- Ein Agentic Workflow ist ein Prozess, in dem ein Sprachmodell nicht nur Text erzeugt, sondern Werkzeuge nutzt, Zwischenergebnisse bewertet und mehrere Schritte verkettet — teils nach festem Plan, teils selbst gesteuert.
- Entscheidend ist der Unterschied Workflow vs. Agent: Im Workflow gibt Code den Ablauf vor; beim Agenten entscheidet das Modell selbst, welcher Schritt als Nächstes kommt.
- „n8n ist tot" ist Clickbait. Richtig ist: Visuelle No-Code-Tools sind stark bei festen, vorhersehbaren Integrationen — und stoßen an Grenzen, sobald Aufgaben Mehrdeutigkeit, Urteilsvermögen oder unstrukturierte Daten erfordern. Genau dort beginnt agentische KI.
- Für den Mittelstand gilt: so einfach wie möglich anfangen. Die meisten Probleme löst ein einzelner gut gebauter Workflow — einen autonomen Agenten braucht es seltener, als die Hype-Videos suggerieren.
Kaum ein Begriff wird 2026 so durcheinandergeworfen wie „Agentic Workflow". Mal meint er einen Chatbot mit Gedächtnis, mal eine komplette autonome Software-Fabrik. Das Video, das diesen Beitrag ausgelöst hat, trägt den Titel „n8n ist tot — lerne jetzt ALLES über Agentic Workflows". Wie immer bei solchen Schlagzeilen lohnt der nüchterne Blick: Was ist dran, was ist Marketing — und was heißt das konkret für ein inhabergeführtes Unternehmen?
Dieser Leitfaden erklärt Agentic Workflows von Grund auf, ohne Buzzword-Nebel. Am Ende sollst du einordnen können, welche deiner Prozesse ein Fall für agentische KI sind — und welche besser ein klassisches Automatisierungs-Tool bleiben.
Das Spektrum: vom Prompt zum Agenten
Der schnellste Weg, Agentic Workflows zu verstehen, ist ein Spektrum mit drei Stufen — von simpel bis autonom:
- 1. Der einzelne LLM-Aufruf. Eine Frage rein, eine Antwort raus — Zusammenfassen, Klassifizieren, Texten. Kein „agentisch" weit und breit, aber für einen Großteil der Praxis völlig ausreichend.
- 2. Der Workflow. Mehrere Schritte, die per Code fest verdrahtet sind. Das Modell durchläuft einen vorgegebenen Pfad: erst klassifizieren, dann recherchieren, dann formulieren. Der Ablauf ist vorhersehbar, weil der Entwickler ihn festgelegt hat.
- 3. Der Agent. Hier gibt das Modell den Ablauf selbst vor. Es bekommt ein Ziel und einen Werkzeugkasten und entscheidet eigenständig, welchen Schritt es als Nächstes macht — Schleife für Schleife, bis das Ziel erreicht ist. Maximale Flexibilität, dafür weniger Vorhersehbarkeit.
„Agentic Workflows" ist der Sammelbegriff für die Stufen 2 und 3 — alles, was über den einzelnen Aufruf hinausgeht. Die wichtigste Einsicht vorab: Mehr Autonomie ist nicht automatisch besser. Jede Stufe nach oben kostet Vorhersehbarkeit, Tempo und Geld. Die Kunst liegt darin, die niedrigste Stufe zu wählen, die das Problem noch löst.
Der Baustein: das „erweiterte" Sprachmodell
Bevor es um Muster geht, der eine Baustein, auf dem alles aufsetzt: das um drei Fähigkeiten erweiterte Sprachmodell.
- Werkzeuge (Tools). Das Modell kann nicht nur reden, sondern handeln: eine Datenbank abfragen, eine E-Mail verschicken, eine Rechnung anlegen, eine API aufrufen. Erst Werkzeuge machen aus einem Chatbot ein Arbeitstier.
- Wissen (Retrieval / RAG). Das Modell holt sich gezielt Informationen aus deinen eigenen Quellen — Handbücher, Verträge, Produktdaten — statt aus dem Allgemeinwissen zu raten.
- Gedächtnis (Memory). Das Modell behält Kontext über mehrere Schritte oder Sitzungen hinweg.
