Agentic Process Automation

In der Informatik gilt ein Agent allgemein als System, das seine Umgebung wahrnimmt und durch Aktionen auf sie einwirkt, um Ziele zu erreichen.^[5] Agentisch ist ein Automatisierungssystem dann, wenn es (1) ziel‑ bzw. aufgabenbasiert arbeitet, (2) eigenständig Pläne oder Aktionssequenzen bildet, (3) externe Werkzeuge situationsabhängig einsetzt, (4) Ergebnisse beobachtet und daraus Folgeschritte ableitet (Rückkopplung), und (5) dabei einen internen Zustand („Gedächtnis“) führt.^[1][6][7] Im Gegensatz dazu führen klassische Lösungen wie Makros, fest verdrahtete Workflows oder rein regelbasierte Robotic‑Process‑Automation (RPA) vorwiegend vorherbestimmte Schrittfolgen aus und passen sich ohne manuelle Eingriffe nicht an ungeplante Situationen an.^[3][4]

Die Verbreitung generativer Sprachmodelle und Schnittstellen für Werkzeugaufrufe („Function/Tool Calling“) ermöglicht KI‑Agenten, nicht nur Sprache zu verarbeiten, sondern Aktionen in Softwaresystemen auszulösen und auszuwerten.^[6][7] Forschung zu planenden und handelnden Agenten sowie zu Multi‑Agenten‑Orchestrierung hat entsprechende Architekturen geprägt (z. B. Reason‑and‑Act‑Paradigmen und konversationsbasierte Agentenrahmenwerke).^[8][9] Überblicksbeiträge ordnen APA als nächsten Entwicklungsschritt der Prozessautomatisierung ein.^[2][1][10]

In der Fachliteratur werden folgende Kernmerkmale genannt (auch als „agentische Schleife“ beschreibbar):

• Zielzustand statt Schrittfolge: Auftrageingabe als Ziel/Intent; die Ausführung orientiert sich an einem akzeptierten „Erfolgskriterium“ und nicht an fixen Klick‑Skripten.^[5][1]
• Planung und Zerlegung: Bildung und laufende Anpassung von Teilaufgaben („Task Decomposition“), inkl. Re‑Planung bei neuen Informationen.^[8]
• Werkzeugnutzung (Tool/Function Calling, ggf. „Computer‑Use“): situationsabhängiges Aufrufen von APIs, Datenbanken oder GUI‑Aktionen; danach Bewertung der Rückgaben.^[6][7]
• Beobachten → Entscheiden → Handeln (Closed Loop): Ergebnis‑Monitoring, Fehlerbehandlung, Eskalation bei Bedarf („human‑in‑the‑loop“).^[1]
• Gedächtnis/Status: Kurz‑ und Langzeit‑Kontexte (z. B. Verlaufs‑ und Wissensspeicher) für belastbare Fortsetzung und Konsistenz.^[11]
• Kooperation (optional): Zusammenspiel mehrerer spezialisierter Agenten mit Aufgabenteilung und Orchestrierung.^[9]
• Governance und Sicherheitsgrenzen: Berechtigungs‑ und Prüfmechanismen (Least‑Privilege, Audit‑Trail, Telemetrie) zur Risikobegrenzung bei autonomer Aktion.^[1][12]

Agentisch sind Automatisierungen, die die oben genannten Merkmale im Verbund aufweisen. Typische Beispiele sind:

• Zielbasierte, mehrstufige Vorgänge mit eigenständiger Aktionswahl (z. B. Informationsbeschaffung → Bewertung → Auslösen eines Systemvorgangs) unter Verwendung von Tool‑/Function‑Calls.^[6][7]
• Ereignis‑ oder zielgetriebene Abläufe, die auf Rückmeldungen reagieren (Closed‑Loop‑Ausführung) und Zustände fortschreiben.^[1][8]

Nicht agentisch (oder nur teil‑agentisch) gelten dagegen u. a.:

• reine Makros, Batch‑Jobs oder Cron‑Skripte ohne Kontextanpassung;
• starre BPMN‑/Workflow‑Diagramme ohne dynamische Plan‑Anpassung;
• RPA‑Bots mit deterministischen Klickfolgen, die bei Abweichungen stoppen;
• sprachbasierte Assistenten oder LLM‑Wrapper, die ausschließlich Texte erzeugen/klassifizieren, aber keine Aktionen auslösen oder Zustände halten;
• Retrieval‑only‑Lösungen (reine Dokumenten‑Antwortsysteme) ohne Tool‑Ausführung.^[3][4][13]

Beschriebene Einsatzgebiete umfassen Wissens‑ und Servicetätigkeiten (z. B. E‑Mail‑Triage, Ticketing), Backoffice‑Prozesse (z. B. Rechnungsprüfung, Stammdatenpflege), IT‑Betrieb sowie Handel und Beschaffung (z. B. automatisierte Recherche und Bestellvorgänge).^[14][15]

Praxisleitfäden empfehlen schrittweise Einführung mit klaren Zielen (Use‑Case‑Abgrenzung), Telemetrie, Rechtemodellen, Prüfpfaden und Eskalationspunkten („human‑in‑the‑loop“).^[1][2] Technisch sind neben LLMs insbesondere Schnittstellen für Werkzeugaufrufe sowie Orchestrierungs‑ und Speicherkomponenten maßgeblich.^[6][7] Branchenbeiträge stellen Unterschiede zu RPA und Anforderungen an Infrastruktur, Daten‑ sowie Modell‑Governance heraus.^[3][4]

Diskutierte Grenzen betreffen Nachvollziehbarkeit längerer Agentenketten, Qualitätssicherung (z. B. Red‑Teaming, Guardrails), Kosten der Überwachung sowie Risiken durch Fehlbedienung von Werkzeugen oder Prompt‑Manipulation.^[12][16] In frühen Einführungen wird deshalb häufig empfohlen, APA mit eng gesetzten Berechtigungen, Audit‑Trails und expliziten Freigabe‑schritten zu betreiben.^[1][14]