RPA ist nicht tot. Es wird geschluckt. Alle großen Automatisierungsanbieter, UiPath, Automation Anywhere und SS&C Blue Prism, haben in den letzten zwölf Monaten ihre Kernplattformen rund um KI-Agenten neu positioniert. Der skriptgesteuerte Bot, der sich durch SAP-Masken klickt, verschwindet nicht. Aber er wird vom Hauptdarsteller zum Bühnenarbeiter degradiert, der Anweisungen von einem KI-Agenten entgegennimmt, der tatsächlich denken kann.
Der Hyperautomation-Markt wird laut Precedence Research 2026 voraussichtlich 76,86 Milliarden Dollar erreichen. Dieses Wachstum treibt nicht der Verkauf zusätzlicher RPA-Lizenzen. Es entsteht durch den architektonischen Wandel von deterministischen Skripten hin zu agentischer Orchestrierung: KI-Agenten treffen die Entscheidungen, RPA erledigt die Tastatureingaben.
Drei Anbieter-Pivots, die alles erklären
Jeder große Automatisierungsanbieter stand 2025 vor dem gleichen Problem: Ihre RPA-Bots konnten die einfachen 20% eines Prozesses automatisieren (strukturierte Daten, vorhersehbare Bildschirmmasken, simple Wenn-Dann-Logik), scheiterten aber an den restlichen 80%, die das Lesen unstrukturierter Dokumente, Ermessensentscheidungen oder den Umgang mit unerwarteten Eingaben erfordern.
Die Antwort fiel einheitlich aus.
UiPath: Die “Agentic Automation Platform”
UiPath hat die nach eigener Aussage weltweit erste Agentic-Automation-Plattform für Unternehmen gestartet. Der neue Agent Builder ermöglicht es Teams, KI-Agenten für komplexe Abläufe wie die Klärung von Rechnungsstreitigkeiten zu erstellen. Der Agent liest die Rechnung, prüft Vertragskonditionen, identifiziert Abweichungen und löst den Fall entweder selbst oder eskaliert ihn mit vollständiger Kontextzusammenfassung.
Die Botschaft aus dem UiPath Trends Report 2026: Betriebsmodelle werden sich “von menschenzentrierten Workflows zu agentischen Betriebsmodellen” entwickeln. Im Klartext: Der KI-Agent wird zum Prozesseigner, nicht mehr der menschliche Manager.
Finanziell sieht die Realität nüchterner aus. Nanalyze berichtet, dass UiPath für das nächste Jahr nur 9% Umsatzwachstum erwartet. Der agentische Pivot ist bisher mehr Roadmap als Umsatz.
Automation Anywhere: Agentic Process Automation (APA)
Automation Anywhere hat nicht einfach KI-Features ergänzt, sondern gleich den gesamten Ansatz umbenannt. Agentic Process Automation heißt das neue Konzept, und es hat laut Q1-Geschäftsbericht FY2026 bereits eine Attach-Rate von 51% in der bestehenden Kundenbasis erreicht. Die Partnerschaft mit OpenAI und eine neue Reasoning Engine, die Unternehmenskontext verarbeitet, unterstreichen die Richtung.
EY und Automation Anywhere haben gemeinsam ein Whitepaper mit dem Titel “From Robotic to Agentic” veröffentlicht. Der Titel allein sagt alles über die Zukunft der Branche.
SS&C Blue Prism: Der “AI Mesh”-Ansatz
Blue Prism geht mit WorkHQ einen anderen Weg: eine Plattform, die Menschen, KI-Agenten und RPA-Bots gemeinsam orchestriert. Im Blog heißt es explizit: “Die Zukunft der Automatisierung besteht nicht darin, RPA abzuschaffen, sondern es mit KI-Agenten zu verschmelzen.”
Konkret bedeutet das eine “AI Mesh”-Architektur, in der mehrere Agenten zusammenarbeiten. Ein Agent liest eingehende Rechnungen (unstrukturierte Daten), ein anderer validiert sie gegen Verträge (Ermessensentscheidung), und ein RPA-Bot trägt den freigegebenen Betrag ins ERP-System ein (strukturierte Ausführung). Drei verschiedene Technologien, ein orchestrierter Prozess.
Warum RPA allein an Grenzen stößt und was Agenten lösen
Die zentrale Schwäche von RPA: Es folgt Skripten. Ein RPA-Bot macht exakt das, was man ihm programmiert hat, in genau der Reihenfolge, die man festgelegt hat, mit genau den Eingaben, die man vorhergesehen hat. Das funktioniert für etwa 20-30% der Unternehmensprozesse. Der Rest beinhaltet Mehrdeutigkeiten, Ausnahmen oder unstrukturierte Daten, an denen skriptbasierte Workflows scheitern.
