KI-Agent vs RPA vs klassische Automatisierung: der Unterschied 2026 (und wann du was brauchst)

Drei Begriffe gehen 2026 in jeder Digitalisierungs-Runde durcheinander: klassische Automatisierung, RPA und KI-Agenten. Wer sie verwechselt, kauft die teure Loesung fuer das falsche Problem, oder, andersherum, traut der billigen Loesung den falschen Job zu. Das ist, als wuerdest du einen Panzer fuer den Wocheneinkauf bestellen oder ein Fahrrad fuer den Umzug. Beides faehrt, beides ist Unsinn. Hier ist der Unterschied in Klartext, mit der ehrlichen Faustregel, wann du was brauchst. Allgemeinverstaendlich, aber technisch korrekt, mit Beispielen aus dem Mittelstand-Alltag.

Die drei auf einer Seite

Bevor wir in die Details gehen, der schnelle Ueberblick. Drei Ansaetze, sechs Fragen, eine Tabelle.

	Klassische Automatisierung	RPA	KI-Agent
Was es ist	Feste Regeln und Skripte, die ueber APIs Daten bewegen	Software-Roboter, der wie ein Mensch durch Oberflaechen klickt	Zielgetriebenes LLM-System, das plant und Werkzeuge nutzt
Wie es entscheidet	Deterministisch: wenn X, dann Y	Deterministisch: vordefinierte Klick-Pfade	Probabilistisch: interpretiert, plant, passt sich an
Staerke	Schnell, billig, extrem zuverlaessig bei stabilen Prozessen	Verbindet Alt-Systeme ohne Schnittstelle	Unstrukturierte Daten, Variabilitaet, urteilsaehnliche Schritte
Schwaeche	Bricht bei jeder Abweichung vom Plan	Bruechig bei UI-Aenderungen, kein Urteilsvermoegen	Nicht deterministisch, braucht Eval und Guardrails
Typischer Use-Case	Naechtliche Datensynchronisation per API	Daten aus Alt-ERP ins neue Tool uebertragen	Eingangsrechnungen pruefen und Abweichungen eskalieren
Kosten-Pattern	Niedrige Bau- und Laufkosten, kaum Wartung	Mittlere Baukosten, hohe versteckte Wartung	Hoehere Kosten pro Vorgang, laufende Eval-Kosten

Drei Zeilen, die alles tragen: wie etwas entscheidet, wo es bricht und was es ueber die Zeit kostet. Wer diese Tabelle verinnerlicht hat, trifft die meisten Tooling-Entscheidungen schon richtig. Den Rest klaeren die naechsten Abschnitte. Wer die Begriffe rundherum sauber sortieren will, findet sie in den 7 Begriffen, die jeder Geschaeftsfuehrer kennen sollte.

Klassische Automatisierung: Regeln und Skripte

Klassische Automatisierung ist der aelteste und am meisten unterschaetzte Ansatz. Im Kern sind es feste Regeln: wenn ein bestimmter Auslöser eintritt, fuehre einen definierten Schritt aus. Ein naechtlicher Cron-Job, der Daten aus einem System in ein anderes synchronisiert. Ein Skript, das jede eingehende Bestellung ueber eine API ins Lager-System schreibt. Eine Workflow-Regel, die bei jedem neuen Datensatz eine Mail ausloest. Kein Modell, keine Interpretation, nur Logik, die jemand einmal sauber definiert hat.

Die Staerke ist beeindruckend, wird aber selten gewuerdigt: Klassische Automatisierung ist schnell, billig und extrem zuverlaessig, solange der Prozess stabil ist und die Daten strukturiert sind. Sie macht denselben Schritt eine Million Mal exakt gleich, ohne zu ermueden, ohne abzudriften, und sie ist nachvollziehbar bis auf die Zeile. Wenn dein Prozess klare Ein- und Ausgaenge hat und sich nicht staendig aendert, ist das oft die richtige und mit Abstand guenstigste Loesung.

