Agentic Workflow
Was ist ein Agentic Workflow?
Im Kern beschreibt ein Agentic Workflow einen agentenbasierten Prozessablauf, in dem autonome AI-Agenten als goal-driven Entitäten agieren: Sie nehmen ihre Umgebung wahr, betreiben Reasoning und leiten daraus Aktionen ab. Im Gegensatz zu Robotic Process Automation (RPA), die strikt regelbasiert Prozessschritte abarbeitet, treffen Agenten kontextuelle Entscheidungen innerhalb definierter Rahmenbedingungen – ein Konzept, das in der Forschung als Framed Autonomy bezeichnet wird. Der Rahmen ist dabei entscheidend: Agenten operieren nicht grenzenlos, sondern innerhalb eines Agentic Business Process Management (APM)-Systems, das Explainability, Prozessbewusstsein und kontrollierte Selbstmodifikation ermöglicht. Verwandte Konzepte sind Multi-Agent Systems, Retrieval-Augmented Generation (RAG) und Tool Use – letzteres beschreibt die Fähigkeit von Agenten, externe Services, APIs oder Modelle dynamisch einzubinden.
Wie funktioniert ein Agentic Workflow?
Ein Agentic Workflow basiert auf einem proaktiven Control-Thread: Der Agent hält seinen eigenen Zustand aufrecht, statt passiv auf Eingaben zu warten. Architektonisch gliedert sich das in vier Kernkomponenten. Erstens die Perception: Der Agent liest Eingaben aus verschiedenen Quellen – Dokumente, Sensordaten, API-Responses. Zweitens das Reasoning: Ein zugrundeliegendes Large Language Model (LLM) oder ein spezialisiertes Planungsmodul generiert einen Aktionsplan. Drittens die Tool Selection: Der Agent wählt dynamisch aus einem Repertoire von Skills – Messaging-Dienste, Datenbankabfragen, weitere KI-Modelle oder Code-Execution-Umgebungen. Viertens das Memory: Persistentes Gedächtnis erlaubt es dem Agenten, über mehrere Schritte und Sessions hinweg kohärent zu handeln. Sicherheitstechnisch ist genau diese Persistenz der kritische Punkt: Agentic Systems brechen das klassische Modell stateless verarbeiteter Prompts auf und erfordern daher neue Security-Frameworks, etwa zur Inventarisierung aktiver Skills und zur Risikobewertung von Tool-Integrationen wie dem Model Context Protocol (MCP).
Agentic Workflow in der Praxis
Googles Project Bluesky auf Vertex AI setzt Agenten – darunter Gemini und Imagen – ein, um Advertising-Kampagnen in Echtzeit zu optimieren. Looker fungiert dabei als Event Bus, über den Agenten kontinuierlich Daten lesen und Gebote oder Creatives autonom anpassen. Ein weiteres Paradebeispiel ist Claude Code von Anthropic: Das Tool plant Coding-Tasks, schreibt Code, führt Tests aus und committet Ergebnisse direkt ins Repository – vollständig im Terminal, ohne manuellen Eingriff. Im Enterprise-Bereich orchestriert Oracle AI-Automation durch die Kombination von RPA mit LLMs und NLP, um Dokumentenverarbeitung, Fraud Detection und medizinische Bildanalyse als Multistep-Tasks zu automatisieren. Vector Search und RAG erhöhen dabei die Präzision der Entscheidungen erheblich.
Vorteile und Grenzen
Der offensichtliche Vorteil: Agentic Workflows skalieren kognitive Arbeit. Aufgaben, die bisher menschliche Urteilsfähigkeit erforderten – Planung, Kontextinterpretation, Fehlerkorrektur –, lassen sich teilweise delegieren. Die Flexibilität gegenüber starren RPA-Skripten ist real und messbar. Doch die Grenzen sind genauso real. Agenten mit persistentem Memory und dynamischem Tool-Zugriff schaffen eine neue Angriffsfläche: Prompt Injection, unkontrollierte Tool-Aufrufe oder fehlerhafte Planungsschritte können Schäden verursachen, die klassische Automatisierung schlicht nicht produzieren kann. Explainability – also die Nachvollziehbarkeit von Agentenentscheidungen – bleibt ein ungelöstes Problem in produktiven Umgebungen. Und schließlich: Framed Autonomy setzt voraus, dass der Rahmen korrekt definiert ist. Schlechte Prozessmodellierung wird durch einen Agenten nicht korrigiert – sie wird verstärkt.