Was sind Agentic Workflows?

Agentic Workflows sind KI-gestützte Prozesse, bei denen ein KI-Agent eine Reihe von Aktionen plant, ausführt, bewertet und anpasst, bis ein bestimmtes Ziel erreicht ist.

Anders als ein Chatbot, dessen Arbeit nach dem Generieren einer Antwort endet, arbeitet ein KI-Agent selbstständig weiter. Er entscheidet über die nächsten Schritte, nutzt externe Tools und überprüft, ob die einzelnen Aktionen das erwartete Ergebnis erzielt haben.

Ein Agent für den Kundendienst kann beispielsweise Kontoinformationen abrufen, aktuelle Bestellungen prüfen und feststellen, ob eine Rückerstattung den Unternehmensrichtlinien entspricht.

Anschließend benachrichtigt der Agent den Kunden, protokolliert die Interaktion in einem CRM und schließt die Anfrage ab, ohne dass für jeden einzelnen Schritt eine neue Eingabe erforderlich ist.

Jede Aktion liefert Informationen für den nächsten Schritt. Dadurch kann sich der Workflow anpassen, sobald neue Informationen vorliegen.

Fortschritte bei Large Language Models, Tool-Aufrufen, KI-Agenten und Orchestrierungs-Frameworks haben agentenbasierte Workflows in der Praxis einsetzbar gemacht.

Sprachmodelle stellen die erforderlichen Fähigkeiten zum logischen Schlussfolgern bereit, Tool-Aufrufe verbinden Agenten mit externen Systemen und Orchestrierungs-Frameworks koordinieren die einzelnen Prozessschritte.

Durch die Kombination dieser Technologien kann KI komplexe Aufgaben automatisieren, die eine mehrstufige Planung, Ausführung und Entscheidungsfindung erfordern.

Agentenbasierte Workflows vs. KI-Agenten

Ein KI-Agent ist eine Komponente innerhalb eines größeren Systems. Er analysiert die aktuelle Situation, entscheidet über den nächsten Schritt und ermittelt, ob zusätzliche Informationen oder externe Tools erforderlich sind.

Der Workflow gibt den Rahmen vor, der diese Entscheidungen zu einer Abfolge von Aktionen verbindet, den Kontext zwischen den einzelnen Schritten erhält und festlegt, wann das Ziel erreicht ist.

Agentenbasierte Workflows vs. KI-Agenten im Überblick:

Wie funktionieren agentenbasierte Workflows?

Agentenbasierte Workflows erledigen Aufgaben in einem fortlaufenden Zyklus aus Planung, Aktion, Bewertung und Verbesserung.

Betrachten wir beispielsweise einen Agentic-AI-Workflow, der eine SEO-Content-Strategie erstellt. Der Workflow beginnt nicht sofort damit, eine Liste von Keywords zu erstellen.

Zunächst ermittelt er das Unternehmensziel, recherchiert Wettbewerber, analysiert die Suchintention, gruppiert verwandte Themen, prüft Ranking-Chancen und bewertet die Ergebnisse, bevor er einen Content-Plan empfiehlt.

Jede Aktion liefert neue Informationen, die die nächste Entscheidung beeinflussen. So kann sich der Workflow im weiteren Verlauf an neue Erkenntnisse anpassen.

1. Anfrage interpretieren

Jeder agentenbasierte Workflow beginnt damit, die Anfrage des Nutzers an einen KI-Agenten zu übergeben.

Bevor der Agent einen Plan erstellt oder eine Aktion ausführt, interpretiert er die Anfrage und wandelt sie in ein strukturiertes Ziel um, das der Workflow bearbeiten kann.

Im ersten Schritt ermittelt der Agent, was der Nutzer erreichen möchte. Er bestimmt das gewünschte Ergebnis, extrahiert explizite Anforderungen aus der Eingabe, erkennt Einschränkungen wie Fristen oder Budgets und stellt fest, welche Informationen bereits verfügbar sind.

Moderne Sprachmodelle führen diese Analyse durch, indem sie die Eingabe und alle zusätzlichen, von der Anwendung bereitgestellten Kontextinformationen auswerten. Dazu können frühere Unterhaltungen, hochgeladene Dokumente oder Unternehmensdaten gehören.

Eine Anfrage wie „Erstelle eine SEO-Content-Strategie für einen Online-Shop für Haustierbedarf“ legt das gewünschte Ergebnis fest, lässt jedoch einige wichtige Fragen offen.

Bevor der Workflow geplant werden kann, muss der Agent Folgendes klären:

• Welche Produkte soll die Strategie priorisieren?
• Auf welchen geografischen Markt sollen die Inhalte ausgerichtet sein?
• Wer sind die wichtigsten Wettbewerber des Shops?
• Besteht das Hauptziel darin, den organischen Traffic zu steigern, mehr Verkäufe zu erzielen oder die Markenbekanntheit zu erhöhen?

Eine Eingabe enthält nur selten alle erforderlichen Antworten. Der Agent ermittelt daher, welche Angaben bereits vorliegen und welche noch beschafft werden müssen.

