Dank robotergestützter Prozessoptimierung (RPA) lassen sich routinemäßige und regelbasierte Aufgaben heutzutage gut automatisieren. Besonders in produzierenden Gewerben kommen Routine-Aufgaben innerhalb des Produktionsprozesses häufig vor und werden bereits gewinnbringend automatisiert. Neben einer Optimierung der Arbeitsabläufe – da beispielsweise menschliche Fehler vermieden werden – profitieren Unternehmen von einer Senkung der Betriebskosten und der Steigerung verfügbarer Personalressourcen.

Mit diesem Wissen überrascht es nicht, dass die Investitionen in RPA entsprechend hoch sind. Laut Grand View Research wurde der globale Markt für RPA im Jahr 2025 auf 4,68 Milliarden US-Dollar geschätzt und soll bis 2033 auf 35,84 Milliarden US-Dollar anwachsen, was einem durchschnittlichen jährlichen Wachstum von 29,0 % von 2026 bis 2033 entspricht. [1]

Da künstliche Intelligenz (KI) mittlerweile ganz natürlich in nahezu jeden Bereich des Schaffens mit einbezogen wird, war die Verbindung von RPA mit KI ein logischer Schritt. Denn erst durch die Verbindung beider Technologien entfaltet sich das volle Potenzial und RPA wird intelligent. KI kommt insbesondere bei Aktivitäten zum Einsatz, die menschenähnliche Intelligenz erfordern, wie Datenanalyse, Mustererkennung und Entscheidungsfindung. Durch die Integration von KI in RPA können Unternehmen ihre Automatisierungsprozesse auf komplexere Abläufe ausweiten. Dies führt zur Intelligenten Prozessautomatisierung (IPA). Dank der Lern- und Anpassungsfähigkeit von KI erzielt sie deutliche Verbesserungen hinsichtlich Genauigkeit, Produktivität und Innovation. [2]

IPA arbeitet meist noch mit klar definierten Abläufen, bekannten Datenquellen und festen Zielmetriken. Die zugrunde liegende Logik ähnelt damit klassischen Planungsansätzen aus der Robotik. Dort wird eine aktuelle Situation als Momentaufnahme eines Systems verstanden, die durch eine Menge bekannter Fakten beschrieben werden kann. Interaktionen oder Aktionen überführen diesen Zustand in einen neuen Zustand. Ziel der Planung ist es, ausgehend von einem aktuellen Zustand einen definierten Zielzustand zu erreichen. [3]

Dieses Modell funktioniert gut, solange die relevanten Einflussgrößen bekannt sind und sich der betrachtete Ausschnitt der Realität ausreichend eingrenzen lässt. Genau aus diesem Grund reduzieren klassische Planungssysteme die Komplexität bewusst auf einen möglichst kleinen und überschaubaren Teil der Welt. Kontextinformationen, Unsicherheiten oder parallele Abhängigkeiten werden häufig ausgeklammert oder außerhalb des Systems behandelt. [4]

Intelligente Automation geht bereits einen Schritt weiter. Sie denkt nicht mehr ausschließlich in einzelnen Prozessschritten, sondern in Aufgaben. Dennoch arbeitet sie meist innerhalb eines vorgegebenen Rahmens. Der Kontext wird angenommen, Vorbedingungen gelten als bekannt und viele Wechselwirkungen werden implizit behandelt oder an Menschen und angrenzende Systeme delegiert. Bei formigas verstehen wir intelligente Automation deshalb als einen notwendigen Zwischenschritt. Die nächste Entwicklungsstufe nennen wir Associative Automation.

Associative Automation erweitert den Betrachtungsraum. Sie stellt nicht nur die Frage, welche Aktion als Nächstes ausgeführt werden muss, sondern untersucht die Beziehungen zwischen Situationen, Entscheidungen und ihren Auswirkungen. In welchem Prozesskontext entsteht eine Situation? Welche Systeme, Datenquellen und Akteure beeinflussen sie? Welche Konsequenzen ergeben sich aus einer Entscheidung für nachgelagerte Prozesse?

