KI-Agenten vs. Workflow-Automatisierung: Was passt?

Der Unterschied zwischen KI-Agenten und Workflow-Automatisierung liegt darin, wer die Schritte festlegt. Bei der Workflow-Automatisierung definieren Sie die Abfolge vorab: Wenn eine E-Mail eingeht, klassifizieren, Bestellnummer auslesen, nachschlagen, Antwort entwerfen. KI kann einige dieser Schritte übernehmen, aber der Weg steht fest. Ein KI-Agent bekommt ein Ziel und eine Reihe von Tools und entscheidet zur Laufzeit, was als Nächstes passiert – in einer Schleife, bis er die Aufgabe für erledigt hält. Workflows sind vorhersehbarer, günstiger und leichter zu testen. Agenten sind flexibler bei offenen Aufgaben. Für die meisten Geschäftsprozesse ist heute ein Workflow die beste Antwort, mit einem Agenten nur für die Schritte, die wirklich Flexibilität brauchen.

Begriffe ohne Hype

Im Marketing werden die Begriffe locker verwendet. So verwenden wir sie:

Begriff	Bedeutung
Regelbasierte Automatisierung	Feste Schritte und Bedingungen, keine KI. „Wenn Rechnungsbetrag > X, an Führungskraft senden.“
KI-gestützter Workflow	Feste Schritte, aber einige rufen ein KI-Modell auf, etwa um eine Nachricht zu klassifizieren oder Text zu entwerfen.
KI-Agent	Ein Modell, das ein Ziel und Tools (Suche, Datenbank, E-Mail, Code) erhält und in einer Schleife selbst die Abfolge seiner Aktionen wählt.
Multi-Agenten-System	Mehrere Agenten mit unterschiedlichen Rollen, die sich Arbeit übergeben.

Ein KI-Agent definiert sich nicht dadurch, dass er besonders klug ist, sondern durch den Kontrollfluss: Das Modell, nicht Ihr Code, entscheidet über den nächsten Schritt.

So funktioniert ein KI-gestützter Workflow

Nehmen wir als Beispiel die Bearbeitung eingehender Kunden-E-Mails:

1. Auslöser: Eine neue E-Mail geht ein.
2. KI-Schritt: Thema klassifizieren (Bestellstatus, Retoure, Beschwerde, Sonstiges).
3. Regel: Bei „Sonstiges“ an einen Menschen weiterleiten und stoppen.
4. KI-Schritt: Bestellnummer auslesen.
5. Systemschritt: Bestellung im Shopsystem nachschlagen.
6. KI-Schritt: Antwort mit den Bestelldaten und der passenden Richtlinie entwerfen.
7. Menschlicher Schritt: Eine Mitarbeiterin prüft und sendet.

Jeder Schritt ist sichtbar, testbar und austauschbar. Ist die Klassifizierung falsch, wissen Sie genau, wo Sie suchen müssen. Die Zahl der Modellaufrufe pro E-Mail steht vorab fest, die Kosten sind also planbar.

So funktioniert ein KI-Agent

Dieselbe Aufgabe als Agent:

• Ziel: „Löse das Anliegen dieser Kunden-E-Mail.“
• Tools: Bestellsystem lesen, Hilfecenter durchsuchen, E-Mail entwerfen, Erstattungsantrag anlegen.
• Der Agent liest die E-Mail, beschließt, die Bestellung nachzuschlagen, liest das Ergebnis, beschließt, die Retourenrichtlinie zu suchen, entwirft eine Antwort, legt vielleicht einen Erstattungsantrag an, prüft seinen Entwurf und beendet die Aufgabe.

Der Agent kann Fälle bewältigen, die niemand vorhergesehen hat, etwa einen Kunden, der in einer Nachricht nach zwei Bestellungen fragt und zusätzlich eine Produktfrage stellt. Aber der Weg ist jedes Mal anders, die Zahl der Schritte schwankt, und der Agent wählt womöglich eine unerwartete Aktion – etwa einen Erstattungsantrag, wo keiner hingehört.

