KI-Agent erstellen: Schritt für Schritt vom Ziel zum produktiven Agenten

Einen KI-Agenten erstellen Sie in neun Schritten: Aufgabe scharf schneiden, Erfolg definieren, Werkzeuge und Rechte klären, Wissen anbinden, Leitplanken setzen, testen, Betrieb regeln, Plattform wählen, Grenzen kennen. Der wichtigste Schritt kommt vor dem Bau: prüfen, ob die Aufgabe überhaupt einen Agenten braucht — oder ob ein fester Ablauf genügt.

Diese Reihenfolge ist der eigentliche Punkt. Wer mit der Plattform anfängt, baut den Agenten zweimal: einmal so, wie das Werkzeug es nahelegt, und danach noch einmal so, wie das Unternehmen es braucht. Wer mit dem Zuschnitt anfängt, kommt oft zu dem Ergebnis, dass gar kein Agent nötig ist — und spart damit am meisten.

Workflow oder Agent? Die Frage vor dem Bau

Die meisten Aufgaben, für die Unternehmen einen Agenten bauen wollen, sind ein Workflow. Und ein Workflow ist billiger, schneller und zuverlässiger. Diesen Satz spricht die deutschsprachige Ratgeber-Landschaft kaum aus, weil er nichts verkauft — die Anbieter beider Lager sagen ihn dagegen deutlich.

Anthropic trennt die beiden Bauformen so: In einem Workflow werden Sprachmodell und Werkzeuge über vorher festgelegte Codepfade gesteuert; in einem Agenten steuert das Modell seinen Ablauf und seine Werkzeugnutzung selbst. Und die Empfehlung dazu lautet, die einfachste mögliche Lösung zu suchen und die Komplexität erst dann zu erhöhen, wenn es nötig ist — was ausdrücklich heißen kann, gar kein agentisches System zu bauen.

OpenAI formuliert dieselbe Prüfung als Bedingung. Drei Merkmale sprechen dort für einen Agenten: Entscheidungen mit Abwägung und Ausnahmen, Regelwerke, die durch ihren Umfang kaum noch pflegbar sind, und eine starke Abhängigkeit von unstrukturierten Daten. Und dann folgt der Satz, der in keiner der deutschsprachigen Anleitungen steht: Bevor Sie sich auf den Bau eines Agenten festlegen, prüfen Sie, ob Ihr Anwendungsfall diese Kriterien klar erfüllt — andernfalls genügt eine deterministische Lösung.

Die folgende Gegenüberstellung hilft bei der Einordnung. Wenn Sie in der linken Spalte mehr Häkchen setzen als in der rechten, bauen Sie keinen Agenten, sondern eine Workflow-Automatisierung.

Ein häufiges Missverständnis räumt OpenAI in derselben Veröffentlichung ab: Anwendungen, die ein Sprachmodell einbinden, es aber nicht den Ablauf steuern lassen — einfache Chatbots, einzelne Modellaufrufe, Klassifizierer — sind keine Agenten. Was viele Unternehmen heute produktiv haben, fällt genau in diese Kategorie. Das ist kein Mangel, sondern oft die passende Bauform. Wenn Sie zuerst wissen wollen, wofür sich Agenten überhaupt eignen, lesen Sie unseren Überblick zu KI-Agenten im Unternehmen; dieser Beitrag setzt darauf auf.

Schritt 1: Die Aufgabe scharf schneiden

Ein Agent, eine Aufgabe. Diese Regel klingt einschränkend und ist der Grund, warum manche Agenten funktionieren und andere nach drei Wochen wieder abgeschaltet werden. Ein scharf geschnittener Agent lässt sich beschreiben, testen und verantworten. Ein Agent, der „den Kundenservice übernimmt", lässt sich nicht einmal beurteilen.

