Agentische Workflows erklärt: Was sie sind und wann sie sich lohnen

Der Begriff „agentischer Workflow” leidet inzwischen unter demselben Problem wie „KI” insgesamt: Je nachdem, wer ihn benutzt, bedeutet er alles und nichts. Anbieter wenden ihn auf E-Mail-Autoresponder an. Analysten reservieren ihn für mehrstufige Reasoning-Systeme. Marketing-Teams beschreiben damit jeden Prozess, in dem ein Chatbot vorkommt.

Das ist wichtig, weil hinter dem Konzept eine echte Substanz steckt – und nur eine saubere Definition entscheidet darüber, ob Sie gute Technologieinvestitionen treffen.

Ein agentischer Workflow ist ein System, in dem ein KI-Modell eine Abfolge von Handlungen vornimmt: Informationen abrufen, Entscheidungen treffen, externe Dienste aufrufen, Aktionen auslösen – um eine mehrstufige Aufgabe zu erledigen, die bislang fortlaufende menschliche Aufsicht erforderte.

Das Schlüsselwort lautet Entscheidungen. Genau das trennt agentische Workflows von klassischer Automatisierung.

Klassische Automatisierung versus agentische Workflows

Klassische Automatisierung

Klassische Automatisierung folgt festen Regeln. Wenn dies, dann jenes. Wenn ein neuer Kontakt im CRM angelegt wird, schicke eine Willkommens-E-Mail. Wenn eine Rechnung 14 Tage überfällig ist, versende eine Zahlungserinnerung. Wenn ein Formular abgeschickt wird, lege eine Aufgabe an.

Klassische Automatisierung ist schnell, zuverlässig und günstig. Für Prozesse mit vorhersehbaren Inputs und Outputs ist sie das richtige Werkzeug. Ihre Schwäche ist die Sprödigkeit: Sobald die Eingabe vom erwarteten Muster abweicht, tut die Automatisierung entweder nichts, das Falsche – oder sie fällt aus.

Wenn der CRM-Kontakt ein Test-Account ist, bekommt er trotzdem die Willkommens-E-Mail. Wenn die überfällige Rechnung in einer Reklamation steckt, geht die Mahnung trotzdem raus. Wenn die Formulareinreichung Spam ist, wird die Aufgabe trotzdem erzeugt. Klassische Automatisierung hat kein Urteilsvermögen – sie kann den Kontext nicht lesen.

Agentische Workflows

Ein agentischer Workflow ergänzt eine Reasoning-Schicht. Das KI-Modell empfängt den Input, prüft ihn gegen den abgerufenen Kontext und entscheidet, was zu tun ist – wobei es je nach Befund vom Standardpfad abweichen kann.

Wird ein neuer Kontakt angelegt, prüft der Agent, ob es sich um einen Test-Account handelt, ob im Account-Verlauf bereits eine Beziehung dokumentiert ist, ob der Kontakttyp ein anderes Onboarding nahelegt – und versendet die passende Kommunikation oder leitet an einen Menschen weiter, wenn die Situation tatsächlich unklar ist.

Ist eine Rechnung überfällig, prüft der Agent die Zahlungshistorie des Accounts, sucht nach offenen Reklamationen, beachtet den bevorzugten Kommunikationskanal – und versendet entweder eine im Ton passende Mahnung oder markiert den Vorgang zur Prüfung durch den Account Manager.

Dieses Urteilsvermögen macht agentische Workflows nicht pauschal besser als klassische Automatisierung. Für einfache, vorhersehbare Prozesse erhöht die zusätzliche Komplexität nur die Kosten ohne echten Nutzen. Der Wert entsteht dort, wo Prozesse echte Variabilität aufweisen, mit der regelbasierte Systeme schlecht umgehen.

Wo agentische Workflows den größten Hebel haben

Prozesse mit hohen Ausnahmequoten

Jeder Prozess, in dem ein signifikanter Anteil der Fälle menschliches Eingreifen erfordert, weil die Standardautomatisierung sie nicht sauber abbildet, ist ein Kandidat für eine agentische Schicht.

