Zusammenfassung der Kerninhalte
Low-Code-Prozessorchestrierungsplattformen wie Coze, Dify und n8n waren einst sehr beliebt, weil sie Technikern dabei halfen, repetitive Code zu vermeiden, Geschäftsanwendern ermöglichten, Prozesse aufzubauen, und Managern Kosten einsparten sowie die Effizienz steigerten. Heute werden ihre Marktchancen jedoch von einfacheren AI-Programmieragenten (Coding Agents) bedroht. Doch es handelt sich nicht um ein „Entweder-oder“-Szenario: Die Low-Code-Plattformen behalten ihre Vorteile wie Stabilität und Kontrollierbarkeit bei, während die Coding Agents auf eine niedrige Einstiegshürde sowie die flexible Generierung von Prozessen setzen. In Zukunft wird es eine Mischarchitektur geben, bei der für klare Aufgaben Workflows und für offene Fragen Coding Agents eingesetzt werden. Der entscheidende Wettbewerbsfaktor wird darin bestehen, wer das Geschäftswissen der Unternehmen besser verstehen kann (KnowHow).
I. Die „Höhepunkte und Schwächen“ von Low-Code-Plattformen: Warum waren sie einst so beliebt – und warum sind sie heute in einer schwierigen Lage?
Höhepunkte: 2023 war das Goldene Jahr für Coze/Dify. Obwohl die AI-Modelle zu dieser Zeit bereits leistungsfähig waren, wussten normale Menschen nicht, wie man damit Produkte entwickelt; Techniker mussten weiterhin viel „Klebstoffcode“ schreiben, um verschiedene Tools und Systeme miteinander zu verbinden. Low-Code-Plattformen lösten die Probleme der drei Hauptbeteiligten:
- Techniker: Sie mussten keinen redundanten Code mehr für kleine Anforderungen erstellen.
- Geschäftsanwender: Sie konnten Prozesse mithilfe von Drag-and-Drop-Funktionen einfach aufbauen, ohne sich mit komplexen Entwicklungsumgebungen auseinandersetzen zu müssen.
- Manager: Es gab die Hoffnung auf Kostenersparnisse und Effizienzsteigerungen. Unternehmen nutzten Dify für private Implementierungen, während Einzelpersonen die Coze-Plattform, um schnell Prototypen zu erstellen.
Schwächen: Low-Code-Plattformen eigneten sich nur für einfache Anwendungsfälle; bei komplexeren Prozessen zeigten sie ihre Grenzen:
- Komplexe Prozesse: Beispielsweise die Kernprozesse eines Kundenserviceunternehmens waren sehr anfällig für Fehler – nur drei Personen konnten sie warten und pflegen.
- Trugschlüsse durch AI-Modelle: Die Nutzung solcher Plattformen bei der Erstellung komplexer Datenbanken (z. B. zur Beantwortung interner Dokumentfragen durch AI) führte oft zu ungenauen Ergebnissen.
In Produktionsumgebungen waren sie daher nur für die Erstellung von Prototypen geeignet, nicht jedoch für den tatsächlichen Betrieb.
II. Wie „rauben“ Coding Agents Arbeitsplätze? Mit einer einzigen Aussage Prozesse erstellen
Die Anforderungen der Nutzer steigen kontinuierlich: Sie wollen keine Prozesse manuell organisieren und auch keine Drag-and-Drop-Funktionen nutzen (da diese zeitaufwendig sind). Daher kommen die AI-Programmieragenten ins Spiel:
- Frühe Versionen der Agenten: Sie konnten Prozesse mithilfe einer einzigen Aussage erstellen, waren jedoch instabil (gleiche Eingaben konnten unterschiedliche Ergebnisse liefern, und Fehler konnten nicht korrigiert werden).
Heutige Coding Agents: Sie verfügen über „Skills-Spezifikationen“ (Prozessbeschreibungen in natürlicher Sprache), was die Stabilität erheblich verbessert hat. Die Agenten erstellen Prozesse, die dann von Menschen überprüft und optimiert werden.
Sie haben damit den Kernvorteil der Low-Code-Plattformen weiterentwickelt: eine niedrigere Einstiegshürde und höhere Effizienz. Beispielsweise generiert Claude Code automatisch einen Prozess für die Automatisierung der Kundenfeedback-Bearbeitung – viel schneller als man es mit Drag-and-Drop-Funktionen schaffen würde.
III. Der „Überlebenswille“ von Low-Code-Plattformen: Von reinem Drag-and-Drop zu einer „Mischarchitektur”
Coze, Dify und n8n passen sich weiterhin an:
- Coze 3.0: Fokussiert auf eine „Online-Agenten-Team-Eingangsbene“; Nutzer müssen keine lokalen Umgebungen oder Codebibliotheken kennen und können mehrere Agenten online verwalten – insbesondere für diejenigen, die schnell Prototypen erstellen möchten.
- Dify: Positioniert sich als „Open-Source-Plattform zur Erstellung von agilen Workflows“ und integriert die Fähigkeiten der Coding Agents in Low-Code-Lösungen.
- n8n: Betont visuelle Darstellungen und Kontrollmöglichkeiten; bietet einen AI-basierten Workflow-Builder, der es ermöglicht, Prozesse zu erstellen, wobei menschliche Genehmigungen und Steuerungsfunktionen beibehalten werden.
Die Schlussfolgerung: Reine Drag-and-Drop-Funktionen sind nicht flexibel genug, rein automatische Lösungen hingegen nicht stabil genug – daher wird eine Kombination aus beiden Ansätzen benötigt.
IV. Die Grenzen der Zukunft: Wann verwendet man Workflows und wann Coding Agents?
Es besteht Einigkeit in der Branche: Es handelt sich nicht um ein Ersatzverhältnis, sondern um eine Zusammenarbeit:
- Workflows: Für Aufgaben mit klaren Anforderungen und hohem Stabilitätsbedarf (z. B. Finanzabrechnungsprozesse, Daten synchronisationen nach festen Regeln).
- Coding Agents: Für offene Aufgaben, die dynamische Entscheidungen erfordern (z. B. komplexer Kundenservice, Marktforschung).
Mischarchitektur: Beispielsweise werden bei einem Kundenserviceprozess zuerst einfache Fragen von Agenten bearbeitet; schwierige Fälle werden von Menschen übernommen, und die verarbeiteten Daten werden anschließend mithilfe von Workflows in das CRM-System synchronisiert.
Im Kern geht es um die Aufteilung der Kontrollrechte: Bei Workflows entscheiden Menschen, bei Coding Agents die AI. Die Mischung bedeutet, zu wissen, wann man loslassen und wann kontrollieren muss.
V. Der ultimative Wettbewerb: Es geht nicht um die Tools, sondern darum, das Geschäft zu verstehen
Top-AI-Unternehmen wie OpenAI und Anthropic suchen Mitarbeiter für FDE-Funktionen („Finance, Data, Engineering“). Diese sind weder rein technisch noch vertriebsorientiert, sondern arbeiten direkt bei den Kunden und wandeln AI-Fähigkeiten in Geschäftsergebnisse um. Warum? Weil die AI-Modelle bereits leistungsfähig genug sind – der eigentliche Engpass liegt jedoch darin, dass Unternehmen ihr Geschäftswissen nicht klar strukturieren können. Beispielsweise: Wie lässt sich ein „Kundenbeschwerden-Verarbeitungsprozess“ in Regeln umwandeln, die AI verstehen kann? Oder wie werden interne Dokumente in eine Datenbank für die Nutzung durch AI umgewandelt?
Der Wettbewerb um Tools dreht sich daher nicht darum, welche Funktionen am besten sind, sondern darum, wer den Unternehmen helfen kann, ihr Geschäftswissen effektiv zu nutzen. Beispielsweise hätte Coze einen Vorteil, wenn es Vorlagen für E-Commerce-Kundenservice-Prozesse bereitstellen könnte, und Dify, wenn es Plugins für die Fertigungsindustrie anbieten würde. Schließlich sind Tools leicht zu erlernen – das Verständnis des Geschäfts hingegen schwieriger zu erreichen.
Fazit: Coze, Dify und n8n werden nicht verschwinden, sondern zu kombinierten Lösungen aus AI und Workflows weiterentwickelt werden. Auch Coding Agents werden sie nicht vollständig ersetzen; sie werden sich vielmehr ergänzen. Letztendlich wird der Erfolg davon abhängen, wer die Probleme der Unternehmen beim Umsetzen ihrer Geschäftsprozesse wirklich lösen kann – schließlich nützen selbst die besten AI-Tools nichts, wenn das Geschäftswissen nicht verstanden wird.
---
Bitte beachten Sie, dass dies eine sehr kurze und vereinfachte Übersetzung ist. Eine vollständige und detaillierte Analyse der chinesischen Originalquelle würde eine umfassendere Ausarbeitung erfordern.