Je nach Workflow kann der nächste Schritt darin bestehen, ein CRM oder eine Produktdatenbank abzufragen, Analysedaten abzurufen, das Web über eine API zu durchsuchen, interne Dokumentationen zu lesen oder den Nutzer um weitere Angaben zu bitten.

Sobald genügend Kontext vorliegt, speichert der Workflow alle gewonnenen Informationen in seinem aktuellen Zustand.

Dieser Zustand dient dem restlichen Workflow als gemeinsame Informationsgrundlage. Er enthält das ursprüngliche Ziel, den gesammelten Kontext, abgeschlossene Aufgaben, Zwischenergebnisse und noch ausstehende Arbeiten. Dadurch kann jeder weitere Schritt auf den zuvor getroffenen Entscheidungen aufbauen.

2. Aufgaben aufteilen

Sobald genügend Kontext vorliegt, geht der Workflow von der Analyse des Problems zur Planung der Lösung über.

Der KI-Agent erstellt einen Ausführungsplan. Dazu unterteilt er das Ziel in kleinere Aufgaben, legt deren Reihenfolge fest und bestimmt, welche Tools oder anderen KI-Agenten für die einzelnen Aufgaben erforderlich sind.

Die Aufteilung eines komplexen Ziels in kleinere Teilaufgaben wird als Aufgabenzerlegung (Task Decomposition) bezeichnet.

Statt „Erstelle eine SEO-Content-Strategie“ als eine einzige umfangreiche Anfrage zu behandeln, unterteilt der Agent sie beispielsweise in folgende Aufgaben:

• Recherchiere Wettbewerber.
• Erfasse Keyword-Daten.
• Gruppiere Keywords nach Suchintention.
• Ermittle Content-Lücken.
• Empfiehl Themencluster.
• Erstelle einen Content-Kalender.

Jede Aufgabe verfolgt ein klar definiertes Ziel und liefert ein Ergebnis, das für die nächste Aufgabe verwendet werden kann. Der Workflow erstellt den Content-Kalender beispielsweise erst nach Abschluss der Keyword-Recherche, da die Empfehlungen auf diesen Daten beruhen.

Darüber hinaus ermittelt der Workflow Aufgabenabhängigkeiten. Eine solche Abhängigkeit besteht, wenn eine Aufgabe auf dem Ergebnis einer anderen aufbaut.

Der Workflow kann Keywords beispielsweise erst gruppieren, nachdem er sie erfasst hat. Ebenso lassen sich Content-Chancen erst priorisieren, wenn die Keyword-Cluster vollständig sind.

Durch die Erfassung dieser Abhängigkeiten verhindert der Workflow, dass Aufgaben in der falschen Reihenfolge ausgeführt werden.

3. Tools aufrufen und Aktionen ausführen

Nachdem der KI-Agent einen Ausführungsplan erstellt hat, arbeitet die Anwendung die Aufgaben nacheinander ab.

Jede Aufgabe wird zusammen mit dem aktuellen Workflow-Zustand an den KI-Agenten übergeben. Dieser Zustand enthält das Ziel, den gesammelten Kontext und die Ergebnisse vorheriger Schritte.

Anhand dieser Informationen entscheidet der Agent, ob er die Aufgabe direkt erledigen kann oder zusätzliche Daten benötigt.

Für manche Aufgaben genügt logisches Schlussfolgern. Der Agent kann beispielsweise Keywords nach Suchintention gruppieren oder anhand der bereits im Workflow-Zustand gespeicherten Informationen ein Content-Briefing erstellen.

Andere Aufgaben erfordern Informationen, auf die das Sprachmodell keinen Zugriff hat, etwa aktuelle Suchmaschinen-Rankings, Kundendaten oder Website-Analysedaten.

Sind externe Informationen oder Aktionen erforderlich, erzeugt der Agent einen Tool-Aufruf. Dabei handelt es sich um eine strukturierte Anfrage, die der Anwendung mitteilt, welches Tool verwendet und welche Information abgerufen beziehungsweise welche Aktion ausgeführt werden soll.

Die Anwendung führt die Anfrage aus, erhält das Ergebnis vom externen System und ergänzt damit den Workflow-Zustand. Anschließend übergibt sie die Kontrolle wieder an den Agenten.

Angenommen, der Workflow erstellt eine SEO-Content-Strategie. Der Agent stellt zunächst fest, dass er Keyword-Daten und Rankings der Wettbewerber benötigt, bevor er Content-Themen empfehlen kann.

Die Anwendung ruft Keyword-Kennzahlen von einer SEO-Plattform ab, erfasst die Rankings der Wettbewerber über eine Such-API und liest bestehende Artikel aus dem CMS des Unternehmens.

Alle Ergebnisse fließen in den Workflow-Zustand ein. Auf dieser Grundlage kann der Agent Content-Lücken erkennen und über die nächsten Schritte entscheiden.

4. Ergebnis überprüfen

Der Abschluss einer Aufgabe bedeutet nicht automatisch, dass das Ergebnis korrekt oder vollständig ist.

Bevor der Workflow fortgesetzt wird, übergibt die Anwendung den aktualisierten Workflow-Zustand erneut an den KI-Agenten, damit dieser das Ergebnis bewertet.

