Über die gesparten Stunden hinaus: Die Geschäftsargumentation für agentische Automatisierung aufbauen

Agentische Automatisierung – Software, die nachdenkt und sich an komplexe Aufgaben anpasst – taucht in den Roadmaps des AI Center of Excellence auf. Doch die übliche Art, wie Unternehmen Investitionen in Automatisierung rechtfertigen – Stunden eingesparte Arbeitszeit minus Baukosten – wurde für regelbasierte Tools wie Robotic Process Automation (RPA) entwickelt. Dieses Modell ignoriert den größten Teil des Werts, den Agenten erzeugen.

In diesem Beitrag präsentieren wir ein Framework, das AI CoE-Führer verwenden können, um einen Geschäftsplan zu erstellen, der den gesamten Wert der agentischen Automatisierung berücksichtigt. Sie erfahren, warum das ROI-Modell der RPA-Ära unzureichend ist, wie man den vermiedenen Wert messen kann und welche Workflows es wert sind, mit Agenten automatisiert zu werden.

Warum der traditionelle Geschäftsfall nicht ausreicht

Das klassische ROI-Modell wurde für stabile, hohe-Volumen-, regelbasierte Arbeit entwickelt: Zählen Sie die Transaktionen, messen Sie die Minuten, multiplizieren Sie mit einer belasteten Rate und subtrahieren Sie den Baukostenaufwand. RPA hat sich auf diese Bedingungen gestellt.

Das Modell setzt voraus, dass die Welt so ist, für die es entwickelt wurde. Es geht davon aus, dass Prozesse stabil sind, weshalb die Kosten der Automatisierung bei Veränderungen ignoriert werden. Es wird angenommen, dass Aufgaben nach Regeln ablaufen, daher gibt es keine Einträge für Ausnahmen. Es wird vermutet, dass die Arbeit das gesamte Projekt ist, weshalb die Kosten für menschliche Überwachung nie berücksichtigt werden. Zudem wird eine gesparte Stunde als eingesparter Wert betrachtet, während die freiwerdende Kapazität oft mit Unklarheiten aufgefüllt wird und nie den Gewinn-und-Verlustbericht erreicht. Die Unterfinanzierung der Arbeit, die die gesparten Stunden in Ergebnisse verwandelt, ist der Fehler, den McKinsey sagt, dass Unternehmen immer wieder machen: erfolgreiche AI-Transformationen folgen einem „1:3:5-Muster“, bei dem „für jeden Dollar, der in agentische Technologie investiert wird, Organisationen drei Dollar für Prozessumgestaltung und fünf Dollar für die Entwicklung und Einführung von Kapazitäten ausgeben. Allerdings umgehen die meisten Unternehmen dieses Muster völlig“ (McKinsey, „Agentic AI change management: Closing the adoption gap“, 2026).

Wir gehen davon aus, dass der Wert der Automatisierung im Aufgabeneinsatz liegt, aber bei agentischer Automatisierung liegt der Großteil davon im Umfeld der Aufgabe: die Entscheidungen, die Ausnahmen und die Koordination zwischen den Systemen. Die echten Vorteile entstehen durch die Neugestaltung des Arbeitsablaufs rund um die Agenten, nicht durch das Einfügen eines Agents in einen unveränderten Prozess.

Die Maße des alten Modells, die der Wert nicht erfüllt

Ein besserer Geschäftsfall misst vier Wertebereiche sowie die Bedingung, die bestimmt, ob sie den P&L erreichen. Wir nennen es das Agentische Wertmodell.

Zeitersparnis. Das zählt weiterhin, aber die Agenten erweitern den Bereich auf Arbeiten, die von festen Regeln abhängiges RPA schlecht bewältigt oder nur durch umfangreiche Ausnahmelogik bearbeitet werden. Die Messung bleibt dieselbe. Die Agenten setzen sie auf eine größere Basis an Arbeit an.

Anwendung von Ausnahmen. Ausnahmen verursachen einen großen Teil der Kosten. Die Leitlinien von AWS geben Planungsbereiche an: die Korrektur eines Fehlers kann 1,5–4 Mal so viel kosten wie der ursprüngliche Vorgang, und menschliches Versagen kann 2–15 Prozent der Betriebskosten ausmachen (AWS Prescriptive Guidance, „Assessing your current human-process costs“). Der Multiplikator für Nacharbeit preist die Ausnahmen, die Ihr Team erkennt. Der Fehlerprozentsatz preist diejenigen, die durchgehen. Fälle, bei denen nur Arbeitskosten anfallen, werden beide ignoriert.

