Learning Model
Das Gedächtnis, das mit jedem Modell wächst
Die zweite Abteilung modelliert denselben Wareneingang. Dieselbe Rolle, dasselbe System, dieselbe Transaktion – und niemand weiss, dass es das alles schon gibt. In den meisten Werkzeugen beginnt jedes Modell bei null.
Das Problem
Doppelpflege entsteht nicht aus Nachlässigkeit
Sie entsteht, weil niemand sehen kann, was schon da ist. Wer eine Rolle benennt, kennt die Schreibweise der Nachbarabteilung nicht. Wer ein System einträgt, weiss nicht, wie es drei Modelle weiter heisst.
„Lagerleiter» oder „Leiter Lager»?
Zwei Schreibweisen, zwei Einträge – und jede Auswertung zählt getrennt.
Dieselbe Transaktion, dreimal erfasst
Mit unterschiedlichem Zusatz, unterschiedlicher Bedeutung, ohne Verbindung.
Was TAOM anders macht
Jedes Modell zahlt auf dasselbe Gedächtnis ein
Beim Speichern wandert jede Angabe eines Prozessschritts in ein unternehmensweites Verzeichnis: Rollen, Systeme, Transaktionen, Prüfpflichten, Risiken, Kennungen. Nicht als Kopie – als Nachweis, wo dieser Begriff überall vorkommt.
Vier Modelle, ein Gedächtnis – und der Rückweg nach unten ist der eigentliche Nutzen.
Der Beleg
Nicht behauptet – nachzählbar
Das Gedächtnis ist keine Absichtserklärung, sondern ein Verzeichnis, das man befragen kann. Jede Zahl darin stammt aus gespeicherten Modellen.
Diese Zahlen stammen aus unserer öffentlichen Demo-Umgebung – einer Handvoll Beispielprozessen. In einem Unternehmen sieht das anders aus: Dort wachsen aus jedem Projekt weitere Modelle hinzu, und das Gedächtnis wird mit jedem Jahr genauer. Die Zahl der Modelle ist nicht begrenzt; was hier steht, ist der Beleg für das Verfahren – nicht sein Massstab.
Aus unserer Demo-Umgebung ausgelesen
Nicht gepflegt, sondern gezählt: Die Bibliothek entsteht aus den gespeicherten Modellen – Rollen, Aktivitäten, Entscheidungen und Bereiche mit ihrer Häufigkeit. Auch der Stil wird ermittelt statt vorgegeben: senkrechte Bahnen, Fluss von oben nach unten.
Nicht jedes Modell zählt mit. Roh vom Agenten erzeugte und anonym angelegte Diagramme bleiben draussen, ebenso zu kleine Testmodelle. Sonst lernte das Gedächtnis von Übungsläufen statt von gepflegten Prozessen – die Zahl ist deshalb kleiner als der Gesamtbestand und dafür belastbar.
Wo überall wird das verwendet?
Eine Rolle, ein System, eine Transaktion – gesucht über alle Modelle des Unternehmens, nicht in der geöffneten Datei.
Wo fehlt etwas?
Prüfpflichtig ohne Testfall, Risiko ohne Kontrolle, KI-erzeugt ohne Freigabe – dreizehn fertige Fragen.
Und der Zwilling?
Gedächtnis und Zwilling sind zwei Dinge
Das Learning Model ist die Wissensbasis: welche Begriffe es gibt, wo sie vorkommen, in welcher Bedeutung. Der Digital Twin ist das Abbild des Betriebs: welche Prozesse laufen, wer sie verantwortet, welche Systeme sie tragen, wo sie stehen.
Das eine speist das andere. Ohne Gedächtnis bliebe der Zwilling eine Sammlung Einzelbilder – jedes für sich richtig, keines mit dem nächsten verbunden.
Ehrlich gesagt
Was heute geht – und was noch nicht
Das Verzeichnis findet zuverlässig: über alle Modelle, alle Merkmale, mit Freitext und dreizehn Fragen. Die Bibliothek steht und der Agent nutzt sie beim Anordnen neuer Modelle. Wie gross sie wird, hängt am Bestand: In unserer Demo-Umgebung sind es 17 kuratierte Modelle – in einem Unternehmen mit zehn Jahren Prozessarbeit ein Vielfaches davon.
Zwei Suchen, zwei Aufgaben. Über alle Modelle hinweg wird nach Merkmalen gesucht – Rollen, Systemen, Transaktionen, Prüfständen. Innerhalb eines geöffneten Modells suchen Editor und Betrachter zusätzlich im Fliesstext der Beschreibungen. Das eine findet, wo etwas vorkommt; das andere, was dort steht.
Im TAOM-Framework: TOOL-11 – die Methodik hinter dieser Funktion.