KI-Agent erstellen: So baust du deinen eigenen KI-Agenten

Was ist ein KI-agent und wie kann er dir helfen, bei der Arbeit Zeit und Nerven zu sparen?
Genau das, erfährst du in diesem Beitrag.

Was ist ein KI-Agent?

Ein KI-Agent ist ein intelligentes System, das automatisierte Prozesse ausführt. Im Gegensatz zu einfachen Chatbots kann ein KI-Agent:

• Informationen aus verschiedenen Quellen abrufen und verarbeiten
• Eigenständige Entscheidungen auf Basis von Regeln oder Datenanalysen treffen
• Prozesse automatisieren, ohne dass ein Mensch direkt eingreifen muss

Beispiele für KI-Agenten sind:

• Kundensupport-Agenten, die automatisch Fragen beantworten
• Datenanalyse-Agenten, die Berichte auswerten
• Marketing-Agenten, die Kundenprofile analysieren und Zielgruppen bestimmen

Was kostet ein KI-Agent bei OpenAI?

Die Kosten für einen KI-Agenten hängen davon ab, welche Technologie du nutzt:

• ChatGPT Plus (Custom GPTs): 20 US-Dollar pro Monat
  
  
• GPT-4 API: Kosten hängen von der Anzahl der verarbeiteten Wörter ab (sogenannte Tokens). Preise beginnen bei 0,01 US-Dollar pro 1.000 Eingabetokens und 0,03 US-Dollar pro 1.000 Ausgabetokens
  
  
• Komplexere KI-Agenten mit mehreren Schnittstellen und Automatisierungen: Je nach API-Nutzung und Serverkosten variabel

Wenn du nur einfache Aufgaben erledigen möchtest, reicht ein Custom GPT innerhalb von ChatGPT oft aus. Falls dein KI-Agent mit externen Systemen interagieren soll, benötigst du eine API-gestützte Lösung, die mehr Kosten verursacht.

Schritt 1: Den Anwendungsbereich festlegen

Bevor du einen KI-Agenten erstellst, solltest du überlegen, wofür er eingesetzt werden soll. Hier einige Beispiele:

1. Kundendaten finden und anreichern

Ein Unternehmen möchte wissen, welche potenziellen Kunden am besten zu seinen Produkten passen. Ein KI-Agent kann:

• Informationen aus öffentlichen Datenquellen oder CRM-Systemen abrufen
• Fehlende Daten wie Telefonnummern oder E-Mail-Adressen ergänzen
• Kunden nach bestimmten Kriterien kategorisieren (z. B. nach Kaufinteresse oder Unternehmensgröße)

2. Lead Scoring für den Vertrieb

Lead Scoring ist eine Methode zur Bewertung von potenziellen Kunden (Leads). Ein KI-Agent kann:

• Interaktionen analysieren (z. B. ob jemand eine E-Mail geöffnet hat)
• Demografische Daten auswerten (Branche, Unternehmensgröße)
• Ein Scoring-Modell anwenden, um Leads in Kategorien wie „heiß“, „warm“ oder „kalt“ einzuteilen

3. Automatische Bearbeitung von Kundenanfragen

Ein Kundenservice-Agent kann:

• Anfragen aus E-Mails oder Chats analysieren
• Antworten automatisch generieren
• Tickets in einem Helpdesk-System anlegen und priorisieren

Schritt 2: Eine Plattform auswählen

Es gibt verschiedene Plattformen, um KI-Agenten zu erstellen. Zwei der bekanntesten sind Relevance AI und Custom GPTs von OpenAI.

Option 1: KI-Agent mit Relevance AI erstellen

Relevance AI ist eine Plattform, mit der du leistungsstarke KI-Agenten bauen kannst – ganz ohne Programmierkenntnisse. Besonders spannend: Du kannst entweder mit vorgefertigten Templates arbeiten oder mithilfe von A. Interception in Kombination mit ChatGPT deinen eigenen, maßgeschneiderten Agenten erstellen.

Wie funktioniert das?

1. Registrierung bei Relevance AI
   
   Die Anmeldung ist in wenigen Minuten erledigt. Danach bekommst du direkten Zugriff auf das Dashboard mit einer umfangreichen Template-Bibliothek und einem visuellen Workflow-Builder.
   
   
2. Template auswählen – oder eigenen Agenten bauen
   
   Relevance AI stellt dir eine Reihe praxisnaher Vorlagen zur Verfügung. Hier ein paar der hilfreichsten:
   
   Customer Feedback Classifier
   Analysiert Rückmeldungen von Kund:innen (z. B. aus E-Mails, Umfragen oder Rezensionen) und sortiert sie automatisch in Kategorien wie „Produktkritik“, „Lob“ oder „Feature-Wunsch“. Du bekommst so einen strukturierten Überblick, ohne dich durch Einzelkommentare wühlen zu müssen.
   