Diese Perspektive adressiert Herausforderungen, die bereits in der Robotik als grundlegende Planungsprobleme beschrieben werden. Das sogenannte Qualifikationsproblem macht deutlich, dass nie alle Voraussetzungen einer Handlung vollständig bekannt sein können. Das Rahmenproblem beschreibt die Schwierigkeit vorherzusagen, welche Teile eines Systems von einer Entscheidung unberührt bleiben. Das Verzweigungsproblem beschäftigt sich mit den mittelbaren Auswirkungen einer Aktion und der Frage, welche weiteren Zustandsänderungen dadurch ausgelöst werden. [5]

Genau an dieser Stelle setzt Associative Automation an. Statt einzelne Tasks isoliert zu optimieren, betrachtet sie Entscheidungen als Teil eines vernetzten Systems.

Informationen werden nicht nur innerhalb eines Prozessschritts ausgewertet, sondern über verschiedene Zeitpunkte, Verantwortlichkeiten und Systemgrenzen hinweg miteinander in Beziehung gesetzt. Entscheidungen entstehen dadurch aus Zusammenhängen und nicht allein aus lokalen Optimierungskriterien.

Die Abgrenzung zwischen intelligenter und assoziativer Automation entsteht nicht primär durch neue Algorithmen. Beide Ansätze können auf denselben Methoden der künstlichen Intelligenz, Prozessautomatisierung oder Entscheidungsunterstützung aufbauen. Der Unterschied liegt vielmehr in der Architektur und im zugrunde liegenden Systemverständnis.

Während klassische Automationsansätze häufig auf die Überführung eines bekannten Ausgangszustands in einen gewünschten Zielzustand fokussieren, berücksichtigen assoziative Systeme zusätzlich die Unsicherheit, Dynamik und Vernetzung realer Umgebungen. Sie modellieren explizit, welche Zusammenhänge zwischen Situationen bestehen und welche Auswirkungen Entscheidungen auf andere Teile des Systems haben können.

Dafür benötigt Associative Automation strukturierte Wissensmodelle, versionierbare Entscheidungslogiken und klar definierte Schnittstellen zwischen technischen und organisatorischen Systemen. Erst dadurch wird es möglich, nicht nur unmittelbare Aktionen auszuführen, sondern deren Konsequenzen systematisch in nachfolgende Entscheidungen einzubeziehen. Automation überwindet so ihre rein reaktive Rolle und entwickelt sich zu einem aktiven Akteur innerhalb der Wertschöpfungskette.

Associative Automation versteht Automation nicht als einmalig implementierte Lösung, sondern als fortlaufend lernendes und sich veränderndes System. Mit dem Training und Deployment eines Modells beginnt deshalb erst die eigentliche Arbeit. Automationen verändern ihre Wechselwirkungen mit Prozessen, Daten und Menschen kontinuierlich. Betrieb, Monitoring und gezielte Nachsteuerung sind daher keine nachgelagerten Aufgaben, sondern zentrale Bestandteile der Systemarchitektur.

Gleichzeitig bleiben Menschen ein wesentlicher Bestandteil des Gesamtsystems. Sie liefern Kontext, bewerten Zielkonflikte und stabilisieren Entscheidungen dort, wo Unsicherheit, Mehrdeutigkeit oder neue Rahmenbedingungen auftreten (Human-in-the-loop). Wert entsteht dabei nicht allein durch die Leistungsfähigkeit einzelner Algorithmen, sondern durch das Zusammenspiel von technischen und organisatorischen Akteuren.

Letztlich entscheidet sich der Reifegrad einer Automation an einer grundlegenden Frage: Soll eine einzelne Aufgabe möglichst effizient ausgeführt werden oder soll ein zusammenhängendes System verstanden, gesteuert und weiterentwickelt werden? Während Intelligent Automation vor allem die Optimierung einzelner Aufgaben adressiert, beschreibt Associative Automation einen Ansatz, der Beziehungen, Wechselwirkungen und Auswirkungen entlang größerer Teile der Wertschöpfungskette in den Mittelpunkt stellt.