AI Agents in der Praxis: Agentic AI vs. RPA — Was Mittelständler 2026 wissen müssen

Wenn Ihr Berater sagt „wir brauchen einen KI-Agenten”, und Ihr IT-Dienstleister gleichzeitig empfiehlt „RPA reicht völlig aus” — wer hat Recht?

Beide. Und keiner. Denn die Frage ist falsch gestellt.

RPA und Agentic AI lösen grundlegend verschiedene Probleme. Wer das verwechselt, kauft entweder teure KI für einfache Klick-Automatisierungen — oder kämpft jahrelang mit sprödden RPA-Bots dort, wo ein KI-Agent die Arbeit in Stunden erledigen würde.

Dieser Artikel gibt Ihnen das Handwerkszeug: eine Entscheidungsmatrix mit 8 Kriterien, einen Kostenvergleich mit echten Zahlen, eine Migrations-Schritt-für-Schritt-Anleitung — und die Einordnung nach EU AI Act, die kein anderer Artikel in dieser Tiefe bietet.

Was ist RPA — und wo stößt es an Grenzen?

Robotic Process Automation (RPA) automatisiert regelbasierte, strukturierte Prozesse durch das Imitieren menschlicher Klick-Aktionen auf Benutzeroberflächen. Ein RPA-Bot sieht die gleichen Bildschirme wie ein Mitarbeiter, klickt auf die gleichen Buttons, kopiert Daten aus Feld A in Feld B.

Stärken von RPA

• Keine API nötig: Arbeitet direkt auf bestehenden GUIs — ideal für Legacy-Systeme ohne offene Schnittstellen
• Vorhersehbar: Deterministische Ausführung, gleiches Input → immer gleiches Output
• Audit-sicher: Jeder Schritt ist protokollierbar, für Compliance-Anforderungen geeignet
• Schnell deployen: Typische Implementierung 2–8 Wochen für einen einzelnen Prozess

Klassische RPA-Anwendungsfälle im Mittelstand

Wo RPA regelmäßig scheitert

Strukturbrüche: Sobald ein Lieferant die Rechnungsvorlage ändert, bricht der Bot. Kein Lernen, kein Anpassen — manueller Eingriff nötig.

Unstrukturierte Daten: E-Mails, PDFs ohne feste Felder, Freitexte in Formularen — RPA kann damit nicht umgehen ohne vorgelagerte OCR-Extraktion.

Ausnahmen und Entscheidungen: Wenn 20 % der Fälle eine Ausnahmeregel brauchen, endet RPA entweder im Fehler-Stack oder in einem kaum wartbaren Regelwerk aus Hunderten von Wenn-Dann-Verzweigungen.

Systemänderungen: Jede UI-Änderung in SAP, Dynamics oder dem Onlinebanking bricht den Bot. Wartungsaufwand wird systematisch unterschätzt.

Was ist Agentic AI — und warum ist es mehr als ein Chatbot?

Ein KI-Agent (Agentic AI) ist ein autonomes System, das ein Ziel versteht, selbstständig plant, Werkzeuge einsetzt und aus Feedback lernt. Der entscheidende Unterschied zum klassischen Chatbot: Der Agent handelt — er wartet nicht auf die nächste Nutzereingabe.

Die 4 Kernfähigkeiten eines KI-Agenten

1. Reasoning & Planning Der Agent zerlegt ein übergeordnetes Ziel automatisch in Teilschritte. „Erstelle einen Angebotsentwurf für Kunde XY” → Agent prüft CRM-Daten, zieht aktuelle Preisliste, berücksichtigt Kundenhistorie, formuliert Text.

2. Tool Use Agenten können strukturiert Werkzeuge aufrufen: Web-Suche, Datenbank-Queries, API-Calls, Code-Ausführung, E-Mail-Versand. Die LLM-Intelligenz entscheidet, welches Tool wann sinnvoll ist.

3. Adaptive Ausführung Wenn Schritt 3 scheitert (API antwortet nicht, Daten fehlen), plant der Agent um — ohne manuellen Eingriff. RPA würde an dieser Stelle in den Fehler-Stack laufen.

4. Kontextgedächtnis Über eine Konversation oder Aufgabe hinaus merkt sich der Agent relevante Informationen: vorherige Entscheidungen, Nutzerpräferenzen, Projektstatus.

