KI-Agent oder klassischer Workflow: Was ist zuverlässiger?

Das Problem: „Wir brauchen einen KI-Agenten” — braucht ihr wirklich?

Kaum ein Beratungsgespräch, in dem der Satz gerade nicht fällt. Geschäftsführung, Operations oder IT haben von KI-Agenten gelesen und fragen sich, ob der eigene Rechnungsprozess, das Ticket-Routing oder die Angebotserstellung jetzt „agentisch” werden muss. Meine ehrliche Antwort in den meisten Fällen: nein. Für einen großen Teil der Prozesse in kleinen und mittleren Unternehmen ist ein klassischer, deterministischer Workflow die zuverlässigere, günstigere und besser testbare Lösung — auch dann, wenn einzelne Schritte darin KI nutzen.

Dieser Artikel richtet sich an alle, die vor genau dieser Architekturentscheidung stehen. Er gehört zu unserer Übersicht über KI-Agenten und digitale Assistenten und gibt dir eine Entscheidungsmatrix an die Hand, mit der du die Frage für deinen konkreten Prozess beantworten kannst — bevor Budget in die falsche Richtung fließt.

Die Position vorweg, damit du weißt, woran du bist: Ich baue selbst beides — Workflows und Agenten. Ich habe kein Interesse daran, dir das eine oder das andere zu verkaufen, sondern das, was zum Prozess passt. Und das ist öfter der Workflow, als der aktuelle Hype vermuten lässt.

Begriffe: Workflow, KI-Workflow, KI-Agent

Die Begriffe werden im Marketing munter vermischt, deshalb kurz sauber getrennt:

• Klassischer (deterministischer) Workflow: Ein fest definierter Ablauf aus Schritten, Regeln und Verzweigungen. Jeder Pfad ist vorab festgelegt: Wenn X, dann Y. Gleiche Eingabe führt zu gleichem Ergebnis. Typische Werkzeuge: n8n, Make, Power Automate oder eigener Code.
• KI-Workflow: Derselbe feste Ablauf, aber einzelne Schritte nutzen ein KI-Modell — etwa um eine E-Mail zu klassifizieren, Daten aus einem PDF zu extrahieren oder einen Text zusammenzufassen. Die Struktur bleibt deterministisch, nur einzelne Schritte sind probabilistisch. Zapier beschreibt diese Kategorie als Abläufe, die definierten Schritten folgen und dabei Kontext statt starrer Regeln verarbeiten.
• KI-Agent: Hier kehrt sich das Verhältnis um. Anthropic definiert die Abgrenzung so: Bei Workflows werden „LLMs und Tools durch vordefinierte Code-Pfade orchestriert”, während Agenten „ihre eigenen Prozesse und ihre Tool-Nutzung dynamisch steuern”. Der Agent entscheidet also selbst, welche Schritte er in welcher Reihenfolge ausführt, um ein Ziel zu erreichen — inklusive Schleifen, Neuversuchen und Werkzeugwahl.

Die Kernfrage der Zuverlässigkeit hängt genau an diesem Unterschied: Ein Workflow ist ein Fahrplan, ein Agent ist ein Fahrer mit Zielvorgabe. Der Fahrplan ist langweilig, aber pünktlich. Der Fahrer kann Umwege finden — und sich verfahren.

Wann reicht ein fester Workflow?

Mein praktischer Test: Könntest du den Prozess heute einer neuen Mitarbeiterin als nummerierte Schritt-für-Schritt-Anleitung aufschreiben, inklusive der wichtigsten Ausnahmen? Wenn ja, reicht ein Workflow. Punkt.

Das trifft auf erstaunlich viel zu, was im KMU-Alltag automatisiert werden soll:

• Bestellung geht ein → Kunde im CRM anlegen → Auftrag im ERP erzeugen → Bestätigung senden
• Rechnung kommt per Mail → Daten extrahieren (gern per KI-Schritt) → gegen Bestellung prüfen → zur Freigabe vorlegen
• Support-Ticket eingegangen → Kategorie und Dringlichkeit bestimmen (gern per KI-Schritt) → an das richtige Team routen
• Neuer Lead → Firmendaten anreichern → bewerten → dem Vertrieb zuweisen

Beachte: In drei dieser vier Beispiele steckt KI — aber jeweils als einzelner Schritt in einem festen Gerüst, nicht als frei planendes System. Das ist der Sweet Spot für die meisten Unternehmen: Du bekommst die Sprachfähigkeit moderner Modelle (unstrukturierte Eingaben verstehen), behältst aber die Kontrolle über den Ablauf.

