KI: Machine Learning, Generative KI & RPA als Team • Stefan Golling Konzepte

Irgendwie ist ja alles „KI“, und sie wird immer intelligenter: Das Zusammenspiel von Machine Learning, Generativer KI und Robotic Process Automation ermöglicht durchgetakte Automatisierungen, die a) auf Insights basieren und b) nicht halluzinieren. Als Entscheider (oder Anwender) wird man davon nicht viel mitbekommen, weil die großen Business-Software-Anbieter Komplettlösungen anbieten (oder anbieten werden).

Agents: Wohin des Wegs, KI-Helferlein?

Die größte Sau, die Stand März 2025 durchs Dorf getrieben wird, ist der „Agent“ von Manus AI. Ja, die Demos von Manus, die man im Internetz findet, sind WOW: Der Agent arbeitet wie ein echter Mitarbeiter, mit Zugriff auf Tools von Tasks verstehen und aufdröseln, Websuche bis Python- und Web-Programmierung, um Arbeitsergebnisse abzuliefern.

Aber ich frage mich immer: Wie sieht denn der Produktiveinsatz aus? Und da wird es – aktueller Stand – bei Black-Box-Tools aus China düster.

Eine große Kooperation haben Databricks und Anthropic eingefädelt, um gemeinsam Agenten-Lösungen zu verkaufen. Man hat wohl das Ziel, dass Agenten eine 95 % Arbeitsqualitäts-Trefferquote haben sollen (und nicht nur 70 %), was dann angeblich so gut wäre wie ein Mensch. Naja.

Die nächste Frage ist, beispielsweise bei Code-Projekten, dass Code – sind wir mal ehrlich – nie fertig ist. Selbst bei einer banalen (größeren) Website findet man jeden Tag Bugs oder Optimierungen, die dann auch abgearbeitet werden müssen. Für einen automatisierten Einsatz wäre ein KI-Ticket-System-Agent nötig (gibt’s nicht so richtig, wird schon noch kommen). Aktuell kann man schon mit Code chatten, wie hier im Bild in VS Code:

Mit Cline kannst du z.B. Anthropic Claude Sonnet 3.7 als Code-„Berater“ (und Mitprogrammierer) einspannen, genausow wie „Codestral“ von Mistral (= europäische Lösung). Mit „Auto-approve“ wird der KI-Chatbot zum Programmierer… und wirft die Abrissbirne auf deinen Code. (Alternative Code-Chatbots: Claude Code für die Linux-Konsole, und in VS Code auch Copilot oder Continue).

Zurück zu den Agenten: Außerdem stecken da mehrere „KIs“ im Hintergrund drin, die sich laufend wandeln. Beispiel: Claude Sonnet 3.5 kann teils besser Deutsch als das aufgebohrte Claude 3.7 im teuren „Thinking“-Modus – jedes Update einer KI im Hintergrund kann den Output der Black Box stark ändern. Für den Produktiveinsatz im Unternehmen ist das Horror. Folge: Man sollte wissen, wo die Sollbruchstellen in Black Boxes bzw. Agentenystemen sind, um im Fall der Fälle etwas reparieren zu können.
Auch stellt sich eine Preisfrage: In einer FAQ bei Anthropic steht, dass ein Agent im Bereich Coding durchaus Tokens im Wert von 100 Dollar pro Stunde verbraten kann. Wenn so ein Agent dann die ganze Nacht durchrödelt und das Ergebnis ist nachher Mistzeug, dann aber Hallo.

So sieht sowas auf dem Trockendock aus:

In diesem Flowchart (Mermaid) siehst du eine Möglichkeit für den kombinierten Einsatz von Machine Learning, Generative KI und Robotic Process Automation in einer Marketingabteilung. Oben rechts ist der Start, mit der Datensammlung, und danach ist es ein ziemliches Ping Pong zwischen den KI-Tools. Da braucht man also viele Tools.

graph TD
    A[(Datensammlung)] -->|RPA| B[Datenaufbereitung]
    B -->|ML| C[Kundenanalyse]
    B -->|ML| D[Marktsegmentierung]
    C --> E[Personalisierung]
    D --> E
    E -->|Gen AI| F[Inhaltserstellung]
    E -->|ML| G[Kanalauswahl]
    F --> H[Kampagnenerstellung]
    G --> H
    H -->|RPA| I[Kampagnenautomatisierung]
    I --> J[Kampagnenausführung]
    J -->|ML| K[Leistungsanalyse]
    K --> L[Optimierung]
    L --> A

    subgraph ML [Machine Learning]
        C
        D
        G
        K
    end

    subgraph GenAI [Generative KI]
        F
    end

    subgraph RPA [Robotic Process Automation]
        A
        I
    end

    style ML fill:#f9f,stroke:#333,stroke-width:3px
    style GenAI fill:#ff9,stroke:#333,stroke-width:3px
    style RPA fill:#9ff,stroke:#333,stroke-width:3px

Das sieht ein wenig kompliziert aus, ist es aber gar nicht.

