Agentic AI oder klassische Automatisierung? Der ehrliche Entscheidungsleitfaden

Agentic AI lohnt sich bei variablen, mehrstufigen Aufgaben mit echtem Urteilsbedarf, deren Ablauf sich vorab nicht vollständig festlegen lässt. Bei stabilen, regelbasierten Prozessen mit klaren Wenn-Dann-Schritten ist klassische, deterministische Automatisierung (RPA, n8n, Zapier) günstiger, schneller, reproduzierbar und wartungsärmer – und damit in den meisten Fällen die bessere Wahl. Dieser Leitfaden zeigt, wie Sie die Entscheidung sachlich treffen, ohne dem Agentic-Hype aufzusitzen.

• Lässt sich der Ablauf als Flowchart zeichnen? Dann gehört er in eine deterministische Automatisierung, nicht in einen Agenten.
• Muss zur Laufzeit geplant, abgewogen oder geurteilt werden, mit mehr als drei kontextabhängigen Schritten? Dann ist Agentic AI eine ernsthafte Option.
• Im Zweifel: klassisch. Anthropic rät zur einfachsten Lösung zuerst – das kann heißen, gar kein agentisches System zu bauen.

Die Kernunterscheidung: deterministisch vs. agentisch

Der entscheidende Unterschied liegt nicht in der Intelligenz, sondern in der Vorhersagbarkeit des Ablaufs.

Klassische Automatisierung – ob RPA, eine Workflow-Engine wie n8n oder ein Zapier-Zap – führt einen vorab definierten Pfad aus. Sie folgt festen Wenn-Dann-Regeln. Gleicher Input erzeugt gleichen Output, jedes Mal. Das macht solche Systeme testbar, reproduzierbar und in der Wartung berechenbar.

Agentic AI dagegen ist ein Paradigma, bei dem ein Softwaresystem auf Basis eines Foundation Models ein Ziel erhält und den Weg dorthin zur Laufzeit selbst plant: Es wählt Werkzeuge aus, ruft APIs auf, bewertet Zwischenergebnisse und plant gegebenenfalls um (Plan–Execute–Reflect–Replan). Das ist mächtig, wenn der Ablauf sich nicht vorab festlegen lässt – aber es ist non-deterministisch: Identische Inputs können unterschiedliche Pfade und Ergebnisse erzeugen.

Daraus folgt die wichtigste Faustregel dieses Artikels: Wenn Sie den Prozess vollständig als Flowchart zeichnen können, brauchen Sie keinen Agenten. Ein Agent ist die richtige Wahl erst dort, wo das Flowchart Verzweigungen hätte, die niemand vorab vollständig spezifizieren kann.

Der ehrliche Tradeoff: Kosten, Risiko, Wartung

Drei Dimensionen entscheiden in der Praxis – und in allen drei ist deterministische Automatisierung der konservative, oft überlegene Default.

Kosten. Eine n8n- oder Zapier-Automatisierung hat im Wesentlichen Fixkosten: einmalige Einrichtung plus eine kalkulierbare Lizenz- oder Hosting-Gebühr. Ein Agent verursacht variable Kosten pro Lauf. Reale agentische Sessions (gemessen an Claude-Code-Telemetrie, NVIDIA, Stand 2026) erreichen 10.000 bis über 150.000 Token pro Kontextfenster – jeder mehrstufige Reasoning-Schritt kostet erneut. McKinsey rechnet damit, dass die IT-Infrastrukturkosten für agentische Workloads bis 2030 das Zwei- bis Dreifache erreichen können. Bei hohem Volumen wird der scheinbar smarte Agent schnell zum teuersten Pfad.

Risiko. Ein deterministisches System hat ein informationelles Risikoprofil – schlimmstenfalls eine falsche Regel. Ein Agent hat ein operationelles Risikoprofil: Er führt autonome Aktionen auf Live-Systemen aus. Dazu kommt das Test-Problem: Klassisches QA prüft definierte Pfade. Bei non-deterministischen Multi-Agent-Abläufen können sich laut Gartner (Hype Cycle 2025) Halluzinationen und Fehlentscheidungen zu einem Domino-Effekt aufschaukeln. Für irreversible oder sicherheitskritische Schritte (Datenbank-Deletes, Bestellfreigaben, Finanztransaktionen) ist deshalb ein Human-in-the-Loop-Checkpoint Pflicht – was die versprochene Autonomie wieder relativiert.

Wartung. Eine Regel, die bricht, ist auffindbar und reparierbar. Ein Agent, der bei einer Eingabe plötzlich anders entscheidet, erfordert Prompt-Tuning, Eval-Suites, Tool-Permission-Audits und Provenance-Logging. Der Betriebsaufwand verschiebt sich von „Regeln pflegen" zu „ein nicht-deterministisches System überwachen" – ein qualitativ anderes, dauerhaftes Investment.

Entscheidungsmatrix

Die folgende Matrix fasst die Tradeoffs pro Kriterium zusammen. Sie ersetzt keine Einzelfallprüfung, strukturiert aber die Diskussion im Buying-Center.

