Jedes Unternehmens-KI-Gespräch in 2026 beginnt mit demselben Wort: Agent. Aber die eigentliche Architekturentscheidung ist nicht, ob man einen baut. Es geht darum, wie viel Autonomie der Anwendungsfall wirklich braucht - und die meisten Unternehmen kaufen mehr davon, als sie regieren oder bezahlen können.
Die Workflow-versus-Agent-Entscheidung ist keine Binärwahl. Sie ist ein Regler. Drehen Sie ihn zu weit nach links, bauen Sie starre Automatisierung, die beim ersten Sonderfall bricht. Drehen Sie ihn zu weit nach rechts, bauen Sie ein System, das Sie weder bepreisen noch debuggen noch einem Prüfer erklären können. Die meisten Unternehmens-KI-Projekte scheitern nicht am falschen Modell. Sie scheitern daran, dass der Regler falsch stand.
1. Die Entscheidung, die niemand richtig stellt
In den meisten Boardrooms springt das KI-Gespräch direkt von "beeindruckende Demo" zu "lasst uns einen Agenten bauen." Der Schritt dazwischen - zu entscheiden, wie viel Autonomie der Anwendungsfall wirklich braucht - wird übersprungen.
Das ist die erste echte Architekturentscheidung. Sie bestimmt Ihre Tokenkosten, Ihre Zuverlässigkeit, Ihr EU-AI-Act-Risiko und ob Ihr Team das System um 2 Uhr nachts am Sonntagmorgen noch reparieren kann. Liegt die Entscheidung richtig, wird der Rest zum Engineering. Liegt sie falsch, hilft kein Prompt-Tuning der Welt.
Der Reflex, zu "Agent" zu greifen, ist verständlich. Das Wort trägt das Prestige der Grundlagenforschung, das Marketinggewicht jeder großen KI-Lab und das implizite Versprechen, dass das System schon herausfindet, was das Team nicht muss. Aber Prestige ist keine Architektur. Architektur ist die bewusste Einstellung eines Reglers.
2. Workflows, Agenten und Hybride - auf den Punkt gebracht
Anthropics Arbeitsdefinition - aus dem Leitfaden Building Effective Agents (2024) - ist die klarste, die es gibt: "Workflows sind Systeme, in denen LLMs und Werkzeuge über vordefinierte Code-Pfade orchestriert werden. Agenten hingegen sind Systeme, in denen LLMs ihre eigenen Prozesse und Werkzeugnutzung dynamisch steuern."
In Geschäftssprache:
| System | Was es ist | Geschäftsanalogie | Wann es gewinnt |
|---|---|---|---|
| Workflow | Eine vorgeschriebene Abfolge von Schritten. Das LLM erledigt an jeder Station eine Aufgabe; der Entwickler steuert die Route. | Ein Rezept in den Händen einer kompetenten Köchin. | Vorhersagbare Eingaben, regulierte Ausgaben, hohes Volumen, enge Margen. |
| Agent | Eine zielorientierte Schleife. Das LLM entscheidet, welche Werkzeuge es aufruft und wann es stoppt. | Ein Koch, dem man eine Küche und ein Briefing gibt. | Offene Aufgaben, neuartige Eingaben, Situationen, in denen der Weg vorher nicht bekannt sein kann. |
| Hybrid | Ein Workflow, der an ein oder zwei Stellen, wo echte Urteilsfähigkeit gefragt ist, an einen Agenten übergibt. | Ein Fließband mit einer Spezialistenstation. | Die meisten echten Unternehmensanwendungen. |
Die ehrliche Antwort für nahezu jedes europäische Unternehmen, das wir bewerten, ist die dritte Zeile. Wie dieser Hybrid in der Produktion konkret aussieht - die fünf Muster, die 95 % der europäischen Unternehmens-KI-Projekte abdecken - ist Thema von Teil 2 dieser Serie.
3. Was ein KI-Agent wirklich ist - und was nicht
Bevor wir erläutern, warum der Regler zu oft falsch steht, lohnt es sich klarzustellen, was ein echter Agent ist - denn das meiste, was als Agent verkauft wird, ist keiner.
