KI-Agent erstellen: Vom Use Case zum Betrieb

KI-Agent erstellen: Von der Aufgabe zum produktiven Agenten

Ein KI-Agent ist ein System, das eine Aufgabe eigenständig von Anfang bis Ende erledigt: Es plant, handelt und greift auf Werkzeuge zu, statt wie ein Chatbot nur auf einzelne Fragen zu antworten. Wer einen KI-Agenten erstellen will, braucht dafür keine riesige Softwareabteilung, sondern einen klar abgegrenzten Prozess, feste Regeln und eine messbare Erfolgsgröße. Der Rest ist Handwerk: Konzeption, Tool-Auswahl, Testing, Betrieb.

Meistens fängt die Reise viel banaler an — mit einem Chatfenster, das irgendwann an seine Grenzen stößt. Laut dem Fachportal Borncity setzen inzwischen 75 Prozent der Wissensarbeiter regelmäßig KI-Tools wie ChatGPT ein. Gleichzeitig sollen KI-Agenten, also Systeme, die eigenständig handeln statt nur zu antworten, laut derselben Quelle bis 2028 erst bei etwa 15 Prozent der täglichen Arbeitsentscheidungen tatsächlich die Wahl treffen, ausgehend von nahezu null im Jahr 2024. Zwischen "ChatGPT geöffnet haben" und "einen Agenten produktiv im Betrieb haben" liegt kein technisches Problem. Das ist ein kategorialer Unterschied — und den merken die meisten erst, wenn er richtig weh tut.

Der Frust fängt meistens hier an: Jemand tippt zum fünften Mal die gleiche Anfrage ins Chatfenster, korrigiert von Hand nach, kopiert das Ergebnis dann in ein anderes System. Das ist eben kein Bedienfehler. Reaktiv gebaut, so funktioniert ein Chatbot: Antwort auf Prompt, dann ist Schluss. Kein Gedächtnis über die Session hinaus. Kein Zugriff auf Werkzeuge. Keine Handlung ohne erneute Aufforderung.

Was ist ein KI-Agent? Die Grundlage, bevor Sie einen KI-Agenten erstellen

Ein Agent funktioniert anders. Er läuft, laut Evergreen Media, in einem kontinuierlichen Observe-Plan-Act-Zyklus: wahrnehmen, planen, handeln, wieder wahrnehmen, jeweils mit Gedächtnis und Zugriff auf externe Tools. Das Fraunhofer IAO definiert KI-Agenten entsprechend als zielgerichtete Systeme, die ihre Umwelt wahrnehmen, lernen, autonom handeln, kooperieren und komplexe Aufgaben eigenständig planen und entscheiden.

Wie das konkret aussieht, zeigt MIRA am Universitätsklinikum Heidelberg. Der medizinische Agent erfasst laut Science Media Center die Krankenhistorie, ordnet Tests an, wertet Ergebnisse aus, stellt eine Diagnose und leitet weitere Schritte ein: fünf Prozessschritte, autonom, ohne dass jemand zwischen jedem Schritt neu nachfragen muss.

Für Nicht-Entwickler reicht ein Satz: Ein KI-Agent ist kein Gesprächspartner, sondern ein digitaler Mitarbeiter, der eine Aufgabe von Anfang bis Ende selbstständig erledigt.

KI-Agent erstellen lohnt sich nur unter drei Bedingungen

Klingt gut, so ein digitaler Mitarbeiter. Aber lohnt er sich auch für Ihren Fall? Noch bevor auch nur eine Zeile Konzept geschrieben ist, lässt sich diese Frage beantworten — mit einem Filterraster, das Hype konsequent außen vor lässt. Drei Bedingungen müssen gleichzeitig erfüllt sein, damit sich KI-Agenten laut LISE überhaupt lohnen.

Kriterium 1: Volumen

Faustregel: mindestens 100 Vorgänge pro Woche. Fehlt eine davon, rechnet sich der Aufwand für Konzeption, Testing und Monitoring schlicht nicht. Zwei Mitarbeiter, dreimal die Woche, alles manuell erledigt? Dafür braucht es keinen Agenten. Er braucht halt eine Checkliste. Bei einem Kundenservice-Team, das täglich 30 bis 40 ähnliche Anfragen bearbeitet, ist diese Schwelle beispielsweise klar überschritten, bei einer internen HR-Anfrage, die zweimal im Monat auftaucht, dagegen nicht.

