In Teil 1 haben wir argumentiert, dass die Entscheidung zwischen Workflow und Agent keine Binärwahl ist. Sie ist ein Regler. Dieser Beitrag handelt davon, was auf Position zwei und drei dieses Reglers tatsächlich stattfindet - die Workflow-Muster, die stillschweigend die meisten Unternehmens-KI-Probleme lösen, während alle anderen versuchen, Agenten zu bauen.
Es gibt fünf Muster. Sie sind nicht aufregend. Sie sind das, was in Produktion geht. Die Lücke zwischen „einem einzelnen LLM-Aufruf" und „einem vollwertigen Agenten" ist genau dort, wo 95 % des Produktionswerts liegen - und genau dieser Schritt wird in den meisten Unternehmens-KI-Gesprächen übersprungen.
Die Musterlücke in den meisten Unternehmens-KI-Gesprächen
Wenn in einem Vorstandsgespräch über KI-Architektur diskutiert wird, springt die Unterhaltung meist von „wir brauchen einen Agenten" direkt zu „welches Framework nehmen wir." Der Schritt dazwischen - welches Muster tatsächlich zu diesem Problem passt - wird selten benannt. Das führt dazu, dass die meisten Unternehmensteams entweder einen Chatbot mit einem einzigen LLM-Aufruf oder einen vollwertigen Agenten bauen - und nichts dazwischen.
Genau in dieser Lücke liegen 95 % des Produktionswerts.
Die fünf Muster liegen zwischen dem Einzelaufruf und dem autonomen Agenten. Jedes davon ist ein Workflow: Der Entwickler steuert die Route, das Modell übernimmt das Denken an jeder Station.
Anthropics Engineering-Team hat in Building Effective Agents fünf kompositionelle Muster katalogisiert. Alle fünf sind Workflows im strengen Sinne - der Entwickler steuert die Route, das Modell übernimmt das Denken an jeder Station. Alle fünf sind deterministisch genug für eine Prüfung, günstig genug zum Skalieren und einfach genug zum Debuggen. Und alle fünf laufen seit zwei Jahren in Produktion, während die Branche von autonomen Agenten abgelenkt war.
Dieser Beitrag beschreibt jedes Muster in Geschäftssprache: wann man es einsetzt und was es kostet, wenn man es falsch einsetzt.
Prompt-Ketten: das Fließband
Eine Prompt-Kette ist eine Abfolge von LLM-Aufrufen, bei der jeder Schritt die Ausgabe des vorherigen verarbeitet. Ein Aufruf extrahiert, der nächste klassifiziert, der nächste fasst zusammen, der letzte formatiert. Jede Station macht eine Sache gut.
Die Geschäftsanalogie ist das Fließband. Jede Station erfüllt eine spezifische, wiederholbare Aufgabe. Die Ausgabe der einen ist die Eingabe der nächsten. Nichts bleibt der Interpretation überlassen. Bricht der Prozess, wissen Sie genau, welche Station ihn gebrochen hat.
Wo es gewinnt. Jeder Prozess mit vorhersagbaren, sequenziellen Schritten und einem klaren Artefakt am Ende. Regulatorische Meldungen. Erstellung von Onboarding-Dokumenten. Mehrstufige Dokumentübersetzung. BaFin-Compliance-Zusammenfassungen. In unserer Kundenarbeit lassen sich mindestens 40 % dessen, was Unternehmen „KI-Anwendungsfälle" nennen, auf dieses Muster reduzieren.
Was es kostet. Latenz. Eine fünfstufige Kette läuft fünfmal langsamer als ein einzelner Aufruf. Ist Ihr Anwendungsfall nutzerseitig und zählt jede Sekunde, verketten Sie weniger Schritte.
Prompt-Ketten sind keine Übergangsarchitektur. Sie sind das Muster, zu dem die meisten Unternehmens-KI-Teams standardmäßig greifen sollten - und es kaum jemand tut.
Routing: die Triage-Station
Ein Routing-Workflow leitet die Eingabe an einen von mehreren spezialisierten Folgepfaden weiter. Ein erster LLM-Aufruf liest die Anfrage, klassifiziert sie und übergibt sie an den richtigen Bearbeitungspfad. Dieser Pfad kann ein weiterer LLM-Aufruf mit spezialisiertem Prompt sein, ein anderes Modell oder ein eigener Workflow.
