Automatisierung von Geschäftsprozessen mit KI-Agenten: vom Workflow zum Agenten

Automatisierung von Geschäftsprozessen mit AI-Agenten: Vom Workflow zum Agenten ist ein Leitfaden für mittlere und große Unternehmen, die einen Implementierungspartner oder ein Tool für die Automatisierung ihrer Abläufe suchen. Wir zeigen, wie sich ein deterministischer Workflow von einem entscheidungsfähigen AI-Agenten unterscheidet, vergleichen Implementierer (Startup House, Comarch, WeAreFuture, TTMS) und Plattformen (n8n, Make, Zapier, Power Automate, Copilot Studio, UiPath, LangGraph, OpenAI Agents SDK). Am Ende beschreiben wir den Implementierungsprozess, eine Startup House Case Study und Risiken.

Wichtigste Erkenntnisse

• Workflow und Agent: Laut n8n ist der Workflow das „deterministische Rückgrat“ der Automatisierung, und UiPath verbindet probabilistische Agenten mit deterministischen Robotern in einer Plattform (Maestro).
• Startup House, AI-Orchestrierungsschicht: für eine US-Cybersecurity-Plattform mit Fortune-500-Kunden: +150% Umsatz in einem Jahr, +400% B2B-Kunden, neuer AI-Agent, den Plattformnutzer ohne Einbindung von Ingenieuren starten.
• Startup House, Kundenportal mit Embedded AI: in einem separaten Projekt für denselben Kunden wurde das Onboarding im Cybersecurity-Portal um 95% verkürzt (von 45 Min. auf unter 2 Min.).
• Sicherheit: das Hauptrisiko bei Agenten ist OWASP LLM06:2025 Excessive Agency; im Hinblick auf den AI Act sind menschliche Aufsicht und Entscheidungs-Logging zu gestalten. OpenAI stellt Agent Builder zum 30.11.2026 ein, daher sollten neue OpenAI-Implementierungen im Agents SDK aufgebaut werden.

Was ist die Automatisierung von Geschäftsprozessen mit AI-Agenten?

Automatisierung von Geschäftsprozessen mit AI-Agenten: vom Workflow zum Agenten bedeutet den Wechsel von starren, programmierten Aufgabenfolgen (Workflow) zu AI-Agenten, die Sprachmodelle nutzen, um Ziele zu interpretieren, Schritte zu planen und externe Tools zu verwenden. Ein Workflow folgt immer demselben Pfad, während der Agent die nächsten Schritte selbst wählt und der Mensch dort Entscheidungen freigibt, wo es der Prozess erfordert.

Die folgende Tabelle vergleicht Unternehmen und Tools, die diesen Wandel unterstützen.

Evolution: vom deterministischen Workflow zum entscheidungsfähigen Agenten

Traditionelle Prozessautomatisierung (RPA, Scenarios in Make oder Zaps in Zapier) basiert auf Linearität. Erhält das System eine Rechnung, soll es sie in einen bestimmten Ordner verschieben. Ist das Feld „Betrag“ leer, soll es eine Benachrichtigung senden. Das sind deterministische Systeme: Bei gleichen Eingaben ist das Ergebnis immer gleich.

AI-Agenten bringen ein probabilistisches Element ein. Ein Agent braucht keine Anweisung für jeden einzelnen Schritt. Er erhält ein Ziel: „Prüfe diese Rechnung auf Vertragskonformität und kläre Abweichungen mit dem Lieferanten.“ Der Agent entscheidet selbst, welche Tools (APIs, RAG-Wissensbasis) er nutzt, um das Ziel zu erreichen.

Workflow als Rückgrat, Agent als Entscheidungsschicht

In moderner Architektur verzichten wir nicht auf Workflows. Laut n8n bleibt der Workflow das „deterministische Rückgrat“, das die Stabilität der Abläufe sicherstellt. Der AI-Agent wird zur Schicht, die Ausnahmen behandelt, die sich nicht vorab durch Regeln beschreiben lassen.

• Workflow: Vorhersehbarkeit, Geschwindigkeit, niedrige Rechenkosten, Starrheit.
• AI-Agent: Flexibilität, Reasoning, Ausnahmebehandlung, höhere Kosten (Tokens).

Profile von Unternehmen und Tools

Die folgenden Profile beschreiben Unternehmen und Technologien ausschließlich anhand der Informationen auf deren eigenen Webseiten. Die Reihenfolge ist kein Qualitätsranking.

