Agenten nur dort, wo sie passen
Das Gespräch kennen wir aus vielen Projekten. Die erste Frage im Workshop lautet: „Können wir das mit einem KI‑Agenten lösen?“ Der Prozess dahinter ist ein strukturierter Genehmigungsworkflow mit stabilen Regeln und sauberen ERP‑Daten. Ein Agent wäre hier das falsche Werkzeug – teurer, schwerer zu kontrollieren und schlechter nachvollziehbar als eine klassische Workflow‑Automation.
Gleichzeitig haben wir Projekte gesehen, in denen klassische Automatisierung an ihre Grenzen stieß: Reklamations‑E‑Mails in fünf Sprachen, heterogene Dokumentenmappen, Entscheidungen mit hohem Kontextbezug. Dort reicht regelbasierte Logik nicht aus.
Unsere Erfahrung aus der Praxis zeigt klar: Nicht jeder Use Case braucht KI. Und schon gar nicht jeder Prozess einen autonomen Agenten. Der größte Nutzen entsteht dort, wo klassische Automatisierung, KI‑gestützte Schritte und agentische Komponenten bewusst kombiniert werden – orientiert an Datenstruktur, Varianz und Governance.
Klassische Automatisierung: stabil, transparent, bewährt
Klassische Automatisierung basiert auf klar definierten Abläufen, festen Regeln und strukturierten Daten. Der Prozess ist deterministisch beschrieben. Wenn Bedingung X erfüllt ist, folgt Aktion Y. Der Weg durch den Prozess ist vorgegeben.
In der Praxis wird dieser Ansatz heute oft über Low-Code Prozessautomatisierung umgesetzt. Ein führender Workflow orchestriert Aufgaben, Systeme und Datenquellen. Das ist robust, nachvollziehbar und gut skalierbar.
Klassische Automatisierung spielt ihre Stärken aus, wenn Regeln stabil sind und Eingaben strukturiert vorliegen. Sie ist auditierbar und gut steuerbar. An ihre Grenzen stößt sie dort, wo Freitext, Dokumente, Sprache oder Sonderfälle dominieren.
KI‑gestützte Automatisierung: Prozesse verstehen lernen
KI‑gestützte Automatisierung erweitert den klassischen Workflow um Interpretationsfähigkeit. Der Prozess bleibt führend. KI liefert Informationen, Bewertungen oder Entscheidungsvorschläge.
Typisch ist der Einsatz bei E‑Mails, Dokumenten oder Sprache. Inhalte werden automatisch analysiert, relevante Daten extrahiert und strukturiert bereitgestellt. Der Workflow nutzt diese Ergebnisse, um den nächsten Schritt auszuführen. Mehr dazu: KI-gestützte Prozessautomatisierung.
Der Effekt ist deutlich. Human‑in‑the‑Loop‑Schritte lassen sich reduzieren oder gezielt absichern. Der Automatisierungsgrad steigt, ohne dass Kontrolle oder Transparenz verloren gehen.
Agentische Automatisierung: Autonomie mit klaren Grenzen
Agentische Automatisierung geht einen Schritt weiter. Statt einen Ablauf vollständig vorzugeben, wird ein Ziel definiert. Der Agent entscheidet selbst, welche Schritte notwendig sind, um dieses Ziel zu erreichen.
Das ist sinnvoll bei hoher Varianz, unscharfen Regeln und starkem Kontextbezug. Typisch sind Situationen, in denen Entscheidungen nicht eindeutig regelbasiert getroffen werden können. Einordnung und Praxisbeispiele: Agentische Automatisierung.
Entscheidend ist die Governance. Agenten benötigen klare Leitplanken. Aufgabenbereich, erlaubte Systeme, Eskalationen und Entscheidungsgrenzen müssen explizit definiert sein. In der Praxis bewährt sich Bounded Autonomy: Agenten übernehmen klar abgegrenzte Subprozesse innerhalb eines führenden Workflows.
