Wie Sie einen KI-Agenten ohne Programmierung erstellen: die Schritt-für-Schritt-Anleitung
Ein KI-Agent lässt sich in wenigen Stunden erstellen, ganz ohne Code, wenn Sie einer klaren Methode folgen. Rolle, Modell, Anweisungen, Tests: Diese Schritte entscheiden, ob am Ende ein Spielzeug oder ein Werkzeug steht, das wirklich arbeitet.
1. KI-Agent, Chatbot, Assistent: drei Begriffe, drei unterschiedliche Dinge
Ein Chatbot beantwortet eine Frage. Ein Assistent schlägt etwas vor, als Copilot. Ein KI-Agent handelt: Er bekommt ein Ziel, wählt seine Werkzeuge, führt reale Aktionen aus (eine E-Mail versenden, einen CRM-Datensatz aktualisieren, ein Dokument lesen, eine API auslösen) und meldet das Ergebnis zurück. Der Unterschied ist keine Frage des Grades, sondern der Art.
Diese drei zu verwechseln, kostet Zeit. Ein Agent, der auf 'antworten' konfiguriert ist, wo eigentlich 'handeln' erwartet wurde, enttäuscht immer. Bevor Sie ein Tool öffnen, stellen Sie sich die Frage: Soll das System antworten, oder soll es handeln? Die Antwort bestimmt die Architektur, die Wahl der Plattform und die nötigen Sicherheitsmechanismen.
Ein KI-Agent besteht aus drei Bausteinen. Das Sprachmodell verarbeitet die Anweisungen und trifft die Entscheidungen. Die Werkzeuge (APIs, Konnektoren, Dateizugriffe) erlauben ihm, auf externe Systeme einzuwirken. Das Gedächtnis, dauerhaft oder nicht, gibt ihm Zugriff auf den Kontext früherer Austausche. Fehlt einer dieser drei Bausteine, wird aus dem Agenten wieder ein Assistent oder ein einfacher Chatbot.
2. Starten Sie bei der Aufgabe, nicht beim Werkzeug
Die meisten aufgegebenen Agenten scheitern am selben Punkt: Ihr Ersteller hat beim Tool angefangen statt beim Bedarf. Bevor Sie überhaupt etwas öffnen, schreiben Sie einen Satz: 'Der Agent soll X aus Y machen und mir Z zurückmelden.' Konkretes Beispiel: 'Kundenfragen zu unseren Preisen anhand unserer PDF-Preisliste beantworten und mir strittige Fälle melden.'
Wenn Sie diesen Satz nicht formulieren können, sind Sie noch nicht bereit, den Agenten zu erstellen. Der richtige erste Agent übernimmt eine wiederkehrende Aufgabe mit bekannten Regeln und einem klaren Ausgabeformat. Vage Projekte ('ein Agent, der mein Marketing übernimmt') scheitern unabhängig vom Werkzeug. Fangen Sie klein an, belegen Sie den Nutzen, weiten Sie dann aus.
Drei Kriterien zeigen, ob eine Aufgabe für einen ersten Agenten geeignet ist. Sie wiederholt sich mindestens mehrmals pro Woche. Sie folgt stabilen Regeln ohne häufige Ausnahmen. Ihr Ergebnis lässt sich von einem Menschen in unter einer Minute prüfen. Sind alle drei Kriterien erfüllt, ist der Fall gut gewählt. Fehlt eines, schärfen Sie den Rahmen, bevor Sie irgendetwas konfigurieren.
3. Wählen Sie das Modell, das den Agenten trägt
Das Modell ist der Motor des Agenten, und die Motoren unterscheiden sich deutlich. Claude hält sich zuverlässig an lange Anweisungen und formuliert nüchternes Deutsch. GPT-4o bietet die größte Werkzeugpalette und ist nativ in AgentKit integriert, die visuelle No-Code-Oberfläche, die OpenAI im Oktober 2025 vorgestellt hat. Gemini verarbeitet umfangreiche Dokumente und Medien mühelos. Mistral liefert bei hohem Volumen ein günstiges Preis-Leistungs-Verhältnis, mit Daten, die in Europa gehostet werden. Copilot Studio lohnt sich vor allem, wenn Ihr Arbeitsalltag in Word und Excel stattfindet.
