Agentic Workflows: Autonome Prozesssteuerung mit KI

Agentic Workflows repräsentieren die nächste Stufe der Prozessautomatisierung. Statt starrer "Wenn-Dann"-Regeln steuern KI-Agenten komplette Geschäftsprozesse 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 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 optimalen nächsten Schritt
• Fehler selbst beheben: Bei Problemen werden alternative Wege gesucht
• Kontinuierlich lernen: Prozesse verbessern sich über die Zeit

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	Eigenständige Lösung
Anpassung	Manuell umprogrammieren	Automatische Adaption
Komplexität	Begrenzt	Beliebig komplex
Kosten bei Skalierung	Linear steigend	Sublinear

Architektur von Agentic Workflows

Der Orchestrator-Pattern

Die gängigste Architektur folgt dem Orchestrator-Pattern:

1. Orchestrator-Agent: Empfaengt 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 Wissenspeicher

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 ermöglicht die Modellierung komplexer Agent-Workflows als gerichtete Graphen. Ideal für:

• Mehrstufige Reasoning-Ketten
• Bedingte Verzweigungen basierend auf Agent-Output
• Integration mit hunderten von Tools und APIs

CrewAI

CrewAI ist spezialisiert auf Multi-Agent-Zusammenarbeit:

• Rollen-basierte Agent-Definition
• Automatische Aufgabenverteilung
• Eingebaute Koordinationsmechanismen

n8n mit AI Nodes

n8n bietet eine visuelle Umgebung für Agentic Workflows:

• AI Agent Node mit Tool-Zugriff
• Kombination aus regelbasierten und agentischen Schritten
• Self-Hosted für Datenschutz-Compliance

Make AI Automation

Make integriert zunehmend AI-Fähigkeiten:

• AI-Module für Textverarbeitung und Entscheidungen
• Kombination mit 1'500+ App-Integrationen
• Visuelle Workflow-Erstellung

Praxisbeispiele für Schweizer KMU

Beispiel 1: Automatisierte Angebotserstellung

Szenario: Ein Zuercher IT-Dienstleister erhält 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

Ergebnis: Bearbeitungszeit von 45 Minuten auf 5 Minuten reduziert. CHF 65'000 jährliche Einsparung.

Beispiel 2: Intelligentes Recruiting

Szenario: Ein Basler 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-Leitfaeden vor

Ergebnis: Time-to-Hire von 6 auf 3 Wochen reduziert.

Beispiel 3: Compliance-Monitoring

Szenario: Ein Finanzdienstleister muss regulatorische Änderungen überwachen.

Vertiefen Sie Ihr Wissen:

>

- AI Agent Plattformen im Überblick

• AI Agent Frameworks
• RAG für Unternehmen
• AI Automation Fallstudien Schweiz
• AI Agents vs Chatbots im Vergleich
• LangChain vs CrewAI im Vergleich
• Computer Use und Browser Automation
• Voice AI und Sprachassistenten

Agentic Workflow:

1. Monitor-Agent überwacht FINMA, EDOEB 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

Ergebnis: Compliance-Luecken werden in Stunden statt Wochen identifiziert.

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

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

Kostenkontrolle

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

Lösung:

• Kleinere Modelle für einfache Aufgaben (z.B. Gemini Flash)
• Caching haefiger Anfragen
• Budget-Limits pro Workflow

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

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 kostenguenstiger.

Wie hoch sind die Kosten für Agentic Workflows?

Die Entwicklungskosten liegen typischerweise bei CHF 15'000 bis CHF 80'000. Die laufenden Kosten haengen stark vom Volumen ab — rechnen Sie mit CHF 500 bis CHF 3'000 pro Monat für LLM-APIs und Infrastruktur.

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.