KI & Automatisierung
Brauchst du für diesen Prozessschritt wirklich ein LLM?
·FireStart GmbH
Ein Prozessschritt braucht nur dann ein LLM, wenn jemand etwas einschätzen oder formulieren muss. Hat der Schritt eine richtige Antwort, etwa beim Abgleich zweier Listen oder beim Prüfen eines Betrags, erledigt eine feste Regel ihn schneller, billiger und bei jedem Lauf gleich.
Auf diesen Unterschied hat Andreas Horn (Founder von Human in the Loop) auf LinkedIn hingewiesen, mit dem Beitrag „Stop burning AI budgets on deterministic work“. Dieser Artikel führt den Gedanken weiter und zeigt, wie du ihn in deinen Prozessen anwendest.
Was heißt deterministisch bei Prozessschritten?
Ein Schritt ist deterministisch, wenn dieselbe Eingabe immer dasselbe Ergebnis liefert. Das gilt für alles, was sich als Regel aufschreiben lässt. Zwei Rechnungslisten haben entweder dieselben Beträge oder nicht. Ein Betrag liegt über der Freigabegrenze oder darunter. Für solche Schritte gibt es eine richtige Antwort, und die Regel dafür steht fest, bevor der Prozess läuft.
Warum kosten feste Aufgaben im LLM mehr als nötig?
Ein LLM leitet die Regel bei jedem Lauf neu aus dem Prompt ab und liest dafür alle Daten als Tokens ein. Das kostet jedes Mal Rechenleistung, und das Ergebnis ist nicht immer dasselbe. Atil und Kollegen haben 2025 fünf gehostete Modelle bei Temperatur 0 getestet, also in der Einstellung, die gleiche Antworten liefern soll. Bei zehn Läufen pro Aufgabe schwankte die Genauigkeit um bis zu 15 %, und zwischen bestem und schlechtestem möglichen Ergebnis lagen bis zu 70 % (Eval4NLP 2025).
Dazu kommt der Preis. Agentische Modelle brauchen laut Gartner (März 2026) fünf- bis dreißigmal so viele Tokens pro Aufgabe wie ein Standard-Chatbot. Gartner rechnet außerdem damit, dass die Inferenzkosten pro agentischem Workflow bis 2028 auf mehr als das Fünffache steigen, obwohl einzelne Tokens günstiger werden (August 2026). Laut IDC (August 2026) haben 67 % der befragten Unternehmen ihr Agent-Budget in den letzten zwölf Monaten um mehr als 10 % überzogen. Nur 45,4 % sehen den Token-Verbrauch pro Workflow in Echtzeit.
Was zeigt der Test von NextWave und Alteryx?
Die Beratung NextWave und der Datenworkflow-Anbieter Alteryx haben im Oktober 2026 zwei Varianten verglichen. In der ersten erledigte das LLM (Claude) die Aufgabe allein. In der zweiten rief es über die Schnittstelle MCP einen festen Alteryx-Workflow auf, der die Regeln rechnete, und erklärte nur das Ergebnis.
| Aufgabe | Tokens LLM allein | Tokens Workflow plus LLM | Übersehene Fälle LLM allein | Übersehene Fälle Workflow plus LLM |
|---|
| Abgleich, 120 Datensätze (11 Abweichungen) | 99.383 | 4.905 | 2 von 11 | 0 von 11 |
| Spesenprüfung, 50 Belege (24 zu markieren) | 76.417 | 7.161 | 2 von 24 | 0 von 24 |
| Spesenprüfung, 100 Belege (46 zu markieren) | 156.224 | 8.852 | 3 von 46 | 0 von 46 |
Quelle: NextWave, Oktober 2026
Der Workflow sparte zwischen 91 und 95 % der Tokens, und die Spesenprüfung dauerte 1 bis 2 Minuten statt 6 bis 13. Das ist ein einzelner Test eines Alteryx-Partners, ohne offengelegte Methodik, und er lässt sich nicht automatisch auf jeden Prozess übertragen. Die Richtung passt aber zu den Zahlen oben.
Woran erkennst du, ob ein Schritt eine feste Regel braucht?
Die Prüffrage ist kurz und gilt für jeden Schritt in einem Agent-Workflow. Gibt es dafür eine richtige Antwort?
| Schritt hat eine richtige Antwort | Schritt braucht Urteilsvermögen |
|---|
| Zwei Listen abgleichen | Eine Mail verstehen und einordnen |
| Salden und Summen prüfen | Eine Anfrage einschätzen |
| Betrag gegen die Freigabegrenze prüfen | Eine Antwort entwerfen |
| Pflichtfelder auf Vollständigkeit prüfen | Ein langes Dokument zusammenfassen |
| Feste Regel | KI |
Viele Schritte lassen sich teilen. Die KI liest eine Rechnung und liefert Betrag und Lieferant. Die feste Regel prüft danach, ob der Betrag über der Freigabegrenze liegt.
Wo hat programmierte Logik Grenzen?
Eine feste Regel setzt voraus, dass jemand sie kennt und aufschreibt. Wo die Regeln unklar sind oder ständig Ausnahmen auftreten, hilft ein Sprachmodell, und sein Ergebnis sollte ein Mensch prüfen. Auch unstrukturierte Eingaben wie Scans oder Freitext brauchen KI, bevor eine Regel darauf zugreifen kann. Und Regeln müssen gepflegt werden, wenn sich Grenzwerte oder Vorgaben ändern.
Gartner weist ebenfalls darauf hin, dass viele Anwendungen, die heute als agentisch gelten, keine agentische Umsetzung brauchen (Juni 2025). Dieselbe Prüffrage hilft also auch bei der Entscheidung, ob ein Agent überhaupt nötig ist.
Wie sieht das in einem Prozessmodell aus?
In einem BPMN-Prozess steht an der Stelle ein Gateway. Ein Zweig führt zu einer Regel für die festen Fälle, der andere zu einer KI-Aufgabe für die Fälle, die Urteil brauchen. Nach der KI-Aufgabe kann ein Mensch prüfen und freigeben, und ein Protokoll hält fest, was wann gelaufen ist. Bei FireStart lässt sich ein Prozess genau so in einem BPMN-Modell abbilden, mit Regeln, KI-Schritten, Freigaben und Ausführungsprotokoll.
Häufige Fragen
Was ist ein deterministischer Prozessschritt?
Ein Schritt, der bei gleicher Eingabe immer dasselbe Ergebnis liefert, weil seine Regel feststeht. Beispiele sind der Abgleich zweier Listen oder der Vergleich eines Betrags mit einer Grenze.
Warum liefert ein LLM bei gleicher Eingabe nicht immer dasselbe?
Ein Sprachmodell berechnet Wahrscheinlichkeiten für das nächste Wort. Selbst bei Temperatur 0 schwankten die Ergebnisse gehosteter Modelle in der Studie von Atil und Kollegen von Lauf zu Lauf.
Ersetzt programmierte Logik die KI?
Nein, die beiden teilen sich die Arbeit. Feste Regeln übernehmen Schritte mit richtiger Antwort, KI übernimmt Schritte, die Einschätzung oder Formulierung verlangen.
Wie viele Tokens spart ein fester Workflow?
Im Test von NextWave und Alteryx waren es 91 bis 95 %. Das ist ein einzelner Test eines Alteryx-Partners. Wie viel es in deinem Prozess ist, hängt davon ab, wie viele Schritte feste Regeln sind.
Wie behalte ich die KI-Kosten im Griff?
Nimm Schritte ohne Urteilsbedarf aus dem Modell und mach den Token-Verbrauch pro Workflow sichtbar. Laut IDC haben das erst 45,4 % der befragten Unternehmen in Echtzeit.
Fazit
Gib dem Modell die Arbeit, bei der jemand urteilen muss, und der Regel die Arbeit mit richtiger Antwort. Das senkt die Kosten pro Lauf und macht Ergebnisse wiederholbar. Wenn du sehen willst, wie das in einem Prozess aussieht, zeigen wir es dir gern in einer Demo.
Quellen
- Andreas Horn, „Stop burning AI budgets on deterministic work“, LinkedIn: https://www.linkedin.com/posts/andreashorn1_stop-burning-ai-budgets-on-deterministic-share-7528800226690641922-Y3kS/
- NextWave, „Right-sized intelligence: Cutting LLM token costs by 20x in FS“, Oktober 2026: https://www.nxwave.com/perspectives/right-sized-intelligence-cutting-llm-token-costs-by-20x-in-fs
- Alteryx, „Stop Burning AI Budgets on Deterministic Work“, Oktober 2026: https://www.alteryx.com/blog/stop-burning-ai-budgets-on-deterministic-work
- Atil et al., „Non-Determinism of ‚Deterministic‘ LLM System Settings in Hosted Environments“, Eval4NLP 2025: https://aclanthology.org/2025.eval4nlp-1.12.pdf
- Gartner, Pressemitteilung vom 25.03.2026: https://www.gartner.com/en/newsroom/press-releases/2026-03-25-gartner-predicts-that-by-2030-performing-inference-on-an-llm-with-1-trillion-parameters-will-cost-genai-providers-over-90-percent-less-than-in-2025
- Gartner, Pressemitteilung vom 17.08.2026: https://www.gartner.com/en/newsroom/press-releases/2026-08-17-gartner-predicts-ai-inference-costs-per-agentic-workflow-will-increase-more-than-fivefold-through-2028
- Gartner, Pressemitteilung vom 25.06.2025: https://www.gartner.com/en/newsroom/press-releases/2025-06-25-gartner-predicts-over-40-percent-of-agentic-ai-projects-will-be-canceled-by-end-of-2027
- IDC, „The Agent Economy Is Scaling Faster Than It Can Be Metered“, 28.08.2026: https://www.idc.com/resource-center/blog/the-agent-economy-is-scaling-faster-than-it-can-be-metered/