Workflow oder Agent? Die Skala der Autonomie

Warum eine Skala und nicht zwei Schubladen

In Lektion 1 habe ich zwei Begriffe benutzt: Workflow und Agent. Beim Lesen klingt es, als müsse man sich für eines entscheiden. Andrew Ng sagt in seinem Kurs, dass das die falsche Frage ist. Er fragt: Wie autonom ist dieses System?

Das hat mir schnell eingeleuchtet, denn echte Systeme mischen beides. Eine feste Pipeline kann einen Schritt haben, in dem das Modell zwischen zwei Wegen wählt. Ein Agent kann durch eine kurze Werkzeugliste und ein hartes Schrittlimit begrenzt sein. Das Etikett sagt wenig. Wie viel Freiheit das Modell hat, sagt viel.

Wie ich als Webentwicklerin darüber denke

Ich baue Websites, deshalb kenne ich feste Abläufe gut. Ein Checkout hat Schritte in fester Reihenfolge: Warenkorb, Adresse, Zahlung, Bestätigung. Ich weiß immer, was als Nächstes kommt, und wenn etwas kaputtgeht, weiß ich, wo ich suchen muss. Das ist das linke Ende der Skala.

Ein Support-Chat ist anders. Man weiß nicht, was die Besucherin fragt, also kann man den ganzen Weg nicht vorher zeichnen. Irgendetwas muss entscheiden, was als Nächstes passiert. Hier beginnt mehr Autonomie sinnvoll zu werden, und hier würde ich auch nervös werden.

Meine Faustregel ist deshalb im Moment einfach: Wenn ich den Weg wie einen Checkout zeichnen kann, zeichne ich ihn. Die Entscheidung gebe ich dem Modell nur dort, wo ich es wirklich nicht anders kann.

Die Skala in drei Stufen

Was mehr Autonomie kostet

Autonomie ist nicht gratis. Anthropic nennt den Preis deutlich:

• Kosten und Tempo: Das Modell macht deutlich mehr Aufrufe, bis es fertig ist. Anthropic hat im Vergleich zu einem Chat etwa viermal so viele Tokens für einen Agenten und etwa fünfzehnmal so viele für ein Multi-Agenten-System gemessen.
• Berechenbarkeit: Sie können nicht vorher sagen, welche Schritte es gehen wird.
• Sich aufsummierende Fehler: Ein kleiner Fehler am Anfang zieht sich durch alle späteren Schritte.
• Tests: Agenten sollten Sie in einer sicheren Sandbox ausprobieren und mit Schutzmechanismen versehen.

Dafür bekommen Sie etwas, das keine feste Pipeline bietet: Das System kann Aufgaben lösen, bei denen Sie die Schritte nicht im Voraus aufschreiben können. Anthropics Rat lautet: einfach anfangen und Komplexität erst hinzufügen, wenn die Ergebnisse es verlangen.

Ein neueres Beispiel: Anthropics Recherche-System

Der Leitfaden von 2024 ist eine gute Basis, aber ich wollte ein echtes System sehen. Im Juni 2025 hat Anthropic beschrieben, wie es seine Multi-Agenten-Recherche gebaut hat. Ein Leitagent plant die Recherche und startet mehrere Subagenten, die parallel suchen. Jeder Subagent hat seinen eigenen Kontext und meldet zurück, und der Leitagent fügt die Ergebnisse zusammen.

Zwei Zahlen sind mir aufgefallen. Agenten verbrauchen etwa viermal so viele Tokens wie ein normaler Chat, Multi-Agenten-Systeme etwa fünfzehnmal so viele. Dafür war die Multi-Agenten-Version laut Anthropic in einem internen Recherche-Test um 90,2 % besser als ein einzelner Agent.

Am nützlichsten finde ich, wo Anthropic sagt, dass es nicht passt: bei Aufgaben, in denen die Agenten viel gemeinsamen Kontext brauchen oder voneinander abhängen. Als Beispiel nennt Anthropic die meisten Coding-Aufgaben. Mehr Agenten sind nicht automatisch besser. Es lohnt sich bei breiten Aufgaben mit viel paralleler Arbeit und wenn das Ergebnis den Aufwand wert ist.

Testen Sie sich selbst

Überlegen Sie bei jeder Frage kurz, wie die Antwort lauten könnte. Öffnen Sie dann die richtige Antwort und vergleichen Sie.

Als Nächstes im Track

Lektion 3: Die vier Entwurfsmuster

Diese Lektion lesen →

Das Baulogbuch verfolgen