Von RPA zur intelligenten Automatisierung

2019 feierte ein globaler Konsumgüterkonzern den Rollout von 500 Software-Robotern in seinem Finance Shared Service Center. Zwei Jahre später stellte eine interne Revision fest, dass rund 40 % dieser Bots entweder inaktiv waren oder wöchentlich ausfielen. Schuld war nicht die Technologie. Es war die Reihenfolge: Man hatte kaputte Prozesse automatisiert, Bots über jedes quietschende Rad verteilt und keine Kapazität aufgebaut, um das Geschaffene zu warten. Die Roboter funktionierten. Die Ökonomie nicht.

In diese Falle laufen die meisten Automatisierungsprogramme im Finanzbereich. Die Frage lautet nicht „KKDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →önnen wir das automatisieren?“ Fast alles lässt sich bis zu *einem gewissen* Grad automatisieren. Die Frage lautet: „Was automatisieren wir, in welcher Reihenfolge, und wie sichern wir den Payback, bevor die Wartungskosten ihn auffressen?“ Das ist ein CFO-Problem, kein Technologieproblem.

Die Automatisierungsleiter: vier Sprossen, kein einzelner Sprung

Finanzautomatisierung ist nicht binär. Sie ist eine Leiter, und jede Sprosse hat eine andere Kostenstruktur, ein anderes Risikoprofil und eine andere Payback-Kurve. Wer die Sprossen verwechselt, verbrennt Geld.

Sprosse 1: regelbasiertes RPA

Robotic Process Automation ahmt menschliche Tastatureingaben über Systeme hinweg nach. Sie loggt sich ein, kopiert ein Feld aus einer Rechnung, fügt es ins ERPERPEine integrierte Kernsoftware für zentrale Abläufe: Finanzen, Einkauf, Supply Chain, HR und Produktion auf gemeinsamer Datenbasis.Vollständige Definition ansehen → ein, klickt auf Absenden. Sie ist deterministisch: Bei gleichem Input tut sie immer dasselbe. Sie erkennt keine Bedeutung, sie sieht Bildschirmkoordinaten und Datenfelder.

RPA rechnet sich bei hochvolumigen, stabilen, regelbasierten Aufgaben mit strukturierten Daten: Intercompany-Salden verschieben, Zahlläufe für freigegebene Rechnungen anstoßen, Kontoauszüge in eine Abstimmungsvorlage ziehen. Der Payback kommt schnell (oft unter 12 Monaten) und lässt sich leicht modellieren: Vollkosten eines FTE mal eingesparte Stunden, abzüglich Lizenz- und Build-Kosten.

Der fatale Schwachpunkt ist die Fragilität. RPA hat kein Urteilsvermögen. Ändert sich das Layout eines Lieferantenportals oder kommt eine Spalte im Report hinzu, scheitert der Bot lautlos oder flutet eine Queue mit Exceptions. Die 40 % Inaktivität im Eingangsbeispiel waren fast vollständig ein Sprosse-1-Problem: Bots, die gegen sich ständig ändernde Prozesse gebaut wurden.

Sprosse 2: Intelligent Document Processing (IDP)

Die nächste Sprosse fügt *Wahrnehmung* hinzu. Texterkennung kombiniert mit Machine Learning erlaubt es dem System, halbstrukturierte Dokumente zu lesen: Rechnungen in hundert verschiedenen Formaten, Zahlungsavise, Bankbestätigungen, und Felder mit Confidence Scores zu extrahieren. Anders als RPA toleriert IDP Varianz. Ein neues Rechnungslayout bricht es nicht; das Modell generalisiert.

Hier verändert sich die Kreditorenbuchhaltung grundlegend. Statt dass RPA starr Rechnungen liest, die alle identisch aussehen (was sie nie tun), verarbeitet IDP die unordentliche Realität der Lieferantendokumente und übergibt saubere, strukturierte Daten an einen RPA-Bot zur Buchung. Die beiden Sprossen arbeiten zusammen: IDP für die Wahrnehmung, RPA für die Ausführung.

Sprosse 3: Machine Learning für Prognose und Matching

Hier beginnt Automatisierung, probabilistische Entscheidungen zu treffen. In der Abstimmung lernt ein ML-Modell, welche Transaktionen historisch zusammenpassten, selbst wenn Referenznummern fehlen oder Beträge um einen Rundungscent abweichen, und gleicht sie mit einem Confidence-Schwellenwert automatisch aus. Im Abschluss markieren Anomalieerkennungsmodelle Buchungen, die von historischen Mustern abweichen, bevor sie ins Hauptbuch gelangen.

