Text-zu-BPMN
ProceviaAuch: Text-to-BPMN , Natural-Language-BPMN
Verfahren, bei dem aus einer natürlichsprachlichen Prozessbeschreibung ein valides BPMN 2.0 Diagramm generiert wird. Die Methode nutzt Large Language Models (LLMs) zur Textanalyse und Strukturerkennung sowie deterministische Layout-Algorithmen zur korrekten Positionierung der BPMN-Elemente.
Die Text-zu-BPMN-Pipeline besteht typischerweise aus fünf Schritten:
- Textanalyse: Die KI erkennt Akteure, Aktivitäten, Entscheidungspunkte und Sequenzen im Beschreibungstext
- Struktur-Generierung: Aus der Textanalyse wird eine BPMN-konforme Struktur mit Lanes, Tasks, Gateways und Events abgeleitet
- Layout-Berechnung: Ein Algorithmus berechnet die optimale Positionierung der Elemente auf dem Diagramm-Canvas
- XML-Generierung: Das Ergebnis wird als valides BPMN 2.0 XML ausgegeben
- Visualisierung: Das Diagramm wird interaktiv im Browser dargestellt
Im Gegensatz zu manuellem Modellieren dauert Text-zu-BPMN nicht 30-60 Minuten pro Prozess, sondern Sekunden. Das Ergebnis ist konsistent standardkonform, unabhängig von der BPMN-Erfahrung des Modellierers.
Warum ist die Umwandlung von Text in BPMN schwierig?
Hörner und Reichert benennen die Herausforderung präzise: Trotz großer Fortschritte bei Sprachverarbeitung und Sprachmodellen bleibt es schwierig, automatisch Modelle zu erzeugen, die zugleich syntaktisch korrekt, semantisch zutreffend und pragmatisch nützlich sind, besonders für Personen ohne tiefere Modellierungserfahrung (Hörner/Reichert 2025). Der Text ist mehrdeutig, das Modell muss eindeutig sein.
Dumas und Kollegen begründen, warum Diagramme überhaupt nötig sind: Textbeschreibungen sind mühsam zu lesen und wegen der Mehrdeutigkeit freier Sprache leicht falsch zu verstehen (Dumas et al. 2018, S. 18). Text-zu-BPMN dreht diesen Weg um und muss dabei genau die Entscheidungen treffen, die ein menschlicher Modellierer beim Lesen trifft: Was ist Aufgabe, was Ereignis, wo verzweigt der Ablauf, wer ist zuständig.
Wie stellen Systeme die Qualität sicher?
Kourani und Kollegen beschreiben ein Rahmenwerk mit Prompting-Strategien, einem sicheren Erzeugungsprotokoll und einer Fehlerbehandlung, die bei ungültigen Ergebnissen einen präzisierten Prompt zurücksendet; das System gibt robuste Qualitätszusagen für die erzeugten Modelle und exportiert sie als BPMN (Kourani et al. 2024). Hörner und Reichert haben ihr System BPMNGen in zwei Studien geprüft, eine zur semantischen Qualität der Modelle und eine zur Verständlichkeit, einschließlich der kognitiven Belastung der Leser (Hörner/Reichert 2025).
Für die Praxis heißt das: Ein gutes System trennt Sprachmodell und Regelprüfung. Das Sprachmodell versteht den Text, die Regelprüfung garantiert, dass daraus gültiges BPMN wird.
Wie schreibt man eine Beschreibung, die gute Modelle liefert?
Fünf Angaben machen den Unterschied. Der Auslöser: womit beginnt der Prozess. Die Beteiligten: welche Rolle führt welchen Schritt aus. Die Reihenfolge: ein Satz je Schritt, in der Ordnung, in der sie passieren. Die Entscheidungen: was wird geprüft und was passiert in beiden Fällen. Die Enden: womit schließt der Prozess ab, auch im Ablehnungsfall. Wer so beschreibt, bekommt Pools, Lanes, Gateways und Ereignisse an den richtigen Stellen. Fehlt eine Angabe, ist das kein Problem, sondern der Anlass für die erste Chat-Rückfrage.
Häufige Fragen zu Text-zu-BPMN
- Wie gut muss die Textbeschreibung sein?
- So klar wie eine Erklärung für neue Kollegen: wer macht was in welcher Reihenfolge, wo wird entschieden, womit endet der Prozess. Aufzählungen und Workshop-Notizen reichen; Perfektion ist nicht nötig, Lücken lassen sich per Chat nachtragen.
- Ist das erzeugte Modell fertig?
- Es ist ein geprüfter Entwurf. Syntaktisch ist es korrekt, inhaltlich sollte der Fachbereich es lesen und nachschärfen. Die Forschung zeigt, dass die pragmatische Qualität, also die Nützlichkeit für Leser, die anspruchsvollste Dimension bleibt.
Quellen
- Stafidis, J. (2026): Einsatz künstlicher Intelligenz für die automatisierte Generierung von Geschäftsprozessmodellen, Master-Thesis, FOM Hochschule für Oekonomie & Management
- Hörner, L. F. / Reichert, M. (2025): Automatically Generating BPMN 2.0 Process Models from Natural Language Process Descriptions: Challenges, Framework, Quality Assessment, Business & Information Systems Engineering
- Kourani, H. / Berti, A. / Schuster, D. / van der Aalst, W. M. P. (2024): Process Modeling with Large Language Models, BPMDS/EMMSAD 2024
- Dumas, M. / La Rosa, M. / Mendling, J. / Reijers, H. A. (2018): Fundamentals of Business Process Management, 2. Aufl., Springer, S. 18
Autor: Jordanis Kleinöder Stafidis, Gründer und Geschäftsführer der Procevia GmbH · Aktualisiert am
Siehe auch: Vibe-Modelling , BPMN , Chat-Editing