Vergleich: Welcher Ansatz passt?
Nachfolgend eine bewusst reduzierte Gegenüberstellung der drei Ansätze entlang der entscheidungsrelevanten Kriterien.
Diese Tabelle beantwortet die Kernfrage vieler Projekte: Wo reicht klassische Automatisierung – und wo lohnt sich mehr Autonomie?
Praxisbeispiel: Reklamationsbearbeitung
Ein Reklamationsprozess zeigt die Unterschiede besonders deutlich.
In einer klassisch automatisierten Ausprägung werden strukturierte Eingaben geprüft, Regeln angewendet und Entscheidungen getroffen. Freitext oder E‑Mails erfordern manuelle Sichtung.
Mit KI‑gestützter Automatisierung werden E‑Mails und Dokumente automatisch interpretiert. Produkt, Schadensart und fehlende Informationen werden erkannt. Der Workflow nutzt diese Daten, um Entscheidungen vorzubereiten oder automatisch zu treffen.
In einer agentischen Ausprägung übernimmt ein Reklamationsagent die Bearbeitung komplexer Fälle. Er greift lesend auf ERP, CRM und DMS zu, formuliert Antwortvorschläge und stößt Folgeprozesse an. Rechtsverbindliche Entscheidungen bleiben beim Menschen.
Unsere Empfehlung aus der Praxis
Automatisierung funktioniert nicht nach dem Prinzip „mehr KI ist besser“. Klassische Workflow‑Automation bildet das stabile Fundament. KI‑gestützte Automatisierung erschließt unstrukturierte Inhalte. Agenten gehören gezielt dorthin, wo Regeln enden und Kontext beginnt.
Leitplanken für erfolgreiche Automatisierung
Erfolgreiche Automatisierungsprojekte folgen klaren Prinzipien. Der Prozess kommt vor der Technologie – die Wahl des Ansatzes ergibt sich aus dem Problem, nicht aus der Plattform. Erfolg wird messbar gemacht, etwa über Durchlaufzeiten oder Fehlerquoten, damit Verbesserungen sichtbar bleiben. Governance wird von Anfang an mitgedacht, nicht nachträglich ergänzt. Human‑in‑the‑Loop bleibt dort bestehen, wo rechtliche oder kritisch relevante Entscheidungen getroffen werden. Der Einstieg erfolgt klein und fokussiert – die Architektur wird von Beginn an skalierbar gedacht.
Fazit: Kombination schlägt Hype
Automatisierung ist kein Entweder‑oder. Die besten Ergebnisse entstehen durch die bewusste Kombination von klassischer Workflow‑Automation, KI‑gestützter Prozessautomatisierung und gezielt eingesetzten Agenten. Agenten sind kein Selbstzweck. Sie sind ein Werkzeug für genau die Stellen im Prozess, an denen Regeln nicht mehr ausreichen.
Wenn Sie prüfen möchten, welcher Ansatz für Ihre Prozesse sinnvoll ist, können Sie je nach Ausgangslage mit einem kompakten Quickcheck oder einem vertiefenden Workshop starten.
Prozess-Automatisierungs-QuickCheck
Identifizieren Sie schnell, welches Automatisierungspotenzial in Ihren Prozessen steckt.
Discovery Workshop
Leiten Sie konkrete nächste Schritte für Ihren individuellen Prozesskontext ab.
FAQ
Wenn Daten strukturiert vorliegen und Regeln stabil sind, ist klassische Workflow-Automation effizient und gut kontrollierbar.
KI interpretiert unstrukturierte Inhalte und liefert Entscheidungsgrundlagen. Der Prozess bleibt regelbasiert.
Bei hoher Varianz, Kontextabhängigkeit und dynamischen Entscheidungen – mit klarer Governance.
Agenten handeln autonom innerhalb klar definierter Grenzen und übernehmen abgegrenzte Aufgaben.
Ja. Besonders bei rechtlichen, finanziellen oder kritischen Entscheidungen.