RPA vs. KI-Agenten: Wo die Grenze tatsächlich verläuft

Die meisten Anbieter, die heute Automatisierung verkaufen, nennen sie «KI-Agenten», unabhängig davon, ob im Produkt tatsächlich irgendetwas reasont. Der Unterschied ist keine Frage des Brandings. Er ist architektonisch und bestimmt bereits vor dem Kauf, was das System leisten kann und was nicht.

Was RPA tatsächlich ist

Robotic Process Automation führt ein starres Skript für eine definierte Eingabe aus: dieses Feld anklicken, jene Zelle auslesen, diesen Wert in jenes System kopieren. Das Skript versteht nicht, was es vor sich hat. Es folgt Koordinaten und Regeln, nicht Bedeutung.

Genau deshalb ist RPA zuverlässig bei stabiler, sich wiederholender Arbeit mit hohem Volumen, und genau deshalb bricht es in dem Moment, in dem sich die Eingabe ändert: ein umbenanntes Feld, eine neu formatierte Rechnung, eine verschobene Schaltfläche. Die Lösung ist immer dieselbe: Ein Mensch schreibt das Skript neu.

Was ein KI-Agent anders macht

Ein KI-Agent erhält ein Ziel, kein Skript. Eine LLM-Reasoning-Schicht interpretiert die Eingabe, entscheidet, welche Schritte nötig sind, und kann bei zwei Durchläufen unterschiedlich handeln, wenn sich die Umstände unterscheiden.

Das ist die eigentliche Fähigkeitslücke: Rund 90 % der Unternehmensdaten sind unstrukturiert (E-Mails, gescannte Dokumente, Chatprotokolle, Freitextfelder), genau die Kategorie, die ein skriptbasierter RPA-Bot nicht anfassen kann, ohne dass ein Mensch vorab jede mögliche Variante definiert.

Ein Agent kann ein Dokument lesen, das er in genau diesem Format noch nie gesehen hat, das Relevante extrahieren und das markieren, was nicht passt, statt schlicht zu scheitern.

Source: McKinsey; Deloitte

Warum «Agenten ersetzen RPA» nicht ganz stimmt

Die ehrliche Version ist weniger dramatisch als die Marketingversion. RPA bleibt die günstigere, berechenbarere und leichter prüfbare Wahl für Schritte, die sich nie verändern: einen festen Wert nach Zeitplan jedes Mal von System A nach System B zu übertragen.

Diesen Schritt als Agenten neu zu schreiben, bringt Kosten und Reasoning-Variabilität mit sich, die die Aufgabe gar nicht braucht. Agenten rechtfertigen ihre Kosten genau dort, wo Urteilsvermögen, Ausnahmen oder unstrukturierte Eingaben den Prozess dominieren.

Auch Agenten sind kein garantiertes Upgrade. Gartner prognostiziert, dass bis Ende 2027 mehr als 40 % der agentischen KI-Projekte abgebrochen werden, mit steigenden Kosten, unklarem Geschäftswert und unzureichenden Risikokontrollen als Hauptgründen.

Source: Gartner Newsroom, 25. Juni 2025

Das realistische Muster, das Branchenanalysten beschreiben, ist hybrid, nicht sequenziell: RPA übernimmt die deterministischen Teilschritte eines Prozesses, ein Agent trifft die Urteilsentscheidung in der Mitte, und RPA (oder der Agent selbst) führt die daraus resultierende strukturierte Aktion aus. Behandeln Sie die Einführung von Agenten mit derselben Sorgfaltsprüfung wie jede andere Automatisierungsinvestition, nicht als Standardersatz für ein funktionierendes RPA-Skript.

Eine schnelle Methode, um zu erkennen, was Ihnen verkauft wird

Stellen Sie eine Frage: Was passiert, wenn die Eingabe nicht dem erwarteten Format entspricht? Ein System, das versagt, einen Fehler wirft oder umprogrammiert werden muss, ist RPA, wie auch immer es auf der Preisseite genannt wird.

Ein System, das die Abweichung interpretiert, sich anpasst oder die Ausnahme intelligent zur Prüfung markiert, ist ein Agent. Alles andere im Verkaufsgespräch ergibt sich aus dieser einen Antwort.

Genau um diese Grenze herum ist Lunnoa gebaut. Die Plattform ist KI-nativ statt einer skriptbasierten Automatisierungsschicht mit nachträglich aufgesetzten KI-Funktionen, sodass die urteilsintensiven Schritte (ein Dokument lesen, das keiner Vorlage entspricht, entscheiden, wie mit einer Ausnahme umzugehen ist) über dieselbe self-hosted Reasoning-Schicht laufen wie der restliche Workflow, auf der eigenen Infrastruktur des Unternehmens.