Wählen Sie nicht nach Ruf. Nehmen Sie drei reale Fälle aus Ihrer Aufgabe, geben Sie sie zwei oder drei Modellen mit derselben Anweisung, und vergleichen Sie die Ergebnisse. Genau das ist der Vorteil einer Multi-Modell-Oberfläche wie GPTPro: Der Vergleichstest dauert zehn Minuten statt drei separater Anmeldungen bei unterschiedlichen Anbietern.
Die laufenden Kosten gehören ebenfalls in die Rechnung. Ein Agent, der hundert Anfragen pro Tag mit einem Premium-Modell bearbeitet, kann sich im Monatsbudget spürbar bemerkbar machen. Schätzen Sie das Volumen, bevor Sie das Modell festlegen. Für Aufgaben mit hohem Volumen und einfachen Regeln reicht meist ein schlankes, günstigeres Modell. Die leistungsstärksten Modelle sollten komplexen oder seltenen Aufgaben vorbehalten bleiben.
4. Schreiben Sie Anweisungen, die tragfähig sind
Die Anweisungen (System-Prompt) sind Persönlichkeit und Gesetz des Agenten zugleich. Strukturieren Sie sie in vier Blöcke: die Rolle (wer der Agent ist, für wen er arbeitet), die Regeln (was er tut, was er ablehnt, welchen Ton er anschlägt), das Format (die genaue Struktur der erwarteten Antworten) und Beispiele (zwei oder drei ideale Antworten, entnommen aus Ihren besten realen Austauschen).
Zwei Fehler tauchen immer wieder auf. Der erste: vage Anweisungen wie 'sei professionell und hilfreich', die nichts wirklich festlegen. Der zweite: die Fehlerfälle vergessen. Sagen Sie dem Agenten explizit, was er tun soll, wenn er etwas nicht weiß: 'Wenn die Information nicht in den bereitgestellten Dokumenten steht, sage das offen und biete an, an einen Menschen weiterzuleiten.' Allein diese Regel eliminiert einen großen Teil der frei erfundenen Antworten.
Ein vierter, weniger offensichtlicher Fehler: widersprüchliche Anweisungen. Wenn eine Regel sagt 'antworte immer in weniger als drei Sätzen' und eine andere 'erkläre jeden Schritt im Detail', entscheidet der Agent selbst, und zwar unvorhersehbar. Lesen Sie Ihre Anweisungen vor dem Test noch einmal auf Widersprüche durch. Eine kurze, konsistente Anweisung schlägt eine lange, mehrdeutige.
5. Geben Sie ihm Ihre Daten, nicht sein allgemeines Wissen
Ein Modell antwortet standardmäßig aus seinem Training heraus: allgemeines Wissen, teils veraltet, nie spezifisch für Ihr Geschäft. Ein nützlicher Agent antwortet aus Ihren Dokumenten: Preisliste, interne Abläufe, FAQ, Musterschreiben. Hinterlegen Sie diese in der Konfiguration des Agenten (Praktiker nennen das RAG, retrieval-augmented generation) und verlangen Sie in den Anweisungen ausdrücklich, dass er sich darauf stützt.
Fangen Sie klein an: drei bis fünf saubere Dokumente sind mehr wert als vierzig widersprüchliche Dateien. Widersprechen sich zwei Dokumente, entscheidet der Agent unvorhersehbar. Räumen Sie zuerst auf, dann laden Sie hoch. Die Qualität der Eingangsdaten bestimmt die Qualität der Antworten.
Das Format der Dokumente zählt genauso wie ihr Inhalt. Ein gescanntes PDF ohne OCR ist für einen Agenten unlesbar. Eine Excel-Tabelle mit verbundenen Zellen führt zu fehlerhaften Extraktionen. Bevorzugen Sie strukturierten Text: Markdown, saubere Word-Dateien, CSV ohne komplexe Formatierung. Öffnen Sie ein Dokument vor der Einbindung in einem reinen Texteditor und prüfen Sie, ob der Inhalt lesbar ist.
6. Testen Sie wie ein unzufriedener Kunde
Der freundliche Test ('Hallo, was kosten Ihre Produkte?') beweist nichts. Testen Sie die kritischen Fälle: die Frage außerhalb des Zuständigkeitsbereichs, die Anfrage gegen die Regeln, die mehrdeutige Nachricht, das unvollständige Dokument, die Rabattanfrage, die der Agent gar nicht gewähren darf. Rund zehn reale Fälle aus Ihrer Historie reichen, um Schwachstellen aufzudecken.
