Prozessautomatisierung mit KI: Was über RPA hinausgeht

Das Wichtigste in Kürze: 30–50 % der RPA-Projekte scheitern laut EY, und Wartungskosten machen bis zu 60 % der Gesamtausgaben aus. Der Grund: RPA-Bots folgen starren Regeln und brechen bei jeder Änderung. KI-gestützte Automatisierung versteht dagegen Kontext — sie erkennt eine Reklamation auch ohne das Wort „Reklamation". Für Mittelständler heißt das: nicht RPA durch KI ersetzen, sondern gezielt ergänzen. Drei Implementierungsmuster zeigen, wie der Einstieg gelingt.

Warum klassisches RPA an seine Grenzen stößt

30–50 % der initialen RPA-Projekte scheitern, und mehr als die Hälfte aller RPA-Installationen kann nicht über zehn Bots hinaus skalieren. Wartung macht bis zu 60 % der Gesamtkosten aus.^[1] Das Problem ist nicht die Idee, sondern die Architektur.

RPA hatte ein klares Versprechen: Software-Roboter, die menschliche Klicks nachahmen. Bildschirmkoordinaten, feste Abfolgen, deterministische Regeln. Für immer gleiche Abläufe funktioniert das. Rechnung öffnen, Betrag kopieren, in Feld X einfügen. Nächste Rechnung.

Dann ändert der Softwareanbieter das UI. Der Button wandert 50 Pixel nach rechts. Der Bot klickt ins Leere.

Das klingt nach einem Randfall. Ist es nicht. Es ist der Normalfall. Jedes Software-Update, jede Formularänderung, jede neue Version eines Portals kann einen Bot lahmlegen. Das Ergebnis: IT-Teams, die mehr Zeit in die Wartung von Bots stecken als die Bots jemals eingespart haben.

Laut Forrester machen Wartungskosten bis zu 60 % der gesamten RPA-Ausgaben aus.^[1] Lizenzkosten? Nur 25–30 %. Der Rest ist Pflege, Monitoring und Reparatur. Bei einem Enterprise mit 50 Bots beschäftigt das ein ganzes Team.

Und die Skalierung? Über 50 % der RPA-Projekte erreichen ein Plateau bei weniger als 50 Bots.^[1] Nicht weil die Technologie nicht skaliert, sondern weil der Wartungsaufwand mit jedem Bot steigt. Irgendwann übersteigt er den Nutzen.

Heißt das, RPA ist tot? Nein. Aber RPA allein reicht nicht. Für strukturierte, vorhersehbare Abläufe bleibt es nützlich. Für alles, was Varianten hat, unstrukturierte Eingaben oder kontextabhängige Entscheidungen, braucht es etwas anderes.

Was kann KI-gestützte Automatisierung, was RPA nicht kann?

KI-Automatisierung versteht Inhalte statt Koordinaten. Sie erkennt eine Kundenbeschwerde unabhängig von Formulierung, Format oder Kanal und routet sie korrekt — wo ein RPA-Bot nur ein festes Template verarbeiten kann. 58 % der Unternehmen planen bis 2026, ihre RPA-Systeme mit KI und Machine Learning zu erweitern.^[2]

Der Unterschied ist fundamental.

RPA operiert auf der Oberfläche. Buchstäblich: Es interagiert mit Benutzeroberflächen, klickt Buttons, füllt Felder. Wenn sich die Oberfläche ändert, bricht der Prozess.

KI operiert auf der Bedeutungsebene. Ein Large Language Model liest eine E-Mail und versteht: Das ist eine Reklamation, sie betrifft Auftrag 4711, der Kunde ist verärgert, Priorität hoch. Egal ob die E-Mail auf Deutsch, Englisch oder in Stichpunkten geschrieben ist.

Kriterium	Klassisches RPA	KI-gestützte Automatisierung	KI-Agenten
Funktionsweise	Regelbasiert, folgt Skript	Kontextbasiert, versteht Inhalte	Zielorientiert, plant eigenständig
Eingabeformate	Nur strukturiert	Strukturiert und unstrukturiert	Multimodal (Text, Bild, Sprache)
Umgang mit Varianten	Bricht bei Abweichungen	Erkennt und verarbeitet Varianten	Passt Strategie dynamisch an
Wartungsaufwand	Hoch (bei jeder UI-Änderung)	Mittel	Niedrig bis mittel
Entscheidungsfähigkeit	Keine (Wenn-Dann)	Klassifikation, Routing	Mehrstufige Planung
Menschliche Aufsicht	Nur bei Fehlern	Stichproben	Kontinuierlich nötig
Typischer Einsatz	Dateneingabe, Copy-Paste	E-Mail-Triage, Dokumentenverarbeitung	Recherche, Analyse, komplexe Workflows

Wo liegt die Grenze? KI-Agenten sind leistungsfähig, aber kein Autopilot. Laut Capgemini halten 70 % der Führungskräfte KI-Agenten für einen der Top-3-Technologietrends 2025.^[3] Gleichzeitig vertrauen nur 27 % vollautonomen Agenten.^[4] Dieses Misstrauen ist berechtigt. Agenten brauchen klare Ziele, eingegrenzten Handlungsspielraum und menschliche Kontrolle bei Entscheidungen mit Tragweite.