   ChatGPT Agent mit Memory
   Ein intelligenter Chatbot, der sich Gesprächsverläufe merkt. Ideal für Support- oder Vertriebs-Setups, in denen es wichtig ist, dass der Bot weiß, was vorher schon besprochen wurde – und kontextbezogen antwortet.
   
   Social Media Analyzer
   Dieser Agent analysiert Kommentare und Erwähnungen auf Plattformen wie Instagram, LinkedIn oder X (ehem. Twitter). Er erkennt Stimmung, Themen, Kritik oder potenzielle Shitstorms – ideal fürs Marketing oder Community-Management.
   
   AI Data Labeler
   Automatisiert das Taggen von großen Textmengen – z. B. Kundenbewertungen oder Supportanfragen. Statt händisch Labels zu vergeben, lässt du den Agenten vorschlagen, worum es in einem Text geht. Das spart Zeit und bringt Konsistenz.
   
   Survey Insights Extractor
   Wenn du offene Textantworten aus Umfragen auswerten willst, ist dieser Agent ideal. Er erkennt wiederkehrende Themen, gruppiert ähnliche Antworten und liefert strukturierte Erkenntnisse – ohne dass du hunderte Antworten durchlesen musst.
   
   
   
3. Eigene Prompts definieren – mit A. Interception
   
   Du willst keinen Standard-Agenten, sondern etwas Maßgeschneidertes? Kein Problem:
   
   Mit A. Interception ; ) nutzt du ChatGPT als Assistenz, um dir den optimalen Prompt für deinen Relevance-AI-Agenten generieren zu lassen. Du beschreibst in einfachen Worten, was dein Agent tun soll
   
   – z. B.: „Ich brauche einen KI-Agenten, der Supportanfragen nach Dringlichkeit und Thema klassifiziert – und dabei erkennt, ob eine Eskalation nötig ist.“
   
   ChatGPT erstellt daraus einen strukturierten Prompt, den du direkt in Relevance AI einfügen kannst. So sparst du dir mühsames Trial-and-Error und bekommst einen Agenten, der genau das tut, was du brauchst.
   
   
4. Datenquellen verknüpfen
   
   Dein Agent kann mit echten Daten arbeiten – z. B. aus:
   
   
   • Google SheetsAPIsCSV-DateienTools wie Notion, Airtable oder Supabase
   
   Dadurch lässt sich Relevance AI problemlos in deine bestehende Infrastruktur integrieren.

Beispiel: Supportanfragen automatisch verarbeiten

Ein SaaS-Unternehmen erhält täglich zahlreiche Kundenanfragen per E-Mail. Statt alles manuell zu sortieren, setzt das Team einen individuellen Relevance-AI-Agenten ein. Mithilfe von A. Interception wird der Prompt erstellt: Der Agent erkennt, ob die Nachricht dringend ist, worum es geht (z. B. Rechnung, Fehler, Feature-Wunsch) und leitet entsprechend weiter – inklusive Eskalation bei kritischen Themen. Ergebnis: weniger Aufwand, schnellerer Support, zufriedenere Kund:innen.

Option 2: Custom GPTs von OpenAI als günstigere Alternative

Wenn du keinen komplexen KI-Agenten brauchst, sondern nur eine spezialisierte Lösung, kannst du Custom GPTs von OpenAI nutzen.

Vorteile:

• Kein technisches Wissen erforderlich
• Individuell anpassbar mit eigenen Anweisungen
• Kann Dokumente hochladen und daraus lernen

So funktioniert es:

1. Gehe zu ChatGPT und wähle „Explore GPTs“
2. Erstelle einen neuen Custom GPT mit spezifischen Anweisungen
3. Lade Daten hoch, falls nötig (z. B. Kundenlisten oder Produktinformationen)
4. Teste und optimiere die Antworten des KI-Agenten

Beispiel: Ein Unternehmen erstellt einen Custom GPT, der als interner Assistent für Vertriebsmitarbeiter dient. Der KI-Agent beantwortet Fragen zu Produkten, sucht Kundendaten aus einer Datenbank und schlägt Verkaufstaktiken vor.

Schritt 3: Den KI-Agenten in bestehende Systeme integrieren

Ein KI-Agent entfaltet sein volles Potenzial erst, wenn er mit anderen Systemen verbunden wird.

1. Webhooks nutzen

Ein Webhook ist eine Schnittstelle, mit der ein KI-Agent automatisch auf Ereignisse reagieren kann.

Beispiel:

• Ein Kunde füllt ein Kontaktformular aus
• Der KI-Agent analysiert die Daten und entscheidet, ob der Kunde sofort vom Vertrieb kontaktiert werden sollte
• Falls ja, sendet der Webhook eine Nachricht an das CRM-System

2. API-Verbindungen herstellen

Falls dein KI-Agent Daten aus anderen Anwendungen abrufen oder speichern soll, kannst du APIs nutzen.