Die Schwaeche ist die Kehrseite derselben Medaille: Sie bricht bei jeder Abweichung, die nicht vorgesehen war. Kommt ein Datensatz in einem unerwarteten Format, fehlt ein Feld, oder taucht ein Sonderfall auf, den niemand bedacht hat, dann macht das Skript entweder etwas Falsches oder bleibt stehen. Es hat kein Urteilsvermoegen, es kann nicht improvisieren. Genau hier liegt die Grenze, an der Firmen frustriert auf die naechste Stufe schielen.

Ein Mittelstand-Beispiel: Ein Maschinenbauer synchronisiert naechtlich Stammdaten zwischen ERP und Webshop. Strukturierte Felder, stabiler Prozess, klare Regeln. Das laeuft seit Jahren ueber ein Skript, kostet im Betrieb fast nichts und faellt nur auf, wenn es mal nicht laeuft. Niemand braucht hier einen KI-Agenten. Wer fuer so etwas ein LLM-System aufsetzt, zahlt fuer Flexibilitaet, die der Prozess gar nicht braucht.

RPA: der Klick-Roboter auf der Oberflaeche

RPA, Robotic Process Automation, loest ein sehr spezifisches Problem: Was tust du, wenn ein System keine Schnittstelle hat, die du ansprechen kannst. Die Antwort von RPA ist pragmatisch und ein bisschen brachial: Ein Software-Roboter bedient die Benutzeroberflaeche genau so, wie es ein Mensch tun wuerde. Er oeffnet das Programm, klickt in Feld drei, tippt eine Nummer, drueckt Enter, liest das Ergebnis ab und traegt es woanders ein. RPA automatisiert nicht den Prozess auf Datenebene, sondern die Klicks an der Oberflaeche.

Die Staerke ist real und der Grund, warum RPA in vielen Mittelstaendlern laeuft: Es verbindet Alt-Systeme, die keine API haben und die man nicht ohne Weiteres ablösen kann. Das alte Buchhaltungsprogramm, das Branchen-Spezialtool von 2009, die Behoerden-Maske im Browser. Wo eine saubere Integration Monate und ein Budget kosten wuerde, klickt sich der RPA-Roboter in Tagen durch. Fuer eine Bruecke zwischen zwei Welten, von denen eine sich nicht oeffnen laesst, ist das oft der einzige bezahlbare Weg.

Jetzt der ehrliche Teil, den RPA-Anbieter ungern betonen: RPA ist bruechig, und die Wartungskosten sind hoch und versteckt. Der Roboter haengt an der Oberflaeche, und Oberflaechen aendern sich. Ein Update verschiebt einen Button, ein Feld wird umbenannt, ein Dialog kommt neu dazu, und der Roboter klickt ins Leere oder, schlimmer, ins falsche Feld. Dazu hat RPA kein Urteilsvermoegen: Es folgt einem festen Klick-Pfad und kann mit nichts umgehen, das nicht vorgesehen war. In unseren Workshops sehen wir regelmaessig, dass die laufende Pflege der RPA-Strecken deutlich mehr bindet als die erste Schaetzung versprochen hatte (Sentient-Dynamics-Workshop-Aggregat, Stand Mai 2026). Das macht RPA nicht schlecht, aber es macht die ehrliche Rechnung wichtig.

Ein Mittelstand-Beispiel: Ein Grosshaendler uebertraegt taeglich Auftragsdaten aus einem Alt-ERP ohne API in ein modernes Bestell-Tool. RPA klickt die Maske durch, liest die Felder aus und traegt sie drueben ein. Funktioniert, spart echte Handarbeit, und solange beide Oberflaechen stabil bleiben, laeuft es. Kommt ein groesseres Update der Alt-Software, steht der Roboter still, bis jemand die Strecke nachzieht. Wer RPA einsetzt, kauft eine Bruecke, kein Fundament.

