Manuell, regelbasiert, smart, autonom: Welche Automatisierung passt zu Ihrem Prozess?

Kurzfassung

Nicht jeder Prozess braucht einen KI-Agenten. Über die manuelle Arbeit hinaus gibt es drei Stufen der Automatisierung: regelbasierte Prozesse für strukturierte Daten und feste Abläufe, KI-unterstützte Prozesse für unstrukturierte Inhalte wie E-Mails oder Notizen in einem festen Ablauf und KI-Agenten für offene Aufgaben, deren Lösungsweg sich erst unterwegs ergibt. Mit jeder Automatisierungsstufe wächst die Flexibilität, aber auch der Aufwand für Datenschutz, Sicherheit und Kontrolle, und die Kosten steigen. In der Praxis lassen sich die Stufen häufig kombinieren, sodass jeder Arbeitsschritt genau die Technologie nutzt, die er erfordert. Der richtige Einstieg beginnt deshalb beim Problem, nicht bei der Technologie.

Einleitung

Kaum ein Begriff fällt derzeit so oft wie „KI-Agent“. Systeme, die selbstständig planen, Werkzeuge nutzen und Aufgaben eigenständig erledigen, klingen nach der Zukunft der Arbeit. Und die Grundlagen dafür sind vielerorts bereits gelegt: Erstmals setzt die Mehrheit der Unternehmen ab 20 Beschäftigten KI ein. Im Jahr 2026 sind es 57 Prozent, nach 36 Prozent im Vorjahr und gerade einmal 20 Prozent vor zwei Jahren (https://bitkom-research.de/studien/ki-der-deutschen-wirtschaft-status-quo-und-ausblick-2026). Viele Unternehmen fragen sich deshalb, wann sie den nächsten Schritt gehen und selbst auf KI-Agenten setzen sollten.

Bevor man diese Frage beantwortet, lohnt sich allerdings eine andere: Welches Problem soll überhaupt gelöst werden? Denn Automatisierung ist kein Selbstzweck. Sie soll Zeit sparen, Fehler vermeiden und Menschen von Routine entlasten, damit mehr Raum bleibt für die Arbeit, die wirklich zählt. Dafür braucht es nicht immer die modernste Technologie. Prozessautomatisierung ist kein Entweder-oder, sondern ein Spektrum, das von einfachen Wenn-dann-Regeln über feste Abläufe mit gezieltem KI-Einsatz bis zum autonomen KI-Agenten reicht.

In diesem Beitrag zeigen wir, worin sich diese Stufen unterscheiden, wo ihre Stärken und Grenzen liegen und wie Sie für Ihren Prozess die passende Stufe wählen. Als roter Faden dient ein Beispiel aus dem Alltag vieler Unternehmen: die Vorbereitung auf einen Kundentermin.

Welche Stufen der Prozessautomatisierung gibt es?

Zwischen manueller Arbeit und KI-Agent gibt es viele Zwischenstufen. Vier davon bilden das Spektrum gut ab:

• Manueller Prozess: Der Mensch erledigt jeden Schritt selbst.
• Regelbasierter Prozess: Feste Wenn-dann-Regeln erledigen klar definierte Schritte.
• KI-unterstützter Prozess: Der Ablauf bleibt fest vorgegeben, aber KI übernimmt einzelne Aufgaben darin.
• KI-Agent: Ein System erhält ein Ziel, plant den Weg selbst, nutzt Werkzeuge und prüft sein Ergebnis, ohne vorgegebenen Ablauf

Mit jeder Stufe übernimmt die Technik mehr Verantwortung. Regeln sind präzise, aber starr. KI bringt Flexibilität zurück, macht Ergebnisse aber schwerer vorhersagbar. Wer diese Unterschiede kennt, findet schneller die passende Lösung für den eigenen Prozess.

Was zeichnet einen manuellen Prozess aus?

Ein manueller Prozess ist ein Ablauf, bei dem ein Mensch jeden Schritt selbst erledigt. Manuelle Arbeit unterscheidet sich stark von Person zu Person. Menschen sind äußerst flexibel im Umgang mit unterschiedlichen Informationen und Formaten, brauchen dafür aber Zeit und übersehen auch mal etwas.

