Agentische Workflows: So baust du verlässliche KI-Abläufe

Ein agentischer Workflow ist erstmal kein digitales Team, das nachts allein die Firma übernimmt. Es ist ein Ablauf, in dem ein Sprachmodell Informationen verarbeitet, Werkzeuge benutzt und Ergebnisse an den nächsten Schritt übergibt. Der Wert entsteht durch die Struktur rund um das Modell: klare Eingaben, begrenzte Rechte, prüfbare Ausgaben und ein definiertes Ende.

Genau diese Unterscheidung geht in vielen KI-Demos verloren. Dort sieht man einen guten Prompt und eine beeindruckende Antwort. Im Betrieb zählen aber die weniger glamourösen Fragen. Woher kommen die Fakten? Was passiert bei einem Timeout? Wer darf eine E-Mail versenden? Woran erkennt das System, dass die Aufgabe wirklich erledigt ist?

Workflow oder Agent?

Anthropic unterscheidet sinnvoll zwischen Workflows und Agenten. Ein Workflow folgt einem im Code festgelegten Pfad. Ein Agent entscheidet während der Ausführung selbst, welches Werkzeug oder welcher nächste Schritt passt. Die Empfehlung dahinter ist erfreulich nüchtern: mit der einfachsten funktionierenden Lösung anfangen und Komplexität nur ergänzen, wenn sie für die Aufgabe gebraucht wird. Das lässt sich im Beitrag Building effective agents direkt nachlesen.

Für einen stabilen Freigabeprozess ist ein Workflow oft die bessere Wahl. Recherche, Entwurf, fachliche Prüfung und Veröffentlichung lassen sich als feste Stationen modellieren. Eine offene Rechercheaufgabe kann dagegen von einem Agenten profitieren, weil die nächsten Schritte zu Beginn noch nicht feststehen.

Der Unterschied ist praktisch:

Ein Workflow macht den Ablauf vorhersehbar.
Ein Agent bringt Flexibilität in unklare Aufgaben.
Beide brauchen Grenzen, Protokolle und Abbruchbedingungen.

Mehr Autonomie erhöht den Prüfaufwand. OpenAI empfiehlt in seinem Leitfaden zum Bau von Agenten ebenfalls, zunächst die Werkzeuge, Anweisungen und Schutzmechanismen sauber zu definieren. Ein zweiter Agent repariert keine unklare Aufgabe. Er verteilt die Unklarheit nur auf eine weitere Stelle.

Der kleinste Ablauf, der wirklich hilft

Ich starte mit einer Aufgabe, die heute wiederholt Zeit kostet und ein überprüfbares Ergebnis hat. "Beantworte alle Kundenfragen" ist dafür zu groß. "Ordne eine neue Anfrage einer von vier Angebotskategorien zu und begründe die Zuordnung" ist brauchbar.

Danach beschreibe ich für jeden Schritt einen kleinen Vertrag:

Welche Daten darf der Schritt lesen?
Welches Ergebnis muss er liefern?
Welche Prüfung entscheidet über Weiter oder Stopp?
Welche Aktion braucht eine menschliche Freigabe?

Das Done-Kriterium sollte ein Programm oder ein Mensch eindeutig prüfen können. Bei einem Text kann das eine vorhandene Quellen-ID, eine erlaubte Länge oder eine Liste verbotener Behauptungen sein. Bei einer Systemaktion kann es ein Dry Run sein, bevor der Workflow tatsächlich Daten ändert.

In meiner eigenen Arbeit liegt genau dort der größte Hebel. Owledge hält Projektwissen in strukturierten Markdown-Dateien. Das Modell bekommt damit keinen unsortierten Dateiordner, sondern einen begrenzten Ausschnitt mit klaren Feldern. Dynamic Model Routing trennt anschließend die Aufgabe von der Modellwahl. Der Ablauf kennt also seinen Vertrag, während das passende Modell austauschbar bleibt. Mehr zu diesen Systemen steht unter Systeme.

Prüfstellen gehören in den Ablauf

Ein Modell kann eine Behauptung sehr flüssig formulieren und trotzdem falsch liegen. Deshalb behandle ich Modelltext als unbestätigte Eingabe. Erst eine deterministische Prüfung, also normale Programmlogik, entscheidet, was das System weitergibt.

Typische Prüfstellen sind:

Schema-Validierung für strukturierte Ausgaben
Abgleich von Quellen-IDs gegen eine bekannte Wissensbasis
Freigabe vor externen Aktionen wie Versand oder Veröffentlichung
Obergrenzen für Laufzeit, Kosten und Wiederholungen
ein sichtbarer Fehlerpfad statt eines stillen Weitermachens

Das passt auch zum NIST Generative AI Profile. Der Leitfaden ordnet Tests, Evaluation und Risikomanagement über den gesamten Lebenszyklus ein. Für ein kleines Unternehmen muss daraus kein schweres Governance-Programm werden. Eine Liste mit erlaubten Daten, verantwortlicher Person, Testfällen und Abbruchregeln ist schon ein belastbarer Anfang.

Ein Beispiel aus dieser Website

Der KI-Assistent auf dieser Website beantwortet Fragen aus einer kuratierten Wissensbasis. Vor der Modellantwort sucht das System passende Wissenseinträge. Danach prüft Code die ausgegebenen Quellenmarker gegen die tatsächlich geladenen Einträge. Unbekannte Marker erreichen die Oberfläche nicht. Wissenslücken werden als eigener Fall protokolliert, damit ich fehlende Inhalte ergänzen kann.

Das ist bewusst kein freier Schwarm. Der Ablauf enthält einen begrenzten Agenten, Retrieval, feste Sicherheitsregeln und deterministische Prüfstellen. Die ausführliche technische Fallstudie steht in Agentischer Workflow in der Praxis.

Wann ich von einem Agenten abrate

Ich würde keinen Agenten einsetzen, wenn eine klassische Regel den Fall zuverlässig löst. Gleiches gilt für Prozesse ohne saubere Datenquelle oder ohne verantwortliche Person. Dort beschleunigt Autonomie vor allem den Fehler.

Auch ein guter Agent bleibt ungeeignet für unumkehrbare Aktionen ohne Freigabe. Überweisungen, Vertragszusagen oder das Löschen von Daten brauchen einen kontrollierten Übergabepunkt. Das System darf vorbereiten und erklären. Ein Mensch bestätigt die Aktion.

Ein sinnvoller Start für Unternehmen

Nimm einen wiederkehrenden Ablauf und dokumentiere zuerst den heutigen Weg. Markiere anschließend die Stelle, an der Informationen gesucht, bewertet oder übertragen werden. Genau dort lässt sich ein begrenzter KI-Schritt testen.

Wenn du daraus einen belastbaren Pilot statt einer Tool-Demo machen willst, starten wir mit einem KI-Potenzial-Audit. Im Gespräch prüfen wir Datenlage, Risiko und messbares Done-Kriterium, bevor ein Agent gebaut wird.

Über den Autor

Ich bin Kirk Kleinau, AI Strategist und Creative Technologist sowie IHK-geprüfter KI-Manager. Ich verbinde acht Jahre Erfahrung in Design, Konzeption, Projektleitung, Web und Frontend mit dem Bau eigener KI-Systeme. Auf dieser Website zeige ich die Systeme samt Grenzen, statt Ergebnisse zu versprechen, die noch niemand gemessen hat.