Zum Inhalt springen

KI-Agent erstellen, betreiben lassen oder kaufen: Drei Wege im Vergleich

Ein Prototyp ist schnell gebaut, der dauerhafte Betrieb ist das eigentliche Projekt. Wann Selbstbau, Betrieb durch Dritte oder ein fertiger Agent passt.

Andre LorethAktualisiert am 7 Min. Lesezeit
Teilen
KI-Agent erstellen oder betreiben lassen: Vergleich für Unternehmen

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.

KriteriumSelbst bauenBetreiben lassenFertig kaufen
Initialer AufwandGering (Low-Code) bis hoch (eigener Code)Gering bis mittelGering
Laufender AufwandHoch: Monitoring, Updates, FehlerGering, liegt beim DienstleisterGering, liegt beim Hersteller
Datenschutz-EinrichtungLiegt beim UnternehmenTeil des Auftrags, AVV nötigNach Vertrag des Herstellers
AnpassbarkeitHochHoch, im Rahmen des AuftragsGering, Standard des Herstellers
SystemübergreifendJaJaMeist nur im eigenen System
Interne RessourcenEntwicklung und BetriebFachliche AnsprechpersonAdministration der Software

Gesamtkosten rechnen

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.

Dieser Artikel ist mit Unterstützung künstlicher Intelligenz entstanden. Bei dem, was wir hier machen, wäre alles andere seltsam gewesen.

Teilen

NeuGoogle

Mach uns zu deiner bevorzugten Quelle

Google lässt dich festlegen, welche Seiten in deinen Suchergebnissen weiter oben stehen sollen. Markierst du uns als bevorzugte Quelle, tauchen unsere Artikel bei dir zuverlässiger auf.

Bei Google hinzufügen

Noch offene Fragen?

Einen Prototyp kannst du oft kostenlos erstellen, weil Plattformen wie n8n oder Make kostenlose Einstiegstarife oder eine selbst gehostete Variante anbieten. Kosten entstehen im laufenden Betrieb: Modell-API, Infrastruktur, Monitoring, Datenschutz-Einrichtung und Pflege. Ein Agent, der täglich mit echten Daten arbeitet, ist praktisch nie kostenlos.

Ein einfacher Prototyp ist mit Low-Code-Werkzeugen in ein bis zwei Tagen gebaut. Ein Agent für das Tagesgeschäft mit Freigabeschritten, Monitoring, Fehlerbehandlung und Datenschutz-Einrichtung braucht je nach Umfang mehrere Wochen und setzt technisches Wissen für Betrieb und Pflege voraus.

Ein fertiger Agent ist ein Agent, den der Hersteller einer bestehenden Software mitliefert, etwa HubSpot Breeze, Salesforce Agentforce oder Copilot Cowork in M365. Er reicht, wenn der Ablauf vollständig in diesem einen System stattfindet und dem Standard des Herstellers entspricht. Sobald ein Ablauf mehrere Systeme verbindet oder eigene Regeln braucht, stößt er an Grenzen.

Beim Betreiben lassen übernimmt ein Dienstleister Aufbau, Monitoring und Pflege des Agenten, die datenschutzrechtliche Verantwortung bleibt aber beim Unternehmen. Das Unternehmen bleibt Verantwortlicher, der Dienstleister arbeitet als Auftragsverarbeiter mit Auftragsverarbeitungsvertrag (AVV). Festlegen musst du weiterhin, welche Aktionen der Agent ohne Freigabe ausführen darf.

Ein KI-Agenten-System ist eine Architektur aus mehreren KI-Agenten, die über definierte Schnittstellen zusammenarbeiten. Ein Orchestrator verteilt Teilaufgaben an spezialisierte Agenten, die recherchieren, schreiben oder prüfen. Solche Systeme bilden komplexere Abläufe ab, sind aber deutlich aufwendiger zu betreiben und zu debuggen als ein einzelner Agent.

Du planst gerade eine KI-Automatisierung?

Wir gehen deinen Plan gemeinsam durch und sagen dir, wo wir anfangen würden.

Lohnt sich, wenn

  • du keinen eigenen Betrieb für KI-Agenten hast
  • dein Agent mit sensiblen oder systemübergreifenden Daten arbeiten soll
  • du Selbstbau, Betrieb durch Dritte und fertige Agenten vergleichen willst

Am besten kommst du mit

  • der Beschreibung des Ablaufs, den ein Agent übernehmen soll
  • einer Liste der beteiligten Systeme und Daten

30 Minuten. Danach weißt du, welche drei Prozesse bei dir zuerst dran sind.

Lieber erst schreiben? E-Mail schreiben