KI-Workflow-Design: Fünf Muster für mehrstufige Agentenprozesse

Kernpunkte

• MCP-Toolaufrufe über OpenAI erreichten im August 2026 das 98-Fache ihres Januar-Niveaus und haben sich allein im August mehr als verdoppelt (AAIF) — eine einzelne Nutzeranfrage löst nun einen Workflow aus vielen Aufrufen aus, was das Workflow-Design statt des Prompt-Designs zur Produktionsdisziplin macht.
• Gartner prognostiziert, dass die KI-Inferenzkosten pro agentischem Workflow bis 2028 um mehr als das Fünffache steigen werden — die Preise pro Token fallen, während die Kosten pro Workflow steigen, weil agentische Workflows um Größenordnungen mehr Token verbrauchen als Chats.
• Die MCP-Roadmap machte Tasks zu einer offiziellen Erweiterung (SEP-2663) und ergänzte Multi Round-Trip Requests (SEP-2322), damit mehrstufige Abläufe auf zustandslosen Servern überleben — das Protokoll geht nun davon aus, dass Arbeit lange läuft und sich über mehrere Runden erstreckt.
• OpenAI erklärt, dass seine Misalignment-Monitore „Aufgaben, in denen ein Agent über einen längeren Zeitraum läuft" pausieren können, und API-Aufgaben stoppen, statt fortzusetzen — ein Produktions-Workflow muss aus dauerhaftem Zustand wiederherstellbar sein, nicht aus einem lebenden Prozess.
• Ein RFQ-Modul mit 38 Tools führt jedes dieser Muster in Code aus — guarderzwungene Statusübergänge, idempotente Freigabe von Reservierungen mit 15-Minuten-TTL und FX-Snapshots, die zum Zeitpunkt der Kalkulation eingefroren werden.

Die MCP-Toolaufrufe von ChatGPT-Nutzern erreichten im August 2026 das 98-Fache ihres Januar-Niveaus, laut der Nutzungsanalyse der Agentic AI Foundation — und die Aufrufe haben sich allein im August mehr als verdoppelt. Der MCP-Verkehr von Resend erzählt dieselbe Geschichte von der Anbieterseite: 106.719 Aufrufe im April, 1.062.650 im August. Die Maintainer des Protokolls selbst ziehen die betriebliche Schlussfolgerung in der neuen MCP-Roadmap: „Moderne agentische Workloads passen nicht mehr in das standardmäßige Request-Response-Muster. Schleifen können länger laufen, Server können gestreamte Ergebnisse pushen, und es gibt einen klaren Bedarf, Arbeit mitten im Flug zu steuern."

Der Chat war nie der schwierige Teil. Der Workflow ist es: der Fächer von Katalogabfragen hinter einer RFQ, die Freigabe, die vor einem ERP-Write eintreffen muss, die Lieferanten-API, die mitten in der Kalkulation abläuft, der Wechselkurs, der zwischen Preisgestaltung und Buchung nicht driftet. Gartner prognostiziert, dass die Inferenzkosten pro Workflow bis 2028 um mehr als das Fünffache steigen werden, obwohl die Tokenpreise fallen — weil agentische Workflows über viele Aufrufe hinweg argumentieren, verhandeln und sich selbst hinterfragen. Dieser Artikel definiert die fünf Muster auf Workflow-Ebene, die entscheiden, ob ein mehrstufiger Agentenprozess unter dieser Last standhält — Fan-out, Checkpoints, Kompensation, dauerhafter Zustand und gemessene Verzweigung — und verankert jedes in einer funktionierenden RFQ-Implementierung, die 38 MCP-Tools gegen ein GraphQL-Backend registriert.

Der Workflow ist die Einheit, die Sie entwerfen. Das folgende Diagramm komprimiert die fünf Muster in eine Minute: das parallele Lese-Fan-out, die serialisierte Schreibwirbelsäule mit ihren zwei menschlichen Toren, die typisierte Kompensation im Fehlerfall und die Regel des dauerhaften Zustands, die alles verbindet.

Muster 1: Lesezugriffe fan-outen, Schreibzugriffe serialisieren

Die erste Workflow-Entscheidung ist die Form des Abhängigkeitsgraphen. Die meisten mehrstufigen Agentenprozesse sind überwiegend parallel: Eine RFQ braucht Preisstufen aus drei Lieferantenkatalogen, Batch-Verfügbarkeit für fünf Positionen und das Kundensegment — nichts davon hängt von den anderen ab. Diese Schritte zu serialisieren, multipliziert die Latenz mit der Schrittzahl und multipliziert den Wirkungsradius eines einzelnen Timeouts. Der richtige Standard ist, jede unabhängige Leseoperation parallel auszufächern und nur die Schreibkette zu serialisieren, in der jeder Schritt die Ausgabe des vorherigen Schritts verarbeitet.

