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

# Agents vs. Workflows vs. Automations: das richtige MaMaUsing software to automate repetitive marketing tasks and campaigns, enabling personalisation at scale across channels like email, web, and social.Vollständige Definition ansehen →ß an Autonomie

Ein Support-Team hat drei Wochen damit verbracht, einen „AI Agent“ zu bauen, der eingehende E-Mails sortiert. ErErThe ratio of interactions (likes, comments, shares) to reach for a given piece of content, used to gauge how well audiences respond relative to how many people saw it.Vollständige Definition ansehen → rief das Modell bei jeder Nachricht auf, ließ es entscheiden, was zu tun ist, und kostete 400 $ pro Monat. Nach dem Wechsel auf eine feste PipelinePipelineAll active sales opportunities across the stages of the sales process, together with their combined potential value and probability of closing.Vollständige Definition ansehen → (Sprache erkennen, zusammenfassen, nach Schlüsselwort ablegen) lief das Ganze in einem Bruchteil der Zeit, kostete fast nichts und machte keine absurden Ablagefehler mehr.

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 sinnvolle Stufen.

1. Automation (keine KI-Entscheidungen)

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

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

2. Workflow (KI in festen Slots)

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

Beispiel: E-Mail kommt an → KI schreibt eine einzeilige Zusammenfassung → KI klassifiziert sie als „Abrechnung“, „Vertrieb“ oder „Sonstiges“ → Ihr Code legt sie im passenden Ordner ab. Das Modell übernimmt 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. ErErThe ratio of interactions (likes, comments, shares) to reach for a given piece of content, used to gauge how well audiences respond relative to how many people saw it.Vollständige Definition ansehen → wählt Aktionen, sieht die Ergebnisse und wählt erneut, bis das Ziel erreicht ist.

Beispiel: „Löse diese Kundenbeschwerde.“ Der Agent liest das Ticket, entscheidet, 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. ErErThe ratio of interactions (likes, comments, shares) to reach for a given piece of content, used to gauge how well audiences respond relative to how many people saw it.Vollständige Definition ansehen → hat sie gewählt.

Warum mehr Autonomie mehr kostet

Jede Stufe weiter rechts bringt drei Kosten mit.

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

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

Vorhersehbarkeit. Das ist der große Punkt. In einem Workflow kennen Sie den exakten Pfad. Bei einem Agent ändert sich der Pfad bei jedem Durchlauf. Genau diese Flexibilität ist der Sinn der Sache, sie bedeutet aber auch, dass der Agent endlos schleifen, das falsche Tool aufrufen oder ein Problem auf eine Weise „lösen“ kann, die Sie nie vorgesehen hatten.

Das Engineering-Team von Anthropic 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 Sie wirklich nutzen kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen

Stellen Sie diese Fragen in dieser Reihenfolge. Stoppen Sie beim ersten passenden „Ja“.

1. Ändern sich die Schritte und ihre Reihenfolge nie? → Nehmen Sie eine reine Automation. Keine KI nötig.

2. Sind die Schritte fest, aber einige 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 Frage.

Eine weitere Hürde, bevor Sie sich auf einen Agent festlegen:

> KKThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen Sie die Schritte für 80 % der Fälle aufschreiben? Wenn ja, bauen Sie einen Workflow und erledigen die anderen 20 % manuell. Wenn Sie die Schritte wirklich nicht vorhersagen kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen, rechtfertigt ein Agent seine Kosten.

Beispiele im direkten Vergleich

| Aufgabe | Beste Wahl | Warum |

|---|---|---|

| Dateien umbenennen und sichern | Automation | Schritte ändern sich nie, kein Urteilsvermögen |

| Support-E-Mails zusammenfassen und ablegen | Workflow | Feste Reihenfolge, KI fasst nur zusammen und klassifiziert |

| Meeting-Notizen in ein formatiertes Recap überführen | Workflow | Ein KI-Schritt, ein Template |

| Ein Unternehmen über viele Quellen recherchieren und ein Briefing schreiben | Agent | Schritte hängen davon ab, was gefunden wird |

| Ein fehlerhaftes Skript debuggen, indem Fixes probiert werden, bis es läuft | Agent | Nicht vorhersehbar, welcher Fix wirkt |

| Eine Reise mit lockeren Vorgaben buchen | Agent | Erfordert Optionen ausloten und anpassen |

Beachten Sie das Muster: Agents glänzen, wenn der Pfad unbekannt ist. Wenn Sie das Flowchart zeichnen kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen, brauchen Sie keinen Agent.

Wie eine Agent-Loop tatsächlich aussieht

Die Grundidee ist klein. Ein Agent ist eine Schleife: Das Modell wählt ein Tool, Sie führen es aus, geben 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 zurückgeben
                         "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 Durchgang zwischen search_orders und issue_refund. Dieselbe Form funktioniert über das OpenAI Agents SDK, das Claude Agent SDK und Googles ADK hinweg. Die Provider-Deep-Dive-Blöcke behandeln die Besonderheiten jedes einzelnen. Hier geht es uns um die Idee.

Zwei Guardrails, die Sie in einer echten Loop immer einbauen sollten:

• Ein Schrittlimit (zum Beispiel Stopp nach 10 Tool-Aufrufen), damit sie nicht endlos läuft.
• Approval Gates bei riskanten Tools (Rückerstattungen auslösen, E-Mails senden, Daten löschen), damit ein Mensch bestätigt, bevor gehandelt wird.

Häufige Fehler

Zuerst zum Agent greifen. Es fühlt sich modern und beeindruckend an. Es ist meist der falsche Startpunkt. Beginnen Sie links am Regler und gehen Sie nur nach rechts, wenn es nicht anders geht.

Einen Workflow „Agent“ nennen. 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 nutzen.

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. Immer begrenzen.

Eine durchgerechnete Entscheidung

Nehmen wir an, 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 sich klar auf ein Feld abbilden lassen: Automation. Wenn die Rechnung gelesen und über das passende Projekt nachgedacht werden muss: ein kleiner Workflow-Klassifikationsschritt.
• Einem Lieferanten per E-Mail bei einer bestrittenen Position nachgehen, hin und her, bis es geklärt ist. Unvorhersehbar, mehrstufig, adaptiv → das ist der eine Teil, der einen Agent rechtfertigen kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnte.

Das Ganze ist zu 90 % Workflow und Automation, mit einem Agent nur an der unordentlichen Kante. Das ist ein gesundes Design.

Die wichtigsten Erkenntnisse

• Einfach starten, nur nach rechts gehen, wenn es nötig ist. Automation → Workflow → Agent. Jeder Schritt nach rechts bringt Kosten, Latenz und Unvorhersehbarkeit.
• Nutzen Sie den Flowchart-Test. Wenn Sie die Schritte vorab zeichnen kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen, 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 keine minderwertige Wahl. Für Zusammenfassen, Klassifizieren und Extrahieren ist ererThe ratio of interactions (likes, comments, shares) to reach for a given piece of content, used to gauge how well audiences respond relative to how many people saw it.Vollständige Definition ansehen → günstiger, schneller und zuverlässiger als ein Agent.
• Wenn Sie einen Agent bauen, begrenzen Sie ihn. Setzen Sie ein Schrittlimit, eine Budgetgrenze und menschliche Freigabe bei riskanten Tools, bevor ererThe ratio of interactions (likes, comments, shares) to reach for a given piece of content, used to gauge how well audiences respond relative to how many people saw it.Vollständige Definition ansehen → handeln kann.
• Halten Sie das Toolset klein. Weniger Tools und ein engeres Ziel bedeuten weniger Fehlabbiegungen.