Agentic Workflows verstehen und implementieren

Beim klassischen Prompting erhältst du eine Antwort auf eine einzelne Anfrage. Agentic Workflows bearbeiten Aufgaben dagegen in mehreren Schritten. KI-Agenten nutzen dabei Werkzeuge, prüfen Zwischenergebnisse und entscheiden innerhalb vorgegebener Grenzen, wie sie weiterarbeiten. Die vier Design-Muster nach Andrew Ng zeigen, wie solche Abläufe aufgebaut werden können. Passende Frameworks und klare Regeln helfen bei der praktischen Umsetzung im Unternehmen.

‍

Was sind Agentic Workflows?

Agentic Workflows sind KI-gestützte Arbeitsabläufe, bei denen ein Modell Aufgaben Schritt für Schritt bearbeitet. Dabei entscheidet es, welche Werkzeuge es nutzt, welcher Schritt als Nächstes folgt oder ob es ein Ergebnis überarbeitet. Im Deutschen werden sie auch agentische Workflows oder agentische Arbeitsabläufe genannt. Wie viel Entscheidungsspielraum die KI erhält, hängt von der Aufgabe und den festgelegten Grenzen ab.

Du legst den Ablauf und den Handlungsspielraum der KI-Agenten fest. Der Startzeitpunkt eines Berichts steht dann beispielsweise fest, während das Modell die nächsten Rechercheschritte selbst auswählt. In der Branche werden die Begriffe unterschiedlich verwendet. Anthropic unterscheidet zwischen vorgegebenen Workflow-Pfaden und Agenten, die ihre Schritte dynamisch steuern. Die LangGraph-Dokumentation zieht dieselbe Grenze. Andere Anbieter verwenden "Agentic Workflows" breiter für Prozesse mit agentischen Entscheidungen.

Unterschied zwischen Agentic Workflow und KI-Agent

Der KI-Agent ist der handelnde Baustein. Er trifft Entscheidungen, ruft Werkzeuge auf und gibt Ergebnisse weiter. Ein Workflow beschreibt den gesamten Ablauf mit allen Datenübergaben, Prüfungen und Freigaben. Für einen Agentic Workflow reicht auch ein einzelner Agent, der Werkzeuge nutzt und Ergebnisse in mehreren Durchläufen bearbeitet. Die technische Architektur von AI Agents, also Speicher, Werkzeuganbindung und Frameworks, wird auf der Spezialseite ausführlicher erklärt.

‍

Vom Prompting zum iterativen Handeln

Bei einer einzelnen Textanfrage stellst du einem Sprachmodell eine Aufgabe und erhältst eine Antwort. Ein Agentic Workflow übernimmt Teile dieser Folgearbeit nach einem festgelegten Ziel und innerhalb vorgegebener Grenzen.

Ein Agent erhält ein Ziel, zerlegt es bei Bedarf in Teilaufgaben, führt Aktionen aus, bewertet Ergebnisse und passt seinen Plan an. Er arbeitet, bis das vereinbarte Ergebnis erreicht ist, stoppt an gesetzten Grenzen oder pausiert, um eine menschliche Entscheidung zu ermöglichen.

Den Unterschied erkennst du am Handlungsspielraum des Modells:

• Einen vorliegenden Text fasst du mit einer einzelnen Anfrage zusammen.
• Einen täglichen Datenimport aus derselben Quelle bildest du mit festen Schritten ab.
• Wenn das System Datenlücken erkennen und selbst passende Quellen auswählen muss, kommt ein agentischer Ablauf infrage.

Ein fest eingeplanter KI-Schritt fasst einen Text zusammen und gibt ihn weiter. Ein agentischer Ablauf entscheidet zusätzlich, ob Angaben fehlen und welcher erlaubte Schritt zur Klärung beiträgt.

Nicht jeder AI Workflow ist damit automatisch agentisch. Bleiben alle Schritte fest vorgegeben, nutzt der Ablauf zwar KI, überlässt dem Modell aber keine Entscheidung über den nächsten Schritt.

‍

Wann Agentic Workflows bessere Ergebnisse liefern können

Eine erste Lösung zu prüfen und gezielt zu überarbeiten ist bei komplexen Aufgaben oft ein sinnvoller Zwischenschritt. Ein agentischer Ablauf macht dieses Vorgehen wiederholbar und bezieht bei Bedarf externe Daten oder Werkzeuge ein. Wie viel das bringt, hängt von den Rückmeldungen ab.

