Was ist ein KI-Agent wirklich? Agenten, Chatbots und Workflows im Vergleich
Ein KI-Agent ist Software, bei der ein Sprachmodell die Schritte festlegt und Tools auswählt, um eine Aufgabe zu erledigen. Ein Chatbot antwortet nur; ein Workflow folgt festen Schritten.
7 Min. Lesezeit

Inhalt
Ein KI-Agent ist Software, in der ein Sprachmodell entscheidet, welche Schritte es unternimmt und welche Tools es einsetzt, um eine Aufgabe zu erledigen, das Ergebnis prüft und aufhört oder an einen Menschen zurückgibt, wenn es fertig ist oder nicht weiterkommt. Ein Chatbot antwortet nur auf Nachrichten. Ein Workflow führt Schritte aus, die jemand vorab festgelegt hat.
Stellen Sie sich eine Betriebsleiterin bei einem Großhändler vor, die in einer Woche drei Anbieter-Demos verfolgt. Die erste zeigt ein Chatfenster auf einer Website, das Fragen zu Lieferzeiten beantwortet. Die zweite zeigt eine Automatisierung, die jede neue Webbestellung ins Buchhaltungssystem kopiert. Die dritte zeigt ein System, das die E-Mail eines Lieferanten über eine verspätete Lieferung liest, die betroffenen Bestellungen nachschlägt, für jeden Kunden eine Nachricht entwirft und vor dem Versand auf eine Freigabe wartet. Alle drei Anbieter nennen ihr Produkt „KI-Agent“. Nur das dritte ist einer.
Was ist ein KI-Agent?
Ein KI-Agent ist ein System, in dem ein Large Language Model (LLM) seinen eigenen Ablauf steuert: Es wählt auf Grundlage dessen, was es bisher gesehen hat, den nächsten Schritt und das einzusetzende Tool, bis die Aufgabe erledigt ist. Das entscheidende Merkmal ist, dass das Modell und nicht ein festes Skript den Weg bestimmt.
Die beiden Unternehmen hinter den am häufigsten genutzten Modellen definieren das in ähnlicher Weise. In Building effective agents (Dezember 2024) unterscheidet Anthropic zwei Arten von Systemen: „Workflows sind Systeme, in denen LLMs und Tools über vordefinierte Codepfade orchestriert werden. Agenten hingegen sind Systeme, in denen LLMs ihre eigenen Abläufe und ihren Tool-Einsatz dynamisch steuern und die Kontrolle darüber behalten, wie sie Aufgaben erledigen.“
Der A practical guide to building agents von OpenAI bringt es in einem Satz auf den Punkt: „Agenten sind Systeme, die Aufgaben selbstständig in Ihrem Auftrag erledigen.“ Er nennt drei Kernkomponenten:
Modell: das LLM, das das Schlussfolgern und die Entscheidungen übernimmt.
Tools: externe Funktionen oder APIs, mit denen der Agent handeln kann, etwa eine CRM-Abfrage oder der Versand einer E-Mail.
Anweisungen: ausdrückliche Richtlinien und Leitplanken, die festlegen, wie sich der Agent verhält.
Ein Tool ist in diesem Sinn jede Funktion, die das Modell aufrufen darf, um Daten zu lesen oder etwas außerhalb seiner selbst zu verändern.
Wie unterscheidet sich ein KI-Agent von einem Chatbot?
Ein Chatbot antwortet; ein Agent handelt. Ein Chatbot nimmt eine Nachricht entgegen und gibt eine Antwort zurück, während ein Agent mehrere Schritte über andere Systeme hinweg ausführen kann, um eine Aufgabe zu erledigen, mit oder ohne Unterhaltung.
Der Leitfaden von OpenAI ist an dieser Stelle eindeutig: Anwendungen, die ein LLM nutzen, ihm aber nicht die Steuerung des Workflow-Ablaufs überlassen, „etwa einfache Chatbots, einstufige LLMs oder Sentiment-Klassifikatoren“, sind keine Agenten.
Die Grenze verläuft nicht an der Benutzeroberfläche. Ein Chatfenster kann vor einem Agenten stehen, und ein Agent kann ganz ohne Chat laufen, ausgelöst durch eine eingehende E-Mail oder eine neue Zeile in einer Datenbank. Entscheidend ist, was hinter der Antwort passiert:
Wenn das System nur Text aus dem entwirft, was es schon weiß oder abruft, ist es ein Chatbot.
Wenn es selbst entscheidet, eine Bestellung nachzuschlagen, eine Buchung zu ändern oder ein Ticket zu eröffnen, und die Reihenfolge dieser Schritte selbst wählt, ist es ein Agent.
Wie unterscheidet sich ein KI-Agent von einem Workflow oder einer Automatisierung?
Ein Workflow folgt einem Pfad, den ein Mensch vorab entworfen hat; ein Agent bestimmt seinen Pfad zur Laufzeit selbst. Beide können ein LLM nutzen, und beide können dieselben Tools aufrufen.

