Agentic Workflows: Die KI hat recht. Meistens.

Workflow-Automatisierung: Verlässlichkeit ist kein Zufall

Bei einem Werbetext ist ein Fehler ärgerlich. Bei einer Rechnungsfreigabe, einer Diagnosezusammenfassung oder einem regulierten Ablauf ist er ein Risiko.

Unternehmensprozesse verlangen zwei Dinge gleichzeitig. Da sind Schritte, die immer gleich ablaufen müssen. Ab einem bestimmten Betrag braucht eine Bestellung eine Freigabe. Ein Datensatz mit einem bestimmten Status wandert ins ERP. Eine regulatorische Prüfung folgt einem festen Schema. Kreativität ist hier fehl am Platz.

Und da sind Aufgaben, bei denen Sprachmodelle, also die Technik hinter KI-Assistenten, ihre Stärke ausspielen: Texte zusammenfassen, Anliegen klassifizieren, Sprache verstehen, Auffälligkeiten erkennen.

Problematisch wird es, wenn ein Werkzeug beides gleich behandelt. Dann entscheidet ein Modell, wo eine Regel genügt. Oder Unternehmen müssen zwischen Flexibilität und Verlässlichkeit wählen, obwohl ihre Prozesse beides brauchen.

KI-Agenten: Ein Agent ist noch kein Prozess

Hinter Agentic Workflows steht eine starke Idee: KI übernimmt nicht nur einzelne Aufgaben, sondern trifft selbst Entscheidungen und koordiniert Schritte. In Demos überzeugt das. Im Alltag stößt der rein agentische Ansatz an eine strukturelle Grenze.

Sprachmodelle arbeiten mit Wahrscheinlichkeiten. Dieselbe Eingabe kann zu unterschiedlichen Ergebnissen führen. Für eine Zusammenfassung ist das in Ordnung. Für eine Rechenregel, eine Freigabegrenze oder einen vorgeschriebenen Ablauf nicht.

Wer solche Schritte einem Modell überlässt, bekommt inkonsistente Ergebnisse, schwer nachvollziehbare Entscheidungen und Prozesse, denen niemand traut. Das ist kein Vorwurf an die KI. Es ist eine nüchterne Beschreibung dessen, wofür sie gebaut ist.

Dazu kommen die Kosten. Wer in jedem Schritt auf KI setzt, zahlt auch in jedem Schritt: Abgerechnet wird nach Tokens oder Aufrufen, selbst für eine einfache Weiterleitung. Und die Fehler summieren sich. Selbst bei 95 Prozent Genauigkeit pro Schritt liegt die Gesamtgenauigkeit eines Workflows mit fünf Schritten nur noch bei rund 77 Prozent, rechnet Volkan Jacobsen, Managing Partner bei Factorial, vor.

Agentic Workflows mit FlowDrop: Die KI redet mit, die Regel entscheidet

Genau hier setzt FlowDrop an: bei der Architektur. Der visuelle Workflow-Editor für KI-Agenten ist ein Open-Source-Projekt von Factorial. Sprachmodelle und feste Geschäftsregeln stehen darin gleichberechtigt nebeneinander. Nutzen lässt er sich auf drei Wegen: vollständig in Drupal, eingebettet in die eigene Anwendung oder gehostet von Factorial.

Ein Schritt kann ein Modellaufruf sein, etwa für eine Zusammenfassung oder eine Klassifikation. Der nächste kann eine Regel sein, die immer gleich ausgewertet wird. Egal, was das Modell vorher geliefert hat.

Der Unterschied: FlowDrop übergibt nicht den ganzen Prozess an einen Agenten. Das Projekt folgt dem Grundsatz „vorhersehbar statt autonom“. Fest definierte Abläufe liefern Ergebnisse, die sich wiederholen und überprüfen lassen. Jede Verbindung im Workflow ist sichtbar, und jede Ausführung hinterlässt einen dauerhaften Nachweis.