Fünf Merkmale zeigen, dass eine Aufgabe agententauglich zugeschnitten ist:

• Die Aufgabe hat einen klaren Anfang. Es gibt ein Ereignis, das sie auslöst: eine eingehende Mail, ein neues Ticket, ein Formular, ein Zeitpunkt.
• Die Aufgabe hat ein klares Ende. Sie können in einem Satz sagen, woran jemand erkennt, dass der Agent fertig ist.
• Das Ergebnis ist prüfbar. Eine Kollegin kann in unter einer Minute beurteilen, ob die Ausgabe richtig war.
• Die nötigen Informationen sind erreichbar. Alles, was der Agent für die Entscheidung braucht, liegt in einem System, das er lesen darf.
• Ein Fehler ist tragbar oder abfangbar. Sie wissen, was passiert, wenn der Agent danebenliegt, und wer es merkt.

Umgekehrt gibt es vier Formulierungen, bei denen wir im Gespräch aufmerksam werden. Sie zeigen zuverlässig an, dass der Zuschnitt noch nicht steht:

• Die Aufgabe wird mit „und dann kümmert er sich auch gleich um …" beschrieben. Das ist kein Zuschnitt, das ist eine Wunschliste.
• Niemand im Haus kann die Aufgabe heute vollständig erklären. Was Menschen nicht beschreiben können, können Sie einem Agenten nicht übergeben.
• Das Ergebnis lässt sich erst Wochen später beurteilen. Dann fehlt die Rückmeldung, aus der Sie den Agenten verbessern.
• Die Aufgabe hängt an Wissen, das nur in Köpfen steckt. Erst dokumentieren, dann automatisieren — sonst automatisieren Sie eine Vermutung.

Ein praktischer Test: Beschreiben Sie die Aufgabe in drei Sätzen, ohne das Wort „auch" zu benutzen. Gelingt das nicht, sind es zwei Aufgaben. Bauen Sie dann die kleinere zuerst — sie liefert die Erfahrung, mit der Sie die größere überhaupt erst richtig zuschneiden können.

Schritt 2: Erfolg definieren, bevor gebaut wird

Der häufigste Grund, warum ein Agentenprojekt versandet, ist nicht schlechte Technik. Es ist, dass niemand vorher festgelegt hat, woran man Erfolg erkennen würde. Nach vier Wochen finden dann alle den Agenten „ganz gut" oder „noch nicht so weit" — und beides lässt sich nicht überprüfen.

Was der Agent können muss. Schreiben Sie den Zielzustand als Satz auf, den auch jemand versteht, der nicht im Projekt sitzt. Nicht „bearbeitet Anfragen", sondern: beantwortet Fragen zu Lieferzeiten und Retouren aus dem Handbuch, mit Quellenangabe, und gibt alles andere an den Kundenservice ab.

Woran gemessen wird. Legen Sie zwei bis drei Größen fest und wie Sie sie erheben. Der Anteil der Fälle, die der Agent ohne Übergabe abschließt. Der Anteil der Antworten, die eine Stichprobe als richtig bewertet. Die Zeit bis zur ersten Antwort. Wichtig ist weniger, welche Größen Sie wählen, als dass Sie sie vor dem Bau festlegen — sonst wird nachträglich das gemessen, was gut aussieht.

Was der Ausgangswert ist. Erheben Sie dieselben Größen einmal für den heutigen Zustand. Ohne diesen Vergleichspunkt können Sie später nicht sagen, ob sich etwas verbessert hat. OpenAI beschreibt denselben Gedanken für die Modellwahl: erst eine Messgrundlage aufbauen, dann optimieren.

Was die Rückfallebene ist. Das ist der Teil, den fast alle Anleitungen auslassen. Für jeden Fall, den der Agent nicht schafft, muss ein Weg offen bleiben, den ein Mensch geht — und zwar so, dass die anfragende Person das nicht als Sackgasse erlebt.

