Agentische Workflows: Definition, Muster und Beispiele

Ein agentischer Workflow ist ein KI-Workflow, in dem einzelne Schritte das Modell entscheiden lassen. Definition, fünf Muster, Beispiel, Kosten, Leitplanken.

Ein agentischer Workflow ist ein KI-Workflow, dessen Ablauf im Großen vorab feststeht, in dem aber einzelne Schritte das Modell entscheiden lassen: in welchen Zweig ein Fall geht, in wie viele Teilaufgaben eine Anfrage zerlegt wird, welches Tool aufgerufen wird oder ob ein Entwurf gut genug ist, um weiterzugehen. Er liegt zwischen dem einfachen KI-Workflow, in dem das Modell nur festgelegte Schritte ausführt, und dem autonomen Agenten, der sein gesamtes Vorgehen selbst wählt. Für die meisten Geschäftsprozesse ist das die vernünftige Mitte: genug Flexibilität für unterschiedliche Fälle, genug Struktur, um zu testen, Kosten vorherzusagen und die Kontrolle zu behalten.

KI-Workflow, agentischer Workflow, Agent: Wo verläuft die Grenze?

Die Begriffe werden unscharf verwendet, auch von Anbietern. Die Europäische Kommission weist in ihren FAQ zu KI-Agenten selbst darauf hin, dass sie oft uneinheitlich gebraucht werden. Der nützliche Test ist einfach: Wer bestimmt den nächsten Schritt?

	KI-Workflow	Agentischer Workflow	Autonomer Agent
Ablauf	Durchgehend festgelegt	In Grundzügen festgelegt	Vom Modell gewählt
Entscheidungen des Modells	Keine über den Ablauf	Gezielt: zuordnen, zerlegen, bewerten	Alle
Zahl der Modellaufrufe	Bekannt	Begrenzt	Schwankend
Tests	Schritt für Schritt	Schritt für Schritt, dazu die Entscheidungspunkte	Ganze Szenarien
Passt zu	Stabilen, wiederkehrenden Prozessen	Stabilen Prozessen mit wechselnden Fällen	Offenen Problemen

Anthropic verwendet im Leitfaden Building effective agents „agentische Systeme“ als Oberbegriff und unterscheidet Workflows, in denen Modelle und Tools über vordefinierte Codepfade orchestriert werden, von Agenten, in denen das Modell seinen Ablauf selbst steuert. Die folgenden Muster tragen die Namen aus diesem Leitfaden.

Die fünf Muster, die Sie kennen sollten

1. Prompt Chaining

Die Aufgabe wird in aufeinanderfolgende Schritte zerlegt; jeder Modellaufruf arbeitet mit dem Ergebnis des vorherigen, bei Bedarf mit Prüfungen dazwischen. Beispiel: Vertragsklauseln auslesen, mit Ihren Bedingungen vergleichen, dann die Zusammenfassung schreiben. Es ist das am wenigsten agentische Muster und oft das lohnendste; mehr dazu im Artikel zu Prompt Chaining.

2. Routing

Das Modell klassifiziert die eingehende Anfrage und leitet sie an die passende Bearbeitung weiter. Beispiel: Eine Kunden-E-Mail geht in den Zweig „Bestellstatus“, „Rücksendung“ oder „Beschwerde“, jeder mit eigenem Prompt und eigenen Regeln. Mit Routing lassen sich einfache Anfragen auch an ein günstigeres Modell geben.

3. Parallelisierung

Mehrere Aufrufe laufen gleichzeitig, ihre Ergebnisse werden zusammengeführt. Zwei Varianten: eine Aufgabe in unabhängige Teile zerlegen (jedes Kapitel eines Berichts einzeln auswerten) oder dieselbe Frage mehrfach bearbeiten lassen und die Antworten vergleichen, etwa bei einer Compliance-Prüfung, bei der jeder Zweifel eine menschliche Prüfung auslösen soll.

4. Orchestrator und Worker

Ein zentrales Modell analysiert die Anfrage, entscheidet, welche Teilaufgaben nötig sind, übergibt sie an weitere Aufrufe und setzt das Ergebnis zusammen. Der Unterschied zur Parallelisierung: Die Teilaufgaben stehen nicht vorab fest, sie hängen von der Anfrage ab. Beispiel: Für eine Ausschreibung ermittelt der Orchestrator die geforderten Abschnitte und startet je Abschnitt eine Suche in Ihrer Dokumentenbasis.