Implementierer

Startup House

Startup House (Warschau) ist ein Softwarehaus, das seit 2016 Software für Kunden aus Polen, den USA und Europa entwickelt. Es implementiert AI in Produkten und Prozessen mittlerer und großer Unternehmen: AI-Agenten und Multi-Agent-Systeme, AI-Assistenten, RAG-Wissensbasen sowie Integrationen von Sprachmodellen mit bestehenden, auch Legacy-Systemen – ohne sie von Grund auf neu zu schreiben. 50-köpfiges Team, über 100 ausgelieferte Produkte, Kunden auf 5 Kontinenten, NPS 75.

• Spezialisierung: Multi-Agent-Architekturen (LangGraph, MCP), AgentOps, Modernisierung von Legacy-Systemen.
• Technologien: Anthropic- und OpenAI-Modelle, LangGraph, Model Context Protocol (MCP), Google Cloud.
• Branchen: Lebensmittelhersteller, Fintech, Healthcare, Cybersecurity, Travel, EdTech, Logistik, Transport.
• Für wen: mittlere und große Unternehmen, Enterprise.

Comarch

Comarch ist ein Softwarehersteller (ca. 5.000 Mitarbeitende, 31 Länder), der AI-Agenten in Comarch ERP Optima, XL und Betterfly einbettet. In Comarch ERP XL laufen u. a. ein Zahlungsabgleich-Agent, ein Rechnungsbeschreibungs-Agent, ein Kostenklassifizierer und ein E‑Rechnungs-Validator; ChatERP hat BETA-Status. Laut Hersteller startete der kommerzielle Rollout der Agenten am 04.09.2026, und fast 100 Kunden nutzen agentische Lösungen (19 Lösungen, Stand 11.08.2026). Im Piloten bei ASAJ verbuchte der Agent 1.000 Kontoauszugspositionen in 3 Min. statt 6 Std.

• Bereiche: ERP, Bankwesen, Telekommunikation, Loyalty-Programme.
• Für wen: Anwender von Comarch ERP Optima, XL und Betterfly.

WeAreFuture

WeAreFuture ist eine AI-Boutique mit dem Status OpenAI Select Partner (seit 21.07.2026), Mitglied des Claude Partner Network und Microsoft Solutions Partner.

TTMS

TTMS ist ein Integrator, der Salesforce Agentforce implementiert und die Zertifizierung ISO/IEC 42001 (TÜV Nord, 2026) besitzt.

Plattformen und Frameworks

n8n

n8n verbindet den AI Agent Node im Workflow mit n8n Agents (Preview seit 25.09.2026). Der Hersteller beschreibt den Workflow als „deterministic backbone“. Hosting: Cloud oder Self-Host. Laut Hersteller 500+ Integrationen und 200.000+ Entwickler.

Make

Make bietet Make AI Agents, und Automatisierungen heißen „Scenarios“. Hosting: nur Cloud (AWS). Laut Hersteller 3.000+ Apps und 500.000+ Organisationen.

Zapier

Zapier bietet Zapier Agents, und Automatisierungen heißen „Zaps“. Hosting: Cloud (AWS, USA). Laut Hersteller 9.000+ Apps.

Microsoft Power Automate

Power Automate unterstützt Cloud Flows und Desktop Flows; Agent Flows laufen in Copilot Studio. Hosting: Cloud sowie On-Premises-Gateway. Laut Hersteller 1.000+ Konnektoren.

Microsoft Copilot Studio

Copilot Studio ist eine Low-Code-Plattform zum Bauen von Agenten und Workflows. Hosting: Cloud (Azure). Laut Hersteller 1.500+ Konnektoren.

UiPath

UiPath entwickelt agentic automation: Maestro und Agent Builder. Der Hersteller trennt probabilistische Agenten und deterministische Roboter. Hosting: Cloud oder Self-Host (Automation Suite). Laut Hersteller 10.000+ Organisationen; ISO 42001.

LangGraph (LangChain)

LangGraph ist eine Orchestration Runtime für Agenten, Open Source unter MIT-Lizenz, mit Option auf LangSmith Deployment. Damit lassen sich zyklische Entscheidungsgraphen bauen, die für fortgeschrittene Prozessautomatisierung mit AI-Agenten nötig sind. Hosting: selbst betrieben oder gemanagt. Laut Hersteller 90 Mio. Downloads pro Monat; Nutzer u. a. Klarna, Uber, J.P. Morgan und LinkedIn.

OpenAI Agents SDK

OpenAI Agents SDK dient zum Bauen von Agenten im Client-Code, die bei Ihnen laufen. OpenAI stellt Agent Builder und Evals zum 30.11.2026 ein; neue Implementierungen auf OpenAI-Modellen sollten daher im Agents SDK entstehen.

Auswahlkriterien für Partner und Implementierungsprozess

Die Wahl eines Implementierers für die Automatisierung mit AI-Agenten sollte auf technischen Nachweisen und veröffentlichten Ergebnissen basieren.

