Was ist ein KI-Agent? Einfach erklärt für Berufstätige

Ein KI-Agent ist ein Programm, das ein KI-Modell (z.B. Claude oder ChatGPT) nutzt, um eigenständig mehrere Schritte hintereinander zu erledigen — Daten holen, entscheiden, handeln, prüfen. Anders als ein Chat: der Agent läuft im Hintergrund und liefert Ergebnisse, nicht Antworten.

TL;DR

• Klare Definition mit Vergleich zu Chat-Bots
• Drei konkrete Beispiele aus dem deutschen Berufsalltag
• Wann Agents Sinn machen — und wann nicht
• Welche Tools du für eigene Agents brauchst
• Erste-Schritte-Empfehlung

Video

#1 Was sind KI-Agenten wirklich? Was ChatGPT NICHT kann

Video

#2 Wie funktionieren Agenten technisch?

Definition: Agent vs. Chat-Bot

Stell dir den Unterschied zwischen einer Suchmaschine und einer persönlichen Assistenz vor.

Eine Suchmaschine beantwortet eine Frage. Du fragst, sie liefert. Frage rein, Antwort raus, Schluss. Das ist ChatGPT in seiner einfachsten Form: du tippst, das Modell antwortet, fertig.

Eine persönliche Assistenz bekommt einen Auftrag und führt ihn selbst zu Ende, in mehreren Schritten, mit eigenen Entscheidungen unterwegs. “Buch mir das günstigste Bahnticket nach München für Donnerstag, vergleich vorher mit dem Auto-CO2 und lass mich es bestätigen” — das sind drei Schritte plus eine Bewertung. Eine echte Assistenz erledigt das, ohne dich pro Schritt zu fragen.

Ein KI-Agent ist die Software-Version dieser Assistenz. Er bekommt einen Auftrag (oder einen Trigger wie “jeden Montag um 8 Uhr”), entscheidet selbst, welche Tools er nutzt, holt Daten, formuliert Ergebnisse, prüft Plausibilität — und meldet zurück, wenn er fertig ist oder steckenbleibt.

Drei konkrete Beispiele

Beispiel 1: Der Reporting-Agent

Du arbeitest im Online-Marketing. Jeden Montag schreibst du einen Wochenreport an die Geschäftsführung: Daten aus Google Analytics, Search Console, Meta Ads zusammenführen, Vorperiode vergleichen, Top-Risiken markieren, in PDF exportieren, per Mail rausschicken. Drei Stunden Arbeit. Jede Woche.

Ein Agent übernimmt das so: Trigger ist Montag 8:00. Der Agent holt automatisch die Rohdaten aus drei APIs, schickt sie an Claude mit der Anweisung “schreib einen 3-Absatz-Bericht plus Top-3-Risiken”, konvertiert das Ergebnis in PDF und versendet die Mail an einen vordefinierten Verteiler. Du bekommst den fertigen Report um 8:15 zur Freigabe oder Vorbeischreibe.

Beispiel 2: Der Bewerbungs-Triage-Agent

Du bist Recruiter im Mittelstand und bekommst pro offene Stelle 50-200 Bewerbungen. Manuell jede zu sichten: ein Tag Arbeit pro Stelle.

Ein Agent macht das so: Eingehende E-Mails mit Anhang werden ausgelesen, der Lebenslauf wird gegen die Stellen-Anforderungen abgeglichen (Claude bewertet, lokal — Bewerberdaten sind DSGVO-sensibel), und du bekommst eine sortierte Liste mit Match-Stufen plus Begründung. Du entscheidest weiterhin — aber nur über die Top-15, nicht über alle 200.

Beispiel 3: Der Wettbewerbs-Agent

Du verantwortest die Strategie eines E-Commerce-Shops. Du müsstest wöchentlich die Top-3-Wettbewerber checken: neue Produkte, neue Anzeigen, neue Pricing-Aktionen. Dafür ist meistens keine Zeit, also passiert es nicht.

Ein Agent macht das so: Jeden Sonntag scrapet er die definierten Public-Pages der Wettbewerber, vergleicht mit der Vorwoche und schickt dir Montag früh ein Briefing mit den drei wichtigsten Veränderungen plus Bewertung “ignorieren / beobachten / reagieren”. 30 Sekunden Lesezeit, statt 3 Stunden Recherche.

Wie ein Agent technisch aufgebaut ist

Vereinfacht besteht jeder Agent aus drei Teilen:

1. Trigger: Was startet den Agent? Ein Zeitplan (“jeden Montag 8:00”), ein eingehender Webhook (“neue E-Mail kam rein”), oder eine manuelle Aktion (“Button klicken”).

