KI-Agent oder Workflow? Was Unternehmen wirklich brauchen

„Wir möchten einen KI-Agenten bauen.“

Diesen Satz hört man inzwischen erstaunlich häufig.

Manchmal ist ein Agent tatsächlich die richtige Lösung.

Sehr oft braucht das Unternehmen allerdings etwas anderes:

einen normalen Workflow mit ein paar intelligenten Schritten.

Der Unterschied klingt technisch.

Für Kosten, Zuverlässigkeit und Wartbarkeit ist er ziemlich groß.

Denn ein klassischer Workflow weiß vorher, welche Schritte er ausführen wird.

Ein Agent entscheidet teilweise selbst, welche Schritte überhaupt notwendig sind.

Das macht Agenten flexibler.

Aber auch langsamer, teurer und schwieriger kontrollierbar.

Die strategische Frage sollte deshalb nicht lauten:

„Wo können wir einen Agenten einsetzen?“

Sondern:

„Wie viel Autonomie braucht dieser Prozess wirklich?“

TL;DR: Das Wichtigste in Kürze

• Workflows folgen einem vorher definierten Ablauf.
• KI-Agenten bestimmen einen Teil ihres Weges und ihrer Tool-Nutzung selbst.
• Bei klar strukturierten Geschäftsprozessen ist ein Workflow meistens günstiger und zuverlässiger.
• Agenten lohnen sich bei offenen Aufgaben, bei denen die benötigten Schritte vorher nicht vollständig bekannt sind.
• Viele der besten Unternehmenssysteme sind hybrid: Der Workflow kontrolliert den Prozess, die KI übernimmt flexible Teilaufgaben.
• Microsoft warnt in seinen aktuellen Architekturhinweisen ausdrücklich davor, nichtdeterministische Agentenmuster für eigentlich deterministische Prozesse einzusetzen.
• Anthropic empfiehlt ebenfalls, mit der einfachsten Lösung zu beginnen und Agentenkomplexität nur dort einzusetzen, wo Flexibilität tatsächlich nötig ist.

Was ist der Unterschied zwischen Workflow und KI-Agent?

Ein Workflow besitzt einen vordefinierten Kontrollfluss. Ein Agent entscheidet dynamisch, welche Aktionen und Werkzeuge er zur Erreichung eines Ziels verwendet.

Anthropic unterscheidet die beiden Konzepte ähnlich:

Bei einem Workflow werden Modellaufrufe und Tools über vorher festgelegte Codepfade orchestriert.

Bei einem Agenten steuert das Modell seinen Prozess und die Tool-Nutzung dynamisch selbst.

Ein einfaches Beispiel macht den Unterschied klar.

Workflow

Eine Rechnung kommt herein.

1. PDF lesen.
2. Daten extrahieren.
3. Lieferant suchen.
4. Betrag prüfen.
5. Bestellung vergleichen.
6. Bei Abweichung → Mitarbeiter.
7. Sonst → Buchung vorbereiten.

Die Schritte sind bekannt.

Die KI wird vielleicht bei Punkt zwei eingesetzt.

Der Prozess selbst bleibt fest.

Agent

Aufgabe:

„Prüfe, warum Kunde Müller seine letzten drei Rechnungen reklamiert hat, und bereite eine Handlungsempfehlung vor.“

Der Agent weiß möglicherweise zunächst nicht:

• welche Rechnungen relevant sind,
• welche CRM-Notizen er braucht,
• ob Vertragsdokumente geprüft werden müssen,
• ob eine E-Mail-Kette relevant ist,
• wie viele Suchschritte notwendig werden.

Hier ist Flexibilität tatsächlich wertvoll.

Warum Agenten so attraktiv wirken

Ein Agent ist beeindruckend.

Man beschreibt ein Ziel.

Die KI plant.

Sie verwendet Tools.

Sie reagiert auf Ergebnisse.

Sie arbeitet weiter.

Ein Workflow sieht dagegen schnell langweilig aus.

Trigger
↓
Schritt A
↓
IF
↓
Schritt B
↓
Freigabe
↓
Aktion

Genau diese Langeweile ist bei Geschäftsprozessen häufig ein Vorteil.

Wenn ein Unternehmen jeden Monat 20.000 Rechnungen verarbeitet, möchte es nicht, dass der Agent bei jeder Rechnung kreativ überlegt, wie er heute vorgehen möchte.

Man möchte:

denselben zuverlässigen Ablauf.

Wann ist ein Workflow die bessere Lösung?

Ein Workflow ist meistens die bessere Wahl, wenn Schritte, Regeln und gewünschtes Ergebnis weitgehend vorhersehbar sind.

Typische Beispiele:

• Dokumente klassifizieren
• Leads qualifizieren
• Rechnungsdaten extrahieren
• CRM-Daten aktualisieren
• regelmäßige Reports erzeugen
• Follow-up-Aufgaben erstellen
• Formulare verarbeiten
• E-Mails routen
• Genehmigungsprozesse
• Daten zwischen Systemen übertragen

KI kann innerhalb dieser Abläufe trotzdem sehr wichtig sein.

Beispielsweise:

E-Mail
↓
KI versteht Inhalt
↓
Workflow prüft Regeln
↓
CRM API
↓
Mitarbeiterfreigabe
↓
Antwort

Das ist eine KI-Automatisierung.

Aber kein autonomer Agent.

Wann lohnt sich ein echter Agent?

Ein Agent wird interessant, wenn das Ziel klar ist, der optimale Lösungsweg aber erst während der Aufgabe ermittelt werden kann.

Microsoft nennt in seiner aktuellen Durable-Agent-Dokumentation einen ähnlichen Unterschied: Deterministische Workflows eignen sich, wenn die Sequenz bekannt ist und explizite Kontrolle benötigt wird. Agent Loops sind sinnvoller bei offenen Aufgaben, bei denen die Schritte vorher nicht vollständig vorhersehbar sind.

Gute Beispiele:

Recherche

„Finde die fünf wahrscheinlichsten Ursachen für diesen ungewöhnlichen Markttrend und belege jede These mit aktuellen Quellen.“

Wie viele Suchen notwendig sind, ist unbekannt.

Softwareentwicklung

„Behebe Bug X.“

Der Agent weiß vorher nicht, welche Dateien betroffen sind.

Komplexe technische Diagnose

„Finde heraus, warum diese API sporadisch fehlschlägt.“

Vielleicht braucht er Logs.

Dann Metriken.

Dann Quellcode.

Dann Dokumentation.

Unstrukturierte Fallbearbeitung

„Analysiere diesen ungewöhnlichen Kundenfall und bereite die relevanten Informationen für unseren Experten vor.“

Hier können sich die notwendigen Schritte je nach Fall stark unterscheiden.

Die wichtigste Frage: Sind die Schritte oder nur die Daten variabel?

Das ist eine sehr hilfreiche Unterscheidung.

Nehmen wir Support.

Jede Anfrage sieht anders aus.

Das bedeutet nicht automatisch, dass der Prozess anders sein muss.

Vielleicht lautet der Ablauf immer:

1. Anfrage verstehen.
2. Kategorie bestimmen.
3. Kundenkonto laden.
4. relevante Wissensbasis durchsuchen.
5. Antwort vorbereiten.
6. je nach Kategorie eskalieren.

Die Daten sind hochgradig variabel.

Der Prozess ist trotzdem klar.

Dann reicht oft ein Workflow mit LLM-Komponenten.

Ein Agent wird erst dann notwendig, wenn auch der Weg zum Ergebnis offen ist.

Eine einfache Entscheidungsmatrix

Die mittlere Spalte ist aus unserer Sicht für viele Unternehmensprozesse die interessanteste.

Hybrid ist häufig die beste Architektur

Ein hybrides System lässt die KI dort entscheiden, wo Flexibilität notwendig ist, während der eigentliche Geschäftsprozess von normaler Software kontrolliert bleibt.

Beispiel Reklamation:

Schritt 1 – Workflow

E-Mail kommt herein.

Schritt 2 – KI

Anliegen erkennen und strukturieren.

Schritt 3 – Workflow

Kunden- und Bestelldaten laden.

Schritt 4 – KI

Reklamationsgrund interpretieren.

Schritt 5 – normale Geschäftslogik

Gewährleistungsfrist prüfen.

Schritt 6 – Agent oder KI

Bei ungewöhnlichem Fall relevante Dokumente recherchieren.

Schritt 7 – Workflow

Freigabe einholen.

Schritt 8 – API

CRM aktualisieren.

Das ist wesentlich kontrollierter als:

„Hier ist Zugriff auf CRM, ERP und Mail. Kümmere dich um die Reklamation.“

Und trotzdem wesentlich flexibler als eine reine Wenn-Dann-Automatisierung.

Warum nicht einfach alles agentisch bauen?

Drei Gründe.

1. Kosten

Ein Workflow kennt seine Schritte.

Ein Agent kann zusätzliche Modell- und Tool-Aufrufe erzeugen.

Anthropic weist selbst darauf hin, dass agentische Systeme typischerweise höhere Kosten und höhere Latenz gegen bessere flexible Aufgabenbewältigung eintauschen.

2. Fehleranalyse

Workflow:

Schritt vier ist fehlgeschlagen.

Agent:

Warum hat das Modell nach Schritt vier eigentlich Tool sieben ausgewählt, dann nochmal recherchiert und anschließend eine andere Route genommen?

Das lässt sich analysieren.

Aber es ist aufwendiger.

3. Auditierbarkeit

Bei finanziellen, regulatorischen oder geschäftskritischen Prozessen ist eine klare Ablaufstruktur oft wünschenswert.

Microsoft nennt genau solche Szenarien – Freigaben, Compliance, ETL oder Incident-Prozesse – als typische Kandidaten für stärker deterministische Orchestrierung.

Ein Beispiel: Angebotsprozess

Ein Vertriebsteam möchte Angebote automatisieren.

Die erste Idee:

„Wir bauen einen Angebotsagenten.“

Was macht dieser Agent?

Kundenanfrage lesen.

Kunde im CRM suchen.

Produkte identifizieren.

Preise laden.

Rabatt berechnen.

Lieferzeit prüfen.

Angebot erzeugen.

E-Mail vorbereiten.

Klingt agentisch.

Bei genauer Betrachtung sind fast sämtliche Schritte fest.

Die KI muss eigentlich nur zwei Dinge flexibel lösen:

Anfrage verstehen.

und eventuell:

unklare Sonderfälle interpretieren.

Der Rest sind APIs und Geschäftsregeln.

Eine bessere Architektur:

Anfrage
↓
LLM → strukturierte Anforderungen
↓
CRM
↓
ERP
↓
Preislogik
↓
Verfügbarkeitsprüfung
↓
LLM → Angebotstext
↓
Mitarbeiterfreigabe

Das ist wahrscheinlich günstiger.

Einfacher zu testen.

Und zuverlässig.

Gegenbeispiel: Marktanalyse

Aufgabe:

„Analysiere, welche drei neuen Wettbewerber für unser Produktsegment in den letzten zwölf Monaten relevant geworden sind, prüfe deren Positionierung und Preise und liefere eine begründete Einschätzung.“

Hier kennt niemand den vollständigen Rechercheweg vorher.

Der Agent muss:

Suchen.

Quellen bewerten.

Neue Suchanfragen formulieren.

Vielleicht Firmen ausschließen.

Weitere Informationen beschaffen.

Zwischenergebnisse vergleichen.

Das ist ein sehr guter Fall für agentische Autonomie.

n8n, Make oder individuelle Entwicklung?

Die Wahl Workflow vs. Agent ist unabhängig vom konkreten Tool.

Ein Workflow kann in:

• n8n,
• Make,
• Zapier,
• Logic Apps,
• eigenem Backend

laufen.

Ein Agent ebenfalls.

Für kleinere interne Prozesse ist n8n häufig ein sehr guter Orchestrator.

Sobald jedoch:

• komplexer Zustand,
• hohe Volumen,
• kundenseitige Anwendung,
• spezielle Berechtigungen,
• umfangreiche Tests,
• langlebige Prozesse

hinzukommen, kann individuelle Softwareentwicklung sinnvoller werden.

Die eigentliche Frage ist nicht:

„No-Code oder Code?“

Sondern:

„Welche Teile dieses Prozesses müssen deterministisch kontrolliert werden?“

Welp-IT-Einschätzung: Agenten sollten Autonomie verdienen

Aus unserer Sicht sollte man einem neuen KI-System nicht von Anfang an maximal mögliche Autonomie geben.

