Agentic Workflows: Autonome Prozesssteuerung mit KI

Agentic Workflows gelten als nächste Stufe der Prozessautomatisierung. Statt starrer «Wenn-Dann»-Regeln steuern KI-Agenten ganze Prozessketten weitgehend eigenständig — sie planen, entscheiden und passen sich an. Dieser Artikel erklärt, wie Agentic Workflows funktionieren und wie Schweizer Unternehmen davon profitieren.

Was sind Agentic Workflows?

Ein Agentic Workflow ist ein Geschäftsprozess, der von einem oder mehreren AI Agents weitgehend autonom gesteuert wird. Im Gegensatz zu traditionellen Workflows, die einem festen Ablauf folgen, können Agentic Workflows:

• Dynamisch reagieren: Der Ablauf ändert sich basierend auf Kontext und Ergebnissen
• Eigenständig entscheiden: Agents wählen den nächsten Schritt selbst, statt ihn vorgegeben zu bekommen
• Auf Fehler reagieren: Bei Problemen sucht der Agent einen alternativen Weg; führt auch der nicht zum Ziel, greift die Eskalation an einen Menschen
• Kontext wiederverwenden: Ergebnisse und Korrekturen liegen im Memory-Layer und stehen späteren Durchläufen zur Verfügung. Ein selbsttätiges Lernen der Modelle ist damit nicht gemeint

Regelbasiert vs. Agentic: Der Unterschied

Tabelle: Regelbasiert vs. Agentic: Der Unterschied

Aspekt	Regelbasierter Workflow	Agentic Workflow
Ablauf	Linear, vordefiniert	Dynamisch, kontextabhängig
Entscheidungen	If-Then-Regeln	KI-basiertes Reasoning
Ausnahmen	Eskalation an Mensch	Eigenständiger Lösungsversuch, Eskalation bei Unsicherheit
Anpassung	Regelwerk umprogrammieren	Anpassung über Prompt, Tools und Kontext
Komplexität	Durch das Regelwerk begrenzt	Höher, begrenzt durch Kontextfenster und Kosten
Kostentreiber	Entwicklung und Wartung	Zusätzlich Token- und Inferenzkosten je Durchlauf

Architektur von Agentic Workflows

Das Orchestrator-Pattern

Die gängigste Architektur folgt dem Orchestrator-Pattern:

1. Orchestrator-Agent: Empfängt die Aufgabe, plant den Ablauf und koordiniert Sub-Agents
2. Spezialisierte Sub-Agents: Führen spezifische Teilaufgaben aus (Recherche, Datenanalyse, Kommunikation)
3. Tool-Layer: APIs, Datenbanken und externe Services, die Agents nutzen können
4. Memory-Layer: Gemeinsamer Kontext und Wissensspeicher

Workflow-Phasen

Phase 1: Aufgabenanalyse
Der Orchestrator analysiert die eingehende Anfrage und zerlegt sie in Teilaufgaben.

Phase 2: Planung
Ein Plan wird erstellt: Welche Agents werden benötigt? In welcher Reihenfolge? Welche Abhängigkeiten bestehen?

Phase 3: Ausführung
Sub-Agents führen ihre Aufgaben parallel oder sequenziell aus. Ergebnisse fliessen zurück zum Orchestrator.

Phase 4: Evaluation
Der Orchestrator prüft die Ergebnisse: Sind die Qualitätskriterien erfüllt? Sind weitere Schritte nötig?

Phase 5: Abschluss oder Iteration
Bei zufriedenstellenden Ergebnissen wird der Workflow abgeschlossen. Andernfalls beginnt eine neue Iteration.

Tools für Agentic Workflows

LangChain / LangGraph

LangGraph modelliert Agent-Workflows als Graphen: Nodes enthalten die Logik, Edges bestimmen den nächsten Schritt, und ein gemeinsamer State reicht Daten weiter. Anders als ein rein linearer Ablauf lässt die Struktur ausdrücklich Schleifen zu. Geeignet für:

• Mehrstufige Reasoning-Ketten
• Bedingte Verzweigungen basierend auf Agent-Output (add_conditional_edges)
• Anbindung an Tools und APIs über die LangChain-Integrationen

CrewAI

CrewAI organisiert Agenten als «Crew», also als Team mit verteilten Rollen, und positioniert sich als Build- und Runtime-Umgebung für Unternehmen:

• Rollen-basierte Agent-Definition
• Aufgabenverteilung innerhalb der Crew
• Governance- und Verwaltungsfunktionen für Plattformteams

n8n mit AI Nodes

n8n bietet eine visuelle Umgebung für Agentic Workflows:

• AI-Agent-Node: Chat-Modell und mindestens ein Tool anschliessen, der Agent entscheidet, welches Tool er für die Aufgabe aufruft
• Kombination aus regelbasierten und agentischen Schritten
• Self-Hosting möglich: Die Verarbeitung bleibt auf eigener Infrastruktur. Das schafft die Voraussetzung für eine DSG-konforme Lösung, ersetzt sie aber nicht — Bearbeitungsverzeichnis, Informationspflicht, Betroffenenrechte und Datensicherheit bleiben Sache des Unternehmens

Make AI Automation

Make integriert zunehmend AI-Fähigkeiten:

• AI-Module für Textverarbeitung und Entscheidungen
• Kombination mit über 3'000 Integrations-Apps
• Visuelle Workflow-Erstellung

Quellen zu den Toolangaben: LangGraph — Graph API («By composing Nodes and Edges, you can create complex, looping workflows that evolve the state over time.»), CrewAI, n8n Docs — AI Agent node («Connect a chat model and one or more tools, and the agent decides which tools to call to complete a task.») und Make — Integrationen («3,000+ Integration Apps») — abgerufen am 24. August 2026.

Beispielszenarien für Schweizer KMU

Die folgenden drei Beispiele sind illustrative Szenarien. Sie zeigen, wie sich ein Agentic Workflow schneiden lässt — sie beschreiben keine Kundenprojekte, und die genannten Zahlen sind Annahmen, keine gemessenen Werte.

Beispiel 1: Automatisierte Angebotserstellung

Szenario (illustrativ): Ein IT-Dienstleister erhält rund 30 Anfragen pro Woche.

Agentic Workflow:

1. E-Mail-Agent liest Kundenanfrage und extrahiert Anforderungen
2. Recherche-Agent prüft CRM auf bestehende Kundenbeziehung
3. Pricing-Agent kalkuliert Angebot basierend auf Anforderungen und Preisliste (CHF)
4. Content-Agent erstellt personalisiertes Angebot als PDF
5. Quality-Agent prüft auf Vollständigkeit und Konsistenz
6. Delivery-Agent sendet Angebot per E-Mail mit personalisierter Nachricht

Modellrechnung: Angenommen, die Bearbeitung sinkt von 45 auf 5 Minuten je Anfrage. Das sind 40 gesparte Minuten je Anfrage; bei 30 Anfragen pro Woche zusammen 20 Stunden pro Woche. Auf 46 Arbeitswochen gerechnet ergibt das 920 Stunden im Jahr; bewertet mit einem Vollkostensatz von CHF 50 pro Stunde entspricht das rund CHF 46'000. Der Stundensatz ist derselbe wie in unseren übrigen Modellrechnungen und hängt an einem belegten Anker: Das Bundesamt für Statistik weist für 2024 einen Medianlohn von 7'024 Franken brutto pro Monat für eine Vollzeitstelle aus — rund CHF 84'000 im Jahr, mit angenommenen 15 Prozent Arbeitgeberbeiträgen rund CHF 97'000 Vollkosten, verteilt auf rund 1'900 Jahresstunden also rund CHF 51, angesetzt CHF 50. Belegt ist der Medianlohn; Aufschläge und Jahresstunden sind unsere Annahme. Zeitersparnis, Anfragevolumen und Zahl der Arbeitswochen sind ebenfalls Annahmen zur Veranschaulichung. Setzen Sie Ihre eigenen Werte ein, bevor Sie damit rechnen.

Beispiel 2: Intelligentes Recruiting

Szenario (illustrativ): Ein Pharmaunternehmen sucht spezialisierte Fachkräfte.

Agentic Workflow:

1. Screening-Agent analysiert eingehende Bewerbungen
2. Matching-Agent vergleicht Qualifikationen mit Anforderungsprofil
3. Communication-Agent sendet personalisierte Rückmeldungen
4. Scheduling-Agent koordiniert Interviews
5. Assessment-Agent bereitet Interview-Leitfäden vor

Wirkung: Zwischen Screening, Rückmeldung und Terminkoordination entfallen die Liegezeiten — Bewerbende hören am selben Tag von einem Zwischenstand. Um wie viel sich die Time-to-Hire dadurch verkürzt, hängt von Fachgebiet, Bewerbervolumen und der Verfügbarkeit der Fachbeurteilenden ab; belastbare, veröffentlichte Zahlen liegen uns dazu nicht vor.

