KI-Agenten-Beispiele: So sehen Agenten in der Praxis aus

Theorie zu KI-Agenten gibt es genug. Was beim Verstehen wirklich hilft, sind konkrete KI-Agenten-Beispiele: Wo reicht ein simpler Prompt, wann brauchst du einen Workflow, und ab wann arbeitet tatsächlich ein Agent für dich? In diesem Artikel gehe ich mit dir fünf Beispiele durch, vom einfachen ChatGPT-Prompt bis zum Agenten, der selbstständig eine App baut. Eines davon läuft bei mir selbst im Arbeitsalltag.

Beispiel 1: ChatGPT schreibt die Meeting-Einladung

Fangen wir beim einfachsten Fall an, dem reinen Sprachmodell. Ich bitte ChatGPT, mir eine E-Mail zu schreiben, um meinen Kollegen für heute Nachmittag zum Meeting einzuladen. Das klappt sofort: Meine Bitte ist der Input, die fertige E-Mail der Output.

Spannend wird die Anschlussfrage: Kann ChatGPT das Meeting auch gleich in meinen Kalender eintragen? Nein. Es hat schlicht keinen Zugriff darauf. Ein LLM allein kann keine Tools benutzen, liefert keine konsistenten Ergebnisse und wartet passiv auf deine Eingabe. Für schnelle Textaufgaben reicht das trotzdem völlig. Falls dir die Grundlagen dahinter fehlen, findest du sie im Artikel Was ist ein KI-Agent?

Beispiel 2: E-Mails landen automatisch im Kalender

Jetzt bauen wir das Beispiel eine Stufe aus. Du erstellst einen Workflow, bei dem dein E-Mail-Dienst jede neue E-Mail an ChatGPT weiterleitet. Zusätzlich verknüpfst du ChatGPT mit deinem Kalender, sodass es dort bei Bedarf Meetings eintragen kann. Fertig ist dein erster KI-Workflow: Er liest eingehende Anfragen und trägt Termine in den Kalender ein. Nach demselben Prinzip kannst du auch Tools wie Outlook oder Notion anbinden.

Eine Grenze bleibt: Dieser Workflow kann nicht plötzlich das Wetter abrufen, weil das passende Modul fehlt. Er folgt immer exakt dem Pfad, den du vorgegeben hast. Genau das macht ihn aber auch so zuverlässig.

Beispiel 3: Mein Paper-Workflow mit Perplexity und Gemini

Das nächste Beispiel läuft bei mir tatsächlich im Alltag, angelehnt an ein Tutorial von Helena Liu. Bei der Recherche stoße ich oft auf Paper, die ich spannend finde, die aber sehr komplex und wissenschaftlich geschrieben sind. Dafür habe ich mir eine Automatisierung gebaut, die ich jeden Morgen um 8 Uhr laufen lassen kann.

Der Ablauf: Ich füge den Link zum Artikel in ein Google Sheet ein. Perplexity holt sich den Artikel, fasst ihn zusammen und speichert die Zusammenfassung in einem Google Doc. Danach geht die Zusammenfassung an Gemini, das daraus einen Blogpost schreibt und ihn ebenfalls in einem Google Doc ablegt.

Beim ersten Durchlauf war die Zusammenfassung ordentlich. Der Blogpost dagegen hat mir nicht gefallen, er war viel zu lang. Also bin ich zurück in den Workflow gegangen, habe das Gemini-Modul geöffnet und den Prompt angepasst, zum Beispiel mit dem Zusatz: Sei konkret und komme zum Punkt.

Merkst du was? Ich habe das Ergebnis geprüft, ich habe entschieden, dass es nicht reicht, und ich habe nachgebessert. Solange dieser Denkschritt bei dir liegt, hast du einen Workflow und keinen Agenten. Selbst wenn der Workflow tausend Module hätte.

Beispiel 4: Das Zwei-Agenten-System mit Kritiker-LLM

Der Weg zum Agenten führt genau über diesen Denkschritt. Ein KI-Agent könnte mich beim Prüfen des Blogposts durch ein Kritiker-LLM ersetzen. Das Antwort-LLM schreibt den Text, das Kritiker-LLM bewertet ihn. Passt die Zusammenfassung nicht zum Paper oder ist der Blogpost zu lang, geht die Aufgabe zurück und der nächste Anlauf startet. Wenn zwei LLMs so miteinander interagieren, spricht man von einem Zwei-Agenten-System.

Diese Iteration ist die zentrale Technik von KI-Agenten: Der Agent prüft sein eigenes Ergebnis, geht zurück und packt die Aufgabe neu an, bis der Output stimmt. Du gibst nur noch das Ziel vor. Der Preis dafür ist Kontrolle: Aus dem Workflow, in dem du jeden Schritt überwachen konntest, wird eine Blackbox, in die du wenig hineinschauen kannst.

Beispiel 5: Claude Code baut eine Wetter-App

Mein Lieblingsbeispiel für einen echten Agenten ist Claude Code. Als ich es zum ersten Mal ausprobiert habe, wollte ich eine kleine App haben, die mir das aktuelle Wetter in Potsdam anzeigt, wo ich derzeit wohne.

An der Ausgabe konnte ich wunderbar beobachten, was einen Agenten ausmacht. Zuerst hat sich Claude Code eine To-do-Liste erstellt, also geplant. Dann hat es im Hintergrund eine Suche ausgeführt. Und zum Schluss hat es schrittweise über den fertigen Code iteriert, bis das Ergebnis passte. Gekostet hat mich der Spaß rund 10 Cent und 2 Minuten Zeit, und das Ergebnis konnte sich sehen lassen.

Wann Workflow, wann Agent?

Ein Workflow ist die richtige Wahl, wenn du Tools benutzen willst, einen stabilen Ablauf brauchst und vorhersehbare Ergebnisse haben möchtest. Du behältst die volle Kontrolle, zahlst dafür aber mit dem Aufwand, alles selbst zu planen und zu verbinden. Und du brauchst gutes Prompt Engineering, damit die einzelnen Module sauber arbeiten.

Ein Agent lohnt sich, wenn du nur ein Ziel vorgeben und den Weg dorthin abgeben willst. Er plant selbst, wählt seine Tools selbst und iteriert, bis das Ergebnis stimmt. Dafür siehst du nicht mehr in jeden Zwischenschritt hinein.

Mein Tipp zum Weitermachen: Bau dir zuerst einen einfachen Workflow, damit du das Prinzip einmal selbst durchlaufen hast. Wie das geht, zeige ich dir in der Anleitung KI-Agent in n8n erstellen.