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, bricht es ab 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 dem Skript folgen, landen solche Fälle in einer Warteschlange, gehen verloren oder werden langsamer und weniger konsistent gelöst, als sie sollten.

Agentische Workflows schließen diese Lücke, indem der Agent die Entscheidung im jeweiligen Moment selbst trifft. Sie helfen Unternehmen bei variablen, entscheidungsintensiven Interaktionen – etwa wenn Kundinnen und Kunden eine nicht vorab definierte Frage stellen, bei einem Inkassoanruf über Konditionen verhandelt werden muss oder ein Support-Ticket drei verschiedene Systeme umfasst. 

In diesem Artikel erläutern wir, wie agentische Workflows funktionieren, wie 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 zu entscheiden, was als Nächstes geschieht, statt einem festen, vorab definierten Ablauf zu folgen.
• Agentische Workflows kombinieren eine LLM-Reasoning-Schicht mit RAG, Speicher und Guardrails. So kann der Agent Entscheidungen treffen, während risikoreiche Schritte weiterhin eine Freigabe erfordern.
• Unternehmen nutzen KI-Agenten für vielfältige Aufgaben – von Kundensupport über Lead-Qualifizierung und Inkasso bis hin 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 Ablauf, scheitert das KI-System oder übergibt an einen Menschen.

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

• Interpretiert: Der Agent liest das ihm vorgegebene Ziel und ermittelt, was die Nutzerin oder der Nutzer tatsächlich benötigt.
• Ruft ab: Der Agent ruft relevanten Kontext ab, einschließlich Dokumenten, bisherigem Gesprächsverlauf und Tool-Ausgaben.
• Entscheidet: Der Agent wählt die passende Aktion oder das passende Tool und die Reihenfolge aus.
• Passt sich an: Der Agent passt seinen Ansatz an, wenn neue Informationen die Situation verändern.
• Führt aus: Der Agent führt die Aktion aus und bewertet anschließend das Ergebnis, um den nächsten Schritt festzulegen.

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

Wichtige Komponenten und Merkmale agentischer Workflows

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

Hier sehen Sie, welche Funktion jede Komponente erfüllt:

Die zuverlässigsten agentischen Systeme kombinieren agentisches Reasoning für Aufgabenteile, die Urteilsvermögen erfordern, mit strukturierten, regelbasierten Schritten für jene, die es nicht erfordern – besonders bei Zahlungen oder sensiblen Daten. So kann der Workflow Entscheidungen effizient treffen und Schritte mit höheren Risiken strengeren Kontrollen unterziehen.

Der Workflows-Editor von ElevenAgents ermöglicht Teams beispielsweise, Entscheidungspunkte explizit abzubilden und zwischen spezialisierten Subagenten oder einer menschlichen Fachkraft weiterzuleiten. So bleibt das Verhalten des Agenten auditierbar.

Wie sich agentische Workflows von herkömmlicher Automatisierung unterscheiden

Der zentrale Unterschied 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 wie das Zurücksetzen eines Passworts oder die Bestätigung eines Termins. 

Agentische Systeme sind besser, wenn eine Aufgabe Mehrdeutigkeit beinhaltet: etwa bei Kundinnen und Kunden, deren Anliegen nicht in eine Vorlage passt, bei Leads, deren Absicht bewertet werden muss, oder bei Anrufen, deren Ton sich je nach Reaktion der Person ändern muss. Viele produktive Systeme nutzen einen hybriden Ansatz: deterministische Schritte für alles Unumkehrbare 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 bei Behörden. Die konkreten Aufgaben unterscheiden sich, doch das zugrunde liegende Muster ist gleich: Ein Agent bearbeitet eine Anfrage von Anfang bis Ende, statt sie an einen Menschen weiterzuleiten. 

Kundensupport und Problemlösung

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

Zum Beispiel integrierte CareCode, eine brasilianische Kommunikationsplattform für das Gesundheitswesen, portugiesischsprachige Voice-Agenten in ihren Workflow zur Patienten-Terminplanung. Dabei stellte das Unternehmen fest, dass 43,9 % der Anrufenden zuvor bereits erfolglos versucht hatten, ihre Anfrage 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 Kaufinteressierte von gelegentlichen Interessenten zu unterscheiden, kostet Maklerinnen und Maklern weiterhin Zeit. 

