KI-Agenten Beispiele: 12 Agenten fürs Wochenende

👁 115 Aufrufe

Ein KI-Agent ist ein Programm, bei dem ein Sprachmodell selbstständig die nächsten Schritte und Werkzeuge auswählt, um eine Aufgabe vollständig abzuschließen. Im Folgenden finden Sie 12 konkrete KI-Agenten, die Sie an einem Wochenende umsetzen können: jeweils mit Schwierigkeitsgrad, Tool-Liste und Empfehlung für die technische Basis (Code oder n8n/Make). Vier davon habe ich am 4. Oktober 2026 selbst gebaut und getestet, die detaillierten Ergebnisse finden sich in separaten Artikeln. Die Übersicht ist Teil des Leitfadens KI-Agenten von Grund auf.

Was einen Agenten von einer normalen Automatisierung unterscheidet

Eine klassische Automatisierung folgt fest definierten Schritten in starrer Abfolge: „E-Mail empfangen, zusammenfassen, in Tabelle eintragen“. Ein Agent erhält hingegen ein Ziel und eine Auswahl an Werkzeugen; die Reihenfolge der Aktionen bestimmt das Modell dynamisch. Fehlen Informationen, ruft der Agent eine weitere Quelle ab, rechnet nach oder bindet einen Menschen ein. Die Unterschiede und Risiken beleuchte ich im Artikel KI-Agenten: Funktionsweise und typische Fehlerquellen.

In Unternehmen sind die meisten „Agenten“ in der Praxis Hybride: Ein vordefinierter Workflow (etwa in n8n), bei dem genau ein Schritt an einen Agenten mit Zugriff auf Werkzeuge delegiert wird. Das ist ein solides Vorgehen für den Einstieg: Setzen Sie agentische Logik nur dort ein, wo die Folgeschritte tatsächlich vom Inhalt abhängen.

12 Agenten im Überblick

1. Agent für Rechnungsabgleich in Fremdwährungen (Schwierigkeit 1, gebaut)

Aufgabe: Liest Rechnungsdateien aus einem Verzeichnis, erfasst Beträge sowie Währungen, ruft Kurse über eine Zentralbank-Schnittstelle ab und summiert die Gesamtausgaben.

• Werkzeuge: szukaj_plikow (Dateisuche), czytaj_strone (Wechselkurs-API), kalkulator (Rechner).
• Testergebnis: 3 Schritte, korrekte Summe aus drei Testrechnungen (darunter eine über 120 EUR zum Kurs 4,3745), Kosten: ca. 0,00089 EUR (0,001 USD; EZB-Referenzkurs 12.10.2026: 1 EUR = 1,1181 USD).
• Fallstrick: Modelle neigen dazu, Berechnungen ungenau im Prompt-Gedächtnis auszuführen. In der Tool-Beschreibung muss explizit stehen: „Rechnungen immer zwingend über dieses Werkzeug durchführen“.
• Bauanleitung: Schritt für Schritt im Leitfaden KI-Agenten in Python bauen.

2. Triage von Formulareinsendungen (Schwierigkeit 1, gebaut)

Aufgabe: Ein Kontaktformular sendet eine Nachricht via Webhook; das Modell weist Kategorie und Dringlichkeit zu, generiert einen Antwortentwurf und legt den Eintrag in einer Tabelle ab.

• Werkzeuge: Webhook (FastAPI oder Modul in Make), Modell mit strukturierter JSON-Ausgabe, Tabellen-Modul.
• Testergebnis: 3 von 3 Anfragen fehlerfrei eingeordnet (Rechnung, Angebot, Reklamation), Laufzeit 1,7 bis 2,1 Sekunden, Kosten rund 0,00014 EUR (0,00016 USD; EZB-Referenzkurs 12.10.2026: 1 EUR = 1,1181 USD) pro Vorgang.
• Fallstrick: Ein Webhook ohne Authentifizierungs-Token ist offen für jeden, der die URL errät.
• Bauanleitung: Webhooks verstehen und KI an Formulare anbinden. Ein vergleichbarer Ablauf für das E-Mail-Postfach: E-Mail-Automatisierung mit KI.