Ein echter Agent hat drei Eigenschaften. Er verfolgt ein Ziel, kein Skript. Er wählt selbst, welche Werkzeuge er in welcher Reihenfolge aufruft. Er entscheidet, wann er fertig ist. Fehlt eine dieser Eigenschaften, haben Sie etwas anderes.
In der Praxis werden in der Unternehmens-Beschaffung vier Dinge als "Agenten" bezeichnet, die es nicht sind.
Ein Chatbot ist kein Agent. Ein Chatbot beantwortet eine Frage und hört auf. Er verfolgt kein Ziel über mehrere Schritte. Ein RAG-Chatbot, der ein Dokument abruft und zusammenfasst, ist ein Workflow mit einem einzigen LLM-Aufruf. Ihn als Agenten zu bezeichnen, ist Marketing.
RPA ist kein Agent. Robotic Process Automation folgt einer festen Abfolge von UI-Aktionen. Der Weg ist hardcodiert. Das Hinzufügen eines LLMs zum Extrahieren von Daten aus einem Formular ändert das nicht - es ist ein Workflow mit einem LLM-Schritt. Nützlich, oft die richtige Wahl, aber kein Agent.
Retrieval ist kein Agent. Ein System, das eine Vektordatenbank durchsucht und relevante Abschnitte zurückgibt, betreibt Retrieval. Selbst wenn das Retrieval mehrere Hops umfasst: Wenn die Suchlogik vom Entwickler codiert wurde, ist es ein Workflow. Echtes Agentenverhalten setzt voraus, dass das Modell selbst entscheidet, was es als nächstes abruft - basierend auf dem, was es gerade gefunden hat.
Ein Workflow mit einem langen Prompt ist kein Agent. Ein 4.000-Token-Systemprompt, der dreißig Werkzeuge auflistet, macht einen Workflow nicht autonom. Wenn der Code den nächsten Schritt auslöst, hat der Code das Sagen - nicht das Modell.
Gartners Analysten nennen dieses Muster "Agent Washing" und schätzen, dass nur rund 130 der tausenden von Agentic-Anbietern auf dem Markt etwas bieten, das der Definition tatsächlich entspricht. Das ist kein Tippfehler. Die Konsequenz für Einkaufsteams: Nennt ein Anbieter sein Produkt einen "Agenten", fragen Sie, welche der drei Eigenschaften - Ziel, Werkzeugwahl, Terminierung - sein System wirklich besitzt. Lautet die Antwort "keine", sollte der Preis einen Workflow widerspiegeln, nicht einen Agenten.
Das ist deshalb wichtig, weil die Argumente zu Kosten, Governance und Zuverlässigkeit weiter unten alle eine andere Form annehmen - je nachdem, was Sie tatsächlich einkaufen.
4. Warum der Regler zu oft Richtung "Agent" steht
Drei Kräfte drängen Unternehmen nach rechts, bevor der Business Case es rechtfertigt.
Die Kostenperspektive
Günstigere Token bedeuten keine günstigere KI. Anthropics eigene Produktionsdaten zeigen, dass Agenten rund 4-mal mehr Token verbrauchen als ein einzelner LLM-Aufruf - Multi-Agenten-Systeme sogar rund 15-mal mehr. Bei Unternehmensvolumen ist das eine Budgetentscheidung, keine technische Fußnote. Ein Workflow, der im Pilotprojekt 0,005 € pro Aufgabe kostet, kostet auch in der Produktion 0,005 €. Ein Agent, der im Pilot 0,05 € kostet, kann in der Produktion 0,20-0,50 € kosten - weil Produktionseingaben unordentlicher sind und die Schleifen länger laufen.
