Ein Agent, der Rechnungen aus dem Postfach holt, prüft und in der Buchhaltung ablegt. Einer, der Kundenanfragen liest, im CRM nachschlägt und eine Antwort vorbereitet. Einer, der jeden Morgen die Neuigkeiten zu drei Mitbewerbern zusammenfasst. KI-Agenten sollen solche Abläufe selbstständig erledigen: Sie planen Schritte, rufen andere Programme auf und entscheiden, was als Nächstes passiert. Die Tools zum Bauen reichen vom Baukasten, in dem eine Fachabteilung ohne Programmierung arbeitet, bis zum Framework für Entwickler. Entscheidend ist weniger, wie beeindruckend die erste Vorführung wirkt, als ob der Agent im Alltag verlässlich läuft: ob du nachvollziehen kannst, was er getan hat, ob er vor heiklen Schritten fragt und was jeder Durchlauf kostet.
Unsere Favoriten zum Erstellen von KI-Agenten
Für die Auswahl zählen Marktverbreitung, unsere redaktionelle Prüfung, unabhängige Testergebnisse, Erfahrungen aus der Praxis und die rechtlichen Anforderungen für den Einsatz in der EU. Die Note stammt aus unserem Testbericht zum jeweiligen Tool und bewertet Produktivität, Benutzerfreundlichkeit und Kundensupport, also das Tool insgesamt und nicht nur für diesen Zweck.
Make
Den Agenten setzt Make als Baustein in ein Szenario, das du ohnehin baust. Er holt Informationen ein, bewertet sie und löst quer durch die angebundenen Dienste Aktionen aus, während Router und Filter den Rahmen vorgeben. Jeder Schritt bleibt sichtbar, das erleichtert die Fehlersuche. Make zählt einen Credit je Schritt: Der Gratistarif bringt 1.000 im Monat, Core ab 12 Dollar bringt 10.000. Zwölf Schritte, stündlich ausgeführt, ziehen rund 8.600 Credits im Monat. Der Anbieter Celonis sitzt in Deutschland und betreibt Server in der EU, Oberfläche und Support gibt es nur auf Englisch. Im eigenen Haus betreibst du n8n.
n8n
Bei n8n sitzt der Agent mitten im Ablauf, zwischen Auslöser, Anbindungen und Folgeschritten, und welches Sprachmodell er nutzt, bestimmst du selbst. Den ganzen Betrieb kannst du auf eigene Hardware holen, der Anbieter sitzt in Deutschland. Gezählt werden Durchläufe statt einzelner Schritte, lange Agentenläufe treiben die Rechnung also nicht. Starter kostet 20 Euro im Monat für 2.500 Durchläufe, Pro 50 Euro für 10.000, danach klafft eine Lücke bis 667 Euro für Business. Die Nutzerzahl bleibt in allen Cloud-Tarifen offen. Die Lernkurve ist steil, die Dokumentation technisch und nur auf Englisch. Ohne technisches Personal fährst du mit Make besser.
Zapier
Taucht deine Branchensoftware sonst nirgends auf, entscheidet bei Zapier oft schon die Liste: über 9.000 angebundene Anwendungen mit mehr als 66.000 Auslösern und Aktionen. Einen Agenten beschreibst du in normaler Sprache, danach greift er auf dieselben Anbindungen zu wie jeder Zap. Die Zähleinheit kostet dich dafür: Als Aufgabe zählt jeder erfolgreiche Schritt, gratis gibt es 100 im Monat, Professional beginnt bei 19,99 US-Dollar mit 750. Agenten laufen zusätzlich über eigene Aktivitäten. Ein Agent, der mehrere Systeme abfragt, wird damit schneller teuer als bei Make. Betrieben wird auf AWS in den USA, eine EU-Region bietet Zapier nicht.
Lindy
Posteingang sortieren, Termine abstimmen, Kundengespräche vorbereiten: Diese Aufgaben gibst du Lindy in Slack, als Routine nach Zeitplan oder auf ein Ereignis hin, fertige Skills liegen bereit. Das ist in dieser Liste der kürzeste Weg vom Konto zum laufenden Agenten, auch ohne technisches Team. Vor E-Mails und jedem anderen Schritt mit Außenwirkung holt Lindy deine Freigabe ein. Plus kostet 29,99 Dollar je Nutzer und Monat mit 3.000 Credits, verbraucht werden sie nur, wenn ein Agent arbeitet. Die laufenden Kosten lassen sich damit vorab schwer schätzen, eine Testwoche gibt es nur über Slack, und die Oberfläche ist englisch. Sobald ein Ablauf verzweigt, arbeitest du mit n8n sauberer.