Die Geschäftsanalogie ist die Triage-Station in einer Notaufnahme. Eine Person trifft eine schnelle Einschätzung und schickt jeden Patienten zum richtigen Team. Allgemeine Beschwerden gehen den einen Weg. Akute Traumata einen anderen. Betrugsverdacht einen dritten. Die Triage-Kraft behandelt nicht. Sie entscheidet, wohin der Patient geht.
Wo es gewinnt. Kundenservice-Postfächer. Mehrsprachiger Dokumenteneingang in einem DACH-Unternehmen, das Deutsch, Französisch, Italienisch, Englisch und Polnisch in einer Warteschlange verarbeitet. Versicherungsschäden, die sich je nach Policentyp in fünfzehn Teilprozesse aufspalten. Überall dort, wo die Eingabeverteilung breit ist, jede Unterklasse aber eine klar definierte Antwort hat.
Was es kostet. Routing-Fehler summieren sich. Eine falsch geroutete Anfrage kostet Sie nicht nur die falsche Antwort, sondern auch die Zeit, den Fehler zu entdecken und neu zu routen. Investieren Sie in den Klassifikator-Prompt. Protokollieren Sie die Routing-Entscheidungen. Behandeln Sie den Router als den kritischsten LLM-Aufruf im Workflow, nicht als den unwichtigsten.
Der Router ist kein Vorverarbeitungsschritt. Er ist der Workflow. Alles andere ist das, was nach der Routing-Entscheidung passiert.
Parallelisierung: die Boxencrew
Ein Parallelisierungs-Workflow führt mehrere LLM-Aufrufe gleichzeitig aus und aggregiert die Ergebnisse. Es gibt zwei Ausprägungen. Sectioning teilt eine Aufgabe in unabhängige Teilaufgaben, die parallel laufen und am Ende zusammengeführt werden. Voting führt dieselbe Aufgabe mehrfach mit unterschiedlichen Prompts oder Modellen aus und nimmt die Mehrheitsantwort oder die zuversichtlichste.
Die Geschäftsanalogie ist die Formel-1-Boxencrew. Vier Räder, ein Team, vier Sekunden. Niemand wartet auf jemanden. Das Ergebnis ist ein Auto, das schneller zurück auf der Strecke ist, als es ein sequenzieller Prozess je schaffen könnte.
Wo es gewinnt. Prüfung mehrerer Dokumente - jeder Vertrag, jedes Lieferantenformular, jede Patientenakte parallel. Anbietervergleich über mehrere Dimensionen. Code-Review, bei dem verschiedene Prompts auf verschiedene Schwachstellen prüfen. Content-Moderation, bei der drei Prüfungen gleichzeitig laufen - Tonalität, Faktentreue, Markensicherheit. Überall dort, wo die aggregierte Antwort stärker ist als jede einzelne.
Was es kostet. Koordinationsaufwand und Token-Verbrauch. Sind Ihre Teilaufgaben nicht wirklich unabhängig, vervielfacht die parallele Ausführung nur die Fehlerfläche, ohne Geschwindigkeit zu gewinnen. Und Voting-Workflows können teuer werden - drei Durchläufe derselben Aufgabe kosten dreimal so viel wie einer.
Parallelisierung ist nicht immer schneller. Sie ist nur dann schneller, wenn die Teile wirklich parallel sind.
Orchestrator-Subagent: die Projektleitung
Ein Orchestrator-Subagent-Workflow nutzt ein zentrales LLM, um eine komplexe Aufgabe in Teilaufgaben zu zerlegen, jede an ein spezialisiertes LLM zu delegieren und die Ergebnisse zusammenzuführen. Der Orchestrator macht die Arbeit nicht. Der Orchestrator entscheidet, welche Arbeit zu tun ist.
