KI-Agent oder fester Workflow: wann sich Autonomie im Mittelstand lohnt

Ein Anbieter sitzt im Termin und verspricht einen „autonomen KI-Agenten“, der künftig die Auftragsabwicklung übernimmt: E-Mails lesen, Aufträge anlegen, Rückfragen stellen, Termine zusagen, alles selbstständig. Es klingt nach der Zukunft, und der Preis dafür ist entsprechend. Die eigentliche Frage stellt in diesem Termin selten jemand: Muss das überhaupt ein Agent sein? Für einen großen Teil der Aufgaben, die im Mittelstand automatisiert werden sollen, lautet die ehrliche Antwort nein. Und wer die Frage nicht stellt, zahlt am Ende für Autonomie, die er nicht braucht, und handelt sich Risiken ein, die er nicht wollte.

Zwischen einem festen Automatisierungs-Workflow und einem autonomen KI-Agenten liegt kein gradueller Unterschied, sondern eine Grundsatzentscheidung über Kontrolle. Ein Workflow tut jedes Mal dasselbe, in derselben Reihenfolge, nachvollziehbar bis ins Detail. Ein Agent entscheidet zur Laufzeit selbst, welchen Weg er nimmt. Das eine ist berechenbar, das andere flexibel. Beides hat seinen Platz, und die Kunst liegt darin, für jeden Prozess das Richtige zu wählen, statt aus Prinzip das Modernste zu nehmen.

Dieser Artikel liefert genau diesen Entscheidungsrahmen. Er erklärt, was Workflows und Agenten technisch unterscheidet, wann sich Autonomie wirklich lohnt und wann ein fester Ablauf die bessere, günstigere und sicherere Wahl ist. Er ordnet die ernüchternden Zahlen zu gescheiterten Agenten-Projekten ein, benennt die Fehlermodi ehrlich und zeigt den pragmatischen Mittelweg, der in der Praxis am zuverlässigsten funktioniert: ein deterministisches Rückgrat mit einem eng eingegrenzten Agenten-Kern und einem Menschen an den kritischen Stellen. Kein Hype, sondern eine Einordnung für eine echte Entscheidung.

Warum die Frage 2026 zur Kernfrage wird

Kurz gesagt: Agentische KI ist das dominierende Versprechen dieses Jahres, und genau deshalb wird die nüchterne Abgrenzung zur wichtigsten Entscheidung vor jedem Automatisierungsprojekt.

2024 und 2025 haben die großen Anbieter die Grundlagen für autonome Agenten gelegt: Anthropic, OpenAI und Google haben Frameworks, Leitfäden und Werkzeuge veröffentlicht, mit denen sich Sprachmodelle nicht nur befragen, sondern handeln lassen. Seither ist „Agentic AI“ das Etikett, das auf fast jedem Produkt klebt. Das Problem daran hat die Marktforschung von Gartner treffend benannt: Von tausenden Anbietern, die mit agentischen Fähigkeiten werben, stuft Gartner nur rund 130 als echte Anbieter agentischer KI ein. Der Rest ist, in Gartners Worten, „Agent Washing“, also umetikettierte Automatisierung oder Chatbots.

Die Realität hinter dem Etikett ist ernüchternd, und sie ist gut belegt. Gartner prognostiziert, dass bis Ende 2027 über 40 Prozent der Projekte für agentische KI wieder eingestellt werden, wegen steigender Kosten, unklaren Geschäftsnutzens oder unzureichender Risikokontrollen. Eine breit beachtete Untersuchung des MIT aus dem Jahr 2025 kam zu dem Ergebnis, dass 95 Prozent der untersuchten Piloten für generative KI keinen messbaren Return liefern. Das ist keine Absage an die Technik, es ist eine Absage an den unüberlegten Einsatz. Wer 2026 automatisiert, konkurriert nicht mehr um die Frage, ob KI funktioniert, sondern um die Frage, ob er sie an der richtigen Stelle und in der richtigen Form einsetzt.

Workflow oder Agent: der Unterschied in einem Satz

Die klarste Abgrenzung stammt von Anthropic und lässt sich in einem Satz zusammenfassen: In einem Workflow werden Sprachmodell und Werkzeuge über vordefinierte Code-Pfade gesteuert, in einem Agenten steuert das Sprachmodell seinen Ablauf und seine Werkzeugnutzung selbst.

