Quelle der Preisangaben: Make, Zapier, n8n — abgerufen am 22. August 2026; die Zapier-Tarifstufen sowie die Make- und n8n-Einstiegspreise am 24. August 2026 gegengeprüft. Anbieterpreise ändern sich; die Beträge stehen in der Währung des Anbieters. Die Zahl der Zapier-Integrationen ist derselben Seite entnommen (dort wörtlich «No-code automation across 9,000+ apps», abgerufen am 24. August 2026). Die Task-Kosten einzelner Schrittarten stehen auf der Tarifseite für Task-Verbrauch, ebenfalls am 24. August 2026 abgerufen: 0 Tasks für die eingebauten Werkzeuge, «1 task per step» für einen Standardschritt, 1, 3 oder 5 Tasks je KI-Schritt nach Modellklasse. Dass der Auslöser selbst keinen Task verbraucht, steht nicht auf dieser Tarifseite — sie führt Auslöser- und Aktionsschritte gemeinsam unter «Standard step» —, sondern im Hilfeartikel «How is task usage measured in Zapier?», dort wörtlich «Zap triggers never use tasks»; abgerufen am 24. August 2026.Künstliche Intelligenz verändert die Arbeitswelt fundamental. Nicht durch spektakuläre Roboter, sondern durch intelligente Automatisierung alltäglicher Geschäftsprozesse. AI Automation ist die Schnittstelle zwischen Künstlicher Intelligenz und Prozessoptimierung — eine Technologie, mit der sich Schweizer und deutschsprachige Unternehmen heute auseinandersetzen sollten. Dieser vollständige Guide zeigt Ihnen, wie AI Automation funktioniert, welchen Nutzen sie bringt und wie Sie diese Technologie in Ihrem Unternehmen implementieren.
Was ist AI Automation? — Definition und Abgrenzung
Kern-Konzept: Künstliche Intelligenz trifft Prozessoptimierung
AI Automation kombiniert maschinelles Lernen, natürlichsprachige Verarbeitung und intelligente Automatisierung, um Geschäftsprozesse nicht nur zu automatisieren, sondern sie adaptiv und selbstlernend zu gestalten. Im Gegensatz zu traditionellen Automatisierungslösungen, die nach starren Regeln funktionieren, kann AI Automation Entscheidungen treffen, Muster erkennen und sich an neue Situationen anpassen.
Die Kern-Technologie hinter AI Automation besteht aus drei Komponenten. Machine Learning ermöglicht es Systemen, aus Daten zu lernen und Vorhersagen zu treffen. Natural Language Processing (NLP) erlaubt es, menschliche Sprache zu verstehen und zu verarbeiten — wesentlich für Kundenservice und Dokumentenanalyse. Robotic Process Automation (RPA) automatisiert manuelle, regelbasierte Aufgaben, während KI-Integration diese Prozesse intelligent steuert und optimiert.
Für KMU im DACH-Raum bedeutet AI Automation konkret: Weniger manuelle Datenverarbeitung, intelligentere Kundeninteraktionen und Geschäftsentscheidungen basierend auf datengetriebenen Einsichten. Ein mittelständisches Unternehmen kann mit AI Automation beispielsweise E-Mails automatisch sortieren, Kundenanfragen intelligent an die richtige Person weiterleiten und gleichzeitig Muster in den Anfragen erkennen, um Prozesse zu verbessern.
AI Automation vs. traditionelle Automatisierung — Die Unterschiede
Die Unterschiede zwischen AI Automation und traditioneller Automatisierung sind fundamental und entscheidend für Ihre Investitionsstrategie. Traditionelle Automatisierung funktioniert nach dem If-Then-Prinzip: Wenn Bedingung X eintritt, dann führe Aktion Y aus. Sie ist effizient, aber starr. Ein RPA-System kann beispielsweise eine Rechnung automatisch in die Buchhaltung eingeben, wenn es ein PDF in einen bestimmten Ordner findet — aber es kann nicht verstehen, ob die Rechnung korrekt ist oder ob der Betrag ungewöhnlich hoch ist.
AI Automation geht weiter. Sie versteht Kontext, erkennt Anomalien und trifft intelligente Entscheidungen basierend auf historischen Daten und erlernten Mustern. Dasselbe Rechnungsbeispiel: Ein AI-Automation-System kann Rechnungen nicht nur verarbeiten, sondern auch prüfen, ob der Betrag im erwarteten Rahmen liegt, die Rechnung einem Projekt zuordnen und sogar Zahlungsbedingungen optimieren. Sie merkt sich Lieferantenmuster und warnt proaktiv vor Abweichungen.
Das hat drei konkrete Auswirkungen: Erstens deckt AI Automation mehr Varianten desselben Ablaufs ab, ohne dass für jede eine neue Regel geschrieben werden muss. Zweitens kann sie Fälle abfangen, an denen eine starre Regel scheitert — ob daraus unter dem Strich weniger Fehler werden, entscheidet die Qualität der Trainingsdaten und die Kontrolle der Ausnahmen. Drittens ermöglicht AI Automation Mitarbeiterinnen und Mitarbeitern, sich auf wertschöpfendere Aufgaben zu konzentrieren, während Routinen weitgehend automatisiert ablaufen.
Warum AI Automation für KMU strategisch relevant ist
Der Fachkräftemangel ist in der Schweiz, Deutschland und Österreich ein Kernproblem. Allein im öffentlichen Sektor der Schweiz dürften im Jahr 2030 über 130'000 Stellen unbesetzt sein, davon über 30'000 in den öffentlichen Verwaltungen — dort entspricht das laut der Studie einem Viertel des benötigten Personals (PwC Schweiz, Medienmitteilung vom 9. Oktober 2023, abgerufen am 24. August 2026). Eine vergleichbare Zahl über alle Branchen enthält diese Erhebung nicht; wir nennen deshalb keine. AI Automation adressiert dieses Problem direkt: Statt neue Mitarbeitende zu suchen, die oft nicht verfügbar sind oder zu hohen Lohnkosten führen, können KMU die vorhandene Arbeitszeit durch Automatisierung besser auf die Aufgaben lenken, für die sie gebraucht wird.
Zweitens schaffen KMU durch frühe AI-Adoption konkrete Wettbewerbsvorteile. Ein handwerklicher Betrieb, der Anfragen durch AI Automation sofort beantwortet und Angebote in Minuten statt Tagen erstellt, ist bei einer Anfrage früher am Ball als ein langsamerer Mitbewerber. Ein Finanzdienstleister, der Risikoanalysen KI-gestützt aufbereitet, hat für die Kreditentscheidung eine breitere Grundlage — die Entscheidung selbst bleibt bei einem Menschen.
Drittens verschiebt AI Automation das Verhältnis von Lohnkosten und Leistung. Eine Agentur kann Aufträge annehmen, für die sie sonst zusätzliches Personal einstellen müsste — ohne die Kosten und die Komplexität einer Vergrösserung. Wie weit diese Kapazitätsreserve reicht, entscheidet der Anteil regelbasierter Arbeit am Gesamtaufwand; eine allgemeine Faustregel dafür gibt es nicht.
KI-Automatisierung, AI Automation, intelligente Prozessautomatisierung — dasselbe?
Im deutschsprachigen Raum kursieren mehrere Begriffe für dieselbe Sache. Wer sie
auseinanderhalten will, braucht nur eine Unterscheidung: Meint der Begriff eine
Technologie oder ein Vorgehen?