Korrigieren Sie bei jeder Abweichung die Anweisungen, nicht das laufende Gespräch. Eine Korrektur im Gespräch verschwindet in der nächsten Sitzung. Eine Korrektur in den Anweisungen gilt für alle künftigen Austausche. Drei bis vier Durchläufe reichen meist, um einen Agenten auf einem klar definierten Bereich zu stabilisieren.
Dokumentieren Sie jeden Test und sein Ergebnis in einer einfachen Datei. Diese Spur dient zwei Zwecken: schnell die Ursache einer Regression finden, wenn Sie später die Anweisungen ändern, und die Grundlage für die Dokumentation legen, die der AI Act für Hochrisiko-Agenten verlangt. Wer sich diese Gewohnheit schon beim ersten Agenten angewöhnt, muss die Historie später nicht mühsam rekonstruieren.
7. GPTPro, n8n, Make: welches Werkzeug für welchen Agenten
Ein Konversationsagent (auf Anfrage eines Nutzers antworten, formulieren, analysieren) entsteht in GPTPro in wenigen Schritten, ohne Code, mit dem Vorteil, Modelle direkt an Ihren eigenen Fällen zu vergleichen. Das ist das richtige Werkzeug für die meisten Einzelbedarfe und kleinen Teams.
Eine Hintergrundautomatisierung (ein Postfach überwachen, Aktionen in einem CRM auslösen, Systeme ohne menschliches Eingreifen verketten) gehört in Werkzeuge wie n8n oder Make. Make hat im April 2025 Make AI Agents vorgestellt: Agenten, die ein in natürlicher Sprache formuliertes Ziel verstehen und Workflows in Echtzeit anpassen, komplett No-Code. n8n hat im August 2026 eigene 'n8n Agents' eingeführt: einmal definierte Agenten, wiederverwendbar im Chat, in Workflows, in Slack oder in der Planung. Viele Teams kombinieren beide Ansätze: GPTPro für die interaktive Arbeit, n8n oder Make für die automatisierte Verkabelung im Hintergrund, etwa im Zusammenspiel mit Systemen wie BMD oder Personio.
Das einfachste Auswahlkriterium: Wer löst den Agenten aus? Stellt ein Mensch eine Frage, reicht GPTPro. Löst ein Systemereignis aus (E-Mail-Eingang, Aktualisierung eines CRM-Datensatzes, Auslösung zu fester Uhrzeit), braucht es ein Automatisierungswerkzeug. Beide Fälle können in derselben Organisation nebeneinander bestehen, auf getrennten Bereichen.
8. DSGVO und AI Act: Was Sie vor dem Einsatz wissen müssen
Seit dem 2. August 2026 verpflichtet der AI Act dazu, jeden Nutzer darüber zu informieren, dass er mit einem KI-System interagiert. Erzeugte Inhalte müssen als solche gekennzeichnet werden. Das ist keine Option, sondern eine gesetzliche Pflicht für jeden Agenten, der gegenüber Dritten eingesetzt wird, auch für einen Support-Chatbot auf der eigenen Website.
Die Risikostufe hängt vom Anwendungsfall ab, nicht von der Eigenständigkeit des Agenten. Ein Agent zum Formulieren von E-Mails fällt unter begrenztes Risiko. Ein Agent, der Bewerbungen vorsortiert, etwa im Zusammenspiel mit einem HR-System wie Personio, oder ein Agent für Sales-Scoring fällt unter die Hochrisiko-Kategorie (Anhang III des AI Act): menschliche Aufsicht, Nachvollziehbarkeit und Dokumentation sind dann Pflicht. Aufsichtsbehörden in Österreich wie die Datenschutzbehörde (DSB) beobachten dieses Thema aufmerksam. Eine der bislang detailliertesten Einordnungen stammt von der französischen CNIL, die im Juli 2026 gemeinsam mit dem CIANum ein Grundsatzpapier zu agentischer KI und personenbezogenen Daten veröffentlicht hat, mit Aussagen zu Risiken durch dauerhaftes Gedächtnis und komplexe Verarbeitungsketten, die aufgrund der gemeinsamen DSGVO-Grundlage auch für österreichische Unternehmen relevant sind. Schließen Sie vor dem Einsatz einen Auftragsverarbeitungsvertrag (AVV) mit Ihrer SaaS-Plattform, minimieren Sie die verarbeiteten Daten und sehen Sie eine menschliche Kontrollstelle für Entscheidungen mit Auswirkung vor.
