Das Thema Robotic Process Automation (RPA) ist nichts Neues. Unternehmen setzen auf diese Technologie, um wiederkehrende Aufgaben zu automatisieren.
RPA entlastet die Menschen, spart Zeit und reduziert Fehler.
Leider funktioniert das aber nur für komplizierte Prozesse („blaue“ Welt, wenn wir eine systemtheoretische Anleihe bemühen wollen). Die mit RPA automatisierten Prozesse sind in der Regel nicht dynamikrobust, können keine „Entscheidungen“ treffen, sondern laufen deterministisch, also regelbasiert, ab.
Damit lassen sich viele Herausforderungen nicht mehr lösen.
Die Antwort: Intelligente Prozessautomatisierung (IPA) – die Integration von Künstlicher Intelligenz (KI), maschinellen Lernen, Automatisierungen und Agenten in bestehende Workflows.
Was ist der Unterschied zwischen deterministischer und nicht-deterministischer Automatisierung? Und wie kannst du das meiste für dein Unternehmen rausholen?
Disclaimer: Du den Grafiken sage ich ganz unten etwas!
Was ist RPA und wo liegen die Grenzen?
Robotic Process Automation (RPA) arbeitet regelbasiert. Einmal definiert, folgt ein Prozess festen „Wenn-Dann“-Logiken.
Technischer Hintergrund
RPA-Systeme verwenden in der Regel vorgefertigte Skripte oder visuelle Prozessmodelle. Sie interagieren über APIs oder UI-Mimicking (z. B. via Screen Scraping) mit Softwareanwendungen. Tools wie UiPath, Blue Prism oder Automation Anywhere dominieren diesen Markt.
Problematisch wird es, wenn:
-
Daten unstrukturiert sind (z. B. freie Texte)
-
neue oder unerwartete Situationen auftreten
-
kontextabhängige Entscheidungen erforderlich sind
Hier versagt deterministische Logik – und genau hier setzt IPA an.
Nicht-deterministische Automatisierung mit KI
IPA erweitert RPA um intelligente Komponenten, die diesen Überraschungen standhalten. Die Datenverarbeitung ist lediglich der Input. Die Interpretation von Inhalten, das Treffen probabilistische Entscheidungen und die kontinuierlich Verbesserung und Generierung von Inhalten stehen im Fokus.
Technologische Komponenten von IPA
RPA führt aus, IPA trifft Entscheidungen und setzt diese um. Immer mit einem Human-in-the-loop. Diese Systeme verwenden öfter LLMs (wie GPT4o), Reinforcement Learning oder hybride Modelle, kombiniert mit Feedbackschleifen zur laufenden Verbesserung.
Natural Language Processing (NLP)
- Versteht Texte, Emails, Sprache
- Klassifiziert Inhalte, erkennt Absichten (Intent Detection)
- Beispiel: Erkennung von Eskalationen in Kundenbeschwerden
- Technologie: z. B. ChatGPT, Gemini oder Claude
Machine Learning (ML)
- Modelle, die aus Daten trainiert werden
- Erkennt Muster, erstellt Vorhersagen
- Beispiel: Prognose von Bestellvolumina oder Churn-Wahrscheinlichkeiten
- Technologie: z. B. Entscheidungsbäume, neuronale Netze, Klassifikation, Regression, Clustering
AI Agents / Agentic Automation
- Software mit Prozessdefinition, Ziel und Zugriff auf Tools
- Treffen Entscheidungen, interagieren mit mehreren APIs/Modulen
- Beispiel: Ein Sales-Agent, der Leads qualifiziert, Angebote erstellt und Follow-ups triggert
- Technologie: z. B. make. com, Zapier oder n8n in als Integrator für die Toollandschaft.
Sven hat in seinem YouTube-Video einen eigenen KI-Agenten gebaut. Mit make.com, ChatGPT und eigenem Operator / Orchestrator.
Gewusst wie: Intelligente Angebotsgenerierung
Ein typische Use-Case für IPA ist beispielsweise eine individuelle, automatisierte Angebotserstellung. Die Integration in diesem Beispiel erfolgt komplett mit make.com.