Nüchtern betrachtet ist dies eher eine Automatisierung mit zwischengeschaltetem KI-Schritt. Zum vollwertigen Agenten wird das System erst dann, wenn das Modell Zugriff auf Tools erhält (wie „Bestellstatus prüfen“ oder „Rechnung abrufen“) und eigenständig bestimmt, welche davon aufgerufen werden müssen.

3. Chat mit internen Unternehmensdokumenten (Schwierigkeit 2, gebaut)

Aufgabe: Beantwortet Fragen auf Basis eigener PDF-Dateien (Richtlinien, Verträge, Prozessbeschreibungen) und verweist transparent auf die Textstelle, aus der die Antwort stammt.

• Werkzeuge: Embedding-Modell (im Test lokal über Ollama betrieben), Vektordatenbank (numpy oder Chroma), Modell zur Antwortgenerierung.
• Testergebnis: Detailliert dokumentiert in RAG Schritt für Schritt, erprobt an Gesetzestexten.
• Fallstrick: Ein unpassendes Chunking (Zerlegen des Texts in Abschnitte) beeinträchtigt die Trefferquote oft stärker als das gewählte Sprachmodell.

4. Fristen und Werktage in Claude Code (Schwierigkeit 1, gebaut)

Aufgabe: Ein eigener MCP-Server (Model Context Protocol) stellt Claude Code Werkzeuge bereit: Kursabfragen, Berechnung von Werktagen unter Berücksichtigung von Feiertagen sowie Durchsuchen lokaler Notizen.

• Testergebnis: Claude hat die Frist „14 Werktage ab dem 2. November 2026“ (20. November) korrekt ermittelt und das Tool dafür fünfmal aufgerufen.
• Fallstrick: Im Python-SDK von MCP 2.x wurde die Klasse FastMCP in MCPServer umbenannt.
• Bauanleitung: Eigener MCP-Server in 15 Minuten.

5. Monitoring von Mitbewerberänderungen (Schwierigkeit 2, Entwurfsmuster)

Aufgabe: Ruft wöchentlich Preisseiten von Mitbewerbern ab, vergleicht sie mit dem letzten Stand und versendet eine kurze Zusammenfassung über Preisanpassungen oder neue Produktpakete.

• Werkzeuge: Abruf von Webinhalten, Speicher für Vorversionen (Datei oder Datenbank), Textdiff-Funktion, E-Mail-Versand.
• Hinweis: Beachten Sie stets die Nutzungsbedingungen und robots.txt der jeweiligen Website. Rufen Sie Seiten nicht häufiger als nötig ab.
• Einstieg: Ein HTTP-Abrufwerkzeug kombiniert mit einem Zeitplaner (Windows-Aufgabenplanung, Cronjob oder Schedule-Trigger in n8n).

6. Vom Meeting-Protokoll zur Aufgabenliste (Schwierigkeit 2, Entwurfsmuster)

Aufgabe: Extrahiert aus Transkripten oder Besprechungsnotizen konkrete Aufgaben, Verantwortliche und Deadlines und überträgt diese in Todoist, Trello oder Asana.

• Werkzeuge: Transkription (lokal z. B. via faster-whisper oder über Bordmittel der Konferenz-Software), Modell mit JSON-Schema, Aufgaben-API.
• Fallstrick: Das Modell ergänzt gelegentlich Aufgaben, die niemand explizit zugewiesen hat. Weisen Sie es an, für jede Aufgabe das Quellzitat im Text nachzuweisen.

7. Angebotserstellung aus Kundenanfragen (Schwierigkeit 2, Entwurfsmuster)

Aufgabe: Parst eine unstrukturierte Anfrage („300 Einheiten, Chatbot-Integration, Bereitstellung im November“), ordnet passende Posten aus einer Preisliste zu, kalkuliert den Endpreis und befüllt eine Vorlage.

• Werkzeuge: CSV-Reader für Preislisten, Rechner-Tool, Vorlagen-Renderer (Markdown, Word oder PDF).
• Fallstrick: Preise dürfen ausschließlich aus der Preisliste bezogen werden, niemals frei aus dem Modellkontext. Angebote vor dem Versand immer manuell gegenprüfen.

