How-To Guide: Eigene KI-Assistenten erstellen

Bevor wir ins Detail gehen, ist es wichtig zu wissen, dass verschiedene KI-Plattformen ihre personalisierten Assistenten unterschiedlich benennen. Bei Google Gemini findest du sie unter dem Namen „Gem“, Anthropic Claude nennt sie „Project“, und bei OpenAI ChatGPT heißen sie „Custom GPTs“. Unabhängig vom Namen ist das Ziel dasselbe: einen intelligenten Helfer zu erschaffen, der spezifische Aufgaben für dich übernimmt.

Ich zeige dir, wie du deine eigenen „Gems“, „Projects“ und „Custom GPTs“ baust und diese Power-Tools in deinen Alltag integrierst.

Was du brauchst

Ein Google-Konto und Zugriff auf https://gemini.google.com (kostenlos für die Basisversion, Gem Advanced für erweiterte Funktionen).

Deine Schritte zum eigenen Gem

• Gem-Manager öffnen: Klicke links auf „Gems entdecken“ und dann auf „Neues Gem“. Oder öffne alternativ direkt: https://gemini.google.com/gems/create.
• Name & Instruktionen eintragen: Gib deinem Gem einen prägnanten Namen und beschreibe klar, was er tun soll. Zum Beispiel: „Du bist ein optimistischer Reise-Coach, der immer die besten und nachhaltigsten Optionen vorschlägt.“ Weniger ist oft mehr – je präziser, desto besser.
• Vorschau testen: Gib rechts einen Beispiel-Prompt ein, schicke diesen ab und überprüfe, ob dein Gem wie gewünscht reagiert. Wenn alles passt, speichere ihn.
• (Optional) Dateien hochladen: Du kannst PDFs, Docs oder Bilder hinzufügen. Dein Gem kann dann auf diese Informationen zugreifen und daraus zitieren, was ihn zu einem echten Wissensspeicher macht.
• Gem nutzen: Dein neuer Gem erscheint sofort links in der Seitenleiste und ist auch direkt in Gmail, Docs, Sheets und Drive verfügbar.

So wechselst du das Chatmodell bei Gemini

Direkt unter dem Gemini-Logo oben links findest du ein Dropdown (z.B. „2.5 Flash“). Hier kannst du spontan zwischen Flash (schneller, ideal für schnelle Antworten) und Pro (gründlicher, besser für komplexe Aufgaben) wechseln, sogar mitten im Chat!

Was du brauchst

Ein Claude Pro- oder Team-Abonnement (https://claude.ai).

So erstellst du ein Projekt in Claude

• Projekte öffnen: Klicke in der Sidebar auf „Projekte“ und wähle „+ Neues Projekt“ oder öffne im eingeloggten Zustand direkt: https://claude.ai/projects/create.
• Name & Beschreibung setzen: Gib deinem Projekt einen Namen und eine kurze Beschreibung (diese ist nur für dich sichtbar).
• System-Instruktionen eingeben (System Prompt): Definiere unter „Projektanweisungen festlegen“ die „Persönlichkeit“ deines KI-Assistenten. Lege seine Rolle fest, seinen Kommunikationsstil und vielleicht auch, was er NICHT tun soll. Beispiel: „Du bist ein erfahrener Lektor, der Texte auf Grammatik, Stil und Kohärenz prüft, aber keine inhaltlichen Änderungen vornimmt.“
• Wissensbasis anreichern: Ziehe Dateien direkt in das Knowledge-Panel oder klicke auf das „+“ Symbol um Dateien hinzuzufügen. So lernt dein Projekt aus deinen Dokumenten.

So wechselst du das Chatmodell in Claude

Unterhalb des Eingabefeldes siehst du die aktuell verwendete Modellbezeichnung (z.B. „Claude 3.5 Sonnet“). Ein Klick darauf ermöglicht dir den Wechsel zwischen Haiku (schnell, prägnant), Sonnet (ausgewogen) und Opus (mächtig, für komplexe Aufgaben). Ein neuer Chat mit dem gewählten Modell wird gestartet.

Was du brauchst

Ein ChatGPT Plus-, Team- oder Enterprise-Abonnement.

