Agentischer Workflow

Die meisten Menschen nutzen Sprachmodelle wie einen Schreiber, der einen Text in einem Zug herunterschreiben muss, ohne je die Rücktaste zu drücken. Andrew Ng hat genau dieses Bild benutzt, um zu erklären, warum das Ergebnis oft mittelmäßig ist, und was sich ändert, wenn man der KI erlaubt, wie ein Mensch zu arbeiten: gliedern, recherchieren, entwerfen, kritisch lesen, überarbeiten.

Diese mehrstufige Arbeitsweise heißt agentischer Workflow. Sie ist das Bindeglied zwischen dem einfachen Chat und dem vollständig eigenständigen KI-Agenten und in vielen Unternehmen der realistischere Einstieg in Agentic AI.

Die Schleife statt des einen Versuchs

Der Kern eines agentischen Workflows ist die Wiederholung. Statt einer Anfrage und einer Antwort durchläuft die KI mehrere Runden, in denen sie ihr eigenes Zwischenergebnis weiterverarbeitet. Ng belegte den Effekt im März 2024 mit Werten aus dem Programmier-Test HumanEval: GPT-3.5 löste ohne Schleife 48,1 % der Aufgaben, GPT-4 67,0 %. GPT-3.5 in einer Agenten-Schleife kam auf bis zu 95,1 %.

Die Zahlen stammen aus Forschungsarbeiten, die Ngs Team auswertete, und lassen sich nicht auf jede Aufgabe übertragen. Sie zeigen aber das Prinzip: Eine Schleife mit einem schwächeren Modell kann einen einzelnen Versuch mit einem stärkeren übertreffen. Ng beschrieb dafür vier Entwurfsmuster:

• Reflexion: Das Modell prüft die eigene Arbeit und schlägt Verbesserungen vor.
• Werkzeugnutzung: Websuche, Code-Ausführung oder andere Funktionen liefern Informationen oder führen Aktionen aus.
• Planung: Das Modell entwirft einen mehrstufigen Plan und arbeitet ihn ab.
• Zusammenarbeit mehrerer Agenten: Mehrere Agenten teilen Aufgaben, diskutieren und kommen so zu besseren Lösungen.

Workflow oder Agent? Die wichtige Unterscheidung

Im Dezember 2024 hat Anthropic in seinem viel zitierten Beitrag „Building effective agents“ eine Grenze gezogen, die in der Praxis hilft. Beides sind „agentische Systeme“, aber:

Anthropic rät ausdrücklich, mit der einfachsten Lösung zu beginnen und Komplexität nur zu erhöhen, wenn sie nötig ist. Das kann auch heißen, gar kein agentisches System zu bauen: Solche Systeme tauschen Geschwindigkeit und Kosten gegen bessere Ergebnisse. Im deutschen Sprachgebrauch verschwimmt diese Grenze oft; wer „agentischer Workflow“ hört, sollte nachfragen, wie viel Freiheit das Modell tatsächlich hat.

Ein agentischer Workflow im Marketing

Typische Einsatzfelder in Marketing und Vertrieb sind Berichte aus mehreren Datenquellen, Produkttexte mit Faktenprüfung, Wettbewerbsbeobachtung und die Vorbereitung von Angeboten. Gemeinsam ist ihnen: Es gibt ein überprüfbares Qualitätskriterium, und ein Fehler lässt sich vor der Veröffentlichung abfangen.

Die Bausteine dafür sind inzwischen Standard. Konnektoren und das Model Context Protocol verbinden die KI mit Datenquellen, Agent Skills halten wiederkehrende Arbeitsanweisungen fest. Sollen Agenten verschiedener Systeme zusammenarbeiten, kommt das Agent2Agent-Protokoll ins Spiel.

Grenzen und Abgrenzung zur Automatisierung

Nicht jeder automatisierte Ablauf ist agentisch. Ein Werkzeug, das bei jedem neuen Formulareintrag eine E-Mail verschickt, folgt einer festen Regel; dafür reicht klassische KI-Workflow-Automatisierung oder sogar ganz ohne KI. Agentisch wird es erst, wenn das Modell zwischen den Schritten urteilt, prüft und nachbessert.

• Kosten: Jede Runde verbraucht Rechenleistung. Ein Workflow mit fünf Prüfschleifen kostet ein Vielfaches eines einzelnen Aufrufs.
• Fehlerfortpflanzung: Ein falscher Zwischenschritt kann sich durch alle folgenden ziehen. Prüfschritte gegen Quellen sind deshalb kein Extra, sondern Pflicht.
• Verantwortung: Freigaben vor Veröffentlichung, Versand oder Kauf gehören in den Ablauf. Das ist das Prinzip Human in the Loop.

Wer den ersten agentischen Workflow im eigenen Haus aufsetzen will, beginnt am besten mit einer Aufgabe, deren Ergebnis heute schon jemand prüft. Bei Auswahl und Aufbau unterstützt die KI-Beratung.