Die Geschäftsanalogie ist eine Projektleitung. Sie erhält ein Briefing - „erstellen Sie einen Markteintrittsbericht für eine neue Region." Sie schreibt den Bericht nicht selbst. Sie zerlegt ihn in Recherche, Finanzanalyse, Wettbewerbsanalyse und regulatorische Prüfung. Sie vergibt jede Aufgabe an die richtige Fachperson. Sie führt die Ergebnisse zu einem einzigen Dokument zusammen. Die Fachleute sprechen nie miteinander. Sie sprechen mit der Projektleitung.
Wo es gewinnt. Rechercheergebnisse über mehrere Quellen zusammenführen. Umfangreiche Dokumente, die mehrere Perspektiven erfordern. Ausschreibungsantworten. Due-Diligence-Berichte. Überall dort, wo das Ergebnis zu komplex für einen einzelnen Prompt, aber zu strukturiert für einen vollwertigen Agenten ist.
Was es kostet. Token-Verbrauch. Der Orchestrator hält den vollständigen Kontext jedes Subagenten-Ergebnisses. Dieser Kontext wächst schnell. Planen Sie ihn ein.
Dieses Muster ist oft das, was Teams bauen, wenn sie glauben, einen Agenten zu bauen. Der Unterschied: Hier steuert der Entwickler die Zerlegung. Bei einem Agenten tut das LLM es. Nennen Sie beim Namen, was Sie tatsächlich gebaut haben.
Evaluator-Schleifen: Autor und Lektorat
Eine Evaluator-Schleife nutzt ein LLM, das eine Antwort erzeugt, und ein zweites LLM, das sie kritisiert. Besteht die Antwort die Kritik, wird sie zurückgegeben. Wenn nicht, überarbeitet das erste LLM auf Basis der Kritik. Die Schleife läuft, bis die Qualitätskriterien erfüllt sind oder eine maximale Durchlaufzahl erreicht ist.
Die Geschäftsanalogie sind Autor und Lektorat. Der Autor schreibt einen Entwurf. Das Lektorat liest mit frischem Blick und markiert, was noch fehlt. Der Autor überarbeitet. Das Lektorat liest erneut. Die Endfassung gehört nicht dem Autor allein. Sie ist das Produkt zweier Köpfe, die sich gegenseitig korrigieren.
Wo es gewinnt. Erstellung regulierter Inhalte, bei denen Genauigkeit wichtiger ist als Geschwindigkeit. Literarische oder technische Übersetzung, bei der Nuancen mehrere Durchläufe brauchen. Komplexe Codegenerierung mit testgetriebener Validierung. Längere Texte, bei denen ein einzelner Durchlauf selten veröffentlichungsreif ist. Jeder Workflow, der unter die Human-Oversight-Anforderungen von Artikel 14 des EU AI Act fällt - hier kann der Evaluator eine erste Prüfinstanz vor dem menschlichen Prüfer sein.
Was es kostet. Die Anzahl der Durchläufe. Jede Schleife bedeutet zwei weitere LLM-Aufrufe. Setzen Sie eine harte Obergrenze. Messen Sie die durchschnittliche Durchlaufzahl pro Ergebnis in Produktion. Läuft Ihre Schleife regelmäßig ins Limit, sind entweder die Evaluator-Kriterien zu streng oder das Generator-Modell für die Aufgabe zu schwach.
Der Evaluator ist kein Overhead. Er ist der Mechanismus, durch den Qualität messbar wird.
Wie man zwischen ihnen wählt
Welches Muster zu Ihrem Problem passt, wird meist klar, sobald Sie die Form der Eingabe und die Form der Ausgabe aufschreiben.
| Muster | Form des Problems | Geschäftsanalogie | Typischer Einsatz |
|---|---|---|---|
| Prompt-Ketten | Sequenzielle Schritte, ein klares Artefakt | Fließband | Regulatorische Meldungen, Compliance-Zusammenfassungen |
| Routing | Breiter Input, spezialisierte Bearbeitung | Triage-Station | Kundenservice, mehrsprachiger Eingang |
| Parallelisierung | Unabhängige Teilaufgaben oder Mehrfachprüfungen | Boxencrew | Dokumentenprüfung, Content-Moderation |
| Orchestrator-Subagent | Komplexes Ergebnis, strukturierte Zerlegung | Projektleitung | Rechercheberichte, Ausschreibungen, Due Diligence |
| Evaluator-Schleifen | Qualität zählt mehr als Geschwindigkeit | Autor und Lektorat | Regulierte Inhalte, Übersetzung, Code |
Die meisten echten Unternehmenssysteme kombinieren zwei oder drei davon. Ein Lieferanten-Onboarding-Workflow nutzt Routing am Eingang und Prompt-Ketten innerhalb jedes Pfads. Ein regulatorisches Berichtssystem nutzt Orchestrator-Subagent für die abschnittsweise Erstellung und Evaluator-Schleifen für die Endprüfung. Die Muster schließen sich nicht aus. Sie lassen sich kombinieren.
