deagreez - stock.adobe.com
Wenn der Agent entscheidet – und wann besser nicht
Ein klares Wenn-Dann ist meist kein Kompromiss, sondern ein Qualitätsmerkmal. LLMs ergeben hingegen mehr Sinn, wenn Interpretation gefragt ist und kein bekanntes Muster vorliegt.
Die Begeisterung für KI-Agenten in Unternehmen ist nachvollziehbar. Ein autonomes System, das Daten durchsucht, Zusammenhänge erkennt, Entscheidungen trifft und Aktionen auslöst, klingt nach dem Ende manueller Routinearbeit. Laut der McKinsey-Umfrage The State of AI geben 62 Prozent der befragten Unternehmen an, KI-Agenten zumindest zu erproben. 23 Prozent nutzen diese bereits aktiv in mindestens einer Abteilung oder einem Geschäftsbereich.
Doch zwischen Planung und produktivem Betrieb liegt eine Designentscheidung, die viele unterschätzen: An welchen Stellen im Prozess darf ein Sprachmodell autonom agieren, und wo braucht es nach wie vor deterministische Regeln?
Das Jaguar-Problem: Wenn Kontext fehlt, wird es beliebig
Ein einfaches Beispiel verdeutlicht das Dilemma. Wer ein Large Language Model fragt, wie ein Jaguar aussieht, kann eine zoologische Beschreibung erhalten oder die Spezifikationen eines britischen Sportwagens. Ohne Kontext ist die Antwort Zufall. In einem Chatbot für den Kundenservice mag das ein amüsanter Fehler sein. In einem Security Operations Center (SOC), das auf eine Warnmeldung reagiert, oder in einem Finanzsystem, das Transaktionen bewertet, hat solche Varianz reale Konsequenzen.
KI-Agenten, die ohne spezifisches Wissen über Datenstrukturen, Geschäftslogik und den konkreten Einsatzzweck arbeiten, neigen zu genau dieser Beliebigkeit. Sie interpretieren Daten auf Basis statistischer Wahrscheinlichkeit, nicht auf Basis von Unternehmensregeln. Und je offener die Fragestellung, desto größer die Streuung der Ergebnisse.
Determinismus ist kein Rückschritt
In der aktuellen Debatte um Agentic AI entsteht leicht der Eindruck, regelbasierte Automatisierung sei ein Relikt vergangener IT-Generationen. Das Gegenteil ist der Fall. Für viele Aufgaben im Unternehmensalltag ist ein vordefinierter Ablauf nicht nur ausreichend, sondern überlegen. Wenn eine Warnmeldung eintrifft, folgen die nächsten Schritte häufig einem festen Muster: Kontext sammeln, verwandte Aktivitäten prüfen, mit Threat Intelligence anreichern, einen Case anlegen, das Team benachrichtigen. Diese Abfolge variiert nicht, und sie sollte es auch nicht.
Das Entscheidende ist die Unterscheidung zwischen informativ und generativ. Überall dort, wo eine Antwort eindeutig sein muss, wo Compliance-Anforderungen gelten oder wo nachweisbar sein soll, welcher Schritt warum ausgeführt wurde, gehört ein deterministischer Prozess hin. Ein Wenn-Dann ist an diesen Stellen kein technischer Kompromiss, sondern ein Qualitätsmerkmal. LLMs entfalten ihren Mehrwert dagegen dort, wo Interpretation gefragt ist: bei der Analyse unstrukturierter Daten, bei der Formulierung von Zusammenfassungen, bei der Einschätzung komplexer Situationen, die keinem bekannten Muster entsprechen.
Hybride Workflows als Architekturprinzip
Die produktivste Herangehensweise liegt in der Kombination beider Welten. Ein Workflow startet regelbasiert, durchläuft deterministische Schritte und ruft an definierten Stellen ein Sprachmodell auf, wenn Reasoning erforderlich ist. Der Agent analysiert einen Alert, bewertet die Situation und liefert eine Einschätzung. Auf Basis dieser übernimmt wieder der regelbasierte Prozess und leitet die nächsten Maßnahmen ein.