Beispiel:

• Ein KI-Agent kann Kundendaten aus einem CRM wie HubSpot oder Salesforce abrufen
• Er kann automatisch neue Leads eintragen und bewerten

3. No-Code-Tools wie Zapier oder Make nutzen

Falls du keine eigenen Schnittstellen programmieren willst, kannst du No-Code-Plattformen verwenden.

Beispiel:

• Ein Unternehmen nutzt Zapier, um eine Verbindung zwischen ChatGPT und Google Sheets herzustellen
• Der KI-Agent analysiert Anfragen aus E-Mails und trägt relevante Informationen automatisch in eine Tabelle ein

Schritt 4: Weitere Plattformen für KI-Agenten

Neben OpenAI und Relevance AI gibt es viele weitere Plattformen zur Erstellung von KI-Agenten:

Schritt 1: Den richtigen Anwendungsfall für deinen KI-Agenten finden

Bevor du loslegst, überlege dir, welche Aufgabe dein KI-Agent übernehmen soll. Hier sind drei weitere spannende Anwendungsfälle:

Automatisierte Audits und Berichte per E-Mail versenden

Ein KI-Agent kann regelmäßig Audits durchführen und die Ergebnisse automatisch an dein Team senden.

• Daten sammeln – Der Agent überprüft zum Beispiel Sicherheitsrichtlinien oder Compliance-Vorgaben.
  
• Analyse durchführen – Die gesammelten Daten werden geprüft und mit früheren Werten verglichen.
  
• Bericht generieren – Eine KI erstellt eine verständliche Zusammenfassung.
  
• Automatische E-Mail senden – Der Bericht geht direkt an die Verantwortlichen.

Du kannst damit IT-Sicherheitsaudits automatisieren oder Umsatzberichte für dein Team generieren.

KI-Agenten zur gegenseitigen Überprüfung und Korrektur

Ein KI-Agent kann die Ergebnisse eines anderen Agenten überprüfen und korrigieren, um Fehler zu minimieren.

Beispiel:

• Agent 1 analysiert Kundenfeedback und kategorisiert es in positiv, neutral und negativ.
  
• Agent 2 überprüft die Einordnung und gleicht sie mit früheren Bewertungen ab.
  
• Falls die Kategorien nicht übereinstimmen, wird eine Korrektur vorgeschlagen oder automatisch vorgenommen.

Das ist ideal für Datenanalysen, Finanzberichte oder Content-Qualitätssicherung.

Kunden-E-Mails automatisch beantworten und nachfassen

Mit einem KI-Agenten kannst du automatisch auf Kunden-E-Mails reagieren und nachverfolgen, ob sie gelesen wurden.

• Ein Kunde sendet eine Anfrage per E-Mail.
• Der KI-Agent liest die Nachricht, analysiert den Inhalt und wählt die passende Antwort.
• Er sendet eine personalisierte E-Mail zurück – zum Beispiel mit passenden Infos oder Links.
• Falls der Kunde nicht reagiert, schickt der Agent automatisch eine Erinnerungs-Mail.

Das spart dir eine Menge Zeit im Kundenservice oder Vertrieb.

Vergleich: Relevance AI vs. n8n – welche Plattform ist besser

Sowohl Relevance AI als auch n8n helfen dir dabei, KI-Agenten zu erstellen, aber es gibt einige Unterschiede:

Relevance AI – Der No-Code-Weg

• Ideal für Anfänger – Einfache, visuelle Oberfläche ohne Programmierkenntnisse
• Vorgefertigte KI-Agenten – Schnelle Implementierung durch Templates
• Gute KI-Integration – Speziell für datenbasierte Automatisierungen

n8n – Der Entwickler-freundliche Ansatz

• Mehr Kontrolle – Erlaubt komplexe Workflows mit vielen API-Integrationen
• Open-Source – Du kannst deine eigenen Skripte und Erweiterungen nutzen
• Mehr Freiheit bei Automatisierungen – Perfekt für technisch versierte Nutzer

Wenn du schnell und einfach einen KI-Agenten bauen willst, ist Relevance AI die bessere Wahl. Wenn du eine hochgradig anpassbare Lösung brauchst und bereit bist, etwas mehr Zeit zu investieren, dann ist n8n eine spannende Alternative.

Beispiel: Lead Scoring mit einem KI-Agenten

Angenommen, du bekommst täglich viele Anfragen über deine Webseite. Nicht alle sind gleich wertvoll. Ein KI-Agent kann:

• Die Kundendaten auslesen – Wer hat angefragt? Welche Branche? Wie groß ist das Unternehmen?
• Das Verhalten bewerten – Hat die Person deine E-Mail geöffnet? Hat sie sich die Preisübersicht angesehen?
• Einen Score vergeben – Kunden mit hoher Relevanz bekommen zum Beispiel 90 von 100 Punkten.
• Dein Vertriebsteam benachrichtigen – Damit sich dein Team auf die besten Leads konzentriert.