KI-Automatisierung ist die gebräuchliche deutsche Entsprechung von AI Automation.
Beide bezeichnen dasselbe: Geschäftsprozesse, die nicht nur nach starren Wenn-dann-Regeln
ablaufen, sondern Kontext auswerten, Muster erkennen und im Rahmen definierter Grenzen
selbst entscheiden. In diesem Text werden die Begriffe synonym verwendet.
Prozessautomatisierung ist der Oberbegriff und älter als jede KI. Er umfasst auch die
regelbasierte Automatisierung ohne jedes Modell — etwa eine Weiterleitung, die jede Mail
mit «Rechnung» im Betreff in einen Ordner verschiebt. KI-Automatisierung ist die Teilmenge,
in der ein Modell mitentscheidet.
Intelligente Prozessautomatisierung (oft IPA abgekürzt) meint in der Praxis die
Verbindung beider Welten: klassische Abläufe als Gerüst, KI an den Stellen, an denen
Regeln nicht ausreichen — beim Lesen unstrukturierter Dokumente, beim Einordnen von
Anfragen, beim Formulieren von Antwortentwürfen.
Geschäftsprozessautomatisierung schliesslich betont die betriebswirtschaftliche
Perspektive: Nicht die Technik steht im Vordergrund, sondern der Prozess, der günstiger,
schneller oder verlässlicher werden soll.
Praktische Folge dieser Begriffsvielfalt: Wer intern nach «Automatisierung» fragt, bekommt
oft Antworten zur regelbasierten Variante; wer nach «KI» fragt, bekommt Antworten zu
Sprachmodellen. Die Frage, die weiterführt, lautet weder noch — sondern: *Welcher konkrete
Ablauf kostet uns heute am meisten Zeit, und an welcher Stelle darin ist eine Entscheidung
nötig, die eine Regel nicht treffen kann?*
Wie funktioniert AI Automation? — Technologischer Überblick
Machine Learning als Basis-Technologie
Machine Learning (ML) ist das Herzstück moderner AI Automation. Im Gegensatz zu klassischen Programmen, die explizit programmiert werden, lernt Machine Learning aus Daten. Trainieren Sie ein ML-Modell mit gekennzeichneten Beispielen — Rechnungen, bei denen bekannt ist, welche sich im Nachhinein als auffällig erwiesen haben —, dann leitet das Modell daraus die Merkmale ab, an denen sich ein auffälliger Fall erkennen lässt.
Für AI Automation in KMU sind drei ML-Typen relevant: Supervised Learning, bei dem das Modell aus gekennzeichneten Beispielen lernt (etwa: "Das ist eine legitime Rechnung, das ist betrügerisch"), funktioniert am besten für klare Klassifizierungsaufgaben. Unsupervised Learning erkennt Muster ohne vorherige Kennzeichnung — ideal, um Kundengruppen zu segmentieren oder Anomalien zu erkennen. Reinforcement Learning optimiert Entscheidungen iterativ basierend auf Feedback — verwendet für Chatbot-Optimierung oder dynamische Preisstrategie.
In der Praxis funktioniert es so: Sie stellen dem ML-Modell historische Daten zur Verfügung (Training). Das Modell lernt statistische Muster. Dann setzen Sie das Modell in Produktion ein (Inference), wo es automatisch neue Daten klassifiziert oder vorhersagt. Mit neuen, geprüften Trainingsdaten lässt sich das Modell nachtrainieren. Von allein wird es nicht besser: Mehr verarbeitete Daten heissen nur dann höhere Treffsicherheit, wenn jemand die Ergebnisse kontrolliert und die Korrekturen zurückspielt.
Natural Language Processing in der Praxis
Natural Language Processing (NLP) ermöglicht es Maschinen, menschliche Sprache zu verstehen, zu interpretieren und zu generieren. Das klingt einfach, ist aber technologisch extrem komplex. Wenn ein KI-gestütztes Servicesystem eine E-Mail erhält: "Ich habe eine Rechnung doppelt bezahlt — bitte erstatten Sie mir 500 CHF", muss NLP verstehen, dass es um eine Rückerstattung geht, den Betrag identifizieren und Kontext-Informationen aus dem Kundensystem abrufen.
Moderne NLP-Systeme nutzen grosse Sprachmodelle (Large Language Models, LLMs). Sie werden auf sehr grossen Textmengen trainiert; den genauen Umfang veröffentlichen die Anbieter für die aktuellen Modelle in der Regel nicht, deshalb nennen wir hier keine Zahl. Solche Modelle erfassen nicht nur einzelne Wörter, sondern auch den Satzzusammenhang und häufige Mehrdeutigkeiten — verlässlich allerdings nur so weit, wie eine Formulierung dem ähnelt, was im Training vorkam.
Für AI Automation im Unternehmen konkret: NLP ermöglicht es, E-Mails automatisch zu klassifizieren (Beschwerde vs. Anfrage vs. Spam), Verträge automatisch zu analysieren und Risiken zu markieren, die Stimmung in Kundennachrichten einzuschätzen (Zufriedenheit, Frustration, Vertrauen), Dokumente automatisch zusammenzufassen und Aktionen zu empfehlen. Ein Versicherungsunternehmen kann NLP nutzen, um Schadenmeldungen in Sekundenschnelle zu klassifizieren und weiterzuleiten.
RPA + KI Integration: Das Beste beider Welten
Robotic Process Automation (RPA) bezeichnet Software-Roboter, welche die Benutzeroberflächen von Geschäftsanwendungen so bedienen wie ein Mensch — Mausklicks, Tastatureingaben, Dateneingabe. RPA allein ist mächtig, aber begrenzt auf starre Prozesse.
Die Kombination von RPA und KI hebt genau diese Grenze auf. Ein RPA-Roboter wird dabei um ML und NLP erweitert. Der Roboter kann nicht nur Daten eingeben, sondern auch Dokumente intelligent verstehen, Entscheidungen treffen und sich an Variationen anpassen. Beispiel: Ein End-to-End-Prozess für Bestellverarbeitung. Traditionelle RPA würde: PDF aus der E-Mail auslesen → Daten eingeben → Bestellung erfassen. Fertig. Wenn das Format sich ändert, bricht das System.
Mit AI Automation: Intelligente Dokumentenerkennung extrahiert Daten auch aus unterschiedlichen PDF-Formaten. Das System erkennt automatisch, wenn Preise ungewöhnlich sind und benachrichtigt einen Mitarbeitenden. Es kategorisiert Bestellungen nach Priorität und leitet dringende Bestellungen auf schnellere Verarbeitungswege. Das ist adaptive, lernfähige Automatisierung.
Wichtigste Workflows: Von Daten bis Entscheidungen
Ein typischer AI Automation Workflow funktioniert in fünf Schritten. Erstens: Datenbeschaffung. Das System sammelt Daten aus mehreren Quellen — E-Mails, Datenbanken, APIs, Dateien. Zweitens: Datenverarbeitung und Anreicherung. Daten werden bereinigt, normalisiert und mit zusätzlichen Kontextinformationen angereichert (etwa: Kundenprofil zu einer E-Mail hinzufügen).
