KI-Agenten sind in aller Munde – als Heilsversprechen für mehr Produktivität oder als Bedrohung für die klassische Arbeitswelt. Doch jenseits von Hype und Schwarzmalerei stellt sich die Frage: Was steckt technisch wirklich dahinter, und was bedeutet der Einsatz von KI im Unternehmen? Dieser Artikel wirft einen nüchternen Blick auf die Technik hinter KI-Agenten und zeigt, wo ihre Grenzen liegen – und wo die eigentliche Chance verborgen ist.
KI Agenten
KI Agenten sind im Grunde einfache Algorithmen die in einer endlichen Schleife – dem sogenannten Agent Loop – eine Aufgabe lösen. Dazu kann der Agent Sprachmodelle wie auch bereitgestellt Tools und Funktionen aufrufen. Damit kann der Agent mehr Informationen erhalten, den Kontext erweitern, oder für Sprachmodelle eigentlich unmögliche Aufgaben – wie die Berechnung einer Quadratwurzel – schneller und zuverlässiger durchzuführen.
Das grundlegende Problem ergibt sich jedoch aus der Tatsache, dass Sprachmodelle auf statistischen Wahrscheinlichkeiten und nicht auf logischen Regeln basieren. Dies führt auch bei KI Agenten dazu, dass Aufgaben nicht immer gleich, manchmal falsch oder in seltenen Fällen gar nicht gelöst werden können. Das Ergebnis eines KI Agenten ist damit nicht vorhersehbar. Ein autonomer Agent ist eine Black Box mit unvorhersehbarem Reasoning-Pfad und damit für komplexe Aufgaben häufig keine gute Lösung. In Unternehmen ist der Agent-Ansatz häufig over-engineered und gleichzeitig under-controlled. Ein Widerspruch, der in der Praxis oft unterschätzt wird.
Klassische Software Architektur
In der klassischen Softwarearchitektur spielen KI Systeme meist weiterhin keine große Rolle. Es werden Algorithmen und Funktionen entwickelt die im Gegensatz zu einem Sprachmodell ein deterministisches Verhalten zeigen. Die Kalkulation eines Angebotspreises ist immer die selbe und die Berechnung führt mit gleichen Parametern stets zum gleichen Ergebnis. Dieses Verhalten ist in der Geschäftswelt eine zwingende Voraussetzung für funktionierende Software. Die Entwicklung von Geschäftsregeln in festen Funktionen und Algorithmen ist jedoch mit hohem Zeitaufwand verbunden. Änderungen an der Software sind sehr kostenintensiv und manchmal unmöglich. Ein Beispiel stellen hier Legacy ERP Systeme im Unternehmen dar, die einen Wandel des Geschäftsmodells häufig eher verhindern als diesen zu unterstützen.
BPM Systeme
BPM Systeme stellten hier eine Brücke von klassischen Software Architekturen in eine moderne und flexiblere Architektur dar. Unternehmensfunktionen können über Modelle – meist BPMN – graphisch beschrieben und leicht angepasst werden. Eine BPM Engine übernimmt dann die Ausführung der eigentlichen Funktionen anhand zuvor klar definierter Regeln – dem Geschäftsprozess. Der Vorteil: sämtliche Schritte sind protokolliert, nachvollziehbar und damit revisionssicher.
BPM Systeme können sehr einfach mit KI Intelligenz erweitert werden in dem Aufrufe an ein Sprachmodell wie eine Funktion behandelt werden. Damit ergibt sich eine neue Architektur – ein deterministischer BPMN gesteuerter Prozess mit KI-Intelligenz an definierten Stellen.
Dieser Unterschied ist fundamental:
| KI-Agent autonom | BPMN + KI-Schritte | |
|---|---|---|
| Prozesslogik | KI entscheidet selbst | Explizit modelliert |
| Nachvollziehbarkeit | Schwer | Vollständig |
| Fehlerquelle eingrenzen | Kaum möglich | Schritt für Schritt |
| Auditing / Compliance | Problematisch | Nativ |
| Expertenwissen abbilden | Implizit im Prompt | Explizit in Skill Cards + Prozess |
Agentic Workflows
Der Begriff der in diesem Zusammenhang an Bedeutung gewinnt lautet „Agentic Workflows“. Er wurde u.a. von Andrew Ng geprägt (Video Link). Andrew Ng beschreibt Agentic Workflows als einen Prozess, bei dem ein KI-Agent nicht einfach eine einzelne Anweisung ausführt, sondern iterativ arbeitet: Er plant, reflektiert, nutzt Werkzeuge (wie Websuche oder Code-Execution) und verbessert seine eigenen Ergebnisse schrittweise. Im Gegensatz zu einem „Zero-Shot“-Prompt durchläuft der Agent eine Schleife aus Ausführen, Bewerten und Anpassen, was zu deutlich höheren Erfolgsraten bei komplexen Aufgaben führt.
Konkret bedeutet hier der ‚workflow-gesteuerte‘ Ansatz, dass ein KI-Agent eine Aufgabe nicht in einem einzigen Schritt löst, sondern in einer mehrstufigen Schleife aus Planen, Handeln, Überprüfen und Verbessern – ähnlich einem iterativen Prozess, bei dem das Ergebnis kontinuierlich optimiert wird.
Fazit: Das Beste aus beiden Welten
Agentic Workflows markieren einen wichtigen Wendepunkt im Einsatz von KI in Unternehmen. Doch die Lösung liegt nicht in vollautonomen Agenten, sondern in der kontrollierten Verbindung von deterministischen Prozessen und flexibler KI. Versteht man diese als BPMN-gesteuerte Workflows mit eingebetteten KI-Schritten, vermeidet man das Black-Box-Verhalten rein autonomer Systeme. Stattdessen erhält man eine nachvollziehbare, revisionssichere und fehlertolerante Architektur, die gleichzeitig die kreative Problemlösefähigkeit von Sprachmodellen nutzt. Der Schlüssel zum Erfolg ist also nicht, die Kontrolle an die KI abzugeben – sondern intelligente Workflows zu bauen, in denen die KI genau dort unterstützt, wo sie wirklich Mehrwert für ein Unternehmen schafft.