Anthropic — immerhin ein Unternehmen, das vom Verkauf von KI-Modellen lebt — formuliert es bemerkenswert nüchtern: Es gehe darum, „die einfachste mögliche Lösung zu finden und Komplexität nur dann zu erhöhen, wenn es nötig ist”. Und weiter: Erfolg bedeute nicht, das ausgefeilteste System zu bauen, sondern das richtige System für den eigenen Bedarf. Dem habe ich aus der Praxis nichts hinzuzufügen.

Wann braucht man flexible Planung?

Einen Agenten brauchst du, wenn die Anleitung aus dem Test oben nicht schreibbar ist — weil du vorher schlicht nicht weißt, welche und wie viele Schritte nötig sind. Anthropic nennt als Einsatzfeld „offene Probleme, bei denen sich die Zahl der erforderlichen Schritte schwer oder gar nicht vorhersagen lässt”.

Typische Kandidaten:

• Recherche über mehrere Systeme: „Finde heraus, warum die Lieferung an Kunde X hängt” — die Antwort kann im ERP, im Mailpostfach, beim Spediteur oder in allen dreien liegen.
• Fehlersuche und Diagnose: Der Lösungsweg ergibt sich erst aus den Zwischenergebnissen.
• Individuelle Anliegen ohne festes Muster: Komplexe Kundenanfragen, die je nach Inhalt völlig unterschiedliche Folgeschritte auslösen.
• Aufgaben mit Werkzeugauswahl: Der Agent muss selbst entscheiden, welche von zehn möglichen Datenquellen oder Aktionen relevant sind.

Wichtig ist die Gegenprobe: Viele Prozesse wirken nur offen, weil sie nie sauber dokumentiert wurden. Wenn du die „unvorhersehbaren” Fälle sammelst und nach vier Wochen feststellst, dass 90 % davon in fünf Muster fallen, dann baust du fünf Workflow-Zweige — keinen Agenten. Diese Analyse vor der Toolentscheidung ist der Kern jeder guten KI-Beratung.

Wie unterscheiden sich Tests und Kosten?

Hier liegt der in meinen Augen am meisten unterschätzte Unterschied — und der Hauptgrund, warum die Zuverlässigkeitsfrage meist zugunsten des Workflows ausgeht.

Testen eines Workflows funktioniert wie klassischer Softwaretest: Du definierst Testfälle (normale Fälle, Grenzfälle, Fehlerfälle), führst sie aus und bekommst reproduzierbare Ergebnisse. Ein bestandener Test bleibt bestanden, solange sich nichts ändert. Der Testaufwand ist endlich und einmalig pro Änderung.

Testen eines Agenten ist statistische Qualitätssicherung: Weil das System nicht deterministisch arbeitet, kann derselbe Auftrag heute klappen und morgen scheitern. Du brauchst ein Bewertungsset aus vielen realistischen Aufgaben, misst Erfolgsquoten über wiederholte Läufe und musst diese Messung bei jedem Modell-Update wiederholen. Wie das konkret aussieht, behandeln wir in einem eigenen Artikel zum Testen von KI-Agenten — hier nur die Konsequenz: Der Qualitätssicherungsaufwand ist eine Dauerlast, kein Projektposten.

Bei den Kosten gilt dieselbe Asymmetrie. Anthropic benennt den Tradeoff explizit: Agentische Systeme „tauschen oft Latenz und Kosten gegen bessere Aufgabenleistung” — und man solle prüfen, wann dieser Tausch sinnvoll ist. Konkret heißt das:

• Ein deterministischer Workflow-Lauf kostet Rechenzeit im Cent-Bruchteil-Bereich und braucht keinen oder einen einzelnen LLM-Aufruf.
• Ein Agenten-Lauf besteht aus einer vorab unbekannten Zahl von LLM-Aufrufen (Planung, Werkzeugaufrufe, Selbstkorrektur) — die Kosten pro Lauf sind höher und vor allem variabel, im schlechtesten Fall dreht der Agent teure Schleifen.

Seriöse Gesamtkosten lassen sich nur pro Fall schätzen, deshalb hier bewusst keine Pauschalzahlen. Als Faustregel aus meinen Projekten: Beim Workflow dominiert der einmalige Bauaufwand, beim Agenten kommen laufende Kosten für Modellaufrufe, Monitoring und wiederkehrende Evaluation obendrauf. Wer beides vergleicht, muss die Dauerlast des Agenten über zwei, drei Jahre rechnen — nicht nur das Setup.

Welche Fehlerbilder sind typisch?

Auch das Scheitern unterscheidet sich fundamental — und das ist für die Zuverlässigkeitsfrage entscheidender als die Erfolgsquote:

Workflows scheitern laut. Ein API-Aufruf schlägt fehl, ein Pflichtfeld fehlt, der Lauf bricht ab, im Log steht wo und warum. Das ist ärgerlich, aber handhabbar: Fehlerbenachrichtigung, Retry, manuelle Nacharbeit. Der Schaden ist fast immer „Prozess steht”, selten „Prozess hat still Unsinn produziert”.