Bei der Vorbereitung auf einen Kundentermin heißt das: Informationen werden von Hand aus verschiedenen Quellen zusammengetragen. Dabei kann ein wichtiger Punkt in der Fülle an Daten untergehen, und wer zu spät beginnt, gerät schnell unter Zeitdruck. Gleichzeitig bringen Menschen etwas mit, das kein Regelwerk ersetzt: ein Gespür dafür, was wirklich relevant ist. So können wir gezielt nach genau den Informationen suchen, die für den Termin zählen.

Was ist ein regelbasierter Prozess?

Ein regelbasierter Prozess folgt fest definierten Regeln. Ausgelöst wird er durch einen Trigger: zeitgesteuert, durch ein Ereignis wie eine eingehende E-Mail oder einen Kalendertermin, oder manuell. Anschließend arbeitet das System die vorab festgelegten Regeln ab, nach dem Muster „Wenn A, dann B, sonst C“. Dabei gilt: Gleicher Input führt immer zum gleichen Output.

Seine Stärken spielt der regelbasierte Prozess bei strukturierten Daten und klaren Abläufen aus. Er ist kosteneffizient, vollständig nachvollziehbar und bietet ein hohes Maß an Kontrolle. Sind die Regeln sauber definiert, ist das Risiko für Fehler, Datenschutzverstöße und Sicherheitslücken gering. Allerdings wächst mit jeder Ausnahme das Regelwerk und die Wartung wird aufwendiger. Ändert sich ein Eingabeformat, bricht der Prozess.

Beispiel Kundentermin: Steht ein Termin im Kalender, liest das System die Kundendaten aus dem CRM, etwa Vertragslaufzeit, Produkte und offene Tickets. Klare Regeln setzen den Fokus: Läuft der Vertrag bald ab, lautet das Gesprächsziel „Verlängerung“. Alles wird automatisch zu einem Briefing zusammengestellt. Gesprächsnotizen landen dabei allerdings unverändert darin. Das System kann sie weder verstehen noch zusammenfassen.

Was ist ein KI-unterstützter Prozess?

Ein KI-unterstützter Prozess, auch KI-Workflow genannt, ist ein fest definierter Ablauf, in dem eine KI gezielt einzelne Schritte übernimmt. Wie beim regelbasierten Prozess startet ein Trigger den Ablauf, und die Reihenfolge der Schritte ist vorgegeben. Für die Aufgaben, die Regeln nicht bewältigen, kommt meist ein Sprachmodell (Large Language Model, kurz LLM) zum Einsatz: Es liest, fasst zusammen oder formuliert. Der Ablauf bleibt dabei immer gleich, die Ergebnisse der KI-Schritte können aber variieren.

Seine Stärken spielt der KI-unterstützte Prozess bei klaren Abläufen mit unstrukturierten Inhalten wie Freitext, E-Mails oder Dokumenten aus. Er ist deutlich flexibler als reine Regeln und bleibt gut kontrollierbar, weil feststeht, wo die KI eingreift. Dafür entstehen laufende Kosten, die KI kann sich irren, und bei externen Modellen muss der Datenschutz geklärt sein.

Am Beispiel des Kundentermins: Neben den CRM-Daten wertet die KI auch Gesprächsnotizen und E-Mail-Verläufe aus. Sie fasst das Wichtigste zusammen und erkennt Hinweise, die in langen Texten leicht untergehen, etwa Unzufriedenheit oder Gespräche mit einem Wettbewerber. Das Ergebnis ist ein kompaktes Briefing mit Gesprächsempfehlungen, das vor dem Termin nur noch geprüft werden muss.

Was macht ein KI-Agent anders?

Ein KI-Agent arbeitet ohne fest vorgegebenen Ablauf. Statt einzelner Schritte erhält er ein Ziel und entscheidet selbst, wie er es erreicht. Dazu nutzt er Werkzeuge (Tools): festgelegte Funktionen, mit denen er zum Beispiel Kundendaten im CRM abrufen, Termine im Kalender lesen, E-Mails durchsuchen oder im Web recherchieren kann. Die dahinterliegenden Systeme werden zunehmend über offene Standards wie das Model Context Protocol (MCP) angebunden. Der Agent arbeitet in einer Schleife: Er plant den nächsten Schritt, führt ihn aus, prüft das Ergebnis und passt seinen Plan bei Bedarf an. Das wiederholt er, bis das Ziel erreicht ist oder er an einen Menschen übergibt. Der entscheidende Unterschied zum KI-unterstützten Prozess: Nicht der Workflow steuert die KI, sondern die KI steuert den Workflow.