Kriterium 2: Klare Regeln statt Bauchgefühl

Nur was sich in Regeln fassen lässt, kann ein Agent auch ausführen. "Prüfe die Rechnung auf Plausibilität" ist eigentlich keine Regel, sondern eine Erwartung. Wenn die Entscheidung im Kopf einer erfahrenen Kollegin liegt und dort auch bleiben soll, weil sie situativ abwägt, ist der Prozess noch nicht reif für Automatisierung. Ein Beispiel aus der Praxis: "Rechnung ablehnen, wenn Betrag über 5.000 Euro und keine Kostenstelle hinterlegt ist" ist eine Regel. "Bitte mal genauer ansehen" ist keine.

Kriterium 3: Messbare Erfolgsmetriken

Fehlerquote, Durchlaufzeit, Kosten pro Vorgang. Ohne eine dieser Zahlen als Baseline wissen Sie hinterher nicht, ob der Agent tatsächlich etwas gebracht hat oder ob Sie sich das nur einreden. Schon eine simple Tabelle mit der aktuellen Bearbeitungszeit pro Vorgang reicht oft aus, um später den tatsächlichen Effekt sauber zu belegen.

Erfüllt Ihre Aufgabe alle drei? Dann lohnt sich der nächste Schritt. Erfüllt sie nur eine oder zwei, dürfen Sie das Vorhaben ruhig ablehnen, das ist die ehrlichere Antwort. Oft ist der bessere erste Schritt ohnehin, den Prozess selbst sauber zu machen, bevor überhaupt eine KI ins Spiel kommt. Deshalb lohnt sich vorher ein Blick auf Geschäftsprozesse automatisieren als vorgelagerte Übung.

Wer alle drei Kriterien erfüllt, darf laut LISE mit realistischen Zahlen rechnen: 30 bis 70 Prozent Aufwandsreduktion, Amortisation typischerweise zwischen sechs und 18 Monaten, vorausgesetzt der Prozess bewegt sich im fünfstelligen Jahresbudget. Alles darunter ist Bastelei, kein Business Case.

KI-Agent bauen in fünf Phasen: Vom Use Case zum produktiven Betrieb

Die drei Kriterien sind erfüllt, gut. Jetzt beginnt die eigentliche Arbeit, und genau hier scheitern die meisten Projekte, nicht an der Technik, sondern daran, dass niemand einen Fahrplan hat und alle gleichzeitig am Konzept, am Testing und am Rollout basteln. Laut LISE läuft ein produktiver Agenten-Einsatz in fünf klar getrennten Phasen.

Phase 1: Use Case definieren

Nicht "ein Agent für den Kundenservice", sondern ein konkreter Zieloutput: Welche Anfrage kommt rein, welches Ergebnis muss rauskommen, in welchem Format. Ohne dieses Zielbild wird jede spätere Phase zur Diskussion.

Phase 2: Tech-Stack wählen

Welches LLM, welche Plattform, welche Integrationen zu bestehenden Systemen. Diese Entscheidung kommt bewusst nach dem Use Case, nicht davor, sonst bauen Sie den Prozess um das Tool, statt das Tool um den Prozess.

Phase 3: Agent-Design

Rolle, Persona, Grenzen, Eskalationspfade. Was darf der Agent allein entscheiden, wo muss ein Mensch ran? Das ist die Phase, die am häufigsten übersprungen wird, mit teuren Folgen.

Phase 4: Testing mit echten Falldaten

Echte, hässliche Fälle aus dem eigenen Betrieb — nicht die sauberen Beispieldaten aus der Doku. Genau dort zeigen sich die Lücken.

Phase 5: Monitoring im Betrieb

Laut Salesforce braucht ein produktiver Agent vollständige Überwachung, kontinuierliches Lernen und Feedbackschleifen, kein einmaliges "fertig gebaut, läuft jetzt".

Als Zeitrahmen für die gesamte Pilotphase gelten laut Datacamp zwei bis drei Monate als realistisch, um Business Case, Wirksamkeit und Kinderkrankheiten sauber zu bewerten. Wer schneller sein will, überspringt eben eine Phase. Bezahlt wird das später doppelt.

