KI-Agenten vs. RPA: wann regelbasierte Automatisierung reicht und wann nicht
Nicht jeder Vorgang braucht einen Agenten. Wann klassische RPA die robustere, günstigere Wahl ist, wo erst ein KI-Agent wirklich trägt, und warum beide im Normalfall zusammenarbeiten.
Aktualisiert: Juni 2026 · 3 Min. Lesezeit
Robotic Process Automation (RPA) automatisiert seit Jahren regelbasierte, strukturierte Abläufe, zuverlässig und günstig. KI-Agenten sind das neue große Thema, aber Gartner erwartet, dass über 40 Prozent der Agentic-AI-Projekte bis Ende 2027 wieder eingestellt werden, wegen eskalierender Kosten, unklarem Geschäftswert und fehlenden Kontrollen. Die richtige Frage ist deshalb nicht „RPA oder KI?“, sondern: Ist mein Vorgang regelbasiert oder urteilsbasiert?
Erschwerend kommt das hinzu, was Gartner „Agent Washing“ nennt: das Umetikettieren bestehender Produkte wie RPA, Chatbots oder Assistenten zu „Agenten“ ohne echte agentische Fähigkeiten. Wir trennen die beiden Welten klar, damit ihr nicht für einen Agenten bezahlt, wo eine Regel genügt.
RPA vs. KI-Agent
| Klassische RPA | KI-Agent |
|---|---|
| Datentyp | |
| strukturiert, festes Format | auch unstrukturiert, wechselnde Formate |
| Entscheidungslogik | |
| feste Regeln, deterministisch | Kontext und Urteil über mehrere Schritte |
| Verhalten bei Änderungen | |
| bricht, wenn sich Layout/Format ändert | passt sich an, in Grenzen |
| Typische Aufgabe | |
| Bestände abgleichen, Stammdaten pflegen | Rechnungen in vielen Formaten auslesen, triagieren |
| Kosten & Betreuung | |
| niedrig, stabil | höher, mehr Qualitätssicherung nötig |
| Wann sinnvoll | |
| Prozess ist regelbasiert und stabil | Prozess braucht Verstehen und Anpassung |
Regelbasiert vs. urteilsbasiert
RPA ist die digitale Fließbandkraft: Sie folgt festen Regeln auf strukturierten Daten, deterministisch und verlässlich. Ein KI-Agent verarbeitet auch unstrukturierte Eingaben und trifft kontextbasierte Entscheidungen über mehrere Schritte. Nach Plan laufen beide gleich. Erst am Sonderfall trennen sie sich: Der RPA-Bot bricht ab, der Agent entscheidet.
- Regelarbeit
- Ein RPA-Bot gleicht jeden Morgen Lagerbestände zwischen Webshop und Warenwirtschaft ab, immer gleiche Felder, immer gleiche Regel.
- Urteilsarbeit
- Ein KI-Agent liest Lieferantenrechnungen in zwanzig verschiedenen Formaten aus und extrahiert Nummer, Betrag, Datum und Lieferant, egal wie sie aussehen.
Für die Entscheidung zählt deshalb, wie oft ein Vorgang vom Plan abweicht. Selten: Der Abbruch der RPA ist kein Mangel, sondern ein sauberes Signal. Ständig: Es gibt keine Regel, die ihr festschreiben könntet.
Beide Abläufe, dieselben Schritte
- Rechnung kommt an
- Daten auslesen
- Gegen Bestellung prüfen
Ein Sonderfall
Regelbasiert
Bricht ab und legt den Vorgang einem Menschen vor.
KI-Agent
Entscheidet im Kontext und arbeitet weiter.
Der Abbruch ist kein Mangel, sondern ein sauberes Signal: wer nur Regeln kennt, hält bei etwas an, das er nicht kennt.
Warum 40 Prozent scheitern und was das für euch heißt
Die Gartner-Prognose ist kein Argument gegen KI-Agenten, sondern gegen ihren wahllosen Einsatz. Viele Projekte scheitern, weil ein Agent dort eingesetzt wurde, wo eine Regel oder ein einfacher Workflow gereicht hätte, getrieben von Hype statt von einem klaren Vorgang. Ein Agent ist teurer im Betrieb und braucht mehr Qualitätssicherung.
Die praktische Lehre: Fangt beim Vorgang an, nicht bei der Technologie. Braucht der Vorgang echtes Verstehen und Anpassung, ist ein Agent richtig. Ist er stabil und regelbasiert, ist RPA die robustere und günstigere Wahl, und ein Agent wäre überdimensioniert.
RPA und KI-Agent kombiniert: der Normalfall
Reale Prozesse sind selten reinrassig. Fast jeder Vorgang hat die eine Stelle, an der jemand hinsehen muss: die Rechnung, die anders aussieht, die Anfrage, die in keine Kategorie passt. Dort bleibt reine RPA liegen, und ein Agent für den ganzen Ablauf wäre zu teuer. Die Frage ist nicht, welche Technologie gewinnt, sondern welcher Schritt welche braucht.
Die belastbare Lösung kombiniert beides:
- RPA für die Strecke
- Die regelbasierten Schritte, die gleich bleiben: Daten holen, Felder übertragen, Systeme abgleichen. Hier ist Determinismus ein Vorteil.
- Der Agent für die Weiche
- Die Stellen, die Kontext und Urteil brauchen: das unbekannte Format, die Ausnahme. Der Agent übernimmt, wo der Bot abbrechen würde, und gibt sein Ergebnis strukturiert an den Regelteil zurück.
Zwei Folgen: Bestehende RPA-Bots bleiben und werden um den Schritt ergänzt, an dem sie bisher liegen blieben. Und der Agent bekommt einen begrenzten Auftrag statt des ganzen Prozesses, was Kosten und Prüfaufwand klein hält, genau die Punkte, an denen gescheiterte Projekte hängen.
Bei ai-train wählen wir das passende Werkzeug pro Schritt, statt überall einen Agenten zu setzen, und betreiben das Ergebnis. So zahlt ihr für Intelligenz nur dort, wo sie Wert schafft, und für Robustheit dort, wo Regeln reichen.
Lasst uns gemeinsam schauen, was bei euch am meisten Sinn ergibt.
Ihr beschreibt uns einen Vorgang aus eurem Alltag, wir sagen euch offen, ob und wie ein Agent ihn übernehmen kann. Kostenlos, und ohne dass ihr euch zu etwas verpflichtet.
Quellen & Weiterlesen
- Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027 · Gartner
- AI at Work: Why Strategy Matters More Than Tools · Boston Consulting Group