KI-Agenten erstellen: Anleitung in 7 Schritten mit Praxisbeispiel

Du willst KI-Agenten erstellen, die in deinem Unternehmen echte Arbeit übernehmen? Dann hilft zuerst eine klare Abgrenzung. Ein Chatbot beantwortet Fragen. Eine Automatisierung arbeitet feste Wenn-dann-Regeln ab, immer in derselben Reihenfolge. Ein KI-Agent bekommt ein Ziel, plant mit einem Sprachmodell die nächsten Schritte und nutzt dafür freigegebene Werkzeuge und Daten, etwa eine CRM-Abfrage oder das Erstellen eines Dokuments.

In dieser Anleitung erfährst du, wie du in sieben Schritten einen eigenen KI-Agenten baust, welche Bauweise zu dir passt und wie unser Angebots-Agent im Alltag arbeitet.

Brauchst du wirklich einen Agenten?

Prüfe vorher, welche Form zu deiner Aufgabe passt:

• Feste Abfolge, klare Regeln: Hier ist eine KI-Automatisierung mit festen Workflows meist die einfachere und stabilere Lösung.
• Fragen an interne Dokumente: Oft reicht ein KI-Chatbot mit RAG und Quellenangaben.
• Mehrere Schritte, wechselnde Eingaben, Zugriff auf Systeme: Hier spielt ein Agent seine Stärke aus, weil er selbst entscheidet, welches Werkzeug er als Nächstes braucht.

KI-Agenten erstellen in 7 Schritten

1. Eine Aufgabe mit klarem Ergebnis wählen

Starte mit genau einer wiederkehrenden Aufgabe, deren Ergebnis sich prüfen lässt. „Den Vertrieb unterstützen“ ist zu vage. „Aus einer Anfrage einen Angebotsentwurf erstellen“ ist ein guter Auftrag: Es gibt eine Eingabe, ein Ergebnis und eine Person, die es beurteilen kann. Halte fest, wann die Aufgabe als erledigt gilt und wer bei Ausnahmen übernimmt.

2. Werkzeuge und Berechtigungen festlegen

Liste jede Aktion auf, die der Agent ausführen soll, und trenne Lesen von Schreiben. Gib ihm nur die Rechte, die er für diese eine Aufgabe braucht, am besten über ein eigenes Konto. Jedes Werkzeug braucht eine klare Beschreibung: was es tut, welche Eingaben es erwartet und was es zurückgibt. Das Model Context Protocol standardisiert genau diese Anbindung, wie unser Praxisbericht zum Model Context Protocol (MCP) zeigt.

3. Datenzugriff klären (RAG)

Ein Agent ist nur so gut wie das Wissen, auf das er zugreift. Kläre, welche Dokumente, früheren Vorgänge oder Preislisten er braucht. Bei einer überschaubaren, stabilen Wissensbasis reicht oft ein gut strukturierter langer Prompt. Bei größeren oder sich ändernden Beständen brauchst du RAG: Eine Suche liefert pro Anfrage nur die passenden Ausschnitte an das Modell. Wann sich welcher Weg lohnt, erklärt unser Beitrag Vom langen Prompt zu RAG.

4. Die Bauweise wählen

Du kannst einen Agenten in einem visuellen Workflow-Tool zusammenstellen, mit eigenem Code und MCP entwickeln oder auf einer fertigen Plattform konfigurieren. Entscheidend ist, was zu deinen Daten, deinem Team und dem geplanten Betrieb passt. Der Vergleich unten hilft dabei.

5. Guardrails und menschliche Freigabe einbauen

Guardrails sind Regeln, die erlaubte Aktionen begrenzen und Ein- und Ausgaben prüfen. Lege fest, wann der Agent abbricht oder an einen Menschen übergibt, etwa wenn Informationen fehlen. Folgenreiche Aktionen wie das Versenden eines Angebots oder das Ändern von Kundendaten gibt ein Mensch frei. Protokolliere jeden Werkzeugaufruf, damit Ergebnisse nachvollziehbar bleiben.

