Einen KI-Agenten zu erstellen ist mit n8n, Make oder LangChain schnell erledigt, oft steht nach einem Wochenende ein Prototyp. Was danach kommt, sieht man ihm nicht an: Auftragsverarbeitungsverträge, Freigabeschritte, Monitoring, Kostenkurve der Modell-API. Unternehmen haben drei Wege: selbst bauen, bauen und betreiben lassen oder einen fertigen Agenten kaufen, den die eigene Software mitbringt. Was ein Agent grundsätzlich ist und wo er Grenzen braucht, erklärt KI-Agenten im Unternehmen.
Kurzfassung
- Selbst bauen passt für Unternehmen mit eigenem Entwicklungs- und Betriebsteam und Agenten, die nur mit unkritischen Daten arbeiten.
- Ein fertiger Agent wie HubSpot Breeze oder Copilot Cowork reicht, wenn der Ablauf vollständig in einem System liegt (Stand: Oktober 2026).
- Das betrifft vor allem Mittelstandsbetriebe ohne Betriebsteam, für die bei sensiblen oder systemübergreifenden Abläufen das Betreibenlassen der kürzere Weg ist.
Drei Wege zum ersten Agenten
Selbst bauen. Das eigene Team baut den Agenten mit einer Low-Code-Plattform wie n8n oder Make oder mit einem Framework wie LangChain und betreibt ihn danach selbst. Volle Kontrolle, volle Verantwortung für Betrieb und Datenschutz. Was n8n dabei in Cloud und Eigenbetrieb kostet, steht im Beitrag zu n8n KI.
Betreiben lassen. Ein Dienstleister baut den Agenten in den Systemen, die das Unternehmen bereits nutzt, und übernimmt danach Monitoring, Updates und Fehlerbehandlung. Das Unternehmen legt Aufgabe, Grenzen und Freigaben fest.
Fertig kaufen. Viele Softwareanbieter liefern inzwischen eigene Agenten mit, etwa HubSpot Breeze und Salesforce Agentforce im CRM oder Copilot Cowork in M365. Einrichtung und Betrieb liegen beim Hersteller, die Logik folgt seinem Standard. Wo diese Agenten reichen, vergleicht HubSpot Breeze vs. Salesforce Agentforce.
Was beim Erstellen schnell geht
Low-Code-Plattformen machen den Einstieg leicht. Ein Agent, der eine Mail liest, sie einordnet und eine Antwortvorlage erstellt, entsteht ohne eine Zeile Code: Das Sprachmodell liefert das Verständnis, der Workflow verknüpft die Schritte. Für einen gut abgegrenzten Anwendungsfall kommt ein Prototyp damit weit, mit niedriger Einstiegshürde und ohne Infrastrukturkosten zu Beginn.
Was die Plattformen nicht beantworten, sind die Fragen des laufenden Betriebs. Wer bemerkt eine Halluzination, wer korrigiert und protokolliert sie? Welche Daten fließen in welches Modell, auf welchem Server, unter welchen Vertragsbedingungen? Im Prototyp hängt noch kein Ablauf davon ab, im Tagesgeschäft sind es die entscheidenden Fragen.
Was zwischen Prototyp und Betrieb liegt
Auf fünf Ebenen ist der dauerhafte Betrieb deutlich aufwendiger als der Prototyp:
Datenschutz und Auftragsverarbeitung. Jede Anfrage an ein externes Sprachmodell ist eine Verarbeitung im Sinne des Datenschutzrechts. Jede Datenklasse braucht eine Rechtsgrundlage, jeder externe Anbieter einen Auftragsverarbeitungsvertrag (AVV). Ein Prototyp läuft mit Testdaten, der Agent im Tagesgeschäft täglich mit echten, oft vertraulichen Inhalten.
Freigabe bei kritischen Entscheidungen. Bereitet ein Agent Entscheidungen mit rechtlicher oder finanzieller Wirkung vor, verlangt das Datenschutzrecht in bestimmten Konstellationen einen menschlichen Eingriff. Der Freigabeschritt muss von Anfang an in der Architektur stehen und die Ausführung technisch blockieren.
Monitoring und Fehlerbehandlung. Was passiert, wenn das Modell falsch einordnet, die externe API nicht antwortet oder ein Workflow ohne Fehlermeldung abbricht? Im Prototyp schaut jemand zu, im Betrieb läuft der Agent ohne ständige Aufsicht. Ohne Monitoring und definierte Wiederaufnahme wird jeder Ausfall zum Notfall.
Modellkosten und Rate Limits. Ein Agent, der täglich Tausende Anfragen verarbeitet, hat eine andere Kostenstruktur als ein Prototyp mit ein paar Testläufen. Wer Volumen und Rate Limits der Modell-API nicht vorab durchrechnet, bekommt überraschende Monatsrechnungen oder stehende Abläufe.
Updates und Versionen. Anbieter aktualisieren Modelle und APIs und ändern Voreinstellungen. Ein Agent, der auf ein bestimmtes Modellverhalten abgestimmt ist, verhält sich nach einem Update womöglich anders. Der Betrieb braucht deshalb Regressionstests, bevor ein neues Modell live geht.