8. Vom Blogbeitrag zu Social-Media-Posts (Schwierigkeit 1, Entwurfsmuster)

Aufgabe: Liest neu veröffentlichte Artikel via RSS ein, verfasst plattformgerechte Entwürfe für LinkedIn, X und Facebook im gewünschten Schreibstil und legt sie zur Freigabe im Redaktionsplan ab.

• Werkzeuge: RSS-Parser, Modell, Social-Media-Management-Tool (Buffer, Metricool oder Tabellen-Freigabeliste).
• Praxisanleitung: Social-Media-Automatisierung mit KI.

9. Agent für Code-Korrekturen (Schwierigkeit 2, Entwurfsmuster)

Aufgabe: Nimmt einen Bugreport entgegen, liest die betroffenen Dateien im Repository, implementiert die Korrektur, führt lokale Unit-Tests aus und bereitet einen Pull Request vor.

• Werkzeuge: Fertiglösungen wie Claude Code, Codex, Cursor oder eine eigene Instanz via Claude Agent SDK mit Dateizugriff und Terminalanbindung.
• Weiterführend: KI-Coding-Agenten im Vergleich und Codex oder Claude Code.

10. Filter für Ausschreibungen und Jobbörsen (Schwierigkeit 2, Entwurfsmuster)

Aufgabe: Durchsucht tägliche Feeds oder Schnittstellen nach neuen Ausschreibungen, filtert irrelevante Treffer heraus und liefert die 5 relevantesten Einträge samt kurzer Begründung.

• Werkzeuge: RSS-Feed oder offizielle API der Quelle, Schlüsselwortfilter, Relevanzbewertung durch das Modell, Benachrichtigung via Mail oder Messenger.
• Hinweis: Nutzen Sie offizielle Schnittstellen; viele Portale verbieten unautorisiertes Scraping in ihren Geschäftsbedingungen.

11. Recherche-Assistent mit Belegen (Schwierigkeit 3, Entwurfsmuster)

Aufgabe: Erhält eine Forschungsfrage, plant gezielte Suchabfragen, wertet Quellen aus, konsolidiert Notizen und erstellt einen Abschlussbericht mit Belegen für jede Kernaussage.

• Werkzeuge: Suchmaschinen-API, HTML-Parser, Notizspeicher, optional ein zweiter Agent zur Qualitätskontrolle.
• Fallstrick: Die Kosten steigen schnell an, da jeder gelesene Webseiten-Inhalt in den Kontext zurückfließt. Extrahieren Sie Zusammenfassungen vor dem Einfügen in den Gesamtverlauf. Zur Framework-Wahl: Frameworks für KI-Agenten.

12. Kundenservice für Online-Shops (Schwierigkeit 3, Entwurfsmuster)

Aufgabe: Beantwortet Supportanfragen zu Versand und Retouren anhand hinterlegter Dokumente, fragt per Schnittstelle den aktuellen Lieferstatus ab und übergibt bei Unklarheiten an einen Mitarbeiter.

• Werkzeuge: RAG über FAQ-Dateien, Shop-API (nur Lesezugriff), Übergabewerkzeug an den Live-Support.
• Rechtlicher Hinweis: Nutzer müssen klar darüber informiert werden, dass sie mit einer KI interagieren. Dies verlangt Art. 50 des EU AI Acts, der seit dem 2. August 2026 Anwendung findet. Details dazu finden sich im Leitfaden zum AI Act.

KI-Agenten mit nicht-englischen Eingaben

Wir haben die vier gebauten Agenten im Test auf Polnisch angesteuert (deutsche Übersetzung der Testfälle sinngemäß): Das Modell verarbeitete landesspezifische Begriffe wie Rechnungsbezeichnungen, Währungsdaten oder Werktage zuverlässig. Für europäische Sprachen empfehlen sich folgende Grundregeln:

• Tool-Beschreibungen können in der jeweiligen Zielsprache verfasst werden, Funktionsnamen im Code sollten jedoch einfache ASCII-Bezeichner ohne Sonderzeichen bleiben (z. B. werktage_berechnen).
• Dynamische Fakten, die das Modell nicht verlässlich im Kontext hat (Feiertage, tagesaktuelle Kurse, Vorschriften), sollten stets über Tools zugeliefert und nicht geschätzt werden.
• Für semantische Suchen in lokalen Dokumenten sind robuste mehrsprachige Embedding-Modelle unerlässlich. Einen Leistungsvergleich finden Sie unter Embeddings und Vektordatenbanken verständlich erklärt.
• Wenn Daten das eigene Netzwerk nicht verlassen dürfen, lassen sich Agenten auch auf lokalen Modellen betreiben, etwa via Ollama.

