Agentic Workflow bezeichnet einen KI-gestützten Arbeitsablauf mit mehreren Schritten: planen, ausführen, prüfen und verbessern. Wichtig ist die Abgrenzung zwischen eher fest verdrahteten Workflows und stärker autonomen Agenten, die ihren nächsten Schritt dynamisch selbst bestimmen.

Definition

Ein Agentic Workflow ist ein Prozess, bei dem KI nicht nur eine einzelne Antwort erzeugt, sondern eine Aufgabe in mehrere Schritte zerlegt, diese Schritte ausführt, Zwischenergebnisse auswertet und den Ablauf bei Bedarf wiederholt. "Agentic" meint dabei: Das System verhält sich teilweise handlungsorientiert, etwa durch Planung, Tool-Nutzung und Rückkopplung aus Ergebnissen.

Für Leser ohne Fachhintergrund: Ein LLM ist ein großes Sprachmodell, ein Tool ist eine angebundene Funktion oder externe Fähigkeit, und eine Evaluationsschleife bedeutet, dass ein Ergebnis geprüft und verbessert wird, bevor der Ablauf abgeschlossen ist.

Bedeutung im KI-Kontext

Im KI-Kontext steht Agentic Workflow für den Wandel von einfacher Prompt-Antwort zu KI-gestützter Arbeit. Der bestehende Wiki-Kontext nennt dafür Rechercheberichte, Coding, Browser, Marketingplattformen und Unternehmensagenten als wiederkehrende Felder.

Die gelieferten Analyse-Sidecars stützen diese Einordnung vorsichtig: Sie beschreiben verwandte Fälle wie Browser-Operatoren, selbstständiges Klicken und Formularausfüllen, digitale Assistenten sowie Systeme, die Aufgaben selbstständig erledigen. Mehrere Sidecars markieren die Zuordnung aber als verwandt oder nicht exakt, deshalb sollte der Begriff nicht als wörtliches Newsletter-Zitat behandelt werden.

Abgrenzung: Workflow, Agent und Tool Use

Ein wichtiger Unterschied: Ein Workflow kann stark vorgegeben sein, etwa wenn Codepfade festlegen, wann welches Modell oder Tool aufgerufen wird. Ein Agent ist stärker autonom, wenn das Modell selbst dynamisch entscheidet, wie es die Aufgabe bearbeitet und welche Tools es nutzt.

Tool Use ist ein Baustein solcher Workflows, aber nicht dasselbe wie der gesamte Workflow. Tools erweitern die Fähigkeiten eines Modells, zum Beispiel durch Websuche, Dateisuche, eigene Funktionen, MCP-Server oder Zugriff auf Drittanbieter-Dienste. Der Agentic Workflow beschreibt dagegen die gesamte Abfolge aus Ziel, Planung, Tool-Aufrufen, Auswertung und möglichen Wiederholungen.

Typische Muster

Häufige Muster sind Prompt Chaining, Routing, Parallelisierung, Orchestrator-Worker-Strukturen und Evaluator-Optimizer-Schleifen. Prompt Chaining bedeutet, dass ein Schritt die Ausgabe des vorherigen Schritts weiterverarbeitet. Routing leitet unterschiedliche Eingaben an passende Teilprozesse weiter. Parallelisierung lässt mehrere Teilaufgaben gleichzeitig laufen. Ein Orchestrator-Worker-Muster lässt eine zentrale Instanz Aufgaben aufteilen und Ergebnisse zusammenführen. Eine Evaluator-Optimizer-Schleife erzeugt zunächst ein Ergebnis und lässt es anschließend bewerten und verbessern.

Diese Muster machen den Begriff praktisch greifbar: Ein Agentic Workflow muss nicht zwingend ein vollständig autonomer "digitaler Mitarbeiter" sein. Er kann auch ein kontrollierter, mehrstufiger Ablauf sein, der nur dort mehr Autonomie nutzt, wo sie einen messbaren Vorteil bringt.

Praktische Beispiele

Ein einfaches Beispiel ist ein Schreib- oder Marketingprozess: Erst wird ein Entwurf erstellt, dann geprüft, dann übersetzt oder überarbeitet. Anthropic nennt solche festen, zerlegbaren Aufgaben als passende Fälle für Workflow-Muster.

Komplexere Beispiele liegen bei Coding- und Suchaufgaben: Ein System kann Informationen aus mehreren Quellen sammeln, Zwischenergebnisse prüfen, weitere Suchen anstoßen oder Codeänderungen anhand von Tests iterieren. Das passt zur AI-Breakdown-Einordnung, die Agentic Workflows unter anderem bei Rechercheberichten, Coding und Browsern verortet.

Risiken und Qualitätsfragen

Agentic Workflows erhöhen oft Komplexität, Laufzeit und Kosten. Sie können Fehler über mehrere Schritte weitertragen, wenn Zwischenergebnisse nicht geprüft werden. Deshalb sind klare Tool-Beschreibungen, sichtbare Planungsschritte, Tests, Guardrails, Stoppbedingungen und menschliche Kontrollpunkte wichtig.

Im aktuellen Wiki-Entwurf wird außerdem betont, dass komplexe Workflows Observability und klare Übergabepunkte brauchen. Observability bedeutet hier: Es muss nachvollziehbar bleiben, welcher Schritt welchen Nutzen erzeugt oder welchen Fehler verursacht hat.

Weitere Seiten

Quellen und Belege

AI-Breakdown-Ausgaben

Externe Quellen