Robotic Process Automation (RPA)

Robotic Process Automation (RPA) ist Software, die repetitive, regelbasierte Computerarbeit automatisiert, indem Software-Bots Anwendungen so bedienen wie Menschen: Sie öffnen Programme, klicken auf Schaltflächen, geben Text in Felder ein, kopieren Daten zwischen Systemen und führen jedes Mal dieselben Schritte aus. Typische Aufgaben sind die Erfassung von Rechnungen, der Kontoabgleich, die Auftragsbearbeitung, das Onboarding von Mitarbeitenden und die Erstellung von Berichten – oft in älteren Systemen ohne API. Die Roboter sind vollständig softwarebasiert und haben nichts mit physischer Robotik zu tun. Blue Prism, 2001 im Vereinigten Königreich gegründet, gilt weithin als Urheber des Begriffs. UiPath, Automation Anywhere und Microsoft Power Automate gehören zu den meistgenutzten Plattformen.

Funktionsweise von RPA#

Entwickler erstellen einen Bot in einem visuellen Designer, oft indem sie die Aktionen einer Person aufzeichnen und die Schritte anschließend bearbeiten. Um Schaltflächen und Felder zu finden, verwendet der Bot einen Selektor – eine gespeicherte Beschreibung von Elementattributen wie Fenster, Steuerelementtyp und Name. Fehlen solche Attribute, greift er auf Bildschirmkoordinaten oder Bildabgleich zurück. Begleitete Bots laufen auf dem Desktop eines Mitarbeitenden, wenn diese Person sie startet, zum Beispiel zum Ausfüllen eines Formulars während eines Kundengesprächs. Unbegleitete Bots laufen zeitgesteuert oder anhand einer Arbeitswarteschlange auf Servern. Ein Orchestrator verwaltet sie, indem er Aufträge zuweist, Anmeldedaten speichert und jede Aktion zu Prüfzwecken protokolliert:

Dieselbe Präzision macht Bots jedoch störanfällig. Ein umbenanntes Feld, eine verschobene Schaltfläche oder ein neues Pop-up bringt den Selektor durcheinander. Der Prozess wird dann unterbrochen, bis ein Entwickler ihn aktualisiert. Daher verursacht der laufende Wandel der zugrunde liegenden Anwendungen bei großen RPA-Installationen einen kontinuierlichen Wartungsaufwand.

RPA und KI#

Regeln eignen sich für strukturierte Daten. Alles Unübersichtlichere erfordert maschinelles Lernen vor dem Bot – eine Kombination, die Anbieter intelligente Automatisierung und Gartner Hyperautomatisierung nennt.

• Dokumentenverständnis: Optische Zeichenerkennung (OCR) und Extraktionsmodelle wandeln gescannte Rechnungen, Belege und Formulare in strukturierte Felder um, die ein Bot in das Finanzsystem einträgt. Das ist ein üblicher Schritt in Dokumentenanalyse-Pipelines.
• Computer Vision für Bildschirme: Virtuelle Desktops wie Citrix zeigen oft nur ein Bild des entfernten Bildschirms an, sodass Selektoren dessen Steuerelemente nicht erkennen können. Die Computer-Vision-Aktivitäten von UiPath senden ein Bild des Fensters an ein neuronales Netz, das jede Schaltfläche, jedes Textfeld und jedes Kontrollkästchen erkennt und beschriftet. Dabei wird Objekterkennung auf Benutzeroberflächen angewendet.
• Sprachmodelle und Agenten: Große Sprachmodelle (LLMs) klassifizieren E-Mails, formulieren Antworten und bearbeiten Ausnahmen, die früher einen Bot zum Anhalten brachten. Die Bots übernehmen weiterhin die deterministischen Schritte. Anbieter vermarkten diese Kombination inzwischen als agentische Automatisierung: KI-Agenten entscheiden, was zu tun ist, und Bots führen es aus.

Auch Ergebnisse der visuellen Inspektion können diese Automatisierungen auslösen. In Ultralytics Platform Agents kann eine Gate-Bedingung für ein YOLO26-Ergebnis, etwa eine Anzahl erkannter Objekte oder ein Konfidenz-Bereich, einen Webhook-Block auslösen. Dieser sendet für jedes passende Ergebnis ein JSON-POST an einen öffentlichen HTTPS-Endpunkt. So kann eine Fehlererkennung einen Ablauf in jedem Automatisierungstool starten, das eingehende Webanfragen annimmt.

RPA und verwandte Begriffe#

• Agentische Workflows: Mehrstufige Prozesse, in denen LLMs planen, Tools aufrufen und Ergebnisse überprüfen. Sie verarbeiten unstrukturierte Eingaben, mit denen skriptbasierte Bots nicht umgehen können.
• Agenten zur Computersteuerung (CUAs): KI-Agenten, die Software anhand von Bildschirmaufnahmen bedienen und dabei jeden Klick einzeln festlegen. Eine verschobene Schaltfläche bringt sie daher nicht aus dem Tritt. Sie laufen langsamer und weniger vorhersehbar als ein aufgezeichnetes RPA-Skript, das bei jedem Durchlauf exakt dieselben Schritte wiederholt.
• API-Integration: Verbindet Systeme direkt über ihre Programmierschnittstellen. Das ist schneller und funktioniert auch nach einer Neugestaltung der Benutzeroberfläche weiter. RPA schließt die Lücken, wenn keine API existiert oder ihre Entwicklung zu lange dauern würde.