Was sind agentische Workflows und wie verändern sie die Automatisierung?

Die meisten Automatisierungen basieren auf Skripten, die jedes Mal denselben vorgegebenen Ablauf ausführen. Weicht ein Gespräch davon ab, scheitert die Automatisierung oder wird an einen Menschen weitergeleitet. Agentische Workflows funktionieren anders.

Ein agentischer Workflow ist eine Abfolge von Aufgaben, bei der ein KI-Agent jeden Schritt durchdenkt, entscheidet, was als Nächstes zu tun ist, und handelt. Kann eine Automatisierung nur einem Skript folgen, werden solche Fälle in eine Warteschlange verschoben, verworfen oder langsamer und weniger konsistent gelöst, als sie sollten.

Agentische Workflows schließen diese Lücke, indem der Agent die erforderliche Ermessensentscheidung direkt im Moment trifft. Sie helfen Unternehmen bei variablen, urteilsintensiven Interaktionen – etwa wenn ein Kunde eine nicht vorgegebene Frage stellt, bei einem Inkassoanruf Bedingungen verhandelt werden müssen oder ein Support-Ticket drei verschiedene Systeme betrifft. 

In diesem Artikel erklären wir, wie agentische Workflows funktionieren, worin sie sich von herkömmlicher Automatisierung unterscheiden und wie Unternehmen sie heute einsetzen.

Zusammenfassung

• Agentische Workflows ermöglichen einem KI-Agenten, jeden Schritt einer Aufgabe zu durchdenken und die nächsten Schritte festzulegen, statt einem starren, vorab definierten Ablauf zu folgen.
• Agentische Workflows kombinieren eine LLM-Reasoning-Schicht mit RAG, Gedächtnis und Guardrails. So kann der Agent Ermessensentscheidungen treffen, während risikoreiche Schritte weiterhin eine Freigabe erfordern.
• Unternehmen nutzen KI-Agenten für zahlreiche Aufgaben – vom Kundensupport über Lead-Qualifizierung und Inkasso bis zu Behördendiensten.

Was agentische Workflows sind und wie sie funktionieren

Herkömmliche Automatisierung – etwa einfache RPA-Skripte oder regelbasierte Chatbots – folgt einer „Wenn dies, dann das“-Struktur. Jeder Zweig wird im Voraus definiert. Entspricht die Eingabe keinem vorbereiteten Pfad, scheitert das KI-System oder übergibt den Fall an einen Menschen.

In agentischen Systemen steht ein LLM im Zentrum des Prozesses. Es analysiert den aktuellen Stand des Gesprächs oder der Aufgabe und entscheidet, was als Nächstes geschehen soll. Statt aus einer kleinen Auswahl vorgegebener Antworten zu wählen, führt der Agent folgende Schritte aus:

• Interpretiert: Der Agent liest das vorgegebene Ziel und bestimmt, was der Nutzer tatsächlich benötigt.
• Ruft ab: Der Agent zieht relevanten Kontext heran, einschließlich Dokumenten, bisherigem Gesprächsverlauf und Tool-Ausgaben.
• Entscheidet: Der Agent wählt, welche Aktion oder welches Tool er in welcher Reihenfolge nutzt.
• Passt sich an: Der Agent passt seinen Ansatz an, wenn neue Informationen die Situation verändern.
• Führt aus: Der Agent führt die Aktion aus und analysiert dann das Ergebnis, um den nächsten Schritt festzulegen.

Nehmen wir einen Voice-Agenten, der einen Abrechnungsstreitfall bearbeitet. Ein herkömmliches IVR-Skript kann einen Anrufer an die „Abrechnung“ weiterleiten und dort enden. Ein agentischer Workflow kann das Kundenkonto abrufen, den Zahlungsverlauf prüfen, den Streitfall anhand einer Erstattungsrichtlinie bewerten, innerhalb genehmigter Grenzen eine Gutschrift ausstellen und nur dann an einen Menschen eskalieren, wenn das nicht möglich ist.

Zentrale Komponenten und Merkmale agentischer Workflows

Die meisten agentischen Workflows nutzen dieselben grundlegenden Bausteine, unabhängig von Plattform oder Anwendungsfall.

Hier sehen Sie, was die einzelnen Komponenten leisten:

Die zuverlässigsten agentischen Systeme kombinieren agentisches Reasoning für aufgabenbezogene Ermessensentscheidungen mit strukturierten, regelbasierten Schritten für alles andere – besonders bei Zahlungen oder sensiblen Daten. So kann der Workflow Ermessensentscheidungen effizient treffen und risikoreichere Schritte zugleich strengeren Kontrollen unterziehen.

