Agent oder Workflow? Wann welcher KI-Ansatz sinnvoll ist

Kaum ein Begriff wird in der KI-Welt so inflationär verwendet wie "Agent". E-Mail-Agents, Marketing-Agents, Social-Media-Agents - fast jedes neue KI-Produkt schmückt sich damit. Doch die meisten dieser vermeintlichen Agents sind in Wahrheit gut aufgebaute Workflows. Im AI Cast Podcast habe ich mit Chris Beyeler von BEYONDER über den Unterschied gesprochen und erklärt, wann welcher Ansatz die richtige Wahl ist.

Was ist der Unterschied zwischen Agent und Workflow?

Die Begriffe werden oft vermischt, deshalb lohnt sich eine klare Abgrenzung. Ich orientiere mich an der Definition von Anthropic, den Entwicklern hinter Claude. ¹

Ein Workflow ist ein vordefinierter Ablauf mit festen Schritten. Du bestimmst vorab, welcher Input wie verarbeitet wird und was als Output herauskommt. Die Reihenfolge steht fest, die Entscheidungen triffst du.

Ein Agent hingegen ist ein System, das autonom Entscheidungen trifft. Du gibst ihm ein Ziel und eine Auswahl an Werkzeugen (Tools). Der Agent entscheidet selbst, welche Tools er wann und in welcher Reihenfolge einsetzt.

Der entscheidende Unterschied: Beim Workflow triffst du alle Entscheidungen im Voraus. Beim Agent überlässt du die Entscheidungen dem System.

Warum "Agent" oft nur ein Marketing-Begriff ist

"Agent" klingt nach einem digitalen Mitarbeiter, der eigenständig Aufgaben erledigt. Das verkauft sich gut. In der Realität sind die meisten Produkte, die als Agent vermarktet werden, Workflows mit einem LLM (Large Language Model) als Baustein.

Ein Beispiel: Ein sogenannter E-Mail-Agent empfängt eine E-Mail, das LLM kategorisiert sie (Rechnung, FAQ, Neukundenanfrage) und basierend auf der Kategorie wird ein vordefinierter Prozess ausgelöst. Das ist kein Agent, der autonom entscheidet. Das ist ein Workflow, in dem das LLM einen Klassifizierungsschritt übernimmt.

Trotzdem wird es als "Agent" verkauft, weil der Begriff suggeriert, dass man einen cleveren Assistenten hat. In Wahrheit hat man einen gut konfigurierten Ablauf. Das ist nicht schlecht, im Gegenteil. Aber man sollte wissen, was man tatsächlich bekommt.

Wann ein Workflow die bessere Wahl ist

In den meisten Fällen. Workflows bieten entscheidende Vorteile gegenüber Agents.

Vorhersehbarkeit und Zuverlässigkeit

Bei einem Workflow weisst du genau, was passiert. Du definierst die Schritte, du kontrollierst den Output. Schon allein dadurch, dass nicht ein Agent entscheidet, sondern du die Entscheidungen im Voraus triffst, hast du eine deutlich höhere Vorhersehbarkeit bei der Qualität des Ergebnisses.

Beispiel: Podcast-Verwertung

Chris nutzt die Schweizerdeutsch Übersetzer App bei der Verwertung seiner Podcast-Episoden. Der Ablauf: Audio hochladen, transkribieren lassen, daraus einen Blogartikel generieren, SEO-Metadaten erstellen, Social-Media-Snippets ableiten. Klingt erst mal nach einem Agent-Use-Case, ist aber ein klassischer Workflow. Jeder Schritt ist vordefiniert, die Reihenfolge steht fest.

Beispiel: Sitzungsprotokoll

Auch bei der Protokollfunktion der Schweizerdeutsch Übersetzer App gilt: Du weisst vorab, was ein Protokoll braucht. Themen, Entscheidungen, offene Punkte, Zuständigkeiten, Termine. Warum sollte ein Agent das erst herausfinden müssen, wenn du die Struktur bereits kennst? Ein Workflow kann das direkt abbilden und liefert dadurch konsistentere Ergebnisse.

Klassisch programmieren, wo es geht

Eine wichtige Grundregel bei Workflows: Alles, was sich klassisch programmieren lässt, sollte klassisch programmiert werden. LLMs eignen sich hervorragend für unstrukturierte Daten, also Text, Audio oder Bilder. Aber für eine mathematische Berechnung brauchst du kein LLM. Klassischer Code ist schneller, günstiger und liefert garantiert immer das gleiche Ergebnis.

Das LLM wird im Workflow gezielt dort eingesetzt, wo es seine Stärke hat: bei der Verarbeitung von natürlicher Sprache. Den Rest übernimmt klassische Programmierung.

