• agenten
• workflow
• ki-applikationen
• best-practices

Ausgangspunkt dieses Projekts war ein klassischer, manuell orchestrierter LLM-Workflow: Prompt formulieren, Antwort extrahieren, in ein weiteres Modell ueberfuehren, dort weiter verarbeiten und anschliessend die Teilergebnisse konsolidieren. Dieser Ansatz ist funktional, erzeugt jedoch einen hohen Anteil nicht-wertschoepfender Arbeit in Form von Kontextwechseln, Copy-Paste-Operationen und inkonsistenten Zwischenstaenden.

Der zentrale Hebel lag daher nicht in weiterer Prompt-Optimierung, sondern in einer Veraenderung der Prozessarchitektur: dem Uebergang zu agentischen Workflows, die Planung, Modellselektion und Ergebnisintegration innerhalb eines durchgaengigen Ausfuehrungszyklus uebernehmen.

Erkenntnisinteresse und Validierung #

Die leitende These lautet: Produktivitaetsgewinne in Multi-LLM-Setups entstehen primaer durch reduzierte Orchestrierungskosten, nicht ausschliesslich durch bessere Einzelprompts. Diese These ist aus meiner Projekterfahrung konsistent beobachtbar und mit dem aktuellen Diskurs zu agentischer KI vereinbar.

Fachlich tragfaehig sind insbesondere folgende Punkte:

• Manuelles Multi-Prompting erzeugt Reibung durch Kontextwechsel.
• Agentische Workflows reduzieren Koordinationsaufwand.
• Der Produktivitaetsgewinn entsteht oft im Prozess, nicht im Einzelprompt.
• Multi-LLM-Setups werden dann wirksam, wenn Orchestrierung uebernommen wird.

Der Beitrag bleibt bewusst qualitativ. Auf pauschale Prozentangaben verzichte ich, solange keine belastbare Vergleichsmessung mit definierter Methodik vorliegt.

Ausgangsprozess: Manuelle Multi-LLM-Orchestrierung #

Ein typischer Implementierungszyklus bestand aus den folgenden Schritten:

1. Problem in Modell A analysieren lassen.
2. Loesung in Modell B gegenchecken.
3. Code in Modell C erzeugen lassen.
4. Alles manuell zusammenfuehren.
5. Fehler korrigieren und Iteration wiederholen.

Dieser Ablauf war zwar prinzipiell wirksam, jedoch mit systematischer Friktion verbunden: Jeder Modellwechsel implizierte Re-Kontextualisierung, Medienbruch und erhoehtes Fehlerrisiko bei der Zusammenfuehrung.

Zielprozess: Agentischer End-to-End-Flow #

Im agentischen Modus ist die Sequenz strukturell vereinfacht:

1. Ziel und Grenzen definieren.
2. Agent zerlegt die Aufgabe in Schritte.
3. Agent waehlt pro Schritt das passende LLM-System.
4. Agent fuehrt Teilergebnisse zusammen.
5. Ich reviewe Ergebnisqualitaet statt Rohmaterial.

Der entscheidende Unterschied besteht in der Verlagerung der Orchestrierungslogik: Die Koordination liegt nicht mehr primar beim Entwickler, sondern im Workflow selbst.

Wirkmechanismus des Zeitgewinns #

Der beobachtete Effizienzgewinn resultiert weniger aus isolierter Modellgeschwindigkeit, sondern aus einer Reduktion prozessualer Reibung:

• weniger manuelles Kopieren zwischen Modellen,
• weniger erneutes Erklaeren von Kontext,
• weniger Medienbrueche zwischen Tools,
• weniger Fehler durch inkonsistente Zwischenstaende.

In Summe sinkt die Durchlaufzeit bei stabiler Ergebnisqualitaet, da Koordinationsaufwand durch Automatisierung substituiert wird.

Robustes Architektur-Muster im Projekt #

Als besonders robust erwies sich ein rollenbasiertes Multi-LLM-Muster ohne manuellen Systemwechsel:

• System A fuer Strukturierung,
• System B fuer Code-Transformation,
• System C fuer Kritik, Tests und Edge Cases.

Der Agent orchestriert diese Spezialisierungen innerhalb eines konsistenten Kontrollflusses. Der wesentliche Nutzen entsteht an den Uebergabepunkten, an denen zuvor der groesste Abstimmungsaufwand lag.

Implikationen fuer die Praxis #

• Der dominante Hebel liegt in der Prozessgestaltung, nicht in isolierter Prompt-Feinoptimierung.
• Leistungsfaehige Agenten sind weniger als Einzelprompt zu verstehen, sondern als kontrollierter Ablauf mit expliziten Quality Gates.
• Multi-LLM-Architekturen entfalten ihren Nutzen erst bei automatisierter Uebergabe zwischen spezialisierten Systemen.
• Relevante Produktivitaetsgewinne entstehen dort, wo Abstimmungs- und Kontextkosten systematisch reduziert werden.

Fazit #

Das zentrale Ergebnis dieser App-Entwicklung ist eindeutig: Agentische Workflows sind im konkreten Projektkontext produktiver als manuelles Multi-Prompting mit Copy-Paste-basierter Koordination.

Nicht, weil einzelne Modelle grundsaetzlich besser geworden waeren, sondern weil ihre komplementaeren Staerken in einem stabilen Ausfuehrungsprozess orchestriert werden.

In einer kompakten Formel:

Weniger Prompt-Jonglage, mehr durchgaengiger Agent-Flow.