Wie baut man einen KI-Agenten ohne Programmierung?

Man beschreibt in natürlicher Sprache, was der Agent tun soll, statt Code zu schreiben. Bewährt ist ein strukturierter System-Prompt mit klar getrennten Abschnitten (## Rolle, ## Aufgabe, ## Regeln) und ein ausdrücklicher Verweis auf die Werkzeuge, die der Agent nutzen soll. Wissen kommt über Datei-Upload oder einen vorab indizierten Datenpool hinzu, Aktionen über Konnektoren oder eigene MCP-Server. Ein einfacher Agent ist so in Minuten einsatzbereit.

Kann ein eigener KI-Agent auf interne Daten und Systeme zugreifen?

Ja, im Rahmen der Berechtigungen. Über angebundenes Wissen (Dateien oder RAG-Datenpool) antwortet der Agent aus dem eigenen Unternehmenskontext; über Live-Konnektoren (z. B. Microsoft 365, Google Workspace, Jira, HubSpot, Salesforce), eigene MCP-Server und lesenden Datenbankzugriff kann er Aktionen in internen Systemen auslösen — begrenzt durch Scopes und protokolliert.

Wie viele KI-Agenten kann ein Unternehmen betreiben?

In der Regel beliebig viele — typisch ist ein eigener Agent je wiederkehrender Aufgabe und Abteilung (etwa Angebote im Vertrieb, Screening in HR, Auswertungen im Reporting). Wichtig ist zentrale Verwaltung: Agenten werden freigegeben, angepasst und bei Bedarf widerrufen, damit kein unkontrollierter Wildwuchs entsteht.

Wie stellt man sicher, dass ein KI-Agent nichts Falsches auslöst?

Über Leitplanken. Pro Werkzeug werden Scopes gesetzt (erlaubte Ordner, Labels, Kalender, Teams) plus sinnvolle Standardwerte; kritische Schreib-Operationen werden zusätzlich über Method-Policies begrenzt. Der Assistenten-Modus deckelt die Zahl der Tool-Aufrufe pro Antwort (Standard: bis zu 5). Ergebnisse mit rechtlicher oder finanzieller Wirkung bleiben zur menschlichen Freigabe — und jeder Zugriff ist protokolliert.

Ist das Erstellen eigener KI-Agenten DSGVO-konform?

Ja, wenn die Plattform in der EU betrieben wird, ein Auftragsverarbeitungsvertrag (AVV) vorliegt, Eingaben nicht zum Training verwendet werden und Wissens- sowie Aktions-Zugriffe an Berechtigungen gebunden und protokolliert sind. meinGPT wird von der SelectCode GmbH in der EU betrieben und ist nach ISO 27001 zertifiziert; die Sicherheit wird regelmäßig durch unabhängige Penetrationstests geprüft.

Wie schnell ist ein KI-Agent einsatzbereit?

Ein einfacher Agent aus Anweisung und Wissen ist in Minuten erstellt. Agenten mit angebundenen Aktionen und Leitplanken brauchen etwas Test und Iteration im Testchat, sind aber typischerweise innerhalb von Stunden bis wenigen Tagen produktiv — ohne Release-Zyklus.

Alle FachbereicheLösung · Eigene KI-Agenten ohne Code bauen — vom Ziel über Wissen und Aktionen bis zur Team-Freigabe

KI-Agenten erstellen: eigene Agenten ohne Code bauen | meinGPT

Was ein KI-Agent ist (Abgrenzung zu Assistent und Chatbot) und wie Unternehmen eigene KI-Agenten ohne Programmierung aufbauen: Ziel, Anweisung, Wissen (RAG), Werkzeuge & Aktionen, Leitplanken und Freigabe — mit Bauanleitung, Beispiel, Governance, Checkliste und DSGVO.

Für Fachbereichs-Verantwortliche, KI-Champions und IT — auch ohne Entwicklungsteam.