In meinem Pillar-Artikel zu KI-Anwendungen im Mittelstand beschreibe ich den aktuellen Stand für jede Kategorie. Hier geht es darum, wie Sie konkret vorgehen.

Wie finde ich die richtigen Prozesse? Das Prozess-Audit

Die besten Kandidaten für KI-Automatisierung entstehen an der Schnittmenge von drei Faktoren: hohem Volumen, hoher Fehleranfälligkeit und variablen Eingabeformaten. Ein systematisches Prozess-Audit identifiziert diese Kandidaten in ein bis zwei Wochen.

Nicht jeder manuelle Prozess verdient Automatisierung. Wenn etwas dreimal im Monat vorkommt, lohnt sich die Investition selten. Fokus auf Volumen.

Die Bewertungsmatrix

Ich nutze vier Dimensionen:

Häufigkeit × Zeitaufwand. 500 Vorgänge à 10 Minuten = 83 Stunden pro Monat. Da lohnt sich fast alles. 10 Vorgänge à 5 Minuten = kaum eine Stunde. Da lohnt sich nichts.

Fehlerkosten. Ein falscher Rechnungsbetrag kostet Mahngebühren und Kundenärger. Ein falsch sortiertes Dokument kostet eine Suche. Die Fehlerkosten bestimmen, wie viel Genauigkeit das System braucht.

Varianz der Eingaben. Zehn Lieferanten mit zehn Rechnungsformaten? KI. Ein Standardformular, das immer gleich aussieht? RPA reicht.

Systemlandschaft. Offene APIs machen Integration einfach. Geschlossene Legacy-Systeme machen sie teuer. Beides muss in die Rechnung.

Praxisbeispiel: Eingangspost-Triage

Ein mittelständisches Unternehmen empfängt täglich 200+ E-Mails über info@. Drei Mitarbeiter sortieren, klassifizieren, leiten weiter. Zeitaufwand: 4 Stunden täglich. Fehlerquote beim Routing: 12 %. Manche Anfragen landen im falschen Team und kommen erst nach Tagen zurück.

Die Analyse: Hohes Volumen, messbarer Zeitaufwand, variable Eingaben (Freitext-E-Mails), klare Fehlerkosten. Klassischer KI-Automatisierungskandidat.

Die Lösung: Ein LLM klassifiziert eingehende E-Mails nach Typ (Anfrage, Reklamation, Bestellung, Sonstiges), extrahiert Referenznummern und routet an das zuständige Team. Bearbeitungszeit: unter 5 Sekunden pro E-Mail. Routing-Genauigkeit: 94 %. Die drei Mitarbeiter bearbeiten jetzt inhaltliche Anfragen statt zu sortieren.

Mein Automatisierungs-Service startet immer mit diesem Prozess-Audit. Zwei Tage, die über den Erfolg der nächsten sechs Monate entscheiden.

Drei Implementierungsmuster für den Mittelstand

Nicht jedes Unternehmen muss bei null anfangen. Je nach bestehendem Automatisierungsgrad gibt es drei Einstiegsmuster, die in der Praxis funktionieren.

Muster 1: KI-Overlay auf bestehendes RPA

Sie haben bereits RPA-Bots im Einsatz. Die funktionieren für die Standardfälle, scheitern aber an Varianten. Statt die Bots zu ersetzen: ein KI-Layer davor.

Das LLM übernimmt die Interpretation. Es liest die eingehende E-Mail, klassifiziert den Inhalt, extrahiert die relevanten Daten. Dann übergibt es strukturierte Daten an den RPA-Bot, der sie in das Zielsystem einträgt. Der Bot arbeitet weiter wie bisher — aber jetzt mit verstandenem Input statt mit starren Templates.

Vorteil: Sie schützen Ihre RPA-Investition. Aufwand: 4–8 Wochen Integration. Typische Verbesserung: 40–60 % weniger Bot-Ausfälle, weil der Bot nicht mehr direkt mit variablen Eingaben kämpft.

Muster 2: Native KI-Automatisierung

Kein bestehendes RPA-System. Oder: RPA lohnt sich für den Prozess nicht. Dann direkt KI-nativ automatisieren.

Ein konkreter Fall: Ein Unternehmen mit Außendienst hatte kein Dokumentenmanagement, keine Automatisierung, nur Papier und Excel. Die KI-Lösung erfasst Sprachnotizen, transkribiert, strukturiert und speichert sie. Kein Bot-Zwischenschritt. Der Dokumentationsaufwand sank von 15–20 Minuten auf unter zwei Minuten.

Dieser Ansatz eignet sich für Prozesse, die heute komplett manuell laufen. Kein Retrofit einer alten Automatisierung, sondern ein neuer Workflow mit KI als Kern.

Muster 3: KI-Agenten für komplexe Workflows

Für mehrstufige Prozesse, bei denen ein einzelner Bot oder ein einzelner API-Call nicht reicht. Ein KI-Agent plant Arbeitsschritte, nutzt verschiedene Tools und reagiert auf Zwischenergebnisse.