Retouren-Bearbeitung im E-Commerce ist ein gutes Beispiel. Ein regelbasierter Retouren-Workflow erledigt Standardfälle gut: Produkt innerhalb der Rückgabefrist, Originalverpackung, Standard-Erstattungspfad. Ein erheblicher Anteil der Retouren hat aber Ausnahmen: Geschenkkauf außerhalb der Frist, fehlende Verpackung, ungewöhnliche Lieferumstände. Diese Ausnahmen landen im Kundenservice und binden Kapazität, die in keinem Verhältnis zum Mengenanteil steht.

Ein agentischer Workflow bewertet jeden Retouren-Fall im vollständigen Kontext – Kaufdatum, Kundenhistorie, Produkttyp, angegebener Grund – und bestimmt die passende Auflösung mit höherer Trefferquote bei der automatischen Bearbeitung und weniger unnötigen Eskalationen.

Prozesse über mehrere Systeme hinweg

Viele wertschöpfende Geschäftsprozesse erfordern Aktionen über mehrere Systeme hinweg: CRM, E-Mail-Plattform, Kalender, Buchhaltungssoftware, Dokumentenmanagement, Kommunikationstools. Klassische Automatisierung schafft das mit Integrationen, aber die Verbindungen brechen an Stellen mit Variabilität.

Ein agentischer Workflow agiert als Orchestrator – ruft Daten aus den passenden Systemen ab, denkt darüber nach, was geschehen muss, und handelt in den Systemen, die die Aufgabe gerade verlangt. Die Orchestrierung passt sich dem Befund an, statt einer starren Integrationsabfolge zu folgen.

Prozesse, die Synthese vor der Handlung erfordern

Agentische Workflows sind besonders wertvoll dort, wo angemessenes Handeln erst nach Synthese von Informationen aus mehreren Quellen möglich ist.

Ein Mandanten-Onboarding einer Kanzlei kann verlangen: Abgleich gegen eine Konfliktdatenbank, Überprüfung der Identitätsdokumente, Risikoeinstufung gegenüber aufsichtsrechtlichen Anforderungen, Bestimmung des passenden Service-Tiers und Erzeugung der richtigen Engagement-Letter-Variante – bevor irgendein menschlicher Kontakt stattfindet.

Genau dieses Muster „Synthese vor Handlung” ist die Disziplin, in der agentische Workflows brillieren – und es taucht in Recht, Finanzen, Gesundheitswesen und komplexen B2B-Dienstleistungen immer wieder auf.

Wie agentische Workflows entstehen, die wirklich funktionieren

Der häufigste Fehlschlag bei der Einführung agentischer Workflows ist, sie als Softwareprojekt statt als Prozess-Redesign anzugehen.

Die Frage lautet nicht „Wie baue ich einen Agenten, der X erledigt?”, sondern „Was verlangt die saubere Erledigung von X tatsächlich – welche Informationen müssen abgerufen werden, welche Entscheidungen sind zu treffen, was sind die Randfälle und an welcher Stelle muss der Mensch im Loop bleiben?”

Randfälle von Anfang an mitdenken

Jeder agentische Workflow wird auf Situationen stoßen, die er nicht kennt. Die Designfrage lautet: Was soll er tun, wenn das passiert?

Gutes Workflow-Design legt fest:

• Welche Inputs sind im Scope (Workflow läuft autonom)
• Welche Inputs sind außerhalb des Scope (Eskalation an einen Menschen)
• Was ist auch innerhalb des Scope ein Eskalationssignal (hoher Auftragswert, ungewöhnliches Muster, wiederholter Fehlschlag)
• Welche Informationen werden bei einer Eskalation erfasst und übergeben

Systeme ohne klare Eskalationslogik produzieren Zwischenfälle, sobald der unvermeidliche Außer-Scope-Fall auftritt.

Mit überwachter Operation starten

Kein agentischer Workflow sollte direkt vom Test in den vollautomatischen Betrieb wechseln. Eine überwachte Phase – üblich sind 4 bis 6 Wochen für einen substanziellen Workflow – erlaubt dem Team, Agentenentscheidungen neben den tatsächlichen Ergebnissen zu prüfen, Muster bei Fehlentscheidungen zu erkennen und die Entscheidungslogik zu schärfen, bevor sie ohne Review im vollen Volumen läuft.