Ein Workflow folgt also einem Weg, den ein Mensch vorher festgelegt hat. Schritt eins, dann Schritt zwei, bei dieser Bedingung nach links, sonst nach rechts. Auch wenn in einzelnen Schritten ein Sprachmodell arbeitet, etwa um eine E-Mail zu klassifizieren oder Positionen aus einem PDF zu lesen, bleibt der Ablauf selbst deterministisch: Er ist im Voraus bekannt und jedes Mal gleich. Ein Agent dagegen bekommt ein Ziel und eine Auswahl an Werkzeugen und entscheidet zur Laufzeit selbst, welche Werkzeuge er in welcher Reihenfolge nutzt, um das Ziel zu erreichen. OpenAI formuliert es so: Agenten sind Systeme, die Aufgaben eigenständig für Sie erledigen, die Ausführung selbst steuern, ihre Handlungen bei Bedarf korrigieren und die Kontrolle an den Menschen zurückgeben können.

Google zieht in seinem Agent Development Kit dieselbe Trennlinie zwischen einem LLM-Agenten, der Entscheidungen trifft, und Workflow-Agenten, die nach vordefinierter Logik arbeiten, ohne ein KI-Modell für die Ablaufsteuerung zu befragen. Und Google gibt zugleich die entscheidende Empfehlung: Oft ist es sinnvoll, die nicht-deterministische Fähigkeit von KI-Modellen mit deterministischem Code zu verweben, statt dem Modell die gesamte Ausführung zu überlassen. Genau dieser Gedanke, festes Rückgrat plus punktuelle Intelligenz, zieht sich durch diesen ganzen Artikel.

Das Autonomie-Spektrum: vier Stufen

In der Praxis ist die Wahl selten schwarz oder weiß. Zwischen dem starren Workflow und dem völlig autonomen Agenten liegt ein Spektrum, und die meisten guten Lösungen im Mittelstand siedeln in der Mitte.

Auf der ersten Stufe steht der feste Workflow ohne KI: Ein Auslöser, feste Regeln, ein vorhersehbares Ergebnis. Eine Bestellung im Portal löst eine Auftragsbestätigung aus, eine Frist stößt eine Erinnerung an. Auf der zweiten Stufe steht der Workflow mit einem KI-Schritt: Der Ablauf bleibt fest, aber an einer Stelle liest ein Sprachmodell unstrukturierte Daten, etwa die Positionen aus einer Bestell-PDF oder die Absicht hinter einer E-Mail. Der Mensch hat den Weg vorgegeben, die KI erledigt eine einzelne, klar umrissene Teilaufgabe.

Auf der dritten Stufe steht der eingegrenzte Agent: An einer bewusst begrenzten Stelle darf ein Agent selbst entscheiden, welches von wenigen freigegebenen Werkzeugen er nutzt, eingebettet in einen ansonsten festen Ablauf und mit einem Menschen vor kritischen Aktionen. Erst auf der vierten Stufe steht der autonome Agent, der über einen ganzen Prozess hinweg selbst plant, Werkzeuge wählt und handelt. Je weiter rechts auf diesem Spektrum, desto höher die Flexibilität, aber auch desto geringer die Vorhersehbarkeit, desto höher die Kosten und desto mehr Aufwand für Kontrolle. Die Kunst besteht darin, für jeden Prozess die niedrigste Stufe zu wählen, die die Aufgabe zuverlässig löst.

Wann ein fester Workflow die bessere Wahl ist

Ein fester Workflow ist immer dann die richtige Wahl, wenn eine Aufgabe klar definiert und wiederholbar ist. Anthropic empfiehlt Workflows ausdrücklich für gut definierte Aufgaben, bei denen es auf Vorhersehbarkeit und Konsistenz ankommt.

Drei Merkmale zeigen zuverlässig, dass ein Prozess in einen festen Ablauf gehört und keinen Agenten braucht:

• Der Weg ist bekannt. Man könnte den Ablauf als Fließtext aufschreiben, und meistens hat das sogar schon jemand getan. Bestellung kommt rein, Positionen werden geprüft, Auftrag wird angelegt, Bestätigung geht raus.
• Die Schrittzahl ist vorhersehbar. Es gibt keine offene Frage, wie viele Zwischenschritte nötig sind. Anthropic nennt genau das als Trennlinie: Ein Agent lohnt sich dort, wo sich die nötige Anzahl an Schritten schwer oder gar nicht vorhersagen lässt. Wo sie vorhersehbar ist, gehört die Aufgabe in einen Workflow.
• Fehler sind teuer und müssen nachvollziehbar sein. Wenn jeder Schritt geprüft, protokolliert und im Zweifel erklärt werden muss, ist ein deterministischer Ablauf die sichere Wahl, weil er jedes Mal gleich läuft.