Der Agent prüft die neuesten Ergebnisse anhand des ursprünglichen Ziels, der Aufgabenanforderungen und der verfügbaren Belege.

Dieser Bewertungsprozess wird als Reflexion (Reflection) bezeichnet. Dadurch kann der Agent fehlende Informationen, widersprüchliche Daten, fehlgeschlagene Tool-Aufrufe, Rechenfehler oder Ergebnisse erkennen, die nicht der erwarteten Qualität entsprechen.

Angenommen, der Agent erstellt eine SEO-Content-Strategie. Der Workflow-Zustand enthält Keyword-Kennzahlen, Rankings der Wettbewerber und Website-Analysedaten.

Bei der Überprüfung stellt der Agent fest, dass die Wettbewerbsdaten nur zwei Websites abdecken, obwohl laut Plan fünf erforderlich sind.

Der Agent kennzeichnet die Analyse als unvollständig und fordert eine weitere Suche an, bevor die Strategie weiter ausgearbeitet wird.

Bei der Reflexion lassen sich auch fehlgeschlagene externe Aktionen erkennen. Eine API liefert möglicherweise nur unvollständige Daten, eine Datenbankabfrage ergibt keine Treffer oder ein E-Mail-Dienst lehnt eine Anfrage ab.

Der Agent überprüft die jeweilige Antwort und vermerkt das Problem im Workflow-Zustand, damit es im nächsten Schritt behoben werden kann.

5. Zyklus bis zum Erreichen des Ziels wiederholen

Nach der Bewertung wählt das System einen von drei Wegen: fortfahren, überarbeiten oder beenden.

Bei einem erfolgreichen Ergebnis fährt der Workflow mit der nächsten geplanten Aufgabe fort. Ist das Ergebnis unvollständig, wird die Aufgabe für weitere Recherchen, einen zusätzlichen Tool-Aufruf oder eine Überarbeitung zurückgegeben. Ist die Aufgabe blockiert, fordert das System Eingaben vom Nutzer an oder leitet sie an einen Menschen weiter.

Der Workflow wird erst abgeschlossen, wenn der Agent bestätigt, dass die ursprünglichen Anforderungen erfüllt sind.

Bei der SEO-Strategie bedeutet das: Die Recherche ist abgeschlossen, die Keyword-Gruppen sind validiert, Content-Lücken wurden ermittelt, die Prioritäten entsprechen dem Unternehmensziel und der endgültige Plan ist fertig.

Anschließend gibt die Anwendung das Endergebnis an den Nutzer zurück und beendet den Workflow.

Der entscheidende Unterschied zu einer einmaligen KI-Eingabe liegt in diesem Zyklus: Der Agent plant, handelt, überprüft das Ergebnis und wiederholt den Vorgang, bis die Aufgabe abgeschlossen ist oder Eingaben eines Menschen erforderlich sind.

Statt diesen Zyklus selbst zu entwickeln und zu pflegen, können Sie solche Prozesse mit einsatzbereiten Agentic-AI-Lösungen ausführen, die Planung, Tools und Orchestrierung für Sie übernehmen.

Technische Architektur eines agentenbasierten Workflows

Die technische Architektur eines agentenbasierten Workflows vereint eine Reasoning Engine, einen Planner, den Workflow-Zustand, einen Orchestrator, Speicher, Tool-Schnittstellen und eine Execution Engine in einem System.

Jede Komponente erfüllt eine bestimmte Aufgabe. Gemeinsam ermöglichen sie dem Workflow, komplexe mehrstufige Aufgaben auszuführen.

Large Language Model (LLM)

Das Large Language Model (LLM) ist die Reasoning Engine eines agentenbasierten Workflows. Es interpretiert Nutzeranfragen, erstellt Ausführungspläne, entscheidet über den Einsatz von Tools, bewertet Zwischenergebnisse und erzeugt das Endergebnis.

Ein LLM führt den Workflow nicht selbst aus und kommuniziert auch nicht direkt mit externen Systemen. Sämtliche Interaktionen mit Datenbanken, APIs, Geschäftsanwendungen oder anderer Software erfolgen über zusätzliche Architekturkomponenten.

Das Modell ist für das logische Schlussfolgern zuständig: Anhand des aktuellen Workflow-Zustands bestimmt es, was als Nächstes geschehen soll.

Moderne Workflows können während der gesamten Ausführung dasselbe LLM verwenden oder mehrere Modelle kombinieren. Beispielsweise kann ein Modell Code generieren, ein weiteres das Ergebnis überprüfen und ein kleineres Modell Anfragen klassifizieren, bevor sie in den Workflow gelangen.

Planner

Der Planner wandelt ein übergeordnetes Ziel in einen ausführbaren Plan um. Je nach Framework kann er als eigene Softwarekomponente, als zusätzlicher LLM-Aufruf oder als Kombination aus deterministischer Logik und KI-gestütztem Schlussfolgern implementiert sein.

Der Planner zerlegt komplexe Ziele in einzelne Aufgaben, ermittelt die Abhängigkeiten zwischen ihnen und legt die Reihenfolge ihrer Ausführung fest.

