KI-Agent erstellen: Anleitung und Beispiele aus der Praxis

Einen KI-Agenten erstellen Sie in fünf Schritten: Sie grenzen eine konkrete Aufgabe eng ab, legen fest, auf welche Daten und Werkzeuge der Agent zugreifen darf, wählen eine passende Plattform (vom No-Code-Baukasten bis zum Agent-SDK), bauen Prüfungen und menschliche Freigaben ein und testen das Ganze mit echten Fällen, bevor er in den Betrieb geht. Ein einfacher Agent steht so in wenigen Stunden. Ein Agent, auf den sich ein Team jeden Tag verlässt, braucht eher einige Wochen, und der größte Teil dieser Zeit fließt nicht in den Prompt, sondern in Anbindung, Tests und Kontrolle.

Wir bei TAISC bauen KI-Agenten für den Mittelstand und für eigene Produkte, von der Recherche-Pipeline bis zum automatisierten Monatsreport einer Beteiligungsgesellschaft. In diesem Beitrag zeigen wir, wie wir dabei vorgehen, welche Tools für welchen Fall passen, was ein Agent realistisch kostet und an welchen Stellen die meisten Projekte hängen bleiben. Die Beispiele stammen aus echten Projekten, nicht aus Herstellerdemos.

Was ist ein KI-Agent, und brauchen Sie überhaupt einen?

Ein KI-Agent ist ein Programm, das mit Hilfe eines Sprachmodells eine Aufgabe in mehreren Schritten selbst erledigt. Anders als ein Chatbot beantwortet er nicht nur eine Frage, sondern entscheidet, welcher Schritt als Nächstes sinnvoll ist, ruft dafür Werkzeuge auf (zum Beispiel eine Datenbankabfrage, eine API oder eine Dateiablage) und prüft das Zwischenergebnis. Technisch geschieht das über Tool- bzw. Function-Calling: Das Modell schlägt einen Werkzeugaufruf vor, Ihr Code führt ihn aus und gibt das Ergebnis zurück.

Die ehrlichste Frage steht aber vor dem Bau: Braucht die Aufgabe überhaupt einen Agenten? Viele Prozesse laufen besser als fester Workflow, bei dem jeder Schritt vorher definiert ist. Ein Agent lohnt sich erst, wenn die Eingaben unstrukturiert sind (E-Mails, PDFs, Freitext, Logfiles) und der richtige nächste Schritt vom Inhalt abhängt.

Ein Beispiel aus unserer Arbeit: Für Wärme mit Konzept haben wir Leads aus vielen Kanälen in Echtzeit ins CRM gebracht und Artikeldaten ins ERP-System synchronisiert. Das ist wertvolle Automatisierung, aber bewusst kein Agent. Jeder Schritt ist klar, also läuft er als fester n8n-Workflow, günstiger und vorhersehbarer. Wer an dieser Stelle einen Agenten baut, bezahlt Flexibilität, die niemand braucht.

Eine einfache Faustregel: Wenn Sie den Ablauf als Flussdiagramm mit wenigen Verzweigungen aufzeichnen können, bauen Sie einen Workflow. Wenn der Ablauf davon abhängt, was in einem Dokument steht, bauen Sie einen Agenten, und zwar nur für genau diesen Teil.

KI-Agent erstellen in fünf Schritten

Die folgenden Schritte gelten unabhängig davon, ob Sie mit einem No-Code-Tool oder mit Code arbeiten. Sie entsprechen dem Vorgehen, mit dem wir Agenten in den Produktivbetrieb bringen.

1. Eine Aufgabe eng definieren

Der häufigste Fehler ist ein Agent, der „alles rund um den Vertrieb“ erledigen soll. Gute Agenten haben einen klaren Auftrag mit einem überprüfbaren Ergebnis: „Erstellt jeden Monat den Portfolio-Report als PDF“ oder „Schlägt zu jedem Logfile die drei wahrscheinlichsten Ursachen vor“. Legen Sie außerdem fest, woran Sie Erfolg messen: eingesparte Zeit pro Vorgang, Fehlerquote, Durchlaufzeit. Ohne diese Zahl lässt sich später nicht entscheiden, ob der Agent in den Betrieb darf.

