Agents vs. Workflows vs. Automations: das richtige Maß an Autonomie wählen

Ein Support-Team hat drei Wochen damit verbracht, einen „KI-AgentKI-AgentSoftware, die ein Ziel eigenständig verfolgt: Sie plant Schritte, nutzt Werkzeuge und handelt mit wenig menschlichem Eingriff.Vollständige Definition ansehen →" zum Sortieren eingehender E-Mails zu bauen. ErErDas Verhältnis von Interaktionen (Likes, Kommentare, Shares) zur Reichweite eines Inhalts. Zeigt, wie stark die Zielgruppe reagiert, gemessen an der Zahl der Personen, die den Inhalt gesehen haben.Vollständige Definition ansehen → rief bei jeder Nachricht das Modell auf, ließ es entscheiden, was zu tun ist, und kostete 400 $ pro Monat. Als sie ihn durch eine feste PipelinePipelineAlle aktiven Verkaufschancen über die Phasen des Vertriebsprozesses hinweg, zusammen mit ihrem gesamten potenziellen Wert und ihrer Abschlusswahrscheinlichkeit.Vollständige Definition ansehen → ersetzten (Sprache erkennen, zusammenfassen, nach Keyword ablegen), lief das Ganze in einem Bruchteil der Zeit, kostete fast nichts und hörte auf, bizarre Ablagefehler zu machen.

Die Lehre: Die meisten Aufgaben brauchen keinen Agent. Die Kunst ist zu wissen, wann doch.

Das Autonomie-Spektrum

Denken Sie an Automatisierung als Regler, nicht als Schalter. Links entscheiden Sie jeden Schritt. Rechts entscheidet die KI. Dazwischen gibt es drei nützliche Stufen.

1. Automation (keine KI-Entscheidungen)

Eine feste Abfolge von Schritten, die Sie vorab geschrieben haben. Der Computer folgt ihnen exakt. Kein Modell entscheidet irgendetwas.

Beispiel: Landet eine Datei in einem Ordner, wird sie mit dem heutigen Datum umbenannt und gesichert. Tools wie Zapier, Make oder ein einfaches Skript erledigen das. Null KI.

2. Workflow (KI in festen Slots)

Sie kontrollieren weiterhin die Schritte und deren Reihenfolge. Aber an bestimmten Punkten rufen Sie ein KI-Modell für eine Aufgabe auf: zusammenfassen, klassifizieren, extrahieren, umschreiben. Das Modell füllt einen Slot. Es wählt nicht, was als Nächstes passiert.

Beispiel: E-Mail kommt an → KI schreibt eine einzeilige Zusammenfassung → KI klassifiziert sie als „Billing", „Sales" oder „Sonstiges" → Ihr Code legt sie im passenden Ordner ab. Das Modell erledigt zwei Aufgaben. Ihr Code entscheidet den Pfad.

Hier hätte das Support-Team anfangen sollen.

3. Agent (KI entscheidet die Schritte)

Ein Agent ist ein Modell, das in einer Schleife entscheidet, was als Nächstes zu tun ist, und dabei Tools nutzt (Funktionen, die es aufrufen kann, etwa „im Web suchen" oder „E-Mail senden"). Sie geben ihm ein Ziel, kein Skript. Er wählt Aktionen, sieht die Ergebnisse und wählt erneut, bis das Ziel erreicht ist.

Beispiel: „Löse diese Kundenbeschwerde." Der Agent liest das Ticket, entscheidet sich, die Bestellung nachzusehen, stellt fest, dass eine Rückerstattung nötig ist, ruft das Refund-Tool auf und formuliert dann eine Antwort. Diese Schrittfolge haben Sie ihm nicht vorgegeben. Er hat sie gewählt.

Warum mehr Autonomie mehr kostet

Jede Stufe weiter rechts bringt drei Kosten mit sich.

