KI-Genehmigungssystem in Microsoft Copilot Studio bauen: Agent Flows mit mehrstufiger Freigabe und Belegprüfung (KI-Synchronfassung)

Wer Genehmigungen anstoßen muss, kennt das Muster: Jemand ist im Urlaub, eine E-Mail wurde übersehen, und wenn die Entscheidung endlich eintrifft, ist der Kontext der Anfrage längst überholt. Klassische Genehmigungsketten produzieren vor allem Wartezeit. Mit den Agent Flows in Microsoft Copilot Studio lässt sich das ändern: Ein Workflow wartet nicht, sondern läuft in dem Moment weiter, in dem die Bedingungen erfüllt sind.

In diesem Artikel erfahren Sie, wie ein mehrstufiges, bedingtes Genehmigungssystem aufgebaut ist. Es besteht aus einer KI-Stufe mit eigener Logik, gezielten menschlichen Prüfungen, dynamischem Routing und einer Belegprüfung zur governance-mit-microsoft-365-admin-center/">Compliance. Am Ende steht ein Prozess, der weiß, wann er wie eine Maschine entscheiden darf und wann ein Mensch das letzte Wort haben sollte.

Das Problem mit herkömmlichen Genehmigungsprozessen

Traditionelle Genehmigungsketten folgen immer demselben Muster: Jemand reicht ein Formular ein, E-Mails gehen hin und her, Tabellen laufen auseinander, und am Ende weiß niemand mehr, welche Version die finale war. Jeder Beteiligte erzeugt Verzögerung, aber keinen Mehrwert. Der Prozess verwaltet nicht die Arbeit, er produziert Latenz. E-Mail als Genehmigungsmechanismus ist, so das Bild aus der Folge, wie Brieftauben im Glasfaserzeitalter: Es funktioniert technisch, sollte es aber nicht.

Auch typische Genehmigungsabläufe in Power Automate stoßen an Grenzen, sobald es nuanciert wird. Ein einzelner Genehmigungspfad reicht für ein einfaches Ja oder Nein. Kommen Managementebenen, Ausgabengrenzen oder Sonderregeln hinzu, zersplittert das Design. Die Bedingungen werden wie Matroschka-Puppen ineinander verschachtelt, was nach sechs Monaten kaum noch zu debuggen ist. Fällt ein Connector aus, versagt das System womöglich geräuschlos.

Agent Flows in Copilot Studio: KI zuerst, Mensch bei Bedarf

Agent Flows sind nicht bloß eine kleine Weiterentwicklung von Power Automate. Es sind Genehmigungssysteme, die von KI angetrieben werden und in Datenquellen, Rollen und Logikstrukturen des Unternehmens integriert sind. Sie verbinden deterministische Richtliniendurchsetzung mit adaptiver Entscheidungsfindung.

Das Prinzip: Die KI-Stufe bewertet feste Regeln wie Betragsgrenzen, Kategorien und Datumsbereiche. Ist eine Entscheidung zweideutig, wird sie an einen Menschen eskaliert. Statt dass zehn Personen nacheinander prüfen, erledigt die KI nach den Worten des Sprechers rund 80 Prozent sofort und leitet nur Ausnahmefälle weiter. Dataverse dient dabei als Rückgrat und erzeugt nachvollziehbare Protokolle, sodass niemand E-Mail-Archive durchsuchen muss.

Damit verschiebt sich die Arbeitsweise: Frühere Workflows wurden für Menschen gebaut, Agent Flows werden um sie herum gebaut und beziehen Menschen nur ein, wenn Interpretation statt Wiederholung gefragt ist. Die Ziele sind Compliance, Konsistenz und Skalierbarkeit.

Die KI-Stufe aufbauen: Der erste Genehmiger

Die KI-Stufe ist der logische Torwächter des Prozesses. Sie soll nicht wie ein Mensch denken, sondern strukturiertes Denken mit übermenschlicher Konsistenz anwenden und eines von zwei Urteilen ausgeben: genehmigt oder abgelehnt.