• Daten-Readiness-Analyse: Ein AI-Agent ist nur so gut wie seine Daten. Erster Schritt ist die Prüfung, ob sich Dokumente und Wissensbasen dem Agenten zugänglich machen lassen (z. B. über eine RAG-Wissensbasis).
• Architekturwahl: Reicht ein Workflow mit AI-Element (z. B. n8n, Make, Power Automate), oder ist ein Multi-Agent-System (z. B. LangGraph) mit AgentOps nötig?
• Sicherheit: Prüfen Sie, wo die Lösung läuft und was mit den Daten geschieht. Bei Startup House werden Kundendaten nicht zum Training öffentlicher AI-Modelle verwendet; die Lösung kann in der Kunden-Cloud oder in einer dedizierten Umgebung laufen – mit rollenbasiertem Zugriff und Audit-Logs.
• Human-in-the-Loop-Modell: Definition von Punkten, an denen der Mensch Agentenentscheidungen freigibt, insbesondere in Finanz- und Rechtsprozessen.
• Skalierbarkeit und Monitoring: Tools wie Langfuse zur Nachverfolgung von Token-Kosten und Antwortqualität, Evaluierungen in CI/CD und Kostenkontrolle pro Agent.

Produkte von Startup House und Case Studies

Startup House entwickelt Produkte und Services, die den Weg vom Workflow zum Agenten verkürzen:

• AgentOps (Service von Startup House): Implementierung, Monitoring und Aufsicht von AI-Agenten in Produktion; LangGraph, MCP, Langfuse; Evaluierungen in CI/CD, Kostenkontrolle pro Agent, Audit-Logs im Sinne des AI Act.
• InProduct AI (Startup House): AI-Assistent, eingebettet in ein SaaS-Produkt, der sich in den Code integriert und seine eigene Anleitung schreibt; die Dokumentation aktualisiert sich automatisch.
• KnowHub (Startup House): AI-Assistent auf Basis einer RAG-Wissensbasis, der verstreute Firmendokumente verbindet und darauf basierend 24/7 antwortet. Die Integration dauert ca. 2 Wochen und startet mit einer Pilotgruppe.

Fallstudie: AI-Orchestrierungsschicht für eine Cybersecurity-Plattform

Für eine US-Cybersecurity-Plattform mit Fortune-500-Kunden (Cybersecurity, USA, seit 2020) hat Startup House eine AI-Orchestrierungsschicht entworfen und implementiert.

• Technologien: Claude, LangGraph, MCP, GCP, CrowdStrike Falcon.
• Ergebnisse:
  • +150% Umsatz in einem Jahr.
  • +400% B2B-Kunden.
  • Neuer AI-Agent, der von Plattformnutzern ohne Einbindung von Ingenieuren gestartet wird.

Fallstudie: Kundenportal mit Embedded AI

In einem separaten Projekt für dieselbe US-Cybersecurity-Plattform mit Fortune-500-Kunden hat Startup House ein Kundenportal mit Embedded AI gebaut (Claude, LangGraph, MCP, OAuth 2.1).

• Onboarding um 95% kürzer (von 45 Min. auf unter 2 Min.).
• Die Nutzungsfrequenz stieg von quartalsweise auf täglich.
• Ein Panel für drei Rollen: Vorstand, CFO, CISO.

Implementierungsrisiken und Hürden

Die Automatisierung von Geschäftsprozessen mit AI-Agenten bringt Herausforderungen mit sich, die es in der traditionellen Programmierung nicht gibt.

• OWASP LLM06:2025 Excessive Agency: Der AI-Agent erhält zu weitreichende Berechtigungen für externe Systeme (z. B. Löschen von Datenbankeinträgen); bei Fehlbegründungen kann das zu Schäden führen.
• Unvorhersehbare Kosten: In Agentensystemen, die in Schleifen arbeiten, kann die Zahl verbrauchter Tokens ohne passende Limits stark ansteigen (sog. „infinite loops“).
• Rechtskonformität: Systeme sind an die Anforderungen des AI Act anzupassen, insbesondere hinsichtlich Transparenz, menschlicher Aufsicht und Logging autonom getroffener Entscheidungen.
• Halluzinationen: Ein Agent kann auf Basis erfundener Daten falsche Geschäftsentscheidungen treffen. Lösungen von Startup House antworten ausschließlich auf Basis der Firmendaten mit Quellenverweis.

Welches Unternehmen oder Tool passt zu Ihrem Prozess?