Die Ökonomie verschiebt sich hier. Sprosse 3 spart nicht nur Stunden, sie verändert die *Form* der Arbeit. Abstimmung geht von „alles manuell matchen“ zu „nur die 5 % prüfen, die das Modell nicht sicher ausgleichen kann“. Das ist ein Sprung im Durchsatz, bringt aber neue Kosten: Model Governance. Jemand muss Drift überwachen, nachtrainieren und den Tradeoff zwischen False Positives und False Negatives verantworten.

Sprosse 4: agentische / generative intelligente Automatisierung

Die oberste Sprosse nutzt Large Language Models und Agenten, die unstrukturierten Kontext interpretieren, Narrative entwerfen und mehrstufige Workflows mit Reasoning orchestrieren können. Ein Close-Agent kann Abweichungsdaten lesen, den Flux-Kommentar entwerfen, die Treiber benennen und ihn zur Prüfung weiterleiten. Ein Dispute-Agent kann die E-Mail eines Kunden lesen, die relevante Rechnung und Vertragsbedingungen ziehen und eine Lösung vorschlagen.

Diese Sprosse ist mächtig und unreif. Sie halluziniert. Sie erfordert Human-in-the-Loop-Kontrollen, besonders überall dort, wo es ans Hauptbuch oder die externe Berichterstattung geht. Die richtige Haltung 2024-2025 ist, Sprosse 4 auf *Draft-and-Review*-Aufgaben einzusetzen (Kommentierung, Erstanalyse, Erklärung von Exceptions), niemals auf unbeaufsichtigtes Buchen von Finanzdaten.

Die Sequenzierungslogik: wo ein CFO anfängt und warum

Der Instinkt sagt, man solle oben auf der Leiter beginnen, weil das am beeindruckendsten ist. Das ist genau falsch. Die richtige Reihenfolge ergibt sich aus drei Fragen, in dieser Reihenfolge angewendet.

Erstens: Lohnt sich der Prozess überhaupt zur Automatisierung?

Vor jeder Technologieentscheidung gilt die Disziplin eliminieren, vereinfachen, standardisieren, automatisieren. Einen Prozess zu automatisieren, den man hätte abschaffen sollen, lässt Verschwendung nur schneller laufen. Wenn drei Freigabeschritte existieren wegen einer Kontrolle für ein Risiko, das es nicht mehr gibt, streichen Sie sie. Wenn vier Regionalteams dasselbe Konto auf vier verschiedene Arten abstimmen, standardisieren Sie *zuerst*. Die inaktiven Bots des Konsumgüterkonzerns automatisierten oft Prozessvarianten, die man zu einer hätte standardisieren sollen.

Die Regel: Automatisieren Sie nie einen Prozess, den Sie nicht bereit wären, für 18 Monate einzufrieren. Ändert ererDas Verhältnis von Interaktionen (Likes, Kommentare, Shares) zur Reichweite eines Inhalts. Zeigt, wie stark die Zielgruppe reagiert, gemessen an der Zahl der Personen, die den Inhalt gesehen haben.Vollständige Definition ansehen → sich weiter, bricht RPA und der ROIROIReturn on Investment: das Verhältnis von Nettogewinn zu den Kosten einer Investition. Ein ROI von 300 % bedeutet, dass jeder investierte Dollar 3 Dollar zurückbringt.Vollständige Definition ansehen → verdampft in der Wartung.

Zweitens: Wie sieht die Payback-Kurve aus, nicht nur die Payback-Zahl?

Ordnen Sie jeden Kandidaten auf zwei Achsen ein: Volumen/Frequenz und Prozessstabilität. Aufgaben mit hohem Volumen und hoher Stabilität sind Sprosse-1-Gold: schneller, günstiger, dauerhafter Payback. Hochvolumige Aufgaben mit variablem Input (Rechnungserfassung in der Kreditorenbuchhaltung) brauchen Sprosse 2. Urteilsintensive, musterreiche Aufgaben (Abstimmungs-Matching, Anomalieerkennung) brauchen Sprosse 3.

Entscheidend: Modellieren Sie die Total Cost of Ownership, nicht die Build-Kosten. Eine nützliche Disziplin: Nehmen Sie an, dass die Wartung 15-30 % der initialen Build-Kosten *pro Jahr* ausmacht. Ein Bot, der 80.000 $ an Personalkosten spart, aber 25.000 $ jährlich in der Wartung kostet, hat einen ganz anderen NPVNPVDer Net Present Value ist die Summe der künftigen Cash Flows einer Investition, auf heute diskontiert, minus der Anfangsauszahlung. Ein positiver NPV zeigt Wertschöpfung an.Vollständige Definition ansehen → als der Business Case, der die Wartung ignoriert hat. Diese eine Anpassung hätte die meisten inaktiven Roboter aufgedeckt, bevor sie gebaut wurden.