Der Workflows-Editor von ElevenAgents ermöglicht Teams beispielsweise, Entscheidungspunkte explizit abzubilden und zwischen spezialisierten Subagenten oder menschlichen Mitarbeitenden zu routen. So bleibt das Verhalten des Agenten prüfbar.

Wie sich agentische Workflows von herkömmlicher Automatisierung unterscheiden

Der Kernunterschied zwischen herkömmlicher Automatisierung und agentischen Workflows liegt darin, wer den Ablauf bestimmt: der Entwickler im Voraus oder der Agent zur Laufzeit.

Keiner der beiden Ansätze ersetzt den anderen vollständig. Feste Automatisierung ist weiterhin die richtige Wahl für wirklich risikoarme, wiederkehrende Aufgaben, etwa das Zurücksetzen eines Passworts oder die Bestätigung eines Termins. 

Agentische Systeme sind besser geeignet, wenn eine Aufgabe mehrdeutig ist: bei einem Kundenproblem, das nicht in eine Vorlage passt, bei einem Lead, dessen Absicht bewertet werden muss, oder bei einem Anruf, dessen Ton sich an die Reaktion der Person anpassen muss. Viele produktive Systeme nutzen einen hybriden Ansatz: deterministische Schritte für alles Irreversible und agentisches Reasoning für alles dazwischen.

Beispiele für agentische Workflows in der Praxis

Agentische Workflows führen bereits Live-Kundengespräche im Gesundheitswesen, in der Immobilienbranche und im öffentlichen Sektor. Die konkreten Aufgaben unterscheiden sich, doch das zugrunde liegende Muster ist gleich: Ein Agent bearbeitet eine Anfrage vollständig, statt sie an einen Menschen weiterzuleiten. 

Kundensupport und Problemlösung

Bei Kundensupport-Anwendungen kann ein Agent den Anrufer authentifizieren, die Bestell- oder Kontohistorie abrufen, das Problem anhand einer Wissensdatenbank diagnostizieren und direkt lösen. Nur Sonderfälle werden an einen Menschen übergeben. 

Zum Beispiel hat CareCode, eine brasilianische Kommunikationsplattform für das Gesundheitswesen, portugiesischsprachige Voice-Agenten in den Workflow zur Patienten-Terminplanung integriert. Dabei stellte das Unternehmen fest, dass 43,9 % der Anrufer zuvor bereits erfolglos versucht hatten, ihr Anliegen über einen anderen Kanal abzuschließen. Voice-Agenten konnten diese Termine vereinbaren, ohne zusätzliches Personal einzustellen.

Lead-Qualifizierung und Immobilien

Immobilienanzeigen erzeugen viel eingehendes Interesse. Doch ernsthafte Käufer von unverbindlichen Interessenten zu unterscheiden, kostet Makler weiterhin viel Zeit. 

Immobiliare.it, Italiens größte Immobilien-Plattform, entwickelte einen konversationellen Agenten, der Fragen zu Inseraten im Namen eines Verkäufers beantwortet, die Kaufabsicht qualifiziert und die Interaktion zusammenfasst. Nach der Einführung stiegen die Lead-Qualifizierungs-raten von 19 % auf 63 %. Der Anteil der Nutzer, die für eine Nachverfolgung ihre Telefonnummer angeben wollten, stieg von 42 % auf 73 %.

Öffentliche Dienste und Bürgeranfragen

Behörden beginnen, denselben Ansatz für eine durchgängige Bearbeitung zu nutzen: Ein Agent erledigt eine Anfrage, statt sie weiterzuleiten. 

So ist das ukrainische Ministerium für digitale Transformation dabei, die nach eigener Aussage weltweit erste agentische Regierung aufzubauen. Dafür verbinden KI-Agenten nationale Systeme mit individuellen Anfragen von Bürgern in den Bereichen Gesundheit, Bildung und Wirtschaft.

Operative Aufgaben mit mehreren Schritten

Über Gespräche hinaus verknüpfen agentische Systeme zunehmend Abruf, Prüfung und Aktion in einem einzigen Durchlauf. Ein Agent für die Patientenaufnahme kann beispielsweise den Versicherungsstatus eines Patienten prüfen, dessen Akte aktualisieren und den Termin bestätigen. Andernfalls müsste der Anrufer dafür durch getrennte Systeme oder Teams geleitet werden. Sie können auch Multi-Agenten-Systeme nutzen, um mehrere agentische Workflows zu einem zusammenzuführen.