Drittens: Intelligente Analyse. Machine-Learning-Modelle und NLP verarbeiten die Daten, ordnen sie ein und treffen Vorhersagen. Viertens: Automatisierte Aktion. Auf Grundlage der Analyse löst das System die weiteren Schritte aus — E-Mails verschicken, Daten in Systeme eingeben, Berichte erzeugen. Fünftens: Überwachung. Das System protokolliert alle Aktionen und misst Erfolgsquoten; die Genauigkeit verbessert sich daraus nicht von selbst, sondern erst, wenn jemand die Auswertung liest und die Regeln oder das Modell nachzieht.
Ein Szenario, kein Kundenprojekt: Ein Betrieb im Facility Management setzt AI Automation für die Meldungsverarbeitung ein. Kundinnen und Kunden schreiben per E-Mail oder Chatbot: «Der Lift in Etage 3 funktioniert nicht». Der Ablauf: Mail empfangen → NLP erkennt die Problemkategorie (technische Störung) → System identifiziert das Gebäude aus der Absenderadresse → erstellt ein Ticket im Service-Management-System → sendet eine SMS an die nächste verfügbare Fachperson → dokumentiert den Vorgang. Solange eine Meldung in das eingerichtete Muster passt, läuft der Ablauf ohne Zwischenschritt von Hand; alles andere geht weiterhin an eine Person. Wie lange ein Durchlauf dauert, hängt von den angebundenen Systemen ab.
Anwendungsbereiche: Wo AI Automation Mehrwert schafft
Kundenservice und Support Automatisierung
Kundenservice ist einer der stärksten AI Automation Use Cases. Warum? Weil der Prozess repetitiv ist, aber gleichzeitig ständig variierende Fragen enthält — exakt das, wofür AI Automation optimiert ist.
Ein Kundendienst bearbeitet täglich viele gleichartige Anfragen. Darunter sind Standardfragen: "Wie setze ich mein Passwort zurück?", "Wann ist meine Bestellung angekommen?", "Wie storniere ich?". Solche Fragen lassen sich ohne Personaleinsatz beantworten; welchen Anteil sie am Aufkommen haben, zeigt eine Auswertung der eigenen Tickets aus den letzten Monaten. Ein intelligentes Chatbot-System versteht die Kundenfrage in natürlicher Sprache, sucht in der Wissensdatenbank, und antwortet sofort — rund um die Uhr und in mehreren Sprachen, solange die Frage in das eingerichtete Muster passt.
Die übrigen, komplexeren Anfragen werden durch AI Automation vorgefiltert. Das System analysiert die Anfrage, kategorisiert sie, schätzt die Komplexität ein und leitet sie an den richtigen Spezialisten weiter — zusammen mit einem zusammengefassten Kontext. Der Mensch kann sich auf echte Problembewältigung konzentrieren.
Ergebnis: Die Kosten je bearbeitete Anfrage sinken, weil der Standardanteil ohne Personaleinsatz läuft. Wie stark sie sinken, hängt vom Anteil der Standardfragen und vom heutigen Aufwand je Anfrage ab; eine allgemeine Prozentzahl dafür wäre geraten. Deutlich sichtbar ist vor allem die Antwortzeit: Standardfragen werden beantwortet, sobald sie eintreffen, statt im nächsten freien Zeitfenster. Kundenservice-Mitarbeitende bearbeiten weniger Wiederholungen und mehr anspruchsvolle Fälle.
Marketing und Content Automatisierung
Marketing ist ein weiteres grosses Feld für AI Automation. Unternehmen erstellen täglich grosse Mengen an Content — E-Mail-Kampagnen, Social Media Posts, Landing Pages, Kundenberichte.
AI Automation automatisiert hier in mehreren Schichten. Erstens: Content-Erstellung. Auf Grundlage von Vorlagen und der eigenen Markenrichtlinien kann KI Produktbeschreibungen entwerfen, Betreffzeilen testen und auswerten und Gliederungen für Blogartikel erstellen. Das verkürzt die reine Schreibzeit; wie stark, hängt vom Textvolumen und vom Anteil wiederkehrender Formate ab.
Zweitens: Personalisierung im grossen Massstab. Ein herkömmliches Marketing-System sendet dieselbe E-Mail an 10'000 Menschen. AI Automation analysiert individuelle Kundendaten — bisherige Käufe, Verhalten auf der Website, frühere Reaktionen — und personalisiert Content automatisch. Jede E-Mail wird dynamisch angepasst: unterschiedliche Betreffzeilen, unterschiedliche Produktempfehlungen, unterschiedliche Handlungsaufforderungen.
Drittens: Kampagnen-Optimierung. AI Automation testet automatisch verschiedene Varianten (A/B-Tests) und skaliert die bessere Variante automatisch. Es verschiebt Versandzeiten, um höhere Öffnungsraten zu erreichen, und pausiert automatisch schwach laufende Kampagnen.
Resultat: eine bessere Trefferquote bei gleichem Versandvolumen — beziffern lässt sie sich nur im eigenen A/B-Test, nicht über eine allgemeine Kennzahl. Marketing-Teams wenden weniger Zeit für Routinearbeit auf und mehr für die Entwicklung der Kampagnen.
Finanzprozesse und Controlling
Im Finanzbereich lässt sich der Nutzen von AI Automation am direktesten in Franken ausdrücken — die ROI-Rechnung ist hier am wenigsten spekulativ. Finanzprozesse sind hochgradig strukturiert, regelbasiert und voluminös — perfekt für Automatisierung.
Konkrete Anwendungen: Rechnungsverarbeitung (Vendor Invoice Processing). Traditionell: Die Rechnung geht ein, jemand tippt die Daten ins ERP, eine vorgesetzte Person prüft und bucht. Mit AI Automation: Rechnung geht ein → eine OCR-Erkennung liest die Daten auch aus schlechten Scans → NLP prüft Rechnungslogik und Betragplausibilität → die Buchung entsteht automatisch im ERP → nur die Ausnahmefälle landen bei einer Person. Der Zeitaufwand je Rechnung sinkt deutlich, weil Abtippen und erste Plausibilitätsprüfung entfallen; was das im konkreten Fall ergibt, zeigt das Rechenbeispiel weiter unten.
Zweites Beispiel: Zahlungsabstimmung. Bank schickt täglich Kontoauszüge. Diese müssen mit internen Buchungen abgeglichen werden. AI Automation erkennt automatisch, welche Buchung zu welcher Bankbewegung gehört — auch wenn die Referenzen nicht perfekt stimmen, auch wenn mehrere Zahlungen kombiniert wurden. Wie viel Zeit das im Finanzteam freimacht, hängt von der Zahl der Bewegungen und vom heutigen Aufwand je Abgleich ab; eine allgemeine Stundenzahl dafür wäre geraten.
Drittes Beispiel: Berichte für Revision und Compliance. Traditionell: Daten aus verschiedenen Systemen sammeln, in Excel zusammentragen, den Bericht von Hand erstellen. Mit AI Automation: Der Prozess läuft täglich automatisiert und erzeugt Compliance-Berichte nahezu in Echtzeit. Auffälligkeiten fallen dadurch früher auf als erst im Monatsabschluss.
Für KMU-Controlling eine Modellrechnung mit offengelegten Annahmen — kein Kundenprojekt und keine Messwerte: Ein Unternehmen verarbeitet 100 Rechnungen pro Woche; Erfassung und erste Prüfung dauern von Hand angenommene 6 Minuten je Rechnung — dieselbe Minutenannahme, mit der auch die KMU-Seite rechnet. Das sind 600 Minuten oder 10 Stunden pro Woche. Bleiben nach der Automatisierung 10 bis 40 Prozent der Rechnungen als Ausnahmen von Hand zu bearbeiten, spart der Ablauf 6 bis 9 Stunden pro Woche. Bei einer 42-Stunden-Woche sind das 0,14 bis 0,21 einer Vollzeitstelle, nicht eine ganze. Bei angenommenen Lohnkosten von CHF 60'000–80'000 pro Jahr für eine Schweizer Buchhaltungsstelle entspricht das rund CHF 9'000–17'000 jährlich — dazu weniger Erfassungsfehler.
