KI-Agenten erstellen: Was vor dem Bauen zu klären ist

KI-Agenten sind in jeder Tool-Werbung präsent, jeder zweite Anbieter wirbt mit einem eigenen Agent-Builder und Demos zeigen Abläufe, die wie Magie aussehen. KI-Agenten zu erstellen bedeutet, einem Sprachmodell eine eng umrissene Aufgabe, Zugang zu Werkzeugen und einen begrenzten Entscheidungsspielraum zu geben, sodass es einen Arbeitsschritt selbstständig ausführt. Wer vor dem ersten Klick im Builder die falsche Aufgabe wählt, baut Abläufe, die in der Demo funktionieren und im Alltag nichts einsparen. Dieser Artikel zeigt, was vor dem Bauen zu klären ist, welche Werkzeuge tatsächlich tragen und an welchen Stellen Standard-Software die bessere Antwort bleibt.

Was KI-Agenten sind und worin sie sich von Workflows und Prompts unterscheiden

Ein KI-Agent ist ein Programm, das auf Basis eines Sprachmodells eine Aufgabe selbstständig ausführt. Der entscheidende Unterschied zu einem einzelnen Prompt liegt darin, dass der Agent mehrere Schritte plant, Werkzeuge aufruft und über Zwischenergebnisse entscheidet. Der Unterschied zu einem klassischen Workflow liegt darin, dass nicht jede Verzweigung vorher fest verdrahtet ist, sondern das Sprachmodell auf Basis der Daten entscheidet, welcher Schritt als Nächstes sinnvoll ist.

Drei Begriffe werden in der Praxis häufig synonym verwendet und stehen für unterschiedliche Bauformen.

In Gesprächen mit Beratenden und Geschäftsführungen zeigt sich diese Trennung oft als der erste fehlende Schritt: Viele wünschen sich einen Agenten, brauchen aber eigentlich einen sauberen Workflow oder sogar nur einen klugen Prompt. Eine Vertiefung zur Workflow-Seite liefern die fünf Marketing-Aufgaben mit messbarer Zeitersparnis durch KI-Workflows, die das Gegenstück zu diesem Artikel bilden.

Sechs typische Anwendungsfälle für KI-Agenten in Beratungs- und Dienstleistungsbetrieben

KI-Agenten entfalten ihren Nutzen dort, wo eine Aufgabe wiederkehrt, mehrere Datenquellen oder Werkzeuge zusammenfließen und der Pfad nicht jedes Mal identisch ist. Sechs Beispiele aus der Praxis kleiner Beratungs- und Dienstleistungsbetriebe zeigen das Spektrum.

1. Recherche-Agent. Liest zu einem Thema oder einem Wettbewerber öffentliche Quellen, vergleicht Aussagen und legt ein Briefing mit Quellenliste an.
2. Termin-Vorbereitungs-Agent. Zieht zu einem anstehenden Erstgespräch öffentliche Daten zum Gegenüber zusammen und bereitet einen Briefing-Zettel mit drei bis fünf Schwerpunkten vor.
3. Lead-Qualifizierungs-Agent. Reichert eingehende Anfragen aus dem Webformular um Firmen-, Branchen- und Größenangaben an, ordnet sie einer Kategorie zu und routet sie weiter.
4. Angebots-Entwurfs-Agent. Setzt aus einem Briefing, einer Leistungsbeschreibung und einem Preisraster einen Erstentwurf für ein Angebot zusammen, der anschließend redaktionell veredelt wird.
5. Mandanten-Onboarding-Agent. Begleitet neue Mandanten oder Kundschaft durch die ersten Schritte: Welche Unterlagen werden gebraucht, welche Termine stehen an, welche Zugänge müssen eingerichtet sein.
6. Reporting-Agent. Zieht monatlich Daten aus mehreren Quellen zusammen, ordnet Auffälligkeiten ein und legt einen Berichtsentwurf vor, der nur noch geprüft und ergänzt werden muss.

Diese sechs Beispiele teilen ein Muster: Jeder Agent hat eine abgegrenzte Aufgabe, eine begrenzte Anzahl an Werkzeugen und eine menschliche Sichtungs-Stelle vor der Veröffentlichung oder Abrechnung. Wer das Muster verlässt, etwa einen einzigen Agenten für die gesamte Akquise plant, baut Komplexität, die im Test funktioniert und im Alltag bricht.

Drei Voraussetzungen, die vor dem Bauen geklärt sein müssen

Bevor der erste Klick im Builder fällt, entscheidet sich an drei Punkten, ob aus dem Agenten ein produktives Werkzeug oder eine Wartungsbaustelle wird.