Fortgeschrittene Planner unterstützen außerdem dynamische Neuplanung. Dabei wird der Ausführungsplan aktualisiert, sobald neue Informationen das ursprüngliche Ziel verändern oder bisherige Annahmen entkräften.

Workflow-Zustand

Der Workflow-Zustand ist die gemeinsame Datenstruktur, die alle Schritte des Workflows miteinander verbindet. Darin werden die während der Ausführung erzeugten Informationen gespeichert, sodass jede Komponente über den erforderlichen Kontext für die weitere Verarbeitung verfügt.

Ein typischer Workflow-Zustand umfasst das ursprüngliche Ziel, abgeschlossene Aufgaben, Zwischenergebnisse, Tool-Ausgaben, abgerufene Dokumente, Nutzereingaben, ausstehende Aktionen und alle Entscheidungen des KI-Agenten. Bei jedem Reasoning-Schritt wird der aktuelle Zustand ausgelesen und anschließend um neue Informationen ergänzt.

Orchestrator

Der Orchestrator steuert die Ausführung des Workflows. Er legt fest, welche Aufgabe als Nächstes ausgeführt wird, ruft die entsprechende Komponente auf, aktualisiert den Workflow-Zustand und entscheidet, wann die Ausführung fortgesetzt, wiederholt oder beendet werden soll.

Der Orchestrator übernimmt keine logischen Schlussfolgerungen. Seine Aufgabe besteht darin, den Ausführungsablauf zu koordinieren.

Er übergibt den aktuellen Workflow-Zustand an das LLM, führt Tool-Aufrufe aus, empfängt die Ergebnisse, aktualisiert den Zustand und leitet die Ausführung an den nächsten im Workflow definierten Schritt weiter.

Jedes moderne Agenten-Framework verfügt über eine Form von Orchestrierungsschicht. LangGraph verwendet eine graphbasierte Ausführung, CrewAI koordiniert spezialisierte Agenten und Microsoft Semantic Kernel orchestriert KI-Funktionen mithilfe von Plannern und Plugins.

Die Implementierungen unterscheiden sich, lösen jedoch dasselbe Koordinierungsproblem.

Tool-Schnittstelle

Die Tool-Schnittstelle bietet dem KI-Agenten eine standardisierte Möglichkeit, mit externen Systemen zu interagieren.

Für jedes Tool ist festgelegt, welche Eingaben es akzeptiert, welche Aktion es ausführt und welche Daten es zurückgibt.

Stellt das LLM fest, dass externe Informationen benötigt werden oder eine Aktion ausgeführt werden muss, erzeugt es einen strukturierten Tool-Aufruf.

Die Anwendung validiert die Anfrage, führt sie über den entsprechenden Dienst aus und übernimmt das Ergebnis in den Workflow-Zustand.

Über Tool-Schnittstellen lassen sich agentenbasierte Workflows mit APIs, SQL-Datenbanken, Vektordatenbanken, Suchmaschinen, CRM-Plattformen, E-Mail-Diensten, Content-Management-Systemen, Tabellenkalkulationen und zahlreichen anderen Geschäftsanwendungen verbinden.

Dank standardisierter Schnittstellen können Entwickler Integrationen austauschen oder erweitern, ohne die Reasoning-Logik im LLM zu verändern.

Speicherschicht

Die Speicherschicht bewahrt Informationen über den aktuellen Reasoning-Schritt hinaus auf. Verschiedene Speicherarten erfüllen dabei unterschiedliche Aufgaben und ermöglichen es Workflows, sowohl während der Ausführung als auch über mehrere Sitzungen hinweg Kontext zu erhalten.

Der Arbeitsspeicher (Working Memory) speichert den aktuellen Workflow-Zustand während der Ausführung. Der persistente Speicher (Persistent Memory) bewahrt langfristig relevante Informationen wie Kundenpräferenzen, frühere Unterhaltungen, den Projektverlauf oder unternehmensspezifisches Wissen auf, das auch nach Abschluss des Workflows nützlich bleibt.

Viele Implementierungen nutzen außerdem Vektordatenbanken als Bestandteil der Speicherschicht. Statt Unterhaltungen sequenziell zu speichern, organisieren Vektordatenbanken Informationen nach semantischer Ähnlichkeit.

Dadurch kann die Anwendung relevante Dokumente, frühere Interaktionen oder Wissensartikel anhand ihrer Bedeutung statt anhand exakter Keywords abrufen. So erhält das LLM Zugriff auf Kontextinformationen, die sonst sein Kontextfenster überschreiten würden.

Retrieval-Schicht (RAG)

Retrieval-Augmented Generation (RAG) erweitert das LLM um externes Wissen. Statt sich ausschließlich auf die beim Training erlernten Informationen zu stützen, ruft die Anwendung relevante Dokumente ab, bevor das Modell eine Antwort generiert.

Eine typische RAG-Pipeline wandelt Dokumente in Vektoreinbettungen um, speichert diese in einer Vektordatenbank, führt für jede Anfrage eine Ähnlichkeitssuche durch und fügt die gefundenen Dokumente in den Kontext des LLM ein.