2. Daten und Werkzeuge festlegen

Ein Agent ist nur so gut wie das, worauf er zugreifen kann. Klären Sie für jede Quelle: Wie kommt der Agent an die Daten (API, Datenbank, Dokumentenablage), welche Rechte bekommt er (nur lesen oder auch schreiben), und welche Daten darf er auf keinen Fall sehen? Für Wissen aus Dokumenten kommt meist RAG zum Einsatz: Das System sucht zu jeder Anfrage die passenden Textstellen heraus, statt das Modell mit Firmendaten zu trainieren. Für die Anbindung an Unternehmenssysteme setzt sich zunehmend das Model Context Protocol (MCP) als Standard durch.

Ein Grundsatz, den wir in jedem Projekt anwenden: Rechnen und Entscheiden mit harten Regeln gehört in normalen Code, nicht ins Sprachmodell. Summen, Kennzahlen und Prüfungen laufen in deterministischen Werkzeugen, die der Agent aufruft. Das Sprachmodell übernimmt, was es gut kann: verstehen, zusammenfassen, formulieren, den nächsten Schritt wählen.

3. Plattform und Modell wählen

Hier entscheidet sich, wie viel Kontrolle Sie später haben. Für einen internen Assistenten reicht oft ein Baukasten. Sobald der Agent in bestehende Systeme schreibt, ohne Aufsicht läuft oder sensible Daten verarbeitet, führt der Weg meist zu einem Agent-SDK oder einer eigenen Entwicklung. Den Vergleich der Optionen finden Sie im nächsten Abschnitt. Beim Modell gilt: Starten Sie mit einem starken Modell, bis die Qualität stimmt, und prüfen Sie erst danach, welche Teilschritte ein günstigeres Modell übernehmen kann.

4. Leitplanken und menschliche Freigabe einbauen

Ein Agent im Produktivbetrieb braucht Grenzen. Dazu gehören ein festes Ausgabeformat, das automatisch validiert wird, Prüfregeln, die ein Ergebnis stoppen, bevor es rausgeht, und bei folgenreichen Aktionen eine Freigabe durch einen Menschen. Dieses Human-in-the-Loop-Prinzip klingt nach Bremse, ist aber meist der Grund, warum ein Fachbereich einem Agenten überhaupt vertraut. Die KI bereitet vor, der Mensch entscheidet.

5. Mit echten Fällen testen und in den Betrieb bringen

Bauen Sie vor dem Go-live eine Sammlung aus echten Fällen mit bekannten richtigen Ergebnissen, auch den unordentlichen. Jede Änderung am Prompt, am Modell oder an einem Werkzeug läuft gegen diese Sammlung, bevor sie live geht. Dazu kommen Protokolle jedes Laufs, eine Übersicht der Kosten pro Vorgang und eine Person, die fachlich für den Agenten verantwortlich ist. Warum genau dieser Schritt die meisten Vorhaben ausbremst, beschreiben wir ausführlich im Beitrag KI-Implementierung: Vom Pilot zum Produktivbetrieb.

Welches Tool eignet sich, um einen KI-Agenten zu bauen?

Es gibt nicht das eine richtige Tool. Es gibt vier grundlegende Wege, und welcher passt, hängt davon ab, wie tief der Agent in Ihre Prozesse eingreifen soll. Die Übersicht zeigt den Stand September 2026.

Assistenten-Baukästen wie Microsoft Copilot Studio oder der Agent Builder von OpenAI sind der schnellste Weg zu einem ersten Agenten. Sie eignen sich gut für interne Helfer, die Fragen zu Dokumenten beantworten oder einfache Aufgaben in der jeweiligen Plattform erledigen. Die Grenzen zeigen sich bei komplexer Logik, eigenen Prüfregeln und Systemen außerhalb des Ökosystems.

