Automatisierung vs. KI-Agent: Wann du was brauchst

Bei jedem neuen Projekt stellen wir uns zuerst dieselbe Frage. Braucht diese Aufgabe eine deterministische Automatisierung, einen einzelnen KI-Agenten oder ein ganzes Team aus Agenten? Die ehrliche Antwort ist meistens die unspektakulärste. Eine schlichte Automatisierung.

Das läuft gerade gegen den Trend. Die ganze Branche schaut auf Agenten, und das aus gutem Grund. Trotzdem ist die Entscheidung Automatisierung vs. KI-Agent die, die die meisten Teams aus Reflex falsch treffen. Sie greifen zum Agenten, bevor sie gefragt haben, ob die Aufgabe überhaupt einen braucht.

Wann ein KI-Agent das richtige Werkzeug ist

Ein Agent spielt seine Stärke aus, wenn eine Aufgabe wirklich offen ist. Wenn die Schritte vorher nicht feststehen. Wenn mittendrin neue Infos auftauchen. Wenn jemand eine Einschätzung treffen und dann den Kurs ändern muss. Dann ist ein Agent das richtige Werkzeug, und nichts kommt nah dran. Recherche, Triage, Debugging, überall wo sich der Weg je nach Fund verzweigt: ab damit zum Agenten.

Das ist kein Vorwurf an Agenten. Das Modell ist nicht das Problem. Der Fehler ist, einen Agenten auf Arbeit anzusetzen, die Improvisation bestraft.

Wann eine deterministische Automatisierung gewinnt

Viel echte Arbeit ist überhaupt nicht offen. Es ist jedes Mal dieselbe Abfolge, mit einem richtigen und einem falschen Ergebnis pro Schritt. Das ist das Heimspiel der Automatisierung: feste Eingaben, feste Stufen, ein Ergebnis, dem du vertraust, ohne es per Hand nachzuprüfen. Wenn du die Schritte ohnehin kennst, ist eine strukturierte KI-Automatisierung günstiger und verlässlicher, als ein Modell sie bei jedem Lauf neu erfinden zu lassen.

Ein Beispiel aus der Praxis: eine Outbound-Engine

Nimm die Outbound-Engine, die wir für E-Commerce-Anbieter gebaut haben. Agenturen und Software-Anbieter, die an Online-Shops verkaufen, brauchen ständig sehr spezifische Leads. Der Ablauf ist bei jedem Durchlauf gleich:

1. ICP festlegen, damit klar ist, wer überhaupt passt.
2. Shops finden, die dazu passen.
3. Den Traffic jedes Shops prüfen.
4. Qualität und Umsatzpotenzial bewerten.
5. Den Entscheider finden und verifizieren, mit E-Mail und Telefon.
6. Den Datensatz ins CRM schreiben.
7. Weiter in die hyperpersonalisierte Ansprache.

Jeder Schritt hat eine richtige und eine falsche Antwort. Da gibt es nichts zu erfinden.

Gibst du die ganze Abfolge an einen einzelnen Agenten, improvisiert er genau da, wo du es nicht wolltest. Er fügt Kriterien hinzu, die plausibel wirken. Er lockert die Filter still und leise, wenn die Liste dünn wird. Das Modell versagt nicht. Es macht, was Agenten eben machen, bei einer Aufgabe, die das Gegenteil belohnt.

Also haben wir es als Pipeline gebaut. Sieben Stufen, jede macht genau einen Job und prüft ihr eigenes Ergebnis, bevor die nächste startet. Ein Shop, der am Traffic-Check scheitert, erreicht das Quality-Scoring nie. KI steckt weiter drin, um unsaubere Daten zu lesen und zu bewerten, aber die Struktur drumherum ist fix, und jede Stufe validiert, bevor sie übergibt.

Heraus kommt eine Liste, aus der du direkt rausschreiben kannst. Keine drei Stunden Aufräumen vorher.

Agentic Workflow vs. KI-Agent

Genau hier wird die Unterscheidung Agentic Workflow vs. KI-Agent wichtig, weil beide ständig durcheinandergeworfen werden. Einem einzelnen autonomen Agenten ein Ziel geben und ihn jeden Schritt selbst entscheiden lassen ist das eine. Einen agentischen Workflow bauen ist das andere: feste Stufen, klare Checks, KI nur in den Boxen, wo wirklich ein Urteil gefragt ist. Beide nutzen Modelle. Nur eines davon ist vorhersehbar.

Die deterministische Variante ist kein Rückschritt. Sie ist der Unterschied zwischen einem System, das du vor einen Kunden stellst, und einer Demo, die funktioniert, bis sie es plötzlich nicht mehr tut.

So entscheidest du, Aufgabe für Aufgabe

Eine grobe Faustregel, zu der wir immer wieder zurückkommen:

• Nimm einen KI-Agenten, wenn die Schritte unklar sind, der Weg sich je nach Fund verzweigt, oder ein Mensch im selben Job auch spontan mitdenken müsste.
• Nimm eine deterministische Automatisierung, wenn die Abfolge feststeht, jeder Schritt ein prüfbares Ergebnis hat und derselbe Input immer dasselbe liefern soll.
• Nimm ein Team aus Agenten, wenn die Aufgabe offen und so groß ist, dass ein einzelner Agent sie nicht im Kontext hält, und die Teilaufgaben wirklich unabhängig sind.

Die meisten echten Systeme sind eine Mischung. Die Kunst ist, die Grenze an der richtigen Stelle zu ziehen: Agenten für die offenen Fragen, Automatisierung für die Teile, die jedes Mal stimmen müssen.

Automatisierung ist nicht die Vergangenheitsform von KI

In der agentischen Ära zu stecken heißt nicht, alles zu einem Agenten zu machen. Die verlässlichsten Systeme, die wir heute ausliefern, sind deterministischer als die von vor zwei Jahren, nicht weniger. Die Modelle sind besser geworden. Also vertrauen wir ihnen die Urteilsfragen an und hören auf, sie auf die Teile aufpassen zu lassen, die nie strittig waren. Weg vom Hype betrachtet bleibt das Muster gleich: Nimm das einfachste Werkzeug, das das Ergebnis wiederholbar macht.

Eine konkrete Version davon: Die E-Commerce-Lead-Engine ist genau die siebenstufige Pipeline aus dem Video, live im Einsatz. Das klarste Beispiel, das wir haben, für Automatisierung und KI, die jeweils genau den Job machen, in dem sie wirklich gut sind.

Wo ziehst du die Grenze in deinem eigenen Stack?