Die Zuverlässigkeitsperspektive
Ein Workflow ist deterministisch - gleiche Eingabe, gleiche Ausgabe, nachvollziehbar wenn er bricht. Ein Agent ist nicht-deterministisch - er kann dasselbe Problem auf zwei verschiedene Arten lösen. Das ist wertvoll für Recherche und Triage. Es ist gefährlich für die Schadenbearbeitung, Kreditentscheidungen oder alles, was ein Prüfer reproduziert sehen möchte. Nicht-Determinismus ist kein Fehler - er ist ein Feature, das Sie möglicherweise nicht wollen. Eine Sicherheitsstudie aus 2025 (arXiv:2506.23844) formalisiert dies als Risikogradient: L1–L2-Systeme können mit statischen Sicherheitsmechanismen betrieben werden; ab L3 ist adaptive Aufsicht erforderlich - genau das, was EU-AI-Act Artikel 14 vorschreibt.
Die Marktperspektive
Gartner prognostiziert, dass über 40 % der Agentic-KI-Projekte bis Ende 2027 eingestellt werden - mit der Begründung "eskalierender Kosten, unklarer Geschäftswert oder unzureichende Risikokontrolle." Dieselbe Analyse liefert uns die Agent-Washing-Zahl von oben. In den Deployments, die wir bewerten, liegt der Fehler selten beim Modell. Er liegt darin, Autonomie dort gewährt zu haben, wo sie nie gebraucht wurde.
Das Scheitern liegt selten am falschen Modell. Es liegt darin, Autonomie dort zu gewähren, wo sie nie gebraucht wurde.
5. Der CLEAR-Autonomietest
Der CLEAR-Test ist unsere eigene Synthese. Die fünf Positionen des Reglers basieren auf einer Reihe publizierter Frameworks: dem Benutzerrollen-Modell des Cornell/Knight First Amendment Institute (Archipelago et al., arXiv:2506.12469, 2026), der ASDLC L1–L5-Autonomieskala (2026) und Anthropics Building Effective Agents (2024). Die „Stufen"-Metapher entstammt dem SAE J3016-Standard für Fahrautomatisierung - eine Herkunft, die alle genannten Frameworks teilen.
Bevor Sie bauen, prüfen Sie den Anwendungsfall anhand von fünf Fragen. Je mehr "Ja"-Antworten, desto weiter rechts am Regler gehören Sie. Alles andere fällt auf einen Workflow oder einen Hybrid mit menschlichem Kontrollpunkt zurück.
Wenn ein kompetenter Ingenieur den Entscheidungsbaum auf einem Whiteboard zeichnen kann, bauen Sie einen Workflow.
Hohes Volumen, enge Margen, Reaktionszeit unter einer Sekunde - bleiben Sie links.
Wenn Sonderfälle dominieren und Eingaben unvorhersehbar sind, beginnt Autonomie sich auszuzahlen.
Regulierte Entscheidungen begünstigen deterministische, prüfbare Workflows. Der EU-AI-Act, Artikel 14, verlangt, dass Hochrisikosysteme so gestaltet sind, dass sie "von natürlichen Personen wirksam beaufsichtigt werden können" - die Aufsicht muss "dem Grad der Autonomie angemessen" sein. Interface EUs Autonomie-Klassifikationsrahmen (2025) verbindet dies direkt mit Haftung: Ab L3 verlagert sich die Haftung schrittweise vom Betreiber zum Entwickler.
Wenn ein Fehler teuer oder schwer rückgängig zu machen ist, begrenzen Sie die Autonomie und fügen Sie einen menschlichen Kontrollpunkt hinzu.
Der Regler, der sich aus diesem Test ergibt, hat fünf Positionen, nicht zwei:
Die meisten Systeme, die wir ausliefern, liegen auf Position zwei und drei - was die ASDLC-Skala als L2–L3 (Bedingte Autonomie) bezeichnet und was das Cornell/Knight-Institute-Framework als den Collaborator-bis-Consultant-Bereich beschreibt. Position fünf - ein vollautonomer Agent, der folgenreiche Entscheidungen ohne menschliche Prüfung trifft - ist in regulierten europäischen Umgebungen selten und sollte es unserer Ansicht nach auch bleiben.
Der Ein-Satz-Test: Wenn Sie jeden Schritt im Voraus aufschreiben können, bauen Sie einen Workflow. Wenn der Weg erst während der Aufgabe bekannt wird, gehört dort ein Agent hin - und selbst dann: Setzen Sie einen Menschen an den Kontrollpunkt.
