Der Begriff wird uneinheitlich verwendet, und das sollte man wissen, bevor man über ihn verhandelt. Manche meinen damit jedes System, in dem ein Sprachmodell über mehrere Schritte arbeitet, den frei handelnden Agenten eingeschlossen. Anthropic fasst in seinem Leitfaden „Building effective agents“ beides unter dem Oberbegriff „agentische Systeme“ zusammen und trennt darunter Workflows mit vorgegebenen Programmpfaden von Agenten, die ihren Weg selbst bestimmen. Dieser Eintrag folgt der engeren und in der Praxis nützlicheren Lesart: Ein agentischer Workflow ist ein fester Ablauf, in dem Sprachmodelle an bestimmten Stellen Arbeit übernehmen, die früher nur ein Mensch erledigen konnte.
Wer ein Angebot über einen „agentischen Workflow“ bekommt, sollte deshalb fragen, welche der beiden Bauweisen gemeint ist. Die Antwort entscheidet über Kosten, Testaufwand und Haftungsfragen.
Wo die Grenze zum Agenten verläuft
Die Trennlinie ist eine Frage der Kontrolle. Im Workflow steht im Programm, dass nach dem Lesen der E-Mail die Einordnung folgt, danach die Prüfung gegen das ERP und danach ein Antwortentwurf. Das Modell entscheidet innerhalb eines Schritts, etwa welcher Kategorie eine Anfrage angehört, aber nicht, welcher Schritt als Nächstes kommt. Die LangGraph-Dokumentation beschreibt Workflows entsprechend als vorgegebene Codepfade, die in einer bestimmten Reihenfolge ablaufen, und Agenten als dynamisch, weil sie Ablauf und Werkzeugnutzung selbst festlegen.
Beim KI-Agenten liegt die Abfolge beim Modell. Das ist flexibler, aber schwerer vorherzusagen. Für die große Mehrheit wiederkehrender Büroprozesse ist der Weg bekannt, nur einzelne Schritte brauchen Sprachverständnis. Dafür ist der agentische Workflow die passende Form, und Anthropic empfiehlt ausdrücklich, mit dieser einfacheren Form zu beginnen, solange sie trägt.
Fünf Bauformen, die immer wiederkehren
Anthropic beschreibt fünf Muster, die sich in fast allen solchen Abläufen wiederfinden. Sie lassen sich kombinieren.
Verkettung. Ein Modellaufruf verarbeitet das Ergebnis des vorigen. Zwischen den Schritten kann das Programm prüfen, ob das Zwischenergebnis brauchbar ist, bevor es weitergeht. Ein konstruiertes Beispiel: erst die wesentlichen Angaben aus einem Lieferantenangebot ziehen, dann diese Angaben mit den Konditionen des Rahmenvertrags vergleichen.
Weiterleitung. Ein Modell ordnet einen Eingang ein, und je nach Ergebnis läuft er in einen anderen Zweig. Das ist das Prinzip hinter Ticket-Routing: Reklamationen gehen anders weiter als Adressänderungen.
Parallelisierung. Mehrere Aufrufe laufen gleichzeitig, entweder an verschiedenen Teilaufgaben oder an derselben Aufgabe, um die Ergebnisse gegeneinander abzugleichen.
Orchestrator und Ausführende. Ein Modell zerlegt eine Aufgabe in Teilaufgaben, verteilt sie und fügt die Ergebnisse zusammen. Weil hier das Modell die Teilaufgaben bestimmt, liegt dieses Muster schon nahe am Agenten.
Bewerten und Verbessern. Ein Aufruf erzeugt einen Entwurf, ein zweiter bewertet ihn nach festen Kriterien, und der erste überarbeitet. Die Idee, dass ein Modell aus sprachlicher Rückmeldung über eigene Fehler lernt, haben Shinn und andere 2023 im Paper „Reflexion“ untersucht.
Ein konstruiertes Beispiel aus dem Kundenservice
Eine Anfrage kommt per E-Mail. Schritt eins: Ein Modell ordnet sie einer von sechs Kategorien zu. Schritt zwei: Ein zweiter Aufruf zieht Kundennummer, Auftragsnummer und Anliegen als Felder heraus, und zwar als strukturierte Ausgabe, damit das Programm sie sicher weiterverarbeiten kann. Schritt drei ist kein KI-Schritt: Das Programm schlägt den Auftrag im ERP nach und prüft Regeln, die sich klar formulieren lassen, etwa ob die Rückgabefrist abgelaufen ist. Schritt vier: Ein Modell entwirft eine Antwort auf Grundlage der gefundenen Daten. Schritt fünf: Eine Mitarbeiterin gibt Antworten frei, die eine Gutschrift auslösen. Alle anderen gehen direkt hinaus.
Bemerkenswert ist, was hier nicht passiert. Kein Modell entscheidet, ob es das ERP befragen will. Kein Modell hat Schreibrechte auf Gutschriften. Jede Regel, die sich als Regel aufschreiben lässt, steht im Code und nicht in einem Prompt.
Warum er sich im Betrieb leichter führen lässt
Jeder Schritt lässt sich einzeln testen. Für die Einordnung baut man einen Satz von Beispielmails mit bekannter Kategorie und misst, wie oft das Modell richtig liegt. Für die Feldextraktion ebenso. Bei einem Agenten lässt sich nur das Gesamtergebnis prüfen.
Kosten und Laufzeit sind planbar. Die Zahl der Modellaufrufe je Vorgang steht fest. Sie schwankt nicht danach, wie lange ein Modell nachdenkt oder wie oft es ein Werkzeug erneut aufruft.
Fehler fallen an einer bekannten Stelle auf. Liefert die Extraktion keine Auftragsnummer, greift eine definierte Ausnahmebehandlung: Der Vorgang geht mit Hinweis an einen Menschen, statt dass ein Modell auf eigene Faust nach einer Lösung sucht.
Wo er an Grenzen stößt
Auch ein fester Ablauf ist nur so verlässlich wie seine Schritte, und die Unsicherheiten addieren sich. Ein Rechenbeispiel mit angenommenen Werten: Arbeiten vier Modellschritte unabhängig voneinander mit je 95 Prozent Trefferquote, ist der gesamte Vorgang nur in etwa 81 Prozent der Fälle durchgehend richtig. Deshalb gehören Prüfungen zwischen die Schritte und eine menschliche Kontrolle an die Stellen, an denen ein Fehler teuer wird. Diese Aufteilung beschreibt der Begriff Human in the Loop.
Die zweite Grenze ist die Zahl der Verzweigungen. Wer jede denkbare Sonderlage als eigenen Zweig abbildet, landet bei genau dem unübersichtlichen Regelwerk, das OpenAI in seinem Leitfaden als typischen Grund nennt, über einen Agenten nachzudenken. Ein gesunder Workflow behandelt die häufigen Fälle automatisch und reicht die seltenen an Menschen weiter. Wächst der Anteil der Sonderfälle dauerhaft, ist das ein Hinweis, dass an dieser Stelle ein eng begrenzter Agent sinnvoll sein kann, eingebettet in den festen Rahmen und nicht an seiner Stelle.
Quellen
- Building effective agents, Anthropic, 2024
- Workflows and agents, LangChain, Dokumentation zu LangGraph
- A practical guide to building agents, OpenAI
- Reflexion: Language Agents with Verbal Reinforcement Learning, Shinn et al., arXiv, 2023
Inhaltlich geprüft im Oktober 2026. Der Eintrag erklärt einen Begriff und ersetzt keine Rechts- oder Steuerberatung.