Faustregel aus der Projektpraxis: Wenn Sie die Rückfallebene nicht in einem Satz beschreiben können, ist der Agent noch nicht bereit für echte Nutzerinnen und Nutzer. Ein Agent ohne Rückfallebene erzeugt keine Entlastung, sondern eine zweite Warteschlange.

Schritt 3: Werkzeuge und Datenzugriff — die Rechtefrage

Ein Agent ohne Werkzeuge ist ein Chatfenster. Erst der Zugriff auf Systeme macht ihn nützlich — und genau dort entstehen die Fragen, die später teuer werden. OpenAI unterscheidet drei Werkzeugarten: solche zum Beschaffen von Informationen, solche zum Handeln in Systemen und Agenten, die selbst als Werkzeug für andere Agenten dienen. Für den ersten Agenten brauchen Sie die ersten beiden.

Die Trennung zwischen Lesen und Schreiben ist dabei keine Formalie, sondern die wichtigste Grenze im ganzen Bauplan. Lesende Zugriffe erzeugen im schlimmsten Fall eine falsche Auskunft. Schreibende Zugriffe erzeugen Datensätze, Bestellungen, E-Mails an Kunden. OpenAI empfiehlt dafür ausdrücklich, jedes Werkzeug vorab nach Risiko einzustufen — unter anderem danach, ob es nur liest oder auch schreibt, ob sich die Aktion rückgängig machen lässt, welche Kontorechte sie voraussetzt und ob sie finanzielle Wirkung hat.

Die zweite Entscheidung betrifft die Identität, unter der der Agent arbeitet. Sie hat drei Ausprägungen:

Und dann gibt es eine Eigenheit, die Assistenten-Plattformen typischerweise mitbringen und die im Projekt regelmäßig übersehen wird: Nicht alle Wissensquellen prüfen dieselben Rechte. Microsoft dokumentiert das für Copilot Studio offen. Für SharePoint, Dataverse und über Konnektoren indexierte Unternehmensdaten ist die Authentifizierung als „Rechte der fragenden Person" ausgewiesen — der Agent zeigt also nur Inhalte, auf die diese Person ohnehin Zugriff hat. Für öffentliche Websites und für Dokumente, die direkt in den Agenten hochgeladen wurden, weist dieselbe Tabelle in der Spalte zur Authentifizierung schlicht „None" aus.

Praktisch heißt das: Ein Dokument, das jemand in den Agenten hochlädt, verliert die Zugriffsbeschränkung, die es in der Ablage hatte. Wer eine Preisliste, eine Personalakte oder ein Vertragsmuster hochlädt, macht sie für alle sichtbar, die den Agenten benutzen dürfen. Die Details der Wissensquellen haben wir in unserem Beitrag zu Copilot Studio aufgeschlüsselt; die Regel gilt sinngemäß für jede Plattform, auf der man Dateien in einen Assistenten schiebt.

Bleibt die Frage, wie der Agent technisch an Ihre Systeme kommt. Statt für jedes System eine eigene Integration zu bauen, hat sich dafür ein gemeinsamer Anschlussstandard etabliert. Was das Model Context Protocol leistet und wo seine Grenzen liegen, beschreiben wir gesondert — für den Bauplan genügt: Prüfen Sie früh, ob Ihre Systeme einen fertigen Anschluss mitbringen. Das entscheidet oft über den Aufwand des ganzen Projekts.

Schritt 4: Wissen anbinden statt in den Prompt kippen

Ein Sprachmodell weiß nichts über Ihr Unternehmen. Alles, was der Agent über Ihre Produkte, Preise, Abläufe und Zuständigkeiten sagen soll, muss ihm im Moment der Anfrage mitgegeben werden. Dafür gibt es zwei Wege, und nur einer davon skaliert.