Ein sinnvoller Weg ist:

Stufe 1 – Assistieren

KI macht Vorschläge.

Stufe 2 – Vorbereiten

KI bereitet echte Aktionen vor.

Stufe 3 – kontrolliert ausführen

Bestimmte Aktionen laufen automatisch.

Stufe 4 – dynamisch planen

Agent entscheidet bei geeigneten Fällen selbst über mehrere Schritte.

Damit wächst die Autonomie mit den Daten über die tatsächliche Zuverlässigkeit.

Nicht mit der Begeisterung über die Demo.

Fünf Fragen vor der Architekturentscheidung

1. Kennen wir die Prozessschritte vorher?

Ja → Workflow spricht vieles dafür.

Nein → Agent möglicherweise sinnvoll.

2. Muss jede Ausführung ähnlich aussehen?

Ja → eher deterministisch.

Nein → mehr Agentenflexibilität.

3. Welche Fehler wären teuer?

Je höher das Risiko, desto stärker sollte normale Software den Prozess begrenzen.

4. Braucht das System mehrere Tools dynamisch?

Wenn die Auswahl erst während der Bearbeitung sinnvoll getroffen werden kann, spricht das stärker für einen Agenten.

5. Kann Erfolg eindeutig bewertet werden?

Agenten funktionieren besonders gut bei Aufgaben mit klar erkennbarem Erfolg beziehungsweise Feedback.

FAQ: KI-Agent oder Workflow?

Was ist der Hauptunterschied zwischen KI-Agent und Workflow?

Ein Workflow folgt einer vorher definierten Prozesslogik. Ein Agent entscheidet dynamisch, welche Schritte und Tools zur Erreichung eines Ziels notwendig sind.

Ist n8n ein KI-Agent?

Nein. n8n ist primär eine Workflow- und Automatisierungsplattform. Innerhalb eines n8n-Workflows können allerdings KI-Agenten eingebunden werden.

Sind KI-Agenten besser als klassische Automatisierung?

Nicht grundsätzlich. Sie sind flexibler, aber häufig teurer und weniger vorhersehbar. Für klar strukturierte Geschäftsprozesse kann klassische beziehungsweise hybride Automatisierung deutlich besser geeignet sein.

Kann ein Workflow trotzdem KI verwenden?

Ja – und genau das ist für viele Unternehmen die sinnvollste Lösung. Ein LLM übernimmt beispielsweise Verständnis oder Klassifizierung, während normale Software den Prozess steuert.

Wann sollte man einen Agenten einsetzen?

Bei offenen, mehrstufigen Aufgaben, deren genaue Bearbeitungsschritte vorher nicht bekannt sind und bei denen das Modell seine Strategie anhand von Zwischenergebnissen anpassen muss.

Fazit: Nicht möglichst autonom – sondern genau autonom genug

KI-Agenten sind eine beeindruckende Technologie.

Aber Autonomie ist kein Selbstzweck.

Wenn ein Geschäftsprozess aus sieben klar definierten Schritten besteht, ist es kein Fortschritt, ein Sprachmodell jedes Mal neu entscheiden zu lassen, welche sieben Schritte es ausführen möchte.

Gute KI-Architektur setzt Flexibilität dort ein, wo sie tatsächlich Wert schafft.

Der Rest darf sehr gerne langweilige, deterministische Software bleiben.

Vielleicht lautet deshalb die wichtigste Frage eines neuen Automatisierungsprojekts nicht:

„Brauchen wir einen KI-Agenten?“

Sondern:

„Welcher Teil unseres Prozesses darf intelligent und flexibel sein – und welcher sollte jedes Mal exakt gleich funktionieren?“

Workflow, Agent oder Kombination?

Welp-IT analysiert Geschäftsprozesse nicht mit dem Ziel, möglichst viel KI hineinzubauen.

Wir prüfen, welcher Grad an Automatisierung tatsächlich sinnvoll ist – und setzen anschließend Workflow-Automatisierung, KI-Komponenten und individuelle Software passend zusammen.

Mehr über KI-Automatisierung bei Welp-IT