Drittens: Haben Sie das Operating Model, um es zu tragen?

Hier investieren CFOs konsequent zu wenig. Automatisierung ist kein Projekt, sie ist eine Fähigkeit. Sie brauchen:

• Eine Pipeline und ein Priorisierungsgremium, das Kandidaten nach NPV und strategischem Wert ordnet, damit Sie nicht automatisieren, was am lautesten ist.
• Ein Center of Excellence (und sei es klein), das Build-Standards, wiederverwendbare Komponenten und vor allem die Wartung verantwortet.
• Ein „Bot-Custodian“-Modell, bei dem jede Automatisierung einen namentlich benannten fachlichen Owner hat, der für Verfügbarkeit und fortbestehende Relevanz verantwortlich ist.

Ohne das entsteht Wildwuchs: Hunderte herrenlose Bots, niemand verantwortlich, und eine Wartungslast, die still die Einsparungen übersteigt. Das Scoreboard sollte nicht nur gebaute Bots erfassen, sondern abgeschaltete Bots, Exception-Raten und netto tatsächlich umgewidmete FTE-Stunden, nicht theoretisch eingesparte.

Das Sequenzierungsmuster, das funktioniert

In der Praxis folgen die renditestärksten Programme einem konsistenten Bogen über Abschluss, Kreditorenbuchhaltung und Abstimmungen hinweg:

1. Prozess standardisieren und konsolidieren (noch keine Technologie).
2. Sprosse-1-RPA ausrollen auf dem stabilen, strukturierten Kern, um schnelle, glaubwürdige Erfolge zu verbuchen und das Programm zu finanzieren.
3. Sprosse-2-IDP ergänzen, wo Input-Varianz der Engpass ist (Kreditorenbuchhaltung ist das klassische erste Ziel).
4. Sprosse-3-ML auflegen auf das urteilsintensive Volumen, Abstimmungs-Matching, Anomalieerkennung im Abschluss, sobald Sie saubere Daten und eine Governance-Funktion haben.
5. Sprosse-4-Agenten pilotieren auf Draft-and-Review-Aufgaben, eng abgegrenzt, mit Menschen, die jede Entscheidung verantworten, die das Hauptbuch berührt.

Jeder Schritt finanziert den nächsten. Die schnellen RPA-Erfolge kaufen politisches Kapital und Budget für die schwierigere, wertvollere ML- und Agentenarbeit. Überspringen Sie die unteren Sprossen, haben Sie keinen Track Record, wenn Sie beim Board um das Teure bitten.

Anwendung: Abschluss, Kreditorenbuchhaltung und Abstimmungen am Montagmorgen

Frameworks sind nutzlos ohne einen konkreten ersten Schritt. So bildet sich die Leiter auf die drei Arbeitspferde im Finanzbereich ab, und was jeweils zuerst zu tun ist.

Der Finanzabschluss

Der Abschluss ist eine Kette von Abhängigkeiten, was es verlockend macht, ihn durchgängig zu automatisieren, und gefährlich, das zu tun. Fangen Sie eng an. Sprosse 1 automatisiert das Mechanische: Summen- und Saldenlisten ziehen, wiederkehrende Standardbuchungen ausführen, Konsolidierungsvorlagen aktualisieren. Sprosse 3 bringt den Hebel: Anomalieerkennung, die ungewöhnliche Buchungen markiert, *bevor* sie eine Korrektur erfordern, und kontinuierliche Abstimmung, die Arbeit vollständig aus dem Abschlussfenster verlagert (hier sitzt das Konzept des „Continuous Close“). Sprosse 4 entwirft den Flux-Kommentar aus den Abweichungsdaten, den ein Controller prüft und freigibt.

Schritt für Montagmorgen: Identifizieren Sie die drei Aufgaben in Ihrem Abschluss, die (a) in jeder Periode identisch wiederkehren und (b) auf dem kritischen Pfad liegen. Automatisieren Sie diese zuerst mit RPA. Sie verkürzen die Timeline und belegen das Konzept.