Der erste Weg ist, das Wissen in die Anweisungen zu schreiben. Das funktioniert für eine halbe Seite Text und bricht danach zusammen: Die Anweisungen werden unübersichtlich, jede Aktualisierung ist eine Textänderung, und je länger der Text wird, desto unzuverlässiger hält sich das Modell an alles darin. OpenAI formuliert die Trennung im Help Center klar: Anweisungen regeln das Verhalten, hochgeladenes Wissen liefert das Material — Regeln gehören nicht in die Wissensdateien und Material nicht in die Anweisungen.

Der zweite Weg ist, die Quellen anzubinden und im Moment der Anfrage gezielt zu durchsuchen. Dieses Verfahren wird als Retrieval Augmented Generation bezeichnet und ist heute der Normalfall. Es hat drei Vorteile, die im Betrieb zählen: Die Quelle bleibt dort, wo sie gepflegt wird. Aktualisierungen wirken sofort. Und der Agent kann angeben, woher eine Aussage stammt.

Diese Quellenangabe ist der Punkt, an dem Sie später Vertrauen gewinnen oder verlieren. Führen Sie sie von Anfang an ein, auch wenn sie die Antworten länger macht. Ohne Beleg lässt sich eine falsche Antwort nicht zurückverfolgen — und die Person, die sie bekommen hat, kann sie nicht selbst prüfen. Klären Sie zugleich, wie aktuell die angebundenen Quellen wirklich sind: Ein Agent, der aus einem Handbuch von vorletztem Jahr antwortet, ist nicht falsch konfiguriert, sondern korrekt an eine veraltete Quelle angeschlossen.

Schritt 5: Leitplanken, bevor der Agent handeln darf

Leitplanken sind kein Sicherheitsthema für später, sondern Teil des Bauplans. Sie entscheiden, was der Agent im schlechtesten Fall anrichten kann — und dieser Fall tritt in jedem Projekt irgendwann ein. Sechs Leitplanken gehören aus unserer Sicht in jeden produktiven Agenten:

Die Reihenfolge dieser sechs ist bewusst gewählt: Die ersten drei begrenzen den Schaden, die letzten drei machen ihn sichtbar. Wer nur eine davon umsetzen kann, nimmt die zweite. Eine Freigabe vor schreibenden Schritten fängt fast alles ab, was in den ersten Betriebswochen schiefgeht. Wie Angriffe über harmlos aussehende Inhalte funktionieren, zeigt unser Beitrag zu Prompt Injection bei KI-Systemen. Wie Autonomiestufen, Gedächtnis und Beobachtbarkeit technisch zusammenspielen, beschreibt unser Beitrag zu Agentic AI und autonomen Agenten; hier bleiben wir auf der Entscheidungsebene.

Schritt 6: Testen mit Fällen, deren Antwort Sie kennen

Ein Agent lässt sich nicht wie eine Software testen, bei der gleiche Eingabe immer gleiche Ausgabe erzeugt. Was ihn trotzdem prüfbar macht, ist eine feste Sammlung von Fällen, deren richtige Antwort Sie vorher aufgeschrieben haben. Diese Sammlung entsteht am besten aus echten Vorgängen der letzten Monate, nicht am Schreibtisch.

Fünf Fallarten gehören hinein:

• Typische Fälle: der Alltag, für den Sie den Agenten gebaut haben. Sie kennen die richtige Antwort und schreiben sie auf.
• Grenzfälle: unvollständige Angaben, zwei Anliegen in einer Nachricht, ein Sonderfall, den Ihr Team von Hand anders behandelt.
• Ablehnungsfälle: Anfragen, bei denen der Agent nicht antworten, sondern abgeben soll. Ein Agent, der hier antwortet, hat den Test nicht bestanden.
• Angriffsfälle: Nachrichten, die versuchen, den Agenten von seiner Aufgabe abzubringen oder seine Anweisungen offenzulegen.
• Leerfälle: Fragen ohne Antwort in den angebundenen Quellen. Der Agent muss das sagen, statt etwas zu erfinden.