Trigger und Anweisungsprompt

Der Auslöser kommt meist aus Dataverse, etwa wenn ein Datensatz in einer Forderungs- oder Spesentabelle hinzugefügt oder geändert wird. Das wichtigste Feld der Stufe ist der Anweisungsprompt. Dort beschreiben Sie die Genehmigungslogik in einfacher, aber präziser Sprache – so, als würden Sie einen Anwalt instruieren, der nie improvisiert. Ein Beispiel aus der Folge: Genehmigen, wenn der Betrag unter 500 liegt, die Beschreibung die körperliche oder psychische Gesundheit unterstützt und das Kaufdatum höchstens 30 Tage vor der Einreichung liegt; ablehnen, sobald eine Regel nicht erfüllt ist.

Dynamische Eingaben und Testdaten

Als Nächstes definieren Sie die dynamischen Eingaben, also Variablen, die echte Daten in die Logik einspeisen, etwa Betrag, Beschreibung und Kaufdatum. Copilot Studio unterscheidet dabei nach Typ: Text, Zahl oder Bild beziehungsweise Dokument. Der Typ sollte korrekt gewählt werden, denn eine als Text gespeicherte Zahl verwirrt Mensch und Maschine. Zu jeder Eingabe hinterlegen Sie Beispieldaten, zum Beispiel eine Yogamatte für 300 mit Kaufdatum 22. August. Beim Testen führt Copilot Studio ein Reasoning-Modell aus und liefert Entscheidung und Erklärung.

Iterativ testen

Weicht das Ergebnis von Ihrer Erwartung ab, fehlt es den Anweisungen an Eindeutigkeit. Wer testet, sollte Grenzfälle durchspielen: Den Betrag auf 600 setzen, ein Datum von vor drei Monaten eingeben oder einen unpassenden Artikel wie einen iPad-Kauf einreichen. Gleicher Input muss jedes Mal zu gleichem Output führen. Schwanken die Antworten, liegt das Problem an der Klarheit des Prompts, nicht am Modell. Erst danach ersetzen Sie die Testwerte durch die echten Dataverse-Werte wie Antragsbetrag und Kaufdatum.

Menschliche Aufsicht und mehrstufige, bedingte Logik

Automatisierung ist keine Diktatur, sondern Delegation. Deshalb ergänzen Sie nach der KI-Stufe eine manuelle Stufe, einen Kontrollpunkt, an dem eine echte Person entscheidet. Die Übergabe ist bedingt: Nur wenn die KI „genehmigt“ ausgibt, geht der Vorgang an den Menschen. Lehnt die KI ab, endet der Prozess sofort – es wäre Zeitverschwendung, Manager zu fragen, was die Richtlinie bereits ausgeschlossen hat.

Dynamisches Routing zum Manager

Im Beispiel reicht ein Mitarbeiter einen Spesenantrag für eine Fitnessstudio-Mitgliedschaft ein. Die manuelle Stufe „Manager-Genehmigung“ erhält einen Titel mit dynamischen Variablen aus Dataverse. Für die Zuweisung wird der Office 365 Users Connector genutzt:

1. Mit „Zeile nach ID abrufen“ in der Benutzertabelle in Dataverse den Datensatz des Antragstellers holen.
2. Mit der Aktion „Manager abrufen“ den Vorgesetzten über die primäre E-Mail-Adresse ermitteln.
3. Das Ergebnis als Variable (etwa STR-Manager-E-Mail) an die manuelle Stufe übergeben.

Der Vorteil: keine Hardcodierung und keine veralteten Hierarchien. Wechselt ein Manager, aktualisiert sich das Routing von selbst.