Multi-Agent-Systeme: Der nächste Evolutionsschritt

Komplexe Geschäftsprozesse werden heute nicht von einem einzelnen Agenten erledigt, sondern von Teams spezialisierter Agenten: Ein Orchestrator-Agent koordiniert, ein Recherche-Agent liefert Daten, ein Analyse-Agent wertet aus, ein Kommunikations-Agent formuliert die Ausgabe.

Das klingt komplex — ist in modernen Frameworks (Claude Agents, LangGraph, CrewAI) aber bereits in Tagen implementierbar, nicht Monaten.

Entscheidungsmatrix: RPA oder KI-Agent — 8 Kriterien

Die Matrix fasst die 8 wichtigsten Entscheidungsdimensionen zusammen. Hier die Erläuterungen:

Kriterium 1: Strukturiertheit der Eingabedaten

RPA gewinnt bei vollständig strukturierten Daten — feste Felder, definiertes Format, keine Ausnahmen.

KI-Agent gewinnt bei Semi-struktur (E-Mails, PDFs mit variabler Struktur, natürlichsprachliche Anfragen).

Faustregel: Wenn ein neuer Mitarbeiter 30 Minuten Einarbeitung braucht, um den Prozess fehlerfrei auszuführen → RPA. Wenn er eine Woche Erfahrung braucht, um Ausnahmen sicher zu handhaben → KI-Agent.

Kriterium 2: Entscheidungstiefe

RPA: Bis zu 15–20 Wenn-Dann-Regeln handhabbar. Danach explodiert der Wartungsaufwand.

KI-Agent: Kann komplexe, mehrstufige Entscheidungen treffen — auch ohne explizite Regelformulierung, auf Basis von Kontextverständnis.

Kriterium 3: Änderungshäufigkeit des Prozesses

Ändert sich der Prozess seltener als einmal pro Quartal → RPA wirtschaftlich. Ändert sich Struktur, Ausnahmen oder Systemumgebung häufig → KI-Agent amortisiert sich durch geringere Wartungskosten.

Kriterium 4: Compliance-Anforderungen

Kriterium 5: Integrationskomplexität

RPA: Perfekt für Legacy-Systeme ohne API. Kein Eingriff in bestehende Software nötig.

KI-Agent: Bevorzugt API-basierte Integrationen. Für Legacy-Umgebungen oft Kombination mit RPA als „Arm” des Agenten sinnvoll (mehr dazu unten).

Kriterium 6: Skalierbarkeit

RPA: Horizontale Skalierung durch mehr Bot-Lizenzen — lineare Kostensteigerung.

KI-Agent: API-basierte Skalierung ohne Lizenz-Overhead. Kostenstruktur oft günstiger bei hohem Volumen.

Kriterium 7: Time-to-Value

RPA: 2–8 Wochen für einen stabilen Prozess. Gut für schnelle Quick-Wins.

KI-Agent: 2–6 Wochen für MVP, dann iterativer Ausbau. Initial etwas mehr Aufwand, aber weniger Wartungsschuld.

Kriterium 8: Skill-Anforderungen intern

RPA: Keine Programmierkenntnisse nötig (bei No-Code-Tools). Business-Analysten können Prozesse selbst modellieren.

KI-Agent: Erfordert KI-Expertise für Prompt Engineering, Tool-Definition, Testing. Entweder internes Upskilling oder externer Partner nötig.

Kostenvergleich und ROI-Rechenbeispiel

Konkrete Zahlen für ein typisches mittelständisches Unternehmen (100–500 Mitarbeiter, produzierendes Gewerbe oder Dienstleister):

Beispiel: Auftragsbestätigungen verarbeiten (200 pro Woche)

Ausgangssituation: 2 Mitarbeiter verbringen je 8 Stunden/Woche mit manuellem Datenabgleich zwischen E-Mail, ERP und CRM. Stundenkosten inkl. Overhead: 35 €/h.