Wann ein Agent sinnvoll ist

Es gibt durchaus Szenarien, in denen Agents die bessere Wahl sind.

Hohe Varianz beim Input

Wenn du nicht vorhersagen kannst, was als Eingabe kommt, sind Agents im Vorteil. Ein gutes Beispiel ist Deep Research von ChatGPT oder Gemini. Die Frage kann sich auf jedes erdenkliche Thema beziehen. Das System muss selbst entscheiden, welche Quellen es anzapft: Wikipedia, Nachrichtenportale, wissenschaftliche Paper oder Wetterdaten. Ein Workflow könnte das nicht abbilden, weil die Schritte nicht vorhersehbar sind.

Fallback im Workflow

Ein sinnvoller Einsatz ist auch die Kombination: Ein Workflow verarbeitet die Standardfälle, und wenn das LLM bei der Klassifizierung sagt "Ich weiss es nicht", übernimmt ein Agent. Der Agent hat Zugriff auf verschiedene Tools, etwa die Unternehmenswebsite oder interne Dokumente, und entscheidet selbst, wo er die fehlende Information holt. So kombinierst du die Zuverlässigkeit eines Workflows mit der Flexibilität eines Agents.

KI-gestütztes Programmieren

Auch die KI-gestützte Softwareentwicklung ist ein Agent-Szenario. Tools wie Cursor AI arbeiten mit einem Agenten, der autonom entscheidet, welche Dateien er lesen, welche Änderungen er vornehmen und welche Befehle er ausführen muss, um eine Aufgabe zu lösen. Der Input ist variabel (jede Aufgabe ist anders), und der Agent braucht Zugriff auf verschiedene Werkzeuge: Dateisystem, Terminal, Websuche. Genau die Art von Flexibilität, die ein Workflow nicht abbilden kann.

Werden Agents irgendwann alle Workflows ablösen?

Rein theoretisch wäre es aus meiner Sicht durchaus vorstellbar. Dafür müssten allerdings zwei Bedingungen erfüllt sein: LLMs müssten so gut werden, dass ihre Ergebnisse konstant und zuverlässig in hoher Qualität ausfallen. Und alle relevanten Systeme und Datenbanken bräuchten eine offene, durch KI-Agenten nutzbare Schnittstelle (sogenannte MCPs ²), damit Agents eigenständig Daten abrufen, Buchungen vornehmen oder Inhalte veröffentlichen können.

Bis wir an diesem Punkt sind, ergänzen sich die beiden Ansätze. Workflows übernehmen dort, wo du die Schritte kennst und Verlässlichkeit zählt. Agents kommen zum Einsatz, wo die Flexibilität eines autonomen Systems den Unterschied macht. In der Praxis wirst du oft beides kombinieren: einen Workflow als stabiles Rückgrat, mit einem Agent an den Stellen, wo Varianz und Entscheidungsspielraum gefragt sind.

Ob wir den Punkt erreicht haben, an dem Agents wirklich alles übernehmen können, lässt sich mit einer einfachen Frage prüfen. Chris hat sie im Podcast gestellt: Würdest du einem KI-Agent deine Kreditkarte anvertrauen und sagen "Buch mir die Ferien"? Das würdest du vermutlich nicht einmal einem Menschen ohne klare Rahmenbedingungen zutrauen, geschweige denn einer KI. Wenn du diese Frage irgendwann ohne Vorbehalt mit Ja beantworten kannst, sind wir möglicherweise an dem Punkt angelangt, wo Agents soweit sind und Workflows nur noch als Randerscheinung auftreten.

Fazit

Die meisten KI-Produkte, die als "Agent" verkauft werden, sind zum jetzigen Zeitpunkt eigentlich nur Workflows. Und das ist völlig in Ordnung. Workflows sind vorhersehbar, zuverlässig und in der Regel die bessere Wahl für wiederkehrende Aufgaben mit bekannter Struktur.

Echte Agents haben ihre Berechtigung bei hoher Input-Varianz und unvorhersehbaren Abläufen. Doch die Infrastruktur für eine flächendeckende Nutzung ist noch im Aufbau - wenn auch mit rasender Geschwindigkeit.

Lass dich nicht vom Marketing blenden. Überlege dir, ob du die Schritte vorab definieren kannst. Wenn ja, bau einen Workflow. Wenn nein, könnte ein Agent der richtige Ansatz sein.

Quellenverzeichnis

1. Building effective agents. Anthropic. Abgerufen am 17.03.2026. ↩

2. Model Context Protocol. Anthropic. Abgerufen am 17.03.2026. ↩