KI-Agent vs. Workflow-Automatisierung: Wann braucht ein Prozess wirklich KI?

Ein Rechnungsimport, der jeden Morgen dieselben Felder aus derselben Schnittstelle in dasselbe System überträgt, braucht keine künstliche Intelligenz. Er braucht eine saubere Regel, einen Zeitplan und eine Benachrichtigung für den Fall, dass etwas schiefgeht. Trotzdem wird er in vielen Angeboten als „KI-gestützter Prozess” verkauft, weil sich das gut anhört. Der Unterschied zwischen KI-Agent vs. Workflow-Automatisierung entscheidet über Kosten und Risiko.

Die gegenteilige Situation gibt es genauso. Ein Posteingang, in dem Kunden frei formulierte Anfragen mit unterschiedlichen Anliegen, Anhängen und Tonlagen schicken, lässt sich mit festen Regeln nur sehr begrenzt sortieren. Hier hilft ein Verfahren, das Sprache versteht.

Zwischen diesen beiden Polen liegt die Frage, die in Entscheidungsrunden 2026 am häufigsten gestellt wird: Wo braucht ein Prozess wirklich KI und wo ist ein klassischer Ablauf schlicht die bessere Lösung? Dieser Artikel liefert dafür eine Entscheidungslogik in drei Stufen, benennt die Risiken der jeweils höheren Stufe und endet mit fünf Fragen, die Sie vor jedem Projekt beantworten können.

KI-Agent vs. Workflow-Automatisierung: zwei Begriffe, die oft verwechselt werden

Die Begriffe „Workflow” und „Agent” werden im Marketing durcheinandergeworfen, deshalb zuerst eine saubere Abgrenzung. Wir halten uns an die Definition aus einem viel zitierten Fachbeitrag des KI-Unternehmens Anthropic, das Systeme mit Sprachmodellen in zwei Typen unterteilt.

Als Workflows bezeichnet der Beitrag Systeme, in denen Sprachmodelle und Werkzeuge über vorab festgelegte Programmpfade gesteuert werden. Die Abfolge der Schritte steht fest, ein Modell kann darin einzelne Aufgaben übernehmen, etwa einen Text zusammenfassen oder eine Anfrage einer Kategorie zuordnen, aber es entscheidet nicht, was als Nächstes geschieht. Als Agenten bezeichnet er Systeme, in denen das Modell seinen eigenen Ablauf und den Einsatz von Werkzeugen dynamisch steuert und selbst die Kontrolle darüber behält, wie es eine Aufgabe erledigt. Das Zitat im Original lautet „systems where LLMs dynamically direct their own processes and tool usage”.

Der Unterschied klingt fein, ist aber im Betrieb gewaltig. Ein Workflow verhält sich wie ein Zug auf Schienen: Er kann sehr schnell, sehr zuverlässig und sehr oft fahren, aber nur dorthin, wo Gleise liegen. Ein Agent verhält sich eher wie ein Mitarbeiter mit Handlungsspielraum: Er kann Wege finden, die niemand vorgezeichnet hat, aber er kann sich auch verlaufen.

Wichtig für die Einordnung: Auch ein klassischer Ablauf ohne jede KI ist ein Workflow. Das Wort sagt nichts über den Einsatz von Sprachmodellen aus. Die Grundlagen dazu finden Sie im Glossar unter KI-Agent und eine Einordnung für den Einstieg liefert unser Beitrag Prozessautomatisierung erklärt.

Die Autonomie-Skala: drei Stufen statt zwei Lager

Die Entweder-oder-Debatte zwischen „klassischer Automatisierung” und „KI-Agent” verdeckt, dass es dazwischen eine breite, sehr nützliche Mitte gibt. Praktisch lassen sich drei Stufen unterscheiden:

Die Tabelle ist eine praxisnahe Einordnung, kein Messergebnis. Sie zeigt aber, worauf es ankommt: Mit jeder Stufe wächst die Flexibilität und mit ihr wachsen Kosten, Prüfaufwand und Risiko. Die richtige Stufe ist deshalb nicht die höchste, sondern die niedrigste, die die Aufgabe noch löst.

Stufe 1: Feste Regeln, wenn der Weg bekannt ist

Alles, was sich in einer Wenn-dann-Logik beschreiben lässt, gehört auf Stufe 1. Das ist erstaunlich viel: Eingehende Bestellungen mit vollständigen Daten ins ERP übertragen, bei Überschreitung einer Frist erinnern, eine Freigabe an die zuständige Person routen, einen Bericht jeden Montag um sieben Uhr versenden.

