AI Agent vs. RPA: Wann Bots, wann Agenten?

RPA (Robotic Process Automation) automatisiert regelbasierte, immer gleiche Abläufe über UI-Bots und feste Skripte – deterministisch und ohne Verständnis. Ein AI Agent nutzt ein (Large) Language Model, um ein Ziel autonom zu verfolgen: Er plant mehrstufig, wählt Tools dynamisch und passt sein Vorgehen an. Faustregel: RPA für planbare Pfade, Agent für Aufgaben, deren Weg sich nicht vorab festlegen lässt.

Die schnelle Antwort vorweg:

• RPA = vordefinierter Pfad. Ein Bot klickt, kopiert und tippt exakt die Schritte, die ein Entwickler einmal festgelegt hat. Keine Entscheidung, kein Verständnis, volle Reproduzierbarkeit.
• AI Agent = dynamische Entscheidung. Ein LLM bewertet die Situation, plant Teilschritte, wählt Tools eigenständig und korrigiert seinen Plan, bis das Ziel erreicht oder abgebrochen ist.
• Kombination = Stärke beider Welten. Der Agent übernimmt Interpretation und Entscheidung, der RPA-Bot die zuverlässige, standardisierte Ausführung.

RPA und AI Agent: zwei unterschiedliche Logiken

RPA bildet menschliche Klick-Abläufe nach. Ein Software-Roboter bedient Anwendungen über deren Oberfläche – er liest Felder aus, kopiert Werte zwischen Systemen, füllt Masken aus. Das funktioniert hervorragend, solange der Prozess stabil und vollständig regelbeschreibbar ist: „Wenn Rechnung eingeht, übertrage Betrag, Datum und Lieferant in das ERP-System." Die Logik ist ein deterministisches Skript; bei identischem Input kommt immer identischer Output heraus.

Ein AI Agent arbeitet grundlegend anders. Im Kern steht ein LLM, das in einem Reasoning-Loop (Perceive → Reason → Act → Observe) agiert: Es nimmt die Aufgabe wahr, überlegt das nächste Sinnvolle, ruft ein Tool oder eine API auf, beobachtet das Ergebnis und entscheidet erneut. Die Reihenfolge der Schritte und die Wahl der Tools stehen nicht im Voraus fest – sie entstehen zur Laufzeit. Genau das macht Agents flexibel bei Aufgaben mit vielen Verzweigungen, unstrukturierten Eingaben (E-Mails, PDFs, Freitext) und nicht vorhersehbaren Ausnahmen.

Direkter Vergleich

Die zentrale Trennlinie: RPA folgt einem Pfad, der vorab vollständig planbar ist. Ein Agent ist erst dann sinnvoll, wenn sich der Lösungsweg nicht vorab festlegen lässt – wenn also Bewertung, Interpretation oder situative Tool-Wahl gefragt sind.

Ein konkretes Beispiel: Rechnungsverarbeitung

Eingehende Lieferantenrechnungen sollen ins ERP-System gebucht werden.

• Reiner RPA-Fall: Alle Rechnungen kommen als strukturierte XML/EDI-Datei im immer gleichen Format. Ein RPA-Bot liest die Felder, prüft sie gegen feste Regeln und bucht sie. Schnell, billig, fehlerfrei reproduzierbar – ein Agent wäre hier überdimensioniert und teurer.
• AI-Agent-Fall: Rechnungen treffen als PDF, Foto oder E-Mail-Anhang in wechselnden Layouts ein, manche unvollständig, manche mit Rückfragen. Ein Agent liest den Beleg per LLM aus, gleicht ihn mit Bestelldaten ab, erkennt Abweichungen, formuliert bei Unklarheit eine Rückfrage – und übergibt erst dann an die Buchung.
• Kombination (der Praxis-Standard): Der Agent übernimmt Wahrnehmung, Klassifikation und Entscheidung; der RPA-Bot führt anschließend den standardisierten, auditpflichtigen Buchungs-Klickpfad im ERP zuverlässig aus. So bleibt der nicht-deterministische Teil auf die Interpretation begrenzt, während die kritische Transaktion deterministisch und nachvollziehbar bleibt.

Wann RPA, wann Agent, wann Kombination?

RPA wählen, wenn: der Prozess stabil und hochvolumig ist, die Daten strukturiert vorliegen, der Pfad vollständig in Regeln beschreibbar ist und volle Reproduzierbarkeit sowie einfache Auditierbarkeit zählen (typisch in Finance, HR-Onboarding, Stammdatenpflege).

AI Agent wählen, wenn: der Lösungsweg variabel ist, unstrukturierte Daten interpretiert werden müssen, Ausnahmen häufig sind oder mehrere Tools situativ zu kombinieren sind. Faustregel: Der Agent lohnt sich erst, wenn der Pfad nicht vorab planbar ist – sonst ist RPA günstiger und robuster.

Kombinieren, wenn: ein Prozess einen „weichen", entscheidungsintensiven Anfang (Klassifikation, Extraktion, Bewertung) und ein „hartes", standardisiertes Ende (immer gleiche Transaktion) hat. Der Agent orchestriert und entscheidet, RPA exekutiert – das ist in der DACH-Praxis oft die wirtschaftlichste und compliance-freundlichste Architektur, weil der kritische Schritt deterministisch bleibt.

Kosten, Risiko und Realitätscheck

Agents sind nicht automatisch der bessere Bot. Sie verursachen höhere und schwerer kalkulierbare Kosten (Token, Reasoning-Schritte), sind nicht-deterministisch und brauchen Observability, Loop-Limits und – bei irreversiblen Aktionen wie Zahlungen – einen Human-in-the-Loop. Wer einen stabilen Regelprozess durch einen Agent ersetzt, tauscht oft Verlässlichkeit gegen Komplexität ein.

Dass dieser Reflex riskant ist, zeigt der Markt: Laut Gartner (Juni 2025) dürften über 40 % der agentischen KI-Projekte bis Ende 2027 abgebrochen werden. Und McKinsey (State of AI 2025) berichtet, dass zwar 23 % der Unternehmen mindestens einen agentischen Use Case skalieren, aber in keiner Funktion mehr als 10 % flächendeckend produktiv sind. Die nüchterne Lesart: RPA bleibt für planbare Prozesse das Mittel der Wahl, Agents adressieren gezielt die Fälle, die RPA strukturell nicht lösen kann.

Fazit

RPA und AI Agent konkurrieren seltener, als das Marketing suggeriert. RPA ist der deterministische Spezialist für den festen Pfad; der Agent ist der flexible Generalist für den offenen Pfad. Die belastbarste Entscheidung beginnt nicht mit der Technologie, sondern mit der Frage: Ist der Lösungsweg vorab vollständig planbar? Lautet die Antwort Ja, ist RPA fast immer günstiger und sicherer. Lautet sie Nein, spielt der Agent seine Stärke aus – idealerweise mit RPA als zuverlässigem Ausführungsarm im Hintergrund.

Hinweis: rechtliche Angaben sind informational und keine Rechtsberatung.