transformation and business performance,” Journal of Economic Perspectives, vol. 14, no. 4, pp. 23–48, 2000, doi: 10.1257/jep.14.4.23.

[8] E. Brynjolfsson, D. Rock, and C. Syverson, “The productivity J-curve: How intangibles complement general purpose technologies,” American Economic Journal: Macroeconomics, vol. 13, no. 1, pp. 333–372, Jan. 2021, doi: 10.1257/mac.20180386.

[9] W. M. P. van der Aalst, M. Bichler, and A. Heinzl, “Robotic process automation,” Business & Information Systems Engineering, vol. 60, no. 4, pp. 269–272, 2018, doi: 10.1007/s12599-018-0542-4.

[10] R. Syed et al., “Robotic process automation: Contemporary themes and challenges,” Computers in Industry, vol. 115, Art. no. 103162, Feb. 2020, doi: 10.1016/j.compind.2019.103162.

[11] T. Nagle, T. C. Redman, and D. Sammon, “Only 3% of companies’ data meets basic quality standards,” Harvard Business Review, Sep. 11, 2017. [Online]. Available: https://hbr.org/2017/09/only-3-of-companies-data-meets-basic-quality-standards

[12] N. Sambasivan, S. Kapania, H. Highfill, D. Akrong, P. Paritosh, and L. Aroyo, “‘Everyone wants to do the model work, not the data work’: Data cascades in high-stakes AI,” in Proc. 2021 CHI Conference on Human Factors in Computing Systems (CHI ’21), Yokohama, Japan, 2021, Art. no. 39, doi: 10.1145/3411764.3445518.

[13] T. H. Davenport and R. Ronanki, “Artificial intelligence for the real world,” Harvard Business Review, vol. 96, no. 1, pp. 108–116, Jan.–Feb. 2018. [Online]. Available: https://hbr.org/2018/01/artificial-intelligence-for-the-real-world

[14] M. Dumas, M. La Rosa, J. Mendling, and H. A. Reijers, Fundamentals of Business Process Management, 2nd ed. Berlin, Germany: Springer, 2018, doi: 10.1007/978-3-662-56509-4.

[15] W. M. P. van der Aalst, Process Mining: Data Science in Action, 2nd ed. Berlin, Germany: Springer, 2016, doi: 10.1007/978-3-662-49851-4.

[16] M. C. Lacity and L. P. Willcocks, “Robotic process automation at Telefónica O2,” MIS Quarterly Executive, vol. 15, no. 1, pp. 21–35, Mar. 2016. [Online]. Available: https://aisel.aisnet.org/misqe/vol15/iss1/4/

[17] I. M. Enholm, E. Papagiannidis, P. Mikalef, and J. Krogstie, “Artificial intelligence and business value: A literature review,” Information Systems Frontiers, vol. 24, no. 5, pp. 1709–1734, 2022, doi: 10.1007/s10796-021-10186-w.

[18] J. Jöhnk, M. Weißert, and K. Wyrtki, “Ready or not, AI comes — An interview study of organizational AI readiness factors,” Business & Information Systems Engineering, vol. 63, no. 1, pp. 5–20, 2021, doi: 10.1007/s12599-020-00676-7.

[19] T. Fountaine, B. McCarthy, and T. Saleh, “Building the AI-powered organization,” Harvard Business Review, vol. 97, no. 4, pp. 62–73, Jul.–Aug. 2019. [Online]. Available: https://hbr.org/2019/07/building-the-ai-powered-organization