Anschließend verarbeitet das Modell sowohl die Nutzeranfrage als auch die abgerufenen Informationen.

Die Trennung von Wissensabruf und Sprachmodell ermöglicht es, Informationen aktuell zu halten, ohne das Modell neu zu trainieren.

Interne Dokumentationen, Support-Artikel, Produktkataloge, Compliance-Richtlinien und technische Handbücher bleiben so auch dann durchsuchbar, wenn sich ihre Inhalte im Laufe der Zeit ändern.

Execution Engine

Die Execution Engine führt den Workflow gemäß dem Plan und den Orchestrierungsregeln aus. Sie verwaltet die Aufgabenausführung, wiederholt fehlgeschlagene Vorgänge, behandelt Zeitüberschreitungen, koordiniert parallele Zweige und stellt fest, wann die Abschlusskriterien eines Workflows erfüllt sind.

Länger laufende Workflows bestehen nur selten aus einer einfachen Abfolge von Schritten. Manche Aufgaben warten auf externe Antworten, andere werden gleichzeitig ausgeführt und fehlgeschlagene Vorgänge können Wiederholungen oder alternative Ausführungspfade erfordern.

Die Execution Engine steuert diese Entscheidungen während der Laufzeit und sorgt dabei für einen konsistenten Workflow-Zustand.

Die Trennung von Ausführung und logischem Schlussfolgern erhöht die Zuverlässigkeit des Systems. Das LLM konzentriert sich auf Entscheidungen, während die Execution Engine dafür sorgt, dass jede Aufgabe in der richtigen Reihenfolge ausgeführt wird, Fehler vorhersehbar behandelt werden und der Workflow sicher abgeschlossen wird.

Koordination mehrerer Agenten

Bei der Koordination mehrerer Agenten wird die Arbeit auf mehrere KI-Agenten verteilt, die über einen gemeinsamen Workflow-Zustand synchronisiert bleiben.

Jeder Agent erhält eine spezialisierte Rolle und trägt mit seinem Ergebnis zum gesamten Workflow bei.

Ein Koordinator weist Aufgaben zu, leitet Informationen zwischen den Agenten weiter, löst Abhängigkeiten auf und führt die einzelnen Ergebnisse zu einem Endergebnis zusammen.

Ein Agent kann beispielsweise Recherchen durchführen, ein anderer Inhalte erstellen, ein dritter die technische Richtigkeit prüfen und ein vierter die Einhaltung von Unternehmensrichtlinien kontrollieren.

Praxisbeispiele für agentenbasierte Workflows

Unternehmen setzen agentenbasierte Workflows unter anderem für Content, Marketing, Vertrieb, Kundendienst, Analysen, juristische Abläufe und die interne Wissensverwaltung ein.

Die folgenden Beispiele für KI-Agenten zeigen, wie ein agentenbasierter Workflow Planung, Tool-Nutzung, Speicher und Bewertung koordiniert, um eine geschäftliche Aufgabe zu erledigen.

SEO-Content-Workflow

Angenommen, ein E-Commerce-Unternehmen plant die Einführung einer neuen Kategorie für Gartenmöbel. Ziel ist es, den organischen Traffic zu steigern. Dafür reicht es jedoch bei Weitem nicht aus, lediglich Ideen für Artikel zu generieren.

Der Workflow beginnt mit der Erstellung eines Rechercheplans. Die Keyword-Daten stammen von einer SEO-Plattform, die Rankings der Wettbewerber aus den Suchergebnissen, historische Traffic-Daten aus Google Analytics und bestehende Artikel aus dem CMS.

Sobald genügend Informationen vorliegen, gruppiert der KI-Agent Keywords nach Suchintention, ermittelt Lücken in der bestehenden Content-Strategie, schätzt den geschäftlichen Wert der einzelnen Chancen ein und priorisiert die Themen, die zuerst veröffentlicht werden sollten.

Bevor die endgültige Roadmap erstellt wird, gleicht die Anwendung ihre Empfehlungen mit dem ursprünglichen Ziel ab.

Sind die Wettbewerbsrecherche unvollständig oder überschneiden sich Keyword-Cluster, beginnt ein weiterer Recherchezyklus. Planung, Informationsabruf, Reflexion und Speicher tragen gemeinsam zur endgültigen Strategie bei.

Verwendete Muster: Planung, Tool-Aufrufe, Speicher, Reflexion.

Workflow für den Kundendienst

Eine Rückerstattungsanfrage stellt den KI-Agenten vor eine andere Art von Aufgabe: Die Entscheidung hängt von den geltenden Richtlinien, der Kundenhistorie und den Details einer bestimmten Bestellung ab.

Allein anhand der Nachricht kann der Agent keine zuverlässige Antwort erstellen.

Bestelldaten, Zahlungsstatus, Lieferdetails, frühere Support-Unterhaltungen und Rückerstattungsrichtlinien liefern den notwendigen Kontext für die Entscheidung.

Die Anwendung ruft diese Informationen von der E-Commerce-Plattform, aus dem CRM, vom Helpdesk und aus der Richtliniendatenbank ab, bevor der Agent die Anfrage bewertet.

