Automatisierung & RPA

Der Überbegriff: Technik übernimmt Arbeitsschritte, die vorher Menschen ausgeführt haben — nach festen, vorher definierten Regeln. Automatisierung lohnt sich dort, wo Arbeit häufig, gleichförmig und regelbasiert ist: Daten übertragen, Belege prüfen, Berichte erzeugen. Entscheidend ist das Wort „regelbasiert“: Klassische Automatisierung führt aus, sie entscheidet nicht. Jede Ausnahme, die die Regeln nicht vorhersehen, wandert zurück zum Menschen.

RPA-Software bedient bestehende Programme so, wie ein Mensch es täte: Sie klickt Buttons, füllt Masken aus, liest Bildschirminhalte und wechselt zwischen Anwendungen — ohne dass die Systeme dafür Schnittstellen brauchen. Das machte RPA ab ca. 2015 zum schnellsten Weg, Altsysteme zu verbinden; Anbieter wie UiPath wurden dadurch groß.

Die Stärke ist zugleich die Schwäche: Ein RPA-Bot spielt ein aufgezeichnetes Drehbuch ab. Ändert sich die Maske, verrutscht ein Feld oder taucht ein unerwarteter Fall auf, bricht der Prozess — der Bot kann nicht improvisieren.

Attended Bots arbeiten neben einem Menschen: Ein Sachbearbeiter startet sie bei Bedarf, etwa um während eines Kundentelefonats Daten aus drei Systemen zusammenzuziehen. Unattended Bots laufen ohne Zuschauer auf Servern, meist nachts oder getaktet, gesteuert von einem Orchestrator. Die Unterscheidung ist mehr als Technik: Sie legt fest, wer eingreift, wenn etwas schiefgeht — und wie schnell das jemandem auffällt.

Die Leitstelle einer Bot-Flotte: Der Orchestrator verteilt Aufträge an Bots, plant Läufe, verwaltet Zugangsdaten, sammelt Protokolle und meldet Fehler. In reifen RPA-Organisationen ist er das zentrale Betriebswerkzeug — und der Vorläufer dessen, was für Agenten heute ein Operations-Hub leistet: eine Stelle, an der sichtbar ist, was die digitale Belegschaft gerade tut.

Bevor man automatisiert, muss man wissen, wie ein Prozess wirklich läuft — nicht, wie er im Handbuch steht. Process Mining rekonstruiert den tatsächlichen Ablauf aus den digitalen Spuren in den Systemen (Zeitstempel, Statuswechsel, Bearbeiter) und zeigt Schleifen, Wartezeiten und Ausnahmen, von denen niemand wusste. Das Ergebnis ist die ehrlichste Grundlage für jede Automatisierungs- und Agenten-Roadmap.

Der erste Ort, an dem Machine Learning in die Automatisierung einzog: IDP liest unstrukturierte Dokumente — Rechnungen, Lieferscheine, Formulare — und macht daraus strukturierte Daten. Klassisches OCR erkennt nur Zeichen; IDP versteht zusätzlich, welches Feld die Rechnungsnummer ist, auch wenn jeder Lieferant sein eigenes Layout hat. Damit stieg der Anteil der Fälle, die ohne Menschen durchlaufen, deutlich — die Ausnahmen blieben trotzdem.

Die Kennzahl, an der Automatisierung gemessen wird: der Anteil der Fälle, die von Anfang bis Ende ohne menschliche Berührung durchlaufen. Eine STP-Quote von 70 % heißt: 7 von 10 Rechnungen buchen sich selbst — und 3 landen auf einem Schreibtisch. Jede Stufe der Automatisierungs-Evolution, von RPA über IDP bis zu Agenten, ist im Kern ein Versuch, diese Quote zu erhöhen, ohne die Kontrolle zu verlieren.

Automatisierung nicht als Projekt, sondern als laufende Dienstleistung: Ein Partner baut die Bots (heute: die Agenten), betreibt sie, überwacht sie, hält sie aktuell und rechnet nach Nutzung oder Ergebnis ab — statt dass das Unternehmen selbst Plattform, Team und Betrieb aufbaut. Das Modell verlagert das Risiko dorthin, wo die Erfahrung sitzt, und macht Automatisierung auch für Mittelständler ohne eigenes Automation-Team zugänglich.

BOTFORCE wurde auf genau dieser Idee gegründet — die Geschichte dazu beginnt 2019, lange bevor „Agent“ ein Modewort war.