KI-Agent oder klassische Automatisierung? Entscheidungshilfe für Unternehmen

Drei Lösungstypen statt nur zwei Schlagwörter

Klassische Automatisierung folgt einem vorgegebenen Ablauf: Wenn eine Bedingung erfüllt ist, wird ein definierter Schritt ausgeführt. Die Regeln können umfangreich sein, doch der Ausführungspfad wird im Wesentlichen vorab festgelegt. Das eignet sich beispielsweise für Pflichtfeldprüfungen, feste Freigabeschritte oder die Übertragung strukturierter Daten zwischen Systemen.

Dazwischen liegt ein KI-gestützter Workflow. Ein Sprachmodell kann etwa eine Anfrage zusammenfassen oder einer Kategorie zuordnen; die Anwendung bestimmt jedoch, wann das Modell aufgerufen wird und welcher Schritt danach folgt. Ein einzelner Chatbot, eine Klassifikation oder ein Textentwurf ist deshalb noch kein Agent.

Bei einem KI-Agenten steuert ein Modell Teile der Ausführung selbst: Es bewertet den Zwischenstand, wählt zugelassene Werkzeuge, entscheidet über den nächsten Schritt und erkennt im Idealfall, wann es fertig ist oder an einen Menschen übergeben muss. Diese Flexibilität erweitert die Möglichkeiten, erhöht aber auch den Prüf- und Betriebsaufwand.

Quellen zu diesem Abschnitt: OpenAI: Definition und Merkmale von Agenten

Schnellvergleich: Welche Lösung passt zur Aufgabe?

Die folgende Tabelle ist eine eigene Entscheidungshilfe. Sie ersetzt keinen technischen Entwurf, macht aber sichtbar, welche Eigenschaft einer Aufgabe für welche Architektur spricht. Wenn mehrere Zeilen widersprüchliche Signale liefern, ist eine hybride Lösung meist prüfenswerter als ein vollautonomer Agent.

Wann klassische Automatisierung die bessere Wahl ist

Wählen Sie zuerst einen deterministischen Ablauf, wenn Eingaben, Regeln und Ausnahmen stabil genug beschrieben werden können. Das gilt besonders für verbindliche Berechnungen, technische Validierungen, Berechtigungsprüfungen und Aktionen, bei denen dieselbe Eingabe zuverlässig zum selben Ergebnis führen soll.

Auch ein KI-Baustein macht noch keinen Agenten. Wenn ein Modell nur Text aus einem Dokument extrahiert, einen Entwurf erstellt oder eine Kategorie vorschlägt und die Anwendung danach einem festen Pfad folgt, bleibt die Gesamtarchitektur ein Workflow. Das kann genau richtig sein: weniger Freiheitsgrade bedeuten meist einfachere Tests, besser erklärbare Fehler und kalkulierbarere Laufzeiten.

Anthropic empfiehlt, mit der einfachsten tragfähigen Lösung zu beginnen und Komplexität nur bei Bedarf zu erhöhen. Für gut definierte Aufgaben bieten Workflows demnach Vorhersagbarkeit und Konsistenz; Agenten tauschen häufig zusätzliche Kosten und Latenz gegen mehr Flexibilität ein.

Quellen zu diesem Abschnitt: Anthropic: Wann Workflows oder Agenten passen

Wann ein KI-Agent einen echten Vorteil bieten kann

Ein Agent wird interessant, wenn der Lösungsweg nicht sinnvoll als vollständiger Entscheidungsbaum gepflegt werden kann. Typische Signale sind wechselnde Dokumente, mehrere mögliche Informationsquellen, Rückfragen bei fehlenden Angaben und eine Werkzeugauswahl, die vom Inhalt des einzelnen Falls abhängt.

OpenAI nennt komplexe Entscheidungen, unstrukturierte Daten und brüchige regelbasierte Systeme als geeignete Ausgangspunkte. Entscheidend ist jedoch nicht die bloße Komplexität. Die Aufgabe braucht ein klar beschriebenes Ziel, zugelassene Werkzeuge und erkennbare Grenzen. Ohne diese Vorgaben erhält der Agent mehr Freiheit, aber keine belastbare Verantwortung.

Ein brauchbarer Agentenfall lässt sich außerdem beobachten: Das Team kann nachvollziehen, welche Quellen und Werkzeuge verwendet wurden, welches Ergebnis tatsächlich im Zielsystem entstand und wann eine Übergabe erforderlich war. Fehlt ein überprüfbares Ergebnis, lässt sich auch eine beeindruckende Demonstration kaum verlässlich bewerten.

Quellen zu diesem Abschnitt: OpenAI: Geeignete Anwendungsfälle für Agenten · Anthropic: Aufgaben, Feedback und menschliche Aufsicht

Warum die beste Antwort oft hybrid lautet

Zwischen vollständig festem Ablauf und weitgehend selbst gesteuertem Agenten liegt ein großer Gestaltungsraum. Ein Modell kann eine unstrukturierte Anfrage interpretieren, während Code Pflichtfelder prüft, Berechtigungen durchsetzt und nur erlaubte Aktionen ausführt. Ein Agent kann Informationen recherchieren und einen nächsten Schritt vorschlagen, während ein Mensch eine verbindliche Zusage freigibt.

Teilen Sie die Aufgabe entlang ihrer Eigenschaften: Wo ist sprachliche Interpretation nötig? Wo muss ein Wert exakt berechnet werden? Welche Aktion ist reversibel? Welche Entscheidung braucht eine Freigabe? So wird nicht der gesamte Prozess agentisch, nur weil ein einzelner Schritt flexibel sein muss.