Besteht Anspruch auf eine Rückerstattung, bereitet die Anwendung den Rückerstattungsvorgang vor, aktualisiert das Support-Ticket und protokolliert das Ergebnis im CRM.

Der Agent formuliert eine Kundenantwort, die die Entscheidung verständlich erläutert und dem Ton des Unternehmens entspricht.

Vor dem Versand wird die Antwort in einem Validierungsschritt mit den Rückerstattungsrichtlinien abgeglichen.

Verwendete Muster: Tool-Aufrufe, persistenter Speicher, Reflexion, Validierung von Geschäftsregeln.

Workflow für die Vertriebsansprache

Ein KI-Agent kann Kampagnenplanung, Zielgruppenrecherche und personalisierte Ansprache in einem einzigen Workflow automatisieren.

Zu Beginn werden das ideale Kundenprofil und das Kampagnenziel festgelegt. Unternehmensdaten aus dem CRM werden mit öffentlich verfügbaren Informationen wie aktuellen Finanzierungsankündigungen, Einstellungsaktivitäten, Produkteinführungen, Branchennachrichten und früheren Unterhaltungen kombiniert.

Durch die Zusammenführung dieser Quellen erhält der KI-Agent für Marketing genügend Kontext, um Chancen nach Relevanz zu priorisieren, anstatt alle potenziellen Kunden gleich zu behandeln.

Anschließend folgt die Personalisierung. Der Agent ermittelt die für das jeweilige Unternehmen relevanteste geschäftliche Herausforderung, formuliert eine darauf abgestimmte Ansprache und empfiehlt die beste Abfolge für nachfolgende E-Mails.

Bei der Reflexion wird jede Nachricht auf sachliche Richtigkeit geprüft. Außerdem wird kontrolliert, ob unternehmensspezifische Angaben korrekt sind, und nicht belegte Behauptungen werden entfernt, bevor die Kampagne startet.

Anders als beim Workflow für den Kundendienst, bei dem Entscheidungen den Unternehmensrichtlinien folgen, stehen bei Vertriebs-Workflows Priorisierung und Personalisierung im Mittelpunkt.

Die Qualität des Ergebnisses hängt davon ab, Informationen aus mehreren Quellen zusammenzuführen, noch bevor die erste E-Mail verfasst wird.

Verwendete Muster: Planung, Tool-Aufrufe, Speicher, Reflexion.

Reporting-Workflow

Die Erstellung eines wöchentlichen Geschäftsberichts beginnt damit, Leistungsdaten aus allen in die Analyse einbezogenen Systemen zu erfassen.

Analyseplattformen, Werbe-Dashboards, CRM-Software, Finanzsysteme und E-Commerce-Plattformen liefern jeweils einen Teil des Gesamtbilds.

Nach der Datenerfassung ermittelt der KI-Agent wesentliche Veränderungen, vergleicht die Ergebnisse mit den Unternehmenszielen und untersucht Zusammenhänge zwischen verschiedenen Kennzahlen.

Ein Umsatzrückgang lässt sich beispielsweise besser einordnen, wenn der Workflow einen Zusammenhang mit geringerem Website-Traffic, reduzierten Werbeausgaben oder einer niedrigeren Conversion-Rate herstellt.

Der endgültige Bericht kombiniert zentrale Kennzahlen mit Erläuterungen, Risiken und empfohlenen Maßnahmen.

Vor der Bereitstellung des Berichts prüft ein Validierungsschritt, ob die Berechnungen über alle Datenquellen hinweg konsistent sind und jede Schlussfolgerung durch die verfügbaren Daten belegt ist.

Verwendete Muster: Tool-Aufrufe, Speicher, Reflexion, Datenvalidierung.

Workflow für die juristische Prüfung

Die Beantwortung einer Mitarbeiterfrage oder die Prüfung eines Vertrags beginnt mit dem Abruf der relevanten Informationen.

Die Anwendung durchsucht interne Dokumentationen, technische Handbücher, Unternehmensrichtlinien, frühere Verträge, Bibliotheken mit genehmigten Vertragsklauseln und regulatorische Leitlinien, bevor sie die Ergebnisse an den KI-Agenten übergibt.

Bei einer Mitarbeiterfrage erstellt der Agent eine Antwort, die sich auf die Unternehmensdokumentation stützt.

Bei einer Vertragsprüfung gleicht er Klauseln mit internen Richtlinien ab, hebt ungewöhnliche Formulierungen hervor, erkennt fehlende Bestimmungen und nennt für jedes festgestellte Problem die relevanten Quellen.

In einem Reflexionsschritt wird überprüft, ob jede Schlussfolgerung durch die abgerufenen Belege gestützt wird und keine relevanten Dokumente übersehen wurden.

Sind die verfügbaren Informationen unvollständig oder widersprüchlich, führt die Anwendung einen weiteren Abruf durch oder leitet die Aufgabe an einen menschlichen Prüfer weiter.

Verwendete Muster: Retrieval-Augmented Generation (RAG), Tool-Aufrufe, persistenter Speicher, Reflexion.