Der Vorteil liegt in der Verlässlichkeit. Eine Regel liefert bei gleicher Eingabe immer dasselbe Ergebnis, kostet praktisch nichts pro Durchlauf und lässt sich bis ins Detail nachvollziehen. Wenn etwas nicht stimmt, findet man die Ursache. Das ist bei geschäftskritischen und prüfungsrelevanten Abläufen kein Detail, sondern die Voraussetzung.

Die Grenze ist ebenso klar. Sobald Eingaben nicht mehr strukturiert vorliegen oder sich nicht mehr in feste Kategorien pressen lassen, werden Regeln unübersichtlich. Wer versucht, jeden Sonderfall einer freien E-Mail mit Regeln abzudecken, baut ein Regelwerk, das wächst, bricht und niemand mehr pflegen mag. Das ist das Signal, über Stufe 2 nachzudenken.

Wie sich Stufe 1 in der Praxis ausgestaltet, zeigt der Beitrag über Workflow-Automatisierung im Mittelstand mit typischen Abläufen aus dem Alltag.

Stufe 2: Feste Regeln mit KI-Baustein, die oft beste Wahl

Die mittlere Stufe ist in der Praxis die wichtigste und sie wird in der öffentlichen Debatte am meisten übersehen. Der Ablauf bleibt starr und kontrollierbar, aber an einzelnen Stellen übernimmt ein Sprachmodell eine Aufgabe, die Regeln nicht leisten können: Es liest ein Dokument und füllt strukturierte Felder, ordnet eine freie Anfrage einer Kategorie zu, fasst eine lange Mail zusammen oder formuliert den Entwurf einer Antwort.

Der Kern dieser Konstruktion: Das Modell bekommt eine eng umrissene Aufgabe und liefert ein Ergebnis, das der feste Ablauf anschließend weiterverarbeitet. Ob die Anfrage als „Reklamation” oder „Preisanfrage” eingeordnet wurde, entscheidet das Modell. Was danach mit einer Reklamation geschieht, bestimmen die Regeln. So bleibt die Kontrolle beim Menschen, der den Ablauf gebaut hat und die Stärke des Modells kommt dort zum Einsatz, wo sie gebraucht wird.

Ein anschauliches Beispiel aus der Logistik ist die Erfassung von Transportaufträgen. Aufträge kommen in vielen Formen, ein Modell erkennt die Felder semantisch und danach laufen Validierung und Übergabe ans System in festen Schritten. Genau so ist das Prinzip bei KITA umgesetzt und es erklärt, warum ein Auftrag zur Prüfung markiert wird, statt ungeprüft ins System zu gelangen.

Auch Stufe 2 hat ihre Risiken, sie sind aber überschaubar. Das Modell kann einen einzelnen Fall falsch einordnen. Deshalb gehören zu jedem KI-Baustein eine Plausibilitätsprüfung und ein Weg für Zweifelsfälle. Dieses Prinzip heißt Human in the Loop: Der Mensch bleibt dort eingebunden, wo das System unsicher ist.

Stufe 3: Agenten, wenn der Weg nicht vorab bekannt ist

Ein Agent lohnt sich dort, wo sich die Reihenfolge der Schritte nicht vorab festlegen lässt, weil sie vom Ergebnis des vorigen Schritts abhängt. Typische Aufgaben sind mehrstufige Recherchen, bei denen je nach Fund weitergesucht wird, oder offene Aufgaben wie „Finde heraus, warum die Lieferung von Kunde X verspätet ist und bereite eine Antwort vor”. Dafür muss das System selbst entscheiden, welche Quellen es befragt, in welcher Reihenfolge und wann es genug weiß.

Das ist beeindruckend, wenn es funktioniert. Es ist aber deutlich anspruchsvoller als die beiden Stufen davor. Der oben zitierte Fachbeitrag von Anthropic benennt die Kehrseite ausdrücklich: Agentensysteme tauschen oft Tempo und Kosten gegen bessere Ergebnisse und die Selbstständigkeit der Agenten führt zu höheren Kosten und zum Risiko, dass sich Fehler über mehrere Schritte aufsummieren („compounding errors”). Der Beitrag empfiehlt, mit einfachen Lösungen zu beginnen und mehrstufige Agentensysteme erst einzusetzen, wenn einfachere nicht ausreichen. Außerdem rät er zu ausführlichen Tests in abgesicherten Umgebungen und zu geeigneten Leitplanken.