Seine Stärken spielt der KI-Agent bei offenen, variantenreichen Aufgaben aus, deren Lösungsweg sich nicht sinnvoll vorab festlegen lässt. Er kann auf Unerwartetes reagieren, fehlende Informationen selbst beschaffen und ganze Vorgänge über mehrere Systeme hinweg erledigen. Diese Freiheit hat ihren Preis: Der Weg zum Ergebnis ist schwerer vorhersagbar und nachvollziehbar, die Kosten pro Vorgang steigen, und ein Agent, der handeln darf, kann auch falsch handeln. Klare Leitplanken, begrenzte Zugriffsrechte und menschliche Freigaben für kritische Aktionen sind deshalb unverzichtbar.

Beispiel Kundentermin: Der Agent erhält das Ziel „Bereite mich optimal auf den Termin mit Kunde X vor“. Er liest die CRM-Daten, Notizen und E-Mails und entdeckt dabei eine offene Supportanfrage, deren Stand er daraufhin selbstständig im Ticketsystem prüft. Eine kurze Recherche zeigt, dass der Kunde gerade einen neuen Standort eröffnet hat, also gleicht der Agent die bisherigen Bestellungen mit dem Portfolio ab, um passende Angebote zu finden. Am Ende erstellt er ein Briefing mit Kundenhistorie, offenen Punkten und konkreten Gesprächsansätzen. Welche Schritte nötig sind, hat ihm niemand vorgegeben: Er entscheidet anhand der Zwischenergebnisse selbst, was als Nächstes sinnvoll ist.

Was sind Multi-Agenten-Systeme?

Multi-Agenten-Systeme sind eine besondere Bauform von KI-Agenten: Statt eines einzelnen Agenten arbeiten mehrere spezialisierte Agenten zusammen. Ein Agent koordiniert, die anderen übernehmen Teilaufgaben wie Recherche, Analyse oder Texterstellung. Gerade bei umfangreichen Aufgaben ist das ein Vorteil: Jeder Agent ist auf sein Fachgebiet spezialisiert, und ein eigener Prüf-Agent kann die Ergebnisse der anderen kontrollieren. Gleichzeitig steigen Komplexität und Kosten, und die Fehlersuche wird aufwendiger. In unserem Beispiel verteilt ein koordinierender Agent die Aufgaben, ein Recherche-Agent sammelt die Informationen aus CRM, E-Mails und Ticketsystem, ein Analyse-Agent gleicht die Bestellungen mit dem Portfolio ab, und ein Prüf-Agent kontrolliert das fertige Briefing.

Welche Automatisierungsstufe passt zu meinem Prozess?

Welche Stufe zu Ihrem Prozess passt, hängt vom Problem ab, das Sie lösen wollen. Vier Fragen geben eine erste Orientierung:

• Kommt die Aufgabe selten vor oder verlangt sie vor allem Erfahrung und Urteilsvermögen? → Manueller Prozess
• Sind die Inhalte strukturiert und läuft der Prozess immer gleich ab? → Regelbasierter Prozess
• Läuft der Prozess immer gleich ab, die Inhalte sind aber unstrukturiert, etwa Freitext, E-Mails oder Dokumente? → KI-unterstützter Prozess
• Hängt das weitere Vorgehen von Zwischenergebnissen ab, sodass sich der Lösungsweg erst unterwegs ergibt? → KI-Agent

Beim Kundentermin hieße das: Wer nur wenige Termine im Jahr vorbereitet, ist mit der manuellen Vorbereitung gut beraten. Reichen für das Briefing die Daten aus dem CRM, etwa Vertragslaufzeit und offene Tickets, genügt ein regelbasierter Prozess. Stecken die wichtigen Hinweise in Gesprächsnotizen und E-Mails, ist ein KI-unterstützter Prozess die richtige Wahl. Erst wenn sich die nötigen Schritte von Kunde zu Kunde unterscheiden, weil zum Beispiel mal ein Supportfall, mal ein neuer Standort weitere Recherchen erfordert, spielt der KI-Agent seine Stärken aus.