Herausforderungen bei der Implementierung agentenbasierter Workflows

Agentenbasierte Workflows gehören zu den am schnellsten wachsenden Automatisierungstrends. Mit zunehmender Autonomie entstehen jedoch auch technische und betriebliche Herausforderungen, die eine sorgfältige Konzeption und Überwachung erfordern:

• Halluzinationen und Reasoning-Fehler. Sprachmodelle können falsche Schlussfolgerungen ziehen oder unzutreffende Informationen generieren. Ein Fehler zu Beginn des Workflows kann alle nachfolgenden Entscheidungen beeinflussen, sofern er nicht durch Validierungsschritte erkannt und korrigiert wird.
• Falsche Tool-Auswahl. KI-Agenten wählen Tools anhand des aktuellen Ziels und des verfügbaren Kontexts aus. Mehrdeutige Anweisungen oder fehlende Informationen können zu unnötigen API-Aufrufen, dem Abruf irrelevanter Daten oder fehlgeschlagenen Aktionen führen.
• Unzureichendes Kontextmanagement. Fehlende Anforderungen, ein unvollständiger Workflow-Zustand oder veraltete Informationen können dazu führen, dass der Agent Entscheidungen auf Grundlage falscher Annahmen trifft. Ein korrekter und aktueller Workflow-Zustand sorgt dafür, dass jeder Schritt auf das ursprüngliche Ziel ausgerichtet bleibt.
• Speicherbeschränkungen. Länger laufende Workflows überschreiten irgendwann das Kontextfenster eines Modells. Externe Speichersysteme und Abrufmechanismen bewahren wichtige Informationen auf. Entwickler benötigen jedoch weiterhin Strategien, um zu bestimmen, welche Informationen im Laufe der Zeit relevant bleiben.
• Sicherheits- und Berechtigungsverwaltung. Die Anbindung von KI-Agenten an Geschäftssysteme erhöht die betrieblichen Risiken. Zugriffskontrollen, Authentifizierung und Audit-Protokolle stellen sicher, dass Agenten ausschließlich die Aktionen ausführen können, für die sie autorisiert sind.
• Kosten und Latenz. Jeder Reasoning-Schritt, Tool-Aufruf und Validierungsdurchlauf verbraucht Tokens und verlängert die Ausführungszeit. Autonomere Workflows liefern in der Regel bessere Ergebnisse, benötigen jedoch auch mehr Rechenressourcen.
• Überwachung und Fehlerbehebung. Mehrstufige Workflows sind schwieriger zu analysieren als einzelne Eingaben, da Fehler beim logischen Schlussfolgern, bei Tool-Aufrufen, in externen Systemen oder in der Workflow-Logik entstehen können. Detaillierte Ausführungsprotokolle helfen dabei, die Ursache eines Problems zu ermitteln.
• Menschliche Aufsicht und Governance. Juristische, finanzielle und strategische Entscheidungen erfordern weiterhin eine menschliche Prüfung. Freigabepunkte verringern Risiken und ermöglichen es KI-Agenten gleichzeitig, die Recherche, Analyse und Vorbereitung vor diesen Entscheidungen zu automatisieren.

Best Practices für effektive agentenbasierte Workflows

Beginnen Sie mit einem klar definierten Geschäftsziel. Jeder Workflow sollte ein konkretes Problem lösen, beispielsweise Vertriebs-Leads qualifizieren, Verträge prüfen oder SEO-Content-Pläne erstellen.

Ein klares Ziel gibt dem KI-Agenten messbare Erfolgskriterien vor und verhindert, dass er unnötige Aufgaben verfolgt oder irrelevante Informationen abruft.

Unterteilen Sie komplexe Aufgaben in kleinere Phasen. Lange, ergebnisoffene Workflows sind schwer zu validieren, da jede Entscheidung von der vorherigen abhängt.

Wenn Sie Recherche, Analyse, Entscheidungsfindung und Ausführung in einzelne Phasen unterteilen, lassen sich Fehler leichter erkennen und Tests vereinfachen. Zudem können einzelne Schritte verbessert werden, ohne den gesamten Workflow neu zu gestalten.

Wenn Sie eine wiederkehrende Phase als wiederverwendbaren KI-Agenten-Skill bündeln, können Sie denselben definierten Ablauf in verschiedenen Workflows einsetzen und zentral aktualisieren, statt ihn jedes Mal neu zu erstellen.

Weisen Sie jedem KI-Agenten genau eine Aufgabe zu. Spezialisierte Agenten liefern vorhersehbarere Ergebnisse, da sie sich jeweils auf ein klar abgegrenztes Ziel konzentrieren.

Ein Recherche-Agent sammelt Informationen, ein Schreib-Agent erstellt Inhalte und ein Prüf-Agent kontrolliert die Qualität. Klar definierte Zuständigkeiten erleichtern zudem die Fehlerbehebung in Multi-Agenten-Systemen.

Verbinden Sie den Workflow mit externen Datenquellen. Sprachmodelle können aktuelle Unternehmensdaten nicht selbstständig abrufen.

