Prozessautomatisierung mit KI: Was heute schon möglich ist

Jedes zweite Gespräch mit neuen Kunden startet gerade mit der Frage: “Könnte man das nicht einfach mit KI automatisieren?” Meistens geht es um Rechnungen, Angebote, Kundenanfragen oder Reportings. Die kurze Antwort: Oft ja. Die längere Antwort: Es kommt darauf an, was genau du damit meinst.

KI hat in den letzten zwei Jahren den Automatisierungsmarkt grundlegend verändert. Was bis 2023 an starren Wenn-Dann-Regeln gescheitert ist, lässt sich heute mit Sprachmodellen und Agenten wirklich lösen. Gleichzeitig gibt es viele Versprechen, die in der Praxis zusammenbrechen. Dieser Beitrag sortiert, was heute schon funktioniert und was noch nicht.

Was Prozessautomatisierung mit KI von klassischer Automatisierung unterscheidet

Klassische Automatisierung mit Tools wie Zapier, Make oder n8n arbeitet regelbasiert. Wenn A passiert, dann tue B. Das funktioniert hervorragend, solange die Welt aussieht wie die Regeln es beschreiben. Sobald eine E-Mail anders formuliert ist, ein Formular ungewohnt ausgefüllt wird oder eine Rechnung ein neues Layout hat, fällt die Regel.

KI-gestützte Automatisierung bringt zwei neue Fähigkeiten ins Spiel.

Erstens Kontextverständnis. Ein Sprachmodell versteht, dass “Ich kündige zum 30.06.” und “Bitte meinen Vertrag zum Ende des zweiten Quartals beenden” dasselbe meinen. Ein klassisches Formular-Feld macht das nicht.

Zweitens Entscheidungsfähigkeit in unklaren Situationen. KI-Agenten können mehrere Optionen abwägen, Informationen aus verschiedenen Quellen zusammenführen und den wahrscheinlich besten Weg wählen, auch wenn der Prozess vorher nicht exakt so definiert war. Bei Grenzfällen können sie zurückfragen oder eskalieren.

Das bedeutet nicht, dass KI die klassische Automatisierung ersetzt. In der Praxis ist die Kombination sinnvoll: Klassische Workflows für die 80 Prozent Standardfälle, KI für die restlichen 20 Prozent, die vorher in der manuellen Nachbearbeitung gelandet sind.

Was 2026 bereits zuverlässig funktioniert

Nach unserer Projekterfahrung sind diese Einsatzfelder aktuell reif für den produktiven Einsatz.

Dokumentenverarbeitung und Rechnungserfassung

Eingehende Rechnungen, Lieferscheine, Aufträge, Verträge. KI liest das Dokument, extrahiert die relevanten Felder, prüft gegen Stammdaten und legt den Datensatz im ERP oder in der Buchhaltung an. Bei Unklarheiten fragt der Agent nach oder legt das Dokument in eine Prüf-Queue.

Realistische Quote: 80 bis 95 Prozent der Standard-Dokumente laufen durch, die restlichen brauchen menschliche Prüfung. Zeitersparnis in der Buchhaltung oft 60 bis 80 Prozent.

Erstbearbeitung von Support-Tickets

Eingehende Anfragen werden kategorisiert (Reklamation, Rückfrage, technisches Problem, Angebot gewünscht), mit einem Lösungsvorschlag versehen und dem passenden Teammitglied zugewiesen. Bei einfachen Anliegen (Passwort zurücksetzen, Status einer Bestellung) antwortet der Agent direkt.

Wichtig: Bei sensiblen Themen wie Reklamationen oder Beschwerden empfehlen wir, die KI-Antwort als Vorschlag zu präsentieren, nicht automatisch zu versenden. Ein Mitarbeiter prüft und gibt frei. Die Zeitersparnis bleibt hoch, der Imageschaden durch eine unglückliche KI-Antwort bleibt aus.

Angebots- und Vertragsvorbereitung

Auf Basis einer Anfrage erstellt der Agent ein Angebot, zieht Preise aus dem System, ergänzt Standardtexte, legt alles im CRM an. Der Vertrieb prüft, verhandelt, versendet. Besonders bei Unternehmen mit vielen, aber ähnlich strukturierten Angeboten ein echter Hebel.

Datenabgleich zwischen Systemen

Stammdaten in CRM, ERP, Shop und Marketing-Tool synchron zu halten, ist einer der unterschätzten Zeitfresser. KI-Agenten können Dubletten erkennen, Schreibweisen vereinheitlichen und Inkonsistenzen melden, die ein starrer Abgleich nie entdecken würde.

Research und Zusammenfassungen

Branchenreports, Wettbewerbsbeobachtung, Marktanalysen. Agenten sammeln Quellen, fassen zusammen, destillieren Trends. Das ersetzt nicht den strategischen Kopf, aber es spart Wochen der Vorarbeit pro Jahr.

Wo es noch hakt

Nicht alles, was möglich klingt, funktioniert produktiv. Die typischen Grenzen aus unserer Projektarbeit:

Komplexe Fachentscheidungen. Ein Agent, der autark einen Mietvertrag verhandelt oder medizinische Diagnosen stellt, ist aktuell nicht realistisch. Regulatorische Gründe, Haftungsfragen, Fehlertoleranz. Selbst technisch mögliche Fälle scheitern an der Verantwortungsfrage.