6. Mit echten Fällen testen

Teste nicht mit erfundenen Beispielen, sondern mit abgeschlossenen Fällen aus deinem Alltag, auch mit unvollständigen und ungewöhnlichen Eingaben. Vergleiche die Ergebnisse des Agenten mit dem, was dein Team damals gemacht hat, und lege vorher fest, welche Abweichungen akzeptabel sind. Wiederhole die Tests nach jeder Änderung an Prompt, Modell oder Werkzeugen.

7. Betrieb und Monitoring aufsetzen

Überwache nach dem Start Fehler, Antwortzeiten, Kosten und den Korrekturaufwand deines Teams. Lege fest, wer Störungen behebt und wer Updates freigibt. Versioniere Werkzeuge, damit du bei Problemen auf einen funktionierenden Stand zurückkehren kannst. Miss die Zeitersparnis netto, also abzüglich der Zeit für Prüfung und Korrekturen.

n8n / Make vs. Code mit MCP vs. fertige Agent-Plattformen

n8n / Make

• Passt, wenn: der Ablauf weitgehend feststeht und KI einzelne Schritte übernimmt
• Aufwand: niedrig bis mittel: visueller Editor, wenig Code
• Kontrolle: mittel: vorhandene Bausteine, eigene Code-Schritte teils möglich
• Datenschutz & Hosting: n8n als Cloud oder Self-Hosting, Make als verwalteter Dienst
• Typische Stolperfallen: Workflows wachsen unübersichtlich, Fehlerbehandlung fehlt

Code mit MCP

• Passt, wenn: der Agent mehrere Systeme bedient, Werkzeuge flexibel wählt und dauerhaft produktiv läuft
• Aufwand: höher: Entwicklung, Tests und Betrieb brauchen ein Entwicklungsteam
• Kontrolle: hoch: Logik, Werkzeuge, Modellwahl und Logging liegen bei dir
• Datenschutz & Hosting: frei wählbar: EU-Cloud, On-Premise oder eigene Hardware
• Typische Stolperfallen: zu großer Start, Monitoring und Rechte kommen zu spät

Fertige Agent-Plattformen

• Passt, wenn: du schnell einen Assistenten in deinem bestehenden Software-Umfeld brauchst
• Aufwand: niedrig zum Start: Konfiguration statt Entwicklung
• Kontrolle: gering bis mittel: Funktionen und Modelle bestimmt der Anbieter
• Datenschutz & Hosting: beim Anbieter: Region, Auftragsverarbeitung und Datenflüsse prüfen
• Typische Stolperfallen: Abhängigkeit vom Anbieter, Anbindung eigener Systeme kann begrenzt sein

Kein Weg ist grundsätzlich besser, oft ist eine Kombination sinnvoll: Ein Workflow-Tool startet den Ablauf, ein Agent übernimmt die Schritte, die flexibel entschieden werden müssen. Unsere eigenen Agenten, etwa der Angebots-Agent, greifen über MCP auf Systeme zu, weil sie mehrere Werkzeuge kontrolliert bedienen.

Praxisbeispiel: So arbeitet unser Angebots-Agent

Bei Ahoi Kapptn! läuft seit 2025 ein Angebots-Agent produktiv. So sieht er entlang der sieben Schritte aus.

Die Aufgabe: Aus einer Projektanfrage ein vollständiges, prüfbares Angebot machen. Das Ergebnis ist klar definiert: ein Angebots-PDF im CRM.

Die Arbeitsschritte:

1. Der Agent erstellt eine Projektspezifikation.
2. Er vergleicht sie mit früheren Angeboten.
3. Er schätzt auf dieser Basis den Aufwand.
4. Er erzeugt das vollständige Angebots-PDF und legt es im CRM ab.