Workflow-Tools wie n8n verbinden feste Abläufe mit einzelnen KI-Schritten. Das ist oft die beste Mischung: Der Prozess ist vorgegeben, ein Agent-Knoten übernimmt nur den Teil, der Urteilsvermögen braucht, etwa das Einordnen einer Anfrage. Für viele Mittelständler ist das der pragmatischste Einstieg.

Agent-SDKs und Frameworks wie das Claude Agent SDK, das OpenAI Agents SDK oder LangGraph geben Ihnen volle Kontrolle über Ablauf, Werkzeuge, Tests und Kosten. Sie brauchen Entwicklerinnen und Entwickler, bekommen dafür aber einen Agenten, der versioniert, testbar und in Ihre bestehende IT eingebettet ist.

Eigenentwicklung lohnt sich, wenn der Agent Teil eines Produkts ist oder besondere Anforderungen an Hosting und Datenschutz bestehen, etwa beim Betrieb On-Premise.

In der Praxis kombinieren wir die Wege häufig. Entscheidend ist nicht das Tool, sondern ob Sie später nachvollziehen können, warum der Agent etwas getan hat.

KI-Agent Beispiele: vier Agenten aus echten Projekten

Wie unterschiedlich KI-Agenten aussehen, zeigen vier Projekte, die wir umgesetzt oder weiterentwickelt haben. Alle Zahlen stammen aus den jeweiligen Projekten, Schätzungen sind als solche markiert.

Portfolio-Reporting für eine Beteiligungsgesellschaft

Für RMEP erstellt eine agentische Pipeline den monatlichen Portfolio-Report an Investment Committee und Gesellschafter. Die Zahlen kommen per API aus den Datenquellen, vier spezialisierte Agent Skills prüfen Vollständigkeit und Konsistenz, übernehmen die Bewertung und erzeugen das PDF. Alle Berechnungen laufen in deterministischen Python-Werkzeugen. Ein hartes QA-Gate stoppt den Report, sobald eine Summen- oder Konsistenzprüfung fehlschlägt, und vor dem Versand gibt ein Mensch frei.

Der erste vollautomatisch erstellte Report ging im August 2026 raus. Statt mehrerer hundert Euro an Arbeitszeit fallen pro Report heute 20 bis 50 € Laufkosten an, rund ein Zehntel (Schätzung). Das Projekt zeigt gut, wie ein Agent im Finanzumfeld aussehen muss: mit harten Prüfungen statt Vertrauen ins Modell.

Recherche-Agent für wöchentliche KI-News

Unser Eigenprojekt AI News Digest liest jede Woche Dutzende Newsletter, gruppiert die Inhalte thematisch, bewertet ihre Relevanz und recherchiert die wichtigsten Themen mit Quellen nach. Ein zweiter Agent schreibt daraus die KI-News auf dieser Website, auf Deutsch und Englisch. Meldungen, die weniger als zwei belastbare Quellen haben, fliegen raus, und eine Reserve-Meldung rückt nach.

Die Recherchezeit sank von rund fünf Stunden auf zehn Minuten pro Woche. Die laufenden KI-Kosten liegen unter 1 € pro Woche (Stand September 2026). Das Beispiel zeigt, dass Agenten besonders dort glänzen, wo viel unstrukturierter Text in eine klare Form gebracht werden muss.

Logfile-Analyse im IT-Support

Für BCT haben wir mit Logify einen Agenten gebaut, der Logfiles automatisch analysiert, Fehler und Anomalien erkennt und priorisierte Lösungsvorschläge macht. Über RAG greift er auf rund 500 MB technische Dokumentation zu. Die Ausgaben landen in einem validierten Format statt als freier Text, und das System läuft seit April 2026 On-Premise beim Kunden.