Ein dauerhaftes Gedächtnis verdient besondere Aufmerksamkeit. Ein Agent, der die Historie über mehrere Sitzungen hinweg speichert, sammelt im Laufe der Zeit personenbezogene Daten an. Prüfen Sie die Aufbewahrungsrichtlinie Ihrer Plattform, legen Sie eine Speicherdauer fest, die zu Ihrer DSGVO-Praxis passt, und sehen Sie einen Löschmechanismus auf Anfrage vor. Dieser Punkt wird in der CNIL/CIANum-Note vom Juli 2026 ausdrücklich angesprochen.
Einen KI-Agenten ohne Code zu erstellen, läuft über fünf Schritte: eine präzise Aufgabe, ein an Ihren realen Fällen getestetes Modell, strukturierte Anweisungen mit ihren Fehlerfällen, Ihre eigenen Dokumente als Kontext und harte Tests vor dem Livegang. Rechnen Sie für einen ersten, tragfähigen Agenten mit einem halben Arbeitstag.
Der beste Startpunkt ist ein einfacher, häufiger Fall. Der erste Agent, der Ihnen zwanzig Minuten am Tag spart, rechtfertigt alle weiteren. In GPTPro erfolgt die Konfiguration ohne Code, mit der Wahl des Modells, das zu Ihrer Aufgabe passt.
Häufig gestellte Fragen
Kann man wirklich einen KI-Agenten ohne Programmierung erstellen?
Ja, sofern der Rahmen richtig gewählt ist. Werkzeuge wie GPTPro, Make AI Agents oder AgentKit von OpenAI erlauben es, einen Agenten in natürlicher Sprache zu konfigurieren, ohne eine Zeile Code zu schreiben. 'Ohne Code' bedeutet nicht 'ohne Methode': Das Formulieren der Anweisungen, die Auswahl der Dokumente und die Tests bleiben unverzichtbar. Ein schlecht konfigurierter No-Code-Agent funktioniert genauso schlecht wie ein schlecht programmierter.
Was unterscheidet einen KI-Agenten von einem Chatbot?
Ein Chatbot beantwortet Fragen nach einem Skript oder Modell. Ein KI-Agent handelt: Er bekommt ein Ziel, wählt seine Werkzeuge, führt reale Aktionen aus (CRM-Aktualisierung, E-Mail-Versand, Dokumentenlesen) und meldet das Ergebnis zurück. Der Unterschied ist operativ: Der Agent kann Effekte in Ihren Systemen auslösen, der Chatbot nicht.
Wie lange dauert es, den ersten funktionsfähigen Agenten zu erstellen?
Bei einem klar abgegrenzten Bereich (eine Aufgabe, klare Regeln, saubere Dokumente) reicht ein halber Arbeitstag für einen stabilen ersten Agenten. Der Großteil der Zeit fließt in das Formulieren der Anweisungen und das Testen der Grenzfälle, nicht in die Konfiguration des Werkzeugs selbst. Ein unklarer Rahmen oder widersprüchliche Dokumente verlängern diese Zeit deutlich.
Wie geht man mit der DSGVO um, wenn man einen KI-Agenten einsetzt?
Drei Grundregeln: einen Auftragsverarbeitungsvertrag (AVV) mit der genutzten SaaS-Plattform abschließen, die vom Agenten verarbeiteten personenbezogenen Daten minimieren und Nutzer darüber informieren, dass sie mit einem KI-System interagieren (Pflicht laut AI Act seit dem 2. August 2026). Für Hochrisiko-Agenten (HR, Scoring) sind menschliche Aufsicht und Nachvollziehbarkeit der Entscheidungen zwingend vorgeschrieben. Die Note von CNIL und CIANum aus dem Juli 2026 beschreibt die spezifischen Risikopunkte agentischer KI im Detail.
Braucht man ein technisches Profil, um einen KI-Agenten zu erstellen, oder kann eine Fachabteilung das allein?
Eine Fachabteilung kann einen Konversationsagenten ohne technische Kompetenz auf No-Code-Plattformen erstellen und pflegen. Fachwissen ist dabei sogar ein Vorteil: Es erlaubt, präzise Anweisungen zu schreiben und die richtigen Grenzfälle zu testen. Technisches Know-how wird bei komplexen Integrationen nötig (Anbindung an ein proprietäres CRM, Workflows über mehrere Systeme) oder bei Hochrisiko-Agenten, die eine formale Dokumentation verlangen.