Ob Regel, KI-Workflow oder Agent: Bestimmte Fragen sind im Vorfeld immer wichtig. Je autonomer das System handelt, desto mehr Fragen kommen hinzu und desto gründlicher müssen sie beantwortet sein. Diese sieben Punkte gehören dazu:

1. Integration: Sind Systeme und Daten bereit für die Automatisierung? Automatisierung ist nur so gut wie ihre Anbindung. Entscheidend ist, ob CRM, ERP oder Ticketsystem über Schnittstellen erreichbar sind und die Daten dort sauber gepflegt werden. Die erste Baustelle ist deshalb oft nicht die Technologie, sondern die Datenqualität.
2. Datenschutz: Welche Daten werden verarbeitet und wohin fließen sie? Die DSGVO gilt für jede Verarbeitung personenbezogener Daten. Mit KI kommen neue Fragen hinzu, weil Daten oft an externe Anbieter gehen, häufig auch außerhalb der EU, sofern das Modell nicht lokal betrieben wird. Zu klären ist, wo die Daten verarbeitet werden, ob ein Auftragsverarbeitungsvertrag vorliegt und ob der Anbieter sie zum Training nutzt.
3. Regulierung: Was verlangt der AI Act? Zusätzlich zur DSGVO gilt die EU-KI-Verordnung (AI Act). Wer KI-Systeme beruflich einsetzt, muss Maßnahmen ergreifen, um die KI-Kompetenz der Mitarbeitenden zu fördern, die damit arbeiten. Kommuniziert eine KI direkt mit Kunden, etwa als Chatbot, greifen seit August 2026 außerdem Transparenzpflichten. Strengere Anforderungen gelten für Hochrisiko-Anwendungen, zum Beispiel in der Personalauswahl. Sie wurden verschoben und gelten ab Dezember 2027 (Rechtsstand: Oktober 2026). Die konsolidierte Fassung der entsprechenden Rechtsakte gibt es unter https://eur-lex.europa.eu/legal-content/DE/TXT/?uri=CELEX%3A02024R1689-20260727.
4. Sicherheit: Was passiert, wenn das System manipuliert wird?
   Je autonomer ein System handelt, desto größer ist der mögliche Schaden. Eine besondere Gefahr ist die sogenannte Prompt Injection: Dritte verstecken gezielt Anweisungen in E-Mails, Dokumenten oder Webseiten, die die KI im Rahmen ihrer Aufgabe verarbeitet. Hält das System diese fremden Anweisungen für legitim, kann es unerwünschte Aktionen ausführen, etwa vertrauliche Daten weitergeben. In unserem Beispiel könnte eine E-Mail im Postfach die Anweisung enthalten, die Kundenhistorie an eine externe Adresse weiterzuleiten. Kann der Agent E-Mails versenden, könnten vertrauliche Daten nach außen gelangen.Einen vollständigen Schutz gibt es zwar nicht, Risiko und Schaden lassen sich aber begrenzen. Dabei helfen zum einen sogenannte Guardrails, also Schutzfilter, die viele solcher Angriffe erkennen. Zum anderen sollte ein Agent nur die Zugriffsrechte erhalten, die er für seine Aufgabe tatsächlich benötigt, und wo immer möglich nur lesen statt schreiben dürfen. Für die Terminvorbereitung genügt es, wenn er E-Mails liest. Muss er doch welche versenden, dann nur an Kolleginnen und Kollegen im eigenen Unternehmen. Die Anweisung aus dem Beispiel liefe damit ins Leere. Wie sich kritische Aktionen zusätzlich absichern lassen, zeigt der nächste Punkt.
5. Kontrolle und Nachvollziehbarkeit: Wer behält den Überblick? Ein bewährtes Prinzip ist Human-in-the-Loop: Der Mensch bleibt an kritischen Stellen eingebunden. Vorab muss daher feststehen, welche Aktionen das System selbst ausführen darf und welche eine menschliche Freigabe brauchen, etwa Zahlungen oder E-Mails an Kunden. Jeder Schritt sollte protokolliert werden, damit nachvollziehbar bleibt, was wann und warum passiert ist.
6. Zuverlässigkeit von Sprachmodellen: Wie verlässlich sind die Ergebnisse? Sprachmodelle klingen überzeugend, liegen aber nicht immer richtig. Sie können Informationen erfinden (Halluzinationen), auf veraltetem Wissen beruhen oder Rechen- und Logikfehler machen. Zudem können sie Verzerrungen aus ihren Trainingsdaten übernehmen und so zu diskriminierenden Ergebnissen führen. Fakten sollten daher aus den eigenen Systemen kommen. Dabei hilft Retrieval-Augmented Generation (RAG): Das Modell sucht vor der Antwort gezielt in den eigenen Datenquellen und stützt sich auf diese Informationen statt auf sein allgemeines Trainingswissen. Das verringert Halluzinationen und veraltete Angaben, ersetzt aber nicht die Prüfung wichtiger Ergebnisse.
7. Abhängigkeiten und Kosten: Was kostet die Lösung wirklich?
   Eine enge Bindung an einen Anbieter kann zum Vendor Lock-in führen und einen späteren Wechsel teuer machen. Abhilfe schaffen eine Architektur, in der sich das Sprachmodell austauschen lässt, sowie der Einsatz offener Standards für die Anbindung von Werkzeugen. Neben den KI-Gebühren fallen Entwicklung, Betrieb, Monitoring und menschliche Nachkontrolle an. Gerade bei Agenten steigen die Kosten oft stärker als erwartet, weil sie für eine Aufgabe viele Modellaufrufe benötigen, die nutzungsabhängig abgerechnet werden. Erst die Gesamtkosten zeigen, ob sich die Automatisierung gegenüber dem manuellen Prozess lohnt.