Der große Vorteil des festen Workflows ist seine Berechenbarkeit. Er kostet pro Durchlauf wenig, er ist testbar, und wenn er einmal läuft, läuft er stabil. Ein sehr großer Teil der Zeitersparnis im Mittelstand entsteht genau hier, bei den unspektakulären, wiederkehrenden Abläufen. Wo Sie heute anfangen können, ohne überhaupt an Agenten zu denken, zeigt der Beitrag zu IT-Routineaufgaben mit n8n. Wichtig ist die Einordnung: Ein Workflow mit einem eingebetteten KI-Schritt ist immer noch ein Workflow, kein Agent. Das Sprachmodell erledigt dort eine Teilaufgabe, es steuert nicht den Ablauf.

Ein fester Workflow ist dabei kein primitiver Ablauf. Anthropic beschreibt mehrere bewährte Muster, mit denen sich auch anspruchsvolle Aufgaben deterministisch lösen lassen. Beim Prompt Chaining wird eine Aufgabe in feste, aufeinander folgende Schritte zerlegt, jeder verarbeitet das Ergebnis des vorherigen. Beim Routing klassifiziert ein erster Schritt die Eingabe und leitet sie an den passenden Folgeweg, eine Reklamation in einen anderen Zweig als eine Bestellung. Bei der Parallelisierung laufen mehrere Teilaufgaben gleichzeitig, und ihre Ergebnisse werden am Ende zusammengeführt. All das bleibt vorhersehbar und prüfbar, weil ein Mensch die Wege definiert hat. Wer glaubt, für ein wenig Intelligenz brauche es zwingend einen Agenten, unterschätzt, wie weit ein gut gebauter Workflow trägt.

Wann sich ein KI-Agent wirklich lohnt

Ein Agent lohnt sich dort, wo deterministische, regelbasierte Ansätze an ihre Grenzen stoßen. OpenAI nennt drei konkrete Muster, an denen Sie erkennen, dass eine Aufgabe tatsächlich einen Agenten rechtfertigt.

Das erste Muster sind komplexe Entscheidungen, die abwägendes Urteil, Ausnahmen oder kontextabhängige Bewertung erfordern. Wenn jeder Fall ein bisschen anders liegt und sich nicht in ein festes Regelwerk pressen lässt, spielt ein Agent seine Stärke aus. Das zweite Muster sind Regelwerke, die sich kaum noch pflegen lassen: Systeme, die durch immer neue Sonderregeln so unübersichtlich geworden sind, dass jede Änderung teuer und fehleranfällig ist. Ein Agent, der aus Zielen statt aus tausend Wenn-Dann-Regeln handelt, kann hier robuster sein. Das dritte Muster ist die starke Abhängigkeit von unstrukturierten Daten: Wenn es im Kern darum geht, natürliche Sprache zu verstehen oder Bedeutung aus Dokumenten zu ziehen, spielt die KI ihre eigentliche Stärke aus.

Anthropic ergänzt das entscheidende Kriterium der Vorhersehbarkeit: Agenten sind dort sinnvoll, wo Flexibilität und modellgetriebene Entscheidungen im großen Maßstab gebraucht werden und sich die Zahl der nötigen Schritte nicht vorhersagen lässt. Ein typisches Beispiel aus dem Mittelstand ist die technische Vorklärung einer Serviceanfrage, bei der der Agent je nach Schilderung des Kunden unterschiedliche Systeme abfragt, bis er genug weiß. Der Weg dorthin ist bei jedem Fall anders, das Ziel ist immer gleich. Das ist Agentengebiet. Wichtig bleibt: Diese drei Muster sind ein Filter, kein Freibrief. Trifft keines davon zu, ist der Agent mit hoher Wahrscheinlichkeit die teurere und riskantere Lösung für ein Problem, das ein Workflow besser löst.

Wie ein KI-Agent technisch funktioniert

Ein KI-Agent ist keine magische Blackbox, sondern eine überschaubare Konstruktion aus vier Bausteinen, die in einer Schleife zusammenspielen.

