Effizienz steigern mit Agentic Automation

Seit seiner Entstehung war die Geschichte der Automatisierung eine von linearer Progression. Von Robotic Process Automation (RPA) bis Intelligent Document Processing (IDP) – jede neue Innovation machte Enterprises produktiver, profitabler und agiler.

Aber jetzt passiert etwas Größeres. Eine neue Technologie – agentic Automation – bricht diesen Zyklus inkrementeller Verbesserung auf und erschließt Workflow-Reinvention in einem Ausmaß, wie wir es nie gesehen haben.

Statt auf einzelne Tasks zu fokussieren, nutzt agentic Automation Roboter, KI und Orchestrierung, um gesamte Workflows von Anfang bis Ende zu bewältigen. Im Kern der agentic Automation stehen KI-Agenten – autonome Software-Entitäten, die ihre Umgebung wahrnehmen, unbekanntes Terrain navigieren und on-the-fly Entscheidungen treffen können.

Der Blueprint für das Erfassen von agentic Automations Wert war das Thema unseres jüngsten Quarterly Webcasts, UiPath Live: The Path to Agentic Automation. Wir hatten das Privileg, die Gehirne eines All-Star-Panels – KI-Wissenschaftler, Automatisierungs-Experten und einen Enterprise Leader – anzuzapfen, was diese Transformation für Businesses jetzt und in der Zukunft bedeutet.

Die meisten Leader haben das Ausmaß von agentic Automations Potenzial noch nicht erfasst. Aber die wenigen, die es tun, sind bereit, die größten Belohnungen von dieser game-changing Technologie zu ernten.

Drei Bereiche, wo agentic Automation neu definiert, wie Arbeit erledigt wird

Während traditionelle Automatisierung vital für strukturierte, regelbasierte Tasks bleibt, gedeiht agentic Automation dort, wo Unvorhersehbarkeit herrscht. Hier ist, wie sie Lücken schließt, die einst unüberbrückbar schienen.

1. Von Regeln zu Reasoning

Wie viele Ihrer Business-Prozesse verlassen sich auf Inputs in variierenden Formaten? Was ist mit weniger-als-perfekten Daten?

Für die meisten Organisationen ist die Antwort: viel zu viele.

Historisch kämpfte Automatisierung mit Dateninkonsistenzen. Wenn Informationen nicht in einem strukturierten, standardisierten Paket ankamen, mussten Mitarbeiter einspringen – Daten zwischen Systemen übersetzen, Diskrepanzen bereinigen, Dateien manuell reformattieren. Während ihre Zeit besser anderswo investiert wäre, ließen diese Irregularitäten ihnen keine andere Option. Das ist, bis KI-Agenten ins Bild traten.

KI-Agenten gedeihen in Ambiguität. Sie brauchen keine perfekten Daten, um zu funktionieren. Dr. Edward Challis, Head of AI Strategy bei UiPath, erklärte UiPath Live Hosts Mary Tetlow und Geoff Anderson, dass „Agenten einen wirklich mächtigen Weg bieten, Tasks anzugehen, wo Daten sich ständig ändern.“ Statt Mitarbeiter zu verlangen, jeden Input manuell zu strukturieren, können KI-Agenten ein High-Level-Ziel nehmen und den besten Weg bestimmen, um messy, unvollständige oder inkonsistente Daten zu verarbeiten.

Diese Fähigkeit ist besonders wertvoll in Branchen, wo Datenformate stark variieren. Nehmen Sie WEX, einen globalen Financial Technology Provider, der täglich ein massives Volumen an Healthcare Claims verarbeitet. Strukturierte Claims – saubere digitale Einreichungen mit standardisierten Feldern – werden leicht von RPA gehandhabt. Aber viele andere kommen in messigeren Formaten an, wie handschriftliche Arztnotizen oder unscharfe Formulare. In der Vergangenheit mussten Mitarbeiter diesen Chaos manuell entwirren, bevor Claims verarbeitet werden konnten, was zu frustrierenden Verzögerungen für Kunden und höheren Kosten für WEX führte.

Jetzt handhaben KI-Agenten diese Variabilität automatisch. Sie extrahieren Schlüsseldetails, prüfen sie gegen Compliance-Anforderungen und eskalieren nur die komplexesten Cases an menschliche Teams.

2. Von Task-Automatisierung zu Workflow-Reinvention

Variierende Inputs sind nicht die einzige Barriere für weitreichende Enterprise-Automatisierung. Da ist auch überwältigende Prozesskomplexität. Zu viele konditionale „Wenn“-Statements, zu viele Variationen, zu viele Exceptions… an einem bestimmten Punkt wird der Versuch, Workflows wie diese mit traditionellen Methoden zu automatisieren, unhandlich. „Es ist einfach zu zeitaufwendig, den Prozess zu definieren, den Automatisierung für jedes Szenario laufen müsste,“ bemerkte Dr. Challis.