Demo anfragen Zur Plattform

Für wen: Fachbereichs-Verantwortliche, KI-Champions und IT — auch ohne Entwicklungsteam
Wirkung: Vom Klick zum einsatzbereiten Agenten in Minuten statt Wochen — gebaut von den Fachbereichen selbst, ohne Release-Zyklus
Aufgabe: Eigene KI-Agenten ohne Code bauen — vom Ziel über Wissen und Aktionen bis zur Team-Freigabe

Kurzantwort

Ein KI-Agent ist ein für eine konkrete Aufgabe konfigurierter KI-Assistent, der drei Bausteine bündelt: eine Anweisung (was er tun soll), angebundenes Wissen (auf welche Dokumente und Datenquellen er zugreift) und Werkzeuge (welche Aktionen er in anderen Systemen ausführen darf). Der Unterschied zu einem einfachen Chatbot: Ein Chatbot beantwortet Fragen aus einem festen Skript oder allgemeinem Modellwissen; ein Assistent antwortet zusätzlich belegt aus dem eigenen Unternehmenskontext; ein Agent handelt darüber hinaus — er ruft Werkzeuge auf, durchsucht Quellen und arbeitet eine mehrstufige Aufgabe selbstständig ab, bis das Ziel erreicht ist. Im Unternehmen wird ein KI-Agent nicht programmiert, sondern über eine Oberfläche zusammengestellt — vom Fachbereich selbst, ohne eine Zeile Code.

So funktioniert es

Von der Aufgabe zur produktiven KI-Nutzung

Einen KI-Agenten baut man ohne Code, indem man in einem Editor fünf Dinge festlegt. Erstens die Grundinfos: Name, Symbol, Beschreibung und das KI-Modell — entweder automatisch „Bestes Modell“ oder je Agent ein bestimmtes Modell. Zweitens die Anweisung (System-Prompt): in natürlicher Sprache Rolle, Aufgabe, Kontext und Antwortformat — am besten strukturiert in klar getrennte Abschnitte, weil das spürbar bessere Ergebnisse liefert als Fließtext. Drittens das Wissen: einzelne Dateien hochladen oder einen vorab indizierten Datenpool (RAG-Suchindex) anbinden, damit der Agent aus dem eigenen Unternehmenswissen antwortet statt allgemein. Viertens die Werkzeuge: eingebaute Tools (Rechnen, Web-Suche, Charts, Code), Live-Konnektoren zu Diensten wie Microsoft 365, Google Workspace, Jira, Confluence, HubSpot oder Salesforce, eigene MCP-Server für interne Spezial-Systeme sowie lesenden Datenbankzugriff — jeweils, damit der Agent nicht nur redet, sondern echte Aktionen auslöst. Fünftens die Leitplanken: Berechtigungen, Scopes und wie viele Tool-Aufrufe der Agent pro Antwort machen darf. Der fertige Agent wird getestet, im Team geteilt und zentral verwaltet — ohne Deployment und ohne Release-Zyklus.

Für wen: Fachbereichs-Verantwortliche, KI-Champions und IT — auch ohne Entwicklungsteam
Wirkung: Vom Klick zum einsatzbereiten Agenten in Minuten statt Wochen — gebaut von den Fachbereichen selbst, ohne Release-Zyklus
Aufgabe: Eigene KI-Agenten ohne Code bauen — vom Ziel über Wissen und Aktionen bis zur Team-Freigabe

Anwendungsfälle

Was Alle Fachbereiche mit KI erledigt

Konkrete, wiederholbare Abläufe — vom ersten Prompt bis zum verlässlichen Ergebnis.

Schritt 1 — Ziel und Rolle festlegen

Bevor gebaut wird, wird die Aufgabe scharf beschrieben: Welche wiederkehrende Tätigkeit soll der Agent übernehmen, welches Ergebnis liefert er, und wer nutzt ihn? Aus diesem Ziel entstehen Name, Symbol und eine Beschreibung, die auch Kolleginnen und Kollegen ohne Vorwissen verstehen — die Grundidentität des Agenten.

Schritt 2 — Anweisung schreiben (System-Prompt)

Die Hauptstellschraube: In natürlicher Sprache werden Rolle, Aufgabe, Kontext und Antwortformat festgelegt — kein Code. Bewährt hat sich eine Struktur aus klar getrennten Abschnitten (## Rolle, ## Aufgabe, ## Regeln) statt Fließtext. Verwendete Werkzeuge werden im Prompt ausdrücklich erwähnt, sonst nutzt das Modell sie oft nicht.