Direkter Vergleich

Kriterium	KI-gestützter Workflow	KI-Agent
Vorhersehbarkeit	Hoch: jedes Mal dieselben Schritte	Geringer: Weg variiert je Fall
Umgang mit unerwarteten Fällen	Begrenzt auf geplante Verzweigungen	Stark, im Rahmen seiner Tools
Testen	Schritt für Schritt, mit klar erwarteten Ergebnissen	Erfordert Szenariotests und die Bewertung ganzer Durchläufe
Kosten pro Aufgabe	Bekannte Zahl an Modellaufrufen	Variabel, oft um ein Mehrfaches höher
Geschwindigkeit	Meist schnell	Langsamer, wenn viele Schritte nötig sind
Fehlersuche	Fehler leicht zu lokalisieren	Schwieriger: Begründungen und Aktionen des Agenten müssen nachvollzogen werden
Risiko unbeabsichtigter Aktionen	Gering: nur geplante Aktionen laufen	Höher: hängt von Tool-Rechten und Leitplanken ab
Einrichtungsaufwand	Jeden Schritt gestalten	Tools, Rechte, Leitplanken und Evaluierung gestalten
Am besten für	Wiederholbare Prozesse mit bekannten Varianten	Offene Recherche, mehrstufige Problemlösung, vielfältige Anfragen

Die Kostenfrage

Agenten rufen das Modell pro Aufgabe meist viele Male auf: einmal zum Planen, einmal pro Tool-Aufruf, um über das Ergebnis zu entscheiden, und oft noch einmal zur Kontrolle. Jeder Aufruf schickt den wachsenden Kontext erneut mit, inklusive Ziel, Tool-Beschreibungen und allem bisher Gelernten. Ein Workflow kommt vielleicht mit zwei oder drei gezielten Aufrufen pro Fall aus; ein Agent braucht schnell zehn oder mehr, jedes Mal mit langem Kontext.

Ein illustrativer Vergleich mit angenommenen Zahlen:

• Workflow: 3 Modellaufrufe × je 2.000 Input-Tokens und 300 Output-Tokens.
• Agent: 10 Modellaufrufe × durchschnittlich 6.000 Input-Tokens (der Kontext wächst) und je 400 Output-Tokens.

Das sind 6.000 Input-Tokens für den Workflow gegenüber 60.000 für den Agenten – ein zehnfacher Unterschied, noch bevor Wiederholungen dazukommen. Spielen Sie eigene Szenarien im LLM-API-Kostenrechner durch, und lesen Sie in LLM-API-Preise erklärt, wie die Abrechnung nach Tokens funktioniert.

Wann ein Agent die richtige Wahl ist

Agenten rechtfertigen ihre höheren Kosten und ihre Komplexität, wenn:

• die Schritte nicht vorab bekannt sind: Rechercheaufgaben, Fehlersuche oder Fragen, die Informationen aus mehreren Systemen auf wechselnde Weise kombinieren.
• es zu viele Varianten gibt, um sie zu gestalten: Bräuchten Sie Dutzende Verzweigungen, ist ein Agent womöglich einfacher.
• der Wert pro Aufgabe hoch ist: Eine Aufgabe, die viel menschliche Zeit wert ist, verträgt höhere Modellkosten.
• Aktionen umkehrbar sind oder geprüft werden: Der Agent schlägt vor, ein Mensch genehmigt alles, was zählt.

Wann ein Workflow die richtige Wahl ist

Bevorzugen Sie einen Workflow, wenn:

• der Prozess wiederholbar ist und die Varianten bekannt sind.
• planbare Kosten wichtig sind, etwa bei hohem Volumen.
• Nachvollziehbarkeit wichtig ist: Sie müssen genau zeigen können, was passiert ist und warum.
• Aktionen Folgen haben, etwa Zahlungen, Kundenkommunikation oder Datenänderungen.
• Sie vor dem Livegang gründlich testen müssen.

Die meisten Aufgaben aus unserem Leitfaden dazu, welche Aufgaben Sie mit KI automatisieren sollten, fallen in diese Kategorie.

Hybridmuster, die sich bewähren

Sie müssen sich nicht für einen Ansatz für den gesamten Prozess entscheiden.

Workflow mit Agenten-Schritt

Ein fester Workflow übernimmt Eingang, Weiterleitung und abschließende Aktionen. Ein klar begrenzter Schritt, etwa „Recherchiere die Antwort auf diese ungewöhnliche Frage anhand dieser drei Quellen“, geht an einen Agenten mit Schrittlimit und reinen Lese-Tools. Danach arbeitet der Workflow mit dem Ergebnis des Agenten weiter.