Damit Werkzeuge nicht für jedes System einzeln nachgebaut werden müssen, hat sich 2025/26 ein Standard durchgesetzt: das Model Context Protocol (MCP) — eine Art Universalstecker zwischen KI-Modellen und externen Systemen. Wir haben es ausführlich im MCP-Leitfaden für den Mittelstand beschrieben. Für diesen Beitrag reicht: MCP ist der Grund, warum agentische Systeme 2026 deutlich schneller mit echten Unternehmens-Tools verbunden werden können als noch ein Jahr zuvor.
Die fünf wichtigsten Workflow-Muster
Die meisten produktiven Agentic Workflows sind Kombinationen aus einer Handvoll bewährter Muster. Wer diese fünf kennt, durchschaut 90 % aller „Agenten"-Demos:
| Muster | Prinzip | Typischer Einsatz |
|---|---|---|
| Prompt Chaining | Aufgabe in feste Teilschritte zerlegen, Ergebnis fließt in den nächsten Schritt | Entwurf → Prüfung → Endfassung |
| Routing | Eingabe klassifizieren und an den passenden Spezial-Pfad leiten | Support-Tickets nach Thema sortieren |
| Parallelisierung | Teilaufgaben gleichzeitig laufen lassen oder mehrfach abstimmen lassen | Dokument aus mehreren Blickwinkeln prüfen |
| Orchestrator–Worker | Ein zentrales Modell zerlegt die Aufgabe dynamisch und verteilt sie an Helfer | Komplexe Recherche über viele Quellen |
| Evaluator–Optimizer | Ein Modell erzeugt, ein zweites bewertet und gibt Feedback — in der Schleife | Übersetzung oder Code iterativ verbessern |
Etablierte Workflow-Muster für LLM-gestützte Systeme. Die meisten realen Anwendungen kombinieren zwei oder drei davon.
Auffällig: Keines dieser Muster braucht einen „autonomen Agenten". Es sind code-orchestrierte Abläufe — vorhersehbar, testbar, günstig. Genau deshalb sind sie für den Mittelstand der richtige Startpunkt.
Workflow oder Agent — wann was?
Der echte Agent — das Modell steuert seine eigene Schrittfolge — ist mächtig, aber teuer und schwerer zu kontrollieren. Bevor man ihn einsetzt, sollten vier Fragen mit „ja" beantwortet sein:
- Komplexität: Ist die Aufgabe so offen, dass sich der Lösungsweg nicht vorab festlegen lässt? (z. B. „aus diesem Lastenheft eine fertige Umsetzung machen" statt „Titel aus dieser PDF extrahieren")
- Wert: Rechtfertigt das Ergebnis die höheren Kosten und die längere Laufzeit?
- Machbarkeit: Ist das Modell bei dieser Art Aufgabe überhaupt zuverlässig genug?
- Fehlerkosten: Lassen sich Fehler abfangen und korrigieren — durch Tests, Review, Rückabwicklung?
Lautet eine Antwort „nein", ist ein fest verdrahteter Workflow die bessere Wahl. Faustregel: Workflows für vorhersehbare, klar umrissene Aufgaben — Agenten für offene Probleme, bei denen Flexibilität den Aufpreis wert ist.
Ist n8n jetzt wirklich tot?
Nein — aber die Frage ist berechtigt. Tools wie n8n, Make oder Zapier sind visuelle No-Code-Workflow-Builder: Man klickt Knoten zusammen, verbindet sie mit Linien, und ein Prozess läuft. Ihre Stärke ist enorm — für eine bestimmte Sorte Aufgabe:
- No-Code glänzt bei festen, deterministischen Integrationen: „Wenn neue Zeile in Tabelle, dann lege Datensatz im CRM an und schicke eine Slack-Nachricht." Klare Auslöser, klare Schritte, kein Urteilsvermögen nötig.
- No-Code stößt an Grenzen, sobald Mehrdeutigkeit ins Spiel kommt: unstrukturierte E-Mails interpretieren, aus Freitext die richtige Aktion ableiten, mit Ausnahmen umgehen, die nicht im Flussdiagramm stehen. Was als Knoten-Diagramm beginnt, wird dann zu einem unwartbaren Geflecht aus Verzweigungen.
Genau an dieser Grenze setzt agentische KI an — und hier hat das Video einen wahren Kern. Ein Sprachmodell mit Werkzeugen ersetzt fünfzig Verzweigungs-Knoten durch eine Komponente, die mit unstrukturierten Eingaben umgehen kann. Viele Teams merken: Sobald ihre n8n-Flows Logik enthalten, die eigentlich „verstehen" müsste, wird ein code-first agentischer Ansatz robuster und billiger zu warten.