Die Modellkosten liegen bei rund 1 US-Dollar pro 100 Abfragen. Das geschätzte Potenzial beträgt über 1.000 Support-Stunden pro Jahr, bei konservativ 30 Minuten Ersparnis pro Fall. Belastbare Messwerte aus dem Betrieb stehen noch aus, und genau das gehört zur ehrlichen Einordnung dazu.

Mehrere Agenten für die Kurserstellung

Nicht jeder Agent arbeitet allein. Das KI-Autorentool SkillDuck von i40 erzeugt E-Learning-Kurse mit spezialisierten Agenten für Gliederung, Lernziele, Narrativ und didaktische Befüllung. In einem dreiwöchigen Sprint haben wir diese Pipeline analysiert und gezielt gegen Halluzinationen und falsche Zeitschätzungen verbessert. Das Ziel ist eine automatische 80-%-Lösung pro Kurs, die Autorinnen und Autoren prüfen und verfeinern. Wann sich ein solches Multi-Agenten-System lohnt und wann ein einzelner Agent reicht, ist eine der wichtigsten Architekturentscheidungen.

Was kostet es, einen KI-Agenten zu erstellen?

Die Kosten teilen sich in zwei Blöcke, die man getrennt betrachten sollte: den Aufbau und den laufenden Betrieb.

Aufbau. Einen einfachen Assistenten in einem Baukasten richtet eine technikaffine Person in Stunden bis wenigen Tagen ein, oft im Rahmen bestehender Lizenzen. Ein Agent, der in Ihre Systeme integriert ist, Prüfungen besteht und ohne Aufsicht läuft, entsteht bei uns typischerweise als Pilot oder MVP in 4–12 Wochen, abhängig von Datenlage und Anzahl der Schnittstellen. Den größten Anteil haben dabei nicht die Prompts, sondern Anbindung, Testfälle und Betrieb.

Betrieb. Die laufenden Modellkosten sind oft kleiner als erwartet. In unseren Projekten reicht die Spanne von unter 1 € pro Woche für den Recherche-Agenten über rund 1 US-Dollar pro 100 Abfragen bei Logify bis zu 20 bis 50 € pro Monatsreport bei RMEP (Stand September 2026). Dazu kommen Hosting, Monitoring und die Pflege, wenn sich Quellsysteme oder Modelle ändern.

Wie Sie die Modellkosten bei steigendem Volumen senken, etwa indem ein starkes Modell plant und günstigere Modelle ausführen, zeigen wir im Beitrag zum Advisor-Orchestrator-Pattern. Welche Modelle wir für Aufbau und Begleitung anbieten, finden Sie auf der Seite Services.

Woran scheitern selbst gebaute KI-Agenten?

Aus Projekten, die wir übernommen oder überarbeitet haben, kennen wir vor allem diese Muster:

• Zu breiter Auftrag. Ein Agent für „alle Anfragen“ wird nie zuverlässig. Drei enge Agenten schlagen einen großen.
• Rechnen im Sprachmodell. Zahlen, die das Modell selbst berechnet, sind irgendwann falsch. Harte Logik gehört in Werkzeuge.
• Keine Testfälle. Ohne eine feste Sammlung echter Fälle wird jede Prompt-Änderung zum Blindflug.
• Zu viele Rechte. Ein Agent, der schreiben und löschen darf, obwohl er nur lesen müsste, ist ein unnötiges Risiko.
• Niemandem gehört er. Ohne fachliche Verantwortung veraltet der Agent, sobald sich ein Prozess oder eine Datenquelle ändert.
• Datenschutz zu spät. Welche Daten wohin fließen dürfen, gehört vor den ersten Prototyp, nicht danach.

Keiner dieser Punkte ist technisch schwierig. Aber jeder davon entscheidet, ob ein Agent nach drei Monaten noch läuft. Einen tieferen Einstieg in Grundlagen, Use Cases und Governance bietet unser Praxis-Guide KI-Agenten für Unternehmen.