Entscheidungsqualität. Agenten können auf großer Skala eine gemeinsame Politik mit vermerktem Grund verwenden, obwohl Konstanz und Fehlerquoten kontinuierlich gemessen werden müssen. Wie AWS betont, „könnten Entscheidungen mit niedrigem Volumen und hohem Wert die agentische Unterstützung rechtfertigen, um die Entscheidungsqualität zu verbessern, anstatt Kosten zu reduzieren“ (AWS Prescriptive Guidance, „Understanding agentic AI economics“). Eine einzige bessere Entscheidung in Bereichen wie Kredit, Preisgestaltung oder Risiko kann mehr als ein Jahr gesparter Minuten ausmachen.

Ändern Sie die Resilienz und die Wirtschaftlichkeit der Wartung. Das gilt in beide Richtungen. Skripte sind zerbrechlich: Wenn ein Bildschirm oder ein Upstream-System sich ändert, brechen sie zusammen und jemand muss sie neu bauen. Agenten absorbieren eine gewisse Variabilität ohne Neuerstellung, aber sie verlagern die Wartung auf Bewertungen, Anweisungen, Überwachung und Modelloperationen anstatt sie zu beseitigen, und deren Betrieb hat seinen eigenen Kostenaufwand. Im Falle von vermiedener Wartung durch zerbrechliche Skripte gegen den laufenden Betriebskosten der Agenten fällt die Mathematik in Prozessen, die häufig ändern, zugunsten der Agenten aus, und in gefrorenen Prozessen könnte das nicht der Fall sein.

Die Bedingung, die alle vier betrifft, ist die Realisierung von Wert: Jeder Vorteil erfordert eine definierte Mechanismen, die eine operative Verbesserung in wirtschaftlichen Wert umwandeln, sowie einen verantwortlichen Eigentümer. Für freigegebene Arbeitskraft bedeutet das, die Ausgaben zu reduzieren oder die Kapazität auf ein bestimmtes, messbares Ergebnis umzulenken.

Betrachten wir einen Prozess zur Trennung von Anfragen, mit exemplarischen Diagrammen. Er bearbeitet 200.000 Anfragen pro Jahr – bei etwa 12 Minuten pro Anfrage (vor Umschlagen) und einem Kostenpreis von 45 Dollar pro Stunde, wenn alles inklusive ist. Die Grundkosten betragen etwa 1,8 Millionen Dollar. Wenn 70 Prozent der Routinearbeit automatisiert wird, entstehen etwa 28.000 Stunden oder etwa 1,26 Millionen Dollar an Kapazität, die noch benötigt werden müssen, bevor die Überwachungszeiten für die Anfragen eintreten. Das ist der Punkt, an dem die meisten Fälle schiefgehen, denn die Freisetzung von Stunden bedeutet nicht dasselbe wie die Einsparung von Geld. Die Firma gibt nur weniger aus, wenn sie weniger Mitarbeiter einstellt oder die Ausgaben für Auftragnehmer, Überstunden oder Outsourcing reduziert. Andernfalls bleiben dieselben Personen auf der Lohnliste, und der P&L erhält nie die 1,26 Millionen Dollar. Wenn Abwanderung und geringere Überstunden die Hälfte davon ausmachen, sollte der Fall etwa 630.000 Dollar betragen, nicht die gesamte Summe.

Die Wiederverwendung der Mitarbeiter ist das häufigere Ergebnis – und das Wertversprechen ist dann das, was sie jetzt erzeugen. Für jede freigegebene Stunde zählt nur der Wert, den sie erzielen, oder die Reduzierung des Geldkostenverlusts, nicht beides zusammen. Dann fügt man noch hinzu, was der Fall mit nur Arbeitnehmern nicht erkennen kann. Von den 8 Prozent, die korrigiert werden müssen (16.000 Anträge), entspricht eine Korrekturkosten von 3,5-mal den etwa $9 Verarbeitungskosten (12 Minuten bei $45 pro Stunde) einem jährlichen Korrektionsrisiko von etwa $504.000. Das ist eine Grundlage – kein agentischer Wert. Der Wert ist der Anteil, den der Agent entfernt: eine Reduzierung von 40 Prozent, angepasst an einen Realisierungsfaktor von 75 Prozent, ergibt ein modelliertes Nutzen von fast $151.000. Das ist noch vor dem Preisen einer einzelnen verbesserten Entscheidung bezüglich des Betrugsmerkurs. Da die 12-minütige Basis den Wiederarbeit nicht einschließt, überschneidet sich dieses Pool nicht mit der freigegebenen Kapazität. Wenn Ihre Grundlage Wiederarbeitzeit enthält, zählen Sie diese Einsparungen nur in einem Pool. Diese Version des Falles liefert eine Zahl, die das Finanzwesen verteidigen kann.