Kreditorenbuchhaltung

Die Kreditorenbuchhaltung ist der zuverlässigste Ort, um sprossenübergreifenden Wert zu zeigen, weil sie alle vier umfasst. IDP (Sprosse 2) erfasst Rechnungsdaten unabhängig vom Format. RPA (Sprosse 1) bucht freigegebene Rechnungen und führt Zahlläufe aus. ML (Sprosse 3) prognostiziert die Kontierung anhand der Historie und markiert doppelte oder betrügerische Rechnungen. Agenten (Sprosse 4) bearbeiten Lieferantenanfragen und Korrespondenz zu Exceptions.

Schritt für Montagmorgen: Messen Sie Ihre Straight-Through-Processing-Rate, den Anteil der Rechnungen, die von Eingang bis Zahlung ohne jede menschliche Berührung durchlaufen. Diese eine Kennzahl sagt Ihnen, wo Sie auf der Leiter stehen und wohin die nächste Investition geht. Eine erstklassige AP-Funktion erreicht über 80 % STP. Liegen Sie bei 30 %, ist der Engpass fast sicher die Rechnungserfassung (Sprosse 2), nicht die Buchung (Sprosse 1).

Abstimmungen

Abstimmungen sind der reinste ML-Anwendungsfall im Finanzbereich. Die Arbeit ist hochvolumig, musterreich und urteilsintensiv, also genau so, wie es starres RPA bestraft und lernende Modelle belohnt. Sprosse 3 matcht Transaktionen innerhalb eines Confidence-Schwellenwerts automatisch und leitet nur echte Exceptions an Menschen weiter.

Schritt für Montagmorgen: Ziehen Sie Ihr Inventar der Kontenabstimmungen und segmentieren Sie nach Matching-Komplexität. Die hochvolumigen Konten mit geringer Komplexität (Bankabstimmungen, Kreditkartenabstimmungen) sind heute ML-reif und liefern oft den schnellsten Sprung bei umgewidmeten Analystenstunden. Fangen Sie nicht mit den sperrigen, volumenschwachen, urteilsintensiven Konten an, der ROI ist nicht da und das Modell hat nicht genug Daten zum Lernen.

Die Governance-Ebene

Über alle drei hinweg gilt eine nicht verhandelbare Disziplin: Jede Automatisierung, die das Hauptbuch berührt, braucht eine dokumentierte Kontrolle, die die Automatisierung selbst nicht umgehen kann. Prüfer werden fragen, wer den Bot verantwortet, wie Exceptions behandelt werden und woher Sie wissen, dass das ML-Modell noch treffsicher ist. Bauen Sie diese Nachweiskette ab Tag eins auf. Kontrollen nachträglich auf ein wucherndes Bot-Portfolio zu setzen, ist weit teurer, als sie von Anfang an mitzudenken, und es entscheidet darüber, ob ein Automatisierungsprogramm skaliert oder von Risk und Audit eingefroren wird.

Key Takeaways

1. Automatisieren Sie den Prozess, nicht das Chaos. Eliminieren, vereinfachen, standardisieren *bevor* Sie automatisieren. Automatisieren Sie nie einen Prozess, den Sie nicht 18 Monate einfrieren würden, Instabilität ist der Grund, warum Bots inaktiv werden.

1. Steigen Sie die Leiter hoch, springen Sie nicht nach oben. Verbuchen Sie schnelle RPA-Erfolge bei stabilen, strukturierten Aufgaben, um das Programm zu finanzieren, ergänzen Sie IDP, wo Input-Varianz der Engpass ist, und legen Sie dann ML auf das urteilsintensive Volumen. Frühe Erfolge kaufen die Glaubwürdigkeit und das Budget für die teure agentische Arbeit später.

1. Modellieren Sie Total Cost of Ownership, nicht Build-Kosten. Rechnen Sie mit 15-30 % der Build-Kosten an jährlicher Wartung. Diese eine Anpassung zeigt, welche „Quick Wins“ tatsächlich Wert vernichten und welche Investition verdienen.

1. Behandeln Sie Automatisierung als Fähigkeit, nicht als Projekt. Richten Sie ein Priorisierungsgremium, ein Center of Excellence und benannte Bot-Custodians ein. Verfolgen Sie *abgeschaltete* Bots und netto *tatsächlich* umgewidmete FTE-Stunden, nicht nur gebaute Bots.

1. Messen Sie jeden Prozess mit der richtigen Kennzahl. Straight-Through-Processing-Rate für AP, Anzahl der Aufgaben auf dem kritischen Pfad für den Abschluss, Segmentierung nach Matching-Komplexität für Abstimmungen. Die Kennzahl sagt Ihnen, auf welcher Sprosse Sie stehen und wohin der nächste Euro geht.