Beispiel 3: Compliance-Monitoring

Szenario (illustrativ): Ein Finanzdienstleister muss regulatorische Änderungen überwachen.

Agentic Workflow:

1. Monitor-Agent überwacht FINMA, EDÖB und EU-Quellen
2. Analysis-Agent bewertet Relevanz für das Unternehmen
3. Impact-Agent identifiziert betroffene Prozesse und Systeme
4. Report-Agent erstellt Compliance-Bericht für die Geschäftsleitung
5. Action-Agent erstellt Massnahmenplan und Aufgaben

Wirkung: Neue Publikationen werden laufend gesichtet statt im Prüfzyklus, und der Abgleich mit den eigenen Prozessen liegt vor, wenn die Fachstelle daraufschaut. Wie viel Zeit das bis zur Entscheidung spart, hängt vom bisherigen Prüfrhythmus ab; belastbare Zahlen liegen uns dazu nicht vor.

Herausforderungen und Lösungen

Controllability

Problem: Wie stellt man sicher, dass Agents innerhalb definierter Grenzen handeln?

Lösung:

• Klare Guardrails und Handlungsgrenzen definieren
• Approval-Steps für kritische Entscheidungen einbauen
• Automatische Eskalation bei Unsicherheit

Wie ein Approval-Step konkret aussieht: In n8n bieten App-Knoten die Operation «Send and Wait for Response» — der Ablauf hält an, bis die zuständige Person geantwortet hat, und sie tut das im Kanal, in dem sie ohnehin arbeitet. Die Slack-Dokumentation beschreibt die Operation als «Send a message and wait for a response from the recipient before continuing. Approvers can also respond directly inside Slack.» Der generische Wait-Knoten deckt daneben Fortsetzung nach Zeitintervall, zu einem festen Zeitpunkt, bei Webhook-Aufruf oder bei Formular-Absendung ab — der Weg, wenn die Freigabe über ein System ohne fertigen Knoten läuft.

Vertiefen Sie Ihr Wissen:

• AI Agent Plattformen im Überblick
• Multi-Agent-Systeme
• RAG für Unternehmen
• AI Automation Fallbeispiele Schweiz
• AI Agents vs Chatbots im Vergleich
• LangChain vs CrewAI im Vergleich
• Computer Use und Browser Automation

Praktisch heisst Controllability damit weniger «den Agent einschränken» als «entscheiden, welche Tools er ohne Rückfrage benutzen darf». Ein Agent mit Lesezugriff auf alles und Schreibzugriff auf wenig ist beherrschbar; einer mit Schreibzugriff auf alles ist es auch mit dem besten Prompt nicht.

Quellen: n8n Docs — Slack node und n8n Docs — Wait node — abgerufen am 24. August 2026.

Debugging und Monitoring

Problem: Agentic Workflows sind schwerer zu debuggen als regelbasierte Workflows.

Lösung:

• Umfangreiches Logging aller Agent-Entscheidungen
• Trace-Visualisierung (LangSmith, Helicone)
• Automatische Anomalie-Erkennung

Doppelte Wirkung durch eigenständige Wiederholung

Problem: Ein Agent, der bei einem Fehler «eigenständig einen alternativen Weg sucht», ist im Kern ein Wiederholungsmechanismus — nur hat ihn niemand als solchen konfiguriert und niemand kennt seine Versuchszahl im Voraus. Bleibt eine Bestätigung im Timeout hängen, hält der Agent den Schritt für misslungen und versucht ihn erneut. War die Rechnung bereits gebucht, die Mail bereits raus, der CRM-Eintrag bereits angelegt, entsteht das Ganze ein zweites Mal.

Bei regelbasierten Workflows ist dieses Risiko auf die Schritte begrenzt, an denen ein Retry konfiguriert wurde. Bei Agentic Workflows betrifft es jeden Schritt, den der Agent selbst auslösen darf.

Lösung:

• Jeden verändernden Tool-Aufruf idempotent auslegen: stabiler Schlüssel je Vorgang, Prüfung vor der Ausführung. Das Muster ist ausführlich beschrieben unter Pattern 7 der Workflow Design Patterns
• Den Schlüssel aus den Fachdaten bilden — Rechnungsnummer, Bestell-ID — und nicht aus Zeitstempel oder Lauf-ID, die sich beim Wiederholungsversuch ändern
• Unumkehrbare Aktionen dem Agent gar nicht erst als freies Tool geben, sondern hinter einen Approval-Step legen

Kostenkontrolle

Problem: LLM-API-Kosten können bei hohem Volumen steigen.

Lösung:

• Kleinere Modelle für einfache Aufgaben — Google beschreibt Gemini 3.5 Flash-Lite als das schnellste und kostengünstigste Modell der 3.5-Familie für hohen Durchsatz
• Caching häufiger Anfragen
• Budget-Limits pro Workflow

Quelle: Google — Gemini API: Models — abgerufen am 24. August 2026.

Regulatorische Einordnung: wann ein Agentic Workflow zum Hochrisiko-System wird

Ein Agentic Workflow ist rechtlich nichts Eigenes. Massgeblich ist, was er steuert. Eines der drei Beispielszenarien oben landet dabei in einem sensiblen Bereich: Ein Screening-Agent, der Bewerbungen vorsortiert, betrifft den Zugang zur Beschäftigung — einen der Anwendungsfälle, die der EU AI Act in Anhang III als Hochrisiko einstuft. Die beiden anderen Szenarien — die automatisierte Angebotserstellung und das Compliance-Monitoring — fallen unter keinen der Anwendungsfälle von Anhang III (dort aufgeführt sind Biometrie, kritische Infrastruktur, Bildung, Beschäftigung, Zugang zu wesentlichen Diensten einschliesslich Kreditwürdigkeit, Strafverfolgung, Migration und Justiz). Dieselbe Bauweise, unterschiedliche Rechtsfolge.

Für Schweizer Unternehmen ist das relevant, sobald sie auf dem EU-Markt tätig sind oder EU-Bürgerinnen und -Bürger als Betroffene haben. Der zeitliche Rahmen hat sich im Sommer 2026 verschoben: Die Verordnung (EU) 2026/1744 («Digital Omnibus», in Kraft seit 27. Juli 2026) hat die Anwendung der Hochrisiko-Pflichten auf den 2. Dezember 2027 für eigenständige Systeme nach Anhang III und auf den 2. August 2028 für KI in bereits regulierten Produkten verschoben. Von dieser Verschiebung nicht pauschal erfasst sind die Transparenzpflichten nach Art. 50. Die KI-Kompetenzpflicht nach Art. 4 bleibt bestehen, wurde aber abgeschwächt: Aus dem Sicherstellen der KI-Kompetenz wurde ein Fördern. Anbieter und Betreiber müssen Massnahmen ergreifen, um die Entwicklung der KI-Kompetenz ihres Personals zu unterstützen; ein bestimmtes Kompetenzniveau für eine einzelne Person muss dabei ausdrücklich nicht garantiert werden. Das ist eine Aussage über den Umfang der Pflicht, nicht über das erreichte Können im Betrieb.

Quelle zur Rechtslage: Verordnung (EU) 2026/1744 des Europäischen Parlaments und des Rates vom 8. Juli 2026 zur Änderung der Verordnungen (EU) 2024/1689, (EU) 2018/1139 und (EU) 2023/1230 im Hinblick auf die Vereinfachung der Umsetzung harmonisierter Vorschriften für künstliche Intelligenz (Digital-Omnibus-Verordnung zur KI), veröffentlicht im Amtsblatt am 24. Juli 2026, in Kraft seit dem 27. Juli 2026 — abgerufen am 24. August 2026. Sie ändert die KI-Verordnung (EU) 2024/1689. Unverändert geblieben sind Art. 5 (verbotene Praktiken, anwendbar seit 2. Februar 2025), die Pflichten für KI-Modelle mit allgemeinem Verwendungszweck (seit 2. August 2025) und Art. 50 (Transparenz, seit 2. August 2026).

Was daraus folgt: mehr Vorbereitungszeit, nicht weniger Pflichten. Wer heute einen Agenten auf einen Personal-, Kredit- oder Zugangsprozess ansetzt, baut ein System, das absehbar unter Dokumentations-, Aufsichts- und Protokollierungspflichten fällt. Die Logging-Anforderungen aus dem Abschnitt «Debugging und Monitoring» oben decken einen Teil davon bereits ab — es lohnt sich, sie von Anfang an so auszulegen, dass sie auch als Nachweis taugen. Die Einordnung im Detail steht unter AI Ethics und verantwortungsvolle AI Automation; die Datenschutzseite unter DSG-Konformität.

