Automation Anywhere verschmilzt klassische RPA mit agentischer KI: Was 61 % AI-Umsatzanteil für CIOs und CFOs bedeutet

Kontext: Vom RPA-Pilot zur agentischen Produktionsreife

Automation Anywhere hat am 7. April 2026 berichtet, dass im vierten Quartal 61 % der Software‑Bookings aus AI‑basierten Produkten und agentischer Prozessautomatisierung stammen. Gleichzeitig wächst die Zahl der Kunden mit mehr als 1 Mio. US‑Dollar ARR zweistellig, ebenso RPO und ARR insgesamt. Diese Kennzahlen sind kein isolierter Produkterfolg, sondern ein Marktindikator: Enterprise‑Automation verschiebt sich sichtbar von regelbasierter RPA hin zu agentischer KI.

Für Entscheider ist entscheidend: Der Markt verlässt die Experimentierphase. Agentische Automationslösungen werden in produktiven Kernprozessen eingesetzt – mit Relevanz für Budgetplanung, Operating Model und Governance.

Was genau ist neu an „Agentic Process Automation“?

Von Bots zu autonomen Agenten

Klassische RPA-Bots:

• Reproduzieren Klick‑ und Eingabesequenzen

• Sind stark abhängig von stabilen UI‑Strukturen

• Benötigen umfangreiche Pflege bei Änderungen

Agentische KI in der Definition von Automation Anywhere:

• Nutzt LLM‑basierte Agenten mit Kontext‑ und Entscheidungsfähigkeit

• Kombiniert vorgefertigte, domänenspezifische Lösungen (z.B. ITSM, Customer Support) mit einer offenen Plattform

• Führt komplexe, mehrschrittige Workflows mit eigener Fehlerbehandlung und Routing durch

Neu ist die enge Kopplung von:

1. Prozesswissen (Task‑Mining, Workflow‑Patterns aus jahrelanger RPA‑Praxis),

2. Sprach- und Entscheidungsmodellen (Generative KI, Reasoning) und

3. Systemzugriff (APIs, UI‑Interaktion, Integrationen in Kernapplikationen).

Damit verschiebt sich der Automationsfokus: weg von „Screen Scraping auf Steroiden“ hin zu KI‑Systemen, die Tickets verstehen, Entscheidungen treffen und Aktionen über mehrere Systeme hinweg orchestrieren.

Warum die 61 % AI-Anteil ein strategisches Marktsignal sind

1. Budgetverschiebung hin zu KI‑first‑Plattformen

Wenn mehr als die Hälfte der Software‑Bookings eines etablierten RPA‑Anbieters in AI‑basierte Produkte fließt, zeigt das:

• Net-new‑Budgets für generative KI fließen nicht nur in isolierte PoCs, sondern in Plattformen.

• Replacement‑Budgets: Ein Teil bisheriger Investitionen in klassische RPA‑Lizenzen, Wartung und Bot‑Ops wird in agentische Lösungen umgelenkt.

Für CIOs und CFOs heißt das:

• Klassische RPA‑Portfolios ohne klaren Agentic‑Pfad laufen Gefahr, in 2–3 Jahren „Technical Debt“ zu werden.

• Ausschreibungen werden verstärkt nach „Agentic Capabilities“, „Autonomous Operations“ und „Gen‑AI‑Orchestration“ bewertet, nicht mehr primär nach Bot‑Zahl und Studio‑Komfort.

2. Neue Benchmarks für Produktivität und TCO

Agentische Lösungen zielen auf:

• Höhere Automationsgrade in wissensintensiven Prozessen (z.B. komplexe Kundenanfragen, IT‑Störungen mit vielen Kontextvariablen).

• Reduzierte Change‑Kosten, da die KI Teile der Anpassungslogik selbst übernimmt (z.B. neues Ticketformat, leicht geänderte E‑Mail‑Templates).

Gleichzeitig entstehen neue Kostenblöcke:

• Laufende Gebühren für Modellnutzung (Token, Kontextfenster, Reasoning‑Kosten)

• Stärkere Anforderungen an Observability, Guardrails, Security und Compliance

Unter dem Strich verschiebt sich der TCO‑Vergleich von „Kosten pro Bot“ hin zu „Kosten pro autonom abgewickeltem Geschäftsvorfall“.

Konkrete Einsatzszenarien: Wie Unternehmen heute umstellen

Beispiel 1: Autonomous ITSM

Ausgangslage:

• Große Organisation mit >100.000 Tickets pro Monat

• Bisher: RPA‑Bots zur Bearbeitung standardisierter Level‑1‑Fälle (Passwort‑Reset, einfache Berechtigungsvergaben)

Agentischer Ansatz:

• Ein KI‑Agent liest Tickets, klassifiziert sie, fragt bei Bedarf nach, schlägt Lösungen vor und führt genehmigte Aktionen automatisiert aus (z.B. Anpassung in AD, Ticket‑Updates in ITSM‑Tool).

• Klassische RPA‑Bots werden nur noch als „Execution Layer“ verwendet, wenn keine APIs existieren.