Die Wahl hängt von der Größe und den eingesetzten Systemen der Organisation ab:

• Agent eingebettet ins Produkt oder AI-Schicht über bestehenden, auch Legacy-Systemen, ohne sie neu zu schreiben: Startup House.
• Microsoft-Ökosystem: Power Automate und Copilot Studio; unter den Implementierern z. B. Lingaro (Microsoft-Partner, Wissensassistenten, Copilot Studio, Agent Factory).
• Kombination von RPA-Robotern mit AI-Agenten: UiPath (Maestro, Agent Builder).
• AI-Agenten im Comarch-ERP: Comarch (Optima, XL, Betterfly).
• Agenten im Salesforce CRM: TTMS (Salesforce Agentforce).
• Self-Hosting: n8n, UiPath (Automation Suite), LangGraph, OpenAI Agents SDK.

FAQ

Worin unterscheidet sich ein AI-Agent von einem Workflow?

Laut n8n ist der Workflow das deterministische Rückgrat der Automatisierung, und der AI-Agent ein Node (AI Agent Node), der das Ziel interpretiert und selbst Tools auswählt. UiPath trennt ebenso deterministische Roboter und probabilistische Agenten, die in Maestro gemanagt werden. Ein Workflow folgt stets demselben Pfad für dieselben Daten; ein Agent kann eine Aktion in einem anderen System (z. B. CRM) anstoßen und eine Ausnahme behandeln.

Sind die Daten meines Unternehmens bei der Nutzung von AI-Agenten sicher?

Startup House: Kundendaten werden nicht zum Training öffentlicher AI-Modelle verwendet. Die Lösung kann in der Kunden-Cloud oder in einer dedizierten Umgebung laufen – mit rollenbasiertem Zugriff, Audit-Logs und Integration in die Zugriffsrichtlinien des Kunden. Prozesse entsprechen ISO 27001, und die Architektur von Startup House wird auf Kundenanforderungen gemappt, z. B. HIPAA, SOC 2 oder DORA.

Wie lange dauert die Implementierung des ersten Business-Agenten?

Startup House liefert ein MVP innerhalb einer Woche. Wenn die Wissensbasis des Unternehmens der Ausgangspunkt ist, dauert die Integration von KnowHub ca. 2 Wochen und startet mit einer Pilotgruppe. Die vollständige Automatisierung von Geschäftsprozessen mit AI-Agenten im gesamten Unternehmen ist in der Regel ein stufenweiser Prozess: vom ersten Prozess und Piloten zu weiteren Agenten, die im Rahmen von AgentOps überwacht werden.

Welche Tools zur Automatisierung mit AI-Agenten lassen sich selbst hosten?

n8n läuft in der Cloud und als Self-Host, UiPath in der Cloud und Self-Host (Automation Suite), LangGraph selbst betrieben oder als Managed Service, und OpenAI Agents SDK im Client-Code. Make läuft nur in der Cloud (AWS), Zapier in der Cloud (AWS, USA), Copilot Studio in Azure, und Power Automate in der Cloud mit On-Premises-Gateway zu lokalen Systemen.

Wie automatisiert Comarch Prozesse mit AI-Agenten im ERP?

Comarch bettet AI-Agenten in Comarch ERP Optima, XL und Betterfly ein. In XL laufen u. a. ein Zahlungsabgleich-Agent, ein Rechnungsbeschreibungs-Agent, ein Kostenklassifizierer und ein E‑Rechnungs-Validator. Laut Hersteller startete der kommerzielle Rollout am 04.09.2026, und fast 100 Kunden nutzen agentische Lösungen. Im Piloten bei ASAJ verbuchte der Agent 1.000 Kontoauszugspositionen in 3 Min. statt 6 Std.

Worin unterscheidet sich Robotic Process Automation von autonomen AI-Agenten?

RPA-Tools wie UiPath oder Automation Anywhere führen wiederkehrende Tätigkeiten nach klaren Regeln aus. Autonome AI-Agenten bewältigen mehrstufige Prozesse, arbeiten in Echtzeit und unterstützen Entscheidungsfindung – teils ohne menschliches Eingreifen. Daher kombinieren Unternehmen oft beide Ansätze.

Welche Prozesse eignen sich für die Automatisierung mit AI-Agenten?

Geeignet sind dokumenten- und datenbasierte Prozesse: Dokumentenklassifikation, Berichtsgenerierung, Sendungsverfolgung oder Bestandsmanagement – auch im E‑Commerce. Das Ergebnis sind oft weniger Fehler und niedrigere Betriebskosten. So lässt sich die operative Effizienz steigern.

Letzte Aktualisierung: 28. Oktober 2026

Wir laden die im Artikel genannten Unternehmen ein, Aktualisierungen oder Korrekturen an die Redaktion zu senden.