Das Wichtigste
- Trenne offenes Denken von kontrollierter Ausführung.
- Setze Agenten für Reihenfolge, Auswahl und Ausnahmebehandlung ein.
- Halte CMS-Änderungen, Veröffentlichungen und Benachrichtigungen in abgegrenzten Workflows.
- Betrachte bestehende Workflows als wiederverwendbare Tools, nicht als überholte Automatisierung.
- Teste und prüfe jeden operativen Workflow einzeln. Auch die Rückkehr zu seinem vorherigen Stand muss unabhängig möglich sein.
Wenn ein Agent alles übernimmt, wird der Betrieb unübersichtlich
Ein Agent kann aus einem Kursbriefing einen plausiblen Plan entwickeln, zwischen Quellen wählen, um Klärung bitten und Ausnahmen erkennen. Diese Flexibilität ist nützlich. Schwer steuerbar wird sie jedoch, wenn derselbe Agent Inhalte umwandelt, direkt in ein CMS schreibt, Übersetzungen auslöst, eine Lektion veröffentlicht und eine Zielgruppe benachrichtigt. Ein Prompt ist keine verlässliche Grenze im Betrieb für Aktionen, die Lernende, Marke, Budget oder Produktivdaten betreffen.
Problematisch wird es, wenn Entscheidung und Ausführung in einer undurchsichtigen Schleife zusammenlaufen. Bei einem Fehler muss das Team dann sowohl die Überlegungen des Agenten als auch jede nachfolgende Statusänderung rekonstruieren. Für ein wachsendes Startup bedeutet das zusätzlichen Aufwand, gerade wenn Onboarding und internes Lernen verlässlicher werden sollen.
n8n macht Workflows zu vollwertigen Tools
Am 25. September 2026 führte n8n seinen neuen Agenten-Typ ein, mit Zugriff auf MCP-Server, integrierte Integrationen und vollständige Workflows als Tools. Für die Architektur eröffnet das eine klare Arbeitsteilung: Der Agent bearbeitet das offene Ziel. Der bestehende Workflow behält seine festgelegten Schritte, definierten Eingaben, Zugangsdaten, Validierungen und Fehlerbehandlung.
Manchmal sollte der Agent steuern, während Workflows als Tools dienen.
Der Agent kann so den Ablauf steuern, ohne uneingeschränkte Kontrolle zu erhalten. Er erkennt etwa, dass eine Übersetzung nötig ist, und ruft dafür ein benanntes Tool mit definierten Eingaben auf. Die Übersetzungspipeline, die Produktionszugangsdaten und der Veröffentlichungsweg bleiben festgelegt. Der Workflow führt den Vorgang so aus, wie ihn Entwicklung und Content-Verantwortliche freigegeben haben.
Eine Kurspipeline braucht zwei Steuerungsebenen
Für die KI-gestützte Content-Automatisierung bei App-Learning bietet sich dieselbe Aufteilung an. Der Agent erhält ein Briefing wie „Erstelle ein Onboarding für neue Account Executives“, klärt fehlende Angaben, wählt den nächsten Auftrag und gibt ungewöhnliche Fälle an Menschen weiter. Workflows übernehmen anschließend die wiederholbaren Aufgaben nach festen Regeln.
- Freigegebenes Quellmaterial importieren und Herkunftsmetadaten erfassen.
- Strukturierte Lektionsentwürfe anhand eines definierten Content-Schemas erstellen.
- Sprachspezifische Übersetzungsaufträge mit Glossar- und Terminologieprüfungen erstellen.
- Lernziele, die Abdeckung von Wissensüberprüfungen, Barrierefreiheitsfelder und erforderliche Metadaten validieren.
- Medien anhand fester Vorgaben zu Größe, Format und Rechten prüfen.
- Einen CMS-Entwurf erstellen oder aktualisieren und erst nach der erforderlichen Freigabe veröffentlichen.
„Deterministisch“ bedeutet hier nicht, dass die KI jedes Mal denselben Satz erzeugt. Innerhalb eines Generierungsschritts können die Ergebnisse weiterhin variieren. Festgelegt ist der betriebliche Ablauf: bekannte Eingaben, begrenzte Aktionen, ausdrückliche Prüfungen und dokumentierte Statusänderungen. So bleibt die Flexibilität des Modells erhalten, ohne dass der gesamte Produktionsprozess unvorhersehbar wird.
