KI Agent oder Workflow: Wann sich autonome Schritte wirklich lohnen

Ob ein KI-Agent oder ein klassischer Workflow die bessere Wahl ist, entscheidet sich nicht daran, welches System moderner wirkt. Entscheidend ist, ob ein Prozess bekannte Schritte zuverlässig abarbeitet oder in wechselnden Situationen selbst den nächsten Schritt auswählen muss. Für Geschäftsführung, Projektverantwortliche und technische Leitung ist die Unterscheidung wichtig: Ein Agent kann mehr Handlungsspielraum eröffnen, bringt aber zusätzliche Unsicherheit bei Kosten, Fehlerverhalten und Kontrolle mit. Ein Workflow ist meist einfacher zu begrenzen und zu prüfen, kann jedoch an starren Abläufen scheitern. Die zentrale Empfehlung lautet deshalb: Automatisieren Sie zuerst den stabilen Prozess mit klaren Regeln. Geben Sie einem Agenten nur dort Entscheidungsspielraum, wo die Aufgabe ihn tatsächlich braucht – und begrenzen Sie, was er tun darf.

Kurz gesagt

Ein klassischer Workflow folgt festgelegten Schritten; ein KI-Agent kann abhängig von der Situation Schritte auswählen oder wiederholen. Wenn Eingaben, Regeln und gewünschte Ergebnisse stabil sind, ist ein deterministischer Workflow meist einfacher zu testen und zu kontrollieren. Ein Agent ist dann sinnvoll, wenn Informationen unvollständig oder unterschiedlich strukturiert sind und der nächste sinnvolle Schritt nicht vollständig vorab festgelegt werden kann. Auch in diesem Fall braucht es Grenzen, Protokollierung und definierte Freigaben.

Ausgangslage

Der Begriff Agent wird für sehr unterschiedliche Systeme verwendet. Gemeint sein kann ein Sprachmodell, das einmalig eine Aufgabe bearbeitet, oder ein System, das Ziele in Teilschritte zerlegt, Werkzeuge aufruft und anhand der Ergebnisse weitere Schritte auswählt. Diese Unterschiede sind für die Entscheidung wichtiger als das Etikett.

Ein klassischer Workflow beschreibt dagegen eine vorab festgelegte Abfolge: Ein Ereignis startet den Ablauf, Regeln bestimmen die nächsten Schritte, und definierte Bedingungen führen zu Erfolg, Abbruch oder Fehlerbehandlung. Einzelne Schritte können KI nutzen, etwa zum Klassifizieren oder Extrahieren von Informationen. Dadurch wird der Gesamtprozess nicht automatisch zu einem Agenten.

Die Verwechslung führt häufig zu zwei Problemen. Einerseits wird ein Agent eingesetzt, obwohl ein klarer Ablauf reichen würde. Andererseits wird ein starrer Workflow für Aufgaben gebaut, bei denen Eingaben stark variieren und sich die nötigen Schritte nicht vollständig vorhersagen lassen. Beides kann unnötigen Aufwand erzeugen.

Die grundlegende Trennung zwischen fester Softwarelogik und probabilistischen KI-Schritten wird auch im Beitrag KI-Workflow oder klassische Softwarelogik behandelt. Für die Entscheidung zwischen Agent und Workflow kommt zusätzlich hinzu, wer den Handlungsspielraum des Systems kontrolliert.

Entscheidungskriterien

Bewerten Sie nicht nur, ob ein Agent eine Aufgabe erledigen kann. Prüfen Sie, welche Art von Unsicherheit vorliegt und welche Folgen ein Fehltritt hätte.

1. Ist der Ablauf vorhersehbar?

Wenn die Reihenfolge der Schritte bekannt ist, lässt sie sich normalerweise fest definieren. Zum Beispiel: Eingang prüfen, Daten validieren, Entwurf erzeugen, zur Freigabe vorlegen und erst danach veröffentlichen. Für solche Abläufe bringt ein Agent oft keinen ausreichenden Zusatznutzen, um mehr Autonomie und Prüfaufwand zu rechtfertigen.

Ein Agent wird interessanter, wenn er zunächst klären muss, welche Informationen fehlen, welche Quelle geeignet ist oder welcher von mehreren erlaubten Wegen zur Aufgabe passt. Das bedeutet nicht, dass alles offenbleiben sollte: Auch ein Agent braucht klar beschriebene Ziele und Grenzen.