Um die Mathematik konsistent zu halten, muss jeder Wertpool auf dieselbe Weise dimensioniert werden und die Kosten werden wie in der folgenden Tabelle zusammengefasst.

Erben Sie das gesamte Ergebnis in einer Zeile und weisen jedes Vorteil zu einem Pool, damit eine doppelte Zählung nicht entsteht: Nettojährliche Wertschätzung = realisierter Kapazitätswert + vermiedene Korrekturen und Fehlerkosten + Ergebnisverbesserung durch Entscheidungen + vermiedene Wartungs- und Stillstandskosten, abzüglich der jährlich gebuchten Umsetzungskosten, abzüglich des Betriebszeitraums des Agenten, Integration, Evaluation, Überwachung, Governance und Veränderungsmanagementkosten, abzglich von Verlusten durch neue Fehler, die der Agent verursacht. Die Fehler, die der Agent nicht beseitigt hat, liegen außerhalb des Begriffs „vermiedener Kosten“, daher sollten sie nicht erneut abgezogen werden. Für ein mehrjähriges Programm sollte der Implementierungskosten im Jahr, in dem das Programm ausgeführt wird, berücksichtigt werden, anstatt sie jährlich zu berechnen. Die Vorteile sollten mit zunehmender Adoption zunehmen, und die jährlichen Cashflows sollten auf den Netto-Wert der Gegenwart (NPV) umgerechnet werden.

Drei frühe Einsätze von Amazon Quick Automate, dem Automatisierungsdienst innerhalb von Amazon Quick, zeigen die Leistungen des Systems. Kitsa, ein Unternehmen für die Auswahl von Standorten in klinischen Studien, hat die Automatisierung von mehr als 50 Datenpunkten auf Hunderttausenden von Webseiten durchgeführt. Es wurde eine Kosteneinsparung von 91 Prozent und eine beschleunigte Datenerfassung von 96 Prozent erreicht, wobei bei einer Abdeckung von 96 Prozent die weniger zuverlässigen Fälle an Revisoren weitergeleitet wurden (Zeitersparnis und Ausnahmenspeicherung). Wie Rohit Banga, Co-Gründer und CTO von Kitsa, in einem Beitrag auf dem AWS Machine Learning Blog erwähnte, hat die Integration hochwertiger Standortdaten in großem Maßstab einen Kern-Engpass überwunden. Dadurch kann das Site Finder Agent mehr Standorte mit höherer Präzision untersuchen.

dLocal, ein Anbieter für grenzüberschreitende Zahlungen, hat bis zu 75 Prozent der Compliance-Überprüfungen von Händlern in kontrollierten Tests automatisiert. Dadurch wurden Spezialisten frei für komplexe, hohe-Risiko-Fälle (Entscheidungsqualität), und es entstanden kontinuierliche Überprüfungen auf Verlusten in der Richtlinienumsetzung, die durch periodische manuelle Überprüfungen nicht erfasst werden könnten (Resilienz gegenüber Veränderungen). dLocal berichtet, dass Spezialisten, die früher Stunden für Routineüberprüfungen verbrachten, jetzt diese Zeit für Fälle benutzen, die eine regulatorische Entscheidung erfordern.

Und Genpact, automatisiert Risiken im Lieferkettenprozess in mehreren SAP-Systemen, berichtet, dass die Analyse des Auswirkungen auf die Störungen von 2–3 Tagen auf Minuten reduziert wird. Das ist die Art von Systemkollaboration, die kein einzelnes System allein verwalten kann (Zeiteinsparung und Entscheidungsqualität). Keine dieser Implementierungen beweist die Erfüllung aller vier Pool-Bedingungen, weshalb jeder Pool separat angepasst werden muss.

Ein Framework für die Priorisierung

Bewerten Sie den Arbeitsablauf jedes Kandidaten auf zwei Achsen. Die erste Achse ist die Aufgabengefährlichkeit – wie viel Rechenarbeit, Kontext und Anpassung erfordert. Die zweite Achse ist das Entscheidungsrisiko, der Preis für einen Fehler, der bestimmt, wie viel Autonomie man verleihen kann. Beide Achsen stammen aus den wirtschaftlichen Richtlinien von AWS, und zusammen bilden sie eine 2x2-Matrix, die ein Leitkomitee nutzen kann.

