TL;DR: Ein AI-Agent ist kein magischer Roboter, sondern ein Sprachmodell mit ein paar Bausteinen drumherum: System Prompt, Kontext, LLM, Tools, Skills, Memory und ein Trigger, der ihn startet. Wer diese Elemente versteht, kann entscheiden, welche Aufgaben sich für einen Agenten eignen.
Am Ende dieses Artikels findest du ein Workshop-Template, mit dem ihr im Team das gemeinsame Verständnis für Agenten aufbaut.
[.no-toc]Ein Agent wirkt super technisch, muss er aber gar nicht[.no-toc]
Das Wort „Agent" klingt erstmal nach Entwickler-Terrain. Im Kern ist ein Agent aber ein neues Teammitglied mit ein paar praktischen Bausteinen in der Tasche. Wer eine neues Teammitglied einarbeiten kann, kann auch einen Agenten konzipieren.
Vom Chatbot zum Agenten
Fast alle in Agenturen nutzen KI längst im Chat – Texte schreiben, recherchieren, zusammenfassen.
Der nächste Schritt heißt Agenten: AI, die nicht nur antwortet, sondern eigenständig Aufgaben übernimmt. Und genau hier zögern viele. Das Wort allein klingt hochtechnisch, nach etwas, das man nicht selbst gestalten kann.
Der schnellste Weg, die Scheu zu verlieren: einen Agenten erst in der Offline-Welt durchdenken. Eine Busfahrerin, ein Sanitäter, ein Ticketverkäufer – alle lassen sich in genau dieselben Bausteine zerlegen wie ein AI Agent. Mit Hilfe der analogen Metaphern tastest du dich easy heran.
[.b-important-block]Ein Chatbot wie ChatGPT oder Claude wartet auf deine Nachricht, antwortet mit Text und wartet dann wieder. Er sagt dir, wie du eine Mail formulierst. Er schickt sie nicht. Ein Agent kann handeln. Er entscheidet selbst, welche Schritte nötig sind, greift auf Werkzeuge zu, führt Aktionen aus und macht weiter, bis die Aufgabe erledigt ist. Der Unterschied liegt nicht im Modell selbst, sondern in den Bausteinen, die du drumherum baust.[.b-important-block]
[$tag]💡 Zur Erinnerung[$tag]
Woraus besteht ein AI-Agent?
Ein Agent besteht aus acht Bausteinen: LLM, System Prompt, Kontext, Tools (plus MCP), Skills, Memory, Trigger und – kein technischer Baustein, aber unverzichtbar – dem Human in the Loop.
1. Das LLM: das Gehirn
Das Large Language Model sagt Wort für Wort das nächste Wort voraus und gibt so Text aus. Bekannte Modelle kommen von OpenAI (GPT), Anthropic (Claude) oder Google (Gemini). Die Kernfrage bei jedem Agenten: schnell oder schlau? Schnelle, günstige Modelle für einfache Routinen, starke für komplexes Nachdenken.
2. Der System Prompt: Rolle und Auftrag
Der System Prompt ist die feste Anweisung, die dem Modell sagt, wer es ist und was sein Job ist, zum Beispiel: „Du bist ein Support-Assistent für ein Customer-Team. Antworte kurz und immer mit einem konkreten nächsten Schritt." Er legt Rolle, Leitplanken und Ziel fest und macht aus einem generischen Modell einen spezialisierten Mitarbeiter.
3. Der Kontext: was der Agent gerade „weiß"
Ein Modell weiß nur, was in der aktuellen Nachricht steht. Dieser Arbeitsspeicher heißt Kontextfenster, ist begrenzt und wird in Tokens gemessen. Deshalb werden lange Chats „unscharf". Für einen Agenten zählt der richtige Kontext: Agentur-, Kunden-, Marken- und Projektwissen.
4. Die Tools und MCP: womit der Agent handelt
Tools sind die Werkzeuge des Agenten: Websuche, Datenzugriff, Aktionen wie „Nachricht senden" oder „Eintrag anlegen". Ohne Tools bleibt ein Agent ein Chatbot. MCP (Model Context Protocol) ist dabei so etwas wie USB-C für AI: ein Standard, um Agenten an eure Systeme wie CRM, Slack oder Projekttool anzudocken.
Wie das im Zusammenspiel aussieht, steht im Artikel Wie LLMs, Agenten & Skills zusammenspielen.
5. Die Skills: verlässliche Routinen
Ein Skill ist eine verpackte Anleitung dafür, wie eine Sache richtig gemacht wird. Der Unterschied zwischen „es kann Code schreiben" und „es weiß, was guter Code für uns bedeutet". Skills sorgen dafür, dass Ergebnisse konsistent nach eurem Standard entstehen, statt generisch.
6. Die Memory: was über die Zeit bleibt
Memory ist das, was sich ein Agent über einzelne Aufgaben hinweg merkt: Vorgaben, wiederkehrende Fakten, frühere Entscheidungen. Ohne Memory ist jeder Durchlauf ein Neuanfang. Die wichtige Frage: Was soll überhaupt dauerhaft gemerkt werden? Nicht alles gehört ins Langzeitgedächtnis.
7. Der Trigger: was den Agenten startet
Der Trigger beantwortet: Wann fängt der Agent an? Entweder auf Zuruf (du gibst eine Anweisung) oder nach Zeitplan bzw. Ereignis (jeden Montag um 9 Uhr, oder wenn eine neue Datei eingeht). Der Trigger entscheidet, ob ein Agent auf Zuruf hilft oder eigenständig im Hintergrund läuft.
Der wichtige Zusatz: Human in the Loop
Kein technischer Baustein, aber unverzichtbar: der Human in the Loop. Hier legst du fest, an welcher Stelle der Agent zuerst bei einem Menschen freigeben lassen muss, bevor er weitermacht. Je fähiger der Agent, desto wichtiger die Kontrollstelle bei allem, was teuer oder öffentlich sichtbar ist.
Wie die Bausteine zusammenspielen
Die Bausteine sind kein Fließband, sondern eine Schleife.
- Ein Trigger startet den Agenten.
- Das LLM liest System Prompt, Kontext und Aufgabe und plant.
- Braucht es ein Tool oder einen Skill, ruft es sie auf, das Ergebnis fließt zurück, das Modell entscheidet: fertig oder weiter?
- An definierten Punkten greift der Human in the Loop, Relevantes landet in der Memory.
Dieser Kreislauf: planen, handeln, prüfen, wiederholen, ist der eigentliche Kern eines Agenten.
Beispiel: der Festival-Busfahrer
Am schnellsten wird das Ganze mit einem Beispiel greifbar, das mit AI erstmal nichts zu tun hat: ein Busfahrer auf einem Festival-Gelände.
- Trigger: Fahren nach Fahrplan.
- System Prompt: „Du bist Busfahrer. Bring deine Gäste sicher von A nach B."
- LLM: ein schnelles, sowie sicheres Modell, hier zählt Reaktion.
- Kontext: 15-Meter-Bus in Deutschland, Platz für 50 Personen, aktuelle Uhrzeit und Standort.
- Tools: fahren, Verkehr sehen, mit Menschen sprechen, GPS und Karte lesen.
- Skills: rückwärts einparken mit einem 15-Meter-Bus.
- Memory: der Fahrplan.
- Human in the Loop: bei einem Unfall nicht wegfahren, 110 rufen und warten.
Jeder Baustein hat eine klare Entsprechung. Genau nach diesem Muster kannst du auch einen Agenten für eine echte Agenturaufgabe durchdenken, etwa einen Briefing-Assistenten oder einen Reporting-Helfer.
Jetzt selbst ausprobieren: das Workshop-Template
Theorie verstanden? Der beste nächste Schritt ist, es einmal selbst zu machen – am besten gemeinsam im Team. Dafür gibt es das Workshop-Template „Build your first AI agent": ein wiederholbares Format, das euch bewusst erst durch die Offline-Welt führt, bevor es an eure echten Cases geht.
👉 Zum Workshop-Template „Meet your first AI Agent"
FAQ
Warum das Thema jetzt zählt
80% der Agenturmenschen nutzen AI an mehr als drei Tagen pro Woche, nur 2% nie. Aber nur 16 % halten die Strukturen ihrer Agentur für vollständig AI-ready. Das zeigt der Agency Happiness Report 2026, für den 500 Personen aus der Branche befragt wurden.
Die Lücke ist deutlich: AI ist im Alltag angekommen, aber das Verständnis dafür, was über den Chat hinaus möglich ist, hinkt hinterher. Der nächste Schritt nach „AI im Chat nutzen" heißt Agenten. Und um einen Agenten sinnvoll einzusetzen oder selbst zu bauen, musst du wissen, woraus er besteht.
Was ist der Unterschied zwischen einem Chatbot und einem Agenten?
Ein Chatbot antwortet mit Text und wartet dann. Ein Agent handelt: Er nutzt Tools und Kontext, führt mehrere Schritte selbstständig aus und arbeitet, bis die Aufgabe erledigt ist.
Worin unterscheiden sich Skills und Tools?
Ein Tool ist die Fähigkeit, etwas zu tun (z. B. eine Websuche). Ein Skill ist die Anleitung, wie etwas richtig gemacht wird (z. B. wie ein guter Suchbericht für euch aussieht).
Brauche ich Programmierkenntnisse, um einen Agenten zu bauen?
Für einfache, eigene Agenten zunehmend nein. Du brauchst vor allem die passende Plattform und ein klares Verständnis der Bausteine. Genau dieses Verständnis ist der erste Schritt, und das Workshop-Template hilft dabei.