Agentic Automation nimmt einen fundamental anderen Ansatz. Statt einem Script zu folgen, reasonen Agenten durch Probleme – bestimmen, was wichtig ist, was Aufmerksamkeit braucht und was autonom verarbeitet werden kann.

Aber sie arbeiten nicht in Isolation. KI-Agenten sind am besten, wenn sie Teil eines Ökosystems sind, das menschliche Intuition, robotische Präzision und agentic Adaptabilität blendet. Beispielsweise könnte ein Agent einen komplexen Workflow in Subtasks zerlegen: RPA Bots handhaben Dateneingabe, APIs ziehen Echtzeit-Marktpreise, und Menschen lösen Edge Cases.

Dr. Challis verglich diesen Prozess mit dem Backen eines Kuchens. „Wenn Sie das Rezept ausführen, haben Sie viel Wahl bei der Butter, die Sie nutzen, wie Sie die Butter bekommen, welche Schüssel Sie nutzen,“ sagte er. „Also gibt es diese Flexibilität zwischen Agency und einer definierten Routine, wie der Prozess erledigt wird.“

Diese Balance zwischen Struktur und Adaptabilität eignet sich gut für eine Reihe persistenter Enterprise-Herausforderungen. Anti-Money Laundering (AML) Systeme sind beispielsweise ein essenzieller Teil der Sicherheits-Frameworks finanzieller Institutionen. Aber sie sind weit von perfekt – traditionelle Tools neigen dazu, Compliance-Teams in False Alerts zu ertränken. In manchen Fällen können diese 90 % erreichen, was Teams zwingt, durch viel Noise zu sichten, um tatsächliche Risiken zu identifizieren.

KI-Agenten glänzen darin, False Positives herauszufiltern, um echte Bedrohungen zu identifizieren. Sie tun dies, indem sie sowohl strukturierte als auch unstrukturierte Daten analysieren – Muster wie kleine, wiederholte Transfers entdecken, die echte Risiken signalisieren. Wie Live-Gast Craig Le Clair, Vice President und Principal Analyst bei Forrester, anmerkte, haben Agenten gezeigt, False Positives in diesem Prozess um 60 % zu reduzieren. Dies hat Compliance-Teams freigesetzt, um sich auf High-Priority-Untersuchungen zu fokussieren, statt in unnötigen Reviews festzustecken.

3. Vom Coden zum Kollaborieren

Um ihren vollen Wert als kollaborative Partner zu realisieren, müssen Mitarbeiter in der Lage sein, mit KI-Agenten in natürlicher Sprache zu kommunizieren. Large Language Models (LLMs) wie ChatGPT sollten diese Art Partnerschaft freischalten, aber für Nicht-Programmierer war die Realität komplizierter.

Obwohl LLMs auf Plain-Language-Prompts reagieren, erfordert es, sie die richtigen Ergebnisse liefern zu lassen, etwas Programmierwissen – nämlich ein tiefes Verständnis von Problemzerlegung und Code-Validierung. Einfach gesagt: Zu wissen, was man fragen soll, ist nur die halbe Miete. Man muss auch wissen, ob das, was man zurückbekommt, korrekt ist.

Ich bin Programmierer, also wenn ein LLM mir 100 Zeilen Code zurückgibt, kann ich das lesen und rausfinden, ob das tatsächlich tut, was ich will. Andererseits, wenn mein nicht-programmierender Freund dasselbe versucht, ist es wirklich tough rauszufinden, ob der Output tatsächlich das ist, was sie wollte. Sie brauchen viel Expertise, um überhaupt zu prüfen.

Dr. Sarah E. Chasins, Principal Applied Scientist bei UiPath

Agentic Automation löst diese Barriere auf. Mitarbeiter können ihre Ziele beschreiben – sogar wenn sie vage sind – und Agenten diese Direktiven in Aktion übersetzen lassen. Das war transformativ für WEX, da Teams nicht mehr Business Requirements in rigide Logik übersetzen müssen.

Statt Wochen damit zu verbringen, jedes deterministische Szenario durchzugehen, kann ich meinen Entwicklern das Ziel kommunizieren, das ich will. Was ist der Business Output, den ich suche? Und dann kann ich tatsächlich sehen, wie diese Dinge zusammenarbeiten. Also hat es diese Offenheit zwischen Product und Tech Teams geschaffen, die wir in traditionellem Coding nie hatten.