- Anforderungen:
a) Termin: Der Termin zur Anforderungsklärung wird aufgezeichnet und transkribiert (z. B. tl;dv)
b) Self-Service: Kunde füllt ein Formular aus (z. B. via Fillout) - Extraktion:
Aus den Anforderungen werden mittels NLP, z. B. ChatGPT (bevorzugt Assistants, dann kannst du eine Wissensbasis mitgeben) die wichtigsten Anforderungen extrahiert und aufbereitet. Ausgabe als JSON. - Dokumentenerstellung:
Das System generiert auf Basis einer Google-Slides-Vorlage ein individuelles Angebot. Nach einer Human-in-the-Loop-Freigabe geht es weiter. - PDF-Umwandlung:
Das Dokument wird automatisch in ein PDF umgewandelt. (mit GDrive möglich) - Versand:
Der Kunde erhält das Angebot automatisiert per E-Mail. - Dokumentation:
Der Vorgang wir im CRM-System, z. B. Hubspot, dokumentiert.
- Follow-Up:
Keine Antwort? Wir können automatisch und individuell auf Basis des Angebots und mit KI nachfassen!
Und das alles ist nur ein kleiner Use-Case, der für mehr Geschwindigkeit und eine höhere Individualisierung sorgt.
Technische Herausforderungen & Lösungsansätze
Der Einsatz KI-basierter Automatisierung bringt enorme Potenziale aber auch technische Herausforderungen, die gezielt adressiert werden müssen.
Große Sprachmodelle wie ChatGPT liefern nicht immer konsistente Ergebnisse. Um die Ausgabe „berechenbarer“ zu machen, hilft Few-Shot Prompting – also das Einbinden von Beispielantworten im Prompt – kombiniert mit klaren Formatvorgaben wie Tabellen, JSON oder Bulletpoints.
KI trifft Entscheidungen auf Basis von Wahrscheinlichkeiten. Deshalb sollten Confidence Scores eingesetzt werden. Liegt ein Score z. B. unter 0,8, wird die Antwort nicht automatisiert weiterverarbeitet, sondern zur manuellen Prüfung weitergeleitet. Fallbacks sichern den Prozess zusätzlich ab.
LLMs sind nicht immer nachvollziehbar. Insbesondere im Bereich der IPA ist deshalb ein gutes Prompting essentiell sowie das Testing des „Denkprozesses“, beispielsweise mit o1.
Und: Gute Ergebnisse erfordern saubere Daten. Automatische Checks, Normierung (z. B. von Datums- oder Währungsformaten) und semantische Duplikaterkennung sorgen für konsistente und relevante Eingabedaten. Wie sagt man so schön:
Sh*t in, Sh*t out!
So wird aus eher experimenteller KI ein verlässliches Automatisierungs-Framework.
Strategischer Nutzen für Unternehmen
Ich mach es ganz schnell:
IPA…
-
skaliert ohne nennenswerten Ressourcenaufbau
-
erhöht die Geschwindigkeit und Reaktionsfähigkeit
-
unterstützt Menschen bei Entscheidungen
-
entlastet Mitarbeitende
-
schafft Freiräume für wertschöpfende Tätigkeiten
Das, was wir als IPA bezeichnen, wird auf häufig Hyperautomation genannt: Die orchestrierte Kombination verschiedenster Technologien, von RPA über KI bis hin zu ML, zur vollständigen Prozessoptimierung und -automatisierung.
Wie geht es weiter?
Klassische RPA bleibt für die Automatisierung von Prozessen ein wichtiges Werkzeug. Doch wer das Ganze intelligent gestalten will und auch bei sich ändernden Rahmenbedingungen noch Handlungsfähig sein möchte, braucht nicht-deterministische Automatisierungen. Kontexsensitivität, Human-in-the-Loop, Entscheidungshilfen, kontinuierliche Verbesserung, Orchestrator und KI-Komponenten.
Die Zukunft gehört diesen hybriden Systemen.
Und wieder einmal gilt, wie auch bei KI: Nicht der Mensch wird durch KI und IPA ersetzt, sondern die Menschen, die sich nicht damit auseinandersetzen.
Zukunft gestalten? Besser jetzt!
Ein Kommentar zu den Grafiken in diesem Artikel
Ich habe die neue, native Bildgenerierung von ChatGPT 4o eingesetzt. Das ist wirklich beeindruckend! Ich habe mir nicht einmal Mühe gemacht, gut zu prompten… Und trotzdem können sich die Ergebnisse sehen lassen. Wenige Artefakte, gute Darstellungen, ein Versuch und Go.
Wir freuen uns schon riesig auf die API.