Ein KI-Agent ist kein Chatbot mit Werkzeugen, kein verkleideter Workflow. Hier die klare Definition und der Unterschied, der Ihre technischen Entscheidungen ändert.
Ein KI-Agent ist ein System, das selbst entscheidet, welche Schritte es unternimmt, um ein Ziel zu erreichen, und seine Werkzeuge dabei auswählt, im Gegensatz zu einem automatisierten Workflow, bei dem jeder Schritt im Voraus von einem Menschen festgelegt ist. Diese Unterscheidung wirkt auf dem Papier offensichtlich. Sie erklärt jedoch die Hälfte der Missverständnisse, die wir seit zwei Jahren rund um diesen Begriff sehen.
Der Begriff "KI-Agent" wird heute auf so gut wie alles geklebt: ein Chatbot mit ein paar Function Calls, eine n8n-Pipeline mit einem LLM-Aufruf in der Mitte, eine echte autonome Entscheidungsschleife. Dieses Durcheinander ist nicht harmlos. Es führt dazu, dass Teams das falsche Werkzeug für das falsche Problem bauen (oder kaufen). Dieser Artikel nimmt Stellung, wo die Grenze gezogen werden sollte, mit einem konkreten Beispiel und Fehlern, die wir regelmäßig in der Produktion sehen.
Das Problem: Niemand hat die gleiche Definition
Es gibt keine einzige, allgemein anerkannte Definition des Wortes "Agent" in der Industrie. Eine Studie von Simon Willison, einem anerkannten Entwickler in der Tech-Community, hat bei KI-Praktikern eine Vielzahl unterschiedlicher und teilweise widersprüchlicher Definitionen des Begriffs erfasst, manche verwenden ihn für jedes System, das ein Werkzeug aufruft, andere reservieren das Wort für Systeme, die mehrere Schritte ohne menschliche Aufsicht planen können.
Ergebnis: Zwei Unternehmen können genau das gleiche Produkt verkaufen. Das eine nennt es "automatisierter Assistent". Das andere nennt es "autonomer KI-Agent neuer Generation". Der Preis kann sich verdreifachen.
Dieser Mangel an Standards ist nicht nur ein Marketing-Problem. Er hat echte technische Konsequenzen, wenn es darum geht, eine Architektur zu wählen.
Agent vs. Workflow: Die Unterscheidung, die wirklich zählt
Hier ist die praktischste Trennlinie: In einem Workflow ist der Ausführungspfad im Voraus von einem Entwickler geschrieben, Bedingungen, Verzweigungen, eine feste Reihenfolge. Das LLM, falls es eingreift, führt nur eine punktuelle Aufgabe in einem vordefinierten Schritt aus.
In einem Agent entscheidet das Modell selbst über die nächste Aktion: Welches Werkzeug aufgerufen werden soll, in welcher Reihenfolge, wann gestoppt werden soll. Die Schleife ist offen. Niemand hat die genaue Abfolge der Schritte im Voraus geschrieben.
Dieser Unterschied ändert alles in Bezug auf Vorhersagbarkeit, Kosten und Debugging.
| Kriterium | Automatisierter Workflow | KI-Agent |
|---|---|---|
| Reihenfolge der Schritte | Von einem Menschen vorgegeben | Vom Modell in Echtzeit entschieden |
| Vorhersagbarkeit | Hoch, deterministisches Verhalten | Variabel, hängt vom Modelldenken ab |
| Token-Kosten | Vorhersehbar, begrenzt | Kann explodieren (Schleifen, Wiederholungen) |
| Debugging bei Fehler | Einfach, man spielt den fehlgeschlagenen Schritt neu ab | Komplex, man muss das Denken rekonstruieren |
| Typischer Anwendungsfall | Rechnungsstellung, Datenextraktion, Benachrichtigungen | Multi-Step-Suche, Bug-Lösung, Support mit variablem Kontext |
Wir hatten die Verbindungsmechanik zwischen einem Agent und seinen Werkzeugen im Artikel über wie man einen MCP-Server für Claude erstellt detailliert beschrieben. Das MCP-Protokoll standardisiert genau, wie ein Agent externe Werkzeuge entdeckt und aufruft, macht ein System aber nicht von Natur aus zu einem "Agent". Man kann MCP sehr gut auf einen einfachen Workflow aufsetzen.
Ein konkretes Beispiel: Der agentische SOC
Ein gut dokumentierter Fall verdeutlicht den Unterschied: Die agentischen Security Operations Centers (SOCs), die Harvey beschrieben hat. Das System arbeitet dort in einer kontinuierlichen Schleife, Bedrohungssuche, Detektionsentwicklung, Anpassung von Warnmeldungen, wo jeder Schritt den nächsten auf autonome Weise informiert, ohne vordefiniertes Skript für jedes Angriffszenario.
Das ist ein echter Agent, kein verkleideter Workflow. Das Modell passt seine Detektionsstrategie je nach dem an, was es im vorherigen Schritt entdeckt. Ein klassisches Skript hätte jeden Fall im Voraus antizipieren müssen.
Aber hier ist die ehrliche Grenze: Diese Autonomie hat einen Preis. Je länger die Schleife, desto höher die Token-Rechnung und desto größer das Abweichungsrisiko. Das haben wir im Artikel über die echten Kosten der Claude API beziffert, ein Agent, der 15 Mal über ein Problem schleift, kann zehnmal mehr kosten als ein Workflow, der den gleichen Fall in drei festen Aufrufen behandelt.
Anthropric selbst fördert eine Vision, in der die Arbeit immer mehr einer "Mehrspielerkollaboration" zwischen Menschen und autonomen Systemen ähnelt als einer einfachen Automatisierung repetitiver Aufgaben. Aber diese Vision setzt Anwendungsfälle voraus, bei denen die Unvorhersehbarkeit des Denkens echten Wert schafft, nicht jedes Formular zum Ausfüllen.
Warum diese Verwirrung in der Produktion teuer ist
Wir sehen drei Fehler regelmäßig bei Teams, die anfangen.
Der erste: eine vollständige agentische Schleife für ein Bedürfnis bauen, das mit einer Dreibild-Pipeline ausgekommen wäre. Das Ergebnis ist langsamer, teurer und schwerer zu debuggen, für einen Flexibilitätsgewinn, den niemand wirklich nutzt.
Der zweite Fehler ist umgekehrt. Manche Teams nennen ihr Produkt aus reinem Marketing-Argument "Agent", während es sich um einen Chatbot mit grundlegendem Function Calling handelt. Der Kunde erwartet eine Autonomie, die er nie bekommt.
Der dritte, tückischerer Fehler: die Überwachungskosten eines echten Agenten in der Produktion unterschätzen. Ohne feingranulare Observability bei jeder vom Modell getroffenen Entscheidung kann eine Verhaltensabweichung wochenlang unbemerkt bleiben. Wir haben darüber bereits gesprochen, als wir Optionen erkundeten, um einen KI-Agent ohne Budget-Explosion aufzubauen: die Kostenlosigkeit des Modells sagt nichts über die Überwachungskosten aus.
Wenn Ihr Team weniger als fünf Entwickler umfasst und der Anwendungsfall repetitiv ist, wird ein gut strukturierter Workflow oft besser funktionieren als ein schlecht überwachter Agent.
Fazit
Drei Punkte zum Merken. Ein Agent entscheidet seine Aktionsfolge in Echtzeit, ein Workflow führt sie nach einem Voraus-Plan aus, der Unterschied ist nicht kosmetisch, er ändert die Kosten und Vorhersagbarkeit des Systems. Das Wort "Agent" hat keine anerkannte Definition in der Industrie, was es zu einem Marketing-Argument ebenso wie zu einem technischen Begriff macht. Und Autonomie hat echte Kosten in Tokens und Überwachungsaufwand, was den Workflow in der Mehrheit konkreter Fälle vorzieht.
Bevor Sie sich in den Aufbau eines KI-Agenten stürzen, stellen Sie sich eine einfache Frage: Hat Ihr Problem wirklich ein Modell nötig, das improvisiert, oder nur eine zuverlässige Abfolge von Schritten? Wenn Sie möchten, dass wir uns Ihren konkreten Fall zusammen anschauen, ist das fstck.co-Team erreichbar, um darüber zu diskutieren.
Häufig gestellte Fragen
Wie weiß ich, ob mein Projekt einen KI-Agent oder nur einen automatisierten Workflow benötigt?
Stellen Sie sich die Frage zur Variabilität: Wenn die Schritte und ihre Reihenfolge immer gleich sind, reicht ein Workflow. Wenn die Anzahl und die Art der Schritte je nach Kontext jeder Anfrage variieren, wird ein Agent relevant.
Was ist der Unterschied zwischen einem KI-Agent und einem Chatbot mit Function Calling?
Ein Chatbot mit Function Calling führt auf explizite Benutzermanforderung ein punktuelles Werkzeug aus, in einem vom Benutzer geführten Gespräch. Ein Agent ruft mehrere Werkzeuge autonom auf, ohne menschliche Validierung bei jedem Schritt, bis das gesetzte Ziel erreicht ist.
Ist das MCP-Protokoll von Anthropic notwendig, um einen KI-Agent aufzubauen?
Nein. MCP standardisiert die Verbindung zwischen einem Modell und externen Werkzeugen, was die Integration vereinfacht, aber ein Agent kann mit klassischen API-Aufrufen funktionieren. MCP erleichtert die Wartung, es definiert aber nicht, was ein Agent ist.
Kann ein KI-Agent ohne persistenten Speicher funktionieren?
Ja, für kurze, auf eine Sitzung beschränkte Aufgaben. Aber sobald der Agent sich einen Kontext zwischen mehreren, zeitlich getrennten Interaktionen merken muss, wird persistenter Speicher, Vektor-Datenbank oder strukturiertes Speichern, notwendig, um nicht alles bei jedem Aufruf erklären zu müssen.
Warum kostet ein KI-Agent mehr als ein klassischer Workflow?
Weil die Entscheidungsschleife bei jeder Iteration des Denkens Token verbraucht, auch wenn das Modell sich irrt und von vorne anfangen muss. Ein fester Workflow ruft das Modell eine bekannte Anzahl von Malen auf, was seine Kosten vorhersehbar und meist niedriger macht.