Häufige Fragen

Kann ich einen KI-Agenten kostenlos erstellen?

Für erste Versuche ja. Viele Baukästen und Workflow-Tools wie n8n bieten kostenlose Einstiegsstufen oder lassen sich selbst hosten. Für einen Agenten im Unternehmenseinsatz fallen aber mindestens Modellkosten, Hosting und Pflege an. Die Modellkosten sind oft gering, in unseren Projekten teils unter 1 € pro Woche, der größere Posten ist die Zeit für Anbindung, Tests und Betrieb.

Brauche ich Programmierkenntnisse, um einen KI-Agenten zu bauen?

Für einfache Assistenten nicht. Mit Copilot Studio, dem OpenAI Agent Builder oder n8n lassen sich Agenten weitgehend ohne Code erstellen. Sobald der Agent in bestehende Systeme schreibt, eigene Prüfregeln braucht oder ohne Aufsicht läuft, sind Entwicklungskenntnisse nötig, entweder im eigenen Team oder über einen Umsetzungspartner.

Welches Tool eignet sich am besten für KI-Agenten?

Das hängt von der Aufgabe ab. Für interne Helfer reichen Assistenten-Baukästen, für Prozessketten mit einzelnen KI-Schritten eignen sich Workflow-Tools wie n8n, und für Agenten in Kernprozessen empfehlen wir ein Agent-SDK wie das Claude Agent SDK oder LangGraph. Entscheidend ist, dass Sie Abläufe testen und nachvollziehen können.

Was ist der Unterschied zwischen einem KI-Agenten und einem Chatbot?

Ein Chatbot beantwortet Fragen im Dialog. Ein KI-Agent erledigt eine Aufgabe in mehreren Schritten selbstständig: Er entscheidet, welcher Schritt als Nächstes sinnvoll ist, ruft dafür Werkzeuge wie APIs oder Datenbanken auf und prüft das Ergebnis. Viele moderne Chatbots nutzen einzelne Agentenfähigkeiten, die Grenze ist also fließend.

Wie lange dauert es, einen KI-Agenten zu erstellen?

Ein einfacher Agent in einem Baukasten steht in Stunden bis wenigen Tagen. Ein integrierter Agent für den Produktivbetrieb entsteht als Pilot oder MVP typischerweise in 4–12 Wochen. Die Dauer hängt vor allem von der Datenlage, der Zahl der Schnittstellen und den Anforderungen an Prüfung und Hosting ab.

Sind KI-Agenten im Unternehmen DSGVO-konform einsetzbar?

Ja, mit der richtigen Architektur. Wichtig sind Verarbeitung in der EU oder On-Premise, Modellanbieter, die nicht mit Ihren Daten trainieren, möglichst knappe Zugriffsrechte für den Agenten und Protokolle jedes Laufs. Je nach Anwendungsfall kommen Anforderungen aus dem EU AI Act hinzu, die man früh prüfen sollte.

Fazit

Einen KI-Agenten zu erstellen ist heute technisch nicht mehr schwer. Schwer ist es, einen Agenten zu bauen, der nach drei Monaten noch zuverlässig läuft. Das gelingt mit einem engen Auftrag, sauberem Zugriff auf Daten und Werkzeuge, harten Prüfungen statt Vertrauen ins Modell, einer menschlichen Freigabe dort, wo es darauf ankommt, und Testfällen, die jede Änderung absichern. Und manchmal ist die beste Antwort gar kein Agent, sondern ein gut gebauter Workflow.

Wenn Sie einen konkreten Prozess im Kopf haben und wissen wollen, ob ein Agent dafür der richtige Weg ist, schauen wir uns das gerne mit Ihnen an. Buchen Sie ein unverbindliches Erstgespräch, und wir klären gemeinsam, welcher Ansatz bei Ihnen trägt.