Agent schlägt vor, Workflow führt aus

Der Agent analysiert den Fall und schlägt Aktionen in einem strukturierten Format vor. Ein Workflow prüft den Vorschlag gegen Regeln und führt nur erlaubte Aktionen aus, mit menschlicher Freigabe für alles oberhalb eines Schwellenwerts.

Eskalation

Ein Workflow bearbeitet die Standardfälle. Fällt ein Fall aus den bekannten Varianten heraus, geht er an einen Agenten oder einen Menschen, statt ihn durch eine unpassende Verzweigung zu zwingen.

Leitplanken für den Einsatz von Agenten

• Minimale Rechte: Geben Sie dem Agenten nur die Tools und Berechtigungen, die er braucht. Wo möglich nur Lesezugriff.
• Schritt- und Budgetlimits: eine Höchstzahl an Iterationen und Tokens pro Aufgabe.
• Menschliche Freigabe für folgenreiche Aktionen: Nachrichten an Kunden senden, Datensätze ändern, Geld ausgeben.
• Protokollierung: Jeder Tool-Aufruf und jedes Ergebnis wird aufgezeichnet, damit Durchläufe überprüfbar sind.
• Evaluierungsset: eine Sammlung realistischer Szenarien, die vor jeder Änderung getestet wird.
• Klare Anweisungen: ein gut strukturierter System-Prompt, der Ziel, Grenzen und Abbruchbedingungen festlegt. Siehe System-Prompt schreiben.
• Bewusstsein für Prompt Injection: Inhalte, die der Agent liest, etwa E-Mails oder Webseiten, können Anweisungen enthalten. Lassen Sie gelesene Inhalte keine Aktionen ohne Prüfung auslösen.

Wie Sie menschliche Prüfschritte gestalten, behandelt der Artikel zu Human-in-the-Loop-KI ausführlich.

Eine Entscheidungshilfe

Beantworten Sie diese Fragen für den Prozess, den Sie im Blick haben:

1. Können Sie die Schritte für 90 % der Fälle aufschreiben? Wenn ja, beginnen Sie mit einem Workflow.
2. Sind die übrigen Fälle selten genug, um sie an einen Menschen zu geben? Wenn ja, brauchen Sie vielleicht gar keinen Agenten.
3. Hängen die Schritte stark davon ab, was unterwegs gefunden wird? Wenn ja, erwägen Sie einen Agenten für diesen Teil.
4. Was ist die schlimmste Aktion, die das System ausführen könnte? Ist sie gravierend, belassen Sie sie in einem Workflow mit menschlicher Freigabe.
5. Können Sie variable Kosten pro Aufgabe tragen? Wenn nicht, begrenzen Sie die Agentenschritte oder nutzen Sie einen Workflow.
6. Können Sie es testen? Wenn Sie nicht definieren können, wie ein guter Durchlauf aussieht, sind Sie noch nicht bereit für den Produktivbetrieb.

Typische Fehler

• Einen Agenten bauen, weil es modern klingt. Viele „Agenten“-Projekte wären als Workflow einfacher, günstiger und zuverlässiger.
• Agenten weitreichende Schreibrechte geben. Beginnen Sie mit Lesezugriff und erweitern Sie Rechte vorsichtig.
• Keine Limits für Schritte oder Kosten. Ein verwirrter Agent kann lange in Schleifen laufen.
• Nur den Idealfall testen. Agenten scheitern bei ungewöhnlichen Eingaben auf unerwartete Weise.
• Auf Protokolle verzichten. Ohne sie können Sie weder erklären noch beheben, was passiert ist.

Fazit

Nutzen Sie Workflows, wenn Sie die Schritte kennen und Vorhersehbarkeit brauchen; nutzen Sie Agenten für die wirklich offenen Teile, mit engen Limits und menschlicher Freigabe für Aktionen, die zählen. Wenn Sie ein Projekt planen, schätzen Sie die Kosten beider Varianten mit dem LLM-API-Kostenrechner und vergleichen Sie sie mit dem erwarteten Nutzen im KI-ROI-Rechner.