Eine Automatisierung ist ein Workflow, der läuft, ohne dass eine Person einen Knopf drückt, meist in einem Tool wie n8n, Zapier oder Make gebaut. Viele nützliche „KI-Automatisierungen“ sind Workflows mit einem LLM-Schritt darin: diese E-Mail klassifizieren, diese Felder extrahieren, dieses Gespräch zusammenfassen. Der Artikel von Anthropic nennt diese Muster Prompt Chaining, Routing, Parallelisierung, Orchestrator-Workers und Evaluator-Optimizer. In jedem davon legt weiterhin ein Entwickler die Reihenfolge fest.
Agenten, Chatbots und Workflows im direkten Vergleich
Chatbot. Wer die Schritte festlegt: keine Schritte; er antwortet auf jede Nachricht. Nutzt Tools: selten oder nur für den Abruf von Informationen. Am besten für: Fragen aus bekannten Inhalten beantworten. Hauptrisiko: falsche oder erfundene Antworten.
Workflow mit LLM-Schritt. Wer die Schritte festlegt: die Person, die ihn entworfen hat. Nutzt Tools: ja, in fester Reihenfolge. Am besten für: wiederholbare Prozesse mit klaren Regeln und unsauberen Eingaben. Hauptrisiko: scheitert an Fällen, für die niemand ihn entworfen hat.
KI-Agent. Wer die Schritte festlegt: das Modell, innerhalb der von Ihnen gesetzten Grenzen. Nutzt Tools: ja, zur Laufzeit gewählt. Am besten für: offene Aufgaben, bei denen Anzahl und Reihenfolge der Schritte nicht vorab bekannt sein können. Hauptrisiko: falsche Aktionen mit echten Berechtigungen.
In der Praxis mischen die meisten Produktivsysteme alle drei. Ein Workflow kann einen schwierigen Schritt an einen Agenten übergeben, und ein Agent kann einen Workflow als eines seiner Tools aufrufen.
Wann sollte ein Unternehmen einen Agenten statt eines Workflows einsetzen?
Setzen Sie einen Agenten nur dann ein, wenn sich die Schritte nicht vorab aufschreiben lassen; wenn doch, ist ein Workflow günstiger, schneller und leichter zu testen. Anthropic rät, „die einfachstmögliche Lösung“ zu suchen und Komplexität nur dann hinzuzufügen, wenn sie nötig ist.
Der Leitfaden von OpenAI nennt drei Anzeichen dafür, dass sich eine Aufgabe für einen Agenten eignet:
Komplexe Entscheidungsfindung: Urteilsvermögen, Ausnahmen oder kontextabhängige Entscheidungen, etwa die Freigabe einer Erstattung.
Schwer wartbare Regeln: Regelwerke, die so umfangreich sind, dass jede Aktualisierung teuer oder fehleranfällig ist, etwa Sicherheitsprüfungen von Lieferanten.
Starke Abhängigkeit von unstrukturierten Daten: Dokumente lesen, natürliche Sprache interpretieren oder mit Nutzern sprechen, etwa die Bearbeitung eines Schadenfalls in der Hausratversicherung.
Weiter heißt es: „Bevor Sie sich entscheiden, einen Agenten zu bauen, prüfen Sie, ob Ihr Anwendungsfall diese Kriterien klar erfüllt. Andernfalls kann eine deterministische Lösung ausreichen.“ Anthropic macht denselben Punkt von der anderen Seite: Agenten eignen sich für „offene Probleme, bei denen sich die erforderliche Anzahl von Schritten schwer oder gar nicht vorhersagen lässt“.
Für den Großhändler oben ist das Übertragen von Webbestellungen in die Buchhaltung ein Workflow. Die Bearbeitung einer E-Mail zu einer verspäteten Lieferung, bei der jeder Lieferant anders schreibt und die betroffenen Bestellungen variieren, ist dort, wo ein Agent seine Kosten rechtfertigt. Unser Vergleich von n8n, Zapier und Make behandelt die Workflow-Seite dieser Entscheidung.
Was braucht ein KI-Agent, bevor er echte Arbeit leisten kann?
Ein Agent braucht klare Anweisungen, die kleinstmögliche Menge an Tools, mit der die Aufgabe erledigt wird, einen Kontrollpunkt vor jeder schwer umkehrbaren Aktion und ein Protokoll von allem, was er getan hat. Ohne das ist ein Agent eine Demo, kein System.

Der Leitfaden von OpenAI beschreibt einen Agenten, der „erkennt, wann ein Workflow abgeschlossen ist, und seine Aktionen bei Bedarf proaktiv korrigieren kann“ und der bei einem Scheitern „die Ausführung anhalten und die Kontrolle an den Nutzer zurückgeben“ kann. Der Artikel von Anthropic warnt, dass die Autonomie von Agenten „höhere Kosten und das Risiko sich aufschaukelnder Fehler“ bedeutet, und empfiehlt Tests in abgeschotteten Umgebungen mit Leitplanken. Behördliche Empfehlungen gehen in dieselbe Richtung: Careful adoption of agentic AI services der Five-Eyes-Behörden rät Organisationen, „agentische KI schrittweise einzuführen, beginnend mit klar definierten Aufgaben mit geringem Risiko“.
Checkliste, bevor ein Agent live geht
Die Aufgabe, ihre Eingaben und ihr Endzustand sind aufgeschrieben.
Der Agent hat eine eigene Identität und nur die Berechtigungen, die diese Aufgabe braucht.
Lesezugriffe laufen selbstständig; Schreibvorgänge, Löschungen und ausgehende Nachrichten warten auf einen Menschen.
Jeder Tool-Aufruf wird mit seinen Eingaben, dem Ergebnis und der dahinterstehenden Identität protokolliert.
Es gibt einen Testdatensatz mit echten Fällen aus der Vergangenheit, und die Ergebnisse des Agenten darauf wurden geprüft.
Jemand verantwortet den Agenten nach dem Start und kann ihn mit einem Handgriff abschalten.
Wenn der Agent über das Model Context Protocol (MCP) an Geschäftssysteme angebunden ist, behandelt unser Leitfaden dazu, zuerst den MCP-Server abzusichern, die Berechtigungsseite. Zu den Oberflächen, über die Menschen Aktionen eines Agenten freigeben und rückgängig machen, siehe Design für KI-Agenten.
So gehen wir bei Vizio AI vor
Wir beginnen damit, die Aufgabe als Schritte aufzuschreiben und zu fragen, welche davon eine Person vorab festlegen könnte. Diese werden zu einem Workflow. Nur die Schritte, die bei unsauberen Eingaben Urteilsvermögen erfordern, gehen an einen Agenten, und oft sind das nur ein oder zwei Schritte, nicht der ganze Prozess.
Wenn ein Agent die richtige Antwort ist, geben wir ihm eine eng umrissene Aufgabe, eigene Zugangsdaten, zunächst nur Lesezugriff und einen Freigabeschritt bei jedem Schreibvorgang. Wir lassen ihn gegen vergangene Fälle laufen, bevor er echte sieht, protokollieren jeden Tool-Aufruf im bestehenden Monitoring des Kunden und erweitern seine Berechtigungen erst, wenn die Logs zeigen, dass er sich wie erwartet verhält. Das Team des Kunden verantwortet nach der Übergabe die Anweisungen und den Notausschalter.
Das ist die Arbeit hinter unserem DX Studio.
Quellen
Anthropic, Building effective agents (19. Dezember 2024): https://www.anthropic.com/engineering/building-effective-agents
OpenAI, A practical guide to building agents (PDF): https://cdn.openai.com/business-guides-and-resources/a-practical-guide-to-building-agents.pdf
ASD's ACSC, CISA, NSA, Canadian Centre for Cyber Security, NCSC-NZ und NCSC-UK, Careful adoption of agentic AI services (1. Mai 2026): https://www.cyber.gov.au/business-government/secure-design/artificial-intelligence/careful-adoption-of-agentic-ai-services
FAQs.
Weiterlesen

Attribution That Survives Your Tool Stack: Keeping UTMs From Ad to Booking to CRM

Clean Your CRM Data Before You Add AI: Dedupe, Grain and Ownership

Semantic Layer First: Getting Your BI Ready for AI Agents

How F&B CMOs Use Generative AI In Business For Location Decisions

How Real Estate Firms Use Business Analytics For City Parks To Drive Value

Data Storytelling and Visualization

When Does a Business Actually Need Digital Transformation?

Analytics for Product Recommendations

Data Analyst vs. Data Quality Analyst

The Best NoSQL Analytics Tools 2024