Die ehrliche Einordnung: n8n ist nicht tot — aber es verliert das obere Ende seines Einsatzbereichs an agentische Systeme. Für simple Verdrahtung zwischen zwei Apps bleibt No-Code die schnellste Lösung. Für alles, was Sprache verstehen, Entscheidungen treffen oder mit Ausnahmen umgehen muss, ist der code-first Weg ab 2026 die tragfähigere Wahl. Diese Linie ziehen wir auch im Beitrag Agentic Coding vs. Vibe Coding nach.
Was der Mittelstand jetzt tun sollte
Drei Grundsätze, die sich in der Praxis bewährt haben:
- So einfach wie möglich anfangen. Die häufigste teure Fehlentscheidung ist, mit einem vollautonomen Multi-Agenten-System zu starten, wo ein einzelner Workflow gereicht hätte. Erst hochskalieren, wenn ein einfacherer Aufbau nachweislich nicht mehr trägt.
- Beim Prozess beginnen, nicht beim Tool. Nicht „wir brauchen Agenten", sondern „welcher konkrete Prozess kostet uns Zeit, ist regelbasiert genug für Automatisierung, aber zu unstrukturiert für No-Code?". Das ist der ideale erste Kandidat.
- Modelle bewusst wählen. Nicht jeder Schritt braucht das teuerste Modell. Welcher Workload zu welchem Modell gehört, ordnen wir in der Multi-Model-Strategie für KI-Agenten ein — oft halbiert das die Kosten ohne Qualitätsverlust.
Der rote Faden: Agentic Workflows sind kein Selbstzweck und kein Religionskrieg gegen No-Code. Sie sind ein weiteres — sehr mächtiges — Werkzeug im Kasten. Der Mittelstand gewinnt nicht, indem er dem lautesten YouTube-Trend folgt, sondern indem er für jeden Prozess das passende Werkzeug wählt: einzelner Aufruf, Workflow, Agent oder eben weiterhin ein No-Code-Flow.
Häufige Fragen zu Agentic Workflows
Was ist ein Agentic Workflow?
Ein Prozess, in dem ein Sprachmodell nicht nur Text erzeugt, sondern Werkzeuge nutzt, Zwischenergebnisse bewertet und mehrere Schritte verkettet — teils nach festem Plan, teils selbst gesteuert.
Was ist der Unterschied zwischen Workflow und Agent?
Im Workflow gibt Code den Ablauf fest vor und ist dadurch vorhersehbar. Beim Agenten entscheidet das Modell selbst, welcher Schritt als Nächstes kommt — flexibler, aber teurer und schwerer zu kontrollieren.
Ist n8n tot?
Nein. No-Code-Tools wie n8n bleiben stark bei festen, deterministischen Integrationen. Sie stoßen an Grenzen, sobald Aufgaben Sprache verstehen, Entscheidungen treffen oder mit Ausnahmen umgehen müssen — dort ist agentische KI überlegen.
Welche Workflow-Muster gibt es?
Die fünf wichtigsten sind Prompt Chaining, Routing, Parallelisierung, Orchestrator–Worker und Evaluator–Optimizer. Die meisten realen Anwendungen kombinieren zwei oder drei davon.
Quellen und Einordnung
Die Begriffsabgrenzung (Workflow vs. Agent), die fünf Workflow-Muster und die Entscheidungs-Kriterien folgen der etablierten, breit zitierten Einordnung zum Bau effektiver Agenten-Systeme (u. a. Anthropic, „Building Effective Agents", sowie der zugehörigen Engineering-Dokumentation), Stand 2026. „Augmented LLM", Tools, Retrieval und Memory sind dort die Grundbausteine; MCP (Model Context Protocol) als Verbindungs-Standard ist ergänzend eingeordnet. Das in der Einleitung genannte YouTube-Video dient nur als Anlass; die inhaltlichen Aussagen stützen sich auf die Primärquellen, nicht auf das Video.
Welcher deiner Prozesse ist ein Fall für agentische KI — und welcher nicht?
Im Discovery Call schauen wir uns einen konkreten Prozess an und sagen ehrlich, ob ein einzelner Workflow reicht, ob sich ein Agent lohnt oder ob ein No-Code-Flow die schnellere Lösung ist. Vier Augen, dreißig Minuten, keine Folien.