• Die Agenten überarbeiten ihre Ausgaben anhand dieser Rückmeldungen.
• Datenbanken, APIs und andere Werkzeuge liefern zusätzliche Informationen.
• Durch Tests und Quellenprüfungen werden Fehler sichtbar.
• Der Agent zerlegt große Aufgaben in handhabbare Teilschritte.

Mehr Durchläufe bedeuten auch mehr Aufwand. Wenn du KI in Geschäftsprozesse integrierst, entscheiden Ergebnisqualität und nötige Nacharbeit ebenso mit wie Laufzeit und Kosten. Vergleiche den agentischen Ansatz mit dem einfachsten Ablauf, der die Aufgabe zuverlässig lösen könnte.

‍

Die vier zentralen Designmuster

Andrew Ng beschreibt vier zentrale Designmuster für Agentic Workflows. Die folgende Auswahlhilfe zeigt, welches Muster für welche Aufgabe geeignet ist. Kombiniere mehrere Muster, wenn die Aufgabe mehrere Funktionen verlangt.

‍

Reflection zur Überprüfung der eigenen Ergebnisse

Wenn ein erstes Ergebnis noch nicht ausreicht und klare Qualitätskriterien vorliegen, hilft Reflection beim Nachbessern. Der Agent erstellt eine Ausgabe, bewertet sie kritisch und überarbeitet sie anhand der Rückmeldung.

1. Das Modell erstellt eine erste Lösung, etwa Code, Text oder eine Analyse.
2. Dasselbe Modell oder ein zweiter Agent bewertet das Ergebnis anhand festgelegter Kriterien.
3. Das Modell überarbeitet die Ausgabe anhand dieser Kritik.
4. Prüfung und Überarbeitung wiederholen sich, solange weitere Durchläufe erlaubt und sinnvoll sind.

Ein Coding-Agent schreibt eine Funktion, führt Tests aus und überarbeitet den Code anhand der Fehlermeldungen. Die Testergebnisse zeigen konkret, an welcher Stelle die Lösung noch nicht funktioniert.

Lege maximale Iterationen fest und beobachte Kosten und Laufzeit. So begrenzt du Wiederholungen, die keinen erkennbaren Fortschritt bringen.

Tool Use für externe Werkzeuge und Daten

Wenn die Aufgabe aktuelle Informationen, genaue Berechnungen oder Zugriff auf ein Geschäftssystem erfordert, erweitert Tool Use die Fähigkeiten des Agenten über sein Trainingswissen hinaus.

• Über eine Websuche ruft der Agent öffentlich zugängliche Informationen ab.
• APIs verbinden den Ablauf mit CRM-Systemen, Datenbanken oder Kalendern.
• Für Berechnungen führt der Agent Code in einer dafür vorgesehenen Umgebung aus.
• Über freigegebene Schnittstellen greift er auf interne Dokumente und Geschäftssysteme zu.

Beim Function Calling schlägt das Modell einen Werkzeugaufruf mit den benötigten Angaben vor. Die Anwendung führt den Aufruf aus und gibt das Ergebnis zurück. Das Model Context Protocol (MCP) bietet einen offenen Standard für die Anbindung externer Werkzeuge und Datenquellen an KI-Anwendungen.

Gewähre dem Agenten nur Zugriff auf die Werkzeuge und Daten, die er für seine Aufgabe benötigt. Lege fest, welche Angaben aus einem Werkzeugaufruf geprüft werden müssen, bevor der nächste Schritt sie verwendet.

Planning zur Zerlegung komplexer Aufgaben

Wenn sich die nötigen Schritte erst im Verlauf genauer bestimmen lassen, hilft Planning beim strukturierten Vorgehen. Der Agent zerlegt große Ziele in Teilaufgaben, erstellt einen Aktionsplan und arbeitet ihn systematisch ab. Eine bereits feststehende Reihenfolge hinterlegst du direkt im Workflow.

1. Der Agent analysiert das Endziel und erkennt die notwendigen Schritte.
2. Er ordnet Teilaufgaben und ihre Abhängigkeiten.
3. Er bestimmt eine geeignete Reihenfolge und arbeitet sie ab.
4. Bei unerwarteten Ergebnissen passt er den Plan an. Das nennt man Replanung.

Wenn du Zwischenergebnisse prüfen willst, kombinierst du Planning mit Reflection. Baue Kontrollpunkte ein, an denen kritische Entscheidungen eine menschliche Genehmigung erfordern.

Multi-Agent Collaboration mit spezialisierten Agenten

Wenn Aufgaben sich nach Rollen oder Zugriffsrechten trennen lassen, arbeiten mehrere spezialisierte Agenten zusammen. Jeder Agent hat eine definierte Rolle und Zugriff auf die dafür benötigten Werkzeuge. Die Orchestrierung regelt, wer eine Aufgabe erhält und welche Ergebnisse er weitergibt.

• In einer hierarchischen Struktur verteilt ein koordinierender Agent Aufgaben und führt die Ergebnisse zusammen.
• In einer sequenziellen Pipeline wird die Ausgabe eines Agenten zur Eingabe des nächsten.
• Unabhängige Teilaufgaben laufen parallel und werden in einem weiteren Schritt zusammengeführt.

Ein Content-Workflow für eine Produktankündigung: Ein Recherche-Agent sammelt bestätigte Produktinformationen, ein Schreib-Agent erstellt einen Newsletter-Entwurf, ein weiterer Agent prüft die Aussagen gegen das Briefing. Offene Angaben gehen zur Klärung an das Team zurück.

Wie sich solche Rollen in größeren Content-Prozessen einsetzen lassen, zeigt der Beitrag zur Content-Automatisierung mit KI.

Verteile Rollen eindeutig und lege fest, wie die Agenten ihre Ergebnisse austauschen. Prüfe im Pilotprojekt, ob die Aufgabenteilung den zusätzlichen Abstimmungsaufwand rechtfertigt.

‍

Frameworks für Agentic Workflows

Frameworks liefern die Bausteine für Agenten sowie für die Steuerung ihrer Abläufe. Wähle sie danach aus, wie du Werkzeugaufrufe, Übergaben und Freigaben umsetzen möchtest.

Agentic Workflows lassen sich je nach Anforderung mit Entwickler-Frameworks oder Automatisierungsplattformen wie Make und n8n umsetzen. Frameworks bieten mehr Kontrolle über Zustände und Modellentscheidungen, während Plattformen vor allem die Anbindung bestehender Anwendungen erleichtern. Die praktische Plattformumsetzung behandelt der Beitrag zur AI Workflow Automation.

LangChain und LangGraph

LangGraph übernimmt die Zustandsverwaltung und Ablaufsteuerung: Es hält fest, welche Schritte abgeschlossen sind, speichert Zwischenstände und steuert Verzweigungen und Schleifen. Du kannst es unabhängig von LangChain nutzen. An menschlichen Kontrollpunkten prüfst du den Ablauf und gibst ihn frei.

LangGraph ist sinnvoll, wenn du Übergänge selbst festlegen und nachvollziehen möchtest. Die zusätzliche Kontrolle erfordert eine sorgfältige Modellierung des Ablaufs.

CrewAI

CrewAI übernimmt die Rollenverteilung: Es weist Agenten definierte Aufgaben und Werkzeuge zu und koordiniert ihre Zusammenarbeit. Die Dokumentation unterscheidet zwischen sequenziellen Prozessen mit vorgegebener Reihenfolge und hierarchischen Prozessen, in denen ein Manager-Agent Aufgaben verteilt und Ergebnisse prüft.

CrewAI eignet sich für Business-Anwendungen mit klaren Rollenmodellen, etwa Analyse-Pipelines oder Content-Erstellung.

Microsoft Agent Framework

Das Microsoft Agent Framework übernimmt die Orchestrierung mehrerer Agenten. Es koordiniert Zuständigkeiten, verwaltet Zwischenstände und unterstützt menschliche Kontrollpunkte. Es ist der Nachfolger von AutoGen und Semantic Kernel und verbindet deren Ansätze mit graphbasierten Workflows. Das Framework ist für Python und .NET verfügbar.

AutoGen befindet sich im Wartungsmodus und wird nicht mehr um neue Funktionen erweitert. Microsoft empfiehlt neuen Nutzern das Agent Framework und stellt für bestehende Anwendungen eine Migrationsanleitung bereit.

‍

Praxisbeispiele für Agentic Workflows

In der Softwareentwicklung geben Tests Rückmeldung, in der Marktforschung sind es Quellen und Vergleichsdaten. Beide Beispiele zeigen, wie ein Zwischenergebnis den nächsten Arbeitsschritt bestimmt und wo die Verantwortung beim Menschen bleibt.

Softwareentwicklung mit Programmieren, Testen und Fehlersuche

In der Softwareentwicklung greifen Planung, Tool-Nutzung und Reflexion ineinander. Ein Agent bearbeitet eine klar abgegrenzte Aufgabe, führt erlaubte Tests aus und nutzt die Rückmeldungen zur Überarbeitung.

1. Der Agent prüft die Anforderungen und die betroffenen Teile der Anwendung.
2. Er plant eine Änderung und bearbeitet den Code.
3. Er führt Tests aus und wertet Fehlermeldungen aus.
4. Bei Bedarf überarbeitet er die Änderung.
5. Er übergibt Code, Testergebnisse und offene Fragen zur Prüfung.

GitHub Agentic Workflows sind KI-gestützte Repository-Automatisierungen, die du in Markdown definierst und als GitHub-Actions-Workflows ausführst. Sie eignen sich beispielsweise für die Einordnung eingehender Issues oder die Untersuchung fehlgeschlagener Prüfungen. Die Funktion befindet sich in einer öffentlichen Vorschau und kann sich noch ändern.

Leg vorab fest, welche Berechtigungen der Agent erhält. Freigabe und Übernahme in die produktive Anwendung sind eigene Schritte.

Automatisierte Marktforschung und Berichte

Ein Marketingteam möchte wöchentlich erfahren, welche Veränderungen es bei ausgewählten Wettbewerbern gab. Im folgenden fiktiven Beispiel vergleicht ein Agentic Workflow Produkte, öffentlich verfügbare Preise und Änderungen zum letzten Bericht.

1. Der Agent ruft Angaben zu den festgelegten Wettbewerbern ab und speichert Quelle und Abrufzeitpunkt.
2. Er entfernt doppelte Einträge und führt Angaben zu denselben Produktvarianten zusammen.
3. Er prüft, ob Preise und Leistungen tatsächlich vergleichbar sind.
4. Er vergleicht bestätigte Angaben mit dem vorherigen Bericht und kennzeichnet fehlende Daten.
5. Er fasst Veränderungen, Belege und offene Fragen im Bericht zusammen.
6. Eine verantwortliche Person prüft den Bericht und gibt ihn zur Weitergabe frei.

Der agentische Teil wird bei einer Unstimmigkeit sichtbar. Der Agent findet für ein Produkt zwei unterschiedliche Preise. Er darf nachprüfen, ob eine andere Variante, eine Aktion oder unterschiedliche Lieferkosten den Unterschied erklären. Welche freigegebene Quelle er als Nächstes abruft, entscheidet er anhand der vorhandenen Angaben.

Lässt sich der Widerspruch innerhalb des Recherchelimits nicht auflösen, bleibt die Stelle als ungeklärt markiert. Im Bericht erscheinen beide Angaben mit Quellen und einer konkreten Rückfrage. Wöchentlicher Start, Berichtsformat und Freigabe können feste Bestandteile bleiben. Zusätzliche Recherchen hängen vom Zwischenergebnis ab.

‍

So planst du deinen ersten Agentic Workflow

Beginne mit einer wiederkehrenden, klar abgegrenzten Aufgabe. Lege zuerst fest, woran du ein brauchbares Ergebnis erkennst. Wähle typische Fälle aus und füge bewusst einen Fall mit fehlenden oder widersprüchlichen Informationen hinzu.

1. Beschreibe das Ziel und die Kriterien für ein vollständiges Ergebnis.
2. Lege Eingaben, erlaubte Datenquellen und Werkzeuge fest.
3. Trenne feste Schritte von Entscheidungen, die das Modell treffen darf.
4. Definiere Übergaben, Freigaben und Abbruchbedingungen.
5. Teste den Ablauf zunächst ohne unkontrollierte Änderungen an produktiven Systemen.
6. Vergleiche Qualität, menschliche Nacharbeit, Laufzeit und Kosten mit dem bisherigen Vorgehen.

Dokumentiere, an welchem Schritt Fehler entstehen und wer sie beheben muss. Ein Bericht, der schneller fertig ist, spart noch keine Arbeitszeit, wenn die anschließende Korrektur länger dauert. Erst wenn der Pilot die vereinbarten Kriterien erfüllt, erweiterst du seinen Aufgabenbereich.

‍

Herausforderungen beim Betrieb von Agentic Workflows

Im laufenden Betrieb benötigst du einen Überblick über Ergebnisse, Laufzeit und Kosten. Lege für Fehler und Rückfragen fest, wer zuständig ist.

Halluzinationen in mehrstufigen Abläufen erkennen

Sprachmodelle können Informationen erfinden. Übernimmt der nächste Schritt solche Angaben ungeprüft, wandert der Fehler durch den gesamten Ablauf.

• Gleiche wichtige Aussagen mit dem Inhalt belastbarer Quellen ab.
• Kontrolliere Werte, Berechnungen und Pflichtangaben anhand festgelegter Regeln.
• Nutze strukturierte Ausgaben, um fehlende Felder und unpassende Datentypen zu erkennen.
• Übergib kritische Aussagen und widersprüchliche Angaben an eine verantwortliche Person.

Ein weiteres Modell findet unter Umständen zusätzliche Fehler, ersetzt aber keinen unabhängigen Beleg. Auch wenn mehrere Modelle übereinstimmen, kann das Ergebnis falsch sein. Halte fest, welche Angaben geprüft wurden und worauf sich die Prüfung stützt.

Kosten und Laufzeit im Blick behalten

Reflexion, Planung und zusätzliche Werkzeugaufrufe benötigen Rechenzeit und erhöhen je nach Abrechnungsmodell die Nutzungskosten.

• Wähle für jede Teilaufgabe ein Modell mit passender Leistung.
• Speichere wiederverwendbare Ergebnisse und prüfe vor der erneuten Nutzung ihre Aktualität.
• Begrenze den Umfang einzelner Aufgaben mit Schritt- und Tokenlimits.
• Führe voneinander unabhängige Aufgaben parallel aus, sofern sich dadurch die Gesamtlaufzeit verkürzt.
• Beende die Bearbeitung, sobald die festgelegten Erfolgskriterien erfüllt sind.

Setze Warnungen bei ungewöhnlichen Entwicklungen. Starte den Pilot mit klaren Grenzen und passe sie anhand der tatsächlichen Nutzung an.

Abschluss, Abbruch und menschliche Freigabe

Ein Workflow braucht klare Regeln dafür, wann er fertig ist und wann er nicht weiterarbeiten darf. An einem Freigabepunkt pausiert er, bis die verantwortliche Person eine Entscheidung getroffen hat. Diese Einbindung nennt man Human-in-the-Loop.

Vier Gründe, warum ein Workflow stoppt oder pausiert:

• Die vereinbarten Qualitätskriterien sind erfüllt: Aufgabe abschließen und das Ergebnis übergeben.
• Ein Schritt-, Kosten- oder Zeitlimit ist erreicht: Automatische Bearbeitung stoppen und den Zwischenstand mit einer Begründung sichern.
• Informationen fehlen oder bleiben widersprüchlich: Rückfrage oder Übergabe an eine verantwortliche Person.
• Eine Aktion braucht eine Freigabe: Vor der Aktion pausieren und erst nach der Entscheidung fortsetzen, überarbeiten oder beenden.

Im Marktforschungsbeispiel verschickt der Workflow den fertigen Entwurf nicht automatisch. Die verantwortliche Person muss sehen, welche Angaben bestätigt und welche offen sind. Für ausbleibende Freigaben braucht es eine Regel, etwa eine Erinnerung und anschließende Übergabe statt unbegrenzten Wartens.

‍

Häufige Fragen zu Agentic Workflows

Wann entscheidet das Modell, wann bleibt ein Schritt fest?

Ein Schritt bleibt fest, wenn Eingabe, Regel und Ergebnis vorab vollständig bestimmt werden können, etwa ein standardisierter Datenimport oder eine Benachrichtigung bei einem festgelegten Ereignis. Das Modell entscheidet, wenn unterschiedliche Situationen auftreten können, die sich nicht praktikabel vorab festlegen lassen, etwa welche Quelle bei einer Datenlücke zuerst geprüft wird oder ob ein Ergebnis die Qualitätskriterien erfüllt.

Brauche ich mehrere Agenten für einen Agentic Workflow?

Nein. Ein einzelner Agent kann Werkzeuge nutzen, Ergebnisse prüfen und mehrere Schritte durchlaufen. Mehrere Agenten sind sinnvoll, wenn sich Aufgaben nach Rollen, Zugriffsrechten oder unabhängigen Teilaufgaben trennen lassen. Prüfe, ob der Nutzen dieser Trennung den zusätzlichen Abstimmungsaufwand rechtfertigt.

Wann reicht ein klassischer Workflow?

Ein klassischer Workflow reicht aus, wenn die Eingaben, Regeln und nächsten Schritte feststehen. Zusätzliche Modellentscheidungen sind dann sinnvoll, wenn du mit unterschiedlichen Situationen umgehen musst, die sich nicht praktikabel vorab festlegen lassen.

Was ist der Unterschied zwischen Agentic Workflows und traditioneller RPA?

Traditionelle RPA führt strukturierte, wiederkehrende Aufgaben nach festgelegten Regeln aus. Agentic Workflows beziehen dagegen modellgestützte Entscheidungen anhand von Kontext und Zwischenergebnissen ein. Du kannst beide kombinieren, etwa wenn ein Agent den Bearbeitungsbedarf einer Anfrage erkennt und die passende Dateneingabe anschließend durch RPA erfolgt.

Wie kann ich die Ausführungskosten berechnen?

Erfasse die tatsächlich verbrauchten Ein- und Ausgabetokens aller Modellaufrufe und rechne sie mit den jeweiligen Tarifen ab. Berücksichtige zusätzlich Werkzeugaufrufe, Plattform- oder Infrastrukturkosten sowie Wiederholungen. Für einen aussagekräftigen Vergleich gehört auch die menschliche Prüf- und Korrekturzeit dazu.

Welche Sicherheitsmechanismen brauche ich?

Begrenze Zugriffe auf die nötigen Daten und Werkzeuge, isoliere ausführbaren Code und protokolliere wichtige Aktionen. Übernimm externe Texte nicht ungeprüft als neue Arbeitsanweisungen. Für folgenreiche Aktionen solltest du eine Freigabe vorsehen und den Ablauf bei Problemen stoppen können.

Wie prüfe ich die Qualität eines Agentic Workflows?

Teste den Ablauf mit typischen Aufgaben und bewusst ausgewählten Ausnahmefällen. Prüfe, ob das Ergebnis fachlich korrekt ist, die Vorgaben erfüllt sind und ob Fehler oder fehlende Informationen sichtbar bleiben. Vergleiche den erforderlichen Nacharbeitsaufwand mit deinem bisherigen Vorgehen, nicht nur die Zahl automatisch erledigter Schritte.

Sind Agentic Workflows für kleine Unternehmen geeignet?

Ja, wenn eine wiederkehrende Aufgabe einen ausreichenden Aufwand verursacht und sich die Ergebnisse gut prüfen lassen. Beginne mit einem begrenzten Einsatzbereich. Rechne Einrichtung, Kontrolle und Nacharbeit mit ein, um die tatsächliche Entlastung zu beurteilen.

‍

Whaaat AI für deine Marketingtexte

Ein Marketing-Workflow verbindet ein freigegebenes Produktbriefing, den Entwurf eines Newsletters und die redaktionelle Freigabe. Das Schreiben selbst musst du nicht als technischen Ablauf programmieren.

Whaaat AI bündelt führende Sprachmodelle wie GPT, Claude und Gemini an einem Ort und macht daraus einen durchgehenden Arbeitsablauf für dein Marketing. Im Markenprofil hinterlegst du deine Brand Voice, damit die Entwürfe zu deiner Marke passen.

Spezialisierte KI-Agenten im Marketing übernehmen die Kanalarbeit. Anstatt für jeden Kanal eigene Prompts zu erstellen, arbeitest du mit Agenten für LinkedIn, Instagram, Blogartikel, Newsletter oder PR-Meldungen. Du gibst Thema, Zielgruppe und die wichtigsten Informationen vor. Jeder Agent formuliert den Text passend zur jeweiligen Plattform. Die Entwürfe übernimmst du direkt in deinen gewohnten Freigabeprozess.

Whaaat AI sieben Tage kostenlos testen