CrewAI
Mehrere Agenten mit klaren Rollen arbeiten an derselben Aufgabe und lesen einander gegen, bevor ein Ergebnis fertig ist: Das ist bei CrewAI der Kern. Das Framework steht unter der MIT-Lizenz und läuft kostenlos auf deiner eigenen Infrastruktur, die Modellschlüssel bringst du mit, auch lokale Modelle über Ollama. Die gehostete Fassung startet gratis mit fünfzig Durchläufen im Monat, für Enterprise nennt CrewAI keinen Betrag. Vor vertraulichen Vorhaben gehört ein Blick in die Bedingungen: Sie erlauben das Training mit Kundendaten, und einen Serverstandort nennt der Anbieter nicht. Ohne Entwicklung im Haus bist du mit Lindy schneller im Betrieb.
relevance AI
Schwarz auf weiß schließt relevance AI aus, deine Inhalte für das Modelltraining zu verwenden, und zwar in jedem Tarif. Für Geschäftsdaten ist das der Unterschied zu CrewAI. Agenten und Tools bleiben in allen Tarifen unbegrenzt, Vektorsuche und Wissensquellen bringt die Plattform mit. Pro kostet 19 Dollar im Monat bei Jahreszahlung mit 2.500 Actions und 20 Dollar Modellguthaben. Zwei Dinge klärst du vorher: Die Verarbeitungsregion legst du beim Anlegen der Organisation fest und änderst sie danach nie wieder. Und der Sprung auf Team verzwölffacht den Grundpreis auf 234 Dollar, während das Kontingent nicht einmal auf das Dreifache wächst.
Typewise
Statt eines Baukastens bekommst du bei Typewise fertige Fachagenten für den Kundenservice: einen für Garantiefälle, einen für die Abrechnung, einen für den Versand, jeder mit eigenen Regeln, Quellen und Rechten. Eingerichtet werden sie im Gespräch mit dem Assistenten Nova, und jede Änderung läuft vorher im Simulator gegen echte Altfälle. Abgerechnet wird nach Ergebnis: Starter kostet 99 Dollar im Monat plus 2 Dollar je gelöstem Fall, eine Übergabe zählt halb, ein ungelöster Fall gar nicht. Die Daten liegen laut Anbieter bei AWS in der EU, auf Wunsch in der Schweiz. Außerhalb des Supports baust du mit relevance AI.
Leaping AI
Am Telefon nimmt der Agent den Anruf an, beantwortet wiederkehrende Fragen und reicht das Gespräch samt Zusammenfassung weiter, sobald er an seine Grenze kommt. Rufnummern und Anrufverteilung liefert Leaping AI mit, eine eigene Telefonanlage brauchst du nicht. Nach jedem Anruf liest der Agent sein Gespräch nach und justiert seine Anweisungen. Der Anbieter sitzt in Deutschland und betreut auf Deutsch. Eine Zahl bekommst du erst im Vertriebsgespräch, die Preisseite nennt weder Stufen noch Minutenpreise, und einen Testzugang zum Selbstanmelden gibt es nicht. Für größere Einsätze spricht der Anbieter selbst von einem mittleren vierstelligen Betrag im Monat. Schriftliche Fälle schließt Typewise ab.
ChatGPT
Einen eigenen Agenten baust du hier in wenigen Minuten: Verhalten in normaler Sprache beschreiben, interne Unterlagen dazulegen, im Team freigeben. Für den Prototyp ist ChatGPT der schnellste Weg dieser Auswahl. Im Dauerbetrieb fehlen dir aber Protokolle und Übergaberegeln, wie sie n8n und Make mitbringen. Die 9,1 stammt aus der Bewertung als Allrounder, nicht aus dem Agentenbau. Plus kostet 20 US-Dollar im Monat, in Österreich rund 23 Euro. Wichtiger ist, was OpenAI mit deinen Eingaben macht: In den Privattarifen ist das Training voreingestellt, erst Business ab zwei Nutzern schließt es standardmäßig aus. Geschäftsdaten gehören deshalb erst dort hinein.