Geld. Agents rufen das Modell pro Aufgabe viele Male auf (einmal pro Entscheidung). Ein Workflow ruft es eine feste, kleine Anzahl von Male auf. 2026 sind Modellaufrufe günstiger als früher, aber ein Agent, der 15 Mal durch die Schleife läuft, kostet noch immer etwa 15x einen einzelnen Aufruf.

Geschwindigkeit. Jede Entscheidung ist ein Round Trip zum Modell. Mehr Entscheidungen, mehr Warten. Ein fester Workflow mit zwei Aufrufen ist verlässlich schnell.

Vorhersehbarkeit. Das ist der große Punkt. In einem Workflow kennen Sie den exakten Pfad. Bei einem Agent ändert sich der Pfad bei jedem Lauf. Genau darin liegt die Flexibilität, aber es bedeutet auch, dass der Agent endlos loopen, das falsche Tool aufrufen oder ein Problem auf eine Weise „lösen" kann, die Sie nie beabsichtigt haben.

Anthropics Engineering-Team hat es in seinem viel geteilten Guide klar formuliert: bauen Sie das Einfachste, das funktioniert, und fügen Sie Autonomie nur hinzu, wenn ein einfacherer Ansatz nicht ausreicht. Lesenswert: Building Effective Agents.

Eine Entscheidungsregel, die wirklich brauchbar ist

Stellen Sie diese Fragen in dieser Reihenfolge. Halten Sie beim ersten passenden „Ja" an.

1. Ändern sich die Schritte und ihre Reihenfolge nie? → Nehmen Sie eine einfache Automation. Keine KI nötig.
2. Sind die Schritte fest, aber manche brauchen Urteilsvermögen (zusammenfassen, klassifizieren, extrahieren)? → Nehmen Sie einen Workflow mit KI in diesen Slots.
3. Ist die Aufgabe jedes Mal anders, sodass die Schritte nicht vorab bekannt sein können? → Jetzt kommt ein Agent in Betracht.

Noch eine Hürde, bevor Sie sich auf einen Agent festlegen:

KKDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →önnen Sie die Schritte für 80 % der Fälle aufschreiben? Wenn ja, bauen Sie einen Workflow und behandeln die anderen 20 % manuell. Wenn Sie die Schritte wirklich nicht vorhersagen können, rechtfertigt ein Agent seine Kosten.

Beispiele im Vergleich

Beachten Sie das Muster: Agents glänzen, wenn der Pfad unbekannt ist. Wenn Sie das Flussdiagramm zeichnen können, brauchen Sie keinen Agent.

Wie eine Agent-Schleife tatsächlich aussieht

Die Grundidee ist klein. Ein Agent ist eine Schleife: das Modell wählt ein Tool, Sie führen es aus, Sie speisen das Ergebnis zurück, wiederholen, bis fertig. So sieht die Form aus, herstellerneutral:

# Vendor-neutral agent loop (pseudocode-ish)
tools = {
    "search_orders": search_orders,
    "issue_refund": issue_refund,
    "send_reply": send_reply,
}

messages = [{"role": "user", "content": "Resolve ticket #4821"}]

while True:
    # Das Modell schaut sich die Konversation an und entscheidet:
    # entweder ein Tool aufrufen oder eine endgültige Antwort geben.
    response = model.generate(messages, available_tools=tools.keys())

    if response.tool_call:
        name = response.tool_call.name
        args = response.tool_call.args
        result = tools[name](**args)          # Sie führen die echte Funktion aus
        messages.append(response)             # festhalten, was das Modell wollte
        messages.append({"role": "tool",      # Ergebnis zurückspeisen
                         "content": result})
    else:
        print(response.text)                  # endgültige Antwort, wir sind fertig
        break

Genau diese while True-Schleife ist der Grund, warum Agents weniger vorhersehbar sind. Das Modell, nicht Ihr Code, wählt in jedem Durchlauf zwischen search_orders und issue_refund. Dieselbe Form funktioniert im OpenAI Agents SDK, im Claude Agent SDK und in Googles ADK. Die Provider-Deep-Dive-Blöcke behandeln die jeweiligen Besonderheiten. Hier geht es uns um die Idee.

