Wenn Sie bereits RPA-Bots im Einsatz haben — oder Automatisierung zum ersten Mal evaluieren — sind Sie vermutlich schon gegen dieselbe Wand gelaufen. Anbieter, die KI-Agenten verkaufen, beschreiben sie als qualitativen Sprung über RPA hinaus. Anbieter, die RPA verkaufen, bezeichnen KI als Hype. Keines der beiden Lager gibt Ihnen eine klare Antwort, welches Werkzeug tatsächlich zu der Arbeit passt, die auf dem Tisch Ihres Operations-Teams liegt.
Dieser Artikel schafft Klarheit. Er vergleicht KI-Agenten vs. RPA auf den Dimensionen, die für Entscheidungsträger relevant sind: Prozessstruktur, Wartungskosten, Umgang mit Ausnahmen und Gesamtbetriebskosten über einen Zwei-Jahres-Horizont. Er behandelt auch die Bereiche, in denen beide Technologien echte Komplementärwirkung entfalten — denn für viele Organisationen ist die richtige Antwort: beides.
RPA: Stärken und Grenzen
Robotic Process Automation führt deterministische, regelbasierte Aufgaben aus, indem sie Benutzerinteraktionen mit Software nachahmt. Sie klickt Schaltflächen, kopiert Werte zwischen Systemen, liest strukturierte Tabellenkalkulationen und löst nachgelagerte Aktionen aus — alles ohne menschliches Zutun und mit hoher Wiederholbarkeit, solange die Umgebung stabil bleibt.
Genau dieser letzte Vorbehalt ist der Punkt, an dem die meisten RPA-Geschichten kompliziert werden.
RPA arbeitet zuverlässig, wenn:
- Eingaben strukturiert und vorhersehbar sind (Rechnungen mit festem Format, Datenbankexporte, standardisierte Web-Formulare)
- Der Prozess keine wesentlichen Entscheidungsverzweigungen hat — oder die Verzweigungen endlich und als Regeln ausdrückbar sind
- Die UI oder die API, mit der der Bot interagiert, sich selten ändert
- Das Volumen hoch genug ist, um den initialen Mapping- und Scripting-Aufwand zu rechtfertigen
Ein Bestellgenehmigungsworkflow, bei dem jeder Auftrag in einem identischen Template eingeht, eine feste Genehmigungsstufe durchläuft und ein einziges ERP-System aktualisiert, ist ein nahezu perfekter RPA-Kandidat. Einmal einrichten, gelegentlich warten, hunderte Stunden pro Jahr einsparen.
RPA versagt weniger wegen mangelnder Intelligenz als wegen Sprödigkeit. Ein UI-Update im Lieferantenportal — ein umbenanntes Feld, ein neues Modal, eine geänderte Tab-Reihenfolge — kann einen Bot zum ungünstigsten Zeitpunkt lautlos zum Stillstand bringen. Der Wartungsaufwand wächst mit dem Bot-Portfolio.
KI-Agenten: Urteilsvermögen statt starrer Regeln
Ein KI-Agent ist ein System, das seine Umgebung wahrnimmt, über ein Ziel nachdenkt und Maßnahmen ergreift — oft durch den Aufruf von Tools, APIs oder anderen Systemen — um dieses Ziel zu erreichen, ohne dass jede Entscheidung vorab festgelegt sein muss. Anders als ein RPA-Bot kann ein Agent Eingaben verarbeiten, die er noch nie gesehen hat, mehrdeutige Anweisungen interpretieren und seinen Weg anpassen, wenn etwas Unerwartetes eintritt.
Das deutlichste Signal dafür, dass Sie einen Agenten statt eines Bots benötigen: Der Prozess erfordert das Lesen unstrukturierter Inhalte, das Fällen eines Urteils oder den Umgang mit Ausnahmen, die nicht aufzählbar sind.
Nehmen Sie die Rechnungsverarbeitung als Beispiel. Ein RPA-Bot erledigt das gut, solange jede Rechnung im gleichen strukturierten Format eingeht. Sobald ein Lieferant ein PDF mit einer narrativen Beanstandung schickt oder ein Dokument auf Englisch, obwohl der Bot Deutsch erwartet, versagt RPA. Ein KI-Agent kann das Dokument lesen, den Kontext verstehen, die Anomalie zur menschlichen Prüfung markieren und entsprechend weiterleiten — ohne dass ein Entwickler diesen exakten Randfall vorab kodieren musste.
KI-Agenten sind die bessere Wahl, wenn:
- Eingaben in variablen, unstrukturierten oder semi-strukturierten Formaten ankommen (E-Mails, PDFs, Sprache, Chat)
- Der Prozess Interpretation erfordert: Absichten klassifizieren, zusammenfassen, priorisieren oder eine Antwort verfassen
- Ausnahmeraten hoch oder Ausnahmetypen unvorhersehbar sind
- Das Ziel konversationell ist — auf Kunden reagieren, Leads qualifizieren, Support-Anfragen bearbeiten
- Der Workflow Entscheidungen auf Basis von Kontext erfordert, der sich nicht als endlicher Entscheidungsbaum ausdrücken lässt
Der Kompromiss liegt im Setup-Aufwand und der Komplexität. Agenten benötigen eine ausgefeiltere Infrastruktur, klare Evaluationskriterien für das Testen ihres Verhaltens und eine aktive Governance zum Abfangen von Fehlern. Sie verursachen auch laufende Inferenzkosten — typischerweise moderat pro Interaktion, aber real im großen Maßstab. Für einen einfachen, stabilen, strukturierten Prozess ist der Einsatz eines KI-Agenten Over-Engineering.