Im Zentrum steht das Sprachmodell als Entscheider. Es bekommt ein Ziel und eine Systemanweisung, die seine Rolle und seine Grenzen beschreibt. Um den Entscheider herum liegen die Werkzeuge: klar definierte Aktionen, die der Agent aufrufen darf, etwa „Auftragsstatus abfragen“ oder „Aufgabe im Ticketsystem anlegen“. Das Gedächtnis hält den Kontext eines Vorgangs fest, damit der Agent über mehrere Schritte hinweg weiß, was bereits geschehen ist. Und die Schleife hält alles zusammen: Der Entscheider wählt ein Werkzeug, sieht das Ergebnis, entscheidet den nächsten Schritt, bis das Ziel erreicht ist oder eine Obergrenze greift.

In einer Werkzeug-Plattform wie n8n ist genau das ein einzelner Baustein. Der AI-Agent-Node verbindet ein Sprachmodell mit einem oder mehreren Werkzeugen, und der Agent ruft diese Werkzeuge iterativ auf. Entscheidend für die Kontrolle ist die Obergrenze: In n8n ist die maximale Zahl der Iterationen standardmäßig auf zehn begrenzt, damit ein Agent nicht in einer Endlosschleife läuft und Kosten produziert. Woher die Werkzeuge kommen und wie ein Agent sicher an ERP, CRM und DMS gelangt, ohne für jedes System eine Speziallösung zu bauen, beschreibt der Beitrag zum Model Context Protocol. Die Qualität der Werkzeugbeschreibungen entscheidet dabei maßgeblich über die Qualität des Agenten: Ein Agent ist nur so gut wie die Werkzeuge, die er kennt, und die Klarheit, mit der ihm ihr Zweck erklärt wurde.

Ein praktischer Unterschied zum Workflow betrifft die Nachvollziehbarkeit. Bei einem festen Ablauf sieht man an jedem Knoten, was passiert ist. Bei einem Agenten muss man die Zwischenschritte bewusst sichtbar machen, um zu verstehen, warum er welches Werkzeug gewählt hat. Gute Plattformen geben diese Zwischenschritte auf Wunsch aus, damit ein Agent nicht als Blackbox läuft, sondern prüfbar bleibt. Für Prozesse, in denen jede Entscheidung erklärbar sein muss, etwa gegenüber einem Kunden oder einem Prüfer, ist das kein Detail, sondern eine Voraussetzung.

Ein Beispiel aus dem Mittelstand: derselbe Prozess, zwei Wege

Nehmen wir einen Zulieferer, der Bestellungen auf drei Wegen bekommt: als PDF per E-Mail, über ein Kundenportal und gelegentlich per Fax, das als Bild ankommt. Ziel ist immer dasselbe: Aus der Bestellung soll ein korrekter Auftrag im ERP werden.

Der Workflow-Weg: Für die PDF- und Portalbestellungen, die den Großteil ausmachen, ist der Ablauf klar. Ein fester Workflow nimmt die Bestellung entgegen, ein KI-Schritt liest die Positionen aus, ein Abgleich prüft Artikelnummern und Preise gegen das ERP, und bei sauberem Ergebnis wird der Auftrag angelegt. Das ist deterministisch, günstig pro Durchlauf und vollständig nachvollziehbar. Kein Agent nötig. Wie so ein durchgängiger Ablauf aussieht, zeigt die Lösungsseite zur Auftragsabwicklung.

Der Agenten-Weg: Schwierig wird es bei den Ausreißern. Ein Kunde schreibt in Fließtext, dass er „dieselbe Bestellung wie letzten Monat, aber die doppelte Menge der zweiten Position“ möchte. Hier hilft kein festes Regelwerk. Ein eingegrenzter Agent kann diese Anfrage übernehmen: Er darf die letzte Bestellung des Kunden abrufen, die Position identifizieren, die Menge anpassen und einen Auftragsentwurf erstellen, den ein Mensch freigibt. Der Weg dorthin ist bei jedem solchen Fall anders, deshalb ist es Agentengebiet.

Die Lehre aus dem Beispiel ist nicht „Workflow gegen Agent“, sondern „Workflow für den Normalfall, Agent für die Ausnahme“. Der Agent bearbeitet die zehn Prozent der Fälle, die den Menschen bisher die meiste Zeit gekostet haben, während der feste Workflow die neunzig Prozent Routine still und günstig erledigt. Genau diese Aufteilung ist in der Praxis fast immer die wirtschaftlichste.