2. Schritte (Workflow): Was tut der Agent in welcher Reihenfolge? Daten holen, transformieren, Modell anrufen, Ergebnis bewerten, Output speichern oder versenden. Pro Schritt eine kleine, klar definierte Aufgabe.

3. Output: Wo landet das Ergebnis? Eine Mail, ein Notion-Eintrag, ein Slack-Post, eine PDF-Datei, ein Datenbank-Update.

Die meisten produktiven Agents kombinieren ein Workflow-Tool wie n8n (für Trigger und Datenfluss) mit einem KI-Modell wie Claude (für Bewertung und Text-Generierung) und einer SaaS-API (z.B. Notion, Stripe, Gmail) für Input und Output.

Wann ein Agent Sinn macht — und wann nicht

Lohnt sich:

• Aufgaben, die du mindestens wöchentlich wiederholst
• Aufgaben mit klar definierten Inputs und Outputs
• Mindestens 30 Min Zeitersparnis pro Lauf
• Aufgaben, bei denen Fehler toleriert oder leicht erkennbar sind

Lohnt sich nicht:

• Einmalige Aufgaben (Setup-Aufwand übersteigt die Ersparnis)
• Hochkreative Arbeit, bei der jeder Output wirklich anders ist
• Aufgaben mit ständig wechselnden Anforderungen (Wartung frisst die Ersparnis auf)
• Aufgaben mit hohen Fehlerkosten, wo Halluzination teuer würde

Faustregel: Eine Aufgabe erst manuell durchziehen, bis der Workflow stabil ist und du genau weißt, was raus muss. Erst dann automatisieren — sonst automatisierst du die falschen Schritte.

Welche Tools du brauchst

Für fertige Agents (z.B. Customer-Support-Bot, Sales-Assistent): meist eine SaaS-Plattform mit eingebauter KI-Schicht. Notion AI, Intercom Fin, ChatGPT-GPTs. Wenig Setup, schnell live, aber begrenzt anpassbar.

Für eigene Agents mit individuellen Workflows:

• n8n oder Make.com als Orchestrator (verbindet alle Schritte)
• Claude API oder ChatGPT API als KI-Modell (für Bewertung und Generierung)
• Optional: lokale Modelle (Ollama) für DSGVO-sensible Inputs
• Eine Datenquelle (CRM, Notion, Spreadsheet) und ein Output-Ziel (Mail, Slack, Datenbank)

Setup-Aufwand für den ersten produktiven Agent: 2-4 Stunden, wenn du n8n schon kennst. Wenn nicht: rechne mit 1-2 Tagen Lernkurve.

Was als Nächstes kommt

Wenn du noch nicht klar hast, ob KI-Agents in deinem Beruf sinnvoll sind: nutze den KI-Job-Mapper und schau dir die “Tasks”-Liste für deinen Beruf an. Jeder Task mit Komplexität “Quick Win” oder “Mittel” und Hollowing-Status “mostly automated” ist ein Agent-Kandidat.

Wenn du loslegen willst:

• n8n für Anfänger — Erster Workflow in 30 Minuten
• Claude Code Tutorial
• MCP-Server selbst bauen für tieferes Custom-Setup

Verwandte Themen

• n8n für Anfänger: Erster Workflow
• Hollowing Out: 7 Anzeichen, dass dein Job ausgehöhlt wird
• KI-Job-Mapper — wo dein Beruf konkret steht

Meine Einschätzung

Ich erkläre KI-Agents inzwischen mehrmals pro Woche — und die häufigste Reaktion ist: “Das klingt einfacher als ich dachte.” Genau das ist der Punkt. In meiner Praxis sehe ich, dass die größte Hürde nicht technisches Können ist, sondern die Vorstellung, dass man dafür Informatiker sein muss. Wer mit n8n einen ersten Workflow baut, hat in zwei Stunden ein funktionierendes Ergebnis, das konkreten Wert liefert. Was ich allerdings auch ehrlich sage: der Unterschied zwischen einem Demo-Agent und einem produktionsreifen Agent ist größer, als die meisten YouTube-Tutorials vermuten lassen. Der erste Agent ist schnell gebaut — ihn so robust zu machen, dass er monatelang ohne Aufsicht läuft, ist die eigentliche Arbeit.

Quellen

• Anthropic “Building Effective Agents” Documentatio