Der Teil, der fast immer fehlt, ist der Wiederholungslauf. Diese Sammlung ist nicht für die Abnahme gedacht, sondern für den Betrieb: Sie lassen sie erneut laufen, wenn Sie Anweisungen ändern, wenn Sie eine Wissensquelle hinzufügen, wenn ein Werkzeug dazukommt — und vor allem, wenn sich das Modell ändert.

Dass sich das Modell ändert, ist keine theoretische Sorge. Anbieter nehmen Modelle vom Markt: OpenAI weist im Help Center aus, dass am 13. Februar 2026 unter anderem GPT-4o, GPT-4.1 und GPT-5 in der Chat-Oberfläche abgekündigt wurden und dort nicht mehr verfügbar sind. Wer eine Fallsammlung hat, merkt am selben Tag, ob sein Agent nach einem solchen Wechsel noch dieselbe Qualität liefert. Wer keine hat, merkt es an Beschwerden — oder gar nicht.

Testen Sie außerdem mit den Menschen, die den Agenten später benutzen, nicht nur im Projektteam. Das Projektteam formuliert unbewusst so, wie der Agent es versteht. Echte Nutzerinnen und Nutzer tun das nicht, und genau darin liegt der Erkenntnisgewinn.

Schritt 7: Betrieb — wem gehört der Agent?

Mit dem Livegang beginnt der längere Teil. Ein Agent ist kein Projekt mit Enddatum, sondern ein System mit laufenden Kosten, wechselnden Grundlagen und einer Zuständigkeit. Fünf Fragen gehören beantwortet, bevor der erste echte Fall durchläuft:

• Wem gehört der Agent? Nicht technisch, sondern fachlich: Wer entscheidet über Zuschnitt und Anweisungen, wer prüft die Antworten stichprobenartig, und wer springt ein, wenn diese Person die Rolle wechselt oder das Unternehmen verlässt?
• Wer bemerkt einen Ausfall? Ein Agent, der schweigt, fällt oft tagelang nicht auf — anders als eine Maschine, die stillsteht. Legen Sie fest, wer die Nutzung im Blick behält und ab wann ein Rückgang auffällig ist.
• Was passiert, wenn er ausfällt? Der alte Weg muss weiter gangbar sein, und die Zuständigen müssen wissen, dass sie ihn nehmen sollen. Eine Rückfallebene, die niemand kennt, ist keine.
• Wer entscheidet über Änderungen? Anweisungen, Wissensquellen und Werkzeuge ändern sich. Ohne benannte Zuständigkeit schraubt irgendwann jeder mit, und niemand kann sagen, warum sich das Verhalten geändert hat.
• Was kostet er im Monat? Verbrauchsabhängige Abrechnung heißt: Die Rechnung wächst mit der Nutzung. Prüfen Sie sie in den ersten Monaten aktiv, statt sie am Jahresende zu entdecken.

Die Besitzfrage verdient dabei besondere Aufmerksamkeit, weil sie sich schleichend stellt. Microsoft beschreibt in seiner Dokumentation genau dieses Muster: Verlässt die ursprüngliche Besitzerin eines Agenten das Unternehmen oder wechselt sie die Rolle, entstehen verwaiste Agenten ohne ordentliche Verwaltung — was Geschäftsabläufe stören und Sicherheitsrisiken erzeugen kann, weil niemand mehr für Einstellungen und Compliance zuständig ist. Die Neuzuweisung ist danach nur noch über eine Administratorrolle möglich, und der bisherige Besitzer verliert dabei den Zugriff.

Für die Praxis heißt das: Ein Agent, den eine einzelne Person nebenbei gebaut hat, ist ein Risiko, sobald ihn andere benutzen. Benennen Sie eine fachliche Zuständigkeit und eine Vertretung, halten Sie fest, in welchem Arbeitsbereich der Agent liegt, und nehmen Sie ihn in Ihr Verzeichnis der eingesetzten KI-Systeme auf. Warum sich ein solches Inventar unabhängig vom einzelnen Agenten lohnt, ordnet unser Beitrag zu den Pflichten aus dem EU AI Act ein.