Eine gut zitierbare Daumenregel stammt von Gartner: Agenten dort, wo Entscheidungen nötig sind; Automatisierung für Routine-Workflows; einfache Assistenten für simple Abfragen. Reine Inhalts-Use-Cases wie Q&A oder Zusammenfassungen brauchen übrigens weder Agent noch RPA, sondern einen einfachen LLM-Aufruf, gegebenenfalls mit RAG.

Entscheidungsbaum in fünf Schritten

So lässt sich die Auswahl operationalisieren – orientiert am Decision-Tree der Research:

1. Reiner Inhalts-Use-Case (Frage beantworten, Text zusammenfassen)? → Einfacher LLM-Call oder RAG. Kein Agent, keine RPA.
2. Definierter, deterministischer Workflow mit klaren Schritten? → Klassische Automatisierung (RPA, n8n, Zapier). Hier endet die Prüfung für die Mehrheit der Prozesse.
3. Mehr als drei Schritte mit kontextabhängigen Entscheidungen unterwegs, die sich nicht vorab festlegen lassen? → Tool-using Agent wird sinnvoll.
4. Aktion irreversibel oder sicherheitskritisch? → Human-in-the-Loop verpflichtend einplanen, sonst trägt der Effizienzgewinn das Risiko nicht.
5. ROI klar und messbar? → Wenn nein: keep it simple. Kein Agent ohne belastbaren Wertbeitrag.

Konkretes Beispiel: Eingangsrechnungen verarbeiten

Ein mittelständischer DACH-Betrieb erhält monatlich rund 800 Lieferantenrechnungen und will die Erfassung automatisieren. Zwei Szenarien:

Szenario A – das stabile 90 %: Die Rechnungen kommen als PDF per E-Mail, müssen ausgelesen, gegen die Bestellung abgeglichen und ins ERP gebucht werden. Lieferanten, Formate und Buchungsregeln sind bekannt. Das ist ein deterministischer Workflow: ein n8n-Flow mit OCR-Knoten, Matching-Regel und ERP-API. Geschätzter Aufbau wenige Tage, danach kalkulierbare Fixkosten, vollständig testbar. Ein Agent wäre hier reiner Overkill – teurer, langsamer, fehleranfälliger, ohne jeden Mehrwert.

Szenario B – die schwierigen 10 %: Eine Rechnung passt zu keiner Bestellung, der Betrag weicht ab, die Position ist unklar formuliert. Hier muss abgewogen werden: Welche Bestellung ist gemeint? Ist die Abweichung plausibel? Welche Rückfrage an wen? Genau dieser Teilschritt rechtfertigt einen Agenten, der Kontext zieht, mehrere Systeme befragt und einen Klärungsvorschlag erstellt – mit Human-in-the-Loop vor der finalen Buchung.

Die ehrliche Architektur ist deshalb hybrid: Der deterministische n8n-Workflow trägt 90 % des Volumens zu Fixkosten. Nur die Ausnahmen werden an einen Agenten eskaliert. So zahlt man variable Agentenkosten nur dort, wo Urteil tatsächlich gefragt ist – statt 800 Rechnungen pauschal durch ein teures, non-deterministisches System zu schicken.

```
Eingehende Rechnung
│
├─ passt zu Bestellung? ── JA ─► n8n: OCR → Match → ERP-Buchung (deterministisch, ~90%)
│
└─ NEIN / Abweichung ───► Agent: Kontext prüfen, Klärung vorschlagen
│
└─► Human-in-the-Loop ─► Buchung (~10%)
```

Die ehrliche Botschaft

Der Agentic-Hype suggeriert, jeder Prozess gehöre in einen Agenten. Die Marktdaten sagen das Gegenteil: Gartner prognostiziert, dass über 40 % der Agentic-AI-Projekte bis Ende 2027 abgebrochen werden, und McKinsey misst (n=1.993), dass in keiner einzelnen Geschäftsfunktion mehr als 10 % der Unternehmen Agenten produktiv skalieren. Häufig scheitert nicht die Technik, sondern die Auswahl: Ein Agent wird auf ein Problem gesetzt, das eine simple Regel besser gelöst hätte. Klassische Automatisierung ist in der Mehrzahl der Fälle die richtige Antwort – und das ist kein Rückschritt, sondern Engineering-Disziplin.

Für Agenturen und B2B-Entscheider

Wenn Sie vor der Frage „Agentic AI oder Automatisierung?" stehen, sparen Sie sich teure Fehlentscheidungen durch eine saubere Eignungsprüfung vorab. Blck Alpaca aus Wien analysiert Ihre Prozesse entlang dieser Entscheidungsmatrix, baut den deterministischen Teil (n8n, RPA, API-Integration) belastbar und kosteneffizient – und setzt Agenten gezielt nur dort ein, wo echter Urteilsbedarf besteht. Für Agenturen, die Automatisierung als Service anbieten möchten, konzipieren wir hybride Architekturen, die Marge und Wartbarkeit zusammenbringen. Sprechen Sie uns für ein ehrliches, datenbasiertes Erstgespräch an.