Die Entscheidungsmatrix: RPA, Agent oder beides?
| Kriterium | RPA gewinnt | KI-Agent gewinnt |
|---|---|---|
| Eingabeformat | Strukturiert, festes Schema | Unstrukturiert, variabel |
| Entscheidungskomplexität | Regelbasiert, aufzählbar | Urteilsintensiv, mehrdeutig |
| Ausnahmerate | Niedrig (grob < 10–20 % der Läufe; variiert je nach Prozess) | Hoch oder unvorhersehbar |
| UI/API-Stabilität | Jahrelang stabil | Ändert sich häufig |
| Deploy-Geschwindigkeit | Wochen für einfache Bots | Wochen bis Monate je nach Komplexität |
| Wartung über 2 Jahre | Niedrig bei stabiler Umgebung; hoch bei Instabilität | Geringere Empfindlichkeit gegenüber UI-Änderungen; höherer Modellmanagement-Aufwand |
| Kostenprofil | Niedrige Inferenzkosten; höhere Wartung bei Sprödigkeit | Inferenzkosten pro Lauf; geringere Wartung bei stabilen Eingaben |
Eine Dimension, die nicht in der Tabelle steht: Nachvollziehbarkeit. RPA-Bots sind deterministisch — Sie können exakt prüfen, was sie getan haben. KI-Agenten führen probabilistisches Verhalten ein. Für regulierte Branchen (Finanzwesen, Gesundheitswesen, Rechtsdienstleistungen) ist diese Prüfbarkeitslücke bedeutsam und erfordert zusätzliche Governance. Schweizer Unternehmen, die EU-Märkte beliefern, unterliegen dem extraterritorialen Geltungsbereich des EU AI Act; auf nationaler Ebene regelt das revidierte Bundesgesetz über den Datenschutz (revDSG, in Kraft seit September 2023) KI-Systeme, die Personendaten verarbeiten. Was das in der Praxis bedeutet, zeigt AI Agent Governance: ein praxisnaher Leitfaden für KMU.
Warum funktionierende RPA-Bots zu ersetzen meist ein Fehler ist
Als KI-Agenten in die Diskussion kamen, rahmten einige Anbieter die Wahl als vollständige Migration: „Verabschieden Sie sich von Ihren Bots, ersetzen Sie sie durch Agenten.” Diese Rahmung dient den Anbietereinnahmen, nicht Ihrem Betrieb.
Wenn ein RPA-Bot seit zwei Jahren zuverlässig läuft, Gehaltsabrechnungsdateien verarbeitet oder Bestelldaten synchronisiert, steht er für bereits amortisierten Aufwand — und aktiven, getesteten, wartungsarmen Wert. Ihn durch einen KI-Agenten zu ersetzen verbessert das Ergebnis nicht; es führt neue Infrastrukturkomplexität, neue Fehlerszenarien und Wiederaufbaukosten ohne operativen Mehrwert ein.
Die bessere Architektur in den meisten Organisationen ist geschichtet:
- RPA behalten für das, was er gut macht — volumenstarke, strukturierte, regelgebundene Arbeit, bei der er stabil und kostengünstig ist
- KI-Agenten hinzufügen an den Grenzen, wo die Struktur aufhört — die eingehende E-Mail, die den RPA-Workflow auslöst, die Ausnahme, die der Bot eskaliert, das unstrukturierte Dokument, das gelesen werden muss, bevor der Bot handeln kann
- Agenten Bots orchestrieren lassen, wo sinnvoll — ein Agent kann entscheiden, welchen nachgelagerten RPA-Prozess er auf Basis des interpretierten Kontexts auslöst
Die praktische Frage lautet: Wo in Ihrem Prozess endet die Struktur und beginnt das Urteilsvermögen? Genau dort setzen Sie einen Agenten ein — und das erfordert in der Regel keine Änderung am RPA-Layer.
Agentische Workflows: Jenseits einfacher Automatisierung behandelt die geschichteten Design-Patterns ausführlicher.
Illustratives Szenario: Ein mittelgroßer Logistikbetreiber
Stellen Sie sich ein hypothetisches Distributionsunternehmen vor, das täglich 300 eingehende Frachtangebote verarbeitet. Die aktuelle Lösung: Ein Team liest manuell E-Mails von Spediteuren, extrahiert Tarife und trägt sie ins TMS ein.