Schritt 8: Der Entscheidungsbaum zur Plattform

Erst jetzt kommt die Frage, mit der die meisten Anleitungen anfangen. Und sie fällt leichter, wenn die Schritte davor beantwortet sind: Aus Zuschnitt, Rechtemodell und Werkzeugliste ergibt sich die Plattform fast von selbst. Entscheidend ist nicht, welches Werkzeug am meisten kann, sondern welches am wenigsten Reibung mit Ihrer bestehenden Landschaft erzeugt.

Zum n8n-Weg noch eine Ergänzung, weil sie im Bauplan zählt: Die Agent-Komponente dort verlangt laut Dokumentation zwingend mindestens ein angeschlossenes Werkzeug — der Agent entscheidet dann selbst, welches er für die Aufgabe aufruft. Das passt genau zu der Bauform, die für Unternehmen meist die richtige ist: ein fester Ablauf, in dem eine einzelne Stelle agentisch entscheidet. Wie das praktisch aussieht, zeigt unser n8n-Tutorial Schritt für Schritt.

Und noch eine bewusste Auslassung, die wir für wichtiger halten als eine schnelle Zahl: Sie finden hier keine Preisangaben und keinen Kostenvergleich. Die Abrechnungsmodelle der Plattformen ändern sich mehrmals im Jahr, sie hängen an Lizenzen, Verbrauch und Vorkaufsmodellen, und jede Zahl, die wir hier hinschreiben, wäre in wenigen Monaten falsch. Was wir stattdessen tun: Wir sagen, an welchen vier Stellen Kosten entstehen — Plattform, Verbrauch je Anfrage, Schnittstellen, laufender Betrieb — und rechnen das im Gespräch für Ihren konkreten Fall gegen die aktuellen Anbieterangaben durch.

Schritt 9: Die Grenzen kennen, die auch 2026 gelten

Zum Bauplan gehört zu wissen, wo er endet. Fünf Grenzen sind nach unserer Erfahrung stabil genug, dass Sie Ihr Projekt danach ausrichten sollten:

• Agenten rechnen nicht zuverlässig. Zahlen gehören in ein Werkzeug, das rechnet, nicht in das Sprachmodell selbst.
• Agenten sind nicht reproduzierbar. Zwei gleiche Anfragen können zwei Wege nehmen. Wo ein Ergebnis exakt gleich ausfallen muss, gehört ein fester Ablauf hin.
• Agenten erkennen ihre eigenen Wissenslücken schlecht. Selbst mit abgeschalteten ungestützten Antworten schreibt Microsoft ausdrücklich, dass damit nicht garantiert ist, dass das Modell nie auf Allgemeinwissen zurückgreift.
• Agenten halten sich nicht von allein an lange Vorgaben. Je mehr Regeln Sie in die Anweisungen schreiben, desto eher fällt eine davon unter den Tisch. Wichtige Regeln gehören in die Technik, nicht in den Text.
• Agenten übernehmen keine Verantwortung. Die bleibt bei Ihnen — für die Auskunft an Kunden, für den Umgang mit personenbezogenen Daten und für alles, was der Agent im Namen Ihres Unternehmens tut.

Keine dieser Grenzen spricht gegen Agenten. Sie sprechen dagegen, Agenten dort einzusetzen, wo ein anderes Werkzeug besser passt — und dafür, die Leitplanken aus Schritt 5 ernst zu nehmen. Wer den ersten Agenten dort ansetzt, wo ein Fehler auffällt und korrigierbar ist, sammelt genau die Erfahrung, die für den zweiten nötig ist.

Fazit: Die Reihenfolge ist die Methode

Einen KI-Agenten zu erstellen ist technisch heute einfach. Die Arbeit liegt woanders: im Zuschnitt der Aufgabe, in der Rechtefrage, in den Leitplanken, in der Fallsammlung und in der Zuständigkeit für den Betrieb. Jeder dieser Punkte lässt sich nachholen — aber jeder ist danach teurer als vorher.