KI-Agent: das zielgetriebene LLM-System

Ein KI-Agent ist etwas grundlegend anderes. Er bekommt kein festes Skript und keinen festen Klick-Pfad, sondern ein Ziel. Er versteht unstrukturierten Input, eine Mail im Fliesstext, ein PDF, eine vage formulierte Anfrage, zerlegt das Ziel in Schritte, nutzt Werkzeuge, um echte Aktionen auszuloesen, und passt sich an, wenn die Realitaet von seinem Plan abweicht. Wie dieser Loop aus Wahrnehmen, Planen, Handeln und Beobachten technisch funktioniert, ist im Schwester-Post zur Funktionsweise eines KI-Agenten ausgefuehrt.

Die Staerke liegt genau dort, wo die anderen beiden brechen: bei unstrukturierten Daten, bei Variabilitaet und bei Schritten, die ein gewisses Urteilsvermoegen brauchen. Ein Agent kann eine Rechnung lesen, die jeder Lieferant anders formatiert, die passende Bestellung im ERP suchen, Positionen vergleichen, eine Abweichung erkennen und entscheiden, ob sie unter dem Schwellwert liegt oder eskaliert werden muss. Kein festes Skript koennte alle Rechnungsformate dieser Welt abdecken, und RPA wuerde an der ersten ungewohnten Maske scheitern. Der Agent geht mit der Abweichung um, statt an ihr zu zerbrechen.

Die Schwaeche gehoert genauso ehrlich auf den Tisch: Ein Agent ist nicht deterministisch. Zweimal dieselbe Aufgabe kann zwei leicht unterschiedliche Wege nehmen. Das heisst, du brauchst Eval, also eine systematische Pruefung, ob er gut arbeitet, und Guardrails, die festlegen, was er darf und was nicht. Und er ist pro Vorgang teurer als ein Skript, weil jeder Schritt Modell-Aufrufe kostet. Ein Agent ist kein Gratis-Allheilmittel, sondern ein Werkzeug mit eigenem Betriebsaufwand. Was er heute noch nicht zuverlaessig kann, steht im Detail im Post zu dem, was AI-Agents nicht koennen.

Ein Mittelstand-Beispiel: Ein Dienstleister bekommt taeglich dutzende Eingangsrechnungen in unterschiedlichsten Formaten per Mail. Ein Agent liest sie, gleicht sie gegen die Bestellungen im ERP ab, winkt die sauberen durch und legt nur die Abweichungen einem Menschen vor, mit Beleg und Begruendung. Das ist unstrukturiert, variabel und braucht Urteilsvermoegen, also genau der Job, fuer den weder Skript noch RPA gebaut sind.

Die Faustregel: wann was

Die Entscheidung haengt an drei Achsen: Wie strukturiert ist der Input, wie stabil ist der Prozess, und wie viel Urteilsvermoegen braucht der Schritt. Daraus wird eine ueberraschend klare Faustregel.

Strukturiert und stabil, kein Urteil noetig: klassische Automatisierung. Wenn die Daten in klaren Feldern kommen, der Prozess sich kaum aendert und jede Entscheidung sich in eine feste Regel giessen laesst, ist ein Skript die richtige Wahl. Schneller, billiger und zuverlaessiger als alles andere. Hier einen Agenten zu bauen, ist der teuerste Weg zum schlechtesten Ergebnis.

Strukturiert, aber kein Zugang zum System: RPA. Wenn die Logik klar waere, du aber an ein Alt-System ohne Schnittstelle musst, ist RPA die Bruecke. Mit dem Wissen im Hinterkopf, dass du die Wartung mit einplanst, nicht nur den Bau.

Unstrukturiert, variabel, Urteil noetig: KI-Agent. Wenn der Input von Fall zu Fall anders aussieht, der Prozess Ausnahmen kennt und jemand bei jedem Vorgang ein bisschen mitdenken muss, ist der Agent der erste Ansatz, der das ueberhaupt tragen kann.

Und der Punkt, der in der Praxis am haeufigsten uebersehen wird: Es ist selten ein Entweder-oder. Die robustesten Loesungen kombinieren. Der Agent uebernimmt das Verstehen und Entscheiden, ruft aber fuer die zuverlaessigen, strukturierten Teilschritte eine klassische Automatisierung oder sogar RPA als Werkzeug auf. Der Agent orchestriert, das Skript fuehrt aus. So bekommst du die Flexibilitaet des Agenten fuer die unklaren Teile und die Zuverlaessigkeit des Skripts fuer die klaren, statt einen Ansatz fuer alles zu ueberdehnen.