Emily Krohne, Enterprise Automation Principal bei WEX

Diese Fähigkeiten sind beeindruckend… aber wie kann ich sicher sein, dass KI-Agenten nicht rogue gehen?

Lassen Sie uns den Elefanten im Raum ansprechen: Mit der Fähigkeit, über Systeme und Prozesse zu funktionieren, wie kann ich sicher sein, dass Agenten tun, was ich will?

Es ist ein valides Anliegen. Agenten sind nicht-deterministisch, und ihre inhärente Unvorhersagbarkeit ist Teil dessen, was sie so mächtig macht. Agentic Automation sicher zu implementieren, erfordert die richtigen Guardrails, um sicherzustellen, dass Agenten zuverlässig, sicher und transparent operieren.

Menschen im Loop halten

Agenten operieren mit einem gewissen Grad an Autonomie, aber das heißt nicht, sie sollten unchecked laufen. In den meisten Enterprise-Use-Cases werden sie als Decision Support Tools dienen statt als vollautonome Akteure. Dr. Challis machte das klar: „Für die nächsten paar Jahre werden Agenten Research machen und Proposals erstellen, aber ein Mensch muss es reviewen. Bevor große Änderungen gemacht werden, werden wir einen menschlichen Checkpoint haben.“

Kontinuierliches Monitoring

Sichtbarkeit ist alles. Um sicherzustellen, dass KI-Agenten wie beabsichtigt operieren, brauchen Organisationen Real-Time-Monitoring sowohl während Design als auch Runtime.

Zach Eslami, Senior Manager of Product Management bei UiPath, bekräftigte diesen Punkt: „[Transparenz ist] ein Schlüsselaspekt, um sicherzustellen, dass Ihr Agent gut in einer siloed Environment sowie der Außenwelt operiert.“ Organisationen brauchen Sichtbarkeit in, wie Agenten Entscheidungen treffen, damit sie ihre Performance über Zeit verfeinern und sicherstellen können, dass sie mit Business-Zielen aligned bleiben.

KI-Agenten mit deterministischen RPA Bots zu paaren, ist einer der besten Wege, Kontrolle zu bewahren. Während Agenten adaptieren und kontextgetriebene Entscheidungen treffen, folgen RPA Bots strikter, regelbasierter Logik – was eine Balance zwischen Flexibilität und Vorhersagbarkeit schafft. „Wir glauben, dass unsere Agenten ein neues Level an kontrollierter Agency demonstrieren, weil sie nicht nur mit Tools und Applikationen interagieren,“ erklärte Eslami. „Sie kommen nicht mit Plänen auf eigene Faust. Sie können Menschen und Roboter nutzen, um ein neues Level an Determinismus in ihren Output zu schaffen und sicherzustellen, dass sie so operieren, wie unsere User und Kunden es erwarten.“

Partnerschaft mit vertrauenswürdigen Vendors

Vertrauen ist das Fundament effektiver Enterprise-Automatisierung. Nicht nur Vertrauen in die Technologie, sondern in die Partnerschaften, die sie zum Leben erwecken. Krohne erwähnte, dass WEXs „History mit UiPath RPA Tools es uns erlaubte, Agenten schneller zu skalieren.“

Wenn KI-Agenten auf bestehender Automatisierungs-Infrastruktur eingeführt werden, fühlen sie sich nicht disruptiv an. Stattdessen werden sie eine natürliche Extension dessen, was Businesses bereits tun – Workflows verbessern, ohne sie zu überholen. Eslami bekräftigte diesen Punkt: „Letztlich sehen wir Agenten in der Lage, auf der bestehenden UiPath Platform™ aufzubauen. Das bedeutet, sie können all die erstaunlichen Automatisierungs-Tools nutzen, die wir verfügbar haben.“

Aber das Fundament legen ist nur der erste Schritt. Um das volle Potenzial von agentic Automation freizuschalten, brauchen Enterprises einen Weg, KI-Agenten im Skalierungsmaßstab zu bauen, deployen und managen.

UiPath Agent Builder gibt Teams die Tools, Agenten zu designen, die ihren Business-Bedürfnissen gerecht werden. Mit eingebautem Monitoring und Governance können Enterprises KI-Agenten mit Vertrauen deployen – wissend, sie werden ab Tag 1 wie beabsichtigt funktionieren. Joinen Sie die Agent Builder Waitlist heute, um unter den Ersten zu sein, die das nächste Zeitalter der Automatisierung erkunden.

Und für einen noch tieferen Einblick in Gegenwart und Zukunft von agentic Automation, checken Sie die volle UiPath Live: The Path to Agentic Automation Episode, jetzt on demand verfügbar.