Bedingte Verzweigung nach Betrag

Danach folgt die eigentliche mehrstufige Genehmigung. Mit einer Bedingungsaktion prüfen Sie die numerische Variable des Antragsbetrags: Ist er größer oder gleich 150, wird im Wahr-Zweig eine zusätzliche manuelle Stufe „Admin-Genehmigung“ eingefügt, zugewiesen an einen festen Genehmiger wie den Compliance-Administrator. Der Falsch-Zweig endet mit „genehmigt“. Geringwertige Anträge brauchen so nur eine Person, höherwertige oder riskantere werden zusätzlich kontrolliert.

Wichtig ist dabei die Rechtevergabe: Keine weitreichenden Sicherheitsrollen vergeben, die alles genehmigen dürfen, sondern Berechtigungen über die rollenbasierte Zugriffskontrolle von Dataverse auf relevante Benutzer oder Gruppen beschränken. Jeder Pfad hinterlässt einen Prüfpfad mit KI-Begründungsprotokoll, zeitgestempelten Genehmigungen und Ergebnissen in Dataverse.

Belegprüfung: Dokumentenvalidierung mit KI

Manchmal lügt ein Formularfeld, aber der Beleg nicht. Deshalb kann die KI-Stufe auch Bilder oder Dateien verarbeiten und das Geschriebene mit dem Hochgeladenen abgleichen.

So richten Sie die Belegvalidierung ein

• In der KI-Stufe einen neuen Eingabetyp „Bild oder Dokument“ hinzufügen und klar benennen, zum Beispiel „Belegdatei“.
• Einen Beispielbeleg für Testzwecke hochladen; das trainiert nur das Logik-Layout.
• Den Anweisungsprompt um eine vierte Bedingung erweitern: Das Belegdokument muss mit dem deklarierten Betrag und Datum übereinstimmen.
• Vor der Genehmigung die Aktion „Datei oder Bild herunterladen“ aus Dataverse einsetzen, mit derselben Tabelle wie der Antragsdatensatz, der Anhangsspalte (etwa „Quittung“) und der Zeilen-ID aus dem Trigger.

Damit wird die KI vom Richtlinienvollstrecker zum forensischen Buchhalter. Steht auf der Quittung 300 Dollar, im Antrag aber 305, lehnt sie mit Begründung ab.

Häufige Fehler und Stolpersteine

• Vage Formulierungen im Prompt: Begriffe wie „angemessene Ausgabe“ oder „kürzlicher Kauf“ sind Gift für die KI. Das System braucht klare, mathematische Definitionen.
• Gemischte Datentypen: Eine Zahl, die als Text gespeichert ist, sorgt für Verwirrung.
• Falsche Inhaltsreferenz bei Dateien: Die Inhaltsausgabe muss im Ausdruckseditor angepasst werden, indem Sie „Content“ an die Body-Referenz anhängen. Sonst erhält die KI Metadaten statt Dateibytes und meldet einen leeren Beleg.
• Timing beim Anhang: Dataverse-Tabellen speichern Anhänge oft erst nach dem ersten Speichern des Datensatzes. Löst der Flow bei Erstellung aus, existiert die Datei noch nicht, und der Flow schlägt fehl oder der Beleginhalt ist leer. Die Lösung: Trigger auf „bei Elementänderung“ umstellen und über „geänderte Spalten“ nur auf den logischen Namen der Quittungsspalte reagieren lassen.
• Zu breite Rechte: Sicherheitsrollen, die alles genehmigen dürfen, untergraben die Kontrolle.
• Over-Engineering: Ein fehlerhafter Ablauf deutet manchmal auf zu komplexe Regeln hin, nicht auf einen technischen Fehler.

Zuverlässigkeit: Testen, versionieren, veröffentlichen

Zuverlässigkeit ist keine Phase, sondern eine Disziplin. Im Flow-Editor lassen sich Beispieldaten simulieren, ohne Produktionstrigger auszulösen. Testen Sie abweichende Szenarien wie zu hohe Beträge, veraltete Daten und irrelevante Artikel – und auch Grenzfälle: keinen Beleg hochladen, ein Datum im nächsten Jahr eintragen oder 500 statt 5,0 eingeben. Die KI sollte ablehnen und das erklären, ohne abzustürzen.