Diese Schritte sind möglich:

Datensammlung: Der Prozess beginnt mit der Sammlung von Kundendaten und Marktinformationen. Das ist ein RPA-Thema – genauso wie die Weitergabe (und Aufbereitung) der Daten an die Analysesoftware.
Datenanalyse (ML): Machine Learning-Algorithmen analysieren die gesammelten Daten, um Muster und Erkenntnisse zu gewinnen.
Kundensegmentierung (ML): Basierend auf der Analyse werden Kunden in verschiedene Segmente eingeteilt.
Kampagnenplanung: Mit den gewonnenen Erkenntnissen wird die Marketingkampagne geplant. Das kommt generative KI ins Spiel.
Inhaltserstellung (Gen AI): Generative KI wird eingesetzt, um personalisierte Inhalte für verschiedene Kundensegmente zu erstellen.
Personalisierung (ML + Gen AI): Die Kombination aus ML und Gen AI ermöglicht eine hochgradige Personalisierung der Marketingbotschaften.
Automatisierte Auslieferung (RPA): RPA-Tools werden verwendet, um die personalisierten Inhalte automatisch über verschiedene Kanäle auszuliefern.
Performance-Analyse (ML): ML-Algorithmen analysieren die Leistung der Kampagne in Echtzeit.
A/B-Testing (ML + RPA): ML wird für die Analyse von A/B-Tests verwendet, während RPA die Tests automatisiert durchführt.
Berichterstattung (RPA): Zum Schluss erstellt RPA automatisch Berichte über die Kampagnenleistung.

Computer Use von Anthropic ist ein „Menschenersatz“

Ein Rundumsorglos-Paket sind Agenten, die den Computer selbst bedienen können. Sie erschließen sich, wie bei Computer Use, ihre Welt über Screenshots „ihres“ Computers (= virtuelle Maschine). Nach der Screenshot-Auswertung weiß der Assistent, was er anklicken könnte, bewegt die Maus dahin und klickt. Das klappt, ist allerdings aktuell recht langsam.

Jede KI-Technologie spielt dabei ihre spezifische Rolle

ML wird hauptsächlich für Analysen und Vorhersagen eingesetzt.
Gen AI fokussiert sich auf die Erstellung von Inhalten.
RPA automatisiert repetitive Aufgaben wie die Auslieferung von Inhalten und die Berichterstattung.
KI Agenten wie Manus (oder Claude Computer Use, oder Open AI, oder kommende Tools von Google, oder Agentforce von Salesforce etc.) bringen alles zusammen – mal besser, mal schlechter – um den Konfitgurationsaufwand zu senken. Sich sowas als KMU selbst zusammenzubauen ist übel – man sollte also den Markt beobachten, Tools testen, und wenn es „Klick“ macht in den (kleinen) Produktiveinsatz überführen.

In diesen Tortendiagrammen siehst du, wie unterschiedlich die „KI“-Technologien sind: Sie haben kaum Gemeinsamkeiten.

KI-Technologien im Vergleich

Machine Learning

Generative KI

Robotic Process Automation

Die Charts und Erläuterungen wurden alle mit der Unterstützung von Claude erstellt.

Auf LinkedIn folgen

Über den Autor

Stefan Golling, Köln. Seit 2011 Freelance Creative Director, freier Texter, Creative Consultant und Online-Marketing-Berater mit Kunden von Mittelstand bis S&P 500. Erfahrung: 1998 mit Radiowerbung in Stuttgart gestartet, 2000 als Junior-Werbetexter zu Publicis München, 2001 Counterpart Köln, 2002 als Copywriter zu Red Cell Düsseldorf (heißt heute Scholz & Friends), dort ab 2007 Creative Director.

Kontakt aufnehmen

Artikel zu ähnlichen Themen

Gern 5 Sterne vergeben

Teilen / Share