Die Aufgabe ist scharf genug formuliert

Eine Aufgabe wie „Marketing übernehmen" oder „Lead-Bearbeitung automatisieren" ist für einen KI-Agenten zu weit gefasst. Schärfer formuliert lautet die Aufgabe „aus jedem neuen Eintrag im Kontaktformular ein angereichertes Datenblatt mit Firmen-, Branchen- und ICP-Klassifizierung erzeugen und in die Lead-Pipeline einsortieren". ICP steht hier für Ideal Customer Profile, also das Wunsch-Kundenprofil. Eine scharfe Aufgabe lässt sich in drei Sätzen beschreiben, hat einen präzisen Input und einen prüfbaren Output.

Die Daten sind strukturiert vorhanden

Ein Agent kann nur so gut werden wie die Daten, mit denen er arbeitet. Wer einen Angebots-Entwurfs-Agenten plant, ohne dass die eigenen Leistungsbeschreibungen einheitlich vorliegen, baut auf Sand. Ein Onboarding-Agent ohne strukturierte Checkliste produziert verstreute Mails statt eines einheitlichen Pfades. Vor dem Agenten-Aufbau lohnt eine ehrliche Inventur: Welche Vorlagen, welches Wissen, welche Checklisten liegen schon strukturiert vor, was muss vorher konsolidiert werden.

Die Verantwortung ist geregelt

Ein Agent ohne benannte Bezugsperson stirbt leise. Modelle ändern sich, Schnittstellen brechen, Vorlagen veralten. Im KMU-Kontext liegt die Pflege idealerweise bei einer marketing- oder organisationsaffinen Person mit technischem Grundverständnis, nicht zwingend in der IT. Außerdem braucht jeder Agent eine verbindliche Freigabe-Regel: Welcher Output geht ohne Sichtung raus, welcher zwingend mit. Bei sensiblen Themen wie Kommunikation an Kundschaft, rechtsverbindlichen Aussagen oder personenbezogenen Daten gilt nach der Datenschutz-Grundverordnung (DSGVO) zusätzlich, dass die Verarbeitung dokumentiert und vom Verantwortlichen geprüft sein muss.

Wie ein KI-Agent praktisch entsteht: Sechs Schritte

Der Bau selbst folgt einem nachvollziehbaren Pfad. Wer die folgende Reihenfolge einhält, vermeidet die häufigsten Fallen und kommt von der Aufgabe zum lauffähigen Agenten in der Regel innerhalb weniger Tage.

Aufgabe schärfen → Werkzeuge wählen → Datenquelle anbinden → Anweisungen und Beispiele formulieren → mit echten Fällen testen → Übergabe in den Alltag.

1. Aufgabe schärfen. In drei Sätzen niederschreiben, was der Agent erledigen soll, womit er startet und woran das Ergebnis erkennbar ist. Wenn diese Beschreibung nicht in drei Sätze passt, ist die Aufgabe noch nicht reif.
2. Werkzeuge wählen. Aus der Aufgabe leiten sich die nötigen Werkzeuge ab: ein Sprachmodell, eine Suchfunktion, eine Verbindung zum CRM (Customer Relationship Management, also dem System für Kundendaten), ein Mail-Versand. Jedes Werkzeug, das nicht gebraucht wird, bleibt weg.
3. Datenquelle anbinden. Die wichtigste Datenquelle, etwa CRM, Kalender, Notion oder ein Dokumentenordner, wird angeschlossen. Bei sensiblen Daten ist hier die DSGVO-konforme Verarbeitung zu prüfen, bei Drittanbieter-Diensten der Standort der Datenverarbeitung.
4. Anweisungen und Beispiele formulieren. Der Agent bekommt eine eindeutige Rolle, die Schritt-für-Schritt-Anleitung und drei bis fünf Beispiele für gute Ergebnisse. Beispiele schlagen Erklärungen, weil das Sprachmodell aus konkreten Vorlagen besser lernt als aus abstrakten Regeln.
5. Mit echten Fällen testen. Mindestens zehn reale Fälle aus dem Alltag durchspielen, nicht ausgedachte Idealfälle. Jeder Fall wird einzeln geprüft, Abweichungen werden in die Anweisungen aufgenommen.
6. Übergabe in den Alltag. Erst nach stabilem Testbetrieb übernimmt der Agent produktiv. Eine erste Woche mit täglicher Stichprobe ist Pflicht, damit Fehlerbilder früh sichtbar werden.

Welche Werkzeuge sich Stand 2026 realistisch einsetzen lassen

Der Markt für Agent-Builder ist 2026 unübersichtlich, im Kern lassen sich aber fünf Werkzeug-Klassen unterscheiden, die für KMUs und Dienstleister praktisch tragen. Die folgende Übersicht ordnet sie nach Aufwand und Eignung ein. Preise und Funktionsumfang ändern sich laufend, die Einordnung markiert Größenordnungen, keine Fixpreise.