Die Schreibkette in einem Kalkulations-Workflow ist aus einem Geschäftsgrund strikt geordnet, nicht aus einem technischen: Anfrage bestätigt → Angebot erstellt → Verfügbarkeit reserviert → Raten geplant. Unsere RFQ-Engine setzt dies mit Operation Guards im Code durch — ein RequestOperationGuard verweigert die Angebotserstellung aus einer unbestätigten Anfrage, und ein QuoteOperationGuard lehnt Positionänderungen ab, sobald ein Angebot sein editierbares Fenster passiert hat. Das Workflow-Muster ist in allen Systemen gleich: parallele Lesezugriffe hinter einem Batch-Loader, eine schmale serialisierte Wirbelsäule für zustandsändernde Schreibvorgänge und die Guards im Code statt im Prompt. Ein Agent, der bei jedem Lauf die Reihenfolge „entscheidet", ist ein Workflow ohne Invarianten.

Muster 2: Menschliche Checkpoints sind Zustände, keine Prompts

Das zweite Muster regelt, wo der Mensch sitzt. In einem reinen Prompt-Design ist „vor dem Einreichen den Nutzer fragen" ein Vorschlag, dem das Modell folgen kann oder nicht. In einem Workflow-Design ist der Checkpoint ein dauerhafter Zustand: Der Prozess hält in einem benannten Status an, persistiert alles, was zum Fortsetzen nötig ist, und nur eine menschliche Aktion bringt ihn voran. Die Unterscheidung wurde am 1. September operativ dringend, als OpenAI offenlegte, dass seine produktiven Misalignment-Monitore potenziell unbefugte Aktivität automatisch stoppen können — und die Kosten ehrlich benannte: Schutzvorrichtungen „können gelegentlich legitime Aktivität als potenziellen Cyber-Missbrauch kennzeichnen … Dies kann Arbeit umfassen, die nicht direkt mit Cybersicherheit zusammenzuhängen scheint, oder Aufgaben, in denen ein Agent über einen längeren Zeitraum läuft." In ChatGPT und Codex werden Nutzer gebeten, die pausierte Aufgabe zu prüfen; auf der API stoppt die Aufgabe.

Ein Workflow, der für diese Welt gebaut ist, behandelt die Pause als entworfenen Zustand, nicht als Ausnahme: Der Laufdatensatz zeigt, was abgeschlossen ist, was aussteht und wie der Wiederaufnahme-Pfad aussieht. Die beiden Komfort-Tools unserer RFQ-Engine — confirm_request_and_create_quotes und confirm_quote_and_create_installments — existieren precisely, weil das menschliche Tor zwischen ihnen sitzt: Ein Mensch bestätigt, dann läuft die mehrstufige mechanische Arbeit als ein einziger auditerter Aufruf. Camundas Umfrage unter 1.150 leitenden IT-Führungskräften ergab, dass 71 % der Organisationen KI-Agenten einsetzen, aber nur 11 % der Use Cases die Produktion erreichen; die Workflows, die diese Lücke überqueren, sind diejenigen, bei denen eine Freigabe ein Zustand ist, in dem das System Stunden verharren kann — kein Satz in einem System-Prompt. Die Laufzeitmechanik zur Durchsetzung von Checkpoints steht in Loop Engineering: Warum der Agent-Runtime die neue Middleware ist; das Workflow-Muster besteht darin, vor jedem Shipment zu entscheiden, welche Schritte vor einem Menschen anhalten und aus welchem Zustand der Prozess fortsetzt.

Muster 3: Jeder Vorwärtsschritt braucht einen Kompensationspfad

Das dritte Muster ist das, das Tutorials überspringen: Was macht einen Schritt rückgängig. Langlebige Workflows scheitern mitten im Flug — eine Lieferanten-API liefert bei Position vier von fünf einen Fehler, eine Reservierung läuft ab, während der Agent kalkuliert, ein Angebot wird genehmigt, aber die Zahlungsplanung schlägt fehl. Ein Workflow ohne Kompensationsketten verwandelt jeden Fehler in manuelle Aufräumarbeit. Ein Workflow mit Kompensation verwandelt jeden Fehler in eine typisierte, idempotente Umkehrung.