Nur die Minutenannahme ist mit der KMU-Seite gemeinsam, die Umrechnung in Franken nicht: Diese Seite rechnet Vollzeitäquivalente auf einer 42-Stunden-Woche und einem Jahreslohn von CHF 60'000–80'000, die KMU-Seite auf 40 Stunden in 48 Arbeitswochen und einem Stundenansatz von CHF 30–40. Die Frankenbeträge der beiden Seiten sind deshalb nicht direkt vergleichbar; vergleichbar sind nur die zugrunde gelegten Stunden.
HR-Prozesse und Talent Management
HR-Prozesse sind in vielen KMU noch wenig automatisiert. Sie sind informationsintensiv und zeitaufwändig — und damit ein naheliegendes Feld, sofern die Datenschutzfragen geklärt sind.
Bewerbungs-Vorauswahl: Eine Stellenausschreibung kann viele Dossiers auslösen, die heute alle von Hand gesichtet werden. Eine Automatisierung wertet sie vor: NLP liest Lebenslauf und Motivationsschreiben, gleicht die genannten Qualifikationen und Erfahrungen mit dem Anforderungsprofil ab und legt die Dossiers strukturiert ab. Auf Rückschlüsse vom Schreibstil auf Persönlichkeitsmerkmale verzichten wir bewusst — dafür fehlt die Grundlage, und im Bewerbungsverfahren ist das heikel. Nur die am höchsten bewerteten Bewerbungen landen direkt bei der Personalabteilung; wo die Schwelle liegt, legt das Unternehmen selbst fest. Wie viel Zeit die Erstsichtung dadurch spart, hängt von der Zahl der Bewerbungen und vom heutigen Aufwand je Dossier ab.
Onboarding-Automatisierung: Eine neue Person tritt ein. Mit traditionellem Onboarding geht ein erheblicher Teil der ersten Tage dafür weg, Prozesse, Werkzeuge und Dokumente zu erklären, statt für produktive Arbeit — wie viel genau, hängt vom Betrieb und von der Rolle ab. Eine Automatisierung übernimmt die Abfolge: Benutzerkonto anlegen, Zugänge bereitstellen, wiederkehrende Fragen von einem Chatbot beantworten lassen und den Einarbeitungsplan aus Rolle und Abteilung zusammenstellen.
Auswertung von HR-Daten: Eine Automatisierung wertet Personaldaten laufend aus und markiert Auffälligkeiten. Eine Person zeigt über zwei Wochen stark abnehmende Produktivität → Hinweis an die Führungskraft. Abteilung X hat eine deutlich höhere Fluktuation als der Durchschnitt → Hinweis an HR. Solche Auswertungen ermöglichen frühzeitige Unterstützung. Sie sind zugleich der datenschutzheikelste Anwendungsfall in diesem Text: Es geht um Personendaten von Mitarbeitenden, und dafür braucht es einen klaren Zweck, eine Information der Betroffenen und eine Begrenzung auf das Nötige.
Geschäftliche Vorteile: ROI und Wirkungskennzahlen
Kostenreduktion und Effizienzgewinne
Die unmittelbarsten Vorteile von AI Automation sind Kostenreduktion und Effizienzsteigerung. Wie stark die manuellen Prozesskosten sinken, hängt vom Ausgangszustand ab — von der Prozessreife, vom Anteil regelbasierter Arbeit und vom erreichten Automatisierungsgrad; eine allgemeine Prozentzahl dafür wäre geraten. Branchenübergreifend beziffert immerhin McKinsey das technische Potenzial: Mit den heute demonstrierten Technologien liessen sich — im Wortlaut der Studie «in theory» — Tätigkeiten im Umfang von rund 57 % der US-Arbeitsstunden automatisieren. Die Bedingung, die an dieser Zahl hängt, ist also der Stand der Technik und die theoretische Betrachtung, nicht ein bestimmter organisatorischer Umbau. Die Zahl beschreibt technisches Potenzial, keine Prognose über wegfallende Stellen — und auch keine Aussage darüber, wie viel davon ein einzelner Betrieb tatsächlich hebt.
Quelle: McKinsey Global Institute, «Agents, robots, and us: Skill partnerships in the age of AI», veröffentlicht am 25. November 2025 — mckinsey.com. Dort wörtlich: «Currently demonstrated technologies could, in theory, automate activities accounting for about 57 percent of US work hours today.» Die 57 % setzen sich aus 44 % (KI-Agenten) und 13 % (Roboter) zusammen. Hinweis zur Prüftiefe: mckinsey.com lieferte beim Abruf am 23. und am 24. August 2026 nicht aus (Zeitüberschreitung); der Wortlaut ist an der Berichterstattung über die Studie gegengeprüft, nicht am Original.Wie funktioniert das konkret? Erstens: Weniger manuelle Arbeit. Ein Prozess, der bisher 40 Stunden pro Monat brauchte, braucht mit AI Automation vielleicht noch 5 Stunden für Überwachung und Ausnahmefälle. Das spart 35 Stunden pro Monat.
Zweitens: Weniger Fehler bedeuten weniger Kosten für Fehlerkorrektur. Manuelle Datenerfassung produziert Tippfehler, Zahlendreher und Fehlzuordnungen, die später gesucht und korrigiert werden müssen; eine maschinelle Erfassung macht diese Art von Fehler nicht. Wie hoch die Fehlerquote heute ist und wie weit sie sinkt, zeigt erst eine Messung am eigenen Prozess — pauschale Quoten dafür wären geraten.
Drittens: Schnellere Abläufe binden weniger Kapital. Wenn eine Ausgangsrechnung nicht zwei Wochen, sondern zwei Tage nach der Leistung beim Kunden liegt, verkürzt sich die Zeit bis zum Zahlungseingang um dieselbe Spanne — das Geld ist früher da, ohne dass sich am Betrag etwas ändert.
Viertens: Skalierbarkeit ohne proportionale Kostensteigung. Wächst das Kundenvolumen, wächst der Personalbedarf traditionell mit — bei automatisierten Abläufen deutlich weniger stark. Um wie viel weniger, entscheidet der Anteil regelbasierter Arbeit am Gesamtaufwand; eine allgemeine Faustregel dafür gibt es nicht.
Konkrete Szenarien für KMU — Modellrechnungen mit offengelegten Annahmen, keine Kundenprojekte und keine Messwerte:
- Ein Versicherungsmakler verarbeitet 100 Schadenmeldungen pro Monat. Manuell vergehen 2–3 Tage, bis eine Meldung durch ist. Mit AI Automation entfallen Eingangssichtung und Zuordnung als manuelle Schritte. Der Aufwand je Schadenmeldung streut zwischen Betrieben so stark, dass eine Modellrechnung hier nichts Belastbares ergäbe — beziffern lässt sich das erst nach einer Aufnahme des Ist-Prozesses.