Das spart Zeit und sorgt dafür, dass du dich auf die wirklich wichtigen Kunden konzentrierst.

Der feine Unterschied zwischen Automatisierung und AI

Künstliche Intelligenz, KI-Agenten und Automatisierung werden oft in einem Atemzug genannt – dabei lohnt sich ein genauer Blick auf die Unterschiede. Einfache KI erkennt Muster. Sie kann Bilder sortieren, Texte zusammenfassen oder Sprache erkennen.

Alles nützlich, aber passiv. Automatisierung geht einen Schritt weiter: Sie führt wiederkehrende Abläufe zuverlässig aus – ganz ohne Intelligenz. Denken wir an eine Excel-Makro-Schleife oder einen Roboterarm in der Produktion. KI-Agenten dagegen kombinieren beides: Sie erkennen Muster und handeln aktiv. Sie treffen Entscheidungen, lernen aus Feedback, verfolgen Ziele. Ein Agent fragt nicht nur „Was sehe ich?“, sondern auch „Was soll ich jetzt tun?“

Nehmen wir die einfache KI: Sie arbeitet datenbasiert, aber reaktiv. Ein klassisches Beispiel ist die Texterkennung (OCR). Du scannst ein Dokument, und die KI wandelt das Bild in digitalen Text um. Keine Entscheidung, keine Aktion – nur Verarbeitung.

Auch ein Spam-Filter fällt in diese Kategorie: Er erkennt Muster im Text und entscheidet, ob eine Mail in den Müll wandert. Das ist hilfreich, aber limitiert – die KI folgt festen Regeln und lernt meist nur im Rahmen ihrer Trainingsdaten.

Automatisierung wirkt dagegen oft intelligenter, ist aber streng regelbasiert. Ein Beispiel: Ein E-Mail-Bot, der automatisch Rechnungen aus dem Posteingang zieht, in eine Datenbank überträgt und zur Freigabe weiterleitet.

Hier ist keine Intelligenz im Spiel, sondern ein festgelegter Ablauf. Sobald etwas Unerwartetes passiert – etwa ein neues Rechnungsformat – scheitert das System.

KI-Agenten brechen genau aus diesem starren Rahmen aus. Sie agieren in dynamischen Umgebungen und treffen Entscheidungen auf Basis von Zielen.

Ein Beispiel: Ein Vertriebs-KI-Agent, der Kundenverhalten analysiert, selbstständig die nächsten Schritte plant, Termine vorschlägt und bei Bedarf mit einem CRM-System interagiert. Er lernt mit jeder Interaktion dazu und passt sein Verhalten an – ähnlich wie ein menschlicher Kollege, nur eben digital.

Der Unterschied liegt also nicht nur in der Technik, sondern in der Haltung: Reagieren vs. Handeln, Regeln folgen vs. Ziele verfolgen.

Fazit: So baust du dir deinen eigenen KI-Agenten

Mit Tools wie Relevance AI oder n8n brauchst du heute keine Zeile Code mehr zu schreiben, um leistungsstarke KI-Agenten zu bauen. Beide Plattformen bieten visuelle Oberflächen, mit denen du dir Workflows zusammenklicken kannst – ob du Daten analysieren, Entscheidungen automatisieren oder Kundenanfragen intelligent beantworten willst. Der entscheidende Vorteil: Du sparst Zeit bei wiederkehrenden Aufgaben, schaffst Freiräume für strategische Themen und machst deine Prozesse robuster.

Relevance AI ist besonders stark, wenn es um das Erstellen von intelligenten Analyse-Agenten geht – etwa zur Auswertung von Textdaten, zur Klassifizierung von Kundenfeedback oder zur Automatisierung ganzer Research-Prozesse. n8n dagegen glänzt als Workflow-Automatisierer mit KI-Integration: Du kannst verschiedene Tools (z. B. ChatGPT, Slack, Google Sheets) miteinander verbinden und deine eigenen Automationen mit KI-Logik anreichern – ganz ohne Programmiererfahrung.

Mein Tipp: Probiere beide aus. Sowohl Relevance AI als auch n8n bieten kostenlose Versionen zum Testen. So bekommst du schnell ein Gefühl dafür, welcher Ansatz besser zu deinem Workflow passt – und wo dir die größten Hebel für Automatisierung und Effizienzgewinn winken.

Hast du Fragen oder brauchst Unterstützung? Schreib mir eine E-Mail an info@textundwert.de – ich helfe dir gerne weiter.