Kommentar von René Kessler, abat RPA trifft KI – wie Prozesse Denken lernen

Anbieter zum Thema

abat AG

Fsas Technologies GmbH

Board Deutschland GmbH

QUNIS GmbH

Die digitale Transformation fordert Unternehmen weltweit heraus, ihre Prozesse stetig zu optimieren. Lange Zeit spielte Robotic Process Automation (RPA), also Software-Roboter, die repetitive, regelbasierte Aufgaben auf bestehenden Benutzeroberflächen imitieren können, eine wichtige Rolle. RPA eignet sich in seiner klassischen Form besonders gut für die Verarbeitung strukturierter Daten und klar definierter Abläufe. Sobald jedoch unstrukturierte Daten, komplexe Entscheidungen oder mehr Flexibilität gefordert sind, stößt RPA an seine Grenzen.

Der Ruf nach intelligenterer Automatisierung wird lauter. Reine Effizienzsteigerung genügt im dynamischen Marktumfeld nicht mehr. Gefragt ist eine Weiterentwicklung, die den Umgang mit unvorhergesehenen Situationen ermöglicht, aus Erfahrungen lernt und kognitive Fähigkeiten integriert. Hier setzt die Symbiose von RPA und Künstlicher Intelligenz (KI) an.

Dieser Beitrag bietet einen kleinen Einblick: von klassischer RPA über die durch KI erweiterte Intelligent Automation (IA) bis hin zur nächsten Stufe, der Agentic Automation mit autonomen, agentenbasierten Systemen.

Von RPA zu Intelligent Automation (IA)

RPA bezeichnet die Automatisierung standardisierter, regelbasierter Prozesse durch Softwarelösungen, die menschliche Interaktionen mit digitalen Systemen nachbilden. Besonders geeignet ist RPA für repetitive Aufgaben mit hohem Volumen und klar definierten Abläufen. Die Grenzen klassischer RPA haben den Weg für Intelligent Automation bereitet – eine Weiterentwicklung, bei der RPA mit KI-Technologien kombiniert wird, um Software-Robotern kognitive Fähigkeiten zu verleihen. IA kann unstrukturierte Daten verarbeiten, komplexere Entscheidungen treffen und sogar aus Erfahrungen lernen: Ein echter evolutionärer Sprung.

Im Zentrum stehen dabei drei Schlüsseltechnologien: Document Understanding nutzt KI-gestützte Layout-Erkennung sowie -Analyse und Natural Language Processing (NLP), um verschiedenste Dokumenttypen wie Rechnungen oder Verträge zu identifizieren, Informationen auch aus dynamischen oder unbekannten Layouts zu extrahieren und Inhalte im Kontext zu verstehen, etwa in E-Mails oder Freitextfeldern. Machine Learning (ML) ermöglicht es Bots, aus den Daten zu lernen und Muster zu erkennen. So reagieren sie zunehmend flexibler auf Ausnahmen. Und schließlich eröffnen NLP und Generative AI (GenAI) ganz neue Interaktionen mit Sprache: Bots führen menschenähnliche Dialoge, verstehen komplexe Anfragen und generieren eigenständig Texte wie Zusammenfassungen oder E-Mails. Das hebt Kundenservice und interne Kommunikation auf ein neues Niveau.

Konkrete Anwendungsbeispiele verdeutlichen den praktischen Nutzen von Intelligent Automation weit über reine Effizienzgewinne hinaus. Ein typisches Szenario ist die automatisierte Rechnungsverarbeitung: Unternehmen erhalten Rechnungen in verschiedensten Formaten und Strukturen. IA-Systeme mit Document Understanding klassifizieren diese Dokumente, extrahieren zentrale Informationen wie Rechnungsnummern und Beträge, gleichen sie automatisiert mit ERP-Daten ab und initiieren den Buchungsprozess. Durch kontinuierliches Lernen verbessert sich die Systemleistung mit jeder weiteren Verarbeitung. In einem erprobten Anwendungsfall konnte so eine Automatisierungsquote von über 95 Prozent erzielt und die Durchlaufzeit signifikant reduziert werden.

Agentic Automation

Mit Agentic Automation rückt ein neuer Ansatz in den Fokus: Autonome KI-Agenten, die nicht nur einzelne Prozessschritte unterstützen, sondern komplexe Abläufe vollständig steuern. Im Unterschied zur klassischen Intelligent Automation erhalten diese Agenten keine detaillierten Anweisungen mehr, sondern lediglich ein Ziel. Die Planung, Entscheidung und Ausführung erfolgen eigenständig. Möglich wird das durch den Einsatz fortschrittlicher Large Language Models (LLMs) wie GPT-4.1 oder Claude 4 Sonnet. Sie bilden das sprachliche und logische Steuerzentrum und ermöglichen das Verstehen von Aufgaben in natürlicher Sprache sowie die Durchführung komplexer Interaktionen.

Ergänzend dazu verfügen die Modelle über sogenannte Function-Calling-Funktionen, mit denen sie externe Systeme über Schnittstellen ansteuern, Informationen abrufen oder Aktionen auslösen können. Durch Chain-of-Thought-Techniken sind sie zudem in der Lage, Probleme schrittweise zu analysieren und Lösungsstrategien zu entwickeln – inklusive dynamischer Anpassung bei veränderten Rahmenbedingungen.