Seltene Vorfälle. KI lernt aus Daten. Was einmal im Jahr vorkommt, hat der Agent nie gesehen. Ausnahmefälle, besondere Kundensituationen, seltene Fehlerbilder gehören weiterhin zu Menschen.

Hochwertige schriftliche Kommunikation. Automatisch generierte Kundenanschreiben haben einen Geruch. Für Routine-Nachrichten (Versandbestätigungen, Terminanpassungen) funktioniert das gut, für persönliche Anschreiben an wichtige Kunden sollten Menschen schreiben.

Systeme ohne API. Legacy-Anwendungen, die nur per Oberflächen-Automation ansprechbar sind, werden auch von KI-Agenten schwer. Technisch geht manches über sogenannte “Computer Use”-Agenten, ist aber oft fragil und teuer.

Wie ein realistischer Einstieg aussieht

Aus drei Jahren Projekterfahrung mit Automations- und KI-Projekten hat sich ein Muster bewährt, das bei fast jedem Mittelständler funktioniert.

Schritt 1: Zwei bis drei Prozesse identifizieren, die wehtun. Nicht das spannendste Thema, sondern das mit dem höchsten manuellen Aufwand und den klarsten Regeln. Rechnungseingang, Lead-Erstbearbeitung, Reporting.

Schritt 2: Prozess sauber dokumentieren. Vorher aufschreiben, was passiert. Wer macht was wann? Welche Ausnahmen gibt es? Welche Daten sind im Spiel? Ohne diesen Schritt automatisiert die KI nur das bestehende Chaos.

Schritt 3: Klein starten, mit Mensch in der Schleife. Der Agent macht den Vorschlag, der Mensch gibt frei. Nach zwei bis vier Wochen zeigt sich, wo er zuverlässig entscheidet und wo es noch hakt. Erst dann werden Freigabeschritte reduziert.

Schritt 4: Messen. Durchlaufzeit vorher und nachher, Fehlerquote, Straight-Through-Processing-Rate (also Anteil der Fälle ohne menschliches Eingreifen). Wenn die Zahlen nach drei Monaten nicht besser sind, liegt das selten an der KI, sondern am Prozess.

Schritt 5: Erst dann ausweiten. Wer sofort fünf parallele Projekte startet, lernt an keinem und scheitert in der Summe.

Datenschutz und Governance

Bei jedem KI-Projekt taucht irgendwann die DSGVO-Frage auf. Drei Punkte, die geklärt sein müssen, bevor produktiv gearbeitet wird:

• Auftragsverarbeitungsvertrag mit dem KI-Anbieter (OpenAI, Anthropic, Google, Microsoft). Ohne AV-Vertrag keine personenbezogenen Daten.
• EU-Hosting oder zumindest sichere Datenverarbeitung außerhalb des Trainings. Alle großen Anbieter bieten inzwischen Enterprise-Varianten mit vertraglich zugesagtem “No Training on Your Data”.
• Dokumentation im Verfahrensverzeichnis. Jeder KI-Prozess mit personenbezogenen Daten gehört dokumentiert, inklusive Zweck, Rechtsgrundlage und Löschkonzept.

In stark regulierten Branchen (Banken, Gesundheit, Versicherungen) kommen weitere Anforderungen dazu. Hier ist ein Gespräch mit dem Datenschutzbeauftragten vor dem ersten Projekt Pflicht, nicht Kür.

Was es wirklich kostet

Preisbilder variieren stark, aber als Orientierung aus unseren Projekten:

• Ein einfacher KI-Agent (z.B. Support-Triage) kostet in der Einrichtung zwischen 5.000 und 15.000 Euro, laufende Kosten abhängig von Volumen meist unter 300 Euro pro Monat.
• Ein komplexer Agent (z.B. Angebotserstellung mit Preislogik und CRM-Anbindung) liegt zwischen 20.000 und 60.000 Euro in der Einrichtung, laufende Kosten 500 bis 2.000 Euro pro Monat.
• Ein KI-Plattform-Setup (eigene Infrastruktur, mehrere Agenten, Monitoring, Governance) startet bei 50.000 Euro und wächst mit dem Nutzungsgrad.

Das klingt nach viel und ist es auch. Die Wirtschaftlichkeit ergibt sich, wenn eine Person dadurch 10 bis 20 Stunden pro Woche anders nutzen kann. Nach unserer Erfahrung amortisiert sich ein sauber eingeführter Agent in sechs bis zwölf Monaten.

Laut Bitkom nutzen 36 Prozent der deutschen Unternehmen KI, fast doppelt so viele wie im Vorjahr. Die häufigste Motivation: Routineaufgaben loswerden. Wer jetzt sauber startet, hat in zwei Jahren einen Vorsprung, der schwer aufzuholen ist.

Wenn du für dein Unternehmen prüfen willst, welche Prozesse sich für KI-Automatisierung eignen und was die erste sinnvolle Investition wäre, meld dich. Mehr zum Leistungsspektrum findest du unter KI-Implementierung und Automation. Eine Fokus-Session reicht meistens, um die ersten Kandidaten zu identifizieren und eine grobe Kostenrichtung zu zeichnen.