KI-Agenten und Agentic Workflows: Die nächste Stufe der Automatisierung

Agentic Workflows klingen nach Zukunftsmusik, sind aber längst Realität. Sie folgen keinem starren Skript, sondern entscheiden selbst, welchen Schritt sie als nächstes gehen.

Du hast wahrscheinlich die Begriffe schon gehört: ChatGPT-Agent, Microsoft Copilot, Agentic Workflows. Vielleicht bist du auch schon auf spezialisierte Tools wie n8n AI Agents gestoßen. Überall tauchen plötzlich "Agenten" auf. Aber was bedeutet das eigentlich? Ist das wieder nur Marketing-Hype oder steckt diesmal mehr dahinter?

Hinweis: Dieser Artikel richtet sich an Leser mit grundlegendem technischen Verständnis. Du musst nicht programmieren können, aber Begriffe wie API, Datenbank oder Workflow sollten dir nicht völlig fremd sein.

Das Missverständnis: Agenten = autonome Roboter?

Wenn von "KI-Agenten" die Rede ist, denken viele an Terminator oder HAL 9000 aus 2001 Space Odyssee. An vollautonome Systeme, die selbstständig Entscheidungen treffen und uns bald alle ersetzen. Das ist nicht die Realität, zumindest nicht 2026. Ein KI-Agent ist kein autonomer Roboter, sondern ein LLM mit Handlungsfähigkeit. Er kann nicht nur Text verstehen, sondern auch E-Mails lesen, in Notion oder Google Drive suchen, oder aktuelle Daten aus deinem CRM abrufen und basierend darauf neu entscheiden, was als nächstes zu tun ist.

Von Regeln zu Zielen: Der fundamentale Unterschied

Traditionelle Automatisierung funktioniert wie ein Kochrezept. Wenn X eintritt, dann tue Y. Feste Reihenfolge, keine Abweichung. Ein Fehler bedeutet kompletten Abbruch. Agentic Workflows funktionieren anders. Du gibst ein Ziel vor, etwa: "Fasse die wichtigsten Punkte aus den letzten Team-Meetings zusammen", und der Agent entscheidet selbst:

• Welche Meeting-Notizen sind relevant?

• Brauche ich zusätzlich die Projekt-Roadmap?

• Soll ich auch die Slack-Diskussionen einbeziehen?

"The shift from process automation to goal automation is the most significant change in how we think about AI systems."

Andrew Ng nennt das den Unterschied zwischen "Process Automation" und "Goal Automation". Statt jeden einzelnen Schritt vorzugeben, definierst du das gewünschte Ergebnis und der Agent findet selbst den Weg dorthin.

Was steckt wirklich hinter einem Agenten?

Ein funktionierender Agent besteht aus vier Komponenten, die zusammenspielen müssen:

1. Das "Gehirn" (LLM): Ein Reasoning-Modell wie GPT-4o, Claude Opus 4.5 oder Gemini 2.5 Pro versteht die Aufgabe und plant die nötigen Schritte. Es ist der Entscheider.

2. Zugriff auf externe Systeme: Der Agent kann mit anderen Programmen "sprechen": dein CRM-System durchsuchen, Kalendereinträge prüfen, E-Mails lesen oder Firmendatenbanken abfragen. Das passiert über standardisierte Schnittstellen (APIs), ähnlich wie Apps auf deinem Smartphone auf deine Kontakte zugreifen können.

3. Memory & Kontext: Der Agent erinnert sich an vorherige Schritte. Wenn er in Schritt 1 erfahren hat, dass der Kunde ein Premium-Kunde ist, berücksichtigt er das in allen folgenden Entscheidungen.

4. Human-in-the-Loop: Bei kritischen Entscheidungen wird der Mensch eingebunden. Kein Agent sollte heute vollständig autonom handeln, besonders nicht bei Geld, rechtlichen Fragen oder wichtigen Kundenbeziehungen.

Praxisbeispiel: Intelligentes Kunden-Onboarding

Lass uns den Unterschied konkret machen.

Vorher (klassische Automatisierung): Ein Kunde füllt ein Formular aus. Das System prüft, ob alle Felder ausgefüllt sind. Wenn ja, werden E-Mail gesendet und Ticket erstellt. Wenn nein, zeigt es einen Fehler an. Problem: Der Kunde hat nur sein Geburtsdatum vergessen, stellt aber eine dringende Preisfrage. Das System blockiert, obwohl die Frage nichts mit dem Geburtsdatum zu tun hat.

Nachher (Agentic Workflow): Der Agent analysiert das Formular und versteht: "Geburtsdatum fehlt, aber die eigentliche Anfrage ist zeitkritisch und betrifft Preise." Er erstellt ein Prioritäts-Ticket, sendet eine freundliche Bestätigungsmail mit Hinweis auf das fehlende Datum und leitet die Preisfrage direkt an den Vertrieb weiter, ohne den Kunden warten zu lassen.

Ein anderes Beispiel ist E-Mail-Triage. Ein klassisches System sortiert nach Stichworten ("Rechnung" → Buchhaltung). Ein Agent liest die Mail komplett, versteht den Kontext, prüft im CRM-System die Kundenhistorie und entscheidet: "Das ist eine komplexe Reklamation mit rechtlichen Aspekten. Das muss zum Head of Customer Success, nicht zur Standard-Support-Queue."

Wo Agenten (noch) an ihre Grenzen stoßen

So vielversprechend Agenten sind, sie sind nicht perfekt:

1. Halluzinationen: LLMs können überzeugende, aber falsche Informationen generieren. Ein Agent könnte eine Kundenanfrage beantworten, die plausibel klingt, aber faktisch falsch ist.

2. Governance-Fragen: Wer haftet, wenn der Agent einem Kunden versehentlich einen falschen Preis zusagt? Diese rechtlichen Fragen sind noch nicht abschließend geklärt.

3. Compliance-Risiken: In regulierten Branchen wie Medizin, Finanzen oder Recht gibt es strenge Vorschriften. Ein Agent, der automatisch Kreditentscheidungen trifft, könnte unbeabsichtigt gegen Diskriminierungsgesetze verstoßen.

Deshalb funktionieren Agentic Workflows am besten mit menschlichen Checkpoints bei kritischen Entscheidungen, der so genannte "Human in the Loop". Bei Routineaufgaben mit geringem Risiko? Der Agent kann eigenständig handeln. Bei wichtigen Geschäftsentscheidungen? Nur mit menschlicher Aufsicht.

Praxis: So baust du einen Agenten mit n8n

n8n ist eine Open-Source-Plattform für Workflow-Automatisierung mit über 400 Integrationen. Seit 2025 hat sich n8n zu einem der beliebtesten Tools für den Bau von KI-Agenten entwickelt, dank nativer LangChain-Integration und direkter Anbindung an Vector Stores.

Ein einfacher Agent in n8n besteht aus vier Bausteinen:

1. Trigger: Der Auslöser, zum Beispiel eine Chat-Nachricht oder ein Webhook

2. AI Agent Node: Das Herzstück, hier definierst du das Verhalten über System-Prompts

3. LLM-Anbindung: Die Verbindung zu GPT-4o, Claude Opus 4.5 oder Gemini 2.5 Pro

4. Tools: Die Werkzeuge, die der Agent nutzen kann, zum Beispiel Google Drive durchsuchen, E-Mails lesen oder APIs abfragen

Beispiel-Workflow: Wöchentliches Team-Briefing

Der Agent wird jeden Montag um 8:00 Uhr getriggert. Er durchsucht automatisch die Meeting-Notizen der letzten Woche, fasst die wichtigsten Punkte zusammen und sendet das Briefing per E-Mail an das Team. Bei Unklarheiten fragt er per Slack nach bevor er das Briefing verschickt.

Das Besondere: Du brauchst keinen Code. Die visuelle Oberfläche von n8n macht es möglich, komplexe Agenten per Drag-and-Drop zu bauen. Für Entwickler gibt es trotzdem die Option, Custom Code einzufügen.

Wichtig: "No-Code" bedeutet nicht "No-Skills". Auch wenn n8n keine Programmierung erfordert, solltest du grundlegende technische Konzepte verstehen: Was ist eine API? Wie funktionieren Webhooks? Was sind JSON-Daten? Ohne dieses Grundverständnis wirst du bei der Fehlersuche schnell frustriert sein. Wer noch nie mit Automatisierungstools gearbeitet hat, sollte Zeit für die Einarbeitung einplanen.

Was kostet ein KI-Agent im Betrieb?

KI-Agenten werden über API-Calls abgerechnet und die Kosten können schnell steigen, wenn man nicht aufpasst. Hier ein Überblick der aktuellen Preise:

Modell	Input (pro 1M Tokens)	Output (pro 1M Tokens)	Quelle
GPT-4o	$2,50	$10,00	OpenAI Pricing
Claude Opus 4.5	$5,00	$25,00	Anthropic Pricing
Claude Sonnet 4.5	$3,00	$15,00	Anthropic Pricing
Gemini 2.5 Pro	$1,25	$10,00	Google AI Pricing

Stand: Januar 2026. Preise können sich ändern. Aktuelle Preise findest du auf den verlinkten Seiten der Anbieter.

Was bedeutet das in der Praxis?

• 1 Million Tokens ≈ 750.000 Wörter

• Eine typische Agent-Anfrage: ca. 2.000–5.000 Tokens (Input + Output)

• 1.000 Agent-Durchläufe pro Monat mit GPT-4o: ca. $5–15

Rechenbeispiel: Ein Agent, der täglich 50 E-Mails kategorisiert (je ~500 Tokens Input, ~200 Tokens Output), verursacht mit GPT-4o etwa $1,50 pro Monat. Mit Claude Opus 4.5 wären es ca. $5. Dafür bekommst du bessere Reasoning-Fähigkeiten.

Kostenspar-Tipps:

• Prompt Caching: Bei wiederholtem Kontext bis zu 90% sparen

• Batch Processing: Für nicht-zeitkritische Aufgaben 50% Rabatt

• Modell-Routing: Einfache Aufgaben an günstigere Modelle, komplexe an Premium-Modelle

Klassische Automatisierung vs. Agentic Workflows

Kriterium	Klassische Automatisierung	Agentic Workflow
Logik	Wenn-Dann-Regeln	Zielbasiert
Fehlertoleranz	Bricht bei Abweichungen ab	Passt sich an, findet Alternativen
Flexibilität	Nur vordefinierte Pfade	Dynamische Entscheidungen
Einrichtung	Schnell für einfache Flows	Mehr Planung, aber flexibler
Wartung	Jede Änderung = neuer Flow	Agent lernt aus Kontext
Kosten	Meist kostenlos oder günstig	API-Kosten pro Durchlauf
Einsatzgebiet	Repetitive, vorhersehbare Tasks	Komplexe, variable Aufgaben

Wann was nutzen?

• Klassische Automatisierung: Rechnungen automatisch ablegen, Kalendereinträge synchronisieren, Formular-Daten in CRM übertragen

• Agentic Workflow: E-Mails nach Dringlichkeit priorisieren, Meeting-Zusammenfassungen erstellen, komplexe Recherche-Aufgaben

Use Case: Customer Support Agent

Das Problem: Jeden Tag kommen 200 Support-Tickets rein. Manche sind dringend, manche nicht. Manche gehören zum Technik-Team, manche zur Buchhaltung. Aktuell sortiert das ein Mensch oder Tickets landen im falschen Topf, Kunden warten, Frust entsteht.

Was der Agent für dich tut: Jedes Ticket wird sofort analysiert: Worum geht es? Wie dringend ist es? Ist der Kunde verärgert? Hat er offene Bestellungen oder frühere Beschwerden? Basierend darauf landet das Ticket automatisch beim richtigen Team mit einer kurzen Zusammenfassung und dem relevanten Kontext aus dem CRM.

Wie das funktioniert: Der Agent liest das Ticket, erkennt das Thema (technisches Problem, Rechnungsfrage, allgemeine Anfrage, Beschwerde) und prüft im Hintergrund, wer der Kunde ist. Ein Premium-Kunde mit offenem Problem? Geht nach oben in der Priorität. Eine Standard-Frage, die schon 100-mal beantwortet wurde? Der Agent schlägt eine Antwort aus eurer Wissensdatenbank vor. Ein Mitarbeiter muss nur noch bestätigen und absenden.

Technische Umsetzung:

Workflow-Schritte:

1. Trigger: Neues Ticket im Helpdesk (Webhook)

2. LLM analysiert Ticket-Inhalt und Tonalität

3. CRM-Abfrage: Kundenstatus, Historie, offene Vorgänge

4. LLM kategorisiert: Technisch / Billing / Allgemein / Beschwerde

5. LLM bewertet Dringlichkeit (1-5)

6. Bei Standard-Frage: Wissensdatenbank-Abfrage für Antwortvorschlag

7. Routing an zuständiges Team mit Kontext-Zusammenfassung

Tools & Integrationen:

• n8n oder Make als Workflow-Plattform

• Helpdesk mit API (Zendesk, Freshdesk, Intercom)

• CRM mit API (HubSpot, Salesforce)

• Wissensdatenbank / Vector Store für Antwortvorschläge

• LLM: GPT-4o oder Gemini 2.5 Pro

Geschätzte Kosten: ~800 Tokens Input (Ticket + CRM-Kontext) + ~400 Tokens Output = ca. $0,015 pro Ticket mit GPT-4o

Zwei Wege: Selbst bauen oder kaufen?

Der Workflow oben zeigt, wie du diesen Agenten selbst mit n8n oder Make baust. Aber es gibt noch eine andere Option: spezialisierte Plattformen, die Contact-Center-KI out of the box liefern.

Aspekt	Selbst bauen	Plattform nutzen (z.B. Parloa)
Aufbau	Node für Node, Verbindung für Verbindung	Vorgefertigte Module, Konfiguration per UI
LLM-Wahl	Frei wählbar (GPT-4o, Opus, Gemini, Open Source)	Meist vorgegeben oder eingeschränkt
Integrationen	Selbst gebaut via API	Fertige Connectoren vorhanden
Hosting	Selbst verantworten (Cloud oder On-Premise)	Managed by Plattform
Compliance	Selbst sicherstellen	Zertifizierungen inklusive
Debugging	Volle Transparenz in jeden Schritt	Abstraktion, weniger Einblick

Die Faustregel:

• Selbst bauen, wenn du verstehen und kontrollieren willst

• Plattform nutzen, wenn du schnell skalieren musst und Compliance wichtig ist

Autonomie-Level: Niedrig bis Mittel Ob du selbst baust oder kaufst - der Agent sortiert und schlägt vor, aber antwortet nicht eigenständig. Jede Kundenantwort geht durch einen Menschen. Erst wenn ihr seht, dass bestimmte Antwortvorschläge zu 95% unverändert übernommen werden, könnt ihr überlegen, diese zu automatisieren.

Was kommt als nächstes?

Die Entwicklung geht in drei Richtungen:

Multi-Agent-Systeme: Mehrere spezialisierte Agenten arbeiten zusammen. Ein Agent ist Experte für Recherche, ein anderer für das Schreiben, ein dritter für Qualitätskontrolle. Sie geben sich, wie ein Team, gegenseitig Ergebnisse weiter.

Orchestrator-Modelle: "Meta-Agenten" koordinieren andere Agenten. Stell dir einen Projektmanager vor, der verschiedenen Spezialisten Aufgaben zuteilt und das Gesamtergebnis zusammenführt.

Model Context Protocol (MCP): Anthropic hat standardisierte Schnittstellen entwickelt, die sich gerade als Standard etablieren. Damit können Agenten einfacher mit verschiedenen Programmen kommunizieren (vergleichbar mit USB-Anschlüssen, die bei vielen Geräten funktionieren).

2026 werden wir keine "volle Autonomie" sehen, aber deutlich intelligentere, anpassungsfähigere Workflows, die verstehen, was sie tun.

Takeaway: Der Mittelweg ist der richtige Weg

Agentic Workflows sind weder Science-Fiction noch alter Wein in neuen Schläuchen. Sie sind der Mittelweg zwischen starrer Automatisierung und vollautonomer KI, und genau da liegt ihr praktischer Wert.

Wer heute die Konzepte versteht, kann morgen die richtigen Systeme bauen. Die Frage ist nicht, ob du Agenten einsetzen solltest, sondern wo und wie stark du ihnen Handlungsspielraum gibst. Start mit niedrigem Risiko: Lass den Agenten E-Mails kategorisieren, bevor du ihm erlaubst, Verträge zu unterschreiben.

Die nächste Generation der Automatisierung denkt mit, aber die Verantwortung bleibt bei uns.