Praktische Anwendung findet dieser Ansatz etwa im Kundenservice, wo ein KI-Agent eigenständig Anfragen bearbeitet, Informationen aus Drittsystemen bezieht, Prozesse anstößt und proaktiv kommuniziert. Im Dokumentenmanagement kann er eingehende Unterlagen klassifizieren, Inhalte extrahieren, ergänzende Daten recherchieren und Antwortentwürfe generieren – bis hin zur Archivierung. Agentic Automation definiert damit die Möglichkeiten digitaler Prozesssteuerung neu: weg von starren Workflows, hin zu adaptiven, eigenverantwortlich handelnden Systemen.

Implementierung und Herausforderungen

Die Einführung von Intelligent Automation und agentenbasierten KI-Systemen ist mehr als ein technisches Upgrade – sie ist ein strategisches Vorhaben, das strukturierte Planung und interdisziplinäre Zusammenarbeit erfordert. Der erste Erfolgsfaktor liegt in der gezielten Auswahl geeigneter Prozesse: Nicht jeder Anwendungsfall ist sofort automatisierbar. Eine fundierte Bewertung hinsichtlich Komplexität, Datenverfügbarkeit und geschätztem Business Value ist essenziell, um nachhaltigen Mehrwert zu schaffen.

Zentral ist zudem eine tragfähige Datenstrategie. KI-Systeme sind auf qualitativ hochwertige, gut strukturierte Daten angewiesen – sowohl für das initiale Training als auch für den produktiven Betrieb. Datenidentifikation, Qualitätssicherung und der verantwortungsvolle Umgang mit sensiblen Informationen müssen daher frühzeitig berücksichtigt werden.

In der Umsetzung bewährt sich ein agiles Vorgehen in interdisziplinären Teams. Wenn Fachbereiche, IT und Data Science eng zusammenarbeiten und frühzeitig Prototypen entwickeln, lassen sich technische Risiken minimieren und die Lösung iterativ optimieren. Genauso wichtig ist das begleitende Change Management: Offene Kommunikation, gezielte Schulungsangebote und die aktive Einbindung der Mitarbeiterinnen und Mitarbeiter fördern die Akzeptanz und reduzieren Unsicherheiten gegenüber neuen Technologien.

Dennoch bleibt die Implementierung anspruchsvoll. Technologisch stehen Unternehmen vor Herausforderungen wie der begrenzten Verlässlichkeit von LLMs – etwa durch sogenannte „Halluzinationen“ oder Kontextbegrenzungen –, der Sicherstellung von Datenqualität sowie dem Schutz sensibler Informationen. Robuste Validierungsprozesse und kontinuierliche Updates sind hier unverzichtbar.

Auch organisatorisch und ethisch sind neue Fragestellungen zu adressieren: Wie lassen sich Entscheidungen autonomer Systeme transparent und nachvollziehbar gestalten? Wer trägt Verantwortung bei Fehlfunktionen? Und wie kann algorithmische Voreingenommenheit vermieden werden? Unternehmen sind gefordert, klare Leitlinien für den verantwortungsvollen KI-Einsatz zu entwickeln und gleichzeitig neue Kompetenzen für die Zusammenarbeit zwischen Mensch und Maschine aufzubauen.

Nur wer diese technischen, organisatorischen und kulturellen Herausforderungen aktiv adressiert, kann das transformative Potenzial intelligenter Automatisierung wirklich ausschöpfen.

Ausblick

Die Entwicklung von klassischer RPA über Intelligent Automation bis hin zur Agentic Automation markiert keinen Technologiesprung im klassischen Sinn, sondern eine schrittweise, aber tiefgreifende Transformation. Automatisierung wird damit zum strategischen Instrument, das weit über Effizienzgewinne hinausgeht – sie wird zum zentralen Hebel für Zukunftsfähigkeit und Wettbewerbsstärke in einer zunehmend datengetriebenen Wirtschaft.

Dabei geht es nicht um die Verdrängung menschlicher Arbeit, sondern um deren Neuausrichtung. Intelligente Systeme übernehmen repetitive, datenintensive oder regelbasierte Aufgaben, während der Mensch sich auf Tätigkeiten konzentriert, die strategisches Denken, Kreativität, soziale Kompetenz und Urteilsvermögen erfordern. Die Rolle verändert sich – vom Ausführenden zum steuernden Partner intelligenter Systeme.

Damit dieser Wandel gelingt, braucht es mehr als technologische Bereitschaft. Unternehmen müssen die Automatisierung aktiv gestalten – strategisch fundiert, datenbasiert und verantwortungsbewusst. Dazu gehört, bestehende Prozesse kritisch zu hinterfragen, gezielt in Datenkompetenz und KI-Know-how zu investieren und eine Unternehmenskultur zu fördern, die die Zusammenarbeit von Mensch und Maschine als Chance versteht – und zwar nicht als Bedrohung.

Gerade für datenaffine Branchen wird klar: Daten bleiben der zentrale Treiber dieser Entwicklung. Die Fähigkeit, große Datenmengen effizient zu strukturieren, zu analysieren und für den Betrieb und das Training von KI-Modellen zu nutzen, entscheidet künftig über den Erfolg. Unternehmen mit klarer Datenstrategie und einer offenen Haltung gegenüber KI-Technologien sind gut positioniert, um die nächste Stufe intelligenter Prozessautomatisierung zu erreichen – und sich als Vorreiter in der autonomen Organisation der Zukunft zu etablieren.

(ID:50443756)