LangGraph im Mittelstand: Agenten orchestrieren ohne Chaos

Viele KI-Projekte im Mittelstand starten mit einem Chatfenster und enden mit einer Demo, die niemand im Alltag bedient. Der Sprung von "Modell antwortet" zu "Prozess läuft zuverlässig" ist kein größeres Prompt, es ist Orchestrierung: Zustand, Schritte, Freigaben und Tools müssen zusammenpassen.

LangGraph ist genau für diese Schicht gedacht: Du modellierst Agenten als Graph mit klaren Knoten, Kanten und persistentem State. 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-Daten sinnvoll andockst, ohne Framework-Hype.

Was LangGraph anders macht

Klassische Chatbots denken in einer Nachricht. Viele Automationen denken in einer linearen Kette. LangGraph denkt in einem zustandsbehafteten Graphen: Jeder Knoten kann lesen und schreiben, der State überlebt Schritte und Retries, und Du kannst Schleifen, Verzweigungen und menschliche Freigaben einbauen.

Praktisch heißt das:

• Stateful agent graphs: Der Agent merkt sich Kontext über mehrere Schritte (Quellen, Zwischenstände, Entscheidungen).
• Tool calling: Knoten rufen gezielt Tools auf (Suche, CRM, Docs, Tickets), statt alles in einen Prompt zu stopfen.
• Human-in-the-loop (HITL): An kritischen Stellen pausiert der Graph, ein Mensch prüft, danach geht es weiter.

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

Wann LangGraph im Mittelstand Sinn ergibt

Nutze LangGraph, wenn mindestens zwei der folgenden Punkte zutreffen:

• Der Ablauf hat mehrere Entscheidungspunkte und kehrt manchmal zu einem früheren Schritt zurück.
• Du brauchst einen nachvollziehbaren State (Was hat der Agent schon geprüft? Welche Quelle galt?).
• 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: Angebots- oder Wissensassistenten mit RAG und Freigabe, interne Recherche-Agenten über Drive/Docs, Support-Triage mit Eskalation an Menschen. Öffentlich bekannte Deschalet-Muster in diese Richtung: die KI-Angebots-/Wissensarbeit rund um ttz (RAG statt Blind-Prompting) und Tim 2.0 als Digital-Twin-Ansatz für Alltag und Wissenssicherung, 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 Agenten-Graphen. 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 Graph-Framework.

Faustregel: Wenn Du den Ablauf auf ein Whiteboard als gerade Linie mit 1 bis 2 Verzweigungen zeichnen kannst, starte mit n8n/Make + Gemini in Workspace. Wenn Du Kreise, Wartepunkte und "zurück zu Schritt 2" brauchst, wird LangGraph interessant.

Trade-offs klar benennen

Overkill ist LangGraph, 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

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

• Gemini / Vertex: als Modell-Schritt im Graph (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, Input-/Output-Snapshot und einen Owner. Sonst wird der Graph 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. State skizzieren: welche Felder braucht der Graph nach jedem Schritt?
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.

Wenn Du ohnehin mit Gemini und Google Cloud arbeitest, lohnt auch ein Blick auf die Alternative von Google: Wie Du Agenten mit dem Agent Development Kit baust und mit verwalteten Sessions, Guardrails und Monitoring betreibst, zeigt unser Beitrag Google ADK und Agent Engine im Mittelstand.

Wie Du einen LangGraph-Agenten produktionsreif machst, mit Checkpointing, Freigaben per Interrupt, Retries und Fehlerhandlern, beschreibt die Fortsetzung LangGraph in Produktion: Checkpointing, Freigaben und Fehlerbehandlung.

Fazit

LangGraph glänzt, wenn Du stateful Agenten mit 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 Graph auf dem Whiteboard, nicht nach dem LinkedIn-Post.

Du willst klären, ob Dein Use Case ein Workflow oder ein Agenten-Graph ist? Buch Dir ein kostenloses Erstgespräch. Wir priorisieren den Engpass und bauen nur so viel Orchestrierung, wie Du wirklich brauchst.