Aktuelle Kosten: 2 × 8 × 35 × 50 Wochen = 28.000 €/Jahr

Option A: RPA-Lösung

Einsparpotenzial: ~70 % der manuellen Arbeit (Ausnahmen bleiben manuell). Netto-Einsparung Jahr 1: 19.600 € – 26.000 bis 45.000 € = negativ bis minimal positiv Ab Jahr 2: 19.600 € Einsparung – 11.000 bis 20.000 € Kosten = 0–8.600 € netto

Option B: KI-Agent-Lösung

Einsparpotenzial: ~85–90 % (KI-Agent handhabt auch Ausnahmen). Netto-Einsparung Jahr 1: 23.800 € – 16.400 bis 30.000 € = moderat positiv bis neutral Ab Jahr 2: 23.800 € Einsparung – 4.400 bis 10.000 € Kosten = 13.800–19.400 € netto

Wann RPA trotzdem wirtschaftlicher ist

• Prozess ist zu 100 % strukturiert und ändert sich nie → RPA-Einsparung bei Implementierung
• Legacy-System ohne API und kein Migrationsbudget → RPA als einzige Option
• Kurzer Zeithorizont (< 18 Monate): RPA-Quick-Win schlägt komplexere KI-Implementierung
• Compliance erfordert vollständige Deterministik → RPA oder RPA + menschliche Kontrolle

Tool-Vergleich: RPA-Plattformen vs. KI-Agenten-Frameworks

RPA-Marktführer im Detail

UiPath — Marktführer Enterprise, stark im SAP-Umfeld. Hohe Lizenzkosten (~15.000–50.000 €/Jahr), dafür umfangreichstes Ökosystem und beste SAP-Integration. Für KMU oft überdimensioniert.

Automation Anywhere — Cloud-native, gute KI-Integration (AARI für Attended Automation). Ähnliche Preisklasse wie UiPath. Stärker in US-amerikanischen Enterprises, in Deutschland seltener anzutreffen.

Microsoft Power Automate — Für Microsoft-365-Umgebungen unschlagbar günstig (oft in bestehenden Lizenzen enthalten). Desktop Flows für RPA, Cloud Flows für API-Automatisierungen. Begrenzte Funktionstiefe bei komplexen Prozessen.

n8n — Open-Source, Self-Hosted oder Cloud. Hervorragendes Preis-Leistungs-Verhältnis für KMU. Kombiniert klassische Workflow-Automatisierung mit zunehmend agentic-fähigen Nodes. Unser häufigstes Empfehlungstool für Mittelständler unter 500 Mitarbeiter.

KI-Agenten-Frameworks

Claude Agents (Anthropic) — Modernste Reasoning-Fähigkeit, starkes Tool-Use, ideal für komplexe Geschäftsprozesse mit Sprachverständnis. Multi-Agent-Orchestrierung möglich. API-Kosten: ~5–30 €/1M Tokens je nach Modell.

OpenAI Assistants + GPT-4o — Starkes Ökosystem, viele Community-Ressourcen. Function Calling und Code Interpreter eingebaut. Gute Wahl wenn bereits OpenAI-Infrastruktur vorhanden.

LangGraph / LangChain — Python-Framework für komplexe Multi-Agent-Architekturen. Hohe Flexibilität, erfordert aber Entwickler-Expertise. Nicht für Business-Anwender selbst konfigurierbar.

n8n + AI Nodes — Für Teams, die RPA-ähnliche visuelle Workflows mit KI-Fähigkeiten kombinieren wollen. Niedrigste Einstiegshürde, gute Balance.

4 Praxisbeispiele aus dem Mittelstand

1. Metallbau GmbH (85 Mitarbeiter): Angebotserstellung

Situation: Angebotsanfragen per E-Mail, Fax und Webformular. Vertrieb verbringt 40 % der Zeit mit manueller Dateneingabe ins ERP.

Lösung: KI-Agent (Claude API + n8n) extrahiert Anfragen aus allen Kanälen, liest Produktkatalog, erstellt Angebotsentwurf im ERP-Format, sendet zur Freigabe an Vertrieb.

Ergebnis:

• Angebotszeit: 45 Min → 8 Min (Vertrieb prüft nur noch)
• Angebote/Tag: 12 → 35 (gleiche Vertriebsmannschaft)
• ROI nach 11 Monaten erreicht

2. Steuerberatungskanzlei (22 Mitarbeiter): Belege-Verarbeitung

Situation: 800–1.200 Belege/Monat von Mandanten per E-Mail, teilweise gescannt, teilweise Fotos.