Dieses Prinzip lässt sich auf nahezu jeden Unternehmensbereich übertragen. Ein Beispiel aus dem Security-Umfeld: Ein SOC-Team bearbeitet täglich mehrere hundert Warnmeldungen. Für jede einzelne manuell einen Case anzulegen, die relevanten Daten zusammenzutragen und die Ergebnisse zu dokumentieren, kostet Stunden an Arbeitszeit, die für die eigentliche Analyse fehlt. Automatisiert man die mechanischen Schritte regelbasiert und setzt ein KI-Modell nur für die initiale Triage ein, also für die Frage, ob ein Alert tatsächlich sicherheitsrelevant ist, reduziert sich der manuelle Aufwand erheblich. Gleichzeitig bleibt jeder einzelne Prozessschritt nachvollziehbar.
Gerade in regulierten Branchen ist Transparenz kein optionales Feature. Das gilt umso mehr, wenn regelbasierte Automatisierung und KI-Reasoning in einem einzigen Workflow zusammenlaufen. Denn dann multiplizieren sich die relevanten Fragen: Welche Daten hat der deterministische Schritt weitergegeben? An welcher Stelle hat das Modell eine Interpretation vorgenommen? Auf Basis welcher Parameter hat der Workflow danach weitergeschaltet? Spätestens beim Audit sind das eine konkrete Herausforderung. Wer Teile dieses hybriden Ablaufs an externe Plattformen auslagert, verliert genau dort die Sichtbarkeit, wo sie am dringendsten gebraucht wird: an den Übergängen zwischen Regel und Modell. Läuft der gesamte Workflow dort, wo auch die Daten liegen, lässt sich jeder Schritt protokollieren und nachträglich untersuchen – der deterministische ebenso wie der KI-gestützte. Was im klassischen Observability-Umfeld längst Standard ist, wird für hybride Automatisierung zur Grundvoraussetzung.
„Die Frage, ob regelbasierte Automatisierung oder KI-Agenten die bessere Wahl sind, führt in die Irre. Unternehmen, die ihre Workflows zukunftsfähig gestalten wollen, sollten beide Ansätze als Bausteine einer gemeinsamen Architektur verstehen.“
Markus Klose, Elastic
Schneller umsetzen statt perfekt planen
Ein Muster, das sich in der Praxis immer wieder zeigt: KI-Projekte werden konzeptionell überfrachtet. Aus einer guten Idee wird ein umfangreicher Anforderungskatalog, aus dem Anforderungskatalog ein Evaluierungsprozess, und bis aus alldem ein produktiver Workflow entsteht, hat sich die technologische Grundlage bereits weiterentwickelt. Neue Modellgenerationen sind erschienen, Kontextfenster haben sich verdoppelt, und Fähigkeiten, die gestern noch als Argument für einen bestimmten Architekturansatz galten, gehören heute zum Standard.
Der Mehrwert muss nicht immer finanziell messbar sein. Auch eine spürbare Entlastung bei der Informationsverarbeitung rechtfertigt den Einsatz. Die pragmatische Strategie lautet: mit einem eng definierten Use Case starten, den Scope bewusst begrenzen und erst erweitern, wenn der erste Workflow stabil läuft. Wer beim Suchen in Datenbeständen zunächst sehr spezifisch filtert und erst bei ausbleibenden Ergebnissen den Radius größer zieht, reduziert Fehlinterpretationen und schafft gleichzeitig eine belastbare Grundlage für die nächste Ausbaustufe.
Kein Entweder-oder, sondern ein bewusstes Sowohl-als-auch
Die Frage, ob regelbasierte Automatisierung oder KI-Agenten die bessere Wahl sind, führt in die Irre. Unternehmen, die ihre Workflows zukunftsfähig gestalten wollen, sollten beide Ansätze als Bausteine einer gemeinsamen Architektur verstehen. Deterministische Prozesse sorgen für Verlässlichkeit, Nachvollziehbarkeit und Compliance. Sprachmodelle liefern Interpretationsfähigkeit und Flexibilität an den Stellen, an denen starre Regeln an ihre Grenzen stoßen. Wer diese Grenzziehung bewusst vornimmt, statt sie dem Zufall oder der Begeisterung für neue Technologie zu überlassen, wird schneller zu produktiven Ergebnissen kommen. Und er wird am Ende erklären können, warum sein System so entschieden hat, wie es entschieden hat.
Über den Autor:
Markus Klose ist Director Solutions Architecture, EMEA Central bei Elastic.
Die Autoren sind für den Inhalt und die Richtigkeit ihrer Beiträge selbst verantwortlich. Die dargelegten Meinungen geben die Ansichten der Autoren wieder.
