Von Loops zu Graphen: wie KI-Agenten erwachsen werden

TL;DR. Vor einem Jahr war die aufregende Art, einen KI-Agenten laufen zu lassen, ein Loop: eine Aufgabe angeben und ihn wiederholen lassen, bis sie fertig ist. Die "lass es über Nacht laufen"-Screenshots waren überall. Diese Ära geht zu Ende, und was sie ablöst, sind Graphen: Agenten, gebaut als strukturierte Karten aus benannten Schritten, mit festen Pfaden dazwischen, explizitem State und der Fähigkeit zu verzweigen, sich von einem Absturz zu erholen und beobachtet zu werden. Das ist keine Mode. Es ist das Feld, das erwachsen wird, von "laufen lassen und hoffen" zu etwas, auf dem du tatsächlich ein Geschäft betreiben kannst. Hier ist der Wandel, die Forschung dahinter, und warum er zählt, selbst wenn du nie eine Zeile davon selbst schreibst.

Die Loop-Ära und ihre Decke

Die einfachste Art, einen Agenten laufen zu lassen, ist ein Loop. Einen Schritt ausführen, das Ergebnis zurückfüttern, wiederholen, bis die Arbeit fertig ist. In seiner reinsten Form ist das der Ralph-Wiggum-Loop, der 2025 viral ging: ein Coding-Agent in einer Bash-Schleife, der unbeaufsichtigt läuft, bis er etwas produziert. Das ist wirklich clever, und für die richtige Art Arbeit ist es das immer noch.

Aber ein einzelner Loop hat eine niedrige Decke, und sobald die Arbeit ernst wird, stößt man daran. Ein Loop kann nicht sauber verzweigen, wenn eine Aufgabe zwei Richtungen gleichzeitig braucht. Er kann sich nicht sauber erholen, wenn die Maschine mitten in einem sechsstündigen Lauf abstürzt, er fängt einfach wieder von vorn an. Er lässt sich schwer beobachten: von außen ist ein Loop eine undurchsichtige Box, die entweder noch läuft oder fertig ist, mit wenig dazwischen zu sehen. Und er kann Arbeit nicht leicht routen, eine Art Teilaufgabe hierhin schicken und eine andere dorthin. Für ein Wochenendprojekt spielt nichts davon eine Rolle. In Produktion spielt alles davon eine Rolle.

Graphen betreten die Bühne

Die Antwort, auf die sich das Feld geeinigt hat: einen Agenten nicht mehr als Loop denken, sondern als Graphen: benannte Schritte, Knoten genannt, verbunden durch feste Pfade, Kanten genannt, mit State, der explizit dazwischen weitergegeben wird. Das bekannteste Framework dafür ist LangGraph, wo Knoten Funktionen sind, Kanten der Kontrollfluss, und der State etwas, das du sehen und checkpointen kannst. Es gibt andere, aber das Muster ist der Punkt.

Ein Graph behebt genau das, woran der Loop scheiterte. Er kann verzweigen und zusammenführen, weil genau dafür Kanten da sind. Er kann einen einzelnen fehlgeschlagenen Schritt wiederholen, statt den ganzen Lauf neu zu starten. Und weil jeder Schritt und jeder Übergang benannt ist, kannst du zusehen, wie es passiert, es loggen und an einer bestimmten Stelle pausieren. Die undurchsichtige Box wird zur Landkarte.

Darunter liegt ein zweiter Wandel, weniger sichtbar, aber genauso wichtig: durable execution. Engines wie Temporal und Restate wickeln jeden Schritt eines lang laufenden Agenten so ein, dass ein abgestürzter Lauf dort fortsetzt, wo er aufgehört hat, statt alles zu wiederholen, oder schlimmer, einen Schritt zu wiederholen, der bereits einem Kunden etwas berechnet oder eine E-Mail verschickt hat. Ein Loop, der über Nacht läuft und in Stunde fünf stirbt, verliert fünf Stunden. Ein durable Graph verliert nichts. Für alles, was Geld oder echte Systeme berührt, ist das der ganze Unterschied.

