// INTEGRATION & AUTOMATION
KI-Workflows und Agentic AI:
Wenn Software Entscheidungen trifft
Klassische Automatisierung folgt starren Wenn-Dann-Regeln und scheitert, sobald sich ein Format ändert. Ein KI Workflow mit Agentic AI versteht stattdessen die Intention hinter einer Aufgabe, plant die nötigen Schritte selbst und führt sie über Systemgrenzen hinweg aus. Der Shift ist fundamental: weg von Assistenten, die der Mensch steuert, hin zu Agenten, die ganze Prozesse selbstständig orchestrieren.
// ENTWICKLUNG PRODUKTIONSREIFER KI-LÖSUNGEN FÜR
Was sind AI Agents und wo entlasten sie heute?
AI Agents sind Software-Systeme, die nicht nur auf Eingaben reagieren, sondern proaktiv Ziele verfolgen. Sie nutzen LLMs zum Denken (Reasoning), zerlegen komplexe Aufgaben in Teilschritte und nutzen externe Tools (Browser, API, E-Mail), um diese auszuführen. In der Praxis tauchen sie in drei Rollen auf.
01
The Researcher
Beobachtet und vergleicht
Recherchiert eigenständig Marktdaten, Wettbewerber-Pricing, Lieferanten-Konditionen oder regulatorische Änderungen. Sucht auf Webseiten, durchsucht PDFs und konsolidiert Erkenntnisse zu einem entscheidungsreifen Report. Anders als ein Mensch arbeitet er rund um die Uhr und parallel an mehreren Quellen.
02
The Operator
Handelt im System
Führt konkrete Aktionen in ERP, CRM oder Shop durch. Prüft Lagerbestände, legt Bestellanforderungen an, aktualisiert Kundendaten oder leitet Vorgänge an die zuständige Person weiter. Kritische Aktionen wie eine tatsächliche Bestellung oder eine Geldüberweisung erfordern eine menschliche Freigabe.
03
The Analyst
Überwacht KPIs
Beobachtet operative Kennzahlen, erkennt Anomalien und meldet sie kontextualisiert. Statt einer reinen Alert-E-Mail liefert er eine kurze Analyse: Was ist passiert, welche Ursachen kommen infrage, welche Handlungsoptionen gibt es. Das verkürzt die Zeit zwischen Erkennen und Entscheiden drastisch.
Wie ein KI-Agent denkt und handelt
Hinter jeder Agent-Aktion steht ein wiederkehrender Loop. Vier Schritte, die zusammen aus einem Software-System einen handlungsfähigen Akteur machen.
01
Schritt 01
Perception
Der Agent nimmt Input wahr: eine eingehende E-Mail, ein neuer Datensatz im ERP, eine Anomalie im Monitoring. Anders als ein klassisches Skript ist er nicht auf ein bestimmtes Format festgelegt. Auch wenn der Input strukturlos kommt, etwa als PDF oder Free-Text-Nachricht, kann der Agent ihn verstehen.
02
Schritt 02
Reasoning
Auf Basis des Inputs erstellt der Agent einen Plan. Beispiel: "Um diese Auftragsanfrage zu bearbeiten, muss ich erst den Lagerbestand prüfen, dann den Preis, dann die Lieferzeit, dann die Bestellung vorbereiten." Der Plan ist nicht starr, sondern kann angepasst werden, wenn ein Zwischenschritt unerwartet ausfällt.
03
Schritt 03
Action
Der Agent nutzt Tools, um den Plan umzusetzen. Tools sind hier APIs, Datenbankzugriffe, Browser-Aktionen, E-Mails oder Function Calls in Ihre Bestandssysteme. Der Agent wählt das passende Tool pro Teilschritt selbst aus, nutzt es und wartet auf das Ergebnis.
04
Schritt 04
Observation
Nach jeder Aktion prüft der Agent: Hat es funktioniert? Stimmt das Ergebnis? Falls nein, passt er den Plan an und versucht es alternativ. Das macht Agenten robust gegen kleinere Störungen, die ein starres RPA-Skript sofort zum Absturz brächten.
RPA vs. Agentic AI: Der Unterschied in der Praxis
RPA ist für Hände, AI Agents sind für Köpfe. Beide haben ihren Platz, lösen aber unterschiedliche Probleme. Die Tabelle zeigt, wann welcher Ansatz greift.
Merkmal
RPA (Der Roboter)
AI Agent (Der Mitarbeiter)
Flexibilität
Bricht ab, wenn sich das Format ändert
Passt sich an, plant alternative Wege
Aufgabentyp
Repetitiv, vorhersehbar, strukturiert
Komplex, unstrukturiert, Entscheidungslogik
Input
Strukturierte Daten (Excel, definierte Formulare)
E-Mails, Chats, Bilder, PDFs, unstrukturierte Quellen
Entscheidung
Folgt fester Wenn-Dann-Regel
Bewertet Optionen, wählt kontextabhängig
Wartung
Hoch (bei jeder Formatänderung)
Niedrig (Agent kompensiert kleinere Änderungen)
Governance und Kontrolle: Autonomie braucht Leitplanken
Die größte Sorge bei autonomen Agenten lautet: Macht der Agent Unsinn? Bei Xanevo laufen alle Agenten in definierten Sandboxes mit klaren Berechtigungen. Sie haben Zugriff auf genau die Systeme, die für ihre Aufgabe nötig sind, und auf keinen Schritt mehr. Kritische Aktionen wie Bestellungen, Verträge oder Finanztransaktionen erfordern eine menschliche Bestätigung (Human-in-the-Loop). Jede Agent-Aktion ist geloggt und auditierbar.
Spezialthemen für Workflow-Architekten
Wer Agentic AI ernsthaft im Unternehmen etablieren will, stößt schnell auf Spezialthemen. Multi-Step-Pipelines verbinden mehrere Agenten zu einem Gesamtsystem, das komplexere Prozesse abdecken kann als ein einzelner Agent.
// KI-WORKFLOWS
Wo könnten Agenten bei Ihnen übernehmen?
In 30 Minuten kartieren wir gemeinsam Ihre wiederkehrenden Prozesse und identifizieren die zwei bis drei Use Cases mit dem höchsten Agentic-Potenzial. Konkret, mit Aufwand und Wirkung pro Use Case. Sie entscheiden danach, ob ein Pilot Sinn ergibt.