2. Wie variabel sind Eingaben und Kontext?

Stark strukturierte Eingaben lassen sich über feste Regeln und Validierung verarbeiten. Unstrukturierte Texte, unterschiedliche Dokumente oder mehrdeutige Anfragen können dagegen eine KI-Auswertung erfordern. Oft genügt dabei ein einzelner KI-Schritt in einem ansonsten festen Workflow.

Fragen Sie deshalb getrennt: Muss die KI Inhalte interpretieren? Und muss das System selbst entscheiden, was als Nächstes geschieht? Die erste Antwort kann Ja lauten, während die zweite Nein bleibt. Strukturierte Ausgaben und definierte Prüfschritte helfen, diese Trennung umzusetzen. Siehe dazu Strukturierte Ausgaben mit KI und JSON.

3. Welche Folgen hat eine falsche Entscheidung?

Bei einer internen Zusammenfassung kann ein Fehler meist vor der Weitergabe korrigiert werden. Bei einer Änderung an Kundendaten, einer Veröffentlichung oder einer finanziellen Entscheidung kann derselbe Fehler deutlich größere Folgen haben.

Je höher die Auswirkung, desto weniger sollte ein System ohne Prüfung handeln dürfen. Legen Sie fest, welche Aktionen automatisch ausgeführt werden können, welche eine Freigabe brauchen und welche ausgeschlossen sind. Die erforderliche Kontrolle muss zum konkreten Prozess passen; eine allgemeine Risikoklasse ersetzt keine Einzelfallprüfung.

4. Können Sie den Ablauf nachvollziehen?

Für jeden automatisierten Schritt sollte nachvollziehbar sein, welche Eingabe verarbeitet wurde, welche Regel oder KI-Ausgabe maßgeblich war und welche Aktion daraus folgte. Bei einem festen Workflow lassen sich Übergänge und Bedingungen in der Regel direkt dokumentieren. Bei einem Agenten müssen zusätzlich Werkzeugaufrufe, Zwischenergebnisse, Wiederholungen und Abbruchgründe erfasst werden.

Ein Ergebnisprotokoll allein reicht nicht immer: Bei einem Fehler muss klar sein, an welcher Stelle der Ablauf abwich und ob eine Aktion bereits ausgeführt wurde. Prüfbarkeit ist daher eine Architekturentscheidung, nicht nur eine spätere Dokumentationsaufgabe.

5. Wie lassen sich Fehler begrenzen?

Planen Sie für ungültige Eingaben, widersprüchliche Ergebnisse, Zeitüberschreitungen und nicht erreichbare Dienste jeweils ein definiertes Verhalten. Ein sicherer Fehlerpfad kann den Vorgang stoppen und zur manuellen Prüfung übergeben, statt mit unvollständigen Informationen fortzufahren.

Bei Agenten ist außerdem wichtig, welche Werkzeuge und Daten überhaupt zugänglich sind. Begrenzen Sie Berechtigungen auf das Notwendige und setzen Sie klare Grenzen für Wiederholungen, Laufzeit und Aktionen. Eine Antwort des Modells sollte nicht automatisch als Erlaubnis zur Ausführung gelten.

6. Welche Gesamtkosten entstehen?

Vergleichen Sie nicht nur die Kosten eines einzelnen Modellaufrufs. Berücksichtigen Sie auch zusätzliche Aufrufe, Werkzeugnutzung, längere Laufzeiten, Überwachung, Fehlerkorrekturen und den Aufwand für Freigaben. Ein Agent kann mehr Schritte ausführen als zunächst erwartet, weil er Ergebnisse prüft oder weitere Informationen anfordert.

Dem stehen mögliche Einsparungen gegenüber, wenn die Aufgabe sonst viele wechselnde manuelle Entscheidungen erfordert. Der Vergleich sollte sich deshalb auf den gesamten Prozess beziehen: Aufwand pro Fall, Nacharbeit, Betrieb und Kontrolle.

Optionen und Szenarien

Option A: Deterministischer Workflow

Der Ablauf ist festgelegt; einzelne Schritte können Regeln, klassische Softwarelogik oder einen begrenzten KI-Aufruf enthalten. Validierung und Freigaben sind explizit eingeplant. Diese Option passt, wenn der Prozess wiederholbar ist und die Abweichungen bekannt sind.