Diese Aufteilung erleichtert auch den späteren Ausbau. Ein zunächst vorgeschlagener Schritt kann erst dann automatisiert werden, wenn Testfälle, Fehlermuster und Verantwortlichkeiten ausreichend verstanden sind. Autonomie wird damit zu einer überprüfbaren Designentscheidung statt zu einem Alles-oder-nichts-Versprechen.

Fiktives Beispiel: Serviceanfragen vorsortieren und bearbeiten

Das folgende Unternehmen, seine Prozesse und alle beschriebenen Entscheidungen sind vollständig fiktiv. Es handelt sich nicht um ein Kundenprojekt oder gemessene BonusAI-Ergebnisse. Ein Hersteller erhält Serviceanfragen per E-Mail. Manche enthalten Seriennummer, Standort und Fehlercode; andere bestehen aus Fotos, freiem Text und unvollständigen Angaben.

Eine klassische Automatisierung kann Anhänge speichern, vorhandene Pflichtfelder prüfen und vollständig ausgefüllte Anfragen anhand einer festen Standorttabelle einer Warteschlange zuweisen. Ein KI-gestützter Workflow kann zusätzlich den freien Text zusammenfassen und eine Kategorie vorschlagen. Beide Varianten folgen danach einem vorgegebenen Pfad.

Ein begrenzter Agent wäre erst dann zu prüfen, wenn das System abhängig vom Fall verschiedene zugelassene Handbücher durchsuchen, den Anlagenstatus aus einem System abrufen, fehlende Angaben gezielt erfragen und daraus einen begründeten nächsten Schritt vorschlagen soll. Ersatzteilbestellungen oder verbindliche Terminzusagen bleiben im Beispiel gesperrt, bis eine verantwortliche Person sie freigibt.

Andere Daten, Systeme, Risiken oder Freigaberegeln können zu einer anderen Architektur führen. Das Beispiel zeigt die Abgrenzungsmethode, nicht eine allgemeingültige Lösung für Serviceprozesse.

Vorlage: Den Pilotversuch vor dem Bau beschreiben

Nutzen Sie für jeden Kandidaten einen kurzen Pilotsteckbrief. Er zwingt das Team, nicht nur über Funktionen, sondern auch über Grenzen und Belege zu sprechen. Die Felder lassen sich in ein gemeinsames Arbeitsdokument übernehmen.

Planen Sie unterschiedliche Schwierigkeitsgrade und wiederholen Sie wichtige Fälle. Agentenausgaben können trotz gleicher Ausgangslage variieren. Anthropic empfiehlt deshalb, nicht nur die abschließende Antwort zu betrachten, sondern auch Werkzeugaufrufe, Verlauf und tatsächlichen Endzustand. Ein Agent kann beispielsweise behaupten, einen Eintrag angelegt zu haben; entscheidend ist, ob der Eintrag im Zielsystem korrekt vorhanden ist.

Quellen zu diesem Abschnitt: Anthropic: Evaluationen für KI-Agenten

Welche Aufwände vor der Entscheidung sichtbar werden sollten

Vergleichen Sie nicht nur die erste Entwicklung. Relevant sind auch Schnittstellen, Datenaufbereitung, Berechtigungen, Modell- und Infrastrukturkosten, Laufzeit, Tests, Monitoring, Fehleranalyse und die Pflege von Regeln oder Anweisungen. Bei agentischen Abläufen kommen häufig mehr mögliche Pfade und Systemzustände hinzu.

Erfassen Sie ebenso die Folgen eines Fehlers. Ein interner Entwurf, der vor Verwendung geprüft wird, braucht andere Grenzen als eine externe Nachricht oder eine Änderung im ERP-System. Reversible Aktionen lassen sich anders behandeln als Zahlungen, Löschungen oder verbindliche Zusagen.

Das NIST AI Risk Management Framework empfiehlt, Vertrauenswürdigkeit und Risiken über Entwicklung, Einsatz und Bewertung hinweg zu betrachten. Für die Architekturwahl bedeutet das: Nutzen, technische Machbarkeit und Risikobehandlung gehören in dieselbe Entscheidung, nicht in getrennte Nachträge.

Quellen zu diesem Abschnitt: NIST: AI Risk Management Framework

Der hilfreiche nächste Schritt: einen Ablauf zerlegen

Wählen Sie einen wiederkehrenden Ablauf und markieren Sie seine einzelnen Entscheidungen. Trennen Sie feste Regeln, sprachliche Interpretation, Werkzeugzugriffe und verbindliche Aktionen. Prüfen Sie anschließend für jeden Schritt, ob ein deterministischer Mechanismus genügt, ein einzelner KI-Aufruf hilft oder ein Agent tatsächlich einen variablen Weg steuern muss.

Beginnen Sie nicht mit der Frage, welches Agenten-Framework eingesetzt werden soll. Beginnen Sie mit Zielzustand, Testfällen und Verantwortung. Der Leitfaden zu KI-Use-Cases und Priorisierung liefert dafür einen ergänzenden Steckbrief. In einem KI-Agenten-Workshop kann BonusAI die Unterschiede anhand konkreter Aufgaben Ihres Teams verständlich und praktisch erarbeiten.

• Einen konkreten Prozessschritt statt eines ganzen Bereichs auswählen
• Heutigen Ablauf, Ausnahmen und verantwortliche Personen sichtbar machen
• Einfachste tragfähige Architektur als Ausgangspunkt formulieren
• Realistische Testfälle einschließlich fehlender und widersprüchlicher Angaben sammeln
• Erfolg, Stoppbedingungen und menschliche Übergaben vor dem Pilot festlegen