Schritt 3 — Wissen anbinden (RAG)

Der Agent erhält Zugriff auf statisches Unternehmenswissen: einzelne Dateien per Upload für überschaubare Bestände, oder einen vorab indizierten Datenpool (RAG-Suchindex) für größere Wissensmengen. So antwortet der Agent mit Belegen aus dem eigenen Kontext — der Zugriff folgt dabei den vergebenen Berechtigungen.

Schritt 4 — Werkzeuge und Aktionen aktivieren

Hier wird aus einem Assistenten ein Agent: eingebaute Tools (Rechner, Charts, Web-Suche, Code-Sandbox), Live-Konnektoren zu Diensten wie Microsoft 365, Google Workspace, Jira, HubSpot oder Salesforce (E-Mail senden, Ticket anlegen), eigene MCP-Server für interne Systeme ohne fertigen Konnektor und lesender Datenbankzugriff für Reporting. Der Agent löst damit echte Aktionen aus.

Schritt 5 — Leitplanken setzen

Damit der Agent nur das darf, was er soll: Pro Werkzeug werden Scopes gesetzt — erlaubte Ordner, Labels, Kalender oder Teams (allowed) plus sinnvolle Standardwerte (default). Kritische Schreib-Operationen werden zusätzlich über Method-Policies begrenzt, und der Assistenten-Modus regelt, wie viele Tool-Aufrufe der Agent pro Antwort höchstens machen darf (Standard: bis zu 5).

Schritt 6 — Testen und schärfen

Der Agent wird in einem Testchat an echten Beispielen geprüft; ein Assistenten-Check meldet live, ob Anweisung, Beschreibung, Werkzeuge und Wissensquellen gesetzt sind. Ein „Verbessern“-Schritt optimiert den Prompt (Struktur, Vollständigkeit). Iterativ, ohne Deployment — bis Antworten und Aktionen verlässlich passen.

Schritt 7 — Freigeben und verwalten

Der fertige Agent wird für die richtigen Personen freigegeben, zentral verwaltet und bei Bedarf angepasst oder widerrufen. So wird aus einer Einzellösung ein wiederholbares Team-Werkzeug — und alle arbeiten mit demselben qualitätsgesicherten Agenten statt mit uneinheitlichen Einzel-Prompts.

Offenes Beispiel

Ein echter Prompt, eine echte Antwort

Nichts versteckt — Sie sehen Eingabe und Ergebnis, bevor Sie sich anmelden.

Prompt

Baue mir die Spezifikation für einen KI-Agenten „Angebots-Assistent Vertrieb“. Ziel: aus einer kurzen Anfragebeschreibung ein strukturiertes Angebot erstellen. Nenne mir konkret: (1) einen fertigen System-Prompt mit den Abschnitten Rolle, Aufgabe, Regeln und Antwortformat, (2) welche Wissensquellen ich anbinden sollte (Produktkatalog, Preisliste, Textbausteine), (3) welche Werkzeuge/Aktionen sinnvoll sind und (4) welche Leitplanken ich setzen sollte, damit der Agent nichts ohne Prüfung versendet.

So arbeitet meinGPT an Ihrer Aufgabe

Antwort von meinGPT

Baustein	Empfehlung für den Agenten
Rolle (Prompt)	„Du bist Angebots-Assistent für den Vertrieb.“
Aufgabe (Prompt)	Aus Anfragebeschreibung ein Angebot mit Positionen, Summen und Anschreiben erzeugen
Regeln (Prompt)	Fehlende Menge/Rabatt aktiv erfragen; Preise nur aus dem Datenpool; Ton: professionell, knapp
Wissen	Datenpool: Produktkatalog, Preisliste, Textbaustein-Sammlung (RAG)
Werkzeuge	Charts (Kalkulation), optional CRM-Konnektor zum Anlegen des Angebots
Leitplanken	Versand/Schreiben nur nach menschlicher Freigabe; Scope auf freigegebene CRM-Objekte
Modell	„Bestes Modell“ oder ein starkes Reasoning-Modell für saubere Kalkulation

Sofort einsatzbereit

Im eigenen Unternehmen umsetzen

In einer kurzen Live-Demo zeigen wir, wie diese Lösung mit meinGPT DSGVO-konform in Ihrem Unternehmen läuft — anhand Ihrer Anwendungsfälle.