- Ein Finanzunternehmen verarbeitet 200 Rechnungen pro Woche. Mit denselben Annahmen wie oben (6 Minuten je Rechnung von Hand, 10 bis 40 Prozent Ausnahmen) sind das 12 bis 18 Stunden pro Woche — die doppelte Menge ergibt die doppelte Ersparnis. Bei einer 42-Stunden-Woche sind das 0,29 bis 0,43 einer Vollzeitstelle, bei CHF 60'000–80'000 Jahreslohn also rund CHF 17'000–34'000 pro Jahr.
- Eine Agentur mit 20 Mitarbeitenden setzt AI Automation für Projektsteuerung und Berichtswesen ein. Angenommene Einsparung: 5–8 Stunden pro Woche. Bei einer 42-Stunden-Woche sind das 0,12 bis 0,19 einer Vollzeitstelle, bei CHF 60'000–80'000 Jahreslohn also rund CHF 7'000–15'000 pro Jahr.
Skalierbarkeit und Flexibilität
Skalierbarkeit ist der unscheinbarere, aber langfristig wichtigere Vorteil von AI Automation. Unternehmen wachsen, und mit Wachstum wachsen Prozessvolumen. Der herkömmliche Weg — mehr Personal — hat Grenzen: Rekrutierung dauert, Lernkurven sind steil, Infrastruktur wird komplex.
AI Automation skaliert unterschiedlich. Ein Prozess, der heute 10 Eingaben am Tag verarbeitet, verarbeitet morgen 1'000, ohne dass jemand eingestellt werden müsste. Kostenlos ist das nicht: Alle drei Plattformen rechnen mengenabhängig ab, das Hundertfache an Durchläufen führt also in eine höhere Tarifstufe. Der Unterschied zur Handarbeit liegt darin, dass die Kosten in Stufen steigen statt mit jeder Person neu.
Zusätzlich: Flexibilität. Ändern sich die Geschäftsbedingungen, muss nicht jede beteiligte Person umlernen, sondern der Ablauf angepasst werden. Eine Marketing-Automatisierung muss plötzlich neue Kundengruppen berücksichtigen? Die Regeln dafür lassen sich an einer Stelle ändern, statt sie allen Beteiligten neu beizubringen. Wie lange eine solche Anpassung dauert, hängt am Aufbau des Ablaufs; belastbare Vergleichszeiten haben wir dafür nicht.
Für KMU konkret: Ein wachsendes Volumen zwingt nicht mehr automatisch zu proportional mehr Personal. Wie weit Volumen- und Personalwachstum auseinanderlaufen, entscheidet der Anteil regelbasierter Arbeit — eine allgemeine Faustregel dafür gibt es nicht.
Qualitätsverbesserung und Fehlerreduktion
Kontraintuitiv: Automatisierung verbessert oft nicht nur Geschwindigkeit und Kosten, sondern auch Qualität. Warum? Weil Menschen müde werden, abgelenkt werden und Flüchtigkeitsfehler machen. Maschinen ermüden nicht — sie machen dafür andere Fehler, etwa bei Eingaben ausserhalb des eingerichteten Musters.
AI Automation arbeitet gleichbleibend. Ein Mensch, der am 100. Dokument des Tages sitzt, ist ablenkbar; ein KI-System bearbeitet das 100. Dokument nach denselben Regeln wie das erste.
Konkret heisst das: Die typischen Fehlerquellen der Handarbeit — Ermüdung, Unterbrechung, Routineblindheit — fallen weg. Wie hoch die Fehlerquote heute ist und wie weit sie sinkt, misst man am eigenen Prozess; belastbare Vergleichszahlen über Branchen hinweg gibt es dafür nicht.
Die Folgen sind spürbar. Weniger Fehler bedeutet: weniger Beschwerden, weniger Nacharbeit, zufriedenere Kundinnen und Kunden, weniger regulatorisches Risiko. In regulierten Branchen — Finanzwesen, Versicherung, Gesundheitswesen — ist eine gleichbleibende Qualität nicht bloss wünschenswert, sondern Teil der Aufsichtsanforderungen.
AI Automation Tools und Plattformen im Überblick
Make, n8n und Zapier als führende Plattformen
Die Landschaft der AI Automation Tools ist vielfältig; drei Anbieter stehen bei KMU regelmässig zur Auswahl. Make (ehemals Integromat) ist eine visuelle Plattform für Arbeitsabläufe, die wegen ihres niederschwelligen Einstiegs besonders für KMU interessant ist. Sie verbindet eine No-Code-Oberfläche mit Funktionen für komplexere Abläufe. n8n ist eine quelloffen einsehbare Alternative mit Fokus auf Datenschutz und Self-Hosting — interessant für Unternehmen, die den Bearbeitungsort ihrer Daten selbst bestimmen wollen. Der Code steht allerdings unter der Sustainable Use License («fair-code») und nicht unter einer OSI-Open-Source-Lizenz: interner Betrieb und Kundenprojekte sind erlaubt, das Anbieten von n8n als gehosteter Dienst ist es nicht. Selbst gehostet ist die Community-Edition kostenlos. Zapier weist auf der eigenen Preisseite über 9'000 angebundene Anwendungen aus (dort wörtlich «9,000+ apps») und ist damit für Betriebe interessant, die viele verschiedene Werkzeuge verbinden müssen. Eine Rangfolge gegenüber den Mitbewerbern leiten wir daraus nicht ab: Die Anbieter zählen ihre Integrationen unterschiedlich, und einen unabhängigen Vergleich dieser Zahlen kennen wir nicht. Zwei weitere Wege gehören ins Bild: Power Automate für Betriebe, die ohnehin durchgehend auf Microsoft 365 arbeiten und ihre Abläufe nicht aus dieser Umgebung herauslösen wollen, und Custom-Lösungen — selbst programmierte Abläufe für Fälle, die keine Plattform abdeckt. Beide binden mehr Betreuungsaufwand als eine No-Code-Plattform und lohnen sich erst, wenn der Standardweg nicht trägt.
Für KMU im DACH-Raum gilt: Die drei Plattformen lassen sich nicht direkt über den Monatspreis vergleichen, weil sie unterschiedlich abrechnen. Make zählt Credits je Modul-Aktion (10'000 Credits ab 9 USD im Core-Tarif), Zapier zählt Tasks je Aktionsschritt — der Auslöser verbraucht keinen Task, jeder erfolgreiche App-Aktionsschritt kostet einen, ein Zap mit fünf App-Aktionsschritten also fünf Tasks je Durchlauf, während die eingebauten Werkzeuge (Formatter, Filter, Pfade, Verzögerung und weitere) mit 0 Tasks abgerechnet werden und KI-Schritte je nach Modellklasse 1, 3 oder 5 Tasks kosten (750 Tasks ab 19.99 USD im Professional-Tarif bei Jahresabrechnung; die 100 Tasks des Gratistarifs kosten nichts) —, n8n zählt ganze Ausführungen unabhängig von der Schrittzahl (2'500 Ausführungen für 20 EUR im Cloud-Starter bei Jahresabrechnung, selbst gehostet kostenlos). Derselbe Ablauf verbraucht auf den drei Plattformen deshalb unterschiedlich viele Einheiten: Vielschrittige Workflows fallen bei Zapier am stärksten ins Gewicht, bei n8n gar nicht. Wer viele verschiedene Werkzeuge anbinden muss, bezahlt bei Zapier für die Integrationsbreite.
AI Agent Plattformen der nächsten Generation
Die nächste Welle von AI Automation wird von AI Agents angetrieben. Diese sind autonomer, können selbstständig Entscheidungen treffen und mehrere Schritte planen, ohne dass ein Mensch eingreift.