Immobiliare.it, Italiens größte Immobilien-Plattform, entwickelte einen Konversationsagenten, der Fragen zu Inseraten im Namen von Verkäufern beantwortet, die Kaufabsicht qualifiziert und die Interaktion zusammenfasst. Nach der Einführung stiegen die Lead-Qualifizierungsraten von 19 % auf 63 %, und der Anteil der Nutzerinnen und Nutzer, die für eine Nachverfolgung ihre Telefonnummer angaben, stieg von 42 % auf 73 %.

Öffentliche Dienste und Bürgeranfragen

Behörden beginnen, denselben Ansatz für eine End-to-End-Bearbeitung einzusetzen: Ein Agent erledigt eine Anfrage, statt sie weiterzuleiten. 

So ist das ukrainische Ministerium für digitale Transformation dabei,eine nach eigenen Angaben weltweit erste agentische Regierung aufzubauen. Dafür nutzt es KI-Agenten, um nationale Systeme mit individuellen Bürgeranfragen in den Bereichen Gesundheit, Bildung und Wirtschaft zu verbinden.

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 die Versicherungsberechtigung einer Patientin oder eines Patienten prüfen, den Datensatz aktualisieren und den Termin bestätigen. Andernfalls müssten Anrufende durch separate Systeme oder Teams weitergeleitet werden. Sie können außerdem 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.

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

Vorteile

• Höhere Lösungsquoten: Agenten können eine Aufgabe 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 Lösungszeiten: Bei Aufgaben, die der Agent direkt erledigen kann, entfällt die Wartezeit auf eine verfügbare Person.
• Mehr Kapazität für Mitarbeitende: Menschliche Agenten verbringen mehr Zeit mit wirklich komplexen Fällen und weniger Zeit mit wiederkehrender Ersttriage.

Herausforderungen

• Einblick in die Entscheidungsfindung des 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 Ablauf wählen kann, müssen Teams im Voraus entscheiden, welche Aktionen eine Freigabe benötigen und welche autonom ausgeführt werden dürfen. Ziehen sie die Grenze falsch, schafft der Agent entweder Risiken, indem er etwas tut, das er nicht tun sollte, oder wird zum Engpass, indem er Fälle eskaliert, die er hätte bearbeiten können.
• Tests vor dem Launch: Agentische Systeme verhalten sich anders als skriptbasierte Systeme. Deshalb sind Simulationen mit realistischen Szenarien vor dem Launch wichtiger. Teams müssen sie mit realistischen, unübersichtlichen Szenarien einem Belastungstest unterziehen, bevor sie mit echten Kundinnen oder Kunden sprechen.
• Komplexität der Integration: Der Agent ist nur so nützlich wie die Systeme, auf die er tatsächlich zugreifen kann. Hat er keinen Zugriff auf das CRM, das Zahlungssystem oder das Planungstool, von dem eine Aufgabe abhängt, bleibt er entweder stehen oder muss dennoch übergeben. Das untergräbt den gesamten Nutzen.

Agentische Workflows verlagern die Arbeit davon, jeden Fall prüfen zu lassen, hin zur 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 aktiv ist, ist deutlich schwieriger, denn bis dahin hat er bereits Entscheidungen getroffen, die niemand vollständig nachvollziehen kann. Von Beginn an integrierte Guardrails und Protokollierung ermöglichen es Unternehmen erst, dem Agenten genug zu vertrauen, um nicht mehr jeden Fall prüfen zu müssen.

Mit ElevenAgents für agentische Automatisierung starten

ElevenAgents vereint alles, was ein agentischer Workflow benötigt, auf einer Plattform. Wählen Sie Ihr eigenes LLM und stützen Sie seine Antworten mit RAG auf Ihre Wissensdatenbank und SOPs. Deterministische Workflows sichern risikoreiche Aktionen durch Freigabeschritte ab, und jedes Gespräch wird zur vollständigen Auditierbarkeit protokolliert. Vor dem Launch können Teams Guardrails mit Simulationen definieren und testen und anschließend dieselbe Konfiguration für Sprache, Chat, E-Mail und WhatsApp bereitstellen.

Für Unternehmen, die Fälle bei Überschreitung der Befugnisse eines Agenten sauber übergeben müssen, enthält die Übergabe an einen Menschen den vollständigen Gesprächskontext. Kundinnen und Kunden müssen sich daher 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 – noch heute.

FAQ zu agentischen Workflows