KI-Agent erstellen: Schritt-für-Schritt-Anleitung für die Konzeption

Wie sieht das jetzt konkret aus, dieses Agent-Design aus Phase 3? Weil sie glauben, dafür bräuchte man einen Entwickler im Raum, steigen hier die meisten Geschäftsführer aus. Braucht man nicht. Die Konzeption ist Prozessarbeit, keine Programmierarbeit, und die können Sie selbst durchdenken, bevor überhaupt ein Techniker involviert wird.

Schritt 1: Aufgabe zerlegen, nicht den ganzen Job

Ein Wunsch ist das, kein Auftrag: "Der Agent soll den Kundenservice übernehmen." Zerlegen Sie die Aufgabe in einzelne Prozessschritte: Anfrage kategorisieren, Kundendaten abrufen, Antwort formulieren, an Mensch eskalieren, falls unklar. Fünf Teilschritte statt einem großen Job, genau wie bei MIRA, dem Agenten am Universitätsklinikum Heidelberg, der laut Science Media Center Krankenhistorie erfasst, Tests anordnet, Ergebnisse auswertet, Diagnose stellt und weitere Schritte einleitet. Fünf klar getrennte Handlungen, keine diffuse Gesamtaufgabe.

Schritt 2: Rolle und Persona festlegen

Was darf der Agent allein entscheiden, wo ist Schluss? Legen Sie das schriftlich fest, bevor eine Zeile Prompt geschrieben wird. Ein Agent, der Rechnungen prüft, darf zum Beispiel bis 500 Euro freigeben, alles darüber geht an einen Menschen. Diese Grenze ist keine Formsache, sie ist der Kern des Designs.

Schritt 3: Wissensbasis statt Modellwissen

Ein Sprachmodell weiß, was es im Training gesehen hat. Nicht, was in Ihrem CRM steht. Deshalb braucht ein produktiver Agent eine eigene Wissensbasis. Technisch bekannt als RAG, also Retrieval Augmented Generation. Vereinfacht: Der Agent durchsucht Ihre echten Dokumente, bevor er antwortet, statt sich auf sein trainiertes Bauchgefühl zu verlassen. Ohne diesen Schritt bekommen Sie ein selbstbewusstes Ratespiel, kein zuverlässiges System.

Schritt 4: Werkzeuge und Systemzugriffe definieren

Welche Systeme muss der Agent tatsächlich anfassen? CRM lesen, ERP schreiben, E-Mail-Postfach überwachen — jeder Zugriff ist eine bewusste Entscheidung. Kein Automatismus. Weniger ist hier fast immer besser. Drei saubere, klar definierte Werkzeuge reichen völlig — wartbarer als zehn halb durchdachte Schnittstellen.

Schritt 5: Prompting und Guardrails

Der letzte Schritt bestimmt, wie viel Vertrauen der Agent im Alltag bekommt. Ein Agent, der frei erfindet, ist schlimmer als gar keiner. Weil die Fehler eben nicht sofort auffallen. Guardrails heißt: klare Anweisungen, was der Agent bei Unsicherheit tun soll (nachfragen statt raten), und Quellenpflicht für jede Aussage. Wie sich solche Halluzinationen konkret vermeiden lassen, haben wir in einem eigenen Artikel zu Halluzinationen vermeiden durchgearbeitet. Kurzversion: Ohne Wissensbasis aus Schritt 3 und ohne diese Guardrails bauen Sie kein System, sondern einen sehr überzeugenden Zufallsgenerator.

Fünf Schritte, kein Code. Wer diese Fragen ehrlich beantwortet hat, ist weiter als die meisten Projekte, die direkt mit einem Tool starten.

KI-Agenten erstellen: Welche Tools brauchen Sie wirklich?

Die Tool-Frage kommt erfahrungsgemäß zu früh. Bevor die fünf Schritte aus der Konzeption überhaupt durchdacht sind, googeln Geschäftsführer schon "bester KI-Agent Builder". Falsche Reihenfolge. Das Werkzeug folgt dem Use Case, nie umgekehrt.