Selbst bauen, betreiben lassen, kaufen im Vergleich
Stand: Oktober 2026. Die Tabelle beschreibt typische Ausprägungen, keine Preise.
| Kriterium | Selbst bauen | Betreiben lassen | Fertig kaufen |
|---|---|---|---|
| Initialer Aufwand | Gering (Low-Code) bis hoch (eigener Code) | Gering bis mittel | Gering |
| Laufender Aufwand | Hoch: Monitoring, Updates, Fehler | Gering, liegt beim Dienstleister | Gering, liegt beim Hersteller |
| Datenschutz-Einrichtung | Liegt beim Unternehmen | Teil des Auftrags, AVV nötig | Nach Vertrag des Herstellers |
| Anpassbarkeit | Hoch | Hoch, im Rahmen des Auftrags | Gering, Standard des Herstellers |
| Systemübergreifend | Ja | Ja | Meist nur im eigenen System |
| Interne Ressourcen | Entwicklung und Betrieb | Fachliche Ansprechperson | Administration der Software |
Gesamtkosten rechnen
Die Werkzeugkosten wirken beim Selbstbau oft niedrig. Was die Rechnung kippt, sind Entwicklungszeit, Betriebswissen, Monitoring und die Datenschutz-Einrichtung. Wer diese Posten weglässt, vergleicht einen Prototyp mit einem System im Tagesgeschäft.
Wann Selbstbauen passt
Eigenentwicklung lohnt sich unter drei Bedingungen. Erstens gibt es ein internes Entwicklungs- und Betriebsteam, das langfristig verfügbar bleibt und nicht von anderen Prioritäten aufgesogen wird. Zweitens arbeitet der Agent mit öffentlichen oder unkritischen internen Daten, etwa beim Zusammenfassen öffentlicher Marktberichte. Drittens braucht der Ablauf eine Logik, die kein Standardangebot abdeckt, oder das Unternehmen will die Infrastruktur aus strategischen Gründen vollständig selbst kontrollieren.
Für viele Mittelstandsbetriebe trifft höchstens der erste Punkt zu, und auch der nur teilweise.
Wann ein fertiger Agent reicht
Ein mitgelieferter Agent ist der schnellste Weg, wenn der Ablauf vollständig in einem System liegt: Lead-Qualifizierung in HubSpot, Ticketsortierung im Helpdesk, Zusammenfassungen in M365. Viele Helpdesk-Werkzeuge bringen eine KI-gestützte Klassifizierung bereits als Funktion mit. Prüfen musst du, wo der Hersteller die Daten verarbeitet, welcher AVV gilt und ob sich Freigaben und Protokolle so einstellen lassen, wie der Ablauf es verlangt.
An Grenzen stößt der fertige Agent, sobald ein Ablauf mehrere Systeme verbindet, etwa Postfach, ERP und Dokumentenablage, oder Regeln braucht, die der Hersteller nicht vorsieht.
Wann Betreibenlassen sinnvoller ist
Sensible Daten. Kundendaten, Personalakten oder Finanzdaten verlangen eine Datenschutz-Einrichtung, die von Anfang an in der Architektur steckt. Wo Daten das Haus nicht verlassen sollen, ist eine private KI-Infrastruktur die Grundlage.
Kein Betriebsteam. Einen Agenten zu bauen ist eine Sache. Ihn stabil zu betreiben, Ausfälle zu erkennen, Updates sicher einzuspielen und Rechte sauber zu schneiden, ist eine andere Kompetenz, die man aufbaut oder einkauft.
Systemübergreifende Abläufe. Ein Agent, der Mails liest, im ERP nachschlägt und Entwürfe in der Ablage speichert, passt in kein einzelnes Herstellerprodukt.
Betriebsstabilität. Läuft ein Ablauf täglich und sind bei einem Ausfall Kunden direkt betroffen, müssen Monitoring und Zuständigkeit geklärt sein, bevor etwas schiefgeht.
Typische Fallen beim Selbstbauen
Geerbte Benutzerkennung. Läuft der Agent mit dem Zugang einer Sachbearbeiterin, hat er deren gesamte Rechte. Er braucht eine eigene technische Kennung mit minimalem Rechteschnitt.
Kein Audit-Trail. Ohne Protokoll von Eingaben, Entscheidungen und Werkzeugaufrufen gibt es bei einem Fehler weder Ursache noch Nachweis. Nachrüsten ist teurer als von Anfang an einbauen.
AVV fehlt. Manche Einstiegstarife von Modellanbietern enthalten keinen Auftragsverarbeitungsvertrag, und je nach Nutzungsbedingungen dürfen Eingaben für das Training verwendet werden. Bei personenbezogenen Daten ist das ein Datenschutzproblem.
Rate Limits im laufenden Betrieb. Getestet mit einem kleinen Datensatz, trifft der Agent im Alltag plötzlich auf die Ratenbeschränkung der Modell-API, und der Ablauf steht mitten am Tag.
Unbemerkte Update-Regression. Der Anbieter aktualisiert das Modell, der Agent ändert sein Verhalten leicht, und niemand merkt es, weil es keine Regressionstests gibt.
Fazit
Die Wahl ist eine Ressourcenfrage. Wer Entwicklung und Betrieb im Haus hat, mit unkritischen Daten arbeitet und volle Anpassbarkeit braucht, baut selbst. Wer einen Ablauf hat, der komplett in HubSpot, Salesforce oder M365 liegt, prüft zuerst den mitgelieferten Agenten. Wer sensible Daten verarbeitet, mehrere Systeme verbinden muss und kein Betriebsteam aufbauen will, lässt bauen und betreiben.
Andre Loreth beobachtet in Projekten, dass die meisten Mittelstandsbetriebe in der dritten Lage sind, auch wenn der schnelle Prototyp den Selbstbau näher wirken lässt. Wie ein Agent danach in die breitere KI-Prozessautomatisierung einfließt, beschreibt der Leitfaden dazu.