willyam - stock.adobe.com
Was sind die Unterschiede zwischen RPA und IPA?
RPA und IPA können ineinandergreifen, um den Umfang eines Prozessautomatisierungsprojekts zu erweitern. Aber zuerst ist es wichtig, die wichtigsten Unterschiede zu verstehen.
Intelligent Process Automation (IPA) wird zunehmend als Ergänzung zu Robotic Process Automation (RPA) gesehen und erweitert dessen Anwendungsbereich um Technologien der künstlichen Intelligenz (KI). CIOs und andere IT-Führungskräfte sollten die wichtigen Unterschiede zwischen den beiden Automatisierungstechnologien verstehen, bevor sie sie in ihre Technologie-Roadmaps einbeziehen.
Was ist RPA?
Robotic Process Automation (RPA) ist eine Form der Automatisierung, die die Art und Weise imitiert, wie Menschen mit Computerprogrammen interagieren. Sie wird häufig für die Automatisierung einfacher Prozesse sowie für die Integration von Legacy-Anwendungen untereinander oder mit modernen Anwendungen eingesetzt. Die Anwendungen, die auf Basis von RPA erstellt werden, nennt man Softwareroboter, kurz Bots.
Technisch gesehen wird RPA nur zur Automatisierung von Aufgaben und nicht von Prozessen eingesetzt. Dies begrenzt die Komplexität und Langlebigkeit der Arten von Automatisierung, die mit RPA-Tools erstellt werden können. Gleichzeitig erweitern alle führenden RPA-Anbieter, darunter UiPath, Automation Anywhere und Blue Prism, die Fähigkeiten ihrer Tools.
Neue Funktionen zielen darauf ab, das Management, die Skalierbarkeit und die Integration mit anderen Tools, einschließlich künstlicher Intelligenz (KI), Digital Process Automation (digitaler Prozessautomatisierung, DPA), Process Mining und Business Rules Engines, besser zu unterstützen.
Was ist IPA?
Intelligent Process Automation (IPA), zu Deutsch intelligente Prozessautomatisierung, ist Software, die Prozessautomatisierungsfunktionen – einschließlich RPA, DPA und Process Mining – mit KI und Machine Learning kombiniert.
IPA nutzt KI-Technologien, um unstrukturierte Daten zu strukturieren. Optische Zeichenerkennung (Optical Character Recognition, OCR) wird beispielsweise verwendet, um Text in einer Rechnung zu lesen, und natürliche Sprachverarbeitung (Natural Language Processing, NLP) wird eingesetzt, um die Felder zu interpretieren, damit die Daten in ein ERP-System kopiert werden können. Diese erweiterten Funktionen fügen unstrukturierten Daten einen Kontext hinzu und ermöglichen es Unternehmen, sich wiederholende Aufgaben zu automatisieren, wie zum Beispiel das Onboarding von Kunden, die zuvor manuell durchgeführt wurden.
Die IPA-Infrastruktur ermöglicht es, verschiedene KI-Funktionen mit gängigen Geschäfts- oder Branchen-Workflows zu kombinieren, wie zum Beispiel die Bearbeitung von Rechnungen, die Beschaffung und das Management des Vertragslebenszyklus.
RPA- und DPA-Anbieter erweitern ihre Produkte mit einem kompletten IPA-Stack an Funktionen, die die Entwicklung, das Management und die Governance von komplexeren Automatisierungen unterstützen.
Was sind die Unterschiede zwischen RPA und IPA?
Anwendungsbereich. IPA deckt einen größeren Arbeitsbereich ab als RPA – es kann mehr Arten von Datenformaten verarbeiten und verspricht, neue Arten intelligenterer Entscheidungen zu ermöglichen.
Zusammenarbeit. Um von IPA zu profitieren, müssen IT- und Data-Science-Teams jedoch intensiver miteinander und mit den Fachanwendern zusammenarbeiten, als sie es normalerweise bei RPA-Implementierungen tun.
„RPA ist lediglich Robotik und benötigt keine Intelligenz, um zu funktionieren“, sagt Banwari Agarwal, Global Head of Cloud, Infrastructure and Cybersecurity Business bei Larsen & Toubro Infotech (LTI). Daher ist es eine passende Technologie für gut definierte, regelbasierte Prozesse, die von der IT und sogar von Fachanwendern implementiert werden können.
KI-Fähigkeiten. Im Gegensatz dazu wird IPA für komplexere Prozesse eingesetzt, die von KI-Fähigkeiten profitieren. Dies beinhaltet die Kombination von RPA mit intelligenter Datenaufnahme, natürlicher Sprachverarbeitung, maschinellem Lernen und operativer Analytik – Bereiche, die die Expertise von Data Scientists erfordern.