Der teuerste Fehler 2026: Agent fuer einen Automatisierungs-Job

Der mit Abstand haeufigste teure Fehler, den wir 2026 sehen, ist nicht Skepsis gegenueber KI. Es ist das Gegenteil: Firmen werfen einen LLM-Agenten auf ein Problem, das ein 50-Zeilen-Skript besser, billiger und zuverlaessiger loest. Der Reiz ist verstaendlich, KI ist das Thema des Jahres, und ein Agent fuehlt sich modern an. Aber wenn der Input strukturiert und der Prozess stabil ist, zahlst du fuer Flexibilitaet, die niemand braucht, handelst dir Nicht-Determinismus ein, wo du Verlaesslichkeit haettest haben koennen, und betreibst Eval fuer einen Vorgang, der nie eine Abweichung produziert. Ein Panzer fuer den Wocheneinkauf.

Es gibt den Gegenfehler, und der ist genauso teuer: jahrelange RPA-Wartungs-Hoelle dort, wo ein Agent laengst robuster waere. Wenn Teams immer neue RPA-Strecken auf wackelige Oberflaechen bauen und einen wachsenden Anteil ihrer Zeit damit verbringen, gebrochene Klick-Pfade zu reparieren, dann automatisieren sie das Falsche auf die falsche Art. Ein Agent, der den Input versteht statt sich auf Pixel-Positionen zu verlassen, waere hier nicht nur eleganter, sondern ueber die Zeit guenstiger. Beide Fehler kommen aus derselben Wurzel: Man entscheidet ueber die Loesung, bevor man das Problem sauber eingeordnet hat. Warum so viele dieser Projekte trotzdem im Sand verlaufen, zeigt der Pilot-Friedhof.

Wie du in drei Fragen entscheidest

Fuer deinen naechsten Use-Case brauchst du keine Beratung, um die Richtung zu finden. Drei Fragen reichen, in dieser Reihenfolge.

Erste Frage: Ist der Input strukturiert und der Prozess stabil. Wenn ja, und kein Urteilsvermoegen noetig ist, dann ist es ein Automatisierungs-Job. Bau ein Skript, nutze ein bestehendes Workflow-Tool, und gib kein Geld fuer einen Agenten aus. Die meisten internen Routine-Prozesse fallen hierher, auch wenn es weniger spannend klingt.

Zweite Frage: Falls strukturiert, aber kommst du technisch an das System heran. Wenn es eine API gibt, klassische Automatisierung. Wenn nicht und du an eine Oberflaeche gebunden bist, ist RPA der pragmatische Weg, mit eingeplanter Wartung. Diese Frage entscheidet zwischen Skript und Klick-Roboter, und sie wird oft uebersprungen.

Dritte Frage: Ist der Input unstrukturiert oder der Prozess variabel, und braucht ein Schritt echtes Urteilsvermoegen. Wenn ja, ist der Agent der erste Ansatz, der das tragen kann. Pruefe dann gleich mit, ob der Agent fuer die zuverlaessigen Teilschritte Automatisierung oder RPA als Werkzeug aufrufen sollte, statt alles selbst zu machen. Wer diese drei Fragen ehrlich beantwortet, landet fast immer beim richtigen Werkzeug und spart sich den teuersten Fehler des Jahres.

FAQ

Ersetzt ein KI-Agent unser RPA?

Nicht pauschal, aber in einigen Faellen sinnvollerweise ja. RPA, das nur deshalb existiert, weil ein System keine API hatte, und das viel Wartung frisst, ist ein guter Kandidat fuer eine Ablösung durch einen Agenten, der den Input versteht statt sich auf feste Klick-Pfade zu verlassen. RPA dagegen, das einen stabilen, strukturierten Prozess zuverlaessig abwickelt, solltest du nicht aus Mode-Gruenden anfassen. Die Frage ist nicht "Agent oder RPA", sondern "wo bricht unser RPA staendig, und wuerde ein Agent dort robuster laufen".