Die Kalkulationsimplementierung zeigt die Anatomie. Verfügbarkeitsreservierungen laufen mit 15-Minuten-TTL ab, und die Fehleroberfläche ist als typisierte Fehler aufgezählt — HOLD_NOT_FOUND, HOLD_ALREADY_EXPIRED, AVAILABILITY_INSUFFICIENT —, die jeweils auf eine eigene Wiederherstellung abgebildet sind: nachprüfen, neu anfordern oder an einen Menschen eskalieren. Das Freigeben einer Reservierung ist idempotent, sodass ein Retry nach einer Netzwerk-Partition nicht doppelt freigeben kann, und das Bestätigen einer Reservierung dekrementiert nie zweimal. Tool-Aufrufe sind in einen Retry-Decorator mit exponentiellem Backoff gehüllt, und Status, Dauer und Payload jedes Aufrufs (über 400 KB an Objektspeicher ausgelagert) landen in einem Audit-Datensatz. Das ist das verallgemeinerte Muster: Vorwärtsschritte beanspruchen Ressourcen; Kompensationsschritte geben sie frei; jede Kompensation kann gefahrlos zweimal laufen. Wenn Ihr Workflow das Rückgängigmachen jedes Schritts nicht benennen kann, hat er keinen Workflow — er hat eine Demo, die einem Lieferantenausfall noch nicht begegnet ist.

Muster 4: Zustandsloses Protokoll, zustandsbehafteter Workflow

Das vierte Muster löst einen scheinbaren Widerspruch in der MCP-Spezifikation 2026-07-28. Die Spezifikation entfernte Sitzungen auf Protokollebene und den Initialisierungs-Handshake (SEP-2575, SEP-2567), damit Server horizontal skalieren können, ohne Zustand zu halten, und die Roadmap machte Tasks zur offiziellen Erweiterung (SEP-2663), während Multi Round-Trip Requests (SEP-2322) serverinitiierte Anfragen ersetzte, damit Elicitation-Abläufe mitten in der Aufgabe funktionieren. Das Protokoll ist zustandslos; der Workflow ist das, was Zustand trägt. Konkret: Jede Anfrage muss in sich abgeschlossen eintreffen, und der Zustand des Workflows lebt in dauerhaften, inspizierbaren Datensätzen — nicht im Speicher eines Servers.

Diese Architekturentscheidung ist es, die das vorherige Muster überlebensfähig macht. In unserer RFQ-Engine sitzen hold_token und hold_expires_at der Reservierung direkt auf der Angebotsposition, und der FX-Kurs wird zum Kalkulationszeitpunkt mit einem fx_rate_locked_at-Zeitstempel eingefroren — Snapshots, keine Live-Referenzen. Jede Serverinstanz kann die nächste Anfrage übernehmen; ein neu gestarteter Prozess nimmt die Wiederaufnahme aus dem Datensatz vor, nicht aus dem RAM. Und die Astra-Warnung macht Wiederaufnahmefähigkeit zu einer Plattform-Interaktionsanforderung, nicht nur zu Ausfalltoleranz: Pausiert die Schutzvorrichtung eines Frontier-Modells Ihren 38-stündigen unbeaufsichtigten Lauf, überlebt der Workflow, der seinen Zustand außerhalb des Prozesses hielt. Die Bereitstellungsmechanik der zustandslosen Spezifikation behandeln wir in Das zustandslose MCP-Protokoll: Was sich für B2B-Deployments ändert; auf Workflow-Ebene lautet die Regel einfach — entwerfen Sie so, als könnte jeder Schritt der letzte vor einer Pause sein, und machen Sie den nächsten Schritt aus der Audit-Trail rekonstruierbar.

Muster 5: An gemessenen Daten verzweigen, nicht am Modellurteil

Das fünfte Muster regelt bedingte Verzweigungen. Ein mehrstufiger Workflow enthält Entscheidungspunkte — ist diese Position profitabel genug, um zu kalkulieren, bewegt sich diese Charge langsam genug, um markiert zu werden, schaltet dieses Kundensegment eine Rabattstufe frei. Das Modell improvisieren zu lassen, führt Varianz an der einzigen Stelle wieder ein, an der deterministisches Verhalten zählt. Die Antwort des Workflow: gemessene Tore — die Daten tragen die Markierungen, und die Verzweigung liest sie.

In der RFQ-Engine trägt jede Angebotsposition guardrail_price_per_uom und slow_move_item, geladen aus dem Batch-Datensatz — die Verzweigung „zum Listenpreis kalkulieren" gegenüber „zur Margenprüfung markieren" liest zwei Felder, statt das Modell die Marge schätzen zu lassen. Rabattregeln setzen sich aus vier hierarchischen Geltungsbereichen (global, Segment, Artikel, Lieferantenartikel) als Daten zusammen, nicht als Reasoning-Schritte. Hier trifft Workflow-Design auch auf Kosten: Gartners Inferenzanalyse warnt, dass „die Weiterleitung einer Aufgabe an ein agentisches Reasoning-Modell die Inferenzkosten des Anbieters mindestens um das Fünffache erhöht" gegenüber einer einfachen Interaktion, und empfiehlt „hochgradig optimiertes Inferenz-Tiering, Routing und Orchestrierung". Ein Workflow, der auf gespeicherten Markierungen verzweigt, reserviert Modell-Reasoning für die Schritte, die es brauchen — Preisurteil, Ausnahmeinterpretation, Verhandlungsentwurf — und lässt typisierte Daten den Rest entscheiden. Dieselbe Disziplin zeigt sich in Datenplattformen, wo Dagsters Orchestrierungs-Kontextarbeit Materialisierungsereignisse als den operativen Kontext behandelt, den ein Workflow konsumiert, statt ihn neu abzuleiten.

Die fünf Muster, je eine Zeile

Lesezugriffe fan-outen, Schreibzugriffe serialisieren — die Form ist ein GeschäftsInvariant, kodieren Sie sie als Guards. Checkpoints sind Zustände, in denen das System verweilen kann, denn die Plattform selbst pausiert Sie. Kompensation ist ein erstklassiger Schritt für jeden Vorwärtsschritt, konstruktionsbedingt idempotent. Zustand lebt in dauerhaften Datensätzen, nicht im Protokoll oder im Prozess. Verzweigungen lesen gemessene Markierungen und reservieren Modell-Reasoning für die Schritte, die es einpreisen. Keines dieser Muster erfordert eine Framework-Migration; alle erfordern, pro Schritt zu entscheiden, wem er gehört — dem Modell, dem Runtime oder einem Menschen.

Ein repräsentativer Build

Ein mittelständischer Reiseveranstalter, der wöchentlich 200 Gruppenbuchungs-RFQs über Hotels, Flüge und Aktivitäten abwickelt, baute seinen Kalkulations-Workflow auf diesen Mustern neu auf. Lesezugriffe werden parallel gefächert — fünf Kataloge, Batch-Verfügbarkeit, Preisstufen — über ein einzelnes MCP-Modul, das 38 Tools über 11 Domänen-Mixins exponiert, mit typisiertem Schema pro Tool und einer Auditspur für jeden Aufruf. Die Schreibwirbelsäule serialisiert: Anfrage bestätigt, Angebot mit im Kalkulationszeitpunkt eingefrorenem FX zusammengesetzt, Reservierungen mit 15-Minuten-TTL und idempotenter Freigabe erworben, Ratenpläne terminiert. Zwei menschliche Tore sitzen dort, wo Geld bindet — Anfragebestätigung und Angebotsbestätigung —, und jedes Tor ist ein persistierter Zustand, in dem der Prozess Stunden warten kann. Läuft die API eines Lieferanten mitten in der Kalkulation in den Timeout, routet der typisierte Fehler die Position zur Nachprüfung, statt das Angebot zu korrumpieren. Die Angebotsdurchlaufzeit sank von drei Tagen manueller Nachrecherche auf unter vier Stunden, mit menschlicher Freigabe für jede Schreiboperation. Das Ergebnis ist Kalkulationskapazität für ein schmales Team, kein Personalersatz.

Weiterführende Lektüre

• AI-Agenten-Architektur: Fünf Entscheidungen, die bestimmen, ob Ihr Agent ausgeliefert wird — die strukturellen Entscheidungen (Agentenanzahl, Loop-Eigentum, Modell-Routing, Grenzen, emergente Koordination), die einrahmen, welche Workflow-Muster Sie brauchen
• Loop Engineering: Warum der Agent-Runtime die neue Middleware ist — die Laufzeitmechanik hinter den Mustern 2 und 5: Freigaben, Retries und rubrikbasierte Verifikation, durchgesetzt in der Schleife
• Langläufer-Agenten-Muster: Agenten über Stunden und Tage am Leben halten — die Persistenz- und Checkpoint-Details hinter Muster 4, einschließlich des neuen Schutzpause-Risikos bei Langläufen

---

Ein Team, das seinen Workflow zeichnen kann — das Fan-out, die Tore, die Kompensationen, den Zustand —, weiß bereits, was es bauen soll. Ein Team, das es nicht kann, wird das Design einen Lieferantenausfall nach dem anderen entdecken.

Bitten Sie um einen Build mit festem Scope. Einwöchige Discovery. Sie erhalten ein Systeminventar, eine Workflow-Karte und einen festen Scope — egal, ob Sie mit uns bauen.