Niedrige Komplexität, niedriges Risiko: Behalte es bei RPA, da Agenten hier nur Kosten verursachen, ohne Wert zu schaffen. Hohe Komplexität, niedriges Risiko ist das Kapazitätsspiel – automatisiere also für Durchsatz und Abfassung von Ausnahmen. Hohe Komplexität, hohes Risiko ist das Entscheidungsqualitätsspiel – behalte einen Menschen im Prozess und begründe die besseren Entscheidungen. Niedrige Komplexität, hohes Risiko ist das Schutzsystemspiel – verstärke die Kontrollen rund um den Prozess, anstatt unnötige Logik hinzuzufügen.

Eine nützliche Abkürzung: Wenn eine Person zwischen Systemen wechselt und jedem Schritt den unklaren Kontext interpretiert, sollte man einen agentischen Ansatz bewerten. Wenn der Weg deterministisch bleibt, kann RPA dennoch kostengünstiger sein. Verwenden Sie das Agentische Wertmodell, um zu entscheiden, was gemessen werden soll, und diese Matrix, um zu bestimmen, was priorisiert werden soll.

Abbildung 1: Matrix zur Priorisierung agentischer Automatisierung, mit Achsen, die aus den AWS Prescriptive Guidance-Guidelines übernommen wurden und illustrative Klassifizierungen enthalten.

Erstellung des Argumentes für Führungskraft

Präsentieren Sie die Investition als Portfolio von Arbeitsprozessen, nicht als einzelnes Projekt. McKinseys Forschung zeigt, warum isolierte Pilotprojekte scheitern: Fast zwei Drittel der Unternehmen haben mit Agenten experimentiert, aber weniger als 10 Prozent haben diese auf einen messbaren Wert ausgebaut (McKinsey, „Scaling agentic AI with data transformations“, 2026). Der Wert entsteht durch die Definition der Ergebnisse, das tiefe Einfügen von Agenten in die Kern-Arbeitsprozesse und die Neugestaltung der Betriebsmodelle um diese herum. Bringen Sie Führung drei bis fünf priorisierten Bereiche mit jeweils einem vierdimensionellen Fall zusammen.

Das einzige Mittel, um einen skeptischen CFO zu überzeugen, ist eine Stoppregelung: Die Investitionen sollten mit klaren Break-Even-Zielen und vorgegebenen Punkten gestartet werden, um Finanzierungsagenten, die nicht performant sind, zu stoppen. Jeder Bereich sollte an ein wichtiges Leistungsindikator (KPI) gekoppelt werden, das die Führung bereits überwacht – sei es Kosten pro Service, Zykluszeit, Net Promoter Score oder Compliance-Risiken. Und betrachte die Governance als eine Möglichkeit, schneller voranzukommen: begrenzte Autonomie, Überwachung bei hohem Risiko sowie Auditierbarkeit durch Design ermöglichen es Ihnen, die Autonomie der Agenten zu erweitern, während die Beweise entstehen.

Erste Schritte mit Amazon Quick

Amazon Quick bringt Forschung, Geschäftsintelligenz und Automatisierung in eine einzige agentische Erfahrung. Mit Quick Automate, seinem Automatisierungsdienst, orchestrieren Teams UI-Aktionen, API-Anfragen und menschliche Überprüfungen in den Unternehmensabläufen. Dadurch entstehen Fallseitige Ausführungsdaten, die ein CoE mit operativen und finanziellen KPIs kombiniert kann, um den realisierten Wert zu messen.

Diese Messung macht ein erstes Projekt zu einem Portfolio. Nachdem man die vier Wertpools gesucht hat, findet man sie überall dort, wo eine Person zwischen Systemen wechselt, den Kontext interpretiert und Ausnahmen manuell klärt. Man setzt einen Workflow in Produktion, misst seine Wertpools und Betriebskosten, nennt einen Eigentümer und beweist die Zahl. Danach erhöht sich das Portfolio, da jeder neue Workflow Ergebnisse meldet.

Schlussfolgerung

Die Frage ist, wo die agentische Automatisierung einen Wert erbringt, den Ihre bestehenden Tools nicht können, und wie man dies beweisen kann, bevor Geld ausgegeben wird. Die Disziplin, die in diesem Artikel beschrieben wird – das Maßnehmen jedes Wertpools, die Anwendung realistischer Realisierungsfaktoren und die Festlegung von Stoppschlüssen – macht dieses Beweisen glaubwürdig. Teams, die den Wert in einem bestimmten Workflow beweisen können, können das nächste Projekt aus gemessenen Ergebnissen statt aus Projektionen finanzieren. Für die zugrunde liegenden Wirtschaftsaspekte ist ein guter Ausgangspunkt die AWS Prescriptive Guidance on agentic AI economics.

Über die Autoren