Das folgende YAML ist ein vereinfachtes Beispiel ohne Bezug zu einem bestimmten Tool. Es zeigt einen festen Ablauf mit Validierung, Freigabe und Fehlerbehandlung:

workflow:
  trigger: neuer_eingang
  steps:
    - id: pruefen
      action: eingabe_validieren
      on_error: an_manuelle_pruefung_geben
    - id: entwurf
      action: entwurf_erstellen
      requires: pruefen.ergebnis == gueltig
    - id: freigabe
      action: auf_freigabe_warten
      requires: entwurf.vollstaendig == true
    - id: ausfuehren
      action: freigegebene_aenderung_ausfuehren
      requires: freigabe.status == genehmigt
  failure:
    on_timeout: stoppen_und_protokollieren
    on_rejection: nicht_ausfuehren

Die entscheidende Eigenschaft ist nicht das YAML-Format, sondern die explizite Reihenfolge: Ein Fehler stoppt den Ablauf, und eine Änderung wird erst nach Freigabe ausgeführt. In einem produktiven System müssten zusätzlich Zuständigkeiten, Berechtigungen und Protokollierung konkret festgelegt werden.

Option B: KI-Schritt in einem festen Workflow

Ein KI-Modell übernimmt eine klar abgegrenzte Aufgabe, etwa eine Klassifikation oder Extraktion. Danach prüft der Workflow das Ergebnis gegen ein Schema oder eine Regel und entscheidet über den nächsten Schritt. Bei einem nicht validierbaren Ergebnis wird der Fall angehalten oder zur Prüfung weitergeleitet.

Diese Mischform reicht für viele Prozesse aus: Die KI behandelt variable Inhalte, während der Prozess selbst kontrolliert und vorhersehbar bleibt. Der Beitrag Human-in-the-loop beschreibt, warum eine gezielte menschliche Prüfung Teil der Prozessgestaltung sein kann.

Option C: Agent mit begrenztem Handlungsspielraum

Ein Agent passt, wenn er innerhalb eines klaren Rahmens selbst ermitteln muss, welche erlaubte Teilaufgabe als Nächstes sinnvoll ist. Zum Beispiel kann er bei einer Recherche passende Informationen suchen, Zwischenergebnisse bewerten und einen begründeten Entwurf erstellen.

Begrenzen Sie dafür mindestens die verfügbaren Werkzeuge, die zugänglichen Daten, die möglichen Aktionen und die Bedingungen für Abbruch oder Freigabe. Eine praktische Einordnung agentischer Abläufe bietet der Beitrag Manus für agentische Workflows.

Kriterium	Fester Workflow	KI-Schritt im Workflow	Agent
Ablauf	Vorab definiert	Vorab definiert, mit KI-Aufgabe	Teilweise durch System gewählt
Geeignet für	Wiederholbare Prozesse	Feste Prozesse mit variablen Inhalten	Variable Aufgaben mit nötiger Auswahl zwischen Schritten
Kontrolle	Direkt über Regeln und Übergänge	Regeln plus Prüfung der KI-Ausgabe	Grenzen, Berechtigungen und Protokollierung erforderlich
Fehlerbehandlung	Vorab definierte Pfade	Validierung und Eskalation	Zusätzlich Begrenzung von Werkzeugen und Wiederholungen

Praxisbeispiel

Die Plattform Ting lässt mehrere KI-Anbieter unabhängig antworten und ihre Ergebnisse strukturiert als approve, revise oder reject bewerten. Freigegeben wird nur bei Einstimmigkeit; PostgreSQL mit pgvector dient als Gedächtnis, strukturierte Ausgaben werden per Schema vorgegeben.

Das Beispiel zeigt eine mögliche Form begrenzter KI-Entscheidungen: Das System kann Ergebnisse vergleichen, aber die Freigabebedingung ist festgelegt. Daraus folgt nicht, dass für jede mehrstufige KI-Aufgabe ein Agent nötig ist. Entscheidend bleibt, ob die zusätzliche Auswahl von Schritten einen konkreten Prozessvorteil bringt.