Das Prinzip dahinter: Das Modell schlägt eine Aktion vor und begründet sie. Ausgeführt wird sie von FlowDrop. So entstehen Kontrollen außerhalb des Modells, die sich nicht wegdiskutieren lassen. Ein Agent kann nur die Aktionen nutzen, die für ihn freigeschaltet sind. Jeder Aufruf lässt sich vor und nach der Ausführung gegen eigene Regeln prüfen. Und was wirklich zählt, geht vorher über den Tisch eines Menschen. Eine Anweisung an das Modell ist eine Bitte. Eine Regel im Workflow ist eine Kontrolle.

Was ein Workflow bedeutet, legt eine offene Spezifikation mit 399 Regeln fest. Damit verhält sich derselbe Workflow überall gleich, egal auf welchem System er läuft.

Drei Eigenschaften machen das für Unternehmen relevant:

• Der Mensch ist eingeplant. Workflows pausieren mitten im Lauf, holen Freigaben, Auswahlen oder Formulareingaben ein und laufen automatisch weiter, sobald jemand antwortet. In Drupal wird festgehalten, wer was wann freigegeben hat. So geht nichts ohne Freigabe live.
• Die Daten gehören Ihnen. Workflows liegen in der eigenen Datenbank, FlowDrop selbst greift nicht auf die Daten zu. In Drupal läuft alles innerhalb der eigenen Website, kein FlowDrop-Dienst außerhalb. Außerhalb von Drupal lässt sich FlowDrop gehostet oder selbst betrieben nutzen, auch auf eigenen Servern (On-Premise). Gerade in regulierten Branchen ist das ein wichtiges Kriterium.
• Open Source heißt Kontrolle. Der Editor steht unter MIT-Lizenz und ist frei nutzbar, auch in kommerziellen Projekten. Er lässt sich an jedes System anbinden, das eine gängige Webschnittstelle bereitstellt. Eine neue Insellösung entsteht nicht. Keine Abhängigkeit von einem Anbieter, der morgen seine Konditionen ändert.

Für KI-Systeme, die der EU AI Act als hochriskant einstuft, verlangt er menschliche Aufsicht, Aufzeichnung und Transparenz. In FlowDrop haben diese Pflichten einen konkreten Ort: einen Freigabeschritt, den das System erzwingt, und ein Entscheidungsprotokoll in der eigenen Datenbank.

Praxisbeispiel KI-Prozessautomatisierung: Ein Postfach, zwei Wege

Ein Unternehmen will eingehende Kundenanfragen automatisieren. Das Anliegen soll erkannt, an das richtige Team weitergeleitet, bei bestimmten Merkmalen eskaliert und im CRM dokumentiert werden.

Im rein agentischen Ansatz entscheidet ein Modell über alles, auch über Weiterleitung und Eskalation. Ob eine Anfrage beim richtigen Team landet, hängt dann davon ab, wie die E-Mail formuliert ist. Nachvollziehen lässt sich das kaum.

Mit FlowDrop sieht derselbe Prozess so aus:

1. Das Modell klassifiziert das Anliegen. Genau dafür ist es stark.
2. Feste Regeln leiten die Anfrage weiter. Gleiche Bedingung, gleiches Ergebnis.
3. Die Eskalationsschwelle ist eine Geschäftsregel, kein Urteil des Modells.
4. Bei Grenzfällen hält der Workflow an und wartet auf die Entscheidung eines Menschen.
5. Der Eintrag im CRM folgt automatisch.

Das Ergebnis ist ein Prozess, dem man vertrauen kann. Nicht, weil die KI keine Fehler macht. Sondern weil die Architektur ihre Fehler dort abfängt, wo sie nicht passieren dürfen. Das Team kümmert sich um die Fälle, die wirklich Urteilsvermögen brauchen. Den Rest erledigt der Workflow.