Für Solo-Beratende, kleine Kanzleien und Praxen sind Custom GPTs oder Claude Skills fast immer der pragmatische Startpunkt: kein Programmieren, schneller Testlauf, niedrige Einstiegskosten. n8n wird relevant, sobald der Agent als Baustein in einem Workflow mit mehreren Werkzeugen und Datenquellen sitzt. Eine Eigenentwicklung über die Programmierschnittstelle (API) rechnet sich für KMUs erst dann, wenn ein präzise bezifferter Hochlast-Anwendungsfall vorliegt.

Wann ein Standard-Tool reicht und wann ein eigener Agent gebaut werden sollte

Die Entscheidung Standard-Software oder eigener Agent ist im Beratungsalltag oft die wirkungsvollste, weil sie viel Aufwand erspart. Eine pragmatische Faustregel: Wenn 80 Prozent der Aufgabe schon in einem etablierten Tool vorgesehen sind, bleibt das Tool die richtige Wahl. Erst wenn die Eigenlogik 20 Prozent oder mehr ausmacht, wird ein eigener Agent zur sinnvollen Antwort.

Drei Anhaltspunkte sprechen für das Standard-Tool:

• Die Aufgabe ist branchenüblich und gut beschrieben (Termin-Buchung, Newsletter, Buchhaltung).
• Die Datenhoheit liegt ohnehin im Standard-Werkzeug (CRM, Kalender, Steuersoftware).
• Die Pflege übersteigt die eigene Kapazität, ein Standard-Anbieter pflegt sein System selbst weiter.

Drei Anhaltspunkte sprechen für den eigenen Agenten:

• Die Aufgabe verbindet Daten aus mehreren Werkzeugen, die kein Standard-Anbieter sauber zusammenführt.
• Es gibt eine Eigenlogik, die für die Marke unterscheidend ist (Bewertungsraster, Tonalität, Spezialwissen).
• Die Aufgabe fällt häufig genug an, dass sich der Aufbauaufwand innerhalb weniger Monate rechnet.

Diese Entscheidung gehört vor die Werkzeug-Wahl, nicht hinter sie. Wer im Builder startet, ohne die Standard-Tool-Frage beantwortet zu haben, baut häufig nach.

Drei typische Fehler beim Erstellen von KI-Agenten

Drei Fehlerbilder tauchen bei nahezu jedem Erstaufbau auf und kosten am meisten Zeit, wenn sie unerkannt bleiben.

1. Zu großer Auftrag. Wer den ersten Agenten gleich als „alles für die Akquise" plant, scheitert an der Komplexität. Ein eng abgegrenzter Schritt, etwa Lead-Anreicherung oder Termin-Vorbereitung, ist der richtige Einstieg. Erweiterung folgt, wenn der erste Schritt stabil läuft.
2. Keine Prüfschleife. Ein Agent ohne menschliche Sichtungsstelle produziert Fehler im Stillen. Eine Freigabe vor Versand, Veröffentlichung oder Rechnungslauf ist in KMU-Kontexten fast immer richtig, bis die Fehlerquote auf einem stabilen niedrigen Niveau liegt.
3. Keine Versionierung. Anweisungen und Beispiele werden über Wochen angepasst. Ohne nachvollziehbare Version verliert das Team die Übersicht, welcher Stand wann lief und ab wann sich das Verhalten geändert hat. Eine kurze Änderungsliste pro Agent reicht für den Anfang.

Wer diese drei Fallen kennt und vermeidet, hat den größten Teil der Lernkurve hinter sich, bevor sie kostspielig wird.

Fazit

KI-Agenten erstellen heißt vor allem, vor dem ersten Klick im Builder die richtige Aufgabe zu wählen, die Datenlage ehrlich zu prüfen und die Verantwortung zu klären. Für KMUs und Dienstleister sind Custom GPTs oder Claude Skills der pragmatische Einstieg, n8n folgt bei verketteten Abläufen mit mehreren Werkzeugen, eigene API-Lösungen lohnen erst bei eindeutigem Spezialfall. Strategieentscheidungen, kreative Konzeption und sensible Kommunikation bleiben menschlich, der Agent übernimmt das Wiederkehrende mit definierten Grenzen.

Aufbau und Auswahl eines KI-Agenten lassen sich systematisch angehen, vor allem in Kombination mit einem nüchternen Blick auf Marketing- und KI-Beratung, in der Strategie, Workflows und Schulung interner Teams aus einer Hand kommen. Wer prüfen möchte, welcher Agent zur eigenen Ausgangslage passt und in welcher Reihenfolge der Aufbau sinnvoll ist, findet im 30-minütigen Erstgespräch eine ehrliche Einschätzung von Aufwand, Nutzen und Reihenfolge.