Best Practices für den Einstieg

1. Starten Sie mit einem klar definierten Prozess: Wählen Sie einen Prozess mit hohem Automatisierungspotenzial und klaren Erfolgskriterien
2. Human-in-the-Loop beibehalten: Besonders in der Anfangsphase sollten kritische Entscheidungen von Menschen bestätigt werden
3. Iterativ vorgehen: Starten Sie mit einfachen Agents und erweitern Sie schrittweise
4. Monitoring von Tag 1: Implementieren Sie umfangreiches Logging und Monitoring
5. Datenschutz beachten: Stellen Sie sicher, dass der Workflow DSG-konform ist
6. Verändernde Tools idempotent auslegen: Bevor ein Agent buchen, senden oder anlegen darf, muss der Aufruf einen zweiten Versuch schadlos überstehen — siehe Workflow Design Patterns, Pattern 7
7. Mit einem regelbasierten Gerüst beginnen: Bauen Sie den Ablauf zuerst als klassischen Workflow — die Workflow Templates zeigen typische Schnitte — und ersetzen Sie erst dann die Stellen durch Agenten, an denen die feste Regel tatsächlich nicht ausreicht

Häufig gestellte Fragen

Wann sollte ich Agentic Workflows statt regelbasierter Automation verwenden?

Agentic Workflows eignen sich besonders, wenn Prozesse komplex sind, häufige Ausnahmen auftreten oder natürlichsprachige Eingaben verarbeitet werden müssen. Für einfache, hochstrukturierte Prozesse ist regelbasierte Automation oft ausreichend und kostengünstiger.

Wie hoch sind die Kosten für Agentic Workflows?

Für die Entwicklung rechnen wir mit CHF 15'000 bis CHF 80'000. Die laufenden Kosten hängen stark vom Volumen ab — rechnen Sie mit CHF 500 bis CHF 3'000 pro Monat für LLM-APIs und Infrastruktur. Beides sind Richtwerte aus eigener Einschätzung, keine erhobenen Marktdaten.

Was passiert, wenn ein Agent denselben Schritt zweimal ausführt?

Genau das, was der Schritt tut — ein zweites Mal. Weil ein Agent bei ausbleibender Antwort selbstständig einen weiteren Anlauf nimmt, ist Mehrfachausführung bei Agentic Workflows der Normalfall und nicht der Ausnahmefall. Jeder Tool-Aufruf, der etwas Unumkehrbares auslöst, braucht deshalb einen Schlüssel je Vorgang und eine Prüfung, ob dieser Schlüssel schon abgearbeitet wurde. Der Test dafür ist simpel: denselben Auslöser zweimal absetzen und nachsehen, ob zwei Datensätze entstehen.

Können bestehende Make oder n8n Workflows zu Agentic Workflows erweitert werden?

Ja. Beide Plattformen bieten zunehmend AI-Agent-Fähigkeiten. Sie können bestehende regelbasierte Workflows schrittweise um agentische Komponenten erweitern — ein pragmatischer Ansatz für den Einstieg.

---

Quellen

1. Quellen zu den Toolangaben: LangGraph — Graph API («By composing `Nodes` and `Edges`, you can create complex, looping workflows that evolve the state over time.»), CrewAI, n8n Docs — AI Agent node («Connect a chat model and one or more tools, and the agent decides which tools to call to complete a task.») und Make — Integrationen («3,000+ Integration Apps») — abgerufen am 24. August 2026.
2. n8n Docs — Slack node und n8n Docs — Wait node — abgerufen am 24. August 2026.
3. Google — Gemini API: Models — abgerufen am 24. August 2026.
4. Quelle zur Rechtslage: Verordnung (EU) 2026/1744 des Europäischen Parlaments und des Rates vom 8. Juli 2026 zur Änderung der Verordnungen (EU) 2024/1689, (EU) 2018/1139 und (EU) 2023/1230 im Hinblick auf die Vereinfachung der Umsetzung harmonisierter Vorschriften für künstliche Intelligenz (Digital-Omnibus-Verordnung zur KI), veröffentlicht im Amtsblatt am 24. Juli 2026, in Kraft seit dem 27. Juli 2026 — abgerufen am 24. August 2026. Sie ändert die KI-Verordnung (EU) 2024/1689. Unverändert geblieben sind Art. 5 (verbotene Praktiken, anwendbar seit 2. Februar 2025), die Pflichten für KI-Modelle mit allgemeinem Verwendungszweck (seit 2. August 2025) und Art. 50 (Transparenz, seit 2. August 2026).