Wie lassen sich die Stufen kombinieren? Ein Beispiel aus der Praxis

Ein Beispiel aus unserem eigenen Unternehmen ist der Ausschreibungsassistent, der alle drei Automatisierungsstufen kombiniert. Neue Ausschreibungen gehen automatisch über Vergabeportale ein und werden zunächst regelbasiert anhand ihres CPV-Codes vorgefiltert, also der EU-weit einheitlichen Klassifizierung öffentlicher Aufträge. Anschließend bewertet ein KI-gestütztes Scoring, wie interessant jede einzelne für uns ist. Vielversprechende Ausschreibungen prüft ein KI-Agent genauer: Er gleicht die Anforderungen mit unseren Unternehmensdaten ab, bewertet die Zuschlagskriterien und unterstützt das Team bei der Bearbeitung. Offene Fragen lassen sich zudem direkt in einem Chat klären. Ob wir uns bewerben, entscheidet am Ende weiterhin das Team.

Der größte Nutzen liegt in der eingesparten Zeit. Allein der KI-Agent entlastet uns dabei an zwei Stellen. Von den rund 35 Ausschreibungen, die pro Woche nach dem KI-gestützten Scoring übrig bleiben, scheitern etwa 20 an Anforderungen wie bestimmten Zertifizierungen oder vergleichbaren Referenzprojekten. Früher mussten wir jede davon öffnen, die Kriterien heraussuchen und prüfen, was jeweils fünf bis zehn Minuten dauerte. Diese Vorprüfung übernimmt jetzt der Agent. Bei den übrigen 15 Ausschreibungen unterstützt er zudem die Vorbereitung und die Entscheidung, ob wir uns bewerben, und spart dabei jeweils ein bis zwei Stunden. Zusammen sind das rund 17 bis 33 Arbeitsstunden pro Woche.

Fazit: Die passende Lösung statt der modernsten

Prozessautomatisierung reicht vom manuellen Prozess über feste Regeln und KI-unterstützte Abläufe bis zum autonomen KI-Agenten. Jede Stufe hat ihre Berechtigung: Regeln eignen sich für strukturierte Daten und klare Abläufe, KI-Unterstützung für unstrukturierte Inhalte in einem festen Ablauf und KI-Agenten für Aufgaben, deren Lösungsweg sich erst unterwegs ergibt. Mit jeder Automatisierungsstufe wächst die Flexibilität, aber auch der Aufwand für Datenschutz, Sicherheit und Kontrolle, und die Kosten steigen.

In der Praxis müssen Sie sich nicht auf eine einzige Stufe festlegen, im Gegenteil: Oft ist es sinnvoll, mehrere Stufen zu kombinieren. Wie der Ausschreibungsassistent zeigt, kann jeder Arbeitsschritt genau die Stufe nutzen, die seine Aufgabe am besten löst.

Der beste Ansatz setzt deshalb nicht bei der Technologie an, sondern beim Prozess. In unseren Projekten analysieren wir zunächst die Ausgangslage und starten klein: mit einem einzelnen Prozessschritt oder einem Proof of Concept und genau der Technologie, die der Prozess erfordert. Anschließend messen wir den tatsächlichen Nutzen und bauen die Lösung nach und nach aus. So wächst die Automatisierung mit ihrem nachgewiesenen Nutzen und nicht mit dem technisch Machbaren.