KI-Agenten selbst erstellen: So starten Unternehmen ohne eigenes Entwicklerteam

AI agent creating

⏱ 16 Min. Lesezeit

Die meisten Teams, die einen KI-Agenten bauen wollen, öffnen zuerst eine leere Python-Datei. Das ist der langsamste und teuerste Weg, und genau deshalb liegt die eigentliche Kompetenz 2026 nicht darin, eine Reasoning-Schleife von null zu programmieren. Einen KI-Agent erstellen bedeutet heute, bewährte Bausteine zusammenzusetzen: ein Sprachmodell, Speicher, Werkzeuge, Orchestrierung und Leitplanken, zu etwas, das ein konkretes, messbares Problem löst. Die Teile existieren bereits. Deine Aufgabe ist, sie an dein Geschäft anzuschließen, nicht sie neu zu erfinden.

Dieser Leitfaden zeigt, wie du einen KI-Agent erstellen kannst, ohne den Hype. Du erfährst, was ein Agent wirklich ist, welche Frameworks und No-Code-Builder die Arbeit übernehmen, was ein realistischer Aufbau kostet und dauert, wo Projekte still scheitern, und zwei echte Rollouts, einer im Konzern, einer in einem Shopify-Store. Jede Zahl unten verlinkt ihre Quelle, weichere Aussagen sind markiert.

Team plant, wie man einen KI-Agent erstellen kann, auf einem Bildschirm im Buero
Einen Agenten zu bauen ist Montage, kein Entwicklungsprojekt von null.

Was „einen KI-Agenten erstellen“ 2026 wirklich bedeutet

Ein KI-Agent ist ein System, das ein Ziel übernimmt, Schritte plant, Werkzeuge oder APIs aufruft und mit wenig menschlichem Eingriff handelt. Das ist die Grenze zum Chatbot, der nur antwortet, und zur klassischen Automatisierung, die einem festen Skript folgt. Ein Support-Chatbot nennt die Rückgaberegeln. Ein Agent schlägt die Bestellung nach, prüft die Berechtigung, erstattet den Betrag und aktualisiert den Datensatz. Der Unterschied ist die Fähigkeit, mit Live-Daten zu handeln, nicht nur darüber zu reden.

💡 Profi-Tipp

Wenn eine Aufgabe nie verzweigt und nie Live-Daten berührt, willst du eine Automatisierung, keinen Agenten. Reserviere Agenten für Arbeit, bei der der nächste Schritt vom letzten Ergebnis abhängt.

Diese Unterscheidung ist wichtig, weil Anbieter sie bewusst verwischen. Gartner nennt das „Agent Washing“, also das Umetikettieren von Chatbots und RPA als Agenten, und schätzt, dass nur rund 130 von Tausenden selbsternannter Agenten-Anbieter echt sind. Der erste Schritt, um einen KI-Agent erstellen zu können, ist deshalb ehrliches Scoping: Entscheide, ob deine Aufgabe wirklich entscheiden und handeln muss.

Kurz gesagt: Ein Agent plant und handelt mit Live-Daten. Ein Chatbot antwortet nur. Kläre den Unterschied, bevor du etwas baust.

Warum Unternehmen jetzt KI-Agenten erstellen

Der Antrieb ist kommerziell, nicht akademisch. Laut MarketsandMarkets lag der Markt für KI-Agenten 2025 bei rund 7,84 Milliarden US-Dollar und soll bis 2030 auf 52,62 Milliarden wachsen, mit einem jährlichen Wachstum von 46,3 %. Andere Marktforscher nennen andere Summen, landen aber in einem ähnlichen Bereich, nimm die genaue Zahl also als eine Schätzung und die Richtung als Signal.

Die Verbreitung stützt das, und die Definitionen zählen hier. McKinseys The State of AI (November 2025) berichtet, dass 88 % der Unternehmen KI regelmäßig in mindestens einer Funktion nutzen, 23 % ein agentisches System in mindestens einer Funktion skalieren, und weitere 39 % mit Agenten experimentieren. Beachte die Formulierung: „in mindestens einer Funktion skalieren“ ist nicht unternehmensweit, die meisten der 23 % sind nur in ein, zwei Funktionen live.

KI-Nutzung ist breit, das Skalieren von Agenten aber selten

KI in mindestens einer Funktion88%
Experimentieren mit KI-Agenten39%
Agenten in einer Funktion skalieren23%

Quelle: McKinsey, The State of AI, November 2025.

eCommerce liegt genau im Sweet Spot. Support, Bestellstatus, Retouren und Produktfragen sind hochvolumig und datenreich, das passt sauber zu einem engen Agenten. Trotzdem bleibt die Nutzung flach: Die Shopify Händler-Umfrage 2025 fand, dass drei Viertel etablierter Unternehmen KI nutzen, aber 69 % nur für Content und weniger als ein Drittel für Support, Automatisierung oder Analyse. Für einen Onlineshop ist einen KI-Agent erstellen heute eine praktische Frage, und diese Lücke ist die Chance.

Kurz gesagt: Der Markt wächst schnell, doch die meisten dabbeln nur, und „Skalieren“ heißt meist eine Funktion. Tiefe bringt den Ertrag.

Selbst bauen, kaufen oder zusammensetzen?

Es gibt drei echte Wege, und nur einer heißt „bei null starten“. Du kannst einen fertigen Agenten kaufen (eine Shopify-Support-App), einen aus Frameworks und No-Code-Tools auf deinen Daten zusammensetzen, oder den ganzen Stack intern bauen. Für die meisten Shopify- und DTC-Marken gewinnt das Zusammensetzen, weil es Kontrolle über Logik und Daten gibt, ohne die Kosten eigener Infrastruktur. Kaufen ist schneller für Standard-Support, ein Bau von null lohnt nur bei wirklich ungewöhnlichen Prozessen.

Die Tabelle unten zeigt die Entscheidung, vor der die meisten Teams stehen. Lies die letzte Spalte zuerst: Sie nennt das Hauptrisiko jedes Wegs. Das ist die erste echte Weggabelung, wenn du einen KI-Agent erstellen willst.

AnsatzAm besten fürHauptrisiko
Fertig kaufenStandard-Support, schneller StartFlache Logik, Kosten pro Ticket
ZusammensetzenEigene Flows auf deinen DatenBraucht Owner und Pflege
Von null bauenSeltene, neue ProzesseHohe Kosten, hohe Ausfallrate
📌 Gut zu wissen

„Ohne bei null anzufangen“ ist der Kern. Das Zusammensetzen nutzt Modelle, Speicher und Konnektoren wieder, die schon funktionieren, damit deine Arbeit in die Geschäftslogik fließt, nicht in die Verrohrung.

Ein kurzer eCommerce-Blick auf „kaufen“: Ist dein Stack Standard (Shopify, Stripe, ein gängiges Helpdesk), liefern die meisten Anbieter fertige Konnektoren, du bist in Tagen live. Zusammensetzen lohnt, sobald deine Retourenregeln, Abo-Logik oder Margenpolitik vom Standard abweichen. Genau dort verdient auch ein Umsetzungspartner sein Honorar, weil die Arbeit vom App-Klicken zum Design von Verhalten wechselt.

Kurz gesagt: Kaufen für Standard-Support, zusammensetzen für eigene Flows, von null bauen nur für seltene Prozesse. Zusammensetzen passt den meisten Stores.

Die fünf Schichten, die jeder KI-Agent braucht

Welchen Weg du auch wählst, jeder funktionierende Agent hat dieselben fünf Schichten. Nimm sie als Checkliste. Kannst du nicht benennen, was jede füllt, ist der Agent nicht produktionsreif. Dieses Modell ist der schnellste Weg zu verstehen, wie du einen KI-Agent erstellen kannst, ohne dich im Framework-Marketing zu verlieren.

1
Modell (das Denken)Das LLM, das plant und entscheidet, etwa Claude, GPT oder Gemini. Anbieter wechseln, wenn Preis und Qualität sich verschieben.
2
Speicher (der Kontext)Kurzfristiger Chat-Status plus langfristiges Retrieval (RAG), damit der Agent Kunde und Katalog kennt.
3
Werkzeuge (die Hände)APIs und Funktionen, die er aufruft: Bestellabfrage, Erstattung, Versand, Bestand. Zunehmend über das Model Context Protocol verdrahtet.
4
Orchestrierung (der Ablauf)Die Logik, die Schritte, Wiederholungen und Schleifen steuert. Hier arbeiten Frameworks wie LangGraph.
5
Leitplanken (die Bremse)Freigaben, Limits und menschliche Eskalation. Wenn ein Agent handeln kann, werden Fehler zu Aktionen, diese Schicht ist nicht optional.

Die Schicht, die Teams am häufigsten überspringen, ist der Speicher. Ein Agent ohne authentifizierten Kontext zum Kunden ist nur ein Chatbot mit Extraschritten. Am stärksten unterinvestiert wird in Leitplanken, und dort lecken Vertrauen und Budget zugleich. Beides richtig gemacht, der Rest ist Montage.

Kurz gesagt: Modell, Speicher, Werkzeuge, Orchestrierung, Leitplanken. Ohne Speicher hast du einen Chatbot. Ohne Leitplanken ein Risiko.
Haende bauen einen KI-Agenten mit verbundenen Nodes auf dunklem Bildschirm
Werkzeuge und Orchestrierung machen aus einem Sprachmodell einen handelnden Agenten.

KI-Agenten-Tools und Frameworks im Vergleich

KI-Agenten-Tools und Frameworks liefern dir Orchestrierung, Speicher und Tool-Calling, damit du sie nicht neu baust. Frameworks sind der Grund, warum einen KI-Agent erstellen nicht mehr bedeutet, Orchestrierung von Hand zu schreiben. Es gibt keinen einzigen Sieger. Die richtige Wahl hängt davon ab, wo deine Komplexität sitzt und welches Framework am saubersten an deine Daten andockt.

FrameworkAm besten fürAchtung
LangChainBreitestes Ökosystem, schnelle PrototypenKann ohne Disziplin wuchern
LangGraphZustandsbehaftete Flows, FreigabenHöherer Design-Aufwand vorab
CrewAIRollenbasierte Multi-Agenten-TeamsMehr Token-Geplänkel
LlamaIndexRetrieval-lastige, RAG-basierte BuildsSchwächer bei Orchestrierung
Microsoft Agent FrameworkEnterprise, AutoGen-NachfolgerNeuer, noch im Setzen

Die meisten dieser Frameworks sind Open Source und kostenlos. Du zahlst für drei Dinge darüber: Modellnutzung (per Token bei OpenAI, Anthropic oder Google), Hosting und Tooling wie Observability. Die Tabelle zeigt die Preisform Stand 2026, diese Zahlen ändern sich, prüfe also vor dem Budget.

ToolPreismodellEinstieg
LangChain, LangGraphOpen-Source-FrameworkKostenlos
CrewAI, LlamaIndexOpen Source, Cloud kostenpflichtigSelf-Hosting kostenlos
LangSmithPro Seat plus NutzungGratis-Stufe, dann 39 $/Seat/Monat

Ein paar praktische Hinweise. LangChain ist der übliche Standard wegen seiner Konnektor-Bibliothek, und LangGraph, seine Graph-Runtime, ergänzt dauerhaften Zustand und Human-in-the-Loop-Unterbrechungen. Für Tracing und Evaluation startet LangSmiths Preis gratis für einen Entwickler und liegt für Teams bei 39 US-Dollar pro Seat und Monat. LlamaIndex glänzt bei Retrieval über eigene Dokumente, und AutoGen ist heute im Microsoft Agent Framework aufgegangen.

⚠️ Achtung

Die Framework-Wahl ist umkehrbar. Deine Kontext- und Datenschicht nicht. Wähle das passende Framework, dann investiere echte Zeit in saubere Daten und Observability, das entscheidet über den Produktionserfolg.

Kurz gesagt: Frameworks sind meist kostenlos. Der echte Kostenblock ist Modellnutzung, Hosting und Tooling wie LangSmith. Datenqualität zählt mehr als das Logo.

OpenAI Agents SDK, Claude Agent SDK und Shopify Flow: Was passt wann?

Neben LangChain und Co. gibt es zwei Herstellerbibliotheken, die viele Teams ansehen, wenn sie einen KI-Agenten mit ChatGPT- oder Claude-Modellen erstellen wollen (Stand: Oktober 2026). Das OpenAI Agents SDK ist laut Dokumentation Python-first und bringt Agents (Modelle mit Anweisungen und Werkzeugen), Handoffs an andere Agenten, Guardrails für Ein- und Ausgaben, Tracing, Sessions als Gedächtnis und eingebaute Mechanismen für Human-in-the-Loop mit. Das Claude Agent SDK gibt es für Python und TypeScript. Es liefert dieselbe Agenten-Schleife wie Claude Code, mit eingebauten Werkzeugen, Hooks, Subagenten, MCP-Anbindung, Berechtigungen und Sessions.

Beide sind Bibliotheken für Entwickler, keine No-Code-Baukästen. Die eingebauten Werkzeuge des Claude Agent SDK drehen sich um Dateien, Befehle und Websuche, Shop-Funktionen wie Bestandsabfrage oder Produktupdate hängst du selbst als eigene Werkzeuge oder über MCP an. Wer sich zwischen den Modellen noch nicht entschieden hat, findet im Vergleich ChatGPT, Claude oder Gemini fürs Unternehmen eine Entscheidungshilfe.

OptionTypPasst im Shop fürAchtung
OpenAI Agents SDKPython-BibliothekMehrere spezialisierte Agenten mit Übergabe, etwa Support und RetourenCode nötig, Modellnutzung pro Token
Claude Agent SDKPython- und TypeScript-BibliothekAgenten mit MCP-Werkzeugen und Berechtigungsstufen, etwa Katalog oder ReportingCode nötig, Berechtigungen bewusst setzen
Shopify FlowKostenlose Shopify-App für AutomationenFeste Wenn-dann-Abläufe aus Trigger, Bedingung und AktionKein Agent, folgt festen Regeln
n8n, Make, ZapierNo-Code-BuilderAgent als Workflow mit Modell, Speicher und WerkzeugenAbrechnungsmodell beachten

Shopify Flow ist kein Agent, aber ein guter Nachbar: Die App ist kostenlos und auf den Plänen Basic, Grow, Advanced und Plus verfügbar, die Aktion „Send HTTP Request“ gibt es ab Grow. Damit kann ein Flow-Ereignis, etwa eine neue Bestellung oder ein niedriger Bestand, einen externen Agenten anstoßen, zum Beispiel einen n8n-Workflow per Webhook. Die festen Regeln bleiben in Flow, das Urteilsvermögen übernimmt der Agent.

Kurz gesagt: SDKs sind für Entwickler, Builder für No-Code, Flow für feste Regeln. Für Shops funktioniert oft die Kombination: Flow als Auslöser, Agent für den Fall, der Urteilsvermögen braucht.

So erstellst du KI-Agenten mit n8n

Willst du einen funktionierenden Agenten, ohne eine Orchestrierungs-Engine zu schreiben, ist ein n8n KI Agent der kürzeste Weg, und einer der zugänglichsten, um einen KI-Agent erstellen zu können, ohne schwere Entwicklung. Der Agenten-Node von n8n baut auf LangChain auf und läuft auf einem visuellen Canvas, du siehst jeden Schritt. Mit über 500 fertigen Integrationen ist die Werkzeug-Schicht meist eine Frage des Verbindens von Nodes.

Ein n8n-Agent hat vier bewegliche Teile auf dem Canvas: einen Trigger (Webhook, Zeitplan oder Chat), den AI-Agent-Node fürs Denken, Sub-Nodes für Modell, Speicher und Werkzeuge, und einen Output-Node, der das Ergebnis leitet. Du wählst das Modell und begrenzt, was der Agent anfassen darf, bevor er läuft. Diese Sichtbarkeit macht n8n zu einem starken Baukasten für Teams, die Kontrolle ohne volles Entwicklungsprojekt wollen.

n8n ist nicht der einzige No-Code-Builder, und der Vergleich wurde versprochen. Die drei relevanten sind n8n, Make und Zapier. Alle drei haben 2026 Agenten-Funktionen ergänzt und binden OpenAI, Anthropic und Gemini an, der echte Unterschied ist das Abrechnungsmodell, das deine Rechnung bei Volumen bestimmt. Die Tabelle zeigt die Form Stand 2026, prüfe aktuelle Preise vor dem Abschluss.

PlattformAbrechnungEinstiegspreis
n8nPro Workflow-LaufSelf-Host gratis, Cloud ab 20 €/Monat bei jährlicher Abrechnung (Stand: Oktober 2026)
MakePro Credit (früher Operation)Gratis-Plan mit 1.000 Credits/Monat, Preise der Bezahlpläne bei Make prüfen
ZapierPro Task (Schritt)Ab 19,99 $/Monat bei jährlicher Abrechnung (Pro, 750 Tasks, Stand: Oktober 2026)

Die praktische Lesart: Zapier ist am einfachsten zu starten, rechnet aber pro Schritt, ein mehrstufiger Agentenlauf wird schnell teuer. Make rechnet inzwischen in Credits, die Preise der Bezahlpläne prüfst du direkt bei Make. n8n rechnet pro ganzem Workflow-Lauf und lässt sich gratis selbst hosten, das macht es bei Volumen am günstigsten. Anders als bei den Cloud-Diensten Zapier und Make können die Workflow-Daten so auf deinen Servern bleiben, das gilt aber genauso für selbst gebaute Agenten mit Frameworks wie LangChain. Für einen Store mit hohem Support-Volumen summiert sich dieser Unterschied Monat für Monat.

⚠️ Achtung

Der Konversationsspeicher von n8n wird zurückgesetzt, wenn ein Workflow endet, langfristigen Kontext hält er allein nicht. Für dauerhaften Speicher bindest du eine externe Datenbank ein. Plane das ab Tag eins, nicht nach dem Launch.

Hier gilt auch „mehr Apps sind keine Strategie“. Jeder Konnektor mehr ist ein weiteres Wartungsthema und eine weitere Bremse für den Store. Dieselbe Disziplin, die einen Storefront schnell hält, gilt auch hier, deshalb lohnt es sich, vorher langsame Apps aufräumen zu lesen.

Kurz gesagt: n8n, Make und Zapier bauen alle Agenten. Das Abrechnungsmodell entscheidet. n8n rechnet pro Lauf und self-hostet, das gewinnt bei Volumen.

KI-Agenten kostenlos erstellen: Was wirklich gratis ist

„KI-Agenten erstellen kostenlos“ ist eine häufige Suche, und die ehrliche Antwort lautet: Die Software kann gratis sein, die Modellnutzung nicht. Die Bausteine, die du ohne Lizenzkosten testen kannst (Stand: Oktober 2026):

  • n8n Community Edition: die selbst gehostete Version, du zahlst nur für Server und Modell. Die gehostete n8n Cloud startet laut Preisseite bei 20 € pro Monat bei jährlicher Abrechnung (Starter, 2.500 Workflow-Ausführungen pro Monat).
  • Zapier Free: 100 Tasks pro Monat, aber nur zweistufige Zaps. Für Zapier Agents nennt die Preisseite zusätzlich 400 Aktivitäten pro Monat, als eigene Abrechnungseinheit.
  • Make Free: 1.000 Credits pro Monat. Die Bezahlpläne (Core, Pro, Teams) vergleichst du mit aktuellen Preisen auf der Make-Preisseite.
  • Shopify Flow: kostenlos, aber ohne eigenes Modell.
  • Frameworks und SDKs: LangChain, LangGraph und die Hersteller-SDKs sind Bibliotheken, die du ohne Lizenzgebühr nutzt. Die API-Aufrufe des Modells werden trotzdem pro Token abgerechnet.

Für einen ersten Test reicht das: ein Agent, der Daten nur liest und dir Vorschläge liefert, mit kleinem Volumen. Sobald er täglich im Shop läuft, kommen Hosting, Modellkosten und Pflege dazu, und die gehören ins Budget.

KI-Agenten Schritt für Schritt erstellen

Die Mechanik ist weniger geheimnisvoll, als das Marketing suggeriert. Hier ist die Reihenfolge, die liefert. Halte sie ein, denn die frühen Schritte schützen dich vor den teuren Fehlern der späten. Das ist das praktische Rückgrat, um KI-Agenten zu erstellen, die den Kontakt mit echten Kunden überstehen.

  1. Ein eng gefasstes Problem wählen. Schmerzhaft, messbar, hochvolumig. „Bestellstatus-Fragen beantworten“ schlägt „gesamten Support erledigen“.
  2. Erfolg als Zahl definieren. Setze die Basislinie vor dem Bau, etwa aktuelle Lösungszeit oder Kosten pro Ticket, damit Erfolg eine Zahl ist, kein Gefühl.
  3. Zuerst die Daten verdrahten. Gib dem Agenten authentifizierten Echtzeit-Zugriff auf Bestellungen, Bestand und Kundenhistorie. Schlechte Daten sind die häufigste Fehlerursache.
  4. Modell und Framework wählen. Prototype in LangChain oder mit einem n8n KI Agent, halte das Modell austauschbar, und bring die Logik zum Laufen, bevor du skalierst.
  5. Werkzeuge und Leitplanken zusammen einbauen. Jede Aktion braucht daneben ein Limit, eine Freigabe oder eine menschliche Eskalation.
  6. Instrumentieren, evaluieren, dann ausrollen. Füge Tracing und Evals hinzu (etwa LangSmith), fahre einen kurzen Pilot auf echtem Traffic, und weite erst dann aus.
📌 Wenn du nur eine Sache umsetzt

Verdrahte die Datenschicht zuerst. Ein Agent auf unordentlichen, getrennten Daten scheitert, egal wie gut Modell oder Framework sind.

Beachte, was nicht auf der Liste steht: eine eigene Reasoning-Schleife bauen. Das ist Absicht. Teams, die schnell einen KI-Agent erstellen, nutzen Frameworks wieder und stecken ihre Kraft in Daten, Geschäftslogik und Kontrollen. Berührt die Automatisierung Lifecycle und Retention, gilt dieselbe Sorgfalt, weshalb CRO und Lifecycle gut zu Agenten-Projekten passen.

Kurz gesagt: Eine Aufgabe wählen, eine Zahl setzen, Daten zuerst, auf einem Framework prototypen, jede Aktion mit Leitplanke, dann pilotieren.

Was es kostet und wie lange es dauert

Die Kosten hängen ganz vom Weg ab, und die Kosten sind meist der Teil, der entscheidet, welchen Weg du wählst, wenn du einen KI-Agent erstellen willst. Ein fertiger Shopify-Support-Agent startet bei einem Monatsabo plus Gebühr pro Lösung. Ein zusammengesetzter Agent auf n8n oder LangChain tauscht das gegen Bauzeit plus Modellnutzung. Ein produktionsreifer Custom-Agent ist ein Projekt von mehreren Wochen bis Monaten, je nach Umfang, Zahl der Integrationen und Testphase.

WegTypische DauerKostentreiber
App kaufenTageMonatlich plus pro Lösung
Zusammensetzen (n8n)2 bis 6 WochenBauzeit, Modellnutzung
Custom-Build8 bis 12 WochenEntwicklung und Pflege

Der Business Case ist im Support am stärksten, und die Zahlen sind real. Klarna berichtete, sein Agent senkte die durchschnittliche Lösungszeit von 11 Minuten auf unter 2 und brachte im ersten Jahr eine erwartete Gewinnverbesserung von 40 Millionen US-Dollar (unternehmenseigene Angabe). eCommerce passt gut, weil ein großer Teil der Tickets in vorhersehbare Kategorien wie Bestellstatus, Versand, Retouren und Umtausch fällt, ein enger Agent erreicht so schnell hohe Deflection.

Kurz gesagt: Kaufen dauert Tage, Zusammensetzen Wochen, Custom-Builds zwei bis drei Monate. Support hat den klarsten, schnellsten Rückfluss.

Woran KI-Agenten-Projekte scheitern (und wie du das vermeidest)

Die meisten Leitfäden zu KI-Agenten sparen das Scheitern aus, genau deshalb wiederholen Teams es. Die Ausfallrate ist hoch und gut belegt. RANDs Studie fand, dass über 80 % der KI-Projekte scheitern, etwa doppelt so viele wie Nicht-KI-IT-Projekte, und 84 % der befragten Praktiker nannten Führung und Rahmung, nicht die Technik. Gartner prognostiziert, dass bis Ende 2027 über 40 % der agentischen KI-Projekte abgebrochen werden, wegen unklarem Wert, steigenden Kosten und schwachen Kontrollen.

RAND fasste die Ursachen in fünf Muster. Lies sie als Pre-Mortem, bevor du eine Zeile Agenten-Code schreibst, denn einen KI-Agent erstellen heißt auch zu wissen, wie er bricht.

UrsacheWie es aussieht
Falsches ProblemEine Aufgabe lösen, die niemand automatisiert brauchte
Schlechte DatenAgent läuft auf unordentlichen, getrennten Datensätzen
Tech-JagdGebaut, weil es trendy ist, nicht weil nötig
Kein Pflege-BudgetNach dem Launch besitzt es niemand
Jenseits heutiger KISoll leisten, was Modelle noch nicht können
⚠️ Achtung

Kannst du nicht benennen, wer den Agenten nach dem Launch besitzt, starte ihn nicht. „Kein Pflege-Budget“ ist eine der häufigsten Abbruchursachen, Agenten driften ohne Owner, der Kosten und Qualität beobachtet.

Das Erfolgsmuster ist unglamourös und konstant. Definiere eine Basislinie, die das Finance-Team anerkennt, stecke den Großteil der Arbeit in Daten statt Modellwahl, und arbeite mit hartem Takt: In einem festen Fenster in Produktion oder Stopp. Projekte, die liefern, tun diese drei Dinge. Projekte, die zum Dauerpilot driften, keines davon.

Kurz gesagt: Über 80 % der KI-Projekte scheitern, meist an Rahmung und Daten, nicht an Modellen. Basislinie, Daten fixen, im Takt ausrollen, Owner benennen.

Was Klarnas KI-Agent wirklich lehrt

Klarna ist der meistzitierte Agenten-Rollout, und beide Hälften der Geschichte sind lehrreich. Im ersten Monat nach dem Launch im Februar 2024 bearbeitete der von OpenAI betriebene Assistent 2,3 Millionen Gespräche, zwei Drittel aller Support-Chats, die Arbeit von 700 Agenten, in 23 Märkten und über 35 Sprachen (unternehmenseigene Angabe). Wiederholungsanfragen sanken um 25 %, die Zufriedenheit lag auf Höhe menschlicher Agenten. Das Design-Detail hinter den Zahlen zählt: Er war in der App eingebettet, mit authentifiziertem Zugriff auf Bestellungen und Zahlungen jedes Kunden, nicht als generischer Chatbot angeschraubt.

Team prueft Ergebnisse eines KI-Agenten im Kundensupport auf einem Laptop-Dashboard
Klarnas Agent funktionierte, weil er echte, authentifizierte Kundendaten hatte.
2,3 Mio.Chats im ersten Monat
Unter 2 Min.Lösungszeit, vorher 11
25%weniger Wiederholungsanfragen

Quelle: Klarna und OpenAI, Februar 2024 (unternehmenseigene Angabe).

Dann kam die Korrektur. Im Mai 2025 sagte Klarnas CEO gegenüber CNBC, der Automatisierungsdruck sei bei der Qualität zu weit gegangen, und das Unternehmen begann, wieder menschliche Agenten einzustellen, damit Kunden immer eine Person erreichen. Die Lektion ist nicht „Agenten funktionieren nicht“. Sie ist: Finde die Grenze der Automatisierung, bevor du sie überschreitest, und halte einen menschlichen Weg offen.

Kurz gesagt: Klarna zeigte das Potenzial (Arbeit von 700 Agenten) und die Grenze (Rückzug bei der Qualität). Eng fassen, menschlichen Weg offen halten.

Wie das in einem echten Shopify-Store aussieht

Klarna ist nützlich, aber ein Fintech, kein Store. Hier dieselbe Montage auf Shopify. Princess Polly, eine Mode-DTC-Marke auf Shopify, betreibt seinen Support auf Gorgias, dessen AI-Agent-Funktionen speziell für Shopify gebaut sind und Live-Bestell- und Produktdaten lesen. So sieht es aus, einen KI-Agent erstellen für einen Store in der Praxis: auf Tools montieren, die Shopify schon sprechen, den Agenten eng fassen, und die schwereren Fälle bei Menschen lassen.

Nach dem Rollout meldete Princess Polly laut Fallstudie von Gorgias eine um 40 % höhere Support-Effizienz und eine um 80 % kürzere Lösungszeit (Herstellerangabe, nicht unabhängig geprüft). Der Aufbau selbst war Montage, kein Code: Helpdesk mit Shopify verbinden, festlegen, welche Themen der Agent übernimmt (Bestellstatus, Tracking, Retouren), und lagerabhängige oder sensible Fälle an das menschliche Team leiten.

📌 Gut zu wissen

Ergebnisse schwanken stark, nimm jede Schlagzahl als Obergrenze, nicht als Basislinie. Gorgias wirbt mit „bis zu 60 %“ Automatisierung, benannte Fallstudien liegen aber tiefer, etwa eine Marke bei rund 26 %. Miss deine eigene Zahl.

Das Muster beider Geschichten ist dasselbe. Der Agent funktioniert, wenn er authentifizierte Daten, eine enge Aufgabe und einen menschlichen Rückfallweg hat. Er strauchelt, wenn er auf alles zugleich gerichtet oder als voller Ersatz fürs Support-Team verkauft wird. Ein Store, der mit einem hochvolumigen Thema startet und von dort ausweitet, folgt dem einzigen Weg, der zuverlässig liefert.

Kurz gesagt: Auf Shopify heißt Montage: auf Tools bauen, die deine Daten schon lesen, ein Thema eng fassen, und einen menschlichen Rückfallweg behalten.

KI-Agenten im Shopify-Store: Einsatzfälle für Katalog, CRO, Klaviyo und Reporting

Gorgias und Klarna zeigen, was Agenten im Support leisten können. Ein Shopify-Store hat aber mehr Arbeit, die sich für enge Agenten eignet, vor allem Arbeit, die aus Lesen, Vergleichen und Vorschlagen besteht. Die folgende Tabelle ordnet vier typische Einsatzfälle nach Daten und Freigabe.

EinsatzfallWas der Agent tutDatenFreigabe durch Mensch
Katalog-SEOFindet Produkte mit fehlenden oder dünnen Titeln, Beschreibungen und Meta-Daten und schreibt EntwürfeProdukte und Kollektionen (Admin API), Suchdaten aus GSCJeder Text, bevor er live geht
CRO-AuditPrüft Produktseiten gegen eine Checkliste und sammelt Befunde mit PrioritätSeiten-HTML, Analytics-ExportBewertung und Umsetzung der Befunde
Klaviyo-FlowsEntwirft Betreffzeilen und Flow-Texte, prüft Segmente auf LückenKlaviyo-Daten, ProduktkatalogJede Änderung, bevor ein Flow aktiv wird
ReportingZieht Kennzahlen aus Shop, Ads und E-Mail zusammen und schreibt eine WochenzusammenfassungAdmin API (nur lesend), Ads- und E-Mail-BerichteMeist keine, solange der Zugriff nur liest

Alle vier haben dasselbe Muster: Der Agent liest, entwirft und markiert, ein Mensch entscheidet. Beim Katalog-SEO ersetzt der Agent keine Strategie, er nimmt dir die Fleißarbeit ab, etwa hunderte Produkttitel auf Lücken zu durchsuchen. Wie dieser Rahmen aus Keyword-Recherche und Shop-Struktur aussieht, zeigt die Arbeit einer Shopify-SEO-Agentur. Bei E-Mail gilt dasselbe: Ein Agent kann Texte und Segment-Ideen liefern, die Strategie hinter den Flows gehört zu einer Klaviyo-Agentur für Shopify. Einen breiteren Überblick, was Agenten im Handel übernehmen, findest du im Artikel über KI-Agenten im E-Commerce.

💡 Profi-Tipp

Starte mit dem Einsatzfall, bei dem der Agent nur liest. Ein Reporting-Agent mit reinem Lesezugriff kann nichts kaputt machen und zeigt dir schnell, ob deine Daten sauber genug sind.

Zugriff auf Shop-Daten: Admin API und MCP

Ein Agent ist nur so gut wie sein Datenzugriff. Bei Shopify gibt es dafür zwei Wege, die sich ergänzen.

Shopify Admin GraphQL API

Die Admin API erweitert und automatisiert das Shopify-Backend: Produkte, Bestellungen, Bestände und mehr. Die GraphQL-Variante wird pro Version angesprochen (die aktuelle Version steht in der URL, etwa /admin/api/2026-10/graphql.json), und Apps fordern bei der Installation konkrete Zugriffsrechte, sogenannte Access Scopes, an. Shopify rät in der Dokumentation, nur so viel Zugriff anzufordern, wie die App braucht. Für deinen Agenten heißt das: Beginne mit Leseberechtigungen und gib Schreibrechte erst für den einen Bereich, in dem der Agent wirklich ändern soll. Die REST Admin API gilt seit dem 1. Oktober 2024 als Legacy, neue öffentliche Apps müssen seit dem 1. April 2025 mit GraphQL gebaut werden (Stand: Oktober 2026). Plane neue Agenten-Werkzeuge deshalb direkt auf GraphQL.

MCP: Werkzeuge standardisiert anbinden

Das Model Context Protocol (MCP) ist ein offener Standard, mit dem Agenten Werkzeuge und Datenquellen einheitlich ansprechen. Eine Einführung findest du im Artikel dazu, was ein MCP-Server ist. Shopify bietet laut Entwicklerdokumentation mehrere MCP-Server an (Stand: Oktober 2026):

  • Commerce-MCP-Endpunkte über das Universal Commerce Protocol (UCP), Nachfolger des früheren Storefront MCP: Katalogsuche und Produktdetails, Warenkorb, Checkout und Bestellverfolgung. Sie sind für KI-Assistenten gedacht, die Käufern beim Einkaufen helfen, nicht für die Shop-Verwaltung.
  • Customer Accounts MCP für kundenbezogene Daten.
  • Dev MCP: läuft lokal, braucht keine Authentifizierung und verbindet KI-Coding-Tools mit Shopify-Entwicklerressourcen wie Dokumentation und API-Schemas. Er ist ein Entwickler-Werkzeug fürs Bauen, kein Betriebszugang zu deinem Shop.

Für interne Agenten, die Produkte pflegen oder Berichte ziehen, bleibt deshalb meist die Admin GraphQL API, die du als eigenes Werkzeug oder über einen selbst gebauten MCP-Server kapselst. Ein dünner Werkzeug-Layer mit klar benannten Funktionen wie „Produkt lesen“ und „Entwurf speichern“ ist sicherer als ein Agent, der beliebige Abfragen schreiben darf.

Wenn du Admin-API-Zugriff, Scopes und Werkzeug-Layer nicht selbst aufsetzen willst, ist eine Shopify Agentur mit Entwicklungserfahrung der kürzeste Weg zu einem sauberen Setup.

Human-in-the-Loop: Wo ein Mensch freigeben muss

Human-in-the-Loop heißt nicht, jeden Schritt zu kontrollieren, sondern die Stellen festzulegen, an denen ein Fehler teuer wird. Ordne jede Aktion deines Agenten einer von vier Stufen zu.

StufeBeispiel im ShopRegel
1. LesenBestellstatus abfragen, Bericht erstellenAutomatisch, nur mit Lese-Scope
2. EntwerfenProdukttext, E-Mail-Betreff, Audit-BefundEntwurf speichern, nicht veröffentlichen
3. Ändern mit FreigabeProdukt live schalten, Flow aktivierenMensch bestätigt, Änderung wird protokolliert
4. KritischPreise, Erstattungen, Löschen, MassenänderungenImmer Freigabe, am besten mit Limit pro Lauf

Technisch unterstützen die Bausteine das: Das OpenAI Agents SDK nennt Human-in-the-Loop als eingebauten Mechanismus, das Claude Agent SDK steuert über Berechtigungen, welche Werkzeuge automatisch laufen und welche eine Freigabe brauchen, und LangGraph bietet Unterbrechungen für Freigaben. Entscheidend ist aber die Regel dahinter, nicht das Werkzeug. Eine Checkliste für den Start:

  1. Lege pro Werkzeug fest, ob es liest, entwirft oder ändert.
  2. Gib Schreibrechte nur auf die Objekte, die der Agent wirklich anfassen soll.
  3. Speichere Änderungen zuerst als Entwurf und halte den alten Stand fest, damit du zurückrollen kannst.
  4. Begrenze Mengen pro Lauf, etwa eine feste Zahl Produkte, bevor eine Freigabe nötig ist.
  5. Protokolliere jede Aktion mit Zeitpunkt, Eingabe und Ergebnis.
  6. Benenne eine Person, die Freigaben erteilt und das Protokoll liest.

Wie so ein Setup im Alltag aussieht, zeigen wir auch selbst: Auf unserer Teamseite stehen neben den Menschen die KI-Agenten, die bei uns mitarbeiten.

Kurz gesagt: Lesen automatisch, entwerfen als Entwurf, ändern mit Freigabe, Kritisches immer prüfen. Schreibrechte klein halten und alles protokollieren.

So startest du, ohne bei null anzufangen

Die Kurzfassung, wie du 2026 einen KI-Agent erstellen kannst: zusammensetzen, nicht erfinden. Wähle eine eng gefasste, hochvolumige Aufgabe, verdrahte zuerst deine Daten, prototype auf einem Framework oder einem n8n KI Agent, versieh jede Aktion mit einer Leitplanke, und belege die Zahl, bevor du skalierst. Die Teile sind heute Massenware. Der Vorteil liegt in deinen Daten, deiner Geschäftslogik und der Disziplin, etwas Enges auszuliefern, das funktioniert.

Genau dort stecken die meisten Stores fest, nicht am Modell, sondern an sauberen Daten, Integration und der Frage, welche Aufgabe zuerst zu automatisieren ist. Wenn du dir das Trial-and-Error sparen willst, macht der richtige Partner aus dem Vorhaben, einen KI-Agent erstellen zu wollen, statt eines monatelangen Experiments ein klar umrissenes Projekt mit einer Zahl. Starte mit einem Workflow, miss ihn, und weite von dort aus.

Bereit, KI in deinen Store zu bauen, statt nur darüber zu reden?

🤖

KI-Suchoptimierung

Mach deinen Store für KI-gestützte Suche und Shopper sichtbar.

KI-SEO entdecken →
⚙️

Shopify App-Entwicklung

Custom-Agenten und Integrationen in deinen Shopify-Stack gebaut.

Mit uns bauen →
📈

Shopify Marketing-Agentur

Automatisierung an SEO, CRO und Paid koppeln, nicht isoliert.

Wachstum planen →
FAQ

Häufige Fragen

Nutze einen No-Code-Baukasten wie n8n oder eine fertige Shopify-Support-App. n8n bietet einen visuellen Canvas mit AI-Agent-Node, Modell, Speicher und über 500 Werkzeug-Konnektoren, du setzt den Agenten zusammen statt ihn zu programmieren. Saubere Daten und klare Regeln brauchst du trotzdem, aber keine Reasoning-Schleife.

Es gibt kein einziges bestes. LangChain bietet das breiteste Ökosystem, LangGraph ergänzt zustandsbehaftete Flows und Freigaben, CrewAI passt zu rollenbasierten Teams, LlamaIndex ist am stärksten bei Retrieval. Wähle das Framework, das zur Aufgabe passt, und investiere dann in saubere Daten und Observability, das zählt mehr.

Eine fertige Lösung startet bei einer Monatsgebühr plus Kosten pro Lösung. Ein Aufbau auf n8n oder LangChain tauscht das gegen einige Wochen Bauzeit und Modellnutzung. Ein produktionsreifer Custom-Agent braucht meist 8 bis 12 Wochen mit einem Spezialistenteam. Support-Fälle rechnen sich am schnellsten.

Ein Chatbot beantwortet Fragen. Ein KI-Agent plant Schritte, ruft Werkzeuge und APIs auf und handelt mit Live-Daten, etwa eine Bestellung nachschlagen und erstatten. Die Fähigkeit zu handeln, nicht nur zu antworten, ist die entscheidende Grenze, deshalb zählen Leitplanken und menschliche Eskalation.

RAND fand, dass über 80 % der KI-Projekte scheitern, meist an Rahmung und Daten, nicht an der Technik. Gartner erwartet, dass bis Ende 2027 über 40 % der agentischen Projekte abgebrochen werden. Häufige Ursachen sind das falsche Problem, schlechte Daten, kein Owner nach dem Launch und keine Basislinie. Fixe das zuerst.

Ja. Bestellstatus, Retouren und Produktfragen sind hochvolumig und datenreich, das passt zu einem engen Agenten. Standard-Stacks wie Shopify und Stripe haben native Konnektoren, du kannst also kaufen oder zusammensetzen. Verdrahte zuerst authentifizierten Echtzeit-Datenzugriff, dann Leitplanken und einen menschlichen Eskalationsweg.

Er braucht authentifizierten Echtzeit-Zugriff auf die Systeme, in denen er handelt: Bestellungen, Bestand, Versand und Kundenhistorie. Langfristiger Speicher kommt meist aus Retrieval über deine eigenen Datensätze. Schlechte oder getrennte Daten sind die häufigste Fehlerursache, behandle die Datenschicht als ersten Bauschritt.

Rechne mit etwa zwei Wochen für einen ersten Prototyp einer eng gefassten Aufgabe mit einem Framework oder einem n8n KI Agent. Ziel ist, Logik und Daten im kleinen Maßstab richtig zu bekommen. Die Ausweitung auf mehr Aufgaben und volle Produktion, mit Tracing und Evaluation, dauert meist einige Wochen mehr.

Für den Einstieg ohne Code eignen sich No-Code-Builder wie n8n, Make und Zapier, die Agenten als Workflow mit Modell, Speicher und Werkzeugen abbilden. Für Shopify-Stores kommen fertige Support-Apps und Shopify Flow für feste Regeln dazu. Die SDKs von OpenAI und Anthropic setzen dagegen Programmierkenntnisse voraus (Stand: Oktober 2026).

Teilweise. n8n lässt sich selbst hosten, Shopify Flow ist kostenlos, und Zapier und Make bieten Gratis-Pläne mit kleinem Kontingent. Die Nutzung des Sprachmodells wird aber pro Token abgerechnet, und Hosting sowie Pflege kosten Zeit. Für einen Test mit lesendem Zugriff reicht die Gratis-Variante, für den Dauerbetrieb solltest du ein Budget einplanen (Stand: Oktober 2026).

Nur die, für die du ihm Zugriff gibst. Über die Shopify Admin API vergibst du Access Scopes, also konkrete Rechte pro Datenbereich. Beginne mit Leserechten, etwa für Produkte und Bestellungen, und gib Schreibrechte nur für den Bereich, den der Agent ändern soll. Änderungen mit Wirkung nach außen, wie Preise oder Erstattungen, sollte ein Mensch freigeben.

Teile die Aktionen des Agenten in Lesen, Entwerfen, Ändern mit Freigabe und Kritisches ein. Lesen darf automatisch laufen, Änderungen speicherst du zunächst als Entwurf, und Preise, Erstattungen oder Massenänderungen gibst du immer manuell frei. Frameworks und SDKs bieten dafür Freigabe-Mechanismen, wichtiger sind aber klare Regeln und ein Protokoll.