Die Frontier: Graphen, die sich selbst bauen

Die Forschungsfront geht noch einen Schritt weiter: Kann sich der Graph selbst entwerfen? Statt dass ein Engineer die Knoten und Kanten festlegt, kann das System selbst nach der besten Struktur suchen, oder sogar für jede Aufgabe einen maßgeschneiderten Graphen generieren?

Die Forschung sagt: ja, mit einer wichtigen Einschränkung beim Hype. Eine Übersichtsstudie aus 2026, From Static Templates to Dynamic Runtime Graphs, kartiert dieses ganze Feld und kommt zu einem nüchternen Urteil: einen komplett neuen Workflow-Graphen zur Laufzeit zu generieren ist meist Overkill und riskanter, als es aussieht. Der pragmatische Sweet Spot ist ein einziger gut validierter Graph, bei dem ein Router pro Aufgabe das passende Teilstück auswählt, was den Großteil des Nutzens einfängt und gleichzeitig die Sicherheit einer bereits vertrauten Struktur behält.

Wo automatische Strukturensuche sich tatsächlich auszahlt, sind die Ergebnisse bemerkenswert. AFlow, ein System, das den Raum der Workflow-Graphen mit Monte Carlo Tree Search durchsucht, schlug manuell entworfene Workflows um 5,7% im Schnitt und andere automatisierte Methoden um 19,5%, über sechs Benchmarks. Bezeichnender noch: Es fand Strukturen, mit denen ein kleineres, günstigeres Modell GPT-4o-Niveau auf einem Coding-Benchmark bei 4,55% der Kosten erreicht. Die Struktur des Graphen, nicht nur das Modell darin, ist heute der Ort, an dem ein großer Teil von Performance und Kosten entschieden wird.

Warum es zählt, auch wenn du nicht baust

Hier kommt der Teil für alle, die KI bezahlen statt sie zu schreiben. Dieser Wandel ist keine Framework-Vorliebe. Er ist die Grenze zwischen einer Demo und einem System, auf das du dich verlassen kannst.

Ein Loop ist völlig in Ordnung, wenn nichts auf dem Spiel steht. Graphen und durable execution existieren, weil Produktion Einsätze hat: Ein Lauf muss einen Absturz überstehen, während er läuft beobachtbar sein, und sich erholen, ohne zu wiederholen, was er schon getan hat. Das ist dieselbe Reifung, die wir in unserer Aufsichtsleiter und in KI-Agenten in der Produktion vertrauenswürdig halten beschrieben haben. Loops gehören ans unbeaufsichtigte, risikoarme Ende. Echte Geschäftsarbeit gehört auf strukturierte, wiederherstellbare Schienen, auf denen ein Mensch und ein System beide sehen können, was gerade passiert.

Die nützliche Frage an einen Anbieter ist also nicht "nutzt ihr das neueste Framework". Sie ist einfacher: Was passiert, wenn ein Lauf auf halber Strecke abstürzt? Wenn die ehrliche Antwort "er fängt von vorn an" oder "das wüssten wir nicht" lautet, blickst du auf Loop-Ära-Engineering, das auf ein Produktionsproblem gerichtet ist. Wenn die Antwort eine Struktur beschreibt, die einen einzelnen Schritt wiederherstellt, ihren State behält und beobachtet werden kann, blickst du auf jemanden, der den Sprung von Loops zu Graphen gemacht hat. Dieser Sprung wird leise zum Unterschied zwischen KI, die gut demonstriert, und KI, die dein Geschäft trägt.

Wir bauen produktive KI auf strukturierten, wiederherstellbaren Schienen, nicht auf Über-Nacht-Loops, weil das für die Arbeit, auf die sich unsere Kundinnen und Kunden verlassen, der einzig ehrliche Weg ist. Wenn du verstehen willst, was das für dein Vorhaben bedeutet, ist genau dafür ein erstes Gespräch da.