Beispiel: Ein Agent, der einen Kundenauftrag bearbeitet. Schritt 1: Auftragsdaten aus der E-Mail extrahieren. Schritt 2: Lagerbestand im ERP prüfen. Schritt 3: Bei Verfügbarkeit Auftragsbestätigung generieren. Schritt 4: Bei Nichtverfügbarkeit Alternativangebot aus dem Produktkatalog zusammenstellen. Jeder Schritt hängt vom vorherigen ab. Kein festes Skript, sondern situative Entscheidungen.

Gartner prognostiziert, dass 40 % der Enterprise-Anwendungen bis Ende 2026 KI-Agenten integriert haben — von unter 5 % Anfang 2025.^[5] Die Richtung ist klar. Aber: Agenten brauchen Leitplanken. Definierte Handlungsspielräume, Quality Gates, menschliches Review bei Entscheidungen über bestimmten Schwellenwerten. Wer das ignoriert, produziert teure Fehler. Zum Thema KI-Kompetenz im Team aufbauen habe ich einen eigenen Leitfaden geschrieben — das ist Voraussetzung für jeden Agenten-Einsatz.

Was kostet Prozessautomatisierung mit KI?

Die Gesamtkosten für ein KI-Automatisierungsprojekt im Mittelstand liegen zwischen 15.000 und 80.000 Euro für den ersten Prozess. Der durchschnittliche ROI: 22 % Kostenreduktion innerhalb von drei Jahren. Unternehmen mit KI-gestützter Automatisierung berichten von 60–95 % weniger repetitiven Aufgaben.^[6]

Kostenblock	RPA (klassisch)	KI-Automatisierung	KI-Agent
Lizenz/Software (jährlich)	5.000–30.000 €	6.000–24.000 €	10.000–36.000 €
Ersteinrichtung	5.000–20.000 €	15.000–50.000 €	20.000–60.000 €
Wartung (jährlich)	30–60 % der Lizenz	15–25 % der Lizenz	10–20 % der Lizenz
Typischer ROI-Zeitrahmen	3–6 Monate	2–4 Monate	1–3 Monate

Was auffällt: KI-Automatisierung kostet in der Einrichtung mehr, aber die Wartung ist günstiger. Bei RPA frisst die Wartung das Projekt auf. Bei KI sinkt sie, weil das System Varianten selbst handhabt statt bei jeder Abweichung einen Entwickler zu rufen.

Ein Rechenbeispiel: 200 E-Mails täglich manuell sortieren. Drei Mitarbeiter, je 1,5 Stunden. 4,5 Stunden × 220 Arbeitstage × 45 €/Stunde = knapp 45.000 € pro Jahr. Eine KI-Lösung kostet in der Einführung 20.000–30.000 €, laufend 500–1.000 €/Monat. Amortisation: unter sechs Monaten.

Wer vor dem großen Projekt den konkreten Nutzen validieren will, startet mit einem Proof of Concept. Vier bis sechs Wochen, ein Prozess, echte Daten.

Fazit: Erst verstehen, was der Prozess braucht

Die Zukunft der Prozessautomatisierung liegt nicht in einer Technologie, sondern in der richtigen Kombination. RPA für das Vorhersehbare. KI für das Variable. Agenten für das Komplexe.

Der häufigste Fehler: mit der Technologie anfangen statt mit dem Prozess. Ein Prozess-Audit kostet zwei Tage. Eine falsche Automatisierungsentscheidung kostet sechs Monate.

32 % der deutschen KI-nutzenden Unternehmen setzen KI bereits für Automatisierung ein.^[7] Der Trend ist eindeutig. Die KI-Nutzung in Deutschland hat sich 2025 nahezu verdoppelt — von 20 % auf 36 %.^[7] Wer jetzt anfängt, hat noch einen Vorsprung.

Wenn Sie wissen wollen, welche Prozesse in Ihrem Unternehmen den größten Automatisierungshebel haben, lassen Sie uns sprechen. In meinem Automatisierungs-Service starten wir mit einem Prozess-Audit und arbeiten uns von dort zum messbaren Ergebnis vor.

---

---

Fußnoten

1. EY, „RPA Project Failure Rate", 2024; Forrester, „The Hidden Costs of RPA", 2025. 30–50 % der RPA-Projekte scheitern, Wartung macht bis zu 60 % der Gesamtkosten aus. ↩ ↩² ↩³

2. Deloitte, „Automation with Intelligence Survey", 2025. 58 % der Unternehmen planen KI/ML-Integration in RPA bis 2026. ↩

3. Capgemini, „Technology Trends 2025", 2025. 70 % der Führungskräfte sehen KI-Agenten als Top-3-Trend. ↩

4. McKinsey & Company, „The State of AI in 2025", November 2025. ↩

5. Gartner, „40% of Enterprise Apps Will Feature Task-Specific AI Agents by 2026", August 2025. ↩

6. Thunderbit / DoIT Software, Business Process Automation Statistics, 2025. ↩

7. Foundry / IDG, „KI-Studie Deutschland 2025", 2025. ↩ ↩²