Ergebnis:

• Höherer Automationsgrad auch bei „halbstrukturierten“ Anfragen

• Weniger Starre im Regelwerk, da der Agent Kontext versteht und Generalisierung leisten kann

Beispiel 2: Autonomous Finance / Order‑to‑Cash

Ausgangslage:

• RPA‑Bots lesen Rechnungen, buchen Belege, gleichen Zahlungen ab

• Komplexe Fälle (abweichende Beträge, Sonderkonditionen) werden früh an Sachbearbeiter übergeben

Agentischer Ansatz:

• KI‑Agent interpretiert Belege, Vertragsklauseln und E‑Mail‑Kommunikation

• Trifft Vorschlagsentscheidungen (z.B. Kulanz, Skonto‑Akzeptanz, Klärungsbedarf) und stößt Freigabe‑Workflows an

• Nutzt RPA/Integrationen nur als ausführendes Werkzeug in ERP und Banking‑Systemen

Ergebnis:

• Höhere Dunkelverarbeitung, weniger manuelle Klärungsvorgänge

• Bessere Nachvollziehbarkeit, wenn der Agent Begründungen (Rationale) mitschreibt

Beispiel 3: Autonomous Support (Customer & Employee)

• Kombination aus übernommener Aisera‑Technologie und bestehenden RPA‑/Workflow‑Stacks

• End‑User führen Konversationen (Chat/Voice) mit einem Agenten, der sowohl Antworten liefert als auch Fälle vollständig abwickelt (z.B. Refund, Vertragsänderung, Hardware‑Austausch), inklusive Systemaktionen.

Implikationen für bestehende RPA‑Landschaften

Risiko: Entwertung reiner Bot‑Flotten

Organisationen, die in den letzten Jahren primär auf skalierte Bot‑Flotten gesetzt haben, sehen sich drei Risiken gegenüber:

1. Wartungskosten steigen, weil immer mehr Anwendungs‑Updates zu Bot‑Brüchen führen.

2. Begrenzter ROI in wissensintensiven Prozessen – hier bleiben Bots deutlich hinter agentischer KI zurück.

3. Vendor‑Lock‑in: Plattformen ohne klaren Agentic‑Fahrplan drohen technologisch zurückzufallen.

Übergangsstrategie: RPA als Ausführungsschicht, nicht als Zielplattform

Ein pragmatischer Pfad für die nächsten 24–36 Monate:

• RPA dort belassen, wo stabile, stark strukturierte Prozesse laufen (z.B. Altsysteme ohne API, klar definierte Batch‑Jobs).

• Neue Use Cases und Re‑Implementierungen grundsätzlich agentisch denken: KI‑Agent orchestriert, Bot/Script führt aus.

• Plattformstrategie überprüfen:

- Unterstützt der bestehende Anbieter Agentic‑Features nativ?

- Gibt es eine Roadmap für Integration mit führenden Foundation‑/Reasoning‑Modellen?

Governance, Risiko und Compliance: Neue Hausaufgaben für Führungsteams

Mit der Verschiebung hin zu agentischer KI verändern sich auch Governance‑Anforderungen:

• Transparenz & Auditability: Entscheidungen von Agenten müssen nachvollziehbar, protokolliert und revisionssicher sein (insb. Finance, Healthcare, Public Sector).

• Rollen‑ und Rechtekonzept: Agenten handeln über technische Konten innerhalb sensibler Systeme – Zugriffsscope, Re‑Zertifizierung und Segregation of Duties sind kritisch.

• Modell‑ und Daten-Governance:

- Welche Daten nutzt der Agent zur Entscheidung?

- Wie werden Prompt‑Injection, Data Leakage und Halluzinationen kontrolliert?

• Skill & Workforce‑Shift: Klassische RPA‑Developer‑Skills (Scripting, UI‑Automation) werden ergänzt durch

- Prompt‑ und Flow‑Design,

- Observability‑Engineering für Agenten,

- Fachbereichsrollen, die als „Product Owner Automation & AI“ agieren.

Handlungsempfehlungen für CIOs, CFOs und Operations-Verantwortliche

1. Portfolio‑Assessment in zwei Achsen:

- Regelbasiert vs. wissensintensiv

- Systemstabilität vs. hohe Änderungsfrequenz

→ Wissensintensive, volatilen Prozesse priorisiert in agentische Plattformen migrieren.

1. Vendor‑Landscape neu bewerten:

- Welche bestehenden Partner liefern nachweislich signifikanten AI‑Umsatz (wie im Fall von Automation Anywhere) und realen Produktions‑Rollout statt PoCs?

- Vermeidung von „AI‑Washing“: Proof of Value in Form von KPIs (z.B. Reduktion Ticket‑Backlog, FTE‑Einsparungen, NPS‑Verbesserung) einfordern.

1. Pilot‑Strategie umstellen:

- Weg von isolierten Chatbot‑PoCs hin zu End‑to‑End‑„Autonomous Function“‑Projekten (z.B. Autonomous Level‑1‑IT‑Support in einem Land oder einer Business Unit).

- Von Beginn an Observability, Guardrails und Compliance integrieren.