CRM-Systeme, Analyseplattformen, Dokumentenarchive, Such-APIs und interne Wissensdatenbanken stellen aktuelle Informationen bereit, die fundiertere Entscheidungen ermöglichen und Halluzinationen reduzieren.

Integrieren Sie Prüfungen in wichtige Entscheidungen. Bei Workflows mit weitreichenden Auswirkungen darf nicht davon ausgegangen werden, dass jede generierte Antwort oder jeder Tool-Aufruf korrekt ist.

Validierungsschritte können Berechnungen kontrollieren, Fakten verifizieren, die Einhaltung von Geschäftsregeln prüfen oder eine menschliche Freigabe verlangen, bevor der Workflow Aktionen wie die Genehmigung von Rückerstattungen, das Unterzeichnen von Verträgen oder den Versand von Kundenmitteilungen ausführt.

Überwachen Sie die Workflow-Leistung kontinuierlich. Wenn Sie nur das Endergebnis betrachten, lässt sich häufig nicht erkennen, an welcher Stelle Probleme entstehen.

Erfassen Sie Zwischenschritte und Kennzahlen wie fehlgeschlagene Tool-Aufrufe, Abrufgenauigkeit, Ausführungszeit, Abschlussrate und Häufigkeit von Wiederholungsversuchen, um Engpässe zu erkennen und die Zuverlässigkeit zu verbessern.

Bewerten Sie Kosten und Qualität gemeinsam. Ein Workflow, der hervorragende Ergebnisse liefert, aber übermäßig viel Zeit, API-Aufrufe oder Modell-Tokens benötigt, ist für den Produktiveinsatz möglicherweise nicht praktikabel.

Wenn Sie die Qualität der Ergebnisse gemeinsam mit Ausführungszeit und Betriebskosten bewerten, können Sie die effizienteste Implementierung ermitteln.

Beziehen Sie Menschen ein, wenn Entscheidungen weitreichende Folgen haben. KI-Agenten können Empfehlungen vorbereiten, Belege zusammenfassen und Routinearbeiten automatisieren. Juristische, finanzielle, medizinische und strategische Entscheidungen profitieren jedoch weiterhin von menschlicher Aufsicht.

Prüf- und Freigabepunkte verringern das Risiko kostspieliger Fehler, ohne die Effizienzvorteile der Automatisierung aufzugeben.

Verbessern Sie den Workflow anhand von Produktionsdaten. Im praktischen Einsatz treten schnell Sonderfälle auf, die sich während der Entwicklung nicht vollständig vorhersehen lassen.

Fehlgeschlagene Ausführungen, Nutzerfeedback, Freigabequoten und Korrekturmuster zeigen, an welchen Stellen der Workflow zusätzlichen Kontext, eine bessere Planung, strengere Validierung oder andere Tool-Integrationen benötigt.

So nutzen Sie agentenbasierte Workflows in Ihrem Unternehmen

Sie müssen kein eigenes KI-System entwickeln, um agentenbasierte Workflows in Ihrem Unternehmen einzusetzen. Für viele Teams ist es am schnellsten, KI-Agenten zu verwenden, die Planung, logisches Schlussfolgern, Tool-Nutzung und Ausführung für gängige geschäftliche Aufgaben bereits übernehmen.

Hostinger Agent basiert auf diesem Ansatz. Jeder Skill konzentriert sich auf einen bestimmten Arbeitsbereich, darunter SEO, Content-Erstellung, Marketing, Vertrieb, Kundenkommunikation, juristische Unterstützung und Geschäftsstrategie.

Sie definieren das Ziel, und der Agent erledigt die Arbeit im Hintergrund mithilfe eines agentenbasierten Workflows.

Sie können auch einen individuellen Workflow entwickeln, übernehmen damit jedoch deutlich mehr Verantwortung.

Viele Entwicklungsteams nutzen KI-Agenten-Builder und Orchestrierungs-Frameworks, um die Entwicklung zu beschleunigen. Dennoch müssen sie Sprachmodelle auswählen, den Workflow konzipieren, APIs anbinden, den Speicher verwalten, die Infrastruktur warten und das System während seiner Weiterentwicklung überwachen.

Dieses Maß an Kontrolle ist sinnvoll, wenn Ihr Unternehmen auf stark spezialisierte Prozesse angewiesen ist. Es erfordert jedoch auch Entwicklungszeit und kontinuierliche Wartung.

Alle Tutorial-Inhalte auf dieser Website unterliegen Hostingers strengen redaktionellen Standards und Normen.

Erstellt von

Vera P.

Add Hostinger as a preferred source on Google

Vera ist eine erfahrene Lokalisierungs-Spezialistin bei Hostinger und optimiert erfolgreich Inhalte für globale Zielgruppen. Dank ihres umfassenden SEO-Wissens sorgt sie dafür, dass Hostingers Webhosting-Dienste für ein breites Publikum sichtbar, zugänglich und attraktiv sind. Mit Kreativität und Präzision überwindet sie Sprachbarrieren in ihren Projekten und trägt so dazu bei, Hostingers Reichweite zu vergrößern und Kunden weltweit ein nahtloses Erlebnis zu bieten.

Mehr von Vera P.