No-Code reicht für den klar abgegrenzten Workflow

Für einen einzelnen, sauber definierten Prozess, etwa Rechnung prüfen, Anfrage kategorisieren oder Termin buchen, reichen Plattformen wie n8n oder Microsoft Copilot Studio völlig aus. Kein Entwicklerteam nötig, keine eigene Infrastruktur. Sie verknüpfen Trigger, Logik und Systemzugriffe per Oberfläche und haben in Tagen statt Monaten einen funktionierenden Prototyp. Ein einfacher Rechnungsprüf-Agent auf einer solchen Plattform lässt sich häufig in ein bis zwei Wochen aufsetzen, inklusive Testing, bei überschaubaren monatlichen Lizenzkosten im niedrigen dreistelligen Bereich. Wer Sorge vor fehlenden Programmierkenntnissen hat: Dafür sind diese Tools gemacht.

Wann es einen individuellen Tech-Stack braucht

Sobald mehrere Agenten miteinander sprechen sollen, mehrere Systeme tief integriert werden müssen oder das Volumen jenseits dessen liegt, was eine No-Code-Plattform stabil verarbeitet, wird eine eigene Architektur nötig. Ein Agent übergibt Ergebnisse an den nächsten – klassisches Multi-Agent-Setup. Die meisten Baukästen sprengt das ziemlich schnell. Kein Nachteil der Tools. Eine Frage der Komplexität – die Sie ehrlich einschätzen müssen.

LLM-Auswahl: drei Kriterien, kein Bauchgefühl

Kosten pro Anfrage, Standort der Datenverarbeitung, für viele KMU ein Ausschlusskriterium, und Größe des Kontextfensters, also wie viel Text das Modell gleichzeitig verarbeiten kann. Kurze Anfragen im Kundenservice? Anderes Modell als bei einem Agenten, der ganze Vertragsdokumente durchsucht.

Woanders liegt aber der eigentliche Ausblick: Läuft ein Agent, folgt meist der zweite. Und der dritte. Aus dem Einzel-Tool wird eine Agenten-Landschaft im Unternehmen, orchestriert statt isoliert. Damit beginnt die eigentliche Skalierungsfrage.

KI-Agent erstellen: Governance, Datenschutz und das Vier-Augen-Prinzip

Rechnungen freigeben, Bewerbungen vorsortieren – das sind Entscheidungen mit echten Konsequenzen. Governance. Die zweite Baustelle, die in den meisten Projektpläeinen schlicht fehlt. Nur an Prompt und Workflow gedacht? Dann läuft das System zwar technisch, wackelt aber rechtlich.

Datenschutz: Wo landen die Daten?

Kundendaten, Personalakten, Vertragsdetails – sobald ein Agent darauf zugreift, ist die DSGVO im Spiel. Wo verarbeitet das LLM die Anfragen? Braucht es einen Auftragsverarbeitungsvertrag mit dem Anbieter? Liegt der Speicherort innerhalb der EU? Auf den Tisch gehören diese drei Fragen vor dem ersten Testlauf. Nicht danach.

EU AI Act: Wann wird aus einem Agenten ein Hochrisiko-System?

Nicht jeder Agent ist gleich riskant. Rechnungen kategorisieren ist eine Sache. Über Bewerbungen mitentscheiden eine ganz andere. Laut KI-im-Personalwesen können KI-Agenten im Recruiting, die Einstellungsentscheidungen beeinflussen, unter dem EU AI Act als Hochrisiko-System eingestuft werden, mit entsprechenden Dokumentations- und Prüfpflichten. Wer im HR-Bereich einen Agenten plant, sollte das früh mit dem Datenschutzbeauftragten klären, nicht als nachträgliche Korrektur.

Rollen klären, bevor der Agent live geht

Wer verantwortet die Prompts, wer die Datenfreigaben, wer das Monitoring? Im Ernstfall zeigen sonst drei Abteilungen aufeinander — deshalb braucht es ein sauberes Rollenmodell zwischen IT, Datenschutz und Fachbereich. Auch die Haftungsfrage gehört früh geklärt: Wenn ein Agent eine falsche Entscheidung trifft, haftet in der Regel das Unternehmen, das ihn einsetzt, nicht der Softwareanbieter. Kontrollmechanismen sind keine lästige Pflicht, sondern eine Absicherung. Noch ein Grund, das so zu sehen.

Vier-Augen-Prinzip für kritische Entscheidungen

Geld, Personal, Kundendaten — überall da gehört ein Mensch in den Eskalationspfad. Der Agent schlägt vor, ein Mensch bestätigt. Das kostet Sekunden, spart im Zweifel aber einen teuren Fehler. Laut Salesforce braucht produktiver Agenteneinsatz ohnehin vollständige Überwachung und Feedbackschleifen, das Vier-Augen-Prinzip ist einfach die menschliche Variante davon.