5. Evaluator-Optimizer

Ein Aufruf erzeugt ein Ergebnis, ein zweiter bewertet es anhand ausdrücklicher Kriterien und gibt Rückmeldung; die Schleife läuft, bis das Ergebnis akzeptiert ist oder eine Grenze erreicht wird. Beispiel: Eine Kundenantwort wird gegen Tonalitätsleitfaden und Kulanzregeln geprüft, bevor ein Mitarbeiter sie sieht. Das Muster ist nur sinnvoll, wenn die Kriterien klar sind.

Muster	Entscheidung des Modells	Größtes Risiko
Chaining	Keine oder fast keine	Ein Fehler wandert von Schritt zu Schritt
Routing	Die Wahl des Zweigs	Falsche Zuordnung
Parallelisierung	Keine, außer beim Abstimmen	Vervielfachte Kosten
Orchestrator	Die Zerlegung in Teilaufgaben	Überflüssige oder vergessene Teilaufgaben
Evaluator-Optimizer	Annehmen oder überarbeiten	Endlosschleife, unvorhersehbare Kosten

Beispiel: Angebotsanfragen bearbeiten

Ein Dienstleister mit dreißig Beschäftigten erhält jede Woche Angebotsanfragen per E-Mail, in sehr unterschiedlicher Qualität. So sieht der Prozess als agentischer Workflow aus:

Auslöser. Eine E-Mail geht an der dafür vorgesehenen Adresse ein.
Routing (Entscheidung des Modells). Das Modell klassifiziert: vollständige Angebotsanfrage, unvollständige Anfrage, anderes Thema. „Anderes“ geht an einen Menschen, der Workflow endet.
Extraktion. Bei einer Angebotsanfrage liest das Modell Bedarf, Mengen, Termine und ein eventuelles Budget in ein festes Format aus.
Prüfung durch Code. Fehlt ein Pflichtfeld, wechselt die Anfrage zu „unvollständig“: Das Modell entwirft eine Rückfrage, die ein Mensch freigibt.
Orchestrierung (Entscheidung des Modells). Das Modell bestimmt, welche Leistungen aus dem Katalog betroffen sind, und startet für jede eine Suche nach Preisen und Bedingungen in den internen Unterlagen. Grenze: höchstens fünf Leistungen, nur Lesezugriff.
Entwurf. Das Modell schreibt das Angebot ausschließlich aus den ausgelesenen und gefundenen Daten.
Bewertung (Entscheidung des Modells). Ein zweiter Aufruf prüft das Angebot anhand einer Checkliste: Stammt jeder Preis aus dem Katalog, sind die Bedingungen genannt, ist die Summe stimmig? Höchstens zwei Runden.
Menschliche Freigabe. Der Vertrieb prüft, korrigiert und versendet. Ohne ihn geht nichts raus.

Der Ablauf steht fest: Sie wissen jederzeit, in welchem Schritt ein Vorgang steckt. Das Modell entscheidet nur an drei Stellen, und jede ist durch eine Grenze gedeckelt oder von einer Prüfung gefolgt. Das macht den Prozess testbar: Sie können das Routing an fünfzig echten E-Mails prüfen, ohne den Rest auszuführen.

Wann ein agentischer Workflow passt

Er passt, wenn

der Prozess stabil ist, die Anfragen aber zu stark schwanken, um alles mit Regeln abzudecken;
die Zahl der Zweige in einem einfachen Workflow unbeherrschbar würde;
die Qualität durch eine Prüfung anhand klarer Kriterien deutlich steigt;
Sie für jeden Vorgang erklären können müssen, was passiert ist.

Bleiben Sie beim einfachen Workflow, wenn eine feste Abfolge bereits verlässliche Ergebnisse liefert. Wechseln Sie erst zum Agenten, wenn sich die Schritte wirklich nicht vorab bestimmen lassen, etwa bei offener Recherche oder Fehlersuche. Der Anthropic-Leitfaden rät dasselbe: die einfachste mögliche Lösung suchen und Komplexität nur ergänzen, wenn sie die Ergebnisse verbessert. Den ausführlichen Vergleich finden Sie in KI-Agenten vs. Workflow-Automatisierung; bei der Auswahl des ersten Prozesses hilft Welche Aufgaben sollten Sie mit KI automatisieren?.

Was das kostet

Jede Entscheidung, die Sie dem Modell überlassen, ist ein weiterer Aufruf, und Schleifen vervielfachen die Aufrufe. Im Beispiel braucht ein Angebot je nach Zahl der Leistungen und Bewertungsrunden zwischen sechs und etwa einem Dutzend Aufrufe, gegenüber drei oder vier in einem Workflow ohne Orchestrierung und Bewertung. Zwei Regeln halten die Rechnung klein:

Begrenzen Sie alles, was sich wiederholen kann: Zahl der Teilaufgaben, Zahl der Runden, Budget pro Vorgang.
Wählen Sie das Modell passend zum Schritt: ein kleines Modell für Routing und Extraktion, ein leistungsfähigeres für Orchestrierung und Entwurf.