Live-Demo buchen

Oder den Praxis-Leitfaden per E-Mail erhalten:

Geschäftliche E-Mail genügt — DSGVO-konform verarbeitet.

DSGVO & Sicherheit

Auf Enterprise-Compliance ausgelegt

KI-Agenten laufen innerhalb der zentralen Plattform-Governance. Zugriff auf Wissensquellen folgt den vergebenen Berechtigungen; Aktionen über Werkzeuge werden pro Konnektor über Scopes begrenzt (erlaubte Ordner, Labels, Kalender oder Teams) und kritische Schreib-Operationen zusätzlich über Method-Policies. Admin-Freigaben auf Tool-Ebene, das Erstellen, Teilen und Widerrufen von Agenten sowie Zugriffe erfolgen zentral über SSO und sind protokolliert. Betreiber ist die SelectCode GmbH, die nach ISO 27001 zertifiziert ist und ihre Sicherheit regelmäßig durch unabhängige Penetrationstests (zuletzt SySS, 2025) prüfen lässt. Die Plattform wird in der EU betrieben, ein Auftragsverarbeitungsvertrag (AVV) ist Standard, und Unternehmenseingaben werden nicht zum Training der Modelle verwendet — so bleibt die Kontrolle über Daten und ausgelöste Aktionen im Unternehmen und lässt sich gegenüber Datenschutz, Betriebsrat und Auditoren belegen.

Worauf es bei der Auswahl ankommt

No-Code: Lassen sich Agenten ohne Programmierung von Fachbereichen im Editor zusammenstellen?
Wissensanbindung: Kann der Agent Dateien und größere Wissensbestände (RAG-Datenpool) nutzen — gefiltert nach Berechtigungen?
Aktionen: Sind echte Aktionen in Drittsystemen möglich (native Konnektoren, Custom MCP, Datenbanken) — oder nur reiner Chat?
Leitplanken: Lassen sich Zugriffe je Werkzeug über Scopes (erlaubte Ordner, Labels, Teams) und Freigaben für kritische Schreib-Aktionen begrenzen?
Governance: Zentrale Verwaltung, Rollen & Rechte, Audit-Logs und Widerruf von Agenten?
Modellwahl: Lässt sich je Agent das passende Modell wählen, statt an einen Anbieter gebunden zu sein?
Teilbarkeit: Können fertige Agenten im Team wiederverwendet und im Betrieb angepasst werden?

Grenzen & Fehlermodi

Was diese Lösung (noch) nicht kann

Ehrlichkeit ist Teil der Lösung. Diese Grenzen sind bekannt — und damit kalkulierbar.

Ein Agent ist nur so gut wie seine Anweisung und seine Wissensbasis — ohne sauberen System-Prompt und gepflegte Quellen bleiben Antworten allgemein.

Aktionen in Drittsystemen sind durch die vergebenen Berechtigungen und Scopes begrenzt; der Agent kann nur auslösen, wofür er freigeschaltet wurde.

Ergebnisse und Aktionen mit rechtlicher oder finanzieller Wirkung (Angebote, Verträge, Buchungen) müssen vor Verwendung fachlich geprüft und freigegeben werden.

Komplexe, mehrstufige Agenten brauchen Test und Iteration im Testchat — der erste Entwurf ist selten der finale; mehr Tool-Aufrufe kosten zudem mehr Zeit und Credits.

Scope-Durchsetzung ist teils noch tool-spezifisch — für verlässliche Begrenzung sollten Scopes und Method-Policies gesetzt und je Werkzeug einmal im Testchat validiert werden.

FAQ

Häufige Fragen

Über einen Editor, ohne Programmierung: Man legt Grundinfos (Name, Modell, Beschreibung) fest, schreibt eine Anweisung (System-Prompt mit Rolle, Aufgabe, Regeln, Antwortformat), bindet Wissen an (Dateien oder einen RAG-Datenpool), aktiviert Werkzeuge und Aktionen (eingebaute Tools, Konnektoren, Custom MCP, Datenbanken) und setzt Leitplanken (Scopes, Freigaben, maximale Tool-Aufrufe). Danach wird der Agent im Testchat geprüft, freigegeben und im Team geteilt — ohne Release-Zyklus.