Agenten scheitern leise. Die typischen Fehlerbilder:

• Halluzination: Der Agent erfindet plausibel klingende Inhalte — Bestellnummern, Zusagen, Begründungen. Das BSI ordnet solche Schwächen generativer KI-Modelle in seiner Publikation „Generative KI-Modelle: Chancen und Risiken für Industrie und Behörden” als neuartige IT-Sicherheitsrisiken ein, die eine systematische Risikoanalyse erfordern.
• Falsche Werkzeugwahl: Der Agent löscht statt zu archivieren, mailt den falschen Empfänger, fragt die falsche Datenquelle ab.
• Schleifen und Zielverfehlung: Der Agent probiert wiederholt Varianten, verbrennt Budget und liefert am Ende ein Ergebnis, das die Aufgabe verfehlt.
• Manipulierbarkeit: Verarbeitet der Agent fremde Inhalte (E-Mails, Webseiten, Dokumente), können darin eingebettete Anweisungen sein Verhalten beeinflussen — ein Risiko, das deterministische Workflows in dieser Form nicht haben.

Der kritische Punkt: Ein leiser Fehler fällt oft erst auf, wenn der Schaden entstanden ist. Deshalb gehören zu jedem produktiven Agenten begrenzte Berechtigungen, Protokollierung und menschliche Freigaben vor irreversiblen Aktionen. Die Werkzeuglandschaft trägt dem inzwischen Rechnung: n8n etwa hat mit Version 2.6.0 (Januar 2026) explizite Human-in-the-Loop-Freigaben eingeführt — ein so abgesichertes Tool kann nicht ausgeführt werden, bevor ein Mensch die Aktion ausdrücklich genehmigt.

Die Entscheidungsmatrix: Workflow, KI-Workflow oder Agent?

Bewerte deinen Prozess entlang dieser acht Kriterien. Die Spalte mit den meisten Treffern gewinnt — bei Gleichstand entscheide für die linkere (einfachere) Spalte:

Kriterium	Deterministischer Workflow	KI-Workflow (KI als Schritt)	KI-Agent
Ablauf vorab beschreibbar?	Vollständig, inkl. Ausnahmen	Struktur ja, einzelne Schritte interpretieren Inhalte	Nein, Schritte ergeben sich erst im Lauf
Eingaben	Strukturiert (Formulare, APIs)	Unstrukturiert (Mails, PDFs), aber Aufgabe pro Schritt klar	Unstrukturiert und Aufgabe selbst variabel
Fehlertoleranz des Prozesses	Gering — Fehler wären teuer	Mittel — KI-Schritt wird geprüft oder freigegeben	Hoch — Ergebnis wird ohnehin von Menschen abgenommen
Nachvollziehbarkeit gefordert?	Vollständig (Audit, Compliance)	Weitgehend, KI-Schritte protokollieren	Eingeschränkt, Begründungen sind rekonstruierbar, nicht garantiert
Volumen	Hoch, viele gleichartige Fälle	Hoch, gleichartig mit unstrukturiertem Input	Eher niedrig, individuelle Fälle
Toleranz für variable Laufkosten	Nicht nötig	Gering — ein Modellaufruf pro Fall	Muss vorhanden sein
Testbarkeit gewünscht wie Software?	Ja	Ja, plus Stichproben am KI-Schritt	Nein — statistische Evaluation nötig
Schreibende Zugriffe auf Kernsysteme	Unkritisch (feste Pfade)	Unkritisch (feste Pfade)	Nur mit Freigaben und engen Berechtigungen

Diese Matrix ist bewusst konservativ gebaut: Sie schiebt dich im Zweifel zum Workflow. Das ist Absicht — die Kosten einer zu einfachen Lösung sind ein späteres Upgrade, die Kosten einer zu komplexen Lösung sind ein unzuverlässiges System im Tagesbetrieb.

Wie kombiniert man? Das Beste aus beiden Welten

Die Frage „Agent oder Workflow” ist in der Praxis oft falsch gestellt. Das robusteste Muster, das ich baue, ist die Kombination:

1. Der Workflow ist das Gerüst. Auslöser, Datenbeschaffung, Validierung, Übergaben an Systeme — alles deterministisch, alles testbar.
2. Der Agent ist ein Schritt im Gerüst. Genau dort, wo echte Flexibilität nötig ist (etwa: „recherchiere den Kontext zu diesem Sonderfall und schlage eine Antwort vor”), übernimmt ein Agent mit eng begrenztem Auftrag.
3. Der Agent bekommt minimale Rechte. Lesen ja, Schreiben nur in Entwürfe und Vorschläge — nie direkt in Kernsysteme.
4. Vor kritischen Aktionen steht ein Mensch. Versand, Buchung, Löschung: erst nach expliziter Freigabe, wie sie Plattformen wie n8n inzwischen nativ unterstützen.
5. Der Workflow fängt den Agenten ab. Timeout, Budgetlimit pro Lauf und ein definierter Eskalationspfad („an Menschen übergeben”), wenn der Agent nicht zum Ergebnis kommt.