Gemini
Die 8,9 gilt dem Assistenten, nicht dem Agentenbau, und bei Steuerung und Überwachung kommt Gemini gegen die Plattformen dieser Liste nicht an. Dafür arbeitet der Agent dort, wo dein Team ohnehin sitzt: Rechercheaufträge greifen auf Postfach und Ablage zu, das Ergebnis kommt im selben Fenster. Nutzt dein Betrieb Google Workspace, ist Gemini ohne Aufpreis enthalten. Achte auf den Kaufweg: Im Privatabo fließen Chats ins Modelltraining, solange die Aktivitätsspeicherung läuft. Ab Business Standard für 13,60 Euro je Nutzer und Monat im Jahresvertrag legst du die EU als Datenregion fest. Für Agenten mit eigenen Regeln und Abläufen nimmst du Make.
Worauf es bei Tools für KI-Agenten ankommt
Die folgenden Kriterien helfen dir, Tools zum Erstellen von KI-Agenten gezielt zu vergleichen. Kläre vorher, welchen Ablauf der Agent übernehmen soll, auf welche Systeme er zugreifen muss und wer ihn später betreut.
Checkliste
- Ohne oder mit Programmierung: Entscheidend ist, ob Fachabteilungen Agenten selbst bauen können. Eine grafische Oberfläche verringert die Abhängigkeit von der IT und beschleunigt erste Versuche. Prüfe aber auch, ob das System erweiterte Einstellungen für technische Teams bietet, damit der Agent mit den Anforderungen wachsen kann.
- Sprachmodelle und Schnittstellen: Das Tool sollte verschiedene Sprachmodelle unterstützen und eine breite Palette von Schnittstellen anbinden, etwa zu CRM, Warenwirtschaft und Datenbanken. Ohne Anbindungen bleibt der Agent isoliert. Offene Standards wie das Model Context Protocol erleichtern spätere Wechsel.
- Nachvollziehbarkeit: Entscheidungen eines Agenten müssen nachvollziehbar bleiben. Wichtig ist, ob das Tool Quellen, Zwischenschritte, Tool-Aufrufe, Eingaben und Versionen protokolliert. Das erleichtert die Fehlersuche und beantwortet die Frage, warum der Agent etwas getan hat.
- Freigaben durch Menschen: Nicht jede Entscheidung sollte der Agent allein treffen. Das Tool muss es erlauben, heikle Schritte wie den Versand von E-Mails, Zahlungen oder Änderungen im CRM an eine Freigabe zu knüpfen. Wie das Prinzip funktioniert, erklärt unser Beitrag Human in the Loop erklärt.
- Wissen und Quellen: Agenten arbeiten besser, wenn sie auf strukturierte Informationen zugreifen. Die Plattform sollte Wissen aus Dokumenten, Datenbanken oder Wissensbasen einbinden, damit der Agent keine Fakten erfindet oder veraltete Angaben verwendet. Mehr dazu im Beitrag RAG verständlich erklärt.
- Verhalten bei Fehlern: Ein Agent wird nicht jeden Fall lösen. Die Plattform sollte festlegen lassen, was dann passiert: Übergabe an einen Menschen, neuer Versuch auf anderem Weg oder Rückgriff auf eine Standardlösung. Ohne diese Regeln bleiben Fälle unbemerkt liegen.
- Testen vor dem Einsatz: Gute Plattformen lassen dich Änderungen gegen echte Altfälle oder Testdaten laufen, bevor ein Agent live geht. Das verhindert, dass eine kleine Anpassung am Montag hundert falsche Antworten erzeugt.
- Gedächtnis: Agenten arbeiten oft über mehrere Schritte oder Sitzungen hinweg. Dafür braucht es ein kontrolliertes Gedächtnis für Kontext, Prozessstände und frühere Entscheidungen, das sich einsehen und löschen lässt.
- Zusammenspiel mehrerer Agenten: Komplexe Aufgaben verlangen, dass mehrere Agenten mit verteilten Rollen zusammenarbeiten und einander prüfen. Diese Orchestrierung ist technisch anspruchsvoll, und nicht jede Plattform beherrscht sie.