Softwareentwicklung. IPA-Plattformen können auch die Vorteile von Low-Code- und DPA-Plattformen nutzen, um komplexere und skalierbarere Automatisierungen zu entwickeln, als dies durch die Nachahmung des Benutzerverhaltens mit herkömmlichen RPA-Entwicklungswerkzeugen möglich ist. Der Wert und die Ergebnisse von RPA-Projekten waren traditionell begrenzt, da sich RPA auf Aufgaben und nicht auf End-to-End-Prozesse konzentriert. Diese Unterscheidung beginnt mit dem Aufkommen hybrider RPA-Entwicklungs-Tools zu verschwinden, welche Code generieren, der unter Verwendung von Anwendungs-APIs ausgeführt wird, anstatt Tastenanschläge und Klicks strikt zu emulieren.
Viele RPA-Technologien können auch mit Low-Code oder No-Code implementiert werden. Der Wert und die Ergebnisse von RPA-Projekten sind jedoch begrenzt, da der Fokus von RPA auf Aufgaben und nicht auf End-to-End-Prozessen liegt.
Ausfallsicherheit. IPA-Anwendungen können auch stabiler sein, da sie auf der Ebene von verwalteten Anwendungs-APIs arbeiten. Im Gegensatz dazu arbeitet RPA auf der Ebene der Benutzeroberfläche, die sich mit größerer Wahrscheinlichkeit ohne Vorankündigung in einer Weise ändern kann, die die Automatisierung unterbricht.
Benutzerfreundlichkeit. Agarwal ist überzeugt, dass der Hauptvorteil von RPA-Plattformen darin besteht, dass sie einfach zu bedienen sind und keine tiefgreifenden technologischen Kenntnisse erfordern.
IPA-Entwicklung und -Implementierungen sind deutlich komplexer. Die Technologie erfordert Datenextraktion und -klassifizierung, Machine Learning und KI, um die Entscheidungsfindung zu unterstützen. Unternehmen, die IPA einsetzen, benötigen Experten, die ein tiefes Verständnis für die ständig wachsende Anzahl von Tools und Funktionen in diesem Bereich haben.
Agarwal sagt, dass die Anforderungen an die technischen Fähigkeiten der Anwender die wichtigsten Unterscheidungsmerkmale sind, die IT-Führungskräfte im Vorfeld kennen sollten. Die für RPA erforderlichen technischen Fähigkeiten reichen von grundlegend bis ausgereift, während die für IPA erforderlichen technischen Fähigkeiten von ausgereift bis fortgeschritten reichen.
Es ist nicht überraschend, dass RPA aufgrund dieser Benutzerfreundlichkeit deutlich mehr Zugkraft besitzt. „Es gibt mehr Prozesse, die mit RPA automatisiert werden als mit IPA“, erklärt Agarwal.
Effizienzgewinne. Die mit RPA verbundenen Prozesseffizienzen sind jedoch nicht so hoch wie die potenziellen Effizienzgewinne durch IPA. Bei RPA-Implementierungen spielen Menschen weiterhin eine Rolle bei der Datenextraktion und Entscheidungsfindung neben der regelbasierten Verarbeitung durch RPA-Tools. IPA hingegen verspricht einen größeren Wert bei der Reduzierung manueller Arbeitskosten, da es einen Großteil der menschlichen Entscheidungsfindung automatisiert.
Laut Agarwal können die Technologien, die IPA ermöglichen, Unternehmen auch bei der Migration von RPA- zu IPA-Implementierungen helfen. Dazu gehören: Smart Intake Tools, Machine Learning, KI und eine Operational-Analytics-Plattform.
Das Kontinuum von RPA und IPA
In der Tat sieht Deven Samant, Director of Enterprise Solutions bei Infostretch, einem Unternehmen für Digital-Engineering-Lösungen, den Wechsel zu IPA als Kontinuum, wobei RPA als Grundlage für künstliche Intelligenz, Machine Learning und Analytics dient, IPA zur Automatisierung von Geschäftsprozessen. „Man kann IPA nicht ohne die Grundlage von RPA haben“, sagt er.
Samant erklärt, dass sich dieses Kontinuum in drei Phasen einteilt:
- Unternehmen schaffen digitale Bot-Arbeitskräfte und automatisieren Geschäftsprozesse, die genau definiert sind.