Eine Modellrechnung zur Größenordnung

Eine vereinfachte Modellrechnung zeigt, warum die Aufteilung sich lohnt. Es handelt sich um eine Annahme, nicht um einen Messwert.

Angenommen, ein Innendienst bearbeitet 200 Bestellungen pro Tag. 180 davon sind Routine und laufen bereits über einen festen Workflow, der pro Bestellung nur Sekunden und einen Bruchteil eines Cents an Modellkosten verursacht. Die verbleibenden 20 Ausreißer kosten heute im Schnitt je acht Minuten Handarbeit, zusammen also gut zweieinhalb Stunden am Tag. Übernimmt ein eingegrenzter Agent die Hälfte dieser Ausreißer sauber, während die andere Hälfte weiterhin beim Menschen landet, entsteht eine Ersparnis in der Größenordnung von gut einer Stunde pro Tag, bei deutlich höheren Kosten pro Vorgang als beim Workflow, aber nur für einen kleinen Teil der Menge.

Der Punkt der Rechnung ist nicht die konkrete Zahl, sondern das Verhältnis. Ein Agent ist pro Vorgang teurer und langsamer als ein Workflow, weil er mehrere Modellaufrufe braucht. Anthropic beschreibt diesen Trade-off unmissverständlich: Agentische Systeme tauschen Latenz und Kosten gegen bessere Aufgabenleistung. Deshalb rechnet sich ein Agent dort, wo die Aufgabe wertvoll und variabel ist, und rechnet sich nicht dort, wo eine große Menge gleichförmiger Vorgänge auch günstig deterministisch laufen könnte. Wer die Modellkosten im Blick behalten will, findet die größten Hebel im Beitrag zu den KI-API-Kosten.

Der Realitätscheck: warum so viele Agenten-Projekte scheitern

Bevor Sie in Autonomie investieren, lohnt der nüchterne Blick auf die Erfolgsquoten. Sie sind der wichtigste Grund, Agenten mit Bedacht einzusetzen.

Die bereits genannten Zahlen sind eindeutig. Gartner erwartet, dass über 40 Prozent der Projekte für agentische KI bis Ende 2027 wieder eingestellt werden. Das MIT stellte 2025 fest, dass 95 Prozent der untersuchten GenAI-Piloten keinen messbaren Return liefern. Interessant ist der zweite Befund der MIT-Untersuchung: Projekte, die auf spezialisierte Partner und eingekaufte Lösungen setzten, waren rund doppelt so oft erfolgreich wie reine Eigenbauten. Das Scheitern liegt also selten am Modell und fast immer an der Umsetzung: unklarer Nutzen, fehlende Kontrolle, zu großer Zuschnitt.

Für den Mittelstand lassen sich daraus drei Lehren ziehen. Erstens: Fangen Sie nicht mit dem ambitioniertesten, sondern mit dem klarsten Fall an. Zweitens: Trauen Sie Vendor-Versprechen nicht blind, denn ein großer Teil des Marktes ist umetikettiert. Drittens: Der häufigste Fehler ist nicht, zu wenig KI einzusetzen, sondern einen Agenten dort zu bauen, wo ein Workflow gereicht hätte. Die 40 Prozent gescheiterten Projekte sind kein Argument gegen KI. Sie sind ein Argument für die richtige Wahl zwischen Workflow und Agent, also für genau die Entscheidung, um die es in diesem Artikel geht.

Wo die Grenzen liegen: die Fehlermodi von Agenten

Autonomie hat einen Preis, der über die reinen Modellkosten hinausgeht. Wer Agenten einsetzt, muss ihre Fehlermodi kennen, denn sie unterscheiden sich grundlegend von denen eines festen Workflows.

Das erste Risiko ist die Fehlerakkumulation. Ein Agent, der über viele Schritte selbst entscheidet, kann kleine Fehler von Schritt zu Schritt weitertragen und verstärken. Anthropic nennt diese „compounding errors“ als eines der Kernrisiken agentischer Systeme. Ein Workflow macht in Schritt sieben denselben Fehler wie beim ersten Test, ein Agent kann sich über sieben Schritte in eine Situation manövrieren, die niemand vorhergesehen hat. Das zweite Risiko sind halluzinierte oder falsch gewählte Werkzeugaufrufe: Ein Agent kann ein Werkzeug mit falschen Parametern oder zur falschen Zeit aufrufen. Das dritte Risiko sind Endlosschleifen und Kostenexplosionen, wenn ein Agent ohne harte Obergrenze immer weiter probiert. Genau dagegen setzen Plattformen eine maximale Iterationszahl.

Das vierte Risiko ist besonders heikel, weil es von außen kommt: Prompt Injection, also in Daten versteckte Anweisungen, die den Agenten zu unerwünschten Handlungen verleiten. Wie ernst das Problem ist, zeigt eine Zahl von Anthropic aus dem November 2025: Selbst nach dem Einsatz von Schutzmaßnahmen bleibt bei Browser-Agenten eine Angriffserfolgsrate von rund einem Prozent bestehen, und Anthropic betont ausdrücklich, dass kein Browser-Agent gegen Prompt Injection immun ist. Ein Prozent klingt wenig, ist aber bei einem Agenten, der Bestellungen auslöst oder Daten verändert, ein reales Risiko. Die Konsequenz aus all dem ist nicht, auf Agenten zu verzichten, sondern sie niemals ungeprüft schreibende oder unwiderrufliche Aktionen ausführen zu lassen.

Guardrails: Autonomie mit Sicherheitsnetz

Ein Agent wird nicht dadurch sicher, dass man ihm vertraut, sondern dadurch, dass man ihn eingrenzt. OpenAI beschreibt Sicherheit für Agenten nicht als eine einzelne Maßnahme, sondern als mehrere spezialisierte Schutzschichten, die zusammen einen widerstandsfähigen Agenten ergeben.

Für den Mittelstand lassen sich die wichtigsten Schutzschichten auf wenige Regeln eindampfen:

• Wenig Rechte. Ein Agent bekommt genau die Werkzeuge und Berechtigungen, die er für seine Aufgabe braucht, und keine darüber hinaus. Kein Admin-Zugang, keine pauschalen Vollzugriffe.
• Mensch bei kritischen Aktionen. OpenAI nennt zwei klare Auslöser für eine menschliche Freigabe: das Überschreiten von Fehler- oder Iterationsgrenzen und riskante, unwiderrufliche oder folgenreiche Aktionen wie Zahlungen, Stornierungen oder Änderungen an Stammdaten. In n8n lässt sich genau das bauen: Der Agent pausiert vor einer freigabepflichtigen Aktion und schickt eine Anfrage per Slack, Teams oder E-Mail, die zeigt, welches Werkzeug er mit welchen Werten aufrufen will. Erst nach der Freigabe wird die Aktion ausgeführt. Das zugrundeliegende Prinzip beschreibt der Beitrag zu sicheren KI-Agenten mit Confidence-Routing: Automatisch läuft nur, was das System sicher beherrscht, der Rest geht an einen Menschen.
• Harte Obergrenzen. Eine maximale Zahl an Iterationen, ein Kostenlimit und Zeitlimits verhindern, dass ein Agent aus dem Ruder läuft. Ein günstiges Vormodell kann eine Anfrage prüfen, bevor das teure Modell überhaupt startet.
• Ausgabe validieren. Was ein Agent produziert, wird gegen ein festes Format oder Regeln geprüft, bevor es weiterverarbeitet wird. Ein strukturierter Ausgabe-Prüfer stellt sicher, dass am Ende belastbare Daten stehen und kein Freitext.
• Erst in der Sandbox. Anthropic empfiehlt ausführliches Testen in abgeschirmten Umgebungen mit passenden Schutzmaßnahmen, bevor ein Agent auf echte Systeme losgelassen wird.

Und weil auch der beste Agent stille Fehler produzieren kann, gehört ein Monitoring dazu, das anschlägt, bevor es teuer wird. Wie man solche stillen Fehler früh erkennt, beschreibt der Beitrag zum Monitoring von Automatisierungen.

Der pragmatische Mittelweg: der Hybrid

Die wichtigste Erkenntnis dieses Artikels ist zugleich die unspektakulärste: In der Praxis gewinnt fast immer der Hybrid. Nicht der reine Workflow, nicht der voll autonome Agent, sondern ein deterministisches Rückgrat mit einem eng eingegrenzten Agenten-Kern.

Google bringt das Prinzip auf den Punkt mit der Empfehlung, die nicht-deterministische Fähigkeit von KI-Modellen mit deterministischem Code zu verweben, statt dem Modell die gesamte Ausführung zu überlassen. Übersetzt in einen Geschäftsprozess heißt das: Der feste Workflow bildet das stabile Gerüst und übernimmt alles, was klar geregelt ist, also Auslöser, Prüfungen, Formatierung, Ablage, Protokollierung. An genau der einen Stelle, an der die Aufgabe variabel wird und Urteilsvermögen braucht, ruft der Workflow einen eingegrenzten Agenten auf, der nur wenige, klar beschriebene Werkzeuge kennt. Und vor jeder kritischen Aktion steht ein Mensch, der freigibt.

Dieser Aufbau vereint die Stärken beider Welten. Er ist über weite Strecken berechenbar, günstig und nachvollziehbar, weil das Rückgrat deterministisch bleibt. Er ist genau dort flexibel, wo Flexibilität gebraucht wird. Und er ist kontrollierbar, weil der Agent nur einen begrenzten Handlungsraum hat und der Mensch die letzte Entscheidung behält. In n8n ist dieser Hybrid keine Theorie: Ein Workflow ruft an der varianten Stelle einen AI-Agent-Node auf, dieser darf nur ausgewählte Werkzeuge nutzen, pausiert vor kritischen Aktionen für eine Freigabe, und ein Error-Workflow fängt ab, was schiefgeht. Die Frage, ob man diesen Hybrid lieber auf einer Plattform wie n8n oder als Eigenentwicklung baut, behandelt der Beitrag zu No-Code oder Code bei KI-Agenten.

Wie Unternehmen jetzt konkret vorgehen sollten

Der Weg zu einer funktionierenden Automatisierung führt nicht über die Frage „Wie bauen wir einen Agenten?“, sondern über die Frage „Was ist die kleinste Form, die das Problem löst?“. Ein pragmatischer Ablauf sieht so aus:

• Deterministisch zuerst. Prüfen Sie jeden Prozess erst darauf, ob ein fester Workflow reicht. In den meisten Fällen tut er es, und das ist die günstigere, stabilere Lösung.
• Die variante Stelle isolieren. Wenn ein Prozess an einer einzigen Stelle Urteilsvermögen oder das Verstehen unstrukturierter Sprache braucht, grenzen Sie genau diese Stelle ein. Nur sie ist ein Kandidat für einen Agenten.
• Den Agenten klein halten. Geben Sie ihm nur die wenigen Werkzeuge, die er wirklich braucht, eine klare Systemanweisung und eine harte Obergrenze für Iterationen. OpenAI rät ausdrücklich, zuerst die Fähigkeiten eines einzelnen Agenten auszureizen, bevor man an mehrere Agenten denkt.
• Den Menschen einbauen. Kritische, unwiderrufliche Aktionen laufen über eine Freigabe. Lesen vor Schreiben, prüfen vor Ausführen.
• Messen und stabilisieren. Prüfen Sie an echten Fällen, ob der Agent zuverlässiger und schneller ist als der bisherige Weg. Erst wenn das steht, klären Sie Rechte, Absicherung und Betrieb sauber durch.
• Dann erst erweitern. Weitere Prozesse, weitere Werkzeuge, mehr Autonomie kommen zuletzt, und nur dort, wo sie sich nachweislich lohnen.

Dieser Weg ist der Gegenentwurf zur großen Transformations-Roadmap, die laut Gartner und MIT so oft scheitert. Er hält das Risiko klein, liefert früh einen sichtbaren Nutzen und baut das Vertrauen auf, das jede spätere Ausweitung braucht.

Häufige Fragen aus der Praxis

Was ist der Unterschied zwischen einem KI-Agenten und einem festen Workflow? In einem Workflow legt ein Mensch den Ablauf vorab fest, das System folgt jedes Mal demselben Weg. In einem Agenten steuert das Sprachmodell seinen Ablauf und seine Werkzeugwahl selbst und entscheidet zur Laufzeit, wie es das Ziel erreicht. Der Workflow ist berechenbar, der Agent flexibel.

Wann ist ein KI-Agent sinnvoll und wann reicht ein Workflow? Ein fester Workflow reicht, wenn eine Aufgabe klar definiert und wiederholbar ist und sich die Zahl der Schritte vorhersagen lässt. Ein Agent lohnt sich, wenn eine Aufgabe abwägendes Urteil, den Umgang mit unübersichtlichen Sonderregeln oder das Verstehen unstrukturierter Sprache erfordert und der Weg zum Ziel bei jedem Fall anders ist.

Sind KI-Agenten zuverlässig genug für den produktiven Einsatz? Für eng eingegrenzte Aufgaben mit klaren Werkzeugen, Obergrenzen und menschlicher Freigabe vor kritischen Aktionen ja. Für breite, unbeaufsichtigte Autonomie noch nicht: Gartner erwartet, dass über 40 Prozent der Agenten-Projekte bis 2027 eingestellt werden, meist wegen fehlender Kontrolle und unklaren Nutzens. Der sichere Weg ist der Hybrid.

Wie behalte ich bei einem Agenten die Kontrolle? Über wenige Rechte, eine harte Obergrenze für Iterationen, die Validierung der Ausgabe und eine menschliche Freigabe vor jeder kritischen oder unwiderruflichen Aktion. In einer Plattform wie n8n pausiert der Agent vor solchen Aktionen und holt die Freigabe per Slack, Teams oder E-Mail ein.

Warum scheitern so viele KI-Agenten-Projekte? Selten am Modell, fast immer an der Umsetzung: unklarer Geschäftsnutzen, zu großer Zuschnitt und fehlende Risikokontrollen. Das MIT fand 2025, dass 95 Prozent der GenAI-Piloten keinen messbaren Return liefern, und dass eingekaufte, spezialisierte Lösungen deutlich häufiger erfolgreich sind als reine Eigenbauten.

Was ist agentische Automatisierung, nur ein Buzzword? Der Begriff ist real, wird aber massiv überstrapaziert. Gartner spricht von „Agent Washing“ und schätzt, dass von tausenden Anbietern mit agentischen Versprechen nur rund 130 echte Anbieter agentischer KI sind. Prüfen Sie deshalb immer, ob hinter dem Etikett tatsächlich ein System steckt, das eigenständig Entscheidungen trifft, oder nur eine umbenannte Automatisierung.

Kann ich Workflow und Agent kombinieren? Ja, und genau das ist meist die beste Lösung. Ein deterministischer Workflow bildet das Rückgrat und übernimmt alles Geregelte, ein eingegrenzter Agent übernimmt nur die eine variable Stelle, ein Mensch gibt kritische Aktionen frei. Dieser Hybrid ist berechenbar, flexibel dort, wo es nötig ist, und kontrollierbar.

Welche Prozesse im Mittelstand eignen sich für Agenten? Vor allem die variablen Ränder gut geregelter Prozesse: die Freitext-Sonderbestellung in der ansonsten festen Auftragsabwicklung, die technische Vorklärung einer Serviceanfrage, die Bewertung einer unklaren Reklamation. Die gleichförmige Masse dahinter bleibt beim festen Workflow.

Fazit

Die Entscheidung zwischen einem KI-Agenten und einem festen Workflow ist keine Frage von modern gegen altmodisch, sondern von Kontrolle gegen Flexibilität. Ein fester Workflow ist berechenbar, günstig und nachvollziehbar und deshalb für den Großteil der wiederkehrenden Aufgaben im Mittelstand die richtige Wahl. Ein Agent lohnt sich dort, wo eine Aufgabe wirklich variabel ist und Urteilsvermögen braucht, und er lohnt sich nur mit engen Grenzen und einem Menschen an den kritischen Stellen. Die ernüchternden Zahlen zu gescheiterten Projekten sind kein Argument gegen KI, sondern für genau diese Unterscheidung.

In den meisten Betrieben ist der beste Weg der Hybrid: ein deterministisches Rückgrat, ein eng eingegrenzter Agenten-Kern an der einen varianten Stelle und eine menschliche Freigabe vor jeder folgenreichen Aktion. So bekommen Sie die Flexibilität der Autonomie, ohne die Kontrolle abzugeben. Entscheidend ist nicht, ob Sie Agenten einsetzen, sondern ob Sie für jeden Prozess die kleinste Form wählen, die ihn zuverlässig löst.

Wenn Sie prüfen möchten, welche Ihrer Prozesse in einen festen Workflow gehören und wo sich ein eingegrenzter Agent wirklich lohnt, schauen wir uns im kostenfreien Prozess-Check den konkreten Ablauf an und finden den Zuschnitt, der zu Ihrem Betrieb passt.