Das Lieferanten-Onboarding-System aus Teil 1, neu gelesen als Muster. Drei der fünf, ein menschlicher Kontrollpunkt, nirgends ein Agent - und keiner wurde gebraucht.
Wo Teams falsch abbiegen
Drei Fehlermuster, die uns in Unternehmens-Deployments immer wieder begegnen.
Einen Agenten bauen, wo eine Kette ausgeliefert hätte
Der häufigste Fehler. Ein Team entscheidet, es brauche „einen Agenten" für eine Aufgabe, die eigentlich sequenziell und gut vorhersagbar ist. Sechs Monate gehen in Autonomiefunktionen, die nie gebraucht wurden und nicht regierbar sind. Eine Prompt-Kette wäre in sechs Wochen live gegangen - zuverlässiger und zu einem Zehntel der Kosten.
Routing überspringen, weil es zu simpel wirkt
Unternehmensteams wollen oft die Lösung mit einem einzigen LLM-Aufruf, weil sie sauber wirkt. Aber wenn die Eingabeverteilung breit ist - mehrere Sprachen, mehrere Dokumenttypen, mehrere regulatorische Kontexte - ist genau der eine Prompt, der alles abdecken soll, das, was in Produktion scheitert. Routing ist kein Kompromiss. Es ist das Muster.
Orchestrator-Subagent als Agent verkaufen
Weil der Orchestrator Entscheidungen über die Aufgabenzerlegung trifft, beschreiben Teams ihn gegenüber der Geschäftsführung manchmal als „unseren Agenten." Das ist ein Etikettierungsfehler mit realen Folgen - er verändert das Governance-Gespräch, das Audit-Gespräch und das Risikogespräch. Wenn der Entwickler die Zerlegungslogik geschrieben hat, ist es ein Workflow. Sagen Sie es auch so.
Drei Fragen für Ihr KI-Team diese Woche
- Welches der fünf Muster passt zu jedem unserer aktuellen KI-Projekte? Lautet die Antwort „keines", greifen wir vermutlich zu früh nach einem Agenten.
- Wo führen wir LLM-Aufrufe sequenziell aus, die parallel laufen könnten? Was würde die Umstellung kosten - in Token und in Latenz?
- Nutzen wir Evaluator-Schleifen in Produktion oder nur im Pilotprojekt? Wenn nur im Pilot: warum nicht in Produktion?
Das Wichtigste in Kürze
Fünf Muster lösen das meiste, was von Unternehmens-KI verlangt wird. Ketten, Routing, Parallelisierung, Orchestrator-Subagent, Evaluator-Schleifen.
Die Lücke zwischen „einem LLM-Aufruf" und „einem vollwertigen Agenten" ist dort, wo 95 % des Produktionswerts liegen.
Muster lassen sich kombinieren. Die meisten echten Unternehmenssysteme nutzen zwei oder drei gemeinsam.
Der häufigste Fehler ist nicht die Wahl des falschen Musters. Es ist, die Muster zu überspringen und direkt zu Agenten zu greifen.
Schreibt ein Entwickler die Zerlegungslogik, ist es ein Workflow. Schreibt das LLM sie, ist es ein Agent. Nennen Sie beim Namen, was Sie tatsächlich gebaut haben.
Sie arbeiten gerade daran? Wir helfen europäischen Unternehmen, die richtigen Muster für ihr Problem auszuwählen und zu kombinieren.
30-Min.-Gespräch buchen →Quellen
- Schluntz, E. & Zhang, B. - Building Effective Agents. Anthropic (2024).