Typische Fehler

• Agent als Synonym für KI-Automatisierung verwenden. Ein Modell kann Teil eines festen Workflows sein, ohne selbst den Prozess zu steuern.
• Autonomie als Ziel behandeln. Mehr Handlungsspielraum ist nur sinnvoll, wenn er eine echte Prozessanforderung erfüllt.
• Freigabe nur am Ende vorsehen. Bei folgenreichen Aktionen sollte klar sein, welche Zwischenschritte bereits ausgeführt wurden und was die Freigabe genau erlaubt.
• Fehlerpfade offenlassen. Ungültige Ausgaben, Zeitüberschreitungen und widersprüchliche Ergebnisse brauchen definierte Reaktionen.
• Nur erfolgreiche Läufe testen. Prüfen Sie auch Abbrüche, fehlende Daten, Ablehnungen und Wiederholungen. Weitere Kriterien behandelt KI-Workflows richtig testen.
• Kosten nur pro Modellaufruf betrachten. Nacharbeit, Überwachung und Betrieb gehören zum Vergleich.
• Protokollierung nachträglich ergänzen. Ohne geeignete Spuren lassen sich Entscheidungen und Fehler später nur schwer nachvollziehen.

Empfehlung

Wenn Eingaben strukturiert sind und Schritte feststehen, wählen Sie einen deterministischen Workflow. Wenn Inhalte variieren, aber der Prozess stabil bleibt, integrieren Sie einen begrenzten KI-Schritt mit Validierung und klarer Fehlerbehandlung.

Wenn das System zwischen mehreren zulässigen nächsten Schritten wählen muss, prüfen Sie einen Agenten. Begrenzen Sie dessen Werkzeuge und Berechtigungen, protokollieren Sie Entscheidungen und legen Sie fest, wann ein Mensch übernehmen muss. Wenn Folgen schwer rückgängig zu machen sind, lassen Sie die entscheidende Aktion zunächst freigeben.

Wenn sich die Anforderungen noch nicht klar beschreiben lassen, beginnen Sie nicht mit maximaler Autonomie. Erfassen Sie zuerst den Prozess, seine Ausnahmen und die Folgen von Fehlern. Dann können Sie schrittweise festlegen, welcher Teil regelbasiert, KI-gestützt oder agentisch bearbeitet werden soll. Das entspricht dem Prinzip Know → Change → Prove: Zustand verstehen, Änderung begrenzt ausführen und Wirkung prüfen.

Checkliste

• Ist die Reihenfolge der Prozessschritte bekannt?
• Muss die KI Inhalte interpretieren – oder auch den nächsten Schritt auswählen?
• Welche Aktionen darf das System selbst ausführen?
• Welche Folgen hätte eine falsche Entscheidung?
• Sind Validierung, Abbruch und Fehlerbehandlung festgelegt?
• Gibt es eine Freigabe vor folgenreichen Aktionen?
• Werden Eingaben, Entscheidungen, Werkzeugaufrufe und Ergebnisse nachvollziehbar protokolliert?
• Sind Laufzeit, Wiederholungen und Zugriffsrechte begrenzt?
• Werden neben erfolgreichen Fällen auch Fehler und Ausnahmen getestet?
• Ist der erwartete Nutzen größer als zusätzlicher Betriebs- und Prüfaufwand?

Häufige Fragen

Ist ein KI-Agent immer besser als ein klassischer Workflow?

Nein. Ein Agent ist sinnvoll, wenn die Auswahl des nächsten Schritts tatsächlich variabel ist. Bei stabilen Abläufen ist ein Workflow oft leichter zu kontrollieren und zu prüfen.

Kann ein Workflow KI enthalten, ohne ein Agent zu sein?

Ja. Ein Workflow kann KI für eine klar definierte Aufgabe wie Klassifikation oder Textextraktion einsetzen und trotzdem alle Prozessschritte fest vorgeben.

Wann sollte ein Mensch freigeben?

Wenn eine Aktion erhebliche Folgen hat, schwer rückgängig zu machen ist oder das Ergebnis nicht zuverlässig automatisch geprüft werden kann. Die Freigabe sollte an einem klaren Prozesspunkt liegen.

Wie lässt sich ein Agent sicher begrenzen?

Definieren Sie erlaubte Werkzeuge, Datenzugriff und Aktionen. Legen Sie außerdem fest, wann der Agent stoppen, erneut prüfen oder an einen Menschen übergeben muss, und protokollieren Sie die relevanten Schritte.

Weiterführend

• KI-Automatisierung im Unternehmen
• Welche Prozesse eignen sich für KI-Automatisierung?
• KI-Workflows richtig testen
• Manus für agentische Workflows

Weiterführende Quellen

Diese offiziellen Dokumentationen und Standards vertiefen die behandelten Themen.

• NIST AI Risk Management Framework
• OpenAI: Structured Outputs