6. So sieht das in europäischen Unternehmen aus
Drei kurze Beispiele, jedes an einem anderen Punkt am Regler.
Ein Schaden-Triage-System für einen DACH-Versicherer
90 % der Arbeit ist ein Workflow - Eingang, Klassifizierung, Betrugsprüfung, Auszahlungsberechnung - mit einem einzigen LLM-Aufruf, der Schaden-Freitexte zusammenfasst. Ein Agent würde hier Token verbrennen ohne messbaren Mehrwert und die BaFin-Prüfspur verkomplizieren.
Ein Lieferanten-Onboarding-System für einen Mittelständler in der Automobilindustrie
Dokumente in fünf Sprachen treffen von hunderten Lieferanten in unterschiedlichsten Formaten ein. Ein Workflow übernimmt Eingang und OCR; ein Routing-Schritt leitet an spezialisierte Verarbeitung weiter; ein Mensch genehmigt alles, was die Richtlinienprüfung nicht besteht. Der Betriebsrat hat zugestimmt, weil der menschliche Kontrollpunkt real ist - kein Feigenblatt.
Ein Marktforschungsassistent für denselben Konzern beim Einstieg in ein neues Segment
Der Weg ist genuinen nicht vorhersagbar - die nächste Suchanfrage hängt davon ab, was die letzte ergeben hat. Ein beaufsichtigter Agent, bei dem ein Mensch die finale Synthese genehmigt bevor sie eine Geschäftsentscheidung beeinflusst, rechtfertigt seine Kosten.
Dasselbe Unternehmen. Drei Anwendungsfälle. Drei Reglerpositionen. Genau so sieht bewusste Positionierung aus.
7. Drei Fragen für Ihr KI-Team diese Woche
- Könnte 80 % unseres aktuellen Agenten-Projekts ein Workflow mit ein oder zwei LLM-Aufrufen sein? Was würden wir verlieren?
- Was sind die Token-Kosten pro Aufgabe heute, und wie entwickeln sie sich bei 10-fachem Volumen?
- Wenn ein Prüfer uns bitten würde, die Systementscheidung vom letzten Dienstag zu reproduzieren - könnten wir das?
Das Wichtigste in Kürze
Workflows und Agenten sind keine Konkurrenten. Sie sind Punkte auf einem Autonomieregler.
Das meiste, was als "Agent" verkauft wird, ist ein Chatbot, RPA oder ein Workflow mit einem langen Prompt. Fragen Sie, welche von Ziel, Werkzeugwahl und Terminierung das System tatsächlich besitzt.
Starten Sie so weit links wie der Anwendungsfall es erlaubt. Fügen Sie Autonomie nur hinzu, wenn der Business Case es fordert.
Kosten, Zuverlässigkeit und EU-AI-Act-Anforderungen begünstigen alle die Mitte des Reglers für die meisten Unternehmensanwendungen.
Die häufigste Fehlerquelle ist nicht die falsche Technologie. Es ist die fehlende bewusste Entscheidung.
Nicht sicher, wo Ihr Anwendungsfall am Autonomieregler steht? Wir helfen europäischen Unternehmen, den Regler bewusst einzustellen.
30-Min.-Gespräch buchen →Quellen
- Archipelago et al. - Levels of Autonomy for AI Agents. Cornell / Knight First Amendment Institute, arXiv:2506.12469 (2026).
- ASDLC - L1–L5 AI Agent Autonomy Scale (2026).
- Zhihao et al. - A Survey on Autonomy-Induced Security Risks in Large Model-Based Agents. arXiv:2506.23844 (2025).
- Interface EU - An Autonomy-Based Classification of AI Agents (2025).
- Cloud Security Alliance - Levels of Autonomy for AI Agents (2026).
- Anthropic - Building Effective Agents (2024).
- SAE International - J3016: Taxonomy and Definitions for Terms Related to Driving Automation Systems (2021). Ursprung der „Stufen"-Metapher, die alle oben genannten Frameworks übernommen haben.