Nur-RPA-Ansatz: Ein Bot kratzt strukturierte Tariftabellen von Spediteurportalen. Funktioniert für die 60 % der Spediteure, die maschinenlesbare Daten veröffentlichen. Versagt bei den 40 %, die PDFs, Reply-All-E-Mail-Threads oder Formate schicken, die sich quartalsweise ändern.
KI-Agenten-Ansatz: Ein Agent liest jede eingehende E-Mail und jeden Anhang, extrahiert Tarif, Spediteur, Route und Gültigkeitsdatum unabhängig vom Format, markiert fehlende oder anomale Daten zur menschlichen Prüfung und überträgt bestätigte Tarife ins TMS. Keine Bot-Wartung. Die lange Tail-Varianz wird automatisch abgedeckt.
Hybrider Ansatz: Den Portal-Scraping-Bot für die strukturierten Spediteure behalten (läuft bereits, Aufwand amortisiert). Einen KI-Agenten für die unstrukturierten Eingaben hinzufügen — E-Mails, PDFs, Faxe. Der Agent normalisiert diese Eingaben und speist denselben nachgelagerten TMS-Workflow, den der Bot antreibt.
Der hybride Ansatz bietet vollständige Abdeckung zu niedrigeren Grenzkosten. Dies ist ein konstruiertes Szenario, keine Live-Fallstudie — aber die Logik gilt, sobald ein bestehendes Automatisierungsportfolio ehrlich auditiert wird.
Signale, dass Ihr Prozess einen Agenten braucht — nicht mehr RPA
Stellen Sie sich diese Fragen, bevor Sie Ihr Bot-Portfolio erweitern:
- Ist die häufigste Fehlerursache „unerwartete Eingabe”? Wenn Bots brechen, sobald sich das Format ändert, lösen mehr Regeln das Problem nicht.
- Verbraucht die Ausnahmebehandlung mehr Menschenzeit, als der Bot einspart? Die Ausnahmerate hat still und leise die Schwelle der Kostenwettbewerbsfähigkeit von Agenten überschritten.
- Beginnt der Prozess damit, dass ein Mensch etwas kommuniziert? E-Mail, Chat, Sprache oder Formulareingaben mit variierender Formulierung werden fast immer besser durch einen Agenten bedient.
- Ist das Ziel ein Output, keine Schrittfolge? Bots führen Sequenzen aus. Agenten verfolgen Ziele. Wenn Sie den gewünschten Output leichter spezifizieren können als jeden einzelnen Schritt, ist das ein agentenseitiges Problem.
Die Implementierungs-Roadmap für KI-Agenten bietet Teams, die einen Agenten-Rollout neben ihrer bestehenden Automatisierung planen möchten, einen strukturierten Ansatz.
Für wen dieser Artikel ein grünes Licht bedeutet
RPA ist wahrscheinlich ausreichend, wenn: Ihr Prozess strukturiert, stabil und volumenreich ist, Ihre Ausnahmerate niedrig ist (als Richtwert deutlich unter 10–20 %) und Sie IT-Kapazität haben, Bots zu warten, wenn sich vorgelagerte Systeme ändern.
KI-Agenten sind sinnvoll, wenn: Ihr Prozess unstrukturierte Eingaben, Urteilsvermögen oder hohe Ausnahmeraten beinhaltet — oder wenn Sie etwas brauchen, das kanalübergreifend (E-Mail, Chat, Sprache) operiert, ohne auf Formatvariationen spröde zu reagieren.
Beides, geschichtet, ist richtig, wenn: Sie funktionierende RPA-Systeme in Produktion haben und der Schmerz an den Rändern dieser Prozesse liegt — eingehendes Parsing, Ausnahmen-Routing oder systemübergreifende Koordination, für die die Bots nie ausgelegt waren.
Für einen umfassenderen Überblick darüber, wo Agenten messbaren operativen Mehrwert generieren, ist KI-Agenten für Unternehmen: Wo der ROI tatsächlich entsteht ein nützlicher Begleitartikel.
Sprechen Sie mit jemandem, der beides gebaut hat
Der Vergleich KI-Agenten vs. RPA klingt in einer Tabelle übersichtlich. Das Schwierige ist, Ihre realen Prozesse zu auditieren — zu verstehen, wo die Struktur wirklich endet, wie Ihre heutigen Bot-Wartungskosten aussehen und wie der Build- und Betriebsaufwand eines Agenten für Ihr spezifisches Volumen aussehen würde.
Dieses Audit dauert rund 30 Minuten, wenn man weiß, wonach man sucht. Unsere Arbeit im Bereich Process Optimization bei Orange ITS beginnt genau dort: Ihr bestehendes Automatisierungsportfolio kartieren, die RPA-Agenten-Grenze bestimmen und beziffern, was eine hybride Architektur kosten und leisten würde.
Wenn Sie abwägen, ob Sie Ihre Bots ausbauen, Agenten hinzufügen oder von Grund auf neu beginnen sollen, buchen Sie ein 30-minütiges Gespräch mit unserem Team. Wir sagen Ihnen ehrlich, welche Richtung sinnvoll ist — und wo sie es nicht ist.