So wählen Sie Ihren ersten Agenten aus

1. Wählen Sie eine wiederkehrende Routineaufgabe mit eindeutig prüfbarem Ergebnis (Summe, Kategorisierung, Liste).
2. Dokumentieren Sie die Informationsquellen, die Sie manuell heranziehen. Das entspricht Ihren künftigen Tools.
3. Starten Sie strikt mit Lese-Werkzeugen. Schreibrechte oder automatischen E-Mail-Versand sollten Sie erst freigeben, wenn der Ablauf im Protokoll über längere Zeit fehlerfrei läuft.
4. Ermitteln Sie die Kosten pro Aufruf und skalieren Sie diese auf das Monatsvolumen hoch. Einfache Agenten liegen oft im Bereich von Bruchteilen eines Cents.

Häufige Fragen (FAQ)

Was ist das einfachste Beispiel für einen KI-Agenten?

Ein Agent mit einem Taschenrechner-Tool und einer Datenquelle, beispielsweise zur Umrechnung von Rechnungsbeträgen mit aktuellen Kursen. Er benötigt lediglich zwei bis drei Schritte und das Ergebnis lässt sich sofort verifizieren.

Kann man KI-Agenten ohne Programmierkenntnisse bauen?

Ja. In Plattformen wie n8n gibt es dedizierte „AI Agent“-Knoten, an die Werkzeuge per Mausklick angebunden werden können; auch Werkzeuge wie Gumloop ermöglichen visuelle Workflows. Beispiele hierzu: n8n in der Praxis.

Wie hoch sind die Betriebskosten eines KI-Agenten?

Die laufenden Kosten setzen sich aus Modell-Token und allfälligen Serverressourcen zusammen. Bei schlanken Modellen lagen die Testläufe zwischen rund 0,00014 und 0,00116 EUR (0,00016 bis 0,0013 USD; EZB-Referenzkurs 12.10.2026: 1 EUR = 1,1181 USD) pro Vorgang. Bei umfangreichen RAG-Pipelines oder Web-Recherchen fallen die Kosten entsprechend höher aus.

Worin liegt der Unterschied zwischen einem Chatbot und einem Agenten?

Ein reiner Chatbot antwortet direkt auf Texteingaben. Ein Agent führt hingegen Aufgaben aus: Er wählt eigenständig Werkzeuge, prüft deren Rückgabewerte und entscheidet über die nächsten Schritte.

Welche Einsatzbereiche eignen sich im Unternehmen am besten?

Am weitesten verbreitet sind Ticket-Triage, strukturierte Vorbereitung von Unterlagen (wie Angebote oder Berichte), Wissensabfragen über interne Dokumente sowie Coding-Assistenten. Allen gemeinsam: standardisierte Aufgaben, Zugriff auf Datenquellen und menschliche Freigabe vor der Ausführung.

Wo gibt es weiterführende Lernressourcen?

Eine kuratierte Übersicht an Ressourcen finden Sie in unserem Hub KI-Agenten von Grund auf.

Quellen und Prüfstand

• Agenten 1 bis 4: Eigene Testläufe vom 4. Oktober 2026, Quellcode im Paket Agenten-Starter-Archiv.
• Entwurfsmuster 5 bis 12: Basierend auf Konzepten aus Building effective agents (Anthropic) und dem Microsoft-Kurs AI Agents for Beginners, geprüft am 4. Oktober 2026.

// weiterlesenJedes Grad Erwärmung schenkt Alaskas Gletschern drei Wochen mehr SchmelzeKlimaSierras KI-Schulversuch: 8 Wochen, die 2,5 Jahre Mathe-Fortschritt brachtenAlgorithmenTomaten-Soja-Saft senkt Entzündungswerte bei Adipositas in nur vier WochenMedizin

Kinetyra