So vergleichen sich die beiden Ansätze in den entscheidenden Dimensionen:
| Dimension | RPA-Bots | KI-Agenten |
|---|---|---|
| Logik | Deterministische Skripte | LLM-basiertes Schlussfolgern |
| Datenverarbeitung | Nur strukturiert (Formulare, Tabellen) | Strukturiert + unstrukturiert (E-Mails, PDFs, Bilder) |
| Fehlerreaktion | Stoppt und meldet an Menschen | Analysiert Kontext, versucht Alternativen |
| Anpassungsfähigkeit | Bricht bei UI-Änderungen | Interpretiert Kontext, passt Vorgehen an |
| Prozessabdeckung | 20-30% des Automatisierungspotenzials | 60-80% des Automatisierungspotenzials |
| Geschwindigkeit | Millisekunden pro Aktion | Sekunden pro Aktion (LLM-Inferenz) |
| Zuverlässigkeit | 100% bei definierten Fällen | Variabel; unter 50% bei komplexen UI-Aufgaben in Produktion |
Die letzte Zeile ist entscheidend. HCO.de berichtet, dass LLM-basierte Agenten in kontrollierten Laborumgebungen bis zu 90% Erfolgsrate erreichen, aber unter 50% bei realen UI-Automatisierungsaufgaben liegen. Für hochvolumige, klar definierte Prozesse mit 100% Zuverlässigkeitsanforderung ist RPA nach wie vor die bessere Wahl.
Die Gewinner-Architektur heißt nicht Agenten ODER Bots. Sondern Agenten, die Bots steuern: KI übernimmt das Denken, RPA übernimmt das Klicken.
Was die Analysten wirklich vorhersagen
Der Analysten-Konsens ist optimistisch bei der Richtung, aber vorsichtig beim Zeitplan.
Gartner prognostiziert, dass 40% der Unternehmensanwendungen bis Ende 2026 aufgabenspezifische KI-Agenten eingebettet haben werden, gegenüber weniger als 5% in 2025. Gleichzeitig sagt Gartner voraus, dass über 40% der agentischen KI-Projekte bis Ende 2027 eingestellt werden, weil Governance fehlt und der ROI unklar bleibt.
Forrester ist noch konservativer: Weniger als 15% der Unternehmen werden bis Ende 2026 agentische Funktionen in ihren Automatisierungspaketen aktivieren. Forrester warnt auch explizit davor, “RPA-Fehler mit KI-Agenten zu wiederholen”: überlappende Funktionalitäten, unkontrolliertes Agent-Wachstum und teure Shelfware.
McKinsey sieht ein Wertschöpfungspotenzial von 2,6 bis 4,4 Billionen Dollar jährlich durch KI-Agenten in Geschäftsprozessen. Aber nur 6% der Unternehmen gelten derzeit als “KI-Hochleistungsträger.” Die Kluft zwischen Experimentieren und Produktion bleibt groß: 62% der Unternehmen experimentieren mit Agenten, aber nur 23% skalieren sie in mindestens einer Funktion.
Migrations-Leitfaden: Von RPA zu agentischer Automatisierung
Wenn Ihr Unternehmen eine bestehende RPA-Investition hat (und die meisten Großunternehmen betreiben 500+ Bots), lautet der Migrationspfad nicht “Abreißen und ersetzen.” Sondern: “Schichten und orchestrieren.”
Schritt 1: Bot-Portfolio durchleuchten
Kategorisieren Sie Ihre bestehenden RPA-Bots in drei Gruppen:
- Beibehalten: Hochvolumige, deterministische Prozesse, bei denen der Bot zuverlässig läuft und sich der Prozess selten ändert. Beispiel: monatliche Lohndatenerfassung, standardisierte Berichterstellung. Diese Bots tun ihren Job.
- Mit KI erweitern: Prozesse, bei denen der Bot zu 80% funktioniert, aber eine Ausnahme-Warteschlange erzeugt, die Menschen abarbeiten. Ein KI-Agent kann diese Ausnahmen bearbeiten: unstrukturierten Kontext lesen, Ermessensentscheidungen treffen und den Fall entweder lösen oder mit besseren Informationen weiterleiten.
- Durch Agenten ersetzen: Prozesse, bei denen der RPA-Bot ständig bricht, weil der zugrunde liegende Prozess zu dynamisch ist. Dokumentenverarbeitung mit variablen Layouts, E-Mail-Triage mit mehrdeutigen Anfragen, Kundenvorgänge über mehrere Systeme hinweg.
Schritt 2: Orchestrierungsschicht wählen
Die drei großen Plattformen (UiPath, Automation Anywhere, Blue Prism) bieten alle native Agent-RPA-Orchestrierung an. Wer bereits auf einer dieser Plattformen arbeitet, hat einen natürlichen Upgrade-Pfad. Alternativ ermöglichen Tools wie CrewAI oder LangGraph den Aufbau eigener Agentenorchestrierung, die bestehende RPA-Bots per API aufruft.
Schritt 3: Bei der Ausnahmebehandlung starten
Der schnellste ROI entsteht durch den Einsatz von KI-Agenten auf den Ausnahme-Warteschlangen, die RPA-Bots bereits generieren. Wenn Ihr Rechnungsverarbeitungs-Bot täglich 200 Ausnahmen erzeugt, die ein Mensch prüft, kann ein Agent 60-70% davon automatisch lösen. Finanz- und Betriebsprozesse beschleunigen sich um 30-50% mit diesem Ansatz.