Lösung: RPA + OCR (Power Automate + ABBYY FlexiCapture) für strukturierte Belege, KI-Agent für Sonderfälle und Kategorisierung unklarer Belege.

Ergebnis:

• Bearbeitungszeit Belege: -68 %
• Fehlerquote: von 3,2 % auf 0,4 %
• Implementierungszeit: 6 Wochen

Hier war Hybrid die richtige Wahl: RPA für den Massenfall, KI für Ausnahmen.

3. Logistikunternehmen (180 Mitarbeiter): Frachtdokument-Verarbeitung

Situation: 300+ verschiedene Frachtbrief-Formate von Partnern weltweit. Bisheriger RPA-Bot hatte 45-minütige Wartungszeit pro neuer Vorlage.

Ergebnis nach Wechsel auf KI-Agenten:

• Neue Vorlagen: keine Konfiguration mehr nötig
• Verarbeitungsgenauigkeit: 97,3 % (vorher: 89 % mit RPA)
• Wartungsaufwand: -85 %

4. SaaS-Unternehmen (55 Mitarbeiter): Kunden-Onboarding

Situation: Neukunden-Onboarding dauert 3–5 Tage, 60 % davon manuelle Schritte.

Lösung: Multi-Agenten-System: Orchestrator koordiniert Provisionierungsagent, Dokumentationsagent, Willkommens-Kommunikationsagent.

Ergebnis:

• Onboarding-Zeit: 4 Tage → 4 Stunden
• Fehler bei Konfiguration: -91 %
• NPS Onboarding: +34 Punkte

Hybridarchitektur: Der Agent als Gehirn, RPA als Hand

Die fortschrittlichste Architektur kombiniert beide Technologien strategisch:

KI-Agent (Reasoning Layer)
     ↓ koordiniert
  ┌─────────────┬─────────────┐
  │   RPA-Bot 1 │   RPA-Bot 2 │
  │ (SAP-Zugriff│ (ERP-Legacy)│
  └─────────────┴─────────────┘

Der KI-Agent übernimmt:

• Aufgabe verstehen und aufteilen
• Entscheidungen bei Ausnahmen
• Kommunikation mit Menschen
• Koordination und Monitoring

Die RPA-Bots übernehmen:

• Strukturierte Dateneingabe in Legacy-Systeme
• Präzise GUI-Interaktionen ohne API
• Auditierbare, deterministische Ausführung

Wann ist diese Architektur sinnvoll? Wenn Sie bereits laufende RPA-Prozesse haben (Schutz der Investition) UND zunehmend unstrukturierte Inputs verarbeiten müssen. Die RPA-Bots werden zu Werkzeugen des Agenten — nicht ersetzt, sondern orchestriert.

Migrations-Leitfaden: Von RPA zu Agentic AI in 5 Schritten

Dieser strukturierte Migrationsplan existiert so noch nicht auf Deutsch — und ist der meistgesuchte Inhalt in diesem Themenbereich.

Schritt 1: RPA-Portfolio-Audit (Woche 1–2)

Erstellen Sie eine Bestandsaufnahme aller aktiven RPA-Prozesse:

Kategorisierung nach Migrationsdringlichkeit:

• Rot (Sofort-Kandidaten): Hohe Fehlerquote (> 5 %), häufige manuelle Eingriffe, hoher Wartungsaufwand
• Gelb (Mittelfristig): Stabil, aber Skalierungsgrenzen sichtbar; Prozess enthält versteckte Ausnahmen
• Grün (Behalten): Läuft stabil, voll strukturiert, kein Ausnahmen-Problem

Typische Verteilung nach Audit: 20 % Rot, 40 % Gelb, 40 % Grün.

Schritt 2: Proof of Concept für einen Rot-Kandidaten (Woche 3–6)

Wählen Sie einen überschaubaren Prozess mit klarem Businesswert für den PoC:

• Maximal 3–4 Systemintegrationen
• Klares Erfolgskriterium (z.B. Fehlerquote < 1 %)
• Messbare Baseline vorhanden

Implementieren Sie einen KI-Agenten parallel zum bestehenden RPA-Bot. Laufen Sie 4 Wochen parallel, vergleichen Sie die Ergebnisse.