Dein Weg zum Custom GPT

• GPT-Builder öffnen: Gehe zu https://chatgpt.com/gpts und klicke auf „+ Erstellen“ (oder rufe direkt: https://chatgpt.com/gpts/editor auf)
• Erstellen-Tab nutzen: Beschreibe dem GPT Builder in einfacher Sprache, was dein Bot können soll. Sei so spezifisch wie möglich, z.B.: „Mach einen Vegan-Rezept-Guru, der nur Gerichte mit maximal 5 Zutaten vorschlägt.“
• Verfeinern im Konfigurieren-Tab:
  • Name & Beschreibung: Gib deinem GPT einen aussagekräftigen Namen und eine kurze Beschreibung.
  • Hinweise: Hier hinterlegst du die detaillierten Anweisungen (System Prompt) für deinen GPT.
  • Wissen: Lade bis zu 20 Dateien hoch, die dein GPT als Wissensquelle nutzen soll.
  • Funktionen: Aktiviere Funktionen wie „Browse“ (Web-Suche), „Code Interpreter“ (Datenanalyse/Code-Ausführung) oder „Image Generation“ (Bilder erstellen), je nachdem, was dein GPT können soll.
  • Aktionen: Für fortgeschrittene Anwendungsfälle kannst du hier externe APIs anbinden.
• Erstellen: Wähle die Sichtbarkeit deines GPTs: „Only me“, „Workspace“ oder „Public“. Kopiere den Link und teile ihn.

CustomGPT Modell wechseln

Im Builder selbst findest du im „Configure“-Tab ein Dropdown-Menü für das „Empfohlene Model“ (z.B. GPT-4o, o4-mini, o3…). Im Chat selbst kannst du oben links auf den Modellnamen (z.B. „GPT-4o“) klicken, um das Modell zu wechseln. Beachte, dass ein bestehendes Gespräch mit dem neuen Modell neu gestartet wird.

• Präzise Instruktionen: Je klarer und widerspruchsfreier deine Anweisungen sind, desto stabiler und zuverlässiger wird sich dein KI-Assistent verhalten.
• Iteratives Feintuning: Starte mit einem minimalen System-Prompt, teste ihn ausgiebig und verfeinere ihn dann schrittweise. Das ist wie das Kochen eines Gerichts: Schmecke immer wieder ab, bevor du die nächste Zutat hinzufügst.
• Die richtige Modellwahl:
  • Für Geschwindigkeit und schnelle Antworten wähle: Flash (Gemini), Haiku (Claude) oder o4-mini (ChatGPT).
  • Für komplexes Denken und tiefgehende Analysen: Pro (Gemini), Opus (Claude) oder GPT-o3 (ChatGPT).
• Versionen sichern: Bevor du größere Änderungen vornimmst, nutze die Snapshot- oder Version-History-Funktionen der Plattformen. So kannst du immer zu einer funktionierenden Version zurückkehren.
• Sichtbarkeit prüfen: Achte genau darauf, mit wem du deinen Assistenten teilst. Interne oder sensible Daten solltest du nur privat oder innerhalb deines Workspaces teilen.

Mit diesen Anleitungen kannst du in wenigen Minuten deine eigenen, spezialisierten KI-Assistenten bauen. Experimentiere, passe die Modelle spontan an und integriere sie direkt in deine täglichen Workflows.

KI-Agenten für Fortgeschrittene

Okay, du hast die Grundlagen gemeistert und eigene „Gems“, „Projects“ und „Custom GPTs“ erstellt. Super! Aber was, wenn du einen Schritt weiter gehen willst? Was, wenn dein KI-Helfer nicht nur auf Anweisung reagieren, sondern selbstständig mehrstufige Aufgaben erledigen soll? Willkommen in der Welt der KI-Agenten und Automatisierungs-Plattformen!

Hier geht es nicht mehr darum, einen Assistenten zu bauen, sondern darum, ihm Werkzeuge an die Hand zu geben und ihn mit anderen Apps sprechen zu lassen. Stell dir vor, dein KI-Agent bekommt eine E-Mail, versteht den Inhalt, prüft selbstständig den Lagerbestand in deinem Shopsystem, bestellt beim Lieferanten nach und informiert das Team via Slack – alles ohne einen einzigen Klick von dir.

Das ist die Power von Plattformen wie Make*, n8n* oder Ottokit*. Sie sind die Klebstoffe des Internets und erlauben es dir, deiner KI Superkräfte zu verleihen.

Wie funktionieren diese Plattformen für KI-Agenten?

Im Kern funktionieren alle drei Tools nach einem ähnlichen Prinzip, das du dir wie einen digitalen Teