RPA
Robotic Process Automation (RPA) setzt Software-Bots ein, die menschliche Tastatureingaben und Mausklicks in Geschäftsanwendungen nachahmen und so repetitive, regelbasierte Aufgaben wie Dateneingabe, Rechnungsbuchung und Kontenabstimmung automatisiert ausführen. In der Debitorenbuchhaltung und im Order-to-Cash (O2C) war RPA das dominierende Automatisierungsparadigma der 2010er-Jahre, doch seine Fehleranfälligkeit und der hohe Wartungsaufwand veranlassen Finanzteams zunehmend, für dieselben Prozesse auf agentische KI zu setzen.
Robotic Process Automation (RPA) ist eine Softwarekategorie, die repetitive, regelbasierte Arbeit übernimmt. Dazu ahmt sie nach, wie ein Mensch einen Computer bedient. Ein Bot meldet sich im ERP-System an, öffnet eine Maske, kopiert einen Wert aus einem Feld, fügt ihn in ein anderes ein, klickt auf Speichern und wechselt zum nächsten Datensatz. Die zugrunde liegenden Systeme verändert RPA dabei nicht. Sie setzt darauf auf und steuert die Benutzeroberfläche genauso, wie es ein Sachbearbeiter tun würde, nur schneller und ohne Pausen.
Finanzteams setzten zwischen etwa 2015 und 2022 stark auf RPA, vor allem in Shared Service Centern, die Debitorenbuchhaltung, Kreditorenbuchhaltung und Hauptbuchabschluss abwickelten. Das Versprechen war einfach: Statt Legacy-ERP-Systeme neu aufzubauen oder auf die Roadmaps der Anbieter zu warten, ließen sich Bots einsetzen, um die zahlreichen manuellen Übertragungsaufgaben zu erledigen (Daten aus E-Mails ins ERP-System, aus Bankdateien in das Modul für die Cash Application (Zahlungsabgleich), aus Tabellen ins Reporting-Tool). Für viele Unternehmen war RPA der erste Berührungspunkt mit Automatisierung in Finanzteams. Bei stabilen, klar abgegrenzten Prozessen brachte sie echte Effizienzgewinne.
RPA-Tools kombinieren in der Regel drei Techniken. Die erste ist die UI-Automatisierung: Der Bot liest die Benutzeroberfläche der Anwendung aus, also Position der Schaltflächen, Feld-IDs und Bildschirmtexte, und führt darauf Maus- und Tastaturbefehle aus. Die zweite ist Screen Scraping: Hier liest der Bot Werte von Bildschirmen aus, die keine API bereitstellen, und nutzt dafür optische Zeichenerkennung oder DOM-Parsing. Die dritte sind aufgezeichnete Makros: Ein Entwickler oder Fachanwender führt den Arbeitsablauf einmal vor, und die Plattform erfasst die Klickfolge als wiederverwendbares Skript.
Ein typischer Bot ist als Flussdiagramm dieser Schritte mit bedingten Verzweigungen aufgebaut: Stimmt die Kundennummer überein, bucht der Bot die Zahlung; wenn nicht, leitet er den Vorgang an eine Ausnahmeliste weiter. Die Logik ist starr und fehleranfällig. Jeden Pfad, den der Bot abdecken soll, müssen Sie im Voraus programmieren. Es gibt kein Modell der Wirklichkeit und kein Verständnis für Absichten, nur eine Abfolge von UI-Befehlen, die läuft, bis sie auf etwas Unerwartetes stößt.
Im Order-to-Cash setzen Unternehmen RPA für eine feste Reihe von Aufgaben ein. Rechnungsbuchung: Bots übernehmen Rechnungsdaten aus einem vorgelagerten System (Abrechnungsplattform, EDI-Feed, Tabellenkalkulation) und buchen sie in das Debitoren-Nebenbuch des ERP-Systems. Zahlungsbuchung: Bots öffnen Lockbox-Dateien oder Kontoauszüge, ermitteln den Kunden und ordnen den Zahlungseingang offenen Rechnungen zu, sofern das Zahlungsavis eindeutig passt. Verarbeitung von Ausnahmeberichten: Bots erstellen zeitgesteuert Berichte zu nicht zugeordneten Zahlungen, Minderzahlungen oder zur Fälligkeitsstruktur und leiten die Ergebnisse an die Sachbearbeiter weiter. Pflege der Kundenstammdaten: Bots aktualisieren Kreditlimits, Steuerkennzeichen oder Zahlungsbedingungen anhand von Regeln aus einer Tabelle zur Kreditrichtlinie. Erfassung von Streitfällen: Bots übertragen Kunden-E-Mails in das Streitfallmodul, damit ein menschlicher Analyst sie aufgreifen kann.
Das Muster zieht sich durch. RPA spielt seine Stärken bei Aufgaben mit hohem Volumen und geringer Varianz aus, bei denen die Regeln eindeutig und die Eingangsdaten sauber sind. An seine Grenzen stößt es, sobald die Daten mehrdeutig werden oder der Workflow auf eine Weise abzweigt, die der Entwickler nicht vorhergesehen hat.
Drei Schwächen stechen hervor. Erstens die Fehleranfälligkeit. Weil Bots über die Benutzeroberfläche arbeiten, bringt sie jede Änderung an dieser Oberfläche zum Stolpern. Ein ERP-Patch, der eine Schaltfläche umbenennt, ein SaaS-Update, das ein Feld um ein Pixel nach unten verschiebt, ein Browser-Upgrade, das ein Dropdown anders darstellt: All das kann einen Bot lahmlegen. Branchenstudien beziffern den durchschnittlichen RPA-Bot auf fünfzehn bis zwanzig Wartungseingriffe pro Jahr, und Automatisierungsumfragen aus dem Jahr 2025 zeigen: Rund 35 Prozent der Gesamtkosten eines RPA-Programms fließen in die Pflege der Bots statt in neue Automatisierung.
Zweitens die fehlende Ausnahmebehandlung. Stößt ein Bot auf etwas außerhalb seines Regelwerks (ein Zahlungsavis mit Tippfehler, eine Zahlung, die zwei Rechnungen nur teilweise abdeckt, ein Kunde, der sich nicht zuordnen lässt), bleibt er stehen und reicht die Aufgabe an einen Menschen weiter. Beim Zahlungsabgleich sind Ausnahmequoten von 20 bis 40 Prozent üblich. Ein großer Teil der Arbeit, die der Bot eigentlich abnehmen sollte, landet also doch wieder auf dem Tisch eines Mitarbeiters.
Drittens das fehlende situative Urteilsvermögen. RPA kann keine Kunden-E-Mail lesen und deren Bedeutung erfassen. Es kann nicht abwägen, ob sich der Aufwand lohnt, einer kleinen Minderzahlung nachzugehen, oder ob dadurch die Kundenbeziehung leidet. Es führt die vorgegebene Regel aus, mehr nicht.
Agentic AI ist das Paradigma der nächsten Generation und löst RPA in genau diesen Workflows ab. Der Unterschied liegt in der Architektur. RPA folgt festen Regeln: Ein Entwickler schreibt die Regeln, der Bot spielt sie ab, und alles, was außerhalb dieser Regeln liegt, scheitert. Agentic AI dagegen verfolgt ein Ziel: Der Anwender gibt vor, was erreicht werden soll (diese Zahlung zuordnen, diesen Streitfall klären, diese Rechnung einziehen), und der Agent überlegt selbst, wie er dorthin kommt. Dabei nutzt er Sprachmodelle, um unstrukturierte Eingaben zu deuten, ruft APIs auf, statt Bildschirmmasken zu bedienen, und lernt aus den Ergebnissen.
Für den Finanzbereich zählen vor allem drei Unterschiede. Agenten bearbeiten Ausnahmefälle von Haus aus, weil sie die Bedeutung erfassen und nicht bloß Zeichenketten abgleichen. Agenten sind API-nativ statt an Oberflächen gebunden und brechen deshalb nicht ab, wenn eine Anwendung ihre Bildschirmmasken ändert. Und Agenten werden mit der Zeit besser, je mehr Daten sie sehen, während RPA-Bots auf den Regeln festsitzen, die am ersten Tag geschrieben wurden.