Warum Gartner 40% Projektabbrüche vorhersagt und was der Mittelstand tun sollte
Die Prognose hat nichts mit Technologieversagen zu tun. Es geht um Governance.
Unternehmen, die KI-Agenten ohne klare Leitplanken einsetzen, stehen vor drei Problemen:
Agent-Wildwuchs: Wie beim RPA-Bot-Wildwuchs davor starten Abteilungen Agenten ohne zentrale Aufsicht. Forrester nennt das “Wiederholung der RPA-Fehler.” Nach 18 Monaten laufen 50 Agenten in verschiedenen Abteilungen, ohne dass jemand weiß, was sie tun, auf welche Daten sie zugreifen oder ob sie sich widersprechen.
Verantwortungslücken: Ein RPA-Bot macht genau das, was man ihm sagt. Wenn er einen Fehler macht, kann man die Ursache in einer bestimmten Skriptzeile finden. Ein KI-Agent trifft probabilistische Entscheidungen. Wenn er einen Rechnungsstreit falsch löst, wer trägt die Verantwortung? Der Agent-Entwickler? Das Team? Der Anbieter?
Compliance-Blindstellen: Der EU AI Act wird im August 2026 vollständig anwendbar. Agenten, die autonome Entscheidungen in Bereichen wie Personalauswahl, Kreditvergabe oder Versicherungen treffen, müssen Transparenz- und Auditierbarkeitsanforderungen erfüllen, die die meisten aktuellen Deployments nicht leisten können. Für deutsche Unternehmen kommt die DSGVO-Frage hinzu: Wer interne Dokumente an externe Cloud-KI-Dienste schickt, muss die Datenverarbeitung sorgfältig prüfen. Lokale KI-Modelle (Ollama, LM Studio) werden deshalb für sensible Daten zunehmend attraktiv.
HCO.de empfiehlt für den Mittelstand eine klare Strategie: bestehende RPA-Investitionen schützen, Pilotprojekte mit KI für unstrukturierte Daten starten, Human-in-the-Loop etablieren (KI macht Vorschläge, Menschen entscheiden), Governance für Nachvollziehbarkeit aufbauen und in Plattformen denken, um neue Silos zu vermeiden.
Die Unternehmen, die erfolgreich sind, werden die KI-Agent-Governance wie ihre RPA-Governance behandeln: mit einem Center of Excellence, das Deployments kontrolliert, Performance überwacht und Standards durchsetzt.
Häufig gestellte Fragen
Werden KI-Agenten RPA komplett ersetzen?
Nein. KI-Agenten absorbieren RPA in größere Agentic-Automation-Plattformen. RPA-Bots bleiben die beste Wahl für hochvolumige, deterministische Aufgaben mit 100% Zuverlässigkeit und Sub-Sekunden-Geschwindigkeit. KI-Agenten übernehmen die unstrukturierte, urteilsbasierte Arbeit, die RPA nicht leisten kann. Die Gewinner-Architektur nutzt Agenten als Gehirn und RPA-Bots als Hände.
Was ist der Unterschied zwischen RPA und Agentic Automation?
RPA-Bots folgen vorprogrammierten Skripten, um spezifische, repetitive Aufgaben mit strukturierten Daten auszuführen. Agentic Automation nutzt KI-Agenten, die schlussfolgern, unstrukturierte Daten verarbeiten, auf Ausnahmen reagieren und mehrere Tools (einschließlich RPA-Bots) orchestrieren können. RPA automatisiert Aufgaben; Agentic Automation automatisiert Prozesse.
Wie groß ist der Hyperautomation-Markt 2026?
Der Hyperautomation-Markt wird laut Precedence Research 2026 auf 76,86 Milliarden Dollar geschätzt, mit einer CAGR von 16,64% in Richtung 306 Milliarden Dollar bis 2035. Der KI-Agenten-Teilmarkt wächst von 7,8 Milliarden Dollar (2025) auf voraussichtlich 52,6 Milliarden Dollar bis 2030.
Sollten Unternehmen ihre bestehenden RPA-Bots durch KI-Agenten ersetzen?
Nicht pauschal. Der empfohlene Ansatz: Bestehende Bots auditieren, leistungsstarke deterministische Bots beibehalten, ausnahmelastige Prozesse mit KI-Agenten erweitern und Bots ersetzen, die an dynamischen Prozessen ständig scheitern. Der schnellste ROI entsteht durch KI-Agenten auf den Ausnahme-Warteschlangen, die RPA-Bots erzeugen.
Welche Compliance-Anforderungen müssen deutsche Unternehmen bei KI-Agenten beachten?
Der EU AI Act wird im August 2026 vollständig anwendbar und verlangt Transparenz und Auditierbarkeit bei autonomen Entscheidungen. Die DSGVO stellt zusätzliche Anforderungen an die Datenverarbeitung, besonders wenn interne Dokumente an externe Cloud-KI-Dienste gesendet werden. Unternehmen sollten lokale KI-Modelle für sensible Daten in Betracht ziehen und Human-in-the-Loop-Governance etablieren.