- Datenschutz und Betrieb: Agenten verarbeiten oft interne Dokumente, personenbezogene Daten oder vertrauliche Geschäftsinhalte. Kläre, wo die Daten verarbeitet werden, ob der Anbieter sie für Training nutzt und ob sich die Plattform auf eigener oder europäischer Infrastruktur betreiben lässt. Grundlagen im Beitrag KI und DSGVO.
- Abrechnung: Plattformen zählen Schritte, Durchläufe, Aufgaben, Credits oder gelöste Fälle. Ein Agent, der viele Systeme abfragt, kann bei schrittweiser Abrechnung schnell teuer werden. Rechne deinen wichtigsten Ablauf mit realistischen Mengen durch, bevor du dich festlegst.
Einsatzbereiche für KI-Agenten
- Anfragen im Kundenservice vorsortieren: Ein Agent liest eingehende Anfragen, ordnet sie nach Thema und Dringlichkeit, beantwortet Standardfälle aus der Wissensbasis und reicht den Rest an die richtige Abteilung weiter. Das Support-Team kümmert sich um die Fälle, die Urteilsvermögen brauchen. Mehr dazu im Beitrag zu Support-Chatbots.
- Vorbereitung im Vertrieb: Vor jedem Termin fasst ein Agent Informationen aus CRM, E-Mails und Notizen zu einem Briefing zusammen. Danach legt er Folgeaufgaben an und schlägt eine Nachfassmail vor, die der Verkauf freigibt. Wie KI im Verkauf hilft, zeigt unser Vergleich der KI-gestützten Sales-Tools.
- Rechnungen und Belege in der Buchhaltung: Ein Agent holt Rechnungen aus dem Postfach, liest Betrag, Lieferant und Fälligkeit aus und legt sie im Buchhaltungssystem ab. Unklare Belege landen mit Hinweis bei einem Menschen. Passende Tools vergleicht unser Beitrag zu KI-Tools für die Buchhaltung.
- Marktbeobachtung im Marketing: Jeden Morgen sammelt ein Agent Neuigkeiten zu Mitbewerbern und Branche aus festgelegten Quellen, fasst sie zusammen und schickt die Übersicht ins Team. Wer gezielt recherchieren will, findet mehr im Beitrag zu Chatbots zum Recherchieren.
- Daten zwischen Systemen übertragen: Ein Auftrag im Shop soll im CRM landen, eine Rechnung auslösen und im Lager eine Aufgabe erzeugen. Der Agent übernimmt die Übergaben und prüft, ob alle Angaben vollständig sind. Einen Vergleich klassischer Automatisierung findest du im Beitrag zu Workflow-Automatisierungstools.
- Telefonannahme im Service: Ein Sprachagent nimmt Anrufe außerhalb der Bürozeiten an, beantwortet Standardfragen, nimmt Rückrufwünsche auf und übergibt dringende Fälle mit Zusammenfassung an den Bereitschaftsdienst. Wie Agenten grundsätzlich funktionieren, erklärt unser Beitrag KI-Agenten erklärt.
Welches Agenten-Tool für welche Aufgabe?
Wenn du im Betrieb mit KI-Agenten beginnen willst, ist Make unsere erste Empfehlung: Der Agent sitzt dort in einem Ablauf, den auch eine Fachabteilung ohne Programmierung baut, jeder Schritt bleibt sichtbar, und der Anbieter betreibt Server in der EU. Für bestimmte Aufgaben passen andere Tools besser:
- Betrieb auf eigener Hardware: n8n
- Seltene Branchensoftware anbinden: Zapier
- Postfach, Termine und CRM als Kollege in Slack: Lindy
- Mehrere Agenten, die einander gegenlesen: CrewAI
- Kein Modelltraining mit deinen Inhalten, in jedem Tarif: relevance AI
- Standardfälle im Kundenservice abschließen: Typewise
- Anrufe annehmen und weiterreichen: Leaping AI
- Schneller Prototyp aus einer Beschreibung: ChatGPT
- Agent im Google-Konto des Unternehmens: Gemini
Häufige Fragen
Für einfache Agenten nicht, für komplexe meist schon. Lindy bringt fertige Skills mit, die du in Slack anpasst, in Make und Zapier baust du Abläufe per Klick. n8n hat eine steile Lernkurve, und CrewAI ist ein Framework für Entwickler. Wie du einen Agenten Schritt für Schritt aufsetzt, zeigt unser Beitrag Anleitung für KI-Agenten.
