Bei klassischen Workflow-Plattformen folgt der Ablauf einem starren Drehbuch: Trigger A löst Aktion B aus, dann C, dann D. Solange die Realität sich an das Drehbuch hält, funktioniert das hervorragend. Sobald aber unstrukturierte Eingaben, Ausnahmefälle oder kontextabhängige Entscheidungen ins Spiel kommen, stößt das Modell an seine Grenzen.
Genau hier setzt Agent Loop in Azure Logic Apps an — ein Feature, das seit 2025 zunächst in Logic Apps Standard und mittlerweile auch in der Consumption-Variante allgemein verfügbar ist. Statt einem festen Ablauf zu folgen, plant ein KI-Agent eigenständig: Er analysiert das Ziel, prüft den verfügbaren Kontext, wählt Werkzeuge aus dem Logic-Apps-Konnektor-Ökosystem aus und entscheidet selbst, welche Schritte zur Zielerreichung sinnvoll sind.
Das Bemerkenswerte daran: Agent Loop ist nicht einfach eine isolierte KI-Aktion, die sich in einen Workflow einfügt. Es ist eine grundlegend andere Art, Logic Apps zu nutzen — eine, bei der das Workflow-Tool nicht den Ablauf vorgibt, sondern dem Agenten die Mittel zur Verfügung stellt, mit denen er Entscheidungen umsetzt.
Was Agent Loop konkret ist
Agent Loop ist ein neuer Aktionstyp innerhalb von Logic Apps, der drei Dinge zusammenbringt:
Ein Modell. Standardmäßig aus dem Azure OpenAI- bzw. Microsoft Foundry-Katalog — GPT-5-Reihe einschließlich der Reasoning-Modelle, Phi-Modelle für günstige interne Aufgaben, optional auch Modelle anderer Anbieter über die Foundry-Integration.
Werkzeuge (Tools). Jede Aktion aus dem Logic-Apps-Konnektor-Ökosystem kann als Werkzeug deklariert werden — von SharePoint-Listeneintrag-erstellen über SAP-RFC-Aufruf bis hin zu benutzerdefinierten REST-API-Aktionen. Aktuell stehen mehr als 1.400 Konnektoren zur Verfügung. Der Agent entscheidet zur Laufzeit, welches Werkzeug für welchen Schritt am besten passt.
Eine Iteration. Der Agent durchläuft eine Think-Act-Learn-Schleife: Er reflektiert das Ziel, plant einen nächsten Schritt, führt eine Werkzeugaktion aus, wertet das Ergebnis aus und entscheidet, ob er fertig ist oder weitere Schritte nötig sind. Dieser Loop ist nicht hartcodiert, sondern wird vom Modell auf Basis des Kontextes gesteuert.
Im Logic-Apps-Designer erscheint Agent Loop als eine einzige Aktion. Was darin passiert, ist nicht mehr „Schritt 1, Schritt 2, Schritt 3“ — sondern „Ziel + Werkzeuge“. Was dazwischen passiert, übernimmt der Agent.
Das Think-Act-Learn-Prinzip im Detail
Die Iteration eines Agent Loops besteht aus drei wiederkehrenden Phasen.
Think. Der Agent betrachtet das Ziel, den aktuellen Stand und die ihm zur Verfügung stehenden Werkzeuge. Er begründet seine nächste Aktion — bei Reasoning-Modellen wie GPT-5 oder o3 ist dieser Schritt explizit ausgeprägt und nachvollziehbar.
Act. Der Agent ruft ein konkretes Werkzeug auf — eine SharePoint-Listenaktion, ein API-Endpoint, eine E-Mail-Aktion, eine Datenbankabfrage. Logic Apps führt diese Aktion mit den vom Agenten generierten Parametern aus und gibt das Ergebnis zurück.
Learn. Der Agent wertet das Ergebnis aus. War der Schritt erfolgreich? Liegt nun genug Information vor, um abzuschließen — oder muss noch ein weiterer Werkzeug-Aufruf erfolgen? Bei Bedarf passt der Agent seinen Plan an.
Diese Schleife läuft, bis der Agent das Ziel erreicht hat oder ein definiertes Abbruchkriterium greift (maximale Iterationen, Fehlerzustand, manueller Eingriff). Jeder Durchlauf wird in Logic Apps protokolliert — was der Agent gedacht hat, welches Werkzeug er aufgerufen hat, welches Ergebnis er erhalten hat. Diese Auditierbarkeit ist in regulierten Umgebungen ein zentraler Vorteil gegenüber Black-Box-Agenten.
Zwei Spielarten: Autonome und konversationelle Agenten
Logic Apps unterscheidet zwei Grundmuster, wie ein Agent gestartet und genutzt wird.
Autonome Agenten werden durch klassische Logic-Apps-Trigger ausgelöst — eine neue E-Mail trifft ein, ein Dokument wird in SharePoint hochgeladen, eine geplante Zeit erreicht, eine Nachricht in einer Service-Bus-Queue erscheint. Der Agent läuft dann eigenständig durch seine Schleife, ohne weitere Benutzerinteraktion. Sinnvoll für unbeaufsichtigte Prozessautomatisierung: eingehende Rechnungen analysieren und im ERP voreintragen, Lieferantenanfragen klassifizieren, Compliance-Checks durchführen.
Konversationelle Agenten werden über einen Chat-Trigger gestartet („When a new chat session starts“). Sie sind dialogorientiert, kurzlebig und auf direkte Benutzerinteraktion ausgelegt. Der Agent versteht eine Nutzeranfrage, klärt fehlenden Kontext durch Rückfragen, führt Werkzeugaktionen aus und antwortet im Chatverlauf. Sinnvoll für interne Chat-Assistenten, Service-Desk-Erstkontakte, geführte Datenerfassung.
Beide Spielarten können dieselben Werkzeuge und Modelle nutzen — der Unterschied liegt im Auslöser und in der Sitzungsdauer. Autonome Agenten dürfen lang laufen und sollten mit klaren Governance-Regeln, Rollback-Strategien und Eskalationspfaden ausgestattet sein. Konversationelle Agenten laufen pro Chat-Sitzung und sind in der Regel kurzlebig.
Der wirkliche Hebel: 1.400 Konnektoren als Werkzeuge
Was Agent Loop in Logic Apps von vergleichbaren Agent-Plattformen abhebt, ist das vorhandene Konnektor-Ökosystem. Logic Apps existiert seit Jahren als Integrationsplattform mit Anbindungen an nahezu jedes relevante Geschäftssystem — Microsoft 365, Salesforce, SAP, ServiceNow, Dynamics, Adobe Sign, Oracle, DocuSign, branchenspezifische SaaS-Tools, eigene REST-APIs, On-Premises-Systeme über das Daten-Gateway.
Mit Agent Loop wird jeder dieser Konnektoren potenziell zum Werkzeug eines Agenten. Ein Agent, der eine Bestellanforderung verarbeitet, kann selbständig
- die Stammdaten des anfragenden Mitarbeiters aus Entra ID abrufen
- den Budgetstand in der Finanzabteilung über SAP-Konnektor prüfen
- bei Lieferanten via E-Mail-Konnektor Angebote anfragen
- die Antworten verarbeiten und einen Genehmigungseintrag in SharePoint anlegen
- den passenden Vorgesetzten über Teams benachrichtigen
— ohne dass irgendein klassischer Workflow-Schritt mit „If/Else“-Logik vorab definiert werden müsste. Der Agent baut den Ablauf aus den Werkzeugen zusammen.
Diese Hebelwirkung ist der wirtschaftliche Kern von Agent Loop. Wer bereits Logic-Apps-Konnektoren im Einsatz hat (selbst entwickelt oder Standard), kann diese Werkzeuge mit minimalem Aufwand für agentische Szenarien wiederverwenden.
Integration mit dem Foundry Agent Service
Seit der Generalverfügbarkeit von Agent Loop unterstützt das Feature die direkte Integration mit dem Foundry Agent Service. Praktisch bedeutet das: Der Agent in Logic Apps wird nicht mehr nur von einer Modellressource (Azure OpenAI), sondern von einer vollwertigen Foundry-Agent-Instanz gespeist.
Damit ergeben sich zusätzliche Möglichkeiten:
- Vollständiger Foundry-Modellkatalog — einschließlich Anthropic-Modelle, Phi, Llama, Mistral
- Eingebaute Foundry-Tools wie Code Interpreter für strukturierte Datenanalyse, Datei-Verarbeitung oder mathematische Berechnungen
- MCP-Konnektivität mit OAuth-Passthrough für nahtlose Integration in externe Werkzeug-Ökosysteme
- Memory-Funktionen für persistente Kontextspeicherung über Sitzungen hinweg
Authentifizierung erfolgt über Managed Identity — die Verbindung zwischen Logic Apps und Foundry ist sauber in Azure-IAM eingebettet, ohne dass API-Schlüssel manuell verwaltet werden müssen.
Typische Anwendungsszenarien
In welchen Szenarien lohnt sich Agent Loop konkret? Sechs Muster, die in der Praxis regelmäßig auftauchen.
Intelligente Eingangskanäle für E-Mail und Tickets — Eingehende E-Mails oder Service-Tickets werden vom Agenten gelesen, klassifiziert, mit Kontext aus internen Systemen angereichert (Kundenhistorie, Vertragsstand, frühere Vorfälle) und an die richtige Fachgruppe weitergeleitet. Bei klaren Standardfällen kann der Agent eine erste Antwort selbst formulieren — bei Unsicherheit eskaliert er an einen Menschen.
Lieferanten- und Vertragsmanagement — Eingehende Lieferantendokumente werden automatisch ausgelesen, mit bestehenden Stammdaten abgeglichen, Abweichungen markiert. Vertragsänderungen werden gegen Standard-Templates geprüft, kritische Klauseln gemeldet.
Compliance-Workflows mit Human-in-the-Loop — Agenten, die Genehmigungsschritte vorbereiten, aber kritische Aktionen niemals selbständig ausführen. Das Muster ist explizit unterstützt: Der Agent stellt einen Vorschlag bereit, ein menschlicher Genehmiger entscheidet, der Agent führt anschließend nur die genehmigten Schritte aus. Für regulierte Branchen (Energie, Finanzdienstleistung, Gesundheitswesen, öffentliche Hand) ist das oft die einzige akzeptable Variante.
Adaptive Datenerfassung im Intranet — Statt starrer Formulare ein konversationeller Agent, der Mitarbeitende durch eine strukturierte Erfassung führt — und je nach Antworten weitere Fragen, Validierungen oder Lookups einbaut. Das Ergebnis landet sauber in einer SharePoint-Liste oder einem Fachsystem.
Berichts- und Auswertungsgenerierung — Ein Agent, der wöchentlich Vertriebszahlen aus Dynamics, Marketingdaten aus dem Marketing-Tool, Ticket-Statistiken aus ServiceNow und Reklamationen aus dem ERP zusammenträgt, eine strukturierte Auswertung erstellt und das Ergebnis als Power-BI-fähige Datei oder Teams-Nachricht bereitstellt.
IT-Monitoring mit eigenständigen Gegenmaßnahmen — Bei definierten Vorfällen ein Agent, der Logfiles analysiert, eine Erstdiagnose erstellt, Standardkorrekturen anstößt (Service-Neustart, Cache-Leerung) und bei nicht beherrschbaren Fällen den Bereitschaftsdienst alarmiert.
Abgrenzung: Wann was die richtige Wahl ist
Agent Loop ist nicht die einzige Möglichkeit, KI-gestützte Automatisierung in Microsoft-Umgebungen zu bauen. Die Wahl zwischen den verfügbaren Plattformen lohnt sich.
| Plattform | Stärke | Wann sinnvoll |
|---|---|---|
| Logic Apps Agent Loop | 1.400+ Konnektoren als Werkzeuge, tief in Azure-IAM | Integration vieler Geschäftssysteme, lange laufende Prozesse |
| Foundry Agent Service | Volle Kontrolle über Agent-Architektur, eigene APIs/SDKs | Custom-Entwicklung, Embedded in eigene Produkte |
| Power Automate (klassisch) | Low-Code, breite Nutzerbasis, M365-nah | Lineare Workflows ohne Agenten-Logik |
| Power Automate mit AI Builder | Vorgefertigte AI-Aktionen, einfach zu konsumieren | Punktuelle KI-Schritte in bestehenden Flows |
| Klassische Logic Apps | Etablierte Integrations-Engine, deterministisch | Wenn der Ablauf vorhersagbar ist |
Die Faustregel: Wenn der Wertschöpfungs-Hebel im Zugriff auf viele Geschäftssysteme liegt, ist Agent Loop in Logic Apps die naheliegende Wahl. Wenn der Hebel im Modell- und Agent-Stack selbst liegt — eigene Modelle, eigene Tool-Definitionen, eigene Frontend-Anbindung — führt der Weg über Foundry Agent Service direkt.
In der Praxis arbeiten beide oft zusammen: Agent Loop in Logic Apps nutzt einen Agenten aus dem Foundry Agent Service, der über MCP zusätzliche externe Werkzeuge anbindet. Das ist kein Entweder-Oder.
Was Agent Loop kostet
Die Abrechnung folgt der bekannten Logic-Apps-Logik — mit einem zusätzlichen Element für die KI-Komponente.
Consumption. Pay-as-you-go pro Aktion. Agent-Loop-Aktionen werden zusätzlich nach Token-Verbrauch des verwendeten Modells abgerechnet, auf der Rechnung als „Enterprise Units“ sichtbar. Sinnvoll für variable Lasten und Einstiegsszenarien.
Standard. Hosted-Modell mit fester monatlicher Grundgebühr für die Workflow-Laufzeit. Agent-Loop-Aufrufe werden weiterhin nach Token-Verbrauch abgerechnet. Sinnvoll bei konstantem Volumen, langlebigen Agenten und höheren Sicherheitsanforderungen (eigene Virtual Network-Integration).
Modellkosten. Diese folgen dem Foundry-Preismodell — GPT-5-Modelle im Bereich einiger USD pro Million Token, Phi-Modelle und Small Language Models deutlich günstiger. Reasoning-Aufrufe verbrauchen zusätzlich Reasoning-Token, die in die Abrechnung einfließen.
Für ein realistisches Pilotprojekt mit einem konversationellen Agenten im internen Einsatz lassen sich Größenordnungen von 200 bis 800 EUR pro Monat ansetzen — bei moderater Nutzung. Größere autonome Setups mit hohem Volumen erfordern eine detailliertere Kalkulation.
Was beim produktiven Einsatz zu beachten ist
So elegant Agent Loop in den Demos wirkt — der produktive Einsatz hat einige Punkte, die vor Inbetriebnahme geklärt sein sollten.
Werkzeug-Berechtigungen sauber definieren. Ein Agent kann nur das, was seine Werkzeuge ihm erlauben. Werkzeuge mit weitreichenden Schreibrechten (auf SharePoint, ERP, Active Directory) sollten nur dann zugelassen werden, wenn der Use Case das wirklich rechtfertigt. Im Zweifel: Read-Zugriff für Recherche, Human-in-the-Loop für Schreibaktionen.
Iterations-Limits setzen. Ein Agent ohne Begrenzung kann sich in unendlichen Schleifen verlaufen und entsprechend Kosten produzieren. Maximale Iterationen, maximale Token-Anzahl pro Schleife und Timeout-Werte gehören in jede Produktiv-Definition.
Eingaben validieren. Eingaben für autonome Agenten sollten vorab gefiltert werden — gerade bei E-Mail-Triggern oder externen Webhooks. Prompt-Injection ist ein realer Vektor: Wer einem Agenten erlaubt, Inhalte aus E-Mails zu interpretieren und dann darauf basierend Aktionen auszuführen, sollte die Eingangsstrecke absichern.
Observability einrichten. Was hat der Agent gedacht, welches Werkzeug aufgerufen, welches Ergebnis erhalten? Logic Apps protokolliert das, aber die Auswertung sollte aktiv in Application Insights und Azure Monitor laufen — sonst entdeckt man Probleme erst nach Beschwerden.
Klare Eskalationspfade. Was passiert, wenn der Agent ein Werkzeug nicht aufrufen kann? Wenn ein Schritt fehlschlägt? Wenn die maximale Iteration erreicht ist? Definierte Fallback-Pfade sind kein Luxus, sondern Voraussetzung für produktiven Einsatz.
Was ich für Sie entwickle
Ich unterstütze mittelständische Unternehmen dabei, Agent Loop in Azure Logic Apps produktiv zu nutzen — von der ersten Idee bis zum überwachten Produktivbetrieb.
Use-Case-Bewertung — Welcher Prozess profitiert wirklich von einem agentischen Workflow? Welche Schritte lassen sich klassisch automatisieren, welche brauchen die Adaptivität eines Agenten?
Architekturentwurf — Logic Apps Consumption oder Standard? Eigene Modellressource oder Foundry Agent Service? Welche Werkzeuge müssen bereitgestellt werden, welche bestehenden Konnektoren lassen sich wiederverwenden?
Pilotumsetzung — Aufbau eines klar abgegrenzten Pilotprojekts mit definierten Erfolgskriterien. Häufige Einstiegspfade: konversationeller Ideen- oder Service-Bot im Intranet, autonomer Eingangsverarbeitungs-Agent für Rechnungen oder Lieferantendokumente.
Governance, Sicherheit, Kostenkontrolle — Werkzeug-Berechtigungen, Iterations-Limits, Eingabe-Validierung, Audit-Logging, Budget-Caps — sauber aufgesetzt vor Produktivnahme.
Wissenstransfer — Damit der Agent nach Projektende intern weiterentwickelt und betrieben werden kann.
Meine ehrliche Einschätzung
Trotz aller Möglichkeiten gehört zu einer fairen Bewertung auch eine klare Aussage: Agent Loop in Logic Apps ist meiner Einschätzung nach noch nicht ausgereift. Das ist keine Kritik am Konzept, sondern eine nüchterne Bestandsaufnahme nach mehreren Monaten Praxisbeobachtung.
Wo das Feature aktuell hakt:
- Reife der Werkzeug-Aufrufe — Nicht alle der 1.400 Konnektoren liefern strukturierte Beschreibungen, die ein Agent zuverlässig interpretieren kann. Bei komplexen Konnektoren (SAP, Dynamics, branchenspezifische APIs) muss heute oft manuell nachjustiert werden, damit der Agent die Parameter sauber befüllt.
- Konsistenz bei längeren Schleifen — Autonome Agenten verlieren bei vielen Iterationen gelegentlich den roten Faden. Workarounds (Zwischenzusammenfassungen, externe State-Speicherung) existieren, sind aber Handarbeit.
- Observability noch unvollständig — Was im Agenten konkret passiert, ist über Standard-Logs sichtbar, aber für tiefgreifende Fehleranalyse fehlen noch komfortable Werkzeuge. Wer produktive Agenten betreibt, baut sich heute eigene Auswertungen.
- Reasoning-Token-Kosten — Bei Einsatz der GPT-5-Reasoning-Varianten können die Kosten pro Vorgang höher ausfallen, als die initiale Planung vermuten lässt. Realistische Kostenmessung lohnt sich vor jeder breiteren Einführung.
- Versionierung und Wiederverwendung — Agent-Konfigurationen sind heute noch eng an die jeweilige Logic-App gebunden. Wer einen Agenten in mehreren Umgebungen einsetzen oder zwischen Tenants migrieren will, hat heute mehr Aufwand als bei klassischen Workflows.
Gleichzeitig ist die Richtung klar. Microsoft investiert sichtbar in das Feature — Updates kommen in kurzen Abständen, die Integration mit dem Foundry Agent Service hat in den letzten Monaten erhebliche Sprünge gemacht, die Werkzeugbeschreibungen werden konsequent verbessert. Das Feature wird sich mit hoher Wahrscheinlichkeit zur tragenden Säule agentischer Automatisierung in Microsoft-Umgebungen entwickeln.
Meine Empfehlung für die nächsten 6 bis 12 Monate:
- Klein einsteigen — Interne, gut abgegrenzte Use Cases mit klarer Toleranz für gelegentliche Anpassungen
- Human-in-the-Loop bevorzugen — Insbesondere für Schreibaktionen in Produktivsystemen
- Nicht den unternehmenskritischen Pfad — Ein Agent-Loop-basierter Hauptprozess für umsatzkritische Vorgänge wäre heute verfrüht
- Erfahrung sammeln — Damit Sie und Ihr Team mit dem Reifegrad mitwachsen, sobald sich die Plattform stabilisiert
Wer jetzt einsteigt, gewinnt vor allem eines: Vorsprung beim Verständnis. Wenn die Plattform in 12 bis 18 Monaten breit produktiv genutzt wird, ist das ein erheblicher Vorteil.
Fazit
Agent Loop in Logic Apps ist konzeptionell überzeugend — und in der Praxis noch in der Reifephase. Mit der Generalverfügbarkeit in Standard und Consumption, der Integration mit dem Foundry Agent Service und dem Zugriff auf das gesamte Logic-Apps-Konnektor-Ökosystem ist die Plattform bereits ein ernsthafter Baustein für agentische Automatisierung in Microsoft-Umgebungen.
Der entscheidende Hebel liegt nicht in der Modellfähigkeit allein — die ist im Foundry-Katalog ohnehin für viele Plattformen verfügbar. Er liegt in der Kombination aus Modell und Werkzeugen: 1.400 Konnektoren, die ein Agent zur Laufzeit eigenständig kombinieren kann, sind ein anderes Spielfeld als isolierte API-Aufrufe.
Mein Rat: nicht warten, bis das Feature vollständig ausgereift ist — aber auch nicht den Geschäftsbetrieb davon abhängig machen. Ein begrenztes Pilotprojekt schafft Erfahrungswissen, bevor die Plattform den nächsten Reifesprung macht. Wenn Sie über einen konkreten Anwendungsfall sprechen wollen, sprechen Sie mich gerne an.