Wenn Sie nur drei Dinge aus diesem Beitrag mitnehmen, dann diese: Prüfen Sie zuerst, ob die Aufgabe wirklich einen Agenten braucht. Entscheiden Sie die Rechtefrage vor dem Bau, nicht danach. Und hängen Sie jeden schreibenden Schritt an eine Freigabe, bis Sie belegen können, dass es ohne geht.

Wenn Sie diesen Weg nicht allein gehen möchten: Wir nehmen die vorgesehene Aufgabe einmal gemeinsam durch, sagen ehrlich, ob sie einen Agenten oder eine Automatisierung braucht, und legen Rechtemodell, Leitplanken und Testfälle fest, bevor gebaut wird. Der Einstieg ist unsere Beratung zu KI-Mitarbeitern und AI-Agenten; stellt sich heraus, dass ein fester Ablauf die bessere Antwort ist, bauen wir ihn über die n8n Workflow Automation.

Häufige Fragen zum Erstellen von KI-Agenten

Was kostet es, einen KI-Agenten zu erstellen?

Eine seriöse Pauschale gibt es nicht, deshalb steht hier keine Zahl. Die Kosten entstehen an vier Stellen: der Plattform selbst, dem Verbrauch je Anfrage, den Schnittstellen zu Ihren Systemen und dem laufenden Betrieb. Den größten Ausschlag gibt meist nicht der Bau, sondern die Anbindung an vorhandene Systeme und deren Rechteklärung.

Kann ich einen KI-Agenten kostenlos erstellen?

Zum Ausprobieren ja, für den Betrieb selten. Ein Beispiel aus der Anbieterdokumentation: Persönliche ChatGPT-Konten, also Free, Go, Plus und Pro, können laut OpenAI keine neuen GPTs mehr erstellen oder veröffentlichen. Dafür braucht es einen Business-, Enterprise- oder Edu-Arbeitsbereich mit entsprechender Berechtigung. Stand: 4. September 2026.

Welches Tool eignet sich zum Erstellen eines KI-Agenten?

Das hängt an Ihrer Systemlandschaft, nicht am Funktionsumfang. Arbeitet Ihr Team in Microsoft 365, liegt Copilot Studio nahe. Verbinden Sie viele unterschiedliche Systeme, passt eine Workflow-Plattform wie n8n besser. Steckt der Agent in Ihrem eigenen Produkt oder braucht er besondere Anforderungen, führt der Weg zum Eigenbau.

Kann man mit ChatGPT einen Agenten erstellen?

Für interne Zwecke ja, über konfigurierte GPTs mit eigenen Anweisungen, hochgeladenem Wissen und sogenannten Actions, die eigene Schnittstellen aufrufen. Die Erstellung setzt allerdings einen Business-, Enterprise- oder Edu-Arbeitsbereich voraus. Prüfen Sie vorher, welche Daten Sie hochladen: Hochgeladene Dateien tragen keine Rechteprüfung Ihres Systems mit.

Woran erkenne ich, dass eine Aufgabe keinen KI-Agenten braucht?

Wenn Sie den Ablauf als Wenn-dann-Kette aufschreiben können und diese Kette stabil bleibt, brauchen Sie keinen Agenten, sondern eine Automatisierung. Anthropic empfiehlt ausdrücklich, die einfachste Lösung zu suchen und die Komplexität erst dann zu erhöhen, wenn es nötig ist. Das kann heißen: gar kein agentisches System.

Braucht man Programmierkenntnisse, um einen KI-Agenten zu bauen?

Für den ersten Agenten meist nicht. Die gängigen Plattformen sind grafisch bedienbar. Programmierung wird dort nötig, wo Ihre Systeme keine fertige Schnittstelle mitbringen, wo Daten umgeformt werden müssen oder wo der Agent in ein eigenes Produkt eingebettet wird. Die Rechte- und Testfragen bleiben in jedem Fall gleich.