Statusänderungen brauchen klare Grenzen
Behandle CMS-Änderungen, Veröffentlichungen, Benachrichtigungen an Lernende, Berechtigungsänderungen und externe Ausgaben als Transaktionen mit klaren Grenzen. Gib jedem Workflow eine klar begrenzte Service-Identität. Verlange vor einem Update eine Content-ID und den erwarteten Status. Nutze Idempotenzschlüssel, damit Wiederholungen keine doppelten Lektionen erzeugen. Ergänze Testläufe oder Vorschaumodi, Freigabepunkte und eine Ausgleichsaktion, wo ein Rückgängigmachen möglich ist. Der Agent darf diese Aktionen anfordern, sollte seine eigenen Berechtigungen zur Laufzeit aber nicht selbst festlegen.
CMS-Plattformen machen Aktivitäten von Agenten zunehmend sichtbarer. So protokolliert Strapi MCP-Aktionen inzwischen in Audit-Logs, neben Admin-Aktivitäten, und kann externe KI-Clients auf ausgewählte Tools beschränken. Das ist ein nützliches Kontrollmuster. Noch robuster ist es jedoch, nur die genau zugeschnittenen Workflow-Aktionen bereitzustellen, die ein Agent tatsächlich braucht.
Good to know
Wo endet die Aufgabe eines Agenten in einem System zur Kurserstellung?
Der Agent sollte an der Tool-Grenze stoppen. Er kann entscheiden, dass ein Entwurf, eine Übersetzung, eine Validierung oder eine Veröffentlichung nötig ist. Die Aktion sollte jedoch ein abgegrenzter Workflow mit festen Berechtigungen, Eingaben und Prüfpunkten ausführen.
Kann ein deterministischer Workflow trotzdem ein KI-Modell nutzen?
Ja. Deterministisch beschreibt den operativen Ablauf, nicht den exakten Wortlaut der Modellausgabe. Halte das Modell in einem Workflow mit definiertem Schema, Validierungsregeln, Wiederholungsstrategie und klaren Regeln für jede CMS- oder Veröffentlichungsaktion.
Warum bestehende Workflows behalten, wenn Agenten hinzukommen?
Bestehende Workflows enthalten wichtiges Betriebswissen: Zuordnungen, Zugangsdaten, Prüfungen und Wiederherstellungslogik. Werden sie als Tools bereitgestellt, bleibt dieses Wissen erhalten. Der Agent kann dann flexibel den passenden Vorgang und seine Reihenfolge wählen.
Jeder Workflow muss auch für sich testbar sein
Ein wiederverwendbarer Workflow sollte ohne den aufrufenden Agenten testbar sein. Führe Testbriefings durch die Quellenaufnahme. Prüfe strukturierte Ergebnisse gegen Schemas. Stelle sicher, dass ein fehlgeschlagener Medien-Upload keine veröffentlichungsfähige Lektion erzeugt. Kontrolliere, dass eine Wiederholung der Übersetzung nur die vorgesehene Sprache aktualisiert. Erfasse Workflow-Version, Run-ID, Input-Hash, Akteursidentität, Freigabestatus und den resultierenden CMS-Datensatz. Diese Kontrollen erleichtern das Debugging, Auditieren und Überarbeiten kontrollierter agentenbasierter Workflows.
Baue ein kontrolliertes Content-System auf, mit dem deine Lernangebote zuverlässig wachsen können.
Jetzt planenGovernance wird Teil des Content-Systems
Ein tragfähiges System verteilt die Aufgaben: Der Agent wägt ab, wo Fragen offen sind. Kleine, überprüfbare Workflows übernehmen die Ausführung. Ein einzelnes Modell muss dadurch nicht zugleich planen, schreiben, veröffentlichen und Compliance absichern. So wird aus einer gelungenen Demo ein dauerhaft nutzbares Produktionssystem, das mit dem Unternehmen wächst und nicht vom Wissen weniger Personen abhängt.
