Wenn Unternehmen heute von KI-Automatisierung sprechen, klingt es schnell nach einem Upgrade: erst Workflow, dann LLM, dann Agent. Dabei ist mehr Entscheidungsfreiraum nicht automatisch die bessere Lösung.
Wenn der Weg feststeht, muss KI ihn nicht neu finden.
Ein klassischer Workflow kennt die Antwort. Er enthält Reihenfolge, Bedingungen, Übergaben und Ausnahmen. Ein Agenten-Harness gibt dagegen ein Ziel, Werkzeuge, Kontext und Grenzen vor. Den konkreten Weg durch diese Elemente findet das Modell selbst.
Beide Ansätze können dasselbe LLM nutzen. Beide können Aufgaben automatisieren. Ihre Stärke liegt aber an unterschiedlichen Stellen.
Ein Ablauf kann intelligent sein, ohne zum Agenten zu werden
Power Automate und n8n stehen für eine Art von Automatisierung, die viele Unternehmen seit Jahren einsetzen. Ein Ereignis löst etwas aus. Daten werden geprüft. Ein Datensatz wird angelegt. Eine Nachricht wird versendet. Wenn eine Bedingung erfüllt ist, folgt der nächste Schritt.
Der Ablauf ist kein Zeichen für fehlende Intelligenz. Im Gegenteil. Er ist die explizite Entscheidung, dass der Weg für diese Aufgabe bekannt sein soll.
Ein LLM kann diesen Ablauf sinnvoll ergänzen. Es kann eine eingehende E-Mail einer Kategorie zuordnen, Angaben aus einem Dokument herauslesen oder aus Stichpunkten eine Antwort formulieren. Der Workflow bleibt dabei der Taktgeber. Er entscheidet, wann das Modell aufgerufen wird, welche Informationen es erhält und was mit dem Ergebnis passiert.
Das ist kein halber Agent. Es ist ein Workflow mit einer zusätzlichen Fähigkeit an genau der Stelle, an der Sprache, Einordnung oder unstrukturierte Informationen ins Spiel kommen.
Ein Beispiel: Eine Rechnung kommt per E-Mail. Der Ablauf erkennt den Absender, legt den Anhang ab, prüft Pflichtangaben, ordnet die Kostenstelle zu und startet bei Abweichungen eine Freigabe. Ein LLM kann unterstützen, wenn die Belegstruktur uneinheitlich ist oder eine Beschreibung interpretiert werden muss. Es muss aber nicht entscheiden, ob die Rechnung überhaupt existiert, wo sie revisionssicher abgelegt wird oder welche Freigabe folgt. Diese Regeln sind bereits bekannt.
Ein Agent bearbeitet keinen festen Ablauf, sondern ein Ziel
Anders wird es, wenn nicht nur ein einzelner Arbeitsschritt offen ist, sondern die Reihenfolge der Bearbeitung selbst.
Nehmen wir die Vorbereitung eines Angebots. Es gibt keine sinnvolle Liste von immer gleichen Klicks. Zunächst müssen bestehende Informationen gesichtet werden. Vielleicht fehlt ein zentraler Punkt und eine Quelle muss geprüft werden. Widersprüche müssen erkannt, offene Fragen priorisiert und ein Entwurf so aufgebaut werden, dass er zum Gegenüber passt.
Ein Agenten-Harness macht diese Art von Arbeit möglich. Es verbindet ein Modell mit Werkzeugen, Arbeitsdateien, Suchzugriff, Regeln, Zuständen und Berechtigungen. Das Modell kann innerhalb dieses Rahmens entscheiden, ob es zuerst eine Unterlage liest, eine Rückfrage identifiziert, Informationen zusammenführt oder einen Entwurf erstellt.
Seine Freiheit ist dabei kein Selbstzweck. Sie ist die Antwort auf eine Aufgabe, deren Bearbeitungsweg sich erst aus dem konkreten Fall ergibt.
Genau deshalb ist ein Agent auch nicht einfach ein Workflow mit mehr Knoten. Ein Workflow modelliert den Weg vorab. Ein Agent arbeitet innerhalb eines Mandats auf ein Ergebnis hin.
Die Skala ist keine Reifeleiter
Es wäre verführerisch, diese Entwicklung als Aufstieg zu erzählen: erst Automatisierung, dann LLM, dann Agent. Aber die Skala beschreibt keinen Fortschritt von alt zu neu.
Sie beschreibt, wie viel Entscheidungsfreiraum ein System während der Ausführung erhält.
Bei einem klassischen Workflow ist dieser Freiraum sehr klein. Das ist richtig, wenn der Ablauf stabil, prüfbar und günstig laufen soll. Bei einem Workflow mit LLM erhält ein einzelner Schritt mehr Spielraum, während die Prozesslogik erhalten bleibt. Beim Agenten darf das Modell innerhalb eines klaren Handlungsrahmens selbst entscheiden, welche Werkzeuge es in welcher Reihenfolge nutzt.
Je weiter rechts auf dieser Skala eine Aufgabe liegt, desto stärker steigen die Anforderungen an Kontext, Berechtigungen, Beobachtbarkeit und die Qualität der Grenzen. Das ist keine Schwäche des Ansatzes. Es ist sein Preis für Anpassungsfähigkeit.
Die richtige Frage beginnt bei der Arbeit
Die Toolfrage kommt deshalb erstaunlich spät.
Am Anfang steht nicht: Können wir diesen Vorgang mit einem Agenten lösen? Sondern: Was ist an dieser Arbeit tatsächlich offen?
Manchmal ist nur die Eingabe offen. Eine Anfrage trifft als unstrukturierter Text ein, die anschließende Bearbeitung folgt aber klaren Regeln. Dann kann ein LLM den Eingang verstehen, während ein Workflow den Rest verlässlich ausführt.
Manchmal ist die Entscheidung offen, der Rahmen jedoch nicht. Ein System muss etwa aus mehreren Unterlagen die passende Ansprechperson oder einen sachlich richtigen Vorschlag ermitteln. Es darf dafür Informationen bewerten, sollte aber keine Freigabe erteilen oder eine verbindliche Zusage verschicken. Hier kann ein Agent vorbereiten und ein fester Ablauf die Verantwortung an den richtigen Menschen übergeben.
Und manchmal ist bereits die Reihenfolge der Arbeit offen. Welche Unterlagen relevant sind, welche Quelle Vorrang hat oder welche Rückfrage zuerst beantwortet werden muss, ergibt sich erst im konkreten Fall. Erst dann wird der Entscheidungsfreiraum eines Agenten zum produktiven Vorteil.
Diese Unterscheidung schützt auch vor einem Missverständnis. Nicht jede Ausnahme verlangt nach einem Agenten. Vielleicht zeigt sie nur, dass eine Regel fehlt, ein Datenfeld nicht gepflegt ist oder eine Übergabe unklar geblieben ist. Ein Agent kann mit solchen Lücken umgehen. Er sollte sie aber nicht dauerhaft unsichtbar machen.
Genauso wäre es falsch, jeden stabilen Vorgang bis ins Detail zu verregeln. Wer einen wissensintensiven Auftrag in einen langen Entscheidungsbaum presst, verschiebt die Beurteilung nur in immer mehr Sonderfälle. Der Ablauf wird dann nicht verlässlicher. Er wird nur schwerer zu ändern.
Die passende Automatisierung entsteht zwischen diesen beiden Extremen. Sie macht wiederkehrende Regeln explizit und gibt dort Freiheit, wo Arbeit wirklich situativ bleibt.
Gute Automatisierung kombiniert die Ansätze
Die interessantesten Lösungen werden deshalb häufig nicht entweder aus Workflows oder aus Agenten bestehen.
Ein Agent kann eine unstrukturierte Anfrage erfassen, relevante Unterlagen zusammenstellen und einen Vorschlag vorbereiten. Ein Workflow kann anschließend die formale Prüfung, die Übergabe an das richtige System, eine Freigabe und die Dokumentation übernehmen.
Auch die umgekehrte Richtung funktioniert. Ein Workflow kann einen Agenten erst dann aufrufen, wenn ein Vorgang wirklich eine offene Einordnung braucht. Das Modell wird nicht bei jedem Schritt eingesetzt, sondern nur dort, wo seine Fähigkeit einen Unterschied macht.
Der Ablauf sorgt für Verlässlichkeit. Das Modell sorgt für Beweglichkeit. Beides gehört zusammen, solange die Grenze bewusst gezogen ist.
Vielleicht braucht nicht jeder Schritt ein Modell
Die Debatte über KI-Automatisierung wird oft so geführt, als wäre ein LLM die moderne Zutat, die jeden Ablauf besser macht. Aber zusätzliche Intelligenz ist nicht automatisch zusätzliche Qualität.
Wenn eine Aufgabe als klare Regel, Datenabgleich oder fester Prozess beschrieben werden kann, braucht sie nicht bei jedem Durchlauf ein Modell, das interpretiert. Dann ist klassische Automatisierung oft schneller, günstiger und leichter nachvollziehbar. Sie braucht weniger Rechenleistung, verursacht keine Modellkosten und liefert ein vorhersehbares Ergebnis.
Ein LLM gehört dorthin, wo Sprache, Kontext, Mehrdeutigkeit oder Beurteilung tatsächlich Teil der Arbeit sind. Ein Agent gehört dorthin, wo auch der Weg zum Ergebnis nicht vollständig vorgegeben werden kann.
Vielleicht sollten wir bei jeder neuen KI-Automatisierung deshalb zuerst eine einfache Frage stellen: Braucht diese Aufgabe wirklich ein Modell, das interpretiert und den nächsten Schritt findet? Oder brauchen wir einen verlässlichen Ablauf, der genau das nicht tun muss?
