Chatbots, KI-Workflows und KI-Agenten einfach erklärt
Chatbots antworten auf Eingaben, KI-Workflows folgen einem festgelegten Ablauf, KI-Agenten planen und handeln mit Tools. Der Unterschied entscheidet darüber, welche Aufgaben sinnvoll automatisiert werden können und wo menschliche Kontrolle nötig bleibt.
In diesem Artikel
Artikel
- Lesezeit
- 8 Min. Lesezeit
- Veröffentlicht
- Format
- Guide
- Niveau
- Einsteiger
- Thema
- KI in Unternehmen
Begriffe wie KI-Agent, Agentic AI, autonomer Workflow oder Copilot tauchen inzwischen in fast jeder Produktankündigung auf. Das Problem: Oft wird alles, was ein Sprachmodell mit einem Tool verbindet, sofort als „Agent“ verkauft. Für die Praxis ist diese Unterscheidung aber wichtig.
Ein Chatbot, ein KI-Workflow und ein KI-Agent können alle auf einem Sprachmodell basieren. Sie unterscheiden sich vor allem darin, wer den Ablauf bestimmt: der Mensch, ein fest definierter Prozess oder das KI-System selbst.
Dieser Artikel erklärt die drei Stufen ohne technischen Ballast. Er richtet sich an Menschen, die ChatGPT, Microsoft Copilot, Gemini oder Claude bereits nutzen und verstehen wollen, wann einfache Prompts reichen, wann strukturierte Workflows sinnvoll sind und wann echte Agenten mehr leisten können, aber auch mehr Kontrolle brauchen.
Kurzfassung
- Chatbots reagieren auf eine Eingabe und liefern eine Antwort. Sie sind ideal für einzelne Denk-, Schreib- und Rechercheaufgaben.
- KI-Workflows verbinden ein Modell mit festen Schritten, Datenquellen oder Tools. Der Ablauf wird vorher von Menschen definiert.
- KI-Agenten bekommen ein Ziel, planen Zwischenschritte, nutzen Tools, prüfen Ergebnisse und entscheiden innerhalb gesetzter Grenzen selbst weiter.
- Je mehr Autonomie ein System bekommt, desto wichtiger werden Datenschutz, Berechtigungen, Protokollierung, Tests und menschliche Freigaben.
Die einfache Unterscheidung
Man kann die drei Begriffe mit einer einfachen Frage auseinanderhalten: Wer entscheidet über den nächsten Schritt?
- Beim Chatbot entscheidet der Mensch. Er stellt eine Frage, bewertet die Antwort und gibt bei Bedarf die nächste Anweisung.
- Beim KI-Workflow entscheidet der zuvor gebaute Prozess. Wenn A passiert, folgt Schritt B, dann Schritt C.
- Beim KI-Agenten entscheidet das Modell innerhalb eines Rahmens selbst, welche Schritte, Tools oder Rückfragen nötig sind, um ein Ziel zu erreichen.
Diese Grenze ist nicht immer messerscharf. Moderne Systeme kombinieren oft mehrere Muster. Ein Kundenservice-Agent kann zum Beispiel wie ein Chatbot wirken, intern aber feste Workflows nutzen und in bestimmten Fällen agentisch planen. Trotzdem hilft die Unterscheidung, weil sie sichtbar macht, wo Kontrolle, Kosten und Risiko entstehen.
Level 1: Chatbots antworten auf Eingaben
Ein KI-Chatbot ist die vertrauteste Form generativer KI. Ein Mensch gibt eine Eingabe ein, das Sprachmodell erzeugt eine Antwort. Beispiele sind ChatGPT, Claude, Gemini, Microsoft Copilot Chat oder viele spezialisierte Assistenten in Webseiten und Apps.
Chatbots sind gut, wenn die Aufgabe im Moment erledigt werden kann: einen Text umformulieren, eine E-Mail entwerfen, eine Idee strukturieren, ein Konzept erklären, eine Tabelle interpretieren oder eine Checkliste erstellen. Sie funktionieren besonders gut, wenn der Mensch den Kontext liefert und die Antwort anschließend selbst prüft.
Die Grenze wird sichtbar, sobald der Chatbot Informationen oder Handlungen braucht, auf die er keinen Zugriff hat. Wenn man fragt „Wann ist mein nächster Zahnarzttermin?“, kann ein normaler Chatbot nur dann korrekt antworten, wenn er den Kalender kennt oder der Termin im Gespräch genannt wurde. Ohne Datenzugriff bleibt die Antwort Spekulation.
Chatbots eignen sich besonders für
- Entwürfe, Erklärungen und Zusammenfassungen
- Brainstorming, Strukturierung und Perspektivwechsel
- Aufgaben, bei denen ein Mensch die Fakten und das Ergebnis prüft
- Situationen ohne Zugriff auf sensible interne Systeme
Level 2: KI-Workflows folgen einem festgelegten Ablauf
Ein KI-Workflow geht einen Schritt weiter. Das Sprachmodell bekommt nicht nur eine Aufgabe, sondern wird in einen Prozess eingebaut. Dieser Prozess kann Daten abrufen, Zwischenergebnisse speichern, andere Tools aufrufen oder eine Aufgabe mehrfach ausführen.
Das Entscheidende: Der Ablauf ist vorher definiert. Ein Mensch oder ein Team legt fest, welche Schritte es gibt, welche Datenquellen genutzt werden, welche Bedingungen gelten und wann der Prozess endet. Google beschreibt solche Workflow-Agenten im Agent Development Kit als vorhersehbare Ausführungslogik, die zum Beispiel sequenziell, parallel oder in Schleifen laufen kann. Microsoft Copilot Studio trennt ähnlich zwischen Agenten und Flows, die Aufgaben automatisieren und auch menschliche Review-Schritte enthalten können.
Ein einfaches Beispiel: Eine neue Kundenanfrage kommt per Formular herein. Der Workflow liest die Anfrage, ordnet sie einer Kategorie zu, sucht in einer Wissensdatenbank nach passenden Informationen, erzeugt einen Antwortentwurf und legt ihn im Ticketsystem zur Prüfung ab. Das Modell hilft bei Sprache und Einordnung, aber der Prozess selbst ist vorgegeben.
Auch RAG, also Retrieval Augmented Generation, passt häufig in diese Kategorie. Dabei sucht ein System vor der Antwort in definierten Quellen, etwa in internen Dokumenten, Handbüchern oder Wissensdatenbanken. Das Modell antwortet dann nicht nur aus seinem allgemeinen Training, sondern mit zusätzlichem Kontext aus diesen Quellen.
Workflows eignen sich besonders für
- wiederkehrende Aufgaben mit klaren Schritten
- Prozesse, bei denen bestimmte Datenquellen kontrolliert genutzt werden sollen
- Automatisierungen mit Freigabe vor Veröffentlichung, Versand oder Änderung
- Aufgaben, bei denen Nachvollziehbarkeit wichtiger ist als maximale Autonomie
Level 3: KI-Agenten planen und handeln mit Tools
Ein KI-Agent bekommt nicht nur einen einzelnen Prompt und auch nicht nur einen festen Ablauf. Er bekommt ein Ziel und einen Handlungsrahmen. Innerhalb dieses Rahmens kann er planen, Tools verwenden, Zwischenergebnisse bewerten, Fehler erkennen, Rückfragen stellen und weitere Schritte auslösen.
Die OpenAI-Dokumentation zu Agents beschreibt Agenten als Anwendungen, die planen, Tools aufrufen, mit spezialisierten Teilagenten zusammenarbeiten und genug Zustand behalten, um mehrstufige Arbeit abzuschließen. Anthropic unterscheidet in Building Effective Agents klar zwischen Workflows mit vordefinierten Pfaden und Agenten, die bei offenen Problemen selbst entscheiden, welche Schritte nötig sind.
Ein Beispiel: Statt einem Workflow zu sagen „nimm diese fünf Links und schreibe daraus fünf LinkedIn-Posts“, könnte ein Agent das Ziel bekommen: „Bereite für nächste Woche fünf fachlich belastbare LinkedIn-Beiträge zum Thema KI in der Verwaltung vor.“ Der Agent könnte dann Quellen recherchieren, ungeeignete Quellen verwerfen, Entwürfe schreiben, sie mit einer Checkliste bewerten, Verbesserungen vornehmen und am Ende um Freigabe bitten.
Das klingt mächtig, hat aber einen Preis. Agenten verbrauchen mehr Rechenzeit, sind schwieriger zu testen und können Fehler über mehrere Schritte fortschreiben. Wenn ein Agent Zugriff auf E-Mail, Kalender, CRM, Dateien, Browser oder interne Datenbanken bekommt, wird aus einer falschen Antwort schnell eine falsche Aktion. Deshalb ist Autonomie kein Selbstzweck.
Agenten eignen sich besonders für
- offene Aufgaben, bei denen die nötigen Zwischenschritte vorher nicht vollständig bekannt sind
- Recherche-, Analyse- oder Entwicklungsaufgaben mit klar prüfbaren Ergebnissen
- Prozesse, in denen Tools kontrolliert genutzt und alle Aktionen protokolliert werden
- Umgebungen, in denen sensible Aktionen erst nach menschlicher Freigabe ausgeführt werden
Warum nicht alles ein Agent sein sollte
Viele Aufgaben werden besser, wenn man sie einfacher löst. Ein guter Prompt ist oft schneller, billiger und transparenter als ein Agent. Ein klarer Workflow ist oft zuverlässiger als ein System, das jeden Schritt selbst plant. Agenten lohnen sich vor allem dort, wo der Prozess wirklich variabel ist und die zusätzliche Flexibilität messbar bessere Ergebnisse bringt.
Ein guter Grundsatz lautet: Erst Chatbot, dann Workflow, dann Agent. Wenn eine Aufgabe mit einem Prompt zuverlässig erledigt werden kann, braucht sie keinen Agenten. Wenn eine Aufgabe in stabile Schritte zerlegt werden kann, braucht sie meistens einen Workflow. Erst wenn die Aufgabe offen, mehrstufig und situativ ist, wird agentisches Verhalten interessant.
Drei Beispiele aus der Praxis
Beispiel 1: Meeting-Zusammenfassung. Ein Chatbot kann aus einem Protokoll eine Zusammenfassung schreiben. Ein Workflow kann jedes neue Transkript automatisch zusammenfassen, Aufgaben extrahieren und im Projektmanagement ablegen. Ein Agent könnte zusätzlich prüfen, welche Aufgaben unklar sind, Rückfragen formulieren und Folgeaktionen vorbereiten.
Beispiel 2: Bürgeranfrage in einer Verwaltung. Ein Chatbot hilft beim Formulieren eines Antwortentwurfs. Ein Workflow sucht zuerst in freigegebenen Merkblättern, erstellt eine Antwort und legt sie zur Prüfung ab. Ein Agent könnte mehrere mögliche Zuständigkeiten prüfen, fehlende Informationen markieren und einen Bearbeitungsvorschlag erstellen. Die Entscheidung und der Versand bleiben bei Menschen.
Beispiel 3: Vertriebsrecherche. Ein Chatbot erklärt ein Unternehmen anhand eingegebener Informationen. Ein Workflow ergänzt Daten aus CRM und Webseite und erstellt ein Briefing. Ein Agent könnte selbst recherchieren, relevante Ansprechpartner identifizieren, Hypothesen priorisieren und einen Gesprächsplan erstellen. Ohne klare Grenzen könnte er aber auch falsche Kontakte anschreiben oder vertrauliche Informationen falsch verwenden.
Governance: Je mehr Autonomie, desto mehr Kontrolle
Auch bei privaten Tests sollten Datenzugriff, Toolrechte und mögliche Aktionen eng begrenzt bleiben. In Unternehmen, Schulen, Hochschulen oder Verwaltungen braucht es zusätzlich feste Regeln und Freigaben. Die EU-Kommission erklärt zur KI-Kompetenz nach Artikel 4 des AI Act, dass Organisationen Kenntnisse, Erfahrung, Einsatzkontext und betroffene Personen berücksichtigen sollen. Das passt direkt zu Agenten: Wer Systeme mit mehr Autonomie einsetzt, muss verstehen, welche Risiken dadurch entstehen.
Bei Hochrisiko-KI-Systemen beschreibt der AI Act in Artikel 14 zur menschlichen Aufsicht unter anderem, dass Menschen Ergebnisse richtig interpretieren, übersteuern, außer Kraft setzen oder den Betrieb unterbrechen können müssen. Nicht jeder Chatbot oder Workflow ist automatisch ein Hochrisiko-System. Der Grundgedanke bleibt aber hilfreich: Menschen brauchen echte Eingriffsmöglichkeiten, nicht nur eine theoretische Verantwortung.
Auch der Datenschutz muss früh geklärt werden. Die Orientierungshilfe der Datenschutzkonferenz zu KI und Datenschutz richtet sich an Verantwortliche, die KI-Anwendungen auswählen, implementieren und nutzen. Für Agenten heißt das praktisch: Vor dem Toolzugriff muss klar sein, welche personenbezogenen Daten verarbeitet werden, auf welcher Rechtsgrundlage das geschieht, welche Systeme freigegeben sind und wie Ergebnisse kontrolliert werden.
Ein weiterer Punkt ist Sicherheit. Die OWASP Agentic Skills Top 10 betont Risiken rund um die Ausführungsschicht agentischer Systeme: installierte Skills, Berechtigungen, Laufzeitumgebungen, Protokollierung und Freigabeprozesse. Das ist besonders relevant, wenn Agenten nicht nur Texte erzeugen, sondern Dateien ändern, Nachrichten senden, Daten abrufen oder externe Systeme steuern.
Praxis-Check: Welches Muster passt?
Vor der Umsetzung klären
- Ist die Aufgabe eine einzelne Antwort, ein wiederkehrender Prozess oder ein offenes Ziel?
- Kann der Ablauf vorher stabil beschrieben werden, oder muss das System situativ planen?
- Welche Datenquellen und Tools darf das System nutzen?
- Welche Aktionen sind erlaubt, welche brauchen menschliche Freigabe?
- Wie werden Tool-Aufrufe, Entscheidungen und Ergebnisse protokolliert?
- Was passiert, wenn die KI unsicher ist, eine Quelle widersprüchlich ist oder ein Tool fehlschlägt?
- Wer trägt fachlich, rechtlich und organisatorisch Verantwortung für das Ergebnis?
Eine einfache Entscheidungsregel
Wenn die Aufgabe vor allem Sprache braucht, starte mit einem Chatbot. Wenn die Aufgabe regelmäßig wiederkehrt, baue einen Workflow. Wenn die Aufgabe offen ist, mehrere Tools braucht und der genaue Weg nicht vorher feststeht, prüfe einen Agenten, aber nur mit klaren Grenzen.
In professionellen Umgebungen sollte ein Agent zunächst wie ein sehr fleißiger Praktikant behandelt werden: hilfreich, schnell und manchmal überraschend gut, aber nicht automatisch entscheidungsbefugt. Er braucht Aufgabenbeschreibung, Zugriffsbeschränkungen, Review, Feedback und eine klare Stelle, an der ein Mensch Verantwortung übernimmt.
Fazit
Chatbots, KI-Workflows und KI-Agenten sind keine drei völlig getrennten Welten. Sie sind eher drei Stufen derselben Entwicklung: vom Antworten über das strukturierte Ausführen bis zum zielorientierten Handeln.
Der wichtigste Unterschied liegt nicht im Marketingbegriff, sondern in der Verantwortung für den nächsten Schritt. Je stärker die KI diesen Schritt selbst bestimmt, desto mehr müssen Organisationen über Datenzugriff, Toolrechte, Kontrollpunkte, Tests und menschliche Aufsicht nachdenken. Genau darin liegt die eigentliche Kompetenz: nicht möglichst viel Autonomie einzuschalten, sondern die richtige Form von KI für die konkrete Aufgabe zu wählen.