Wie testet man einen KI-Agenten richtig?

Mit einer festen Sammlung von Fällen, deren richtige Antwort Sie vorher kennen. Dazu gehören typische Fälle, Grenzfälle und Fälle, in denen der Agent ablehnen muss. Diese Sammlung lassen Sie nach jeder Änderung erneut laufen, besonders nach einem Modellwechsel. Ohne diesen Vergleich merken Sie Qualitätsverluste erst durch Beschwerden.

Was passiert mit dem Agenten, wenn die Person das Unternehmen verlässt, die ihn gebaut hat?

Er kann verwaisen. Microsoft beschreibt genau diesen Fall für Copilot Studio: Verlässt die ursprüngliche Besitzerin das Unternehmen oder wechselt die Rolle, fehlt eine zuständige Person für Einstellungen und Compliance. Die Neuzuweisung geht dann nur noch über eine Administratorrolle. Klären Sie Besitz und Vertretung deshalb vor dem Start.

Quellen & Stand der Angaben

Alle Angaben in diesem Beitrag wurden am 4. September 2026 gegen die folgenden Hersteller- und Anbieterquellen geprüft. Externe Quellen öffnen in einem neuen Tab. Produktangaben ändern sich; prüfen Sie sie vor einer Entscheidung erneut an der Originalquelle.

• Anthropic — Building effective agents (19. Dezember 2024) — Abgrenzung von Workflows und Agenten, Empfehlung zur einfachsten Lösung, Tausch von Latenz und Kosten gegen Leistung, Abbruchbedingungen als Kontrollmittel (Hersteller-Primärquelle).
• OpenAI — A practical guide to building agents (PDF) — Agentendefinition, die drei Eignungskriterien und der Hinweis, dass andernfalls eine deterministische Lösung genügt, Bausteine Modell/Werkzeuge/Anweisungen, Risikobewertung von Werkzeugen, Eskalation bei Fehlerschwellen und risikoreichen Aktionen (Hersteller-Primärquelle).
• Microsoft Learn — Knowledge sources summary, Microsoft Copilot Studio — Authentifizierung je Wissensquelle (SharePoint, Dataverse und Konnektoren mit Rechten der fragenden Person; öffentliche Websites und hochgeladene Dokumente ohne), Einschränkung zu ungestützten Antworten. Dokumentstand 21. Juli 2026 (Hersteller-Primärquelle).
• Microsoft Learn — Reassign ownership of orphaned agents — verwaiste Agenten beim Ausscheiden oder Rollenwechsel der Besitzerin, Folgen für Geschäftsabläufe und Sicherheit, Neuzuweisung nur mit Administratorrolle. Dokumentstand 10. Februar 2026 (Hersteller-Primärquelle).
• n8n Docs — AI Agent — Funktionsweise der Agent-Komponente und die Vorgabe, mindestens ein Werkzeug anzuschließen (Hersteller-Primärquelle).
• n8n Docs — Human-in-the-loop for tools — Freigabe vor der Werkzeugausführung, Pausieren des Ablaufs, Empfehlung, mit eingeschalteter Freigabe zu starten (Hersteller-Primärquelle).
• n8n Docs — How tools work — Werkzeuge als Unterkomponenten, Einbindung eigener Abläufe, eigener Anfragen und von MCP-Servern als Werkzeugquelle (Hersteller-Primärquelle).
• OpenAI Help Center — Creating and editing GPTs — Erstellung und Veröffentlichung neuer GPTs nicht auf persönlichen Konten, sondern in Business-, Enterprise- und Edu-Arbeitsbereichen; Trennung von Anweisungen und hochgeladenem Wissen; Actions für eigene Schnittstellen; Modellabkündigung vom 13. Februar 2026 (Anbieter-Primärquelle).