KI-Agenten – Respekt, wer's selber baut...

Agentic AI verspricht persönliche Assistenten auf Zuruf – aber wie niedrig ist die Einstiegshürde wirklich? Unser Kolumnist Markus Sekulla macht den Selbstversuch: Wie weit kommt man – ohne Prompt-Ingenieur-Diplom, dafür mit gesundem Menschenverstand – zum eigenen KI-Agenten, der wirklich etwas erledigen kann?

Alles Agent oder was? Ein Selbstversuch.

KI-Agenten sind in aller Munde. Kaum ein Meeting ohne ihre Erwähnung. Kaum ein Tech-Magazin, das in den letzten drei Monaten nicht damit getitelt hat. Und kaum ein Versprechen, das im Bereich künstlicher Intelligenz größer war. Doch wie einfach ist es eigentlich, einen solchen Agenten selbst zu bauen? Also einen, der etwas Brauchbares erledigt – nicht nur lustige Sprüche klopft, sondern echte Aufgaben übernimmt?

Der Buzzword-Dschungel

Da sitze ich also, bewaffnet mit Kaffee, Neugier und einem halben Dutzend Tabs zum Thema „Agentic AI". Die Fachbegriffe prasseln auf mich ein: autonomous workflows, multi-agent collaboration, self-healing systems. Beeindruckend. Und, seien wir ehrlich: Es klingt marketinglastig.

Denn je mehr ich lese, desto mehr beschleicht mich ein Gefühl, das wir alle kennen: Irgendwie wird über das Thema viel mehr geschrieben, als tatsächlich gewusst wird. Gefährliches Halbwissen, hübsch verpackt. Vor allem aber fällt mir auf: Eine wirklich griffige Definition, was ein KI-Agent eigentlich ist, finde ich nirgends.

Die Qual der Tool-Wahl: Ein Marktplatz voller Versprechen

Bevor es an die praktische Umsetzung geht, muss ich mich durch das Dickicht der Tools und Versprechen wühlen. Der Markt für Agentic-AI-Werkzeuge ist ein bunter Flickenteppich:

No-Code-Plattformen wie Zapier, Make oder Microsoft Power Automate werben mit „Drag & Drop your AI-Agent". Verlockend, aber oft begrenzt auf simple Wenn-Dann-Logiken.

Low-Code-Varianten wie n8n oder Bubble bieten mehr Flexibilität, verlangen aber technisches Verständnis.

Code-first-Frameworks wie CrewAI, LangChain oder AutoGen richten sich an Menschen mit Python-Kenntnissen.

Meine Strategie: Ich teste das Spektrum.

CrewAI: Learning by Frustration

Ich beginne mit CrewAI – obwohl die Plattform als eher komplex gilt. Aber ich tauche gern tief in neue Themen ein, und CrewAI schien dafür genau richtig: In fast jedem zweiten YouTube-Video zu Agentic AI wird die Plattform erwähnt, sie gilt als eine der führenden Lösungen im Feld. Wenn ich verstehen will, wie die meisten Leute KI-Agenten bauen, dann bin ich hier wohl richtig, auch wenn der Einstieg dafür etwas steiler scheint.

Bei CrewAI empfängt mich die Frage: „What will you build today? Let AI Agents do the heavy lifting for you." Oh ja, sehr gerne.

Was folgt, ist … nennen wir es „Learning by Frustration“.

Die Plattform wirbt mit einem Low-Code-Ansatz – doch bereits nach zehn Minuten fühle ich mich wie in einem Escape Room ohne Hinweiszettel. Ich scheitere an der simplen Frage: Was genau muss ich diesem Agenten eigentlich mitgeben, und was bedeuten diese ganzen Begriffe wie Node, JSON, Template? Man sagt, dass das Erstellen eines Agenten genauso ist wie das Onboarding von Mitarbeitenden. Treffend.

Die Dokumentation ist zwar umfangreich, aber irgendwie sprechen alle aneinander vorbei. Ein Tutorial erklärt mir „Agents“ und „Tasks“, das nächste redet von „Crews“ und „Tools“. Als würde ich drei verschiedene Produkte gleichzeitig lernen.

Nach einiger Zeit habe ich – mit Hilfe von ChatGPT – immerhin einen „Agenten“ zusammengeklickt, der mir morgens unter Berücksichtigung meines Kalenders schaut, ob ich einen Regenschirm brauche. Aber ganz ehrlich, das kann ich ja mit einem simplen App-Aufruf auch. Oder mit Siri – die Älteren werden sich erinnern.

Die Wahrheit ist: Auch wenn Plattformen wie CrewAI vieles vereinfachen, ist der Einstieg so steil wie gedacht. Zumindest, wenn man kein Techie mit Python-Tattoo ist. Aber der Eindruck bleibt, dass man mit ein wenig Zeiteinsatz hier eigentlich so gut wie alles bauen könnte. Weiter zur nächsten Option.

n8n – Workflow statt Wunder

Etwas leichter fällt mir der Einstieg mit der Plattform n8n, einer Art Mindmap-Automatisierer mit hübscher Drag-and-Drop-Oberfläche. Hier bastle ich mir eine Datenpipeline: Wenn ein neuer Artikel via RSS-Reader eintrifft → an ChatGPT schicken → Textentwurf generieren → an mein Newsletter-Tool senden.

Wichtiger Hinweis: Dazu muss man seine ChatGPT-Subscription in den Developer-Modus umwandeln. (Das kostet extra, etwa 20 Dollar pro Million Tokens.)

Die Oberfläche ist intuitiver als CrewAI, aber auch hier muss ich lernen, wie APIs ticken, was Webhooks machen. Und warum mein wunderschöner Flow plötzlich nur noch Fragezeichen zurückliefert. Zum Glück kann das immer im Hintergrund laufende ChatGPT-Fenster helfen.

Und trotzdem: Der Moment, in dem mein kleiner, selbstgebauter Assistent mir zum ersten Mal eigenständig einen Newsletter-Entwurf schickt, fühlt sich ein bisschen an wie damals, als mein Commodore C64 zum ersten Mal ein Spiel geladen hat.

Ist das schon ein Agent?

Noch habe ich technisch gesehen keinen Agenten gebaut, sondern eher cleveres Workflow-Management. Was es braucht, ist ein kleiner Loop, der vergangene Newsletter analysieren kann und verbesserte Inhalte vorschlägt. Erst dann kommt so etwas wie Eigeninitiative ins Spiel, und damit ein echter Agent.

Die Grenze zwischen Workflow-Automation und „echtem Agentenverhalten" ist irgendwie klar, dann doch aber wiederum fließend. Es braucht noch ein paar Schritte mehr. Zum Beispiel Entscheidungslogiken, Zieldefinitionen, Reflexionsmechanismen.

Fazit

Der Weg zur eigenen KI ist heute schon möglich, aber nicht ganz so leicht, wie es überall versprochen wird. Hand aufs Herz: Ohne ChatGPT und YouTube hätte meine Geduld nicht gereicht. Für echte Low-Code-Lösungen fehlt oft die Struktur. Für No-Code fehlt der Kontext. Und für Code-first braucht man entweder Zeit oder gutes Vorwissen – oder einen geduldigen KI-Consultant im Nebenfenster.

Text: Markus Sekulla