- Machine Learning hilft diesen automatisierten Systemen, Entscheidungen zu verstehen und zu operationalisieren.
- KI beginnt, Entscheidungen zu treffen, die normalerweise von Menschen getroffen werden.
Die ersten beiden Phasen sind eher prozessorientiert – es geht um die Automatisierung von definierten und deterministischen Prozessen. In der dritten Phase befähigen maschinelles Lernen und KI die Bots dazu, mehr nicht-deterministisches Verhalten zu verarbeiten. Es geht darum, eine Maschine dazu zu bringen, über eine Aufgabe nachzudenken, und eine Maschine dazu zu bringen, über den Prozess nachzudenken, sagt Samant.
Die Bots zum Leben erwecken
Angelo Poulikakos, Managing Director von Protiviti's Internal Audit and Financial Advisory Practice, sieht RPA und IPA ebenfalls als ein Kontinuum. „Bei IPA geht es darum, RPA mit ergänzenden Technologien wie OCR, NLP, Datenanalyse und Chat-Interaktionen zu kombinieren, um den Roboter zum Leben zu erwecken“, sagt er. Diese Fähigkeiten erweitern die Arbeit des Roboters und ermöglichen es ihm, unstrukturierte Daten zu lesen, menschliche Sprache zu interpretieren, auf Trends zu achten und Ergebnisse vorherzusagen.
Poulikakos stimmt zu, dass die meisten Unternehmen typischerweise mit RPA beginnen, bevor sie sich auf IPA-orientierte Anwendungsfälle einlassen. Sein Unternehmen hat beispielsweise mehrere Kunden bei der Entwicklung von RPA-Robotern unterstützt, die auf der Grundlage eines genau definierten Formulars für die Zugriffsanforderung und eines Genehmigungs-Workflows automatisch Zugriff auf Systeme gewähren oder entziehen. Diese Workflows werden in der Regel mit Checkboxen und Dropdown-Menüs spezifiziert, um den Benutzer, die Zugriffsebene und den aktuellen Status zu identifizieren.
Nachdem sich ein RPA-Roboter in einer Umgebung stabilisiert hat, kann er über IPA erweitert werden, so dass ein Chatbot die Bereitstellung oder Sperrung des Zugangs erleichtern kann. Die Chatbots können die Absicht eines Benutzers interpretieren, um Aktionen zu steuern, die möglicherweise nicht ausgesprochen wurden. Wenn zum Beispiel jemand sagt: „Mary hat die Organisation verlassen. Bitte entfernen Sie ihren Zugang“, sammelt der Bot die Eingabe und löst anschließend den RPA-Roboter aus, der einen Genehmigungs-Workflow initiiert und eine definierte Aktion ausführt. Gleichzeitig speichert er den Gesprächsverlauf, der als Audit Trail dient.
RPA-Regelorientierung versus IPA-Fähigkeiten
Eldon Richards, CTO beim Automatisierungsspezialisten Recondo Technology, sagt, dass einer der Hauptunterschiede zwischen RPA und IPA die Fähigkeit von IPA ist, aus Erfahrungen zu lernen. Diese Fähigkeit ist besonders wichtig, wenn ein hoher Grad an Variabilität in einem Prozess oder in den Daten, die zur Unterstützung des Prozesses verwendet werden, vorhanden ist. Bei RPA muss der Implementierer die Variabilität in programmierten Algorithmen oder Regeln im Voraus behandeln. Bei IPA kann der Umgang mit der Variabilität manchmal automatisch aus Erfahrung gelernt werden.
Es gibt zwei wichtige Möglichkeiten, wie diese Unterschiede in der Praxis zum Tragen kommen. Erstens kann IPA verwendet werden, um bestimmte Prozesse zu automatisieren, die für RPA-Tools zu arbeitsintensiv sind. Wenn es eine große Anzahl von Ausnahmefällen gibt – zum Beispiel, wenn unerwartete Umstände auftreten, wie fehlende oder ungenaue Informationen oder wenn Zahlen einen typischen Schwellenwert überschreiten – erfordert die Implementierung von RPA die Entwicklung einer Logik, um jeden einzelnen Fall zu behandeln. IPA kann in solchen Situationen nützlich sein, wenn es möglich ist, von einem erfahrenen menschlichen Akteur, der die Prozesse durchführt, zu lernen – solange das IPA-Tool genügend dieser Ausnahmefälle beobachten kann.
