AutoGen im Mittelstand: Multi-Agent-Teams ohne Chaos

Viele KI-Projekte im Mittelstand starten mit einem Chatfenster und enden mit einer Demo, die niemand im Alltag bedient. Sobald mehrere Rollen involviert sind, Recherche, Entwurf, Prüfung, Freigabe, reicht ein einzelner Prompt oft nicht. Dann spricht man von Multi-Agent-Teams: mehrere spezialisierte Agenten, die sich Arbeit reichen, statt alles in einem Rutsch zu erledigen.

AutoGen (heute eng verbunden mit dem Microsoft Agent Framework / AutoGen-Dokumentation) ist genau für diese Schicht gedacht: Du orchestrierst Agenten mit klaren Rollen, Nachrichten und Tools. Das klingt mächtig, und ist es. Es ist aber auch mehr Architektur als ein Workspace-Workflow. Dieser Leitfaden zeigt, wann sich das im Mittelstand lohnt, wann es Overkill ist, und wie Du Gemini/Vertex und Workspace sinnvoll andockst, ohne Framework-Hype.

Was AutoGen anders macht

Klassische Automationen denken in einer linearen Kette. Viele Chatbots denken in einer Nachricht. AutoGen denkt in Agenten, die miteinander sprechen: Ein Planner zerlegt die Aufgabe, ein Worker recherchiert oder schreibt, ein Critic prüft, und optional pausiert das System für eine menschliche Freigabe.

Praktisch heißt das:

• Rollen statt Monolith: Jeder Agent hat eine Aufgabe (z. B. Zusammenfassen, Entwurf, Qualitätscheck) und klare Grenzen.
• Tool calling: Agenten rufen gezielt Tools auf, Suche, CRM, Docs, Tickets, statt alles in einen Prompt zu stopfen.
• Conversation patterns: Der Ablauf ist ein Dialog zwischen Agenten (und Menschen), nicht nur eine feste Pipeline.
• Human-in-the-loop (HITL): An kritischen Stellen entscheidet ein Mensch, bevor etwas nach außen geht.

Das ist nah an dem, was Du brauchst, wenn ein Prozess nicht „einmal zusammenfassen“ ist, sondern „recherchieren → entwerfen → gegenprüfen → freigeben → ins System schreiben“.

Wann AutoGen / Multi-Agent im Mittelstand Sinn ergibt

Nutze AutoGen oder ein vergleichbares Multi-Agent-Setup, wenn mindestens zwei der folgenden Punkte zutreffen:

• Der Ablauf braucht mehrere spezialisierte Schritte, die sich inhaltlich widersprechen können (z. B. Entwurf vs. Compliance-Check).
• Du willst Qualität durch Gegenprüfung, ein zweiter Agent soll den ersten kritisch lesen.
• Es gibt echte Risiko- oder Compliance-Schritte, die ein Mensch freigeben muss.
• Mehrere Tools müssen in einer Session koordiniert werden, nicht nur ein Webhook nach dem anderen.

Typische Delivery-Muster: Angebotsentwürfe mit Gegenprüfung, interne Recherche über Drive/Docs mit Quellenliste, Support-Triage mit Eskalation an Menschen. Öffentlich bekannte Deschalet-Muster in diese Richtung: KI-Angebots-/Wissensarbeit rund um ttz (RAG statt Blind-Prompting) und Tim 2.0 als Digital-Twin-Ansatz, beides lebt von Struktur und Guardrails, nicht von einem einzelnen Chat.

Wann n8n/Make + Gemini die bessere Wahl ist

Viele Mittelstands- und Nonprofit-Fälle brauchen keinen Multi-Agent-Dialog. Sie brauchen einen zuverlässigen Workflow:

• Trigger ist klar (Mail, Formular, Ordner, Webhook)
• Schritte sind weitgehend linear
• KI ist ein Baustein (Zusammenfassen, Klassifizieren, Textentwurf), nicht die Orchestrierung
• Logging und Retries in n8n/Make reichen aus

Beispiel: Belege kommen per Mail, werden klassifiziert, abgelegt und bei Unsicherheit eskaliert. Gemini (oder Vertex) hilft beim Verstehen; n8n hält den Fluss. Das ist Produktionsreife ohne Agenten-Framework.

Faustregel: Wenn Du den Ablauf auf ein Whiteboard als gerade Linie mit 1-2 Verzweigungen zeichnen kannst, starte mit n8n/Make + Gemini in Workspace. Wenn Du Rollen, Gegenprüfung und „zurück an den Planner“ brauchst, wird AutoGen interessant.

Trade-offs klar benennen

Overkill ist AutoGen, wenn Du eigentlich nur „Gemini schreibt eine Mail-Vorlage“ oder „nach Formular Ordner anlegen“ brauchst. Dann zahlst Du Framework-Komplexität für ein Feature, das Workspace oder ein kurzer Workflow schon lösen.

Integration ohne Hype: Gemini, Vertex, Workspace

AutoGen ersetzt weder Deine Datenlage noch Deine Rechte. Es orchestriert darüber:

• Gemini / Vertex: als Modell-Schritt hinter den Agenten (Zusammenfassen, Entscheiden mit Schema, Tool-Auswahl). Grenzen setzen: welche Felder, welche Quellen, welche Max-Tokens.
• Workspace-Daten: Drive, Docs, Gmail als Tools hinter klaren Service-Accounts und Shared-Drive-Rechten, sonst automatisierst Du Chaos.
• Observability: Jeder Lauf braucht Trace-ID, Nachrichtenprotokoll und einen Owner. Sonst wird das Multi-Agent-Team zur Blackbox.

DSGVO-Grundsatz bleibt: so wenig personenbezogene Daten wie nötig in den Modellschritt, EU-Speicherung wo möglich, Freigaben bei sensiblen Aktionen.

Ein schlankes Liefermodell für den Mittelstand

1. Engpass wählen: ein Prozess, der wirklich wehtut (nicht „wir wollen Agenten“).
2. Rollen skizzieren: maximal drei Agenten zuerst, Planner, Worker, Critic.
3. HITL-Punkte setzen: wo darf nichts ungeprüft raus?
4. Tools hard begrenzen: lieber drei stabile Tools als zwanzig halbe Integrationen.
5. Pilot mit Messgröße: Zeit bis Entwurf, Fehlerrate, manuelle Eingriffe, sonst bleibt es Demo.

Wenn der Pilot nach vier Wochen keine messbare Entlastung zeigt, war es kein Orchestrierungsproblem, sondern ein Priorisierungsproblem. Dann hilft eher ein AI Readiness Check als noch ein Framework.

Fazit

AutoGen glänzt, wenn Du Multi-Agent-Teams mit klaren Rollen, Tool Calling und Human-in-the-Loop brauchst. Für die Mehrheit der Mittelstands-Workflows reichen n8n/Make und Gemini in Workspace, schneller, günstiger, leichter zu betreiben. Wähle das Werkzeug nach dem Whiteboard, nicht nach dem LinkedIn-Post.

Du willst klären, ob Dein Use Case ein Workflow oder ein Multi-Agent-Team ist? Buch Dir ein kostenloses Erstgespräch. Wir priorisieren den Engpass und bauen nur so viel Orchestrierung, wie Du wirklich brauchst. Alternativ starte mit dem AI Readiness Check.