Der Preis der überwachten Operation ist Review-Zeit. Der Preis, sie zu überspringen, ist ein Workflow, der im großen Maßstab systematisch falsche Entscheidungen trifft – wochenlang unbemerkt.

Ergebnisse messen, nicht Prozess-Schritte

Der Erfolg eines agentischen Workflows wird an Ergebnissen gemessen – Ausnahmequote, Durchlaufzeit, Entscheidungsgenauigkeit, freigesetzte Personenzeit – nicht an der Zahl der automatisierten Workflow-Schritte.

Ein Workflow, der 80 % der Fälle korrekt erledigt und 20 % korrekt eskaliert, ist erfolgreich. Ein Workflow, der 80 % der Fälle ohne Eskalation abschließt – davon aber 15 % falsch entscheidet – versagt, auch wenn er an Input-Output-Metriken effizient aussieht.

Wenn Sie hochwertige Möglichkeiten für agentische Workflows identifizieren und umsetzen wollen, deckt der Service Agentische Workflows von Areza Prozessaufnahme, Automatisierungs-Design und überwachten Rollout für Kanzleien, Arztpraxen, E-Commerce-Marken und professionelle Dienstleister in ganz Europa ab.

FAQ

Was ist der Unterschied zwischen einem KI-Agenten und einem agentischen Workflow?

Ein KI-Agent ist ein Modell, das Aktionen ausführen kann. Ein agentischer Workflow ist ein strukturiertes System, das einen oder mehrere KI-Agenten einsetzt, um einen mehrstufigen Geschäftsprozess abzuschließen. Der Workflow definiert den Scope, die Tools, auf die der Agent zugreift, die Eskalationslogik und die Monitoring-Infrastruktur rund um den Agentenbetrieb. Der Agent ist die Reasoning-Komponente; der Workflow ist das System, in dem er operiert.

Welche Geschäftsprozesse eignen sich am besten für agentische Workflows?

Prozesse mit drei Eigenschaften profitieren am stärksten: häufige Ausführung (damit die Automatisierung nennenswerte kumulierte Zeitersparnis liefert), echte Input-Variabilität (damit regelbasierte Automatisierung schlecht passt) und reversible Folgen bei Fehlern (damit autonomer Betrieb vertretbar ist). Lead-Qualifizierung, Mandanten-Onboarding, Rechnungsmanagement, Terminkoordination und Dokumentenverarbeitung passen sehr gut. Vertragsverhandlung, klinische Entscheidungen und hochsensible Finanzzusagen passen nicht.

Was kostet der Aufbau eines agentischen Workflows?

Die Kosten variieren stark mit Prozesskomplexität und Integrationsbedarf. Einfache agentische Workflows in einem einzelnen System mit klar umrissenem Scope kosten 3.000 bis 8.000 GBP in Design und Rollout. Komplexe Mehr-System-Workflows mit umfangreicher Integration und Eskalationslogik kosten 15.000 bis 40.000 GBP. Die ROI-Rechnung sollte laufende Betriebsersparnisse berücksichtigen – die meisten sauber gescopten Workflows amortisieren sich in 6 bis 12 Monaten.

Was passiert, wenn ein agentischer Workflow einen Fehler macht?

In gut entworfenen Systemen löst ein Fehler eine Eskalation aus und wird zur Prüfung markiert, statt sich still fortzupflanzen. Jeder agentische Workflow sollte ein Monitoring haben, das Entscheidungsmuster, Ausnahmequoten und Outcome-Genauigkeit nachverfolgt. Tauchen Fehlermuster auf, sollte das System sie zur menschlichen Prüfung und Workflow-Verfeinerung sichtbar machen. Das Ziel ist kontinuierliche Verbesserung – nicht Perfektion am ersten Tag.

Sind agentische Workflows für kleine Unternehmen geeignet?

Ja, für die passenden Prozesse. Die Schwelle ist nicht die Unternehmensgröße, sondern Prozessvolumen und -variabilität. Eine Einzelpraxis mit hohem Mandantenanfragenvolumen und komplexem Intake profitiert genauso wie eine größere Kanzlei. Der Schlüssel ist, den Workflow auf einen konkreten, wertstiftenden Prozess zu scopen – statt auf einmal alles automatisieren zu wollen.