Namenskonventionen und Versionen

Präfixe wie STR für Strings, NUM für Zahlen und DOC für Dateien halten den Flow wartbar. Aktionen sollten sprechend heißen, etwa „Belegdatei herunterladen“ oder „Anspruchsstatus aktualisieren“. Copilot Studio legt bei wichtigen Änderungen im Hintergrund neue Versionen an, sodass Sie zurückkehren können. Nutzen Sie das, um Entwicklung und Produktion zu trennen, etwa mit einem Flow „Anspruchsgenehmigung-Dev“ und einem „Anspruchsgenehmigung-Prod“.

Protokolle und Statusfelder

Die Aktivitätsprotokolle enthalten Zeitstempel, Identitäten der Genehmiger und eine Zusammenfassung der Begründung. Regelmäßig ausgewertet zeigen sie, welche Regeln die meisten Ablehnungen auslösen, wo Manager die KI überstimmen und wie oft Compliance-Schritte greifen. Am Ende jedes Zweigs sollte zudem ein Status in den Dataverse-Datensatz zurückgeschrieben werden, etwa „Anspruchstatus“ gleich genehmigt oder abgelehnt. So sehen Nutzer Entscheidungen direkt in ihren Tabellenansichten.

Ergebnis und Nutzen im Alltag

Ein mehrstufiger Agent Flow verkürzt die Bearbeitungszeit laut Folge von Tagen auf Minuten, weil Entscheidungen nicht mehr von Kalenderverfügbarkeit abhängen. Anträge, die die objektiven Richtlinien erfüllen, werden sofort genehmigt; Ausnahmefälle landen mit angehängtem Kontext beim Manager. Menschen treffen Werturteile statt bürokratischer Bestätigungen.

Hinzu kommt weniger Schwankung: Die KI interpretiert Kriterien jedes Mal gleich, subjektive Auslegungen entfallen. Audits werden einfacher, weil Dateneingaben, Entscheidungshistorie und Modellerklärung vorliegen. Der Workflow wechselt damit von „Mensch zuerst, KI unterstützt“ zu „KI zuerst, Mensch korrigiert“.

Praktische Takeaways

• Formulieren Sie den Anweisungsprompt eindeutig und messbar, ohne vage Begriffe.
• Testen Sie jede Regel mit Grenz- und Unsinnsfällen, bis gleiche Eingaben immer gleiche Ergebnisse liefern.
• Lassen Sie nur genehmigte Fälle an den Menschen weitergehen; Ablehnungen enden sofort.
• Ermitteln Sie den Manager dynamisch über den Office 365 Users Connector statt per Hardcodierung.
• Bauen Sie Schwellenwerte, etwa ab 150, als Bedingung für zusätzliche Genehmigungsstufen ein.
• Nutzen Sie die Belegprüfung mit Dokumenteingabe, und passen Sie die Inhaltsreferenz mit „Content“ an die Body-Referenz an.
• Lösen Sie den Flow bei Änderung der Quittungsspalte aus, damit die Datei beim Start existiert.
• Arbeiten Sie mit Präfixen, sprechenden Aktionsnamen sowie getrennten Dev- und Prod-Flows.
• Schreiben Sie den Status am Ende jedes Zweigs nach Dataverse zurück und werten Sie die Protokolle regelmäßig aus.
• Halten Sie die Logik schlank: weniger Stufen, klare Anweisungen, minimale Mehrdeutigkeit.

Fazit

Mit Agent Flows in Microsoft Copilot Studio entsteht aus einem Genehmigungsprozess ein Governance-Modell: Die KI übernimmt Routine, Regeldurchsetzung und Belegabgleich, Menschen kümmern sich um Ausnahmen und Urteilsvermögen. Wer Routine der Logik überlässt, gewinnt Geschwindigkeit, Konsistenz und einen lückenlosen Prüfpfad – ohne die Kontrolle abzugeben.