Zweitens kann IPA eingesetzt werden, wenn Kognition auf höherer Ebene erforderlich ist, um eine Entscheidung in einem Prozess zu treffen. Zum Beispiel kann RPA bei der Ablage von E-Mails effektiv sein, wenn die Ablage auf Attributen wie dem Absender, Schlüsselwörtern in der Betreffzeile oder darauf, ob die E-Mail einen Anhang hat, basiert. Im Gegensatz dazu beobachtet IPA, welche E-Mails ein Mensch in seinen Spam-Ordner legt und welche sofort beantwortet werden. Dies erlaubt es ihm, eine differenziertere Entscheidung zu treffen.
Anforderungen an die Zusammenarbeit bei RPA und IPA
Wie bereits erwähnt, erfordert IPA mehr Zusammenarbeit zwischen den Teams als RPA. Data-Science- und IT-Teams müssen sich mit den Abteilungsleitern abstimmen, die über das nötige Fachwissen über die zu automatisierenden dokumentenbasierten Geschäftsprozesse verfügen. „Dies führt zu besseren Implementierungen und zur Identifizierung zusätzlicher hochwertiger Anwendungsfälle“, sagt Tom Wilde, CEO von Indico, einer IPA-Plattform für unstrukturierte Inhalte.
Das Hinzufügen einer Schicht von Intelligenz zu RPA kann einen transformativen Effekt auf Prozesse haben, wie zum Beispiel, wenn Teams zusammenarbeiten, um bessere Feedback-Schleifen für das Training der KI-Modelle zu finden. „Plötzlich können die Bots sowohl hochwertige, entscheidungsrelevante als auch sich wiederholende Aufgaben bewältigen“, sagt Arvind Jagannath, Senior Director of Product Management bei Sagent, einem Anbieter für Kreditserviceplattformen.
In seinem Unternehmen werden die KI-Modelle, die die RPA-Entscheidungen steuern, verbessert, wenn Geschäftsanwender und Data Scientists festlegen, welche Datensätze für das laufende Training verwendet werden sollen. Diese Zusammenarbeit kann die Bewertung der Leistung von Modellen über verschiedene Zeitskalen beinhalten. Ein Modell mit kurzer Zeitskala kann sich ansehen, welche Kredite menschliche Experten genehmigen oder ablehnen – eine längere Zeitskala berücksichtigt, welche Kredite menschliche Experten genehmigt haben, aber anschließend ausgefallen sind, um das Modell weiter zu verfeinern. „Mit mehr Daten können die Modelle zur Entscheidungsfindung genauer und zuverlässiger werden“, sagt Jagannath.
Wie ergänzen sich RPA und IPA?
RPA ist, wie bereits erwähnt, eine ideale Technologie, um ein Automatisierungsprojekt zu starten. Die Tools ermöglichen es Geschäftsanwendern in vielen Rollen, ein Bot zu erstellen, indem sie im Wesentlichen aufzeichnen, wie sie mit verschiedenen Anwendungen in einem Prozess interagieren. Dadurch sind die Bots intuitiv zu bedienen, um simple, sich wiederholende Aufgaben zu automatisieren.
Sobald eine Automatisierungsinitiative im Gange ist, können Teams damit beginnen, Möglichkeiten zur Erweiterung dieser Fähigkeiten zu evaluieren, indem sie Tools zum Lesen von Dokumenten wie Rechnungen und Verträgen, zur Strukturierung der darin enthaltenen Daten und zur Verbindung dieser Daten mit anderen Anwendungen wie ERP- und CRM-Systemen einsetzen.
Zusammenfassend lässt sich sagen, dass es viele Möglichkeiten gibt, wie sich RPA und IPA gegenseitig ergänzen:
- RPA kann dabei helfen, den Weg zu anspruchsvolleren Automatisierungsinitiativen mit IPA zu ebnen. Zum Beispiel könnten Unternehmensteams damit beginnen, Bots zu entwickeln, die es einfacher machen, zu sehen, wie Prozesse im Unternehmen ausgeführt werden.
- Diese Bots können es einfacher machen, zu erkennen, wenn Ausnahmen von normalen Prozessen auftreten und die Entwicklung von komplexeren Prozessen und Automatisierungen, die auf IPA-Plattformen aufgebaut sind, zu informieren.
- Sobald ein Unternehmen eine IPA-Plattform eingeführt hat, kann RPA wiederum eine Möglichkeit bieten, komplexere Automatisierungen über die Benutzeroberfläche in verschiedene Anwendungen einzubinden. Dies bedeutet, dass Geschäftsanwender diese Anwendungen erweitern können, anstatt sich auf Entwickler zu verlassen, die ein tieferes Verständnis von API-Integrationstechniken haben.