Überblick: Welcher Ansatz für welche Automatisierungsaufgabe

Dieser Artikel gibt einen kurzen Überblick, welchen technischen Ansatz Sie, je nach Rahmenbedingungen, für Ihre Automations-Aufgabe nutzen können und sollten.

Auf der Matrix (s.u.) liegen drei Technik‑Cluster, welche Sie je nach Grad der Automation (von händisch bis zu vollständig automatisiert) und Grad der Fachlichkeit (von Standard-Hersteller-Features bis hin zu Expertenwissen) nutzen können:

Schneller Start: Assistenten + verlinktes Wissen

Was steckt dahinter? Sie arbeiten mit ChatGPT Desktop oder Claude Desktop. Die Chat‑basierten LLMs bieten mittlerweile eine integrierte Vektor­datenbank, in die Sie Firmendaten wie PDFs, Wiki‑Artikel oder Tickets laden können.

Typische Use Cases: „Frag mein Projekt“, schnelle Zusammenfassungen, Recherche.

Reifegrad & Aufwand: <5 Minuten bis zum Proof of Concept, und dieser ist ggf. schon gut genug. Keine Entwickler nötig, aber Sie arbeiten mit dem, was der Hersteller liefert.

Wann wählen? Wenn es um Ad‑hoc‑Fragen zu großen Dokument­mengen geht (bzw. viele Daten “durchgearbeitet” werden müssen) und fachliche Tiefe bzw. Expertenwissen zweitrangig ist.

Mächtige Systemintegration: MCPs bzw. Tool Usage

Was ist ein MCP? Das Model Context Protocol ist im Kern ein neuer API‑Standard, der LLMs geordneten Zugriff auf Dritt­systeme gibt. Je nach LLM-Anbieter gibt es statt MCP ähnliche Anbindungen die dann “Function Calling” oder “Tool Usage” genannt werden.

Typische Use Cases: Beispiel: Sie wollen am Monatsende eine Rechnung stellen? Der Assistent ruft via MCP die Zeitbuchungen ihrer Mitarbeitenden aus dem ERP und erstellt danach einen Rechnungs­entwurf – Sie klicken nur noch “OK”. Kurzum: immer dann, wenn sie Drittsysteme und deren Daten/Funktionalitäten integrieren wollen.

Reifegrad & Aufwand: 1-5 Personentage für die jeweilige MCP-Entwicklung (= API-Anbindung) einplanen. Je mehr gedanken Sie sich über robuste Parameter, Plausibilitäts‑Checks und Business­kontext machen, desto besser funktionieren die MCPs dann im täglichen Geschäft. Iteratives Arbeiten bzw. inkrementelle Verbesserung gut möglich.

Wann wählen? Eliminieren von Copy‑&‑Paste-Aufgaben und Medien­brüchen zwischen mehreren Systemen. Wenn Benutzer weiterhin im Loop (und Kontrolle) bleiben sollen, der Assistent aber für Sie die verschiedenen Systeme bedienen soll.

Kann merklich Aufwand einsparen – aber immer daran denken: ein schlechter Prozess digitalisiert bleibt ein schlechter Prozess. Fragen sie Sich: warum ist mein Prozess X im Moment so kompliziert – muss das so sein?

Autonom Agieren: Agents und RPA

Was ist ein Agent? Ein Agent ist ein LLM mit Toolzugriff, der anhand einer Auftrags­beschreibung selbst entscheidet, welche Aktionen/Tools/MCPs er benutzt. In RPA‑Plattformen (Robotic Process Automation, Beispiele sind UiPath, Power Automate, Make, u. a.) wird das als grafischer Flow orchestriert. Wichtig: RPA gab es schon vor KI, d.h. es gibt auch RPA-Flows ohne LLM-Integrationen.

Typisch Use Cases: Da bei diesem Ansatz die Ausführung auf ein zentrales System verlagert wird und daher von den installierten Tools auf den User-Rechnern unabhängig ist, eigen sich Agents und RPA insbesondere für Prozesse, die zentral gesteuert und orchestriert werden, und die insbesondere verschiedene Nutzendengruppen involvieren (typisches Beispiel: Rechnungsfreigabe durch Vorgesetzte und dann Buchhaltung).

• No‑/Low‑Code‑Oberflächen erlauben Fach­bereichen, Flows selbst anzupassen. Das ist insebesondere dann spannend, wenn mit den selben Systemen (= für die man dann nur einmal eine API/Tool/MCP-Integration bauen muss) mehrere verschiedene Prozesse automatisiert werden sollen. Dann lohnt sich der initiale Entwicklungsaufwand, die externen Systeme “No-Code-freundlich” einzubinden – denn: 50 % der Projektarbeit fließt oft in Authentifizierung, Rollen & Governance.
• Klassische RPA braucht klare “WENN → DANN” Entscheidungswege. LLM-Agenten können nun auch Prozesse realisieren, die mit unsauberen Daten und höherer Varianz in den Eingabedaten klar kommen müssen. Aber – unser Learning: je freier/dynamischer der Agent agieren muss, desto höher ist das Risiko, dass ein Einzelprozess fehlschlägt. Daher Vorsicht bei Prozessen, die in hoher Stückzahl ausgeführt werden sollen

Wann wählen? Für wiederkehrende, klar definierte Abläufe mit mehreren beteiligten Rollen oder Systemen.

Alle Möglichkeiten: Individualentwicklung

Individualentwicklung setzt individuelle Softwarelösungen um und liefert eine perfekt auf den Anwendungsfall abgestimmte Lösung. Hierbei können Standard-LLMs benutzt werden, aber auch ein Fine-Tuning oder komplette Neu-Entwicklung von auf den Anwendungsfall abgestimmten Neuronalen Netzwerken (CNNs) ist möglich.

Typische Use Cases:

• Vollständige Automatisierung und Betrieb ohne manuelles Eingreifen: wenn ihre Automation 24/7 automatisiert funktionieren muss und Sie große Datenmengen verarbeiten, liefert eine Individualentwicklung die notwendige Skalierbarkeit. Weg von Einzelprozessen, hin zu Daten-Pipelines. Kombiniert mit dem entsprechenden Monitoring und Alerting haben Sie jederzeit den Überblick. Beispiel: Annotation von News-Artikeln, > 1 mio Einträge pro Jahr.
• Hohe Fachlichkeit: wenn Sonderfälle häufig vorkommen, domänenspezifisches Experten-Wissen modelliert werden muss und Prozesse und Abläufe komplex sind, kann Individualentwicklung eine auf die jeweilige Fachdomäne zugeschnittene Lösung liefern. Beispiel: Analyse von Kennzahlen aus Ausschreibungsunterlagen und Vor-Berechnung der wichtigsten fachlichen Metriken, bevor ein Ingenieur die Projektkonzeption weiterführt.

Wann wählen? Wenn kein Standard­tool Ihr Volumen, Ihre Compliance‑Anforderungen oder Ihre Fach­logik abdecken kann.

Quick‑Check: Welcher Ansatz passt zu Ihrem Vorhaben?

Wenn Sie mehr über unsere KI-Leistungen und Ansätze erfahren möchten, klicken Sie hier.