Kurz zur Einordnung: Was hier zu DSGVO und EU AI Act steht, ersetzt keine Rechtsberatung. Ob ein konkreter Agent tatsächlich als Hochrisiko-System gilt, welche Auftragsverarbeitungsverträge nötig sind oder wie die Dokumentationspflichten im Einzelfall aussehen, sollte im Zweifel mit einem Fachanwalt oder der zuständigen Datenschutzbehörde geklärt werden.

KI-Agent im Unternehmen skalieren: Vom Pilot-Agenten zur Agenten-Landschaft

Selten bleibt es bei einem einzigen Agenten. Er ist meist nur der erste Schritt zu etwas Größerem, und wer das ignoriert, baut sich unnötig Steine in den Weg.

Erst die Pilotgruppe, dann die Abteilung

Laut LISE sollten KMU mit fünf bis zehn Personen aus einem Team starten, bevor der Rollout auf die gesamte Abteilung folgt. Warum so klein? Weil Fehler in dieser Phase billig sein sollen. Zehn Leute, die zwei Monate mit dem Agenten arbeiten und ehrliches Feedback geben, sind wertvoller als eine Abteilung, die vom ersten Tag an frustriert ist, weil der Prozess noch ruckelt. In der Praxis dauert der Sprung von der Pilotgruppe zur vollen Abteilung häufig weitere zwei bis drei Monate: Zeit, die eingeplant werden sollte, statt sie als Verzögerung zu werten.

Vom Sachbearbeiter zum Supervisor

Der eigentliche Knackpunkt liegt woanders, und er ist selten technisch. Bisher hat man Rechnungen geprüft. Künftig prüft man, ob der Agent das richtig gemacht hat. Ein anderer Job, ja. Die einen empfinden das als Abwertung, die anderen als Entlastung. Nimmt man beides nicht ernst, scheitert der Rollout nicht am Tool — sondern an der Akzeptanz im Team.

Die Roadmap denkt in Landschaften, nicht in Einzelprojekten

Ein Agent im Kundenservice zieht fast automatisch die Frage nach sich: Warum nicht auch in Sales, Finance, HR? Wildwuchs aus Einzelprojekten, die am Ende nicht miteinander sprechen — genau davor schützt eine Roadmap. Wer diesen Weg strukturiert angehen will, findet in einer professionellen KI-Beratung für Unternehmen den passenden Rahmen dafür.

Wie so eine Landschaft in der Praxis aussieht, zeigen wir in unserem eigenen Agenten-Team im Betrieb, mit allen Kinderkrankheiten, die dazugehören. Realistische Erwartungen schlagen jede Hochglanz-Präsentation.

Fazit: KI-Agent erstellen – ist jetzt der richtige Zeitpunkt?

Also zurück zur Ausgangsfrage: Welche Aufgabe erfüllt bei Ihnen alle drei Kriterien? Mindestens 100 Vorgänge pro Woche, Regeln statt Bauchgefühl, eine Zahl, an der Sie den Erfolg später messen können. Wenn ja, ist die Entscheidung eigentlich schon gefallen, der Rest ist Handwerk.

Und Handwerk heißt hier: kein einmaliges Setup, das man anschaltet und vergisst. Einen KI-Agenten erstellen bedeutet konzipieren, mit echten Falldaten testen, überwachen, nachjustieren. Enttäuschung ist programmiert, wenn man das als Projekt mit Anfang und Ende versteht. Versteht man es dagegen als laufenden Betrieb, entsteht ein System, das nach zwei, drei Monaten tatsächlich trägt.

Immer derselbe teure Fehler: ein Agent für einen Prozess, der die Kriterien nicht erfüllt. Ein günstiges Experiment gibt es dabei nicht, nur ein teures.

Im Kopf ist eine konkrete Aufgabe — und die Frage, ob sie sich eignet? Genau dafür gibt es das Erstgespräch: zehn Minuten, Ihr Use Case gegen die drei Kriterien gehalten. Ehrlich. Auch wenn die Antwort manchmal Nein heißt.

Der Beitrag „KI-Agent erstellen: Vom Use Case zum Betrieb“ entstand mit KI-Unterstützung bei Recherche und Text. Christopher Kohn hat ihn redaktionell geprüft und verantwortet die Inhalte.