Diese Zurückhaltung kommt von einem Unternehmen, das selbst Agenten baut. Sie ist deshalb ein gutes Argument für ein nüchternes Vorgehen. Wer einen Agenten einsetzen will, sollte vorher klar festlegen, welche Werkzeuge er nutzen darf, welche Aktionen er nie ohne Freigabe ausführen darf und wie jeder Schritt protokolliert wird. Wie das für den Mittelstand aussehen kann, beschreibt unsere Leistung KI-Agenten.

Das Risiko ernst nehmen: Halluzination, Haftung und Hype

Die höheren Stufen bringen Risiken mit, die bei Regeln nicht existieren. Das größte ist die Halluzination: Sprachmodelle können Aussagen erzeugen, die plausibel klingen, aber falsch sind. Bei einer Zusammenfassung ist das ärgerlich, bei einer Aktion im ERP oder einer Mail an einen Kunden kann es teuer werden. Der Glossareintrag zu Halluzination bei KI erklärt, warum das Phänomen technisch nicht vollständig auszuschließen ist.

Das zweite Risiko ist die Haftung. Wer einem Agenten erlaubt, Bestellungen auszulösen, Zusagen zu machen oder Kunden zu antworten, trägt die Verantwortung für das Ergebnis. Es braucht klare Regeln, was der Agent darf, ab welchem Wert oder bei welchem Kundentyp ein Mensch freigibt und wie sich nachvollziehen lässt, warum eine Entscheidung gefallen ist.

Das dritte Risiko ist der Hype. Der Analyst Gartner prognostizierte im Juni 2025, dass über 40 Prozent der Agenten-Projekte bis Ende 2027 eingestellt werden. Als Gründe nannte er steigende Kosten, unklaren Geschäftsnutzen und unzureichende Risikokontrollen. Die Pressemitteilung von Gartner weist außerdem auf „Agent Washing” hin, also das Umetikettieren bestehender Produkte wie Chatbots oder Robotic Process Automation als Agenten, ohne dass wesentliche agentische Fähigkeiten dahinterstehen. Wir geben das als Einschätzung eines Marktbeobachters wieder und nicht als gesicherte Tatsache. Aber die Warnung ist ein guter Anlass, bei jedem Angebot nachzufragen, was genau das System selbst entscheidet.

Für Sie als Entscheider folgt daraus eine einfache Haltung: KI ist kein Qualitätsmerkmal an sich. Entscheidend ist, ob ein Prozess dadurch zuverlässiger, schneller oder günstiger wird. Eine Einordnung gängiger Werkzeuge finden Sie im Beitrag KI-Tools für Unternehmen.

Woran Sie ein seriöses Angebot erkennen

Wenn Sie Angebote für KI-gestützte Automatisierung vergleichen, helfen einige Nachfragen, die Substanz vom Etikett zu trennen. Sie brauchen dafür kein technisches Wissen, nur die Bereitschaft, konkrete Antworten einzufordern.

Fragen Sie zuerst, welche Schritte im Ablauf fest programmiert sind und welche das Modell entscheidet. Ein seriöser Anbieter kann das in zwei Sätzen erklären, am besten anhand Ihres eigenen Prozesses. Wenn die Antwort in Schlagworten endet, ist Vorsicht angebracht. Fragen Sie außerdem, was passiert, wenn das Modell unsicher ist oder sich irrt. Sie sollten hören, dass solche Fälle erkannt, markiert und an einen Menschen gegeben werden, und wie das praktisch aussieht.

Fragen Sie weiter nach der Messung: Mit welchen Kennzahlen wird die Qualität geprüft, und auf welchen Daten wurde sie ermittelt? Eine Trefferquote, die auf Beispieldokumenten des Anbieters entstanden ist, sagt wenig über Ihre Dokumente. Sinnvoll ist ein Test mit einer Stichprobe aus Ihrem Alltag, bevor Sie sich festlegen. Und fragen Sie nach den laufenden Kosten pro Durchlauf und nach dem Betrieb: Wer überwacht das System, wer reagiert bei Ausfällen, wer passt es an, wenn sich Ihre Dokumente oder Systeme ändern?

Schließlich lohnt sich die Frage nach dem Datenschutz. Wohin gehen Ihre Daten, wer verarbeitet sie, und werden sie zum Training von Modellen verwendet? Die Antworten sollten schriftlich vorliegen und zu Ihrem Auftragsverarbeitungsvertrag passen. Eine Einordnung der wichtigsten Punkte liefert unser Beitrag zu DSGVO-konformer KI im Mittelstand.