Sehr unterschiedlich, und daran hängt die Rechnung stärker als am Grundpreis. Make zählt jeden Schritt als Credit, Zapier jeden erfolgreichen Schritt als Aufgabe, n8n ganze Durchläufe. Typewise rechnet je gelöstem Fall, Lindy über Credits, die nur ein arbeitender Agent verbraucht. Dazu kommen oft die Kosten des Sprachmodells, deren Entstehung unser Beitrag Tokens verständlich erklärt beschreibt.
Je nach Anbieter in der EU, in den USA oder auf eigener Hardware. Make betreibt Server in der EU, Typewise nach Anbieterangabe bei AWS in der EU, und n8n lässt sich komplett selbst betreiben. Zapier läuft auf AWS in den USA, CrewAI nennt keinen Serverstandort, und bei relevance AI wählst du die Region einmalig beim Anlegen. Mehr im Beitrag KI und DSGVO.
Bei manchen ja. relevance AI schließt das in jedem Tarif aus, CrewAI erlaubt es laut Nutzungsbedingungen, und bei ChatGPT ist es in den Privattarifen voreingestellt. Zapier nimmt Kunden automatisch erst im Enterprise-Tarif vom Modelltraining aus. Prüfe das, bevor Kundendaten oder interne Dokumente in einen Agenten fließen. Was Trainingsdaten sind, erklärt unser Beitrag Trainingsdaten erklärt.
Bei den offenen Plattformen ja. In n8n bestimmst du das Modell frei, CrewAI arbeitet mit deinen eigenen Schlüsseln und auch mit lokalen Modellen, Make holt Modelle von OpenAI und Anthropic in den Ablauf. Bei ChatGPT und Gemini bist du an die Modelle des Anbieters gebunden. Wie sich Sprachmodelle unterscheiden, erklärt unser Beitrag Sprachmodelle verständlich erklärt.
Mit Freigaben vor heiklen Schritten, Protokollen und klaren Grenzen. Lindy holt vor jedem Schritt mit Außenwirkung deine Freigabe ein, Make und n8n zeigen jeden Schritt eines Durchlaufs, Typewise testet Änderungen vorher im Simulator. Gib dem Agenten nur die Rechte, die er für seine Aufgabe braucht. Wer im Ernstfall haftet, erklärt unser Beitrag Wer haftet beim Einsatz von KI.
Idealerweise übergibt er an einen Menschen, samt Zusammenfassung des bisherigen Verlaufs. Leaping AI reicht Anrufe mit Zusammenfassung weiter, Typewise berechnet eine Übergabe nur halb und einen ungelösten Fall gar nicht. Leg vor dem Start fest, wer diese Fälle bekommt und wie schnell sie bearbeitet werden. Wie Mensch und KI sich die Arbeit teilen, zeigt unser Beitrag zur Handoff-Methode.
Läuft jeder Fall gleich ab, reicht eine Automatisierung, ein Agent lohnt sich erst, wenn Entscheidungen nötig sind. Eine Rechnung von A nach B zu übertragen, erledigt ein Ablauf in Make oder Zapier günstiger und berechenbarer. Muss jemand eine Anfrage lesen, einordnen und passend reagieren, spielt ein Agent seine Stärke aus. Den Unterschied erklärt unser Beitrag Chatbots, Assistenten, Workflows und Agenten.
Mit echten Fällen aus der Vergangenheit und einer Phase, in der ein Mensch jede Aktion freigibt. Typewise spielt Änderungen im Simulator gegen Altfälle durch, in n8n und Make prüfst du jeden Durchlauf Schritt für Schritt. Starte mit einem klar umrissenen Ablauf und erweitere erst, wenn die Fehlerquote stimmt. Wie ein Pilot gelingt, zeigt unser Beitrag zum ersten KI-Pilotprojekt.
Ja, mit n8n oder CrewAI. n8n lässt sich komplett auf eigener Infrastruktur betreiben, die Community-Fassung ist kostenlos, und CrewAI steht als Framework unter der MIT-Lizenz, auch mit lokalen Modellen. Dafür brauchst du Personal, das Server, Aktualisierungen und Sicherheit betreut. Was KI auf eigenen Geräten leisten kann, zeigt unser Beitrag Edge-KI erklärt.