Vorteile und Herausforderungen agentischer Workflows

Agentische Workflows bieten Vorteile gegenüber skriptbasierter Automatisierung. Diese Vorteile bringen jedoch auch neue Anforderungen mit sich.

Hier sind die wichtigsten Vorteile und Herausforderungen bei der Arbeit mit agentischen Systemen:

Vorteile

• Höhere Lösungsquoten: Agenten können Aufgaben vollständig erledigen, statt sie standardmäßig an einen Menschen weiterzuleiten.
• Konsistenz im großen Maßstab: Jedes Gespräch folgt unabhängig vom Volumen derselben zugrunde liegenden Logik und denselben Guardrails.
• Schnellere Problemlösung: Für Aufgaben, die der Agent direkt erledigen kann, muss nicht auf die Verfügbarkeit eines Menschen gewartet werden.
• Freie Kapazitäten für Mitarbeitende: Menschliche Agenten verbringen mehr Zeit mit wirklich komplexen Fällen und weniger mit wiederholter Ersttriage.

Herausforderungen

• Nachvollziehbarkeit der Entscheidungen eines KI-Agenten: Ohne deterministische Kontrollpunkte kann es schwierig sein, nachzuvollziehen, warum ein Agent eine bestimmte Aktion ausgeführt hat.
• Gestaltung von Guardrails: Da der Agent seinen eigenen Weg wählen kann, müssen Teams im Voraus entscheiden, welche Aktionen eine Freigabe erfordern und welche autonom ausgeführt werden können. Ist die Grenze falsch gesetzt, schafft der Agent entweder Risiken, indem er etwas tut, das er nicht tun sollte, oder er wird zum Engpass, weil er Fälle eskaliert, die er selbst hätte lösen können.
• Tests vor dem Start: Agentische Systeme verhalten sich anders als skriptbasierte Systeme. Daher sind Simulationen mit realistischen Szenarien vor dem Start wichtiger. Teams müssen sie mit realistischen, unübersichtlichen Szenarien belastbar testen, bevor sie jemals mit einem echten Kunden sprechen.
• Komplexität der Integration: Ein Agent ist nur so nützlich wie die Systeme, auf die er tatsächlich zugreifen kann. Kann er das CRM, Zahlungssystem oder Planungstool nicht erreichen, von dem eine Aufgabe abhängt, kommt er entweder nicht weiter oder muss den Fall dennoch übergeben. Damit wird der eigentliche Zweck des Einsatzes untergraben.

Agentische Workflows verlagern die Arbeit von der Prüfung jedes einzelnen Falls auf die Prüfung nur der Fälle, die sie benötigen. Das zahlt sich nur aus, wenn Guardrails und Audit-Trail von Anfang an integriert sind. Sie nachträglich einzubauen, wenn ein Agent bereits live ist, ist deutlich schwieriger, denn bis dahin hat er bereits Entscheidungen getroffen, die niemand vollständig nachvollziehen kann. Von Tag eins an integrierte Guardrails und Protokollierung ermöglichen es einem Unternehmen, dem Agenten genug zu vertrauen, um nicht mehr jeden Fall prüfen zu müssen.

Starten Sie mit ElevenAgents für agentische Automatisierung

ElevenAgents vereint alles, was ein agentischer Workflow benötigt, auf einer Plattform. Wählen Sie Ihr eigenes LLM und verankern Sie seine Antworten mit RAG in Ihrer Wissensdatenbank und Ihren SOPs. Deterministische Workflows sichern risikoreiche Aktionen durch Freigabeschritte ab, und jedes Gespräch wird vollständig prüfbar protokolliert. Vor dem Start können Teams Guardrails mit Simulationen definieren und testen und anschließend dieselbe Konfiguration für Voice, Chat, E-Mail und WhatsApp bereitstellen.

Für Unternehmen, deren Agenten Fälle sauber übergeben müssen, wenn sie ihre Befugnisse übersteigen, enthält die Übergabe an Menschen den vollständigen Gesprächskontext. So müssen Kunden sich nie wiederholen.

Um zu erfahren, wie agentische Workflows Ihr Unternehmen unterstützen können, sprechen Sie mit unserem Team oder registrieren Sie sich und beginnen Sie mit der Entwicklung auf unserer No-Code-Plattform.

FAQ: Was sind agentische Workflows?