1. Operating Model neu denken:

- Aufbau eines zentralen „AI & Agentic Automation Office“, das IT, Fachbereiche, Risk/Compliance und HR bündelt.

- Klare Metriken: Kosten pro erledigtem Vorgang, Durchlaufzeiten, Fehlerquoten, Zufriedenheit (Kunde/Mitarbeitende).

Fazit: 61 % AI-Anteil als Weckruf

Dass Automation Anywhere im Q4 bereits 61 % seiner Software‑Bookings mit AI‑ und agentischen Produkten erzielt, ist ein deutliches Signal: Der Markt für Prozessautomatisierung verschiebt sich rasant in Richtung KI‑first‑Architekturen. Für Unternehmen bedeutet das:

• Klassische RPA bleibt relevant, aber als taktische Ausführungsebene.

• Strategischer Wert entsteht zunehmend dort, wo agentische KI End‑to‑End‑Verantwortung für Prozesse übernimmt.

• Die nächsten 12–24 Monate entscheiden, ob bestehende Automationslandschaften zu Sprungbrettern oder zu Bremsklötzen für das Zeitalter des autonomen Unternehmens werden.

Häufig gestellte Fragen (FAQ)

Was bedeutet es, dass 61 % der Software-Buchungen von Automation Anywhere aus AI- und agentischen Lösungen stammen?

Der Wert zeigt, dass der Großteil der neuen Umsätze nicht mehr aus klassischer RPA, sondern aus KI-basierten und agentischen Produkten kommt. Für den Markt ist das ein Signal, dass Unternehmen Budgets gezielt in KI-first-Plattformen verlagern und autonome Prozesse produktiv einsetzen, statt nur Pilotprojekte zu fahren.

Was ist der Unterschied zwischen klassischer RPA und agentischer Prozessautomatisierung?

Klassische RPA-Bots reproduzieren vordefinierte Klick- und Eingabesequenzen und sind stark von stabilen Oberflächen abhängig. Agentische Prozessautomatisierung nutzt dagegen KI-Agenten mit Kontext- und Entscheidungsfähigkeit, die komplexe, mehrschrittige Workflows steuern, Fehler selbst behandeln und Aktionen über mehrere Systeme hinweg orchestrieren.

Welche Auswirkungen hat der Trend zu agentischer KI auf bestehende RPA-Bot-Flotten?

Reine Bot-Flotten laufen Gefahr, zu technischer Schuld zu werden, weil Wartungsaufwand und Bruchanfälligkeit bei Änderungen steigen. Zudem bleiben sie in wissensintensiven Prozessen deutlich hinter agentischer KI zurück, wodurch ihr ROI sinkt und Plattformen ohne klaren Agentic-Fahrplan an Wettbewerbsfähigkeit verlieren.

Wie können Unternehmen ihre bestehende RPA-Landschaft sinnvoll in agentische Plattformen überführen?

Unternehmen sollten RPA mittelfristig als Ausführungsschicht verstehen und neue oder neu zu gestaltende Use Cases grundsätzlich agentisch designen: Ein KI-Agent orchestriert, Bots und Integrationen führen aus. Praktisch bedeutet das, stabile, klar strukturierte Prozesse vorerst bei RPA zu belassen und wissensintensive, volatile Prozesse priorisiert auf agentische Plattformen zu migrieren.

Welche neuen Governance- und Compliance-Anforderungen entstehen durch agentische KI in Kernprozessen?

Agentische KI erfordert transparente, revisionssichere Protokollierung von Entscheidungen sowie ein fein granuliertes Rollen- und Rechtekonzept für technische Konten der Agenten. Zusätzlich müssen Unternehmen Modell- und Daten-Governance etablieren, um Risiken wie Prompt-Injection, Datenabfluss und Halluzinationen zu kontrollieren und gleichzeitig Anforderungen aus Finance, Healthcare oder dem öffentlichen Sektor zu erfüllen.

Wie verändert agentische KI die Kosten- und Produktivitätsbenchmarks in der Automatisierung?

Mit agentischer KI verschiebt sich der Fokus von der Kennzahl „Kosten pro Bot“ hin zu „Kosten pro autonom abgewickeltem Geschäftsvorfall“. Unternehmen können höhere Automatisierungsgrade in wissensintensiven Prozessen erreichen und Change-Kosten reduzieren, müssen aber neue Kostenblöcke wie Modellnutzung, Observability und Sicherheitsmaßnahmen in ihre TCO-Betrachtung einbeziehen.

Was sollten CIOs und CFOs jetzt konkret tun, um nicht den Anschluss an agentische Automatisierung zu verlieren?

Sie sollten das Automatisierungsportfolio entlang der Achsen Regelbasiert vs. wissensintensiv und stabil vs. volatil neu bewerten und priorisierte Kandidaten in agentische Plattformen überführen. Parallel gilt es, die Vendor-Landschaft auf echte Agentic-Fähigkeiten zu prüfen, Pilotprojekte als End-to-End-„Autonomous Functions“ aufzusetzen und ein zentrales „AI & Agentic Automation Office“ mit klaren Erfolgskennzahlen aufzubauen.