So bleibt der Großteil des Prozesses so zuverlässig wie klassische Software, und nur ein klar umgrenzter, überwachter Teil ist probabilistisch. Wenn dieser Teil sich bewährt, kannst du seine Verantwortung schrittweise ausweiten — auf Basis gemessener Erfolgsquoten statt Bauchgefühl.

Umsetzung: In vier Schritten zur Entscheidung

1. Prozess dokumentieren, wie er heute läuft. Inklusive der Ausnahmen und wer sie wie behandelt. Allein dieser Schritt beantwortet die Architekturfrage oft schon.
2. Matrix anwenden. Acht Kriterien, ehrlich bewertet — im Zweifel mit jemandem, der schon beides gebaut hat.
3. Klein starten, deterministisch zuerst. Baue das Workflow-Gerüst und lass die „unlösbaren” Fälle vier Wochen lang in eine Liste laufen. Danach weißt du, ob du wirklich einen Agenten brauchst oder nur drei weitere Verzweigungen.
4. Agenten nur mit Leitplanken einführen. Begrenzte Berechtigungen, Freigaben vor kritischen Aktionen, Protokollierung, Evaluationsset — von Tag eins, nicht als Nachrüstung.

Wenn du bei Schritt 1 oder 2 eine zweite Meinung willst: Genau dafür gibt es unser unverbindliches Erstgespräch. Und wenn dein Team die Grundlagen selbst aufbauen soll, sind unsere Schulungen der passende Einstieg.

Risiken und Grenzen — auf beiden Seiten

Der Fairness halber: Auch der Workflow-Ansatz hat Grenzen.

• Workflows veralten still. Ändert sich der Prozess und niemand pflegt den Workflow, automatisiert er zuverlässig das Falsche. Ownership und regelmäßige Reviews sind Pflicht.
• Regelwildwuchs: Wer jeden Sonderfall als neue Verzweigung nachbaut, hat irgendwann ein unwartbares Regelmonster. Spätestens dann ist der eng geführte Agent für die Sonderfälle die sauberere Lösung.
• Agenten-Risiken skalieren mit Rechten. Ein Agent mit Leserechten auf ein Postfach ist ein überschaubares Risiko; ein Agent mit Schreibrechten aufs ERP ist ein Sicherheitsthema, das eine eigene Risikoanalyse verdient — die BSI-Publikation zu generativen KI-Modellen ist dafür ein guter Ausgangspunkt.
• Kein Ansatz ersetzt Prozessarbeit. Ein chaotischer Prozess wird durch Automatisierung — egal welcher Art — nur schneller chaotisch.

Und eine Grenze dieses Artikels selbst: Die Werkzeuglandschaft bewegt sich schnell (Stand Juli 2026). Die Kriterien der Matrix sind davon weitgehend unabhängig, konkrete Tool-Features solltest du zum Entscheidungszeitpunkt nachprüfen.

Checkliste: Deine Entscheidung in zehn Fragen

• Kann ich den Prozess heute als Schritt-für-Schritt-Anleitung aufschreiben? → Ja: Workflow.
• Sind die Eingaben unstrukturiert, aber die Aufgabe pro Schritt klar? → KI-Workflow.
• Steht die Zahl und Reihenfolge der Schritte erst im Lauf fest? → Agent prüfen.
• Habe ich die „unvorhersehbaren” Fälle vier Wochen gesammelt und geclustert?
• Was kostet ein stiller Fehler in diesem Prozess — und fällt er auf?
• Gibt es Audit- oder Compliance-Anforderungen an Nachvollziehbarkeit?
• Kann ich variable Kosten pro Lauf akzeptieren und budgetieren?
• Habe ich Kapazität für dauerhafte Evaluation statt einmaliger Tests?
• Sind Berechtigungen, Freigaben und Protokollierung für den Agenten definiert?
• Habe ich die Kombination geprüft: deterministisches Gerüst, Agent nur als begrenzter Schritt?

Wenn du die Checkliste durchgehst und bei mehr als drei Fragen unsicher bist, ist das kein schlechtes Zeichen — es heißt nur, dass die Entscheidung eine Stunde strukturiertes Nachdenken verdient, bevor sie ein Budget bekommt.