Koennen die drei Ansaetze kombiniert werden?

Ja, und das ist oft die beste Loesung. Ein Agent kann klassische Automatisierung und RPA als Werkzeuge aufrufen. Der Agent uebernimmt das Verstehen, Planen und Entscheiden bei den unklaren Teilen, und delegiert die stabilen, strukturierten Teilschritte an ein Skript oder einen RPA-Roboter, der sie zuverlaessig ausfuehrt. So nutzt du jede Technik fuer das, was sie am besten kann, statt einen Ansatz fuer den ganzen Prozess zu ueberdehnen.

Was ist mit n8n, Make oder Zapier?

Das sind Workflow-Tools, und sie sind ein wichtiger Mittelweg. Im Kern sind sie klassische Automatisierung mit grafischer Oberflaeche: Du verbindest Ausloeser und Aktionen ueber fertige Konnektoren, ohne selbst zu programmieren. Fuer strukturierte, stabile Prozesse mit gaengigen Tools sind sie schnell und guenstig. Viele binden inzwischen auch Modell-Aufrufe oder Agenten-Bausteine ein, was die Grenze verwischt. Die Einordnung bleibt: Solange die Logik im Wesentlichen aus festen Regeln besteht, ist es Automatisierung, egal ob per Code oder per Klick gebaut. Eine breitere Einordnung der Werkzeuge liefert die Tool-Landschaft fuer den Mittelstand.

Wann lohnt sich KEIN Agent?

Immer dann, wenn der Input strukturiert, der Prozess stabil und kein Urteilsvermoegen noetig ist. Eine naechtliche Datensynchronisation, eine regelbasierte Freigabe mit klaren Schwellwerten, ein fester Report aus einer Datenbank, das sind Automatisierungs-Jobs. Ein Agent waere hier teurer, langsamer und durch seinen Nicht-Determinismus sogar weniger zuverlaessig. Die Faustregel: Wenn du den Prozess vollstaendig in feste Regeln giessen kannst, brauchst du keinen Agenten. Was die laufenden Kosten eines Agenten ueber zwoelf Monate ausmacht, rechnet der TCO-Post durch.

Ist RPA jetzt veraltet?

Nein. RPA bleibt 2026 die pragmatischste Loesung fuer ein konkretes Problem: die Bruecke zu Alt-Systemen ohne Schnittstelle. Was sich aendert, ist der Anwendungsbereich. Fuer Aufgaben, die unstrukturierten Input und Urteilsvermoegen brauchen, war RPA nie das richtige Werkzeug, und genau diese Aufgaben uebernehmen jetzt Agenten. RPA verschwindet nicht, es kehrt zu dem zurueck, wofuer es gut ist, und wird seltener ueberfordert. Welche Architekturentscheidungen ueber Erfolg oder Scheitern entscheiden, zeigen die 5 Architekturfehler von Pilot zu Production.

---

Sources:

• Sentient-Dynamics-Workshop-Aggregate, 40 DACH-Workshops 2025-2026 (Mitarbeiterzahl 80 bis 4.000)
• Bitkom KI-Studie 2025 (deutsche Unternehmen mit 20+ MA: 41 Prozent Adoption; deutsche Unternehmen ab 500 MA: 89 Prozent Adoption)
• McKinsey State of AI, November 2025
• Gartner Press Release, Juni 2025
• MIT NANDA Report 2025: "GenAI Divide: State of AI in Business 2025"

Naechster Schritt: Wenn du fuer einen konkreten Prozess herausfinden willst, ob es ein Automatisierungs-, RPA- oder Agenten-Job ist, buch dir 30 Minuten ueber unsere Demo-Seite. Wir bringen die drei Fragen, eine ehrliche Einordnung und keine Vendor-Folien. Wer den groesseren Rahmen sucht, findet ihn im Agentic-AI-Crashkurs, und wer wissen will, woran die meisten Agent-Projekte scheitern, im Ueberblick zu den Anti-Pattern hinter 40 Prozent gescheiterten Projekten.