Die wenigsten Finanzteams schaffen RPA über Nacht ab. Der realistische Weg führt Prozess für Prozess. Beginnen Sie dort, wo RPA am häufigsten scheitert, etwa beim Zahlungsabgleich, der Streitfall-Triage oder der komplexen Codierung von Abzügen, und ersetzen Sie diese Bots zuerst durch agentische Workflows. Für die wirklich stabilen, hochvolumigen Aufgaben mit geringer Varianz behalten Sie RPA bei, denn dort funktioniert es und der Wartungsaufwand bleibt überschaubar. Übernimmt die agentische Plattform mit der Zeit immer mehr der unübersichtlichen Arbeit, schrumpft der RPA-Bestand. Auch der Bot-Wildwuchs lässt sich dann leichter auflösen, also die Hunderte fragiler Skripte, für die sich niemand verantwortlich fühlt. Das Ziel ist nicht null Automatisierung. Es ist eine Finanzfunktion, in der die Automatisierung tatsächlich versteht, was sie tut.
RPA ist nicht überholt, aber der Einsatzbereich wird enger. Bei wirklich stabilen, regelbasierten Aufgaben mit hohem Volumen, deren Quellsysteme sich selten ändern, liefert RPA nach wie vor günstig einen Mehrwert. Sobald jedoch unstrukturierte Eingaben, Ausnahmen oder kontextbezogenes Urteilsvermögen ins Spiel kommen, und das trifft auf die meisten modernen Aufgaben in der Debitorenbuchhaltung und im Order-to-Cash zu, schlägt agentische KI heute RPA sowohl bei der Genauigkeit als auch bei den Gesamtbetriebskosten.
RPA folgt Regeln. Ein Entwickler schreibt ein Skript (hier klicken, das kopieren, dort einfügen) und der Bot spielt es ab. Agentische KI verfolgt Ziele. Sie geben vor, welches Ergebnis Sie erreichen möchten (diese Zahlung zuordnen, diesen Streitfall klären), und der Agent findet selbst heraus, wie er dorthin gelangt. Auch Fälle, die Sie nicht vorhergesehen haben, behandelt er selbst. RPA ist ein Roboter. Agentische KI ähnelt eher einem Nachwuchsanalysten, der über die Arbeit nachdenkt.
Bots arbeiten über die Benutzeroberfläche und nicht über stabile APIs. Deshalb kann jede Änderung an der Oberfläche der zugrunde liegenden Anwendung sie außer Gefecht setzen. Branchenstudien zeigen: RPA-Programme im Finanzbereich stecken rund 35 Prozent ihres Gesamtbudgets in die Bot-Wartung. Jeder ERP-Patch, jedes SaaS-Upgrade und jede Prozessänderung verursacht Nacharbeit.
Rechnungen aus vorgelagerten Abrechnungssystemen ins ERP-System buchen, Zahlungen bei sauber übereinstimmenden Daten verbuchen, Ausnahme- und Fälligkeitsberichte planen, Kundenstammdaten nach Kreditrichtlinie aktualisieren sowie Streitfälle aus E-Mails im Debitorenmodul erfassen. All das sind regelbasierte Aufgaben, bei denen die Eingaben einigermaßen strukturiert und die Ergebnisse vorhersehbar sind.
Der Zahlungsabgleich kennt viele Ausnahmen. Selbst bei ausgereiftem RPA liegen die typischen Ausnahmequoten zwischen 20 und 40 Prozent, verursacht durch fehlende oder fehlerhafte Zahlungsavis-Daten, Teilzahlungen, nicht zugeordnete Kunden und Minderzahlungen. Der Bot erledigt die sauberen Fälle und bleibt bei allem anderen stehen, sodass ein großer Teil der Arbeit weiterhin bei den menschlichen Sachbearbeitern landet. Agentische KI schließt diese Lücke: Sie interpretiert mehrdeutige Avis-Texte, statt sie wörtlich abzugleichen.
Prozess für Prozess, nicht alles auf einmal. Ermitteln Sie die Prozesse, bei denen RPA am häufigsten scheitert oder den höchsten Wartungsaufwand verursacht (in der Regel Zahlungsabgleich, Streitfall-Triage und Abzugscodierung), und ersetzen Sie diese zuerst. Lassen Sie RPA für die stabilen Prozesse mit hohem Volumen laufen, in denen es funktioniert. Übernehmen agentische Workflows mit der Zeit die aufwendige Arbeit, schrumpft der RPA-Bestand, und die ausufernde Bot-Landschaft wird beherrschbar statt erdrückend.