Zwei GuardrailsGuardrailsRegeln und Kontrollen, die ein KI-System in sicheren, rechtskonformen und markengerechten Grenzen halten und unerwünschte Ausgaben blockieren.Vollständige Definition ansehen →, die Sie in einer echten Schleife immer einbauen sollten:

• Ein Schrittlimit (zum Beispiel Stopp nach 10 Tool-Aufrufen), damit sie nicht endlos loopen kann.
• Approval Gates bei riskanten Tools (Rückerstattungen ausführen, E-Mails senden, Daten löschen), damit ein Mensch vor dem Handeln bestätigt.

Häufige Fehler

Zuerst nach einem Agent greifen. Es fühlt sich modern und beeindruckend an. Meist ist es der falsche Startpunkt. Beginnen Sie links am Regler und gehen Sie nur nach rechts, wenn Sie müssen.

Einen Workflow „Agent" nennen. Das Marketing verwischt diese Begriffe. Wenn Ihre Schritte fest sind und das Modell nur Slots füllt, ist das ein Workflow, und das ist gut. Es gibt keine Abzüge dafür, keinen Agent zu verwenden.

Einem Agent zu viele Tools geben. Ein Modell, das unter 30 Tools wählt, macht mehr Fehler als eines, das unter 4 wählt. Halten Sie das Toolset klein und das Ziel eng.

Kein Ausschalter. Ein Agent ohne Schrittlimit oder Budgetgrenze kann Kosten auftürmen und seltsame Aktionen ausführen. Begrenzen Sie ihn immer.

Eine durchgerechnete Entscheidung

Angenommen, Sie wollen eingehende Rechnungen verarbeiten.

• Lieferant, Betrag und Fälligkeitsdatum extrahieren. Vorhersehbar, braucht Urteilsvermögen → Workflow-Schritt (KI-Extraktion).
• Rechnungen über 10.000 $ zur Prüfung markieren. Feste Regel → Automation, keine KI.
• Im richtigen Projektordner ablegen. Wenn Ordner sauber auf ein Feld abbilden: Automation. Wenn die Rechnung gelesen und über das passende Projekt nachgedacht werden muss: ein kleiner Workflow-Klassifikationsschritt.
• Einen Lieferanten per E-Mail wegen einer strittigen Buchung verfolgen, hin und her, bis es geklärt ist. Unvorhersehbar, mehrstufig, adaptiv → das ist der eine Teil, der einen Agent rechtfertigen könnte.

Das Ganze besteht zu 90 % aus Workflow und Automation, mit einem Agent nur am unsauberen Rand. Das ist ein gesundes Design.

Wichtigste Erkenntnisse

• Fangen Sie einfach an, gehen Sie nur nach rechts, wenn Sie müssen. Automation → Workflow → Agent. Jeder Schritt nach rechts bringt Kosten, Latenz und Unvorhersehbarkeit.
• Nutzen Sie den Flussdiagramm-Test. Wenn Sie die Schritte vorab zeichnen können, bauen Sie einen Workflow, keinen Agent. Agents sind für Aufgaben, bei denen der Pfad wirklich unbekannt ist.
• Ein Workflow mit KI in festen Slots ist nicht die schlechtere Wahl. Zum Zusammenfassen, Klassifizieren und Extrahieren ist er günstiger, schneller und verlässlicher als ein Agent.
• Wenn Sie doch einen Agent bauen, begrenzen Sie ihn. Setzen Sie ein Schrittlimit, eine Budgetgrenze und menschliche Freigabe bei riskanten Tools, bevor er handeln darf.
• Halten Sie das Toolset klein. Weniger Tools und ein enges Ziel bedeuten weniger falsche Abzweigungen.