Schritt 3: Hybrid-Architektur etablieren (Woche 7–12)

Wenn der PoC erfolgreich: Bauen Sie die Orchestrierungsschicht auf.

• Definieren Sie klare API/Schnittstellen zwischen Orchestrierungsagent und RPA-Bots
• Dokumentieren Sie die Fehlerfälle, die der Agent übernimmt
• Etablieren Sie Human-in-the-Loop für Entscheidungen oberhalb eines Konfidenz-Schwellenwerts

Schritt 4: Schrittweise Migration der Gelb-Kandidaten (Monat 4–12)

Priorisieren Sie nach Businessimpact. Migrieren Sie nie mehr als 2–3 Prozesse gleichzeitig.

Checkliste für jeden Migrationsprozess:

• Datenfluss vollständig dokumentiert
• Ausnahme-Fälle inventarisiert (mind. 80 % der Ausnahmen bekannt)
• Monitoring und Alerting eingerichtet
• Rollback-Plan definiert
• Mitarbeiter geschult (wie greife ich ein, wenn der Agent Hilfe braucht?)

Schritt 5: Continuous Improvement Cycle (ab Monat 6, fortlaufend)

KI-Agenten verbessern sich mit Feedback — aber nur, wenn Sie das systematisch erfassen.

• Wöchentliches Review der Fehlerfälle
• Monatliches Prompt-Tuning auf Basis realer Ausnahmen
• Quartalsweise Evaluierung: Welche neuen Prozesse sind reif für Automatisierung?

“Die meisten Mittelständler überschätzen den Aufwand der initialen Migration und unterschätzen den Wert des iterativen Ausbaus. Ein KI-Agent, der im ersten Jahr 70 % automatisiert, kann im zweiten Jahr 90 % erreichen — ein RPA-Bot bleibt bei 70 %.”

EU AI Act: Was Sie für RPA und KI-Agenten wissen müssen

Dies ist das am stärksten vernachlässigte Thema in allen Vergleichsartikeln — und ab August 2026 für Unternehmen in der EU verpflichtend relevant.

RPA unter dem EU AI Act

Gute Nachricht für RPA: Klassische, regelbasierte RPA-Systeme fallen in der Regel nicht unter die KI-Definition des EU AI Acts (Art. 3 Abs. 1). Deterministische Regelwerke sind keine „KI-Systeme” im Sinne des Gesetzes.

Ausnahme: Wenn RPA mit Machine-Learning-Komponenten kombiniert wird (z.B. KI-basiertes OCR für Dokumentenklassifikation), können diese ML-Komponenten unter den Act fallen.

KI-Agenten unter dem EU AI Act

KI-Agenten basieren auf Large Language Models und gelten eindeutig als KI-Systeme im Sinne des EU AI Acts.

Risikoklassifikation entscheidet über Pflichten:

Praktische Empfehlung für KMU:

Wenn Ihr KI-Agent ausschließlich interne Prozesse automatisiert (keine direkten Auswirkungen auf externe natürliche Personen), fällt er in der Regel in die Klasse minimales Risiko — keine regulatorischen Sonderpflichten.

Sobald der Agent jedoch Entscheidungen über Mitarbeiter, Kunden oder Kreditwürdigkeit trifft oder in Kundenkommunikation eingebunden ist, entstehen Transparenz- und Dokumentationspflichten.

Dokumentationspflichten vorbereiten

Selbst bei minimalem Risiko empfehlen wir, folgende Dokumentation von Anfang an zu führen:

1. Technische Beschreibung des KI-Systems (verwendetes Modell, Zweck, Eingabe/Ausgabe)
2. Risikoabschätzung (welche Entscheidungen trifft der Agent, welche Auswirkungen haben Fehler?)
3. Human-in-the-Loop Protokoll (bei welchen Fällen ist menschliche Kontrolle vorgesehen?)
4. Trainings-/Anpassungsdokumentation (Prompt-Änderungen, Fine-Tuning)

Diese Dokumentation kostet bei sorgfältiger Implementierung kaum Mehraufwand — und ist Ihre Absicherung, falls die Klassifikation Ihres Systems später anders bewertet wird.

Häufig gestellte Fragen