Agentic Workflows: When AI Doesn't Just Respond, But Acts

Die meisten Menschen kennen KI als etwas, das man fragt und das dann antwortet. Frage rein, Antwort raus – und dann muss der Mensch wieder übernehmen. KI-Agenten funktionieren grundlegend anders. Ein Agent ist kein allwissendes System, das auf alles eine Antwort hat. Er ist ein spezialisiertes System mit einem klaren Zweck: Er kennt seine Rolle, seinen Kontext, und handelt innerhalb dieses Rahmens eigenständig auf ein Ziel hin.

Von der Antwortmaschine zum digitalen Mitarbeiter

Der Unterschied lässt sich so veranschaulichen: ChatGPT ist wie ein extrem belesener Gesprächspartner, dem man jede beliebige Frage stellen kann. Ein KI-Agent hingegen ist wie ein erfahrener Mitarbeiter, der genau weiss, wofür er zuständig ist – er kennt seine Aufgabe, die Systeme, mit denen er arbeitet, die Geschichte vergangener Vorgänge, und er weiss, wann er selbst entscheiden kann und wann er einen Menschen einbeziehen muss.

Ein Disponent im technischen Aussendienst fragt bei einer Störmeldung nicht jedes Mal von Null: Was ist das für eine Anlage? Welche Techniker haben wir? Er kennt seinen Kontext. Genau dieses kontextbewusste, zweckgebundene Arbeiten macht einen KI-Agenten aus. Er bekommt nicht eine einzelne Frage, sondern ein Ziel – und arbeitet dann eigenständig darauf hin.

Anatomie eines KI-Agenten: Fünf Komponenten

Was einen Agenten zu mehr als einem Sprachmodell mit Prompt macht, ist seine Architektur:

• Das Profil definiert, wer der Agent ist: seine Rolle, seine Ziele und Verhaltensmuster. Wie eine Stellenbeschreibung legt es fest, wofür der Agent zuständig ist, was er darf und wo seine Grenzen liegen.
• Das Gedächtnis gibt dem Agenten Kontext in zwei Dimensionen. Das Kurzzeitgedächtnis hält fest, was im aktuellen Vorgang passiert. Das Langzeitgedächtnis speichert Faktenwissen und Erkenntnisse aus früheren Vorgängen.
• Die Planung ist das Herzstück. Ein Large Language Model nimmt die Beobachtungen aus der Umgebung auf, greift auf Gedächtnis und Profil zu und entwickelt daraus einen situationsabhängigen Handlungsplan.
• Die Schnittstellen nach aussen verbinden den Agenten über Protokolle und APIs mit Nutzern, Datenbanken, Sensoren und anderen Systemen. Ohne diese wäre der Agent blind und taub.
• Die Aktionsfähigkeit definiert, was der Agent tatsächlich tun kann. Welche APIs stehen ihm zur Verfügung? In welche Systeme kann er schreiben? Bewusst begrenzt – genau wie ein neuer Mitarbeiter nicht am ersten Tag alle Systemrechte bekommt.

Wie ein KI-Agent arbeitet: Observe, Reason, Act, Reflect

Der Arbeitszyklus folgt dem sogenannten ReAct-Pattern – vier Phasen, die sich nicht linear einmal durchlaufen, sondern in Schleifen wiederholen, genau wie ein erfahrener Mensch bei einer komplexen Aufgabe immer wieder innehalt, neu bewertet und nachjustiert:

• Observe – Die Umgebung wahrnehmen: Über seine Schnittstellen nimmt der Agent Informationen auf: ein eingehendes Ticket, ein Sensorwert, eine Nachricht eines anderen Agenten. Er sammelt nicht einfach Daten – er nimmt sie im Kontext seines Profils und Gedächtnisses wahr.
• Reason – Nachdenken und planen: Das Sprachmodell nimmt alle Beobachtungen zusammen mit Profil und Gedächtnis und entwickelt daraus einen Handlungsplan. Der Agent kann auch entscheiden, dass er nicht genug weiss – und als nächsten Schritt eine weitere Abfrage oder eine Eskalation an einen Menschen wählen.
• Act – Handeln: Der Agent ruft eine API auf, schreibt einen Datensatz, sendet eine Nachricht. Jede Aktion erzeugt ein Ergebnis, das er wiederum beobachtet. Entspricht das Ergebnis nicht den Erwartungen, passt er seinen Plan an – er folgt keinem starren Skript, er navigiert.
• Reflect – Auswerten und lernen: Nach Abschluss eines Vorgangs bewertet der Agent: Hat das funktioniert? Was war unerwartet? Diese Erkenntnisse fließen ins Langzeitgedächtnis und verbessern zukünftige Durchläufe. Der Agent wird kumulativ besser – und kann systematische Schwachstellen als Muster erkennen und eskalieren.

Agenten-Teams: Wenn mehrere Spezialisten zusammenarbeiten

Ein einzelner Agent stößt bei komplexen Prozessen schnell an Grenzen. Genau wie im Unternehmen nicht eine Person alle Funktionen trägt, lassen sich KI-Agenten in spezialisierte Teams aufteilen. Diese Agenten kommunizieren über ihre Schnittstellen: einer übergibt dem nächsten den Fall mit seiner Einschätzung, der nächste arbeitet damit weiter, reichert an, eskaliert bei Unsicherheit. Das Ergebnis ist ein System, das skaliert – ob zehn oder tausend Vorgänge pro Tag, das Agenten-Team arbeitet sie mit gleichbleibender Qualität ab, während Menschen sich auf die Fälle konzentrieren, die wirklich menschliches Urteilsvermögen erfordern.

Der entscheidende Punkt: Human-in-the-Loop

Agentic Workflows entfalten ihren größten Wert nicht in vollautonomer KI, sondern im Human-in-the-Loop-Modell: Der Agent arbeitet eigenständig, holt aber an definierten Punkten menschliches Feedback ein. Die Interaktionspunkte werden bewusst gesteuert: Routineentscheidungen mit niedrigem Risiko laufen autonom, mittlere Risiken landen im Vorschlags-Modus zur Freigabe, hohe Risiken werden aktiv eskaliert.

Dieses Modell hat zwei entscheidende Vorteile: Es baut Vertrauen auf – Mitarbeitende erleben die KI nicht als Blackbox, sondern als Werkzeug, das ihre Expertise respektiert. Und es trainiert den Agenten kontinuierlich: Jede Korrektur, jede Freigabe, jede Eskalation fließt in die Reflect-Phase ein. Über Wochen entstehen Agenten, die die Entscheidungsmuster ihres Teams immer besser verstehen – nicht weil jemand sie umprogrammiert, sondern weil die Zusammenarbeit selbst der Trainingsprozess ist.

Was das für Unternehmen bedeutet

Agentic Workflows sind kein Science-Fiction-Konzept. Die Technologie existiert heute. Die Herausforderung liegt nicht in der Technologie selbst, sondern in der durchdachten Umsetzung: Welche Prozesse eignen sich für agentenbasierte Automatisierung? Wo sind die richtigen Übergabepunkte zwischen Agent und Mensch? Wie integriert man Agenten in bestehende Systemlandschaften? Wer diese Fragen klug beantwortet, baut nicht einfach ein weiteres KI-Projekt – sondern eine neue Art zu arbeiten, in der Menschen und KI-Agenten als Team operieren: der Mensch mit Urteilsvermögen und Verantwortung, der Agent mit Geschwindigkeit und Konsistenz. Das ist der Übergang von KI als Werkzeug zu KI als Teammitglied.