Die Werkzeuge dafür sind über MCP angebunden. Der Agent arbeitet also nur mit Funktionen, die wir ausdrücklich freigegeben haben.

Die Freigabe: Ein Mensch im Vertrieb prüft Inhalt, Kalkulation und Zusagen und gibt das Angebot frei. Erst danach wird es verschickt. Der Agent liefert den Entwurf, die Entscheidung bleibt beim Team.

Das Ergebnis: Das Angebots-PDF liegt in unter 60 Sekunden im CRM. Zusammen mit weiteren Admin-Workflows, etwa der Rechnungsvorbereitung, spart das rund 100 Stunden manuelle Arbeit pro Monat. Das ist ein Praxiswert aus unserem Betrieb, keine Prognose für dein Unternehmen.

Der Nutzen entsteht nicht, weil der Agent alles allein entscheidet, sondern weil er die Vorarbeit übernimmt und das Ergebnis an einer festen Stelle zur Prüfung vorlegt. Dasselbe Prinzip nutzt Toni, unser KI-Telefonassistent: Er nimmt Anrufe an, beantwortet, leitet weiter oder dokumentiert und greift dafür über einen MCP-Layer kontrolliert auf Systeme zu. Du kannst Toni unter +43 677 61279177 live testen.

Typische Fehler und wie du sie vermeidest

• Zu groß starten: Ein Agent „für den ganzen Vertrieb“ lässt sich weder testen noch messen. Fang mit einer Aufgabe an.
• Zu viele Rechte: Schreibrechte auf alle Systeme machen jeden Fehler teuer. Erweitere Rechte erst, wenn sich der Agent bewährt hat.
• Unaufgeräumtes Wissen: Veraltete oder widersprüchliche Dokumente führen zu überzeugend klingenden, falschen Ergebnissen. Kläre, wer die Quellen aktuell hält.
• Kein geregelter Abbruch: Ohne klare Übergabe rät ein Agent, wenn Informationen fehlen. Er soll nachfragen oder an einen Menschen übergeben.
• Demo statt Alltag: Vorbereitete Beispiele beweisen wenig. Echte, unordentliche Fälle zeigen die Schwächen.
• Kein Betrieb geplant: Modelle, Schnittstellen und Daten ändern sich. Ohne Monitoring fallen Verschlechterungen erst auf, wenn sich jemand beschwert.

Selbst bauen oder Hilfe holen?

Selbst bauen lohnt sich, wenn die Aufgabe intern bleibt, die Daten unkritisch sind und dein Team Zeit zum Lernen hat. Das Grundwissen dafür vermittelt die AI Masterclass, die unser CEO & Co-Founder Philipp Baldauf unterrichtet. Soll dein ganzes Team sicher mit KI arbeiten, passt eine KI-Schulung für Unternehmen.

Hilfe holen ist sinnvoll, wenn der Agent mehrere Systeme bedient, Kunden- oder Personaldaten verarbeitet, Freigaben braucht oder dauerhaft laufen soll. Dann entwickeln wir ihn im Rahmen unserer KI-Agenten-Entwicklung und begleiten auch den Betrieb. Weißt du noch nicht, welcher Anwendungsfall sich rechnet, startest du mit einer KI-Beratung.

Der Ablauf: Nach einem kostenlosen, unverbindlichen Erstgespräch klärt eine kompakte Discovery zum Fixpreis Umfang, Zeit und Budget. Die Umsetzung läuft als monatliches Team-Kontingent mit vorab bekannten Kosten.

Verwandte Leistungen

• KI-Agenten-Entwicklung
• KI-Automatisierung
• KI-Chatbots & RAG
• Local AI
• KI-Beratung
• KI-Schulung für Unternehmen

Starte mit einer Aufgabe, deren Ergebnis du prüfen kannst

Bring einen konkreten Ablauf ins Erstgespräch. Wir prüfen gemeinsam, ob ein Agent, ein Workflow oder ein Chatbot die richtige Lösung ist.