Schätzen Sie beide Varianten vor dem Bau mit dem LLM-API-Kostenrechner: Tokens pro Aufruf mal Zahl der Aufrufe, einmal für den Durchschnittsfall und einmal für den ungünstigsten Fall.

Leitplanken

Ein festes Format zwischen den Schritten. JSON oder Tabelle, kein Freitext.
Geschlossene Entscheidungen. Das Routing wählt aus einer Liste und erfindet keine Kategorien. Sehen Sie immer einen Ausgang „unklar“ zu einem Menschen vor.
Grenzen überall dort, wo es eine Schleife gibt.
Minimale Rechte. Lesezugriff, solange Schreiben nicht wirklich nötig ist.
Menschliche Freigabe vor jeder unumkehrbaren Aktion: Versand an Kunden, Zahlung, Datenänderung. Siehe Human-in-the-Loop-KI.
Ein Protokoll pro Vorgang: die Entscheidung an jedem Punkt, mit Eingabe und Ausgabe.
Ein Testset je Entscheidungspunkt, das bei jeder Prompt- oder Modelländerung erneut läuft.

Berührt ein Workflow Entscheidungen über Menschen, etwa Bewerber oder Kredite, klären Sie zuerst die regulatorische Seite; siehe KI-Agenten im EU AI Act.

Typische Fehler

Überall agentische Schritte einbauen. Jede delegierte Entscheidung ist eine Quelle von Schwankungen. Drei gut gewählte Entscheidungspunkte sind besser als zehn.
Den Ausgang vergessen. Ohne „anderes“ oder „unvollständig“ zwingt das Routing ungewöhnliche Fälle in einen unpassenden Zweig.
Den Evaluator ohne Kriterien lassen. „Prüfe, ob das gut ist“ bringt nichts Brauchbares; eine Checkliste schon.
Nur das Endergebnis testen. Damit verschenken Sie den Hauptvorteil: zu wissen, welche Entscheidung falsch war.
Demo mit Betrieb verwechseln. Ein Workflow, der an fünf Beispielen funktioniert, hat Ihre schwierigen Fälle noch nicht gesehen.

Checkliste vor dem Bau

Der Prozess ist Schritt für Schritt gezeichnet, ohne KI, so wie er heute läuft.
Die Stellen, an denen eine Modellentscheidung etwas bringt, sind benannt und auf das Nötige begrenzt.
Jede Entscheidung hat eine geschlossene Liste von Optionen und einen Ausgang zu einem Menschen.
Jede Schleife hat eine Grenze für Runden und Budget.
Unumkehrbare Aktionen laufen über eine menschliche Freigabe.
Für jeden Entscheidungspunkt gibt es einen Satz echter Fälle.
Die Kosten sind für den Durchschnitts- und den ungünstigsten Fall geschätzt.
Eine verantwortliche Person liest in den ersten Wochen die Protokolle.

Quellen

Anthropic: Building effective agents (Definitionen von Workflows und Agenten, fünf Workflow-Muster)
Europäische Kommission, AI Act Service Desk: Wie werden KI-Agenten im Rahmen des KI-Gesetzes behandelt?

Häufige Fragen

Was ist ein agentischer Workflow?

Ein automatisierter Prozess, dessen Ablauf im Großen feststeht, in dem aber ein oder mehrere Schritte ein KI-Modell entscheiden lassen: wohin ein Fall geleitet wird, wie eine Aufgabe zerlegt wird, welches Tool aufgerufen wird oder ob ein Ergebnis gut genug ist.

Was unterscheidet einen KI-Workflow von einem agentischen Workflow?

Im einfachen KI-Workflow führt das Modell festgelegte Schritte aus, etwa klassifizieren oder formulieren. Im agentischen Workflow trifft es zusätzlich bestimmte Entscheidungen über den weiteren Ablauf – innerhalb von Grenzen, die Sie setzen.

Ist ein agentischer Workflow dasselbe wie ein KI-Agent?

Nicht ganz. Ein Agent wählt seine gesamte Abfolge von Aktionen selbst. Ein agentischer Workflow behält einen festen Rahmen und überlässt dem Modell nur gezielte Entscheidungen. Das macht ihn vorhersehbarer und leichter testbar als einen autonomen Agenten.

Brauche ich ein spezielles Tool für agentische Workflows?

Nein. Automatisierungsplattformen und Frameworks erleichtern den Betrieb, aber die Muster lassen sich auch mit wenigen direkten Modellaufrufen bauen. Zeichnen Sie zuerst den Prozess und wählen Sie dann das Werkzeug.