Anbieter wie Lindy und CrewAI treten mit eigenen Agenten-Plattformen an. Sie zielen darauf, Assistenten zu bauen, die nicht nur einzelne Prozessschritte übernehmen, sondern mehrschrittige Aufgaben. Wie weit das im betrieblichen Alltag heute trägt, ist offen; belastbare unabhängige Vergleiche dazu kennen wir nicht.
Für KMU: AI Agents stehen am Anfang. Dass sich die Landschaft 2026 rasch verändert, ist unsere Einschätzung und keine belegte Prognose. Sinnvoll ist, die Entwicklung zu verfolgen und höchstens klein angelegte Pilotprojekte zu starten — nicht, den produktiven Betrieb darauf zu stellen.
Herausforderungen und kritische Erfolgsfaktoren
Datenschutz und Compliance im DACH-Raum
Der DACH-Raum reguliert die Bearbeitung von Personendaten dicht — die DSGVO in Deutschland und Österreich, das revidierte DSG in der Schweiz. Ob ein Land die strengsten Regeln der Welt hat, lässt sich nicht seriös rangieren; wir behaupten es deshalb nicht. Für die Praxis zählt etwas anderes: Jede Automatisierung, die Personendaten anfasst, muss diesen Rahmen einhalten — und eine Umsetzung, die das nachweisbar tut, ist gegenüber Kundinnen und Kunden ein Argument.
Konkrete Herausforderungen: Wer ein Modell auf Kundendaten trainiert oder Kundendaten an einen Modellanbieter schickt, muss sicherstellen, dass diese Daten nicht in fremde Trainingsläufe einfliessen — die Auftragsbedingungen der Anbieter regeln das unterschiedlich, und die Voreinstellung ist nicht immer die datensparsame. Das revidierte Schweizer Datenschutzgesetz (DSG, in Kraft seit dem 1. September 2023) erwähnt Künstliche Intelligenz an keiner Stelle — es regelt die Bearbeitung von Personendaten überhaupt, und genau dort greifen Automatisierungen ein. Für KI-gestützte Abläufe am wichtigsten sind die Informationspflicht bei der Beschaffung von Personendaten (Art. 19) und die Informationspflicht bei einer automatisierten Einzelentscheidung (Art. 21) — Letztere gilt für Entscheide, die ausschliesslich automatisiert ergehen und für die betroffene Person eine Rechtsfolge haben oder sie erheblich beeinträchtigen.
Bewährtes Vorgehen: Prüfen Sie für jede Plattform den Auftragsbearbeitungsvertrag, den Serverstandort und die eingesetzten Unterauftragnehmer, statt sich auf pauschale Konformitätsversprechen zu verlassen. Maskieren oder pseudonymisieren Sie Trainingsdaten. Dokumentieren Sie alle Automatisierungen und deren Datenflüsse. Wo Sie den Bearbeitungsort selbst bestimmen müssen, bietet sich Self-Hosting an — bei n8n ist die Community-Edition dafür kostenlos; sie steht unter der Sustainable Use License («fair-code»), die den internen Betrieb und die Arbeit für Kundinnen und Kunden erlaubt, das Weiterverkaufen als gehosteter Dienst aber untersagt.
Change Management und organisatorische Akzeptanz
Der Risikofaktor, an dem AI-Automation-Projekte unserer Einschätzung nach am häufigsten scheitern, ist nicht technischer, sondern organisatorischer Natur. Mitarbeitende, deren Arbeit automatisiert wird, haben verständliche Sorgen. Dazu kommt eine Skepsis gegenüber der Technologie selbst — Zurückhaltung gegenüber einem System, dessen Entscheidungsweg sich nicht ohne Weiteres nachvollziehen lässt. Auch das ist unsere eigene Einschätzung: weder eine erhobene Zahl noch ein Erfahrungswert aus durchgeführten Kundenprojekten — dieser Hub wertet keine Kundendaten aus. Diese Zurückhaltung ist kein Hindernis, das man wegargumentieren müsste, sondern der Grund, warum Nachvollziehbarkeit und eine menschliche Kontrollinstanz von Anfang an zum Projekt gehören. Wenn eine Aufgabe, die jemand jahrelang gemacht hat, plötzlich von einem System erledigt wird, stellt das die eigene Rolle in Frage.
Erfolgreiches Change Management erfordert: Transparenz (erklären, warum automatisiert wird), Einbezug (Mitarbeitende an der Planung beteiligen) und Weiterqualifizierung (Menschen für die anspruchsvolleren Aufgaben schulen, die bleiben).
Konkret: Nicht sagen "Diese Aufgabe wird automatisiert", sondern "Wir automatisieren diese langweilige Aufgabe, damit Sie sich auf Kundenbeziehungen konzentrieren können." Schulen Sie Mitarbeitende im Umgang mit den neuen Werkzeugen. Erkennen Sie ihre Expertise an — oft sind langjährige Mitarbeitende die beste Quelle für Prozessoptimierungen.
Technische Anforderungen und Infrastruktur
AI Automation setzt drei Dinge voraus: verlässliche Schnittstellen zu den vorhandenen Geschäftssystemen; brauchbare Datenqualität (ein Modell lernt aus Daten — aus schlechten Daten wird eine schlechte Automatisierung); und eine Regelung (Governance) darüber, wer was automatisieren darf und wie Fehler erkannt werden.
An diesen Voraussetzungen hängen zwei weitere Risiken, die neben dem Datenschutz zu bedenken sind. Das erste ist die Anbindung von Altsystemen (Legacy-Systemen): Eine Branchensoftware ohne Schnittstelle lässt sich nur über Umwege ansprechen — Dateiexport, Auslesen der Bildschirmmaske, Zwischenschichten —, und jeder dieser Umwege bricht, sobald der Hersteller etwas an der Oberfläche ändert. Das zweite ist Model Bias: Ein Modell übernimmt die Schieflagen seiner Trainingsdaten. Wurden bisher vor allem Bewerbungen eines bestimmten Zuschnitts eingeladen, lernt ein darauf trainiertes Modell genau dieses Muster und schreibt es fort. Beides spricht nicht gegen Automatisierung, sondern begründet die eben genannte Regelung: Wer prüft die Ergebnisse, in welchem Takt, und woran erkennt diese Person eine Schieflage?
Für KMU konkret: Starten Sie mit einfachen Prozessen mit sauberen Daten. Bauen Sie schrittweise auf. Nutzen Sie die No-Code-Plattformen (Make, Zapier), um schnell zu starten — keine IT-Infrastruktur-Installation nötig.
Nächste Schritte: Ihr Weg zur AI Automation
AI Automation Readiness Assessment
Der erste Schritt ist Ehrlichkeit: Ist Ihr Unternehmen bereit? Bewerten Sie: Haben Sie digitale Prozesse? Haben Sie Datenqualität? Haben Sie unterstützende Führung? Ein Readiness Assessment hilft, realistische Erwartungen zu setzen.
Sprechen Sie mit uns über ein Readiness Assessment, um zu klären, welche Prozesse in Ihrem Unternehmen zuerst drankommen sollten und welche Ergebnisse realistisch sind. Umfang und Kosten hängen davon ab, wie viele Prozesse aufgenommen werden.
Beratung für Ihre spezifischen Use Cases
Jedes Unternehmen ist unterschiedlich. Individuelle AI Automation Beratung hilft, die richtige Strategie für Ihr Unternehmen zu entwickeln. Wir sehen uns Ihre Prozesse an, benennen die Stellen mit Automatisierungspotenzial und stellen daraus einen Fahrplan für die Umsetzung zusammen.
Die vier Ausprägungen: RPA, Dokumentenverarbeitung, Dialog, Vorhersage
«AI Automation» ist kein einzelnes System, sondern ein Sammelname für vier Bauarten, die verschiedene Probleme lösen. Die Unterscheidung lohnt sich, weil Werkzeugwahl und Aufwand daran hängen.
RPA mit KI-Anteilen bildet digitale Abläufe nach: Daten aus Anwendung A lesen, in Anwendung B eintragen, einen Vorgang auslösen. Klassisches RPA folgt festen Regeln; moderne Varianten binden Texterkennung für Bilder und Scans ein. Beispiel: Aus eingehenden Bewerbungs-PDFs werden Daten übernommen.
Intelligente Dokumentenverarbeitung zielt auf unstrukturierte Unterlagen — Rechnungen, Verträge, Formulare, Behördenschreiben. Bilderkennung und Sprachverarbeitung ziehen die Angaben heraus und überführen sie in ein strukturiertes Format. Beispiel: Schadensformulare einer Versicherung werden erfasst und vorsortiert.
Dialogsysteme verstehen Anfragen in natürlicher Sprache und beantworten die wiederkehrenden selbst, während sie den Rest an Mitarbeitende übergeben. Welcher Anteil abgedeckt wird, hängt vom Sortiment und von der Qualität der hinterlegten Wissensbasis ab — eine allgemeine Prozentzahl dazu wäre erfunden.
Vorhersagende Auswertung erkennt Muster in historischen Daten und arbeitet vorausschauend statt reaktiv: Bedarfsprognosen, Ausfallwahrscheinlichkeiten, Priorisierungen.
Die Grenzen sind unscharf, und die meisten Projekte kombinieren zwei davon. Der praktische Nutzen der Einteilung liegt in der Frage, die sie erzwingt: Ist die Eingabe strukturiert oder nicht — und muss das System entscheiden oder nur ausführen?
Woher das kommt: siebzig Jahre in fünf Absätzen
Die heutige Werkzeuglandschaft ist jünger als drei Jahre. Die Ideen dahinter sind es nicht, und die Kenntnis der Vorgeschichte erspart einige Enttäuschungen.
1950er bis 1960er. Turing stellt die Frage nach maschineller Intelligenz, der Begriff «Artificial Intelligence» entsteht. Die Erwartungen liegen weit über dem, was die Rechenleistung hergibt.
1970er bis 1980er. Der erste «AI Winter»: Fördergelder versiegen, nachdem die Versprechen nicht eingelöst wurden. Was bleibt, sind Expertensysteme — regelbasiert, wartungsintensiv, in engen Fachgebieten durchaus nützlich.
1990er bis 2000er. Das Internet verändert die Datenlage. Robotic Process Automation entsteht als pragmatische Antwort: nicht denken, sondern klicken — Software, die Menschen an der Oberfläche nachahmt.
2010er. Maschinelles Lernen wird durch Rechenleistung und Datenmengen praktikabel. Gleichzeitig zeigen sich die Grenzen von RPA: Jede Ausnahme braucht eine neue Regel.
Seit 2023. Sprachmodelle verschieben die Grenze zwischen strukturierter und unstrukturierter Eingabe, agentische Systeme kommen dazu. In der Schweiz kam die Welle mit etwa einem Jahr Verzögerung gegenüber dem angelsächsischen Raum an — und traf auf einen Mittelstand, der RPA grösstenteils übersprungen hatte.
Das wiederkehrende Muster: Auf jede Überschätzung folgte eine Ernüchterung, und aus jeder Ernüchterung kam ein Werkzeug, das blieb. Wer heute entscheidet, sollte damit rechnen, dass beides wieder passiert.
Maschinelles Lernen oder feste Regeln? Die Entscheidung
Nicht jede Automatisierung braucht ein lernendes System. Die Wahl zwischen Regelwerk und maschinellem Lernen entscheidet über Aufwand, Prüfbarkeit und Betriebskosten — und sie fällt an sechs Merkmalen.
| Merkmal | Regelbasiert | Maschinelles Lernen |
|---|---|---|
| Komplexität der Regeln | wenige, einfache | viele Varianten |
| Datenbedarf | unkritisch | hoch, entscheidend |
| Nachvollziehbarkeit | sehr hoch, Regeln sind lesbar | niedrig bis mittel |
| Änderungshäufigkeit | selten | häufig, Nachtraining nötig |
| Zeit bis zum Einsatz | Wochen | Monate |
| Datenschutz | einfacher | aufwendiger |
Die Zeile, die in der Praxis am häufigsten übersehen wird, ist die Nachvollziehbarkeit. Ein Regelwerk kann man ausdrucken und einer Revision vorlegen. Ein trainiertes Modell nicht — und wo Entscheide gegenüber Kundschaft, Mitarbeitenden oder einer Aufsicht begründet werden müssen, ist das der Ausschlussgrund, nicht die Genauigkeit.
Der häufigste Fehler ist deshalb nicht die falsche Technik, sondern die zu frühe: ein lernendes System für einen Ablauf, den drei Regeln erschlagen hätten.
Was sich gerade bewegt — und was davon KMU betrifft
Sechs Entwicklungen prägen die Diskussion. Für einen mittelständischen Betrieb sind sie unterschiedlich dringlich.
KI-Agenten verschieben die Grenze vom Ausführen zum Entscheiden. Praktisch relevant, sobald ein Ablauf mehr Ausnahmen als Regelfälle hat — vorher ist es teurer als nötig.
Multimodale Modelle verarbeiten Text, Bild und Ton in einem Durchgang. Für Betriebe mit Papier- und Bildbeständen — Prüfprotokolle, Lieferscheine, Schadensfotos — ist das die Entwicklung mit dem unmittelbarsten Nutzen.
Hyperautomatisierung meint, ganze Prozessketten statt einzelner Schritte zu automatisieren. Ein Zielbild, kein Einstiegspunkt: Wer bei Kette statt Schritt beginnt, scheitert an der Prozessauswahl.
Autonomer Betrieb — Systeme, die sich selbst überwachen und nachsteuern — ist im KMU-Umfeld noch Ausblick, nicht Angebot.
Edge AI verlagert die Verarbeitung auf Geräte vor Ort. Interessant überall dort, wo Daten das Haus nicht verlassen dürfen; im Schweizer Kontext ist das öfter der Fall, als es die Cloud-Angebote nahelegen.
Energieeffizienz wird zum Kostenfaktor, sobald Modelle im Dauerbetrieb laufen. Für den Einstieg unerheblich, für die dritte Ausbaustufe nicht.
Die nüchterne Einordnung: Zwei dieser sechs — Agenten und Multimodalität — verändern heute schon, was ein Zehn-Personen-Betrieb sinnvoll automatisieren kann. Die anderen vier sind Beobachtungsposten.
In zehn Schritten zum ersten Projekt
Die Reihenfolge ist wichtiger als die Werkzeugwahl. Wer bei Schritt sieben anfängt, kommt bei Schritt drei wieder heraus.
- Prozessanalyse — welche Abläufe kosten viel Zeit und laufen häufig? Gemessen, nicht geschätzt.
- Ziel festlegen — was soll besser werden, woran wird es gemessen, ab wann gilt es als erreicht?
- Team benennen — wer treibt, wer entscheidet, wer kennt den Prozess wirklich?
- Werkzeug wählen — erst jetzt, wenn Anforderung und Datenlage feststehen.
- Pilot abgrenzen — ein Vorgang, überschaubar, mit sichtbarem Ergebnis.
- Pilot bauen — kleinteilig, mit Zwischenständen, die man verwerfen kann.
- Messen — gegen die Ausgangswerte aus Schritt eins, nicht gegen das Gefühl.
- Entscheiden — ausweiten, umbauen oder abbrechen. Abbruch ist ein zulässiges Ergebnis.
- Ausrollen — mit Schulung, Zuständigkeit und Rückfallebene für den Störfall.
- Betreiben — Automatisierungen brauchen Pflege; ohne benannte Zuständigkeit verwahrlosen sie.
Begriffe zur Orientierung: vier Felder
Wer sich einliest, stösst auf Vokabular aus vier verschiedenen Welten. Sie zu trennen hilft, weil die Fragen dahinter verschieden sind.
Technik und Werkzeuge. Was ist ein Modell, was eine Schnittstelle, was ein Konnektor, was ein Agent. Hier geht es um Bauteile — die Frage lautet: Womit wird gebaut?
Prozess und Automatisierung. Auslöser, Ablauf, Ausnahmebehandlung, Mensch-in-der-Schleife. Hier geht es um Abläufe — die Frage lautet: Was passiert in welcher Reihenfolge, und wer greift wann ein?
Ethik, Governance und Nachweispflicht. Verzerrung, Nachvollziehbarkeit, Prüfpfad, Verantwortlichkeit. Diese Begriffe wirken abstrakt, bis eine Aufsicht oder eine Kundin nach der Grundlage eines Entscheids fragt. Dann sind sie das Wichtigste am ganzen Projekt.
Wirtschaftlichkeit. Geschäftsfall, Amortisationszeit, Gesamtbetriebskosten. Ein Geschäftsfall ist die wirtschaftliche Begründung eines Vorhabens — Kosten, Nutzen, Zeit bis zur Deckung. Beispielhaft: Ein Vorhaben, das 50'000 Franken kostet und 20'000 Franken im Jahr spart, hat eine Amortisationszeit von zweieinhalb Jahren. Ob das gut ist, hängt davon ab, wie lange der Prozess in dieser Form noch existiert.
Die vier Felder sind nicht gleich schwer. Technik lässt sich nachlesen, Prozess lässt sich beobachten — Governance und Wirtschaftlichkeit muss der Betrieb selbst beantworten, und genau daran scheitern Projekte häufiger als an der Technik.
Häufig gestellte Fragen
Was ist AI Automation einfach erklärt?
AI Automation ist die Automatisierung von Geschäftsprozessen mit Künstlicher Intelligenz. Im Gegensatz zu klassischer, regelbasierter Automatisierung kann sie Kontext verstehen, Muster erkennen und eigenständig Entscheidungen treffen. Technologisch kombiniert sie Machine Learning, Natural Language Processing und RPA — und macht Prozesse dadurch adaptiv statt starr.
Was kostet AI Automation für ein Unternehmen?
Die Kosten hängen vom Umfang ab, und die Plattformlizenz ist dabei der kleinere Posten. Für 10'000 Credits im Monat kostet Make 9 USD (Core), 16 USD (Pro) und 29 USD (Teams); höhere Credit-Stufen kosten entsprechend mehr, die Preisseite staffelt bis in den Millionenbereich. n8n Cloud kostet 20 EUR für 2'500 Ausführungen (Starter) bis 667 EUR für 40'000 Ausführungen (Business), jeweils bei Jahresabrechnung; einen Gratistarif gibt es in der Cloud nicht, selbst gehostet ist die Community-Edition kostenlos. Zapier Professional beginnt bei 19.99 USD für 750 Tasks pro Monat (Jahresabrechnung); 100 Tasks pro Monat deckt der Gratistarif ab. Zum Kurs vom 22. August 2026 (1 USD = 0.8009 CHF, 1 EUR = 0.9350 CHF) sind das rund 7 bis 23 CHF bei Make und rund 19 bis 624 CHF je Monat bei n8n — bei n8n gilt dieser Monatsbetrag nur bei Jahresabrechnung. Den grösseren Teil machen Konzeption, Anbindung und Betrieb aus: Ein KMU-Einstiegsprojekt mit drei einfachen Prozessen in Eigenarbeit liegt bei rund CHF 3'200 pro Jahr, umfassende Setups mit 15 Prozessen erreichen CHF 28'000. In den drei Rechenbeispielen der KMU-Seite liegt der Payback zwischen 3,1 und 10,4 Monaten, in den drei Modellrechnungen der Kosten- und ROI-Berechnung zwischen gut drei und rund sechseinhalb Monaten — die beiden Seiten rechnen mit unterschiedlichen Annahmen; entscheidend ist in beiden Fällen, wie viel im ersten Jahr an externe Beratung geht.
Welche Prozesse lassen sich mit AI Automation automatisieren?
Am besten eignen sich repetitive, datenintensive Prozesse. Die stärksten Use-Cases sind Kundenservice, Marketing, Finanz- und Buchhaltungsprozesse sowie HR und Recruiting. Wie viel eine einzelne Automatisierung bringt, hängt vom Ausgangszustand des Prozesses ab: Volumen, Anteil regelbasierter Arbeit und heutige Fehlerquote entscheiden. Eine allgemeine Prozentzahl dafür wäre geraten.
Ist AI Automation DSG- und DSGVO-konform?
Konform betreiben lässt sie sich; zusichern kann das keine Plattform. Die Wahl von Plattform und Hosting entscheidet über den Bearbeitungsort — für datenschutzkritische Prozesse schafft n8n im Self-Hosting oder eine Lösung auf Schweizer Servern die Voraussetzung, die Daten im Land zu halten. Die selbst gehostete n8n-Community-Edition ist kostenlos und steht unter der Sustainable Use License («fair-code»), die interne Nutzung und Beratungsleistungen rund um n8n erlaubt — eine OSI-Open-Source-Lizenz ist sie nicht. Davon unberührt bleiben die Pflichten des Unternehmens selbst: Bearbeitungsgrundsätze, Informationspflicht (Art. 19 DSG), Rechte der betroffenen Personen, Verzeichnis der Bearbeitungstätigkeiten (Art. 12 DSG, mit Ausnahmen für Unternehmen unter 250 Mitarbeitenden bei geringem Risiko) und Datensicherheit (Art. 8 DSG). Mehr dazu im Schweizer Datenschutzgesetz.
Grundlagen, Konzepte und Ausblick
Zum Vertiefen der Grundlagen und für den Blick über den Tellerrand:
- Was ist AI Automation? — die kompakte Definition
- KI vs. klassische Automatisierung
- Die Geschichte der AI Automation
- Generative AI im Unternehmen
- Machine-Learning-Grundlagen
- Natural Language Processing verstehen
- Prompt Engineering für Automation
- Prompt-Bibliothek mit Vorlagen
- AI-Automation-Glossar für Einsteiger
- Ethik der AI Automation
- AI-Ethik und Verantwortung
- AI Automation in Bildung und Schule
- Die Zukunft der Arbeit mit AI
Passende Leistungen von erdinc.ai:
