Agentic AI: wann ein Agent das richtige Werkzeug ist — und wann nicht
Einführung · 7 Abschnitte · ~9 Min Lesezeit · Stand
Was ein System agentisch macht
Der Unterschied ist nicht „benutzt ein LLM“, sondern wer den Kontrollfluss steuert. In einem klassischen Workflow entscheidet dein Code, welcher Schritt als Nächstes kommt. In einem Agenten entscheidet das LLM selbst, was als Nächstes zu tun ist — welches Tool, welcher Schritt, wann fertig.
| Workflow | Code steuert den Fluss; feste, bekannte Schritte; deterministisch |
|---|---|
| Agent | LLM steuert den Fluss; Pfad wird zur Laufzeit entschieden; nichtdeterministisch |
Agent vs. Workflow: der Pfad entscheidet
Wenn die Schritte im Voraus bekannt sind (extrahieren → prüfen → speichern), ist das ein Workflow — auch wenn einzelne Schritte ein LLM nutzen. Ein Agent lohnt sich erst, wenn der Pfad selbst unbekannt ist: die nötigen Schritte hängen von Zwischenergebnissen ab, die man vorab nicht kennt.
Der teuerste Fehler: wann NICHT
Der häufigste und teuerste Anfängerfehler ist, einen Agenten zu bauen, wo ein Workflow oder ein einzelner Aufruf gereicht hätte. Für eine gut definierte, hochvolumige Aufgabe addiert ein Agent Nichtdeterminismus, Kosten, Latenz und Angriffsfläche — ohne Gegenwert.
Autonomie ist ein Trade-off
Autonomie ist keine Skala, auf der „mehr“ besser ist. Jede Stufe zusätzlicher Freiheit kauft Fähigkeit und Risiko/Unvorhersehbarkeit. Die Regel: die geringste Autonomie, die die Aufgabe löst.
- Fester Workflow
- LLM wählt aus Optionen
- LLM plant Schritte
- Voll autonomer Agent
Grenz die Aufgabe ein
Ein eng abgegrenzter Agent (klarer Aufgabenbereich, kleine Tool-Menge) ist zuverlässiger, testbarer und sicherer als ein offener „mach-alles“-Generalist. Der Entwurfsraum eines offenen Agenten ist zu groß, um ihn zu prüfen oder abzusichern.
Kosten, Latenz & Nichtdeterminismus
Ein Agent schleift: jede Runde ist mindestens ein LLM-Aufruf. Die Basis-Kosten und -Latenz liegen dadurch weit über einem Einzelaufruf — von Anfang an einplanen und budgetieren.
Und der Pfad ist nichtdeterministisch: dasselbe Ziel kann über verschiedene Schritte laufen. Du kannst keinen exakten Ablauf unit-testen — du testest Ergebnisse und Verhalten über viele Läufe und sicherst mit Guardrails ab.
Nicht mit Multi-Agent anfangen — gleich im Check
Die Versuchung, ein Schwarm aus spezialisierten Agenten zu bauen, ist groß — und meist verfrüht. Multi-Agent addiert Koordinations-Overhead und neue Fehlerquellen. Ein einzelner Agent mit guten Tools trägt erstaunlich weit; erhöhe die Architektur-Komplexität erst bei echtem Bedarf.