Das Langchain-Problem: Warum die meisten AI-Agents unnötig kompliziert sind

110’000 GitHub Stars. 28 Millionen Downloads pro Monat. 132’000 Apps. Langchain ist das meistgenutzte AI-Framework der Welt. Und genau das ist das Problem.

Denn die meisten Entwickler, die damit arbeiten, können eine einfache Frage nicht beantworten: Was macht ein AI-Agent eigentlich? Die Antwort ist ernüchternd simpel. Und sie verändert, wie Schweizer Unternehmen über KI-Investitionen nachdenken sollten.

Ein Agent ist ein While-Loop

Kein Hexenwerk. Keine Magie. Ein AI-Agent folgt exakt drei Schritten:

1. Denken. Das Sprachmodell analysiert die Aufgabe und entscheidet, was zu tun ist.
2. Handeln. Das System führt eine Aktion aus: eine API aufrufen, eine Datei lesen, eine Berechnung starten.
3. Beobachten. Das Ergebnis fliesst zurück ins Modell. Dann beginnt der Zyklus von vorn.

Das ist keine Vereinfachung. Claude Code, das Entwicklungstool von Anthropic, funktioniert so. Die OpenAI Agents SDK funktioniert so. In Pseudocode sieht das so aus:

while (ziel_nicht_erreicht) {
  antwort = frage_das_sprachmodell()
  if (antwort.will_tool_nutzen) {
    ergebnis = führe_tool_aus(antwort.tool, antwort.parameter)
    gib_ergebnis_zurück_ans_modell(ergebnis)
  } else {
    fertig = true
  }
}

Zwanzig Zeilen. Das ist der Kern jedes AI-Agents auf dem Markt.

Was Frameworks wirklich tun

Frameworks wie Langchain sind nicht nutzlos. Sie abstrahieren wiederkehrende Muster: Speicherverwaltung, Tool-Registrierung, Prompt-Verkettung. Für Prototypen ist das praktisch.

Aber Abstraktion hat einen Preis. Eine aktuelle Analyse von Braintrust zeigt: In typischen Agent-Konversationen machen Tool-Antworten 67.6% aller Tokens aus. System-Prompts dagegen nur 3.4%. Der grösste Hebel liegt also im Design der Tools und im Kontext-Management. Nicht in der Orchestrierung.

Genau dort versagen Frameworks. Sie verdecken, was passiert. Entwickler verlieren den Blick dafür, welche Daten ins Modell fliessen, wie Tools formuliert sind, warum ein Agent scheitert. Alles funktioniert, bis es das nicht mehr tut. Und dann steht man vor einer Blackbox.

Die Developer-Community bringt es auf den Punkt: “Layers of abstraction often make development more complicated, not less.”

Das Risiko für Schweizer KMU

34% der Schweizer KMU setzen bereits KI ein. Das ist ein Sprung von 22% im Vorjahr. Gleichzeitig haben nur 33% formelle Datenschutzregeln für KI-Nutzung etabliert.

In dieser Phase treffen viele Unternehmen eine kritische Entscheidung: Welche Tools und Frameworks kaufen wir ein? Und hier lauert die Falle.

Wer ein Framework einkauft, ohne die Grundlagen darunter zu verstehen, kauft Abhängigkeit. Der Schweizer KMU-Verband warnt explizit: Wer alle KI-Funktionen bei einem einzigen Anbieter einkauft, macht sich abhängig. Das gilt für Cloud-Anbieter genauso wie für AI-Frameworks.

Die Alternative: Verstehen, was unter der Haube passiert. Ein Fractional Chief AI Officer baut keine Abhängigkeiten auf. Er baut Kompetenz auf. Der Unterschied entscheidet darüber, ob ein Unternehmen seine KI-Strategie kontrolliert oder von ihr kontrolliert wird.

Was das konkret bedeutet

Drei Fragen, die jeder IT-Entscheider stellen sollte:

1. Können wir erklären, was unser AI-Agent tut? Wenn die Antwort “das macht das Framework” lautet, habt ihr ein Problem. Nicht heute. Aber beim ersten Fehler in Produktion.

2. Wissen wir, welche Daten ins Modell fliessen? Tool-Responses machen fast 70% des Kontexts aus. Wer das nicht kontrolliert, kontrolliert seinen Agenten nicht.

3. Könnten wir den Anbieter wechseln? Wenn euer gesamter AI-Stack an ein Framework gebunden ist, seid ihr bei der nächsten Breaking Change oder Preiserhöhung handlungsunfähig.

Die Essenz verstehen

AI-Agents sind While-Loops. Tool-Calling ist strukturiertes JSON. Kontext-Management ist Prompt-Engineering. Keine dieser Komponenten erfordert ein Framework mit tausend Dependencies.

Das heisst nicht, dass Frameworks keinen Platz haben. Für Rapid Prototyping, für Teams ohne AI-Erfahrung, für standardisierte Use Cases können sie den Einstieg beschleunigen. Aber sie sollten eine bewusste Entscheidung sein. Kein Default.

Ein KI-Workshop beginnt deshalb nicht mit Tools. Er beginnt mit Verständnis: Was kann ein Sprachmodell? Wie funktioniert Tool-Calling? Wo liegen die Grenzen? Erst wenn dieses Fundament steht, werden Frameworks zu Werkzeugen statt zu Krücken.

Versteh die Essenz. Dann kannst du besser spielen, als jedes Framework es dir jemals erlauben wird.

Inspiriert von einem LinkedIn-Post von Torsten Raudßus über das Langchain-Problem.