AI im Prozess. Nicht als Button.
In vielen PIM-Systemen lebt AI in einem separaten Fenster. Bei ATAMYA arbeitet sie direkt im Prozess – als nativer Service Task, orchestriert von einer vollwertigen BPMN-Engine. Klingt nach Infrastruktur-Detail. Ist es auch. Und genau deshalb funktioniert es.
Stellen Sie sich einen klassischen AI-Chatbot in einem PIM vor. Prompt rein, Text raus, kopieren, einfügen. Das ist zwar hilfreich, aber kein integrierter Prozess: Kein System. Kein Kontext. Keine Nachvollziehbarkeit.
Ein AI Service Task in ATAMYA funktioniert anders. Er ist ein BPMN Service Task – genau wie „Objekt aktivieren“, „Merkmalswert bearbeiten“ oder „mit Shopware synchronisieren“. Er hat Inputs, Outputs, Bedingungen davor und danach. Er kann parallel laufen, in Schleifen eingebunden werden, im Fehlerfall eskalieren. Er schreibt in Variablen, die nachfolgende Schritte weiterverwenden.
Kurz gesagt: Die AI wird Teil der Workflow-Engine und übernimmt ihre komplette Orchestrierungslogik.
Was AI in ATAMYA heute schon erledigt
ATAMYA bietet mehrere AI-native Service Tasks – vollständig konfigurierbare Bausteine mit Prompt, Variablen, Output-Ziel und Guardrails:
Jeder Task lässt sich beliebig oft einsetzen, mit Bedingungen verknüpfen und über die Expression Language mit Live-Daten aus Ihrem PIM versorgen.
In ATAMYA erzeugt AI nicht nur Content, sondern bereitet Entscheidungen direkt im Workflow vor. AI-Antworten landen in Variablen und fließen über die Expression Language in Gateway-Bedingungen ein.
Ein Beispiel: Sobald ein neues Produkt angelegt wird, erstellt ein erster AI-Task die Produktbeschreibung. Ein zweiter prüft die regulatorischen Anforderungen und antwortet mit true oder false.
Das Gateway entscheidet automatisch:
Drei Service Tasks. Ein Gateway. Keine Zeile Code. Und die Redaktion bekommen nur die Fälle auf den Tisch, die wirklich Aufmerksamkeit brauchen.
Was einen AI-Task in ATAMYA mächtig macht, ist nicht nur die AI, sondern die Expression Language dahinter. Sie greift direkt auf Ihre Produktdaten zu und macht Prompts dynamisch: keine statischen Texte, sondern intelligente Kombinationen aus Daten, Kontexten und Regeln.
Was Sie darüber hinaus mit Expressions abbilden können:
Das Ergebnis: Einmal gebaut, tausendfach einsetzbar. Für jedes Produkt, jede Domäne, jede Sprache.
„AI finde ich super – aber nur, wenn ich am Ende noch draufschauen kann.“ Berechtigt. Deshalb ist Human-in-the-Loop bei ATAMYA kein Sicherheitsnetz, sondern ein nativer Workflow-Schritt.
Jeder AI-Output kann direkt an einen User Task übergeben werden. Verantwortliche sehen das Ergebnis und können es annehmen, anpassen oder ablehnen – die Entscheidung fließt in die Workflow-Variable, der Prozess läuft weiter.
Praktisches Beispiel: Die AI schlägt eine Klassifizierung vor. Liegt der Confidence Score hoch genug, wird automatisch weiterverarbeitet. Liegt er darunter, landet eine Review beim Produktmanagement – mit dem AI-Vorschlag als Ausgangspunkt, nicht als Entscheidung.
Der Mensch wird nicht ersetzt. Er bekommt die richtigen Fälle.
AI-Schritte leben in Workflows – und Workflows starten in ATAMYA auf vier Wegen.
Ob ein Mensch klickt, der Kalender tickt oder ein anderes System ruft – die Workflow-Engine fängt den Trigger, füllt die Start-Variablen und fährt den Prozess hoch. Mit oder ohne AI-Task. Die Orchestrierung bleibt gleich.
Kann ich eigene AI-Prompts hinterlegen, ohne Entwicklung zu brauchen?
Ja. Jeder AI-Service-Task wird direkt im grafischen Workflow-Editor konfiguriert. Der Prompt ist ein Freitext-Feld, in dem Sie Ausdrücke und Variablen mit einfacher Syntax (`${…}`) einsetzen. Kein Deployment und kein Entwickler nötig.
Wie gehen AI-Tasks mit Fehlern um?
Wie jeder andere BPMN Service Task. Die Engine unterstützt Error-Handling, Retries, Timeouts und Eskalationen. Wenn ein Provider kurz nicht erreichbar ist, können Sie den Flow auf einen Fallback-Pfad umleiten oder eine User Task erzeugen.
Kann ich DeepL und ein LLM kombinieren?
Ja – und das empfehlen wir sogar für viele Szenarien. DeepL liefert hervorragende Basis-Übersetzungen, ein LLM passt danach Tonalität, Terminologie oder Markensprache an. Beides als separate Service Tasks, sequenziell verkettet.
Wie funktioniert Confidence-basiertes Routing?
Die AI gibt einen Wert zurück – als Zahl oder als Flag (true/false). Dieser Wert landet in einer Variable. Ein Gateway wertet ihn aus und verzweigt den Flow. Klassisches Muster: Bei hoher Confidence läuft der Prozess automatisch weiter. Bei niedriger Confidence wird der Vorgang an einen Menschen übergeben.
Kann ich vorhandenes BPMN-Wissen in ATAMYA weiter nutzen?
ATAMYA nutzt mit „bpmn.io“ und der Flowable Expression Language etablierte Open-Source-Standards. Wer bereits mit BPMN arbeitet, findet sich schnell zurecht. ATAMYA-spezifische Erweiterungen sind sauber dokumentiert und direkt im Editor verfügbar.
Produktdaten-Prozesse, die 30 Tage dauern? AI macht 2 daraus. Erleben Sie es in der Demo.
KI im Kern. Produktdaten im Flow: Erleben Sie, wie unsere Automatisierung funktioniert – von Smart Import über Workflows bis hin zu MCP Server und eigener LLM-Integration.
ATAMYA PIM
