Wie du Prozesse mit KI-Agenten automatisierst (nicht mit Chatbots)

Prozesse mit KI-Agenten zu automatisieren ist die nächste Schicht der klassischen Automatisierung: Es geht nicht mehr darum, Daten zwischen Systemen zu verschieben (das macht Zapier seit 2011), sondern darum, Zwischenentscheidungen zu treffen, die bisher menschliches Urteil brauchten. Nützlicher — und gefährlicher — als traditionelle Automatisierung.

Klassische Automatisierung vs. Agenten (Vergleichstabelle)

Dimension	Klassisches Workflow	KI-Agent
Entscheidung	Feste if/else-Regeln	Inferenz auf Kontext
Benötigter Input	Strukturiert	Unstrukturiert (Text, Bild)
Verhalten	Deterministisch	Probabilistisch
Wartung	Regeländerungen	Prompt-Iteration + Evals
Kosten pro Lauf	Null nach dem Setup	Tokens + Infra
Audit	Trivial (deterministische Logs)	Komplex (probabilistische Entscheidungen)

Wann sich der Wechsel zum Agenten lohnt

Nicht immer ist ein Agent besser. Die praktische Regel: wenn der Prozess deterministisch ist (A → B → C immer), nimm ein klassisches Workflow. Wenn er kontextbasierte Entscheidung verlangt (eine Mail lesen und entscheiden, was zu tun ist), dann lohnt sich ein Agent.

Ja, Agent: Tickets nach Inhalt klassifizieren, Daten aus variablen Dokumenten extrahieren, personalisierte Antworten verfassen, kontextbasierte Priorisierung.
Kein Agent (klassisches Workflow besser): geplante Notifications, Sync zwischen Systemen, regelbasierte Validierungen, Datenübertragungen.

Die 3 Einsatzmuster: Entscheidung, Ausführung, Monitoring

Entscheidungs-Agent. Bekommt einen Input, bewertet den Kontext, entscheidet, welches Workflow läuft. Beispiel: Agent, der eingehende Mails klassifiziert und an das richtige Team routet.
Ausführungs-Agent. Bekommt eine vom Menschen oder anderem System getroffene Entscheidung und führt eine Aktionsfolge aus. Beispiel: Agent, der beim Verkaufsabschluss ein Projekt im Project Manager anlegt, Onboarding-Mails sendet und das Kickoff terminiert.
Monitoring-Agent. Beobachtet ein System, erkennt Anomalien und entscheidet, wann an einen Menschen eskaliert wird. Beispiel: Agent, der Application Logs prüft und nur dann meldet, wenn ein wirklich besorgniserregendes Muster auftritt.

Stack und Tools (Make AI, n8n, custom)

Tool	Wann nutzen	Hauptlimitierung
Make AI	Nicht-technisches Team, schnelle Integrationen	Komplexe Logik braucht „code modules"
n8n + KI-Nodes	Halbtechnisches Team, Kontrolle + Flexibilität	Größere Lernkurve
LangChain / LangGraph (custom)	Komplexe Multi-Agent-Systeme	Braucht ernsthafte Entwicklung
OpenAI Assistants API	Schnelle Prototypen	Vendor Lock-in und schnell skalierende Kosten

Governance, Rollback und Supervision

Ein Agent ohne Governance ist eine Bombe. Die vier Pflichtteile:

Human-in-the-Loop bei High-Impact-Entscheidungen. Jede Aktion mit signifikanten Folgen verlangt menschliche Bestätigung vor der Ausführung.
Auditierbare Logs jeder Entscheidung mit ihrem Kontext. Wenn in 6 Monaten etwas schiefläuft, musst du rekonstruieren können, was passiert ist.
Automatisches Rollback, wenn das Ergebnis vom Erwarteten abweicht. Fällt die Qualitätsmetrik unter die Schwelle, geht das System automatisch in den vorherigen Zustand zurück.
Periodische menschliche Prüfung (mindestens wöchentlich im ersten Quartal) der Grenzfälle. Ohne das werden systematische Fehler nicht erkannt, bis sie sich anhäufen.

Häufig gestellte Fragen

Wenn der Prozess deterministisch ist (immer derselbe Flow, A → B → C), nutze ein klassisches Workflow (Make, n8n, Zapier). Günstiger, schneller, leichter zu auditieren. Wenn der Prozess kontextbasierte Entscheidung braucht (eine Mail interpretieren, um zu entscheiden, was damit zu tun ist, ein Dokument lesen und kategorisieren), lohnt sich ein KI-Agent.

Das System fängt es ab, nicht die KI. Deshalb sind diese vier Pflicht: (1) Human-in-the-Loop bei High-Impact-Entscheidungen, (2) Logs jeder Entscheidung mit Kontext, (3) automatisches Rollback, wenn das Ergebnis vom Erwarteten abweicht, (4) wöchentliche menschliche Prüfung der Grenzfälle. Ohne diese vier ist es kein Agent, sondern eine Bombe.

Technische Kosten (LLM-Tokens + Infra): 50-500€/Monat pro aktivem Agenten, je nach Volumen. Echte Kosten (menschlicher Supervisor + Iteration): weitere 500-2.000€/Monat in Wartungsstunden. Viele übersehen den zweiten Block — und enden mit Agenten, die in der Demo funktionieren und in der Produktion sterben.