Ein guter Gradmesser ist am Ende die Reaktion auf die Frage, ob eine einfachere Lösung genügen würde. Anbieter, die ernsthaft prüfen, ob Sie überhaupt KI brauchen, verdienen mehr Vertrauen als solche, die immer die höchste Stufe empfehlen.

Drei Szenarien aus dem Mittelstand

Die folgenden Szenarien sind typische Konstellationen, keine Kundenfälle. Sie zeigen, wie sich die drei Stufen im Alltag verteilen.

Im ersten Szenario geht es um die Stammdatenpflege in einem Handelsbetrieb. Neue Artikel kommen aus einer Liste des Lieferanten und müssen in Warenwirtschaft und Shop angelegt werden. Die Struktur ist klar, die Felder sind bekannt, die Reihenfolge ist gleich. Das ist ein klassischer Fall für Stufe 1. Ein Agent brächte hier nur Kosten und Unsicherheit.

Im zweiten Szenario geht es um ein Servicepostfach eines Maschinenbauers. Kunden schreiben frei, mal mit Seriennummer, mal ohne, mal als Reklamation, mal als Ersatzteilanfrage. Hier ordnet ein Modell die Anfrage ein, zieht Seriennummer und Anliegen heraus und legt ein Ticket an und feste Regeln leiten das Ticket an die richtige Abteilung weiter. Das ist Stufe 2 und trifft in der Praxis auf viele Mittelstandsbetriebe zu.

Im dritten Szenario geht es um die Vorbereitung von Kundengesprächen in einem Vertrieb. Ein Mitarbeiter braucht vor einem Termin einen Überblick: letzte Aufträge, offene Reklamationen, aktuelle Nachrichten zum Kunden, offene Angebote. Welche Quellen relevant sind, hängt vom Kunden ab. Hier kann ein Agent sinnvoll sein, der Informationen zusammenträgt und einen Entwurf liefert. Entscheidend ist, dass er nur lesen und vorschlagen darf, nicht handeln. Wie sich KI im Vertrieb sinnvoll einsetzen lässt, erklärt der Beitrag zu KI im Vertrieb im Mittelstand.

Fünf Prüffragen vor der Entscheidung

Mit diesen Fragen finden Sie in den meisten Fällen die passende Stufe. Beantworten Sie sie in dieser Reihenfolge.

Erstens: Lässt sich der Ablauf in einer Wenn-dann-Logik beschreiben? Wenn ja, bleiben Sie bei Stufe 1. Sie ist günstiger, schneller und nachvollziehbar.

Zweitens: Wo genau scheitern feste Regeln? Wenn es um das Verstehen von freiem Text, Dokumenten oder Bildern geht, ergänzen Sie gezielt einen KI-Baustein. Das ist Stufe 2 und reicht für die meisten Fälle.

Drittens: Steht die Reihenfolge der Schritte wirklich nicht vorab fest? Nur wenn der Weg vom Zwischenergebnis abhängt, ist ein Agent gerechtfertigt. Bei Zweifel gilt: erst Stufe 2 ausreizen.

Viertens: Was darf im schlimmsten Fall passieren? Je größer der mögliche Schaden einer falschen Aktion, desto enger muss der Handlungsspielraum sein. Aktionen mit finanziellen oder rechtlichen Folgen gehören unter menschliche Freigabe.

Fünftens: Wie prüfen Sie, ob es funktioniert? Legen Sie vor dem Start fest, woran Sie Erfolg messen, etwa Trefferquote, Zeitersparnis oder Fehlerrate und führen Sie vor dem Echtbetrieb einen Test mit echten Beispielen durch. Das Vorgehen beschreibt der Beitrag Vom Pilotprojekt zur Routine ausführlich.

Wer diese fünf Fragen sauber beantwortet, hat in der Regel eine Entscheidung, die sich auch in zwei Jahren noch erklären lässt. Und wer feststellt, dass Stufe 1 oder 2 ausreicht, hat nichts verpasst. Er hat Geld, Risiko und Aufwand gespart.

Quellen

Anthropic: Building effective agents, Definition von Workflows und Agenten, Hinweise zu Kosten, Fehlerfortpflanzung und einfachen Lösungen.

Gartner, Pressemitteilung vom 25. Juni 2025: Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027, Prognose und Hinweis auf „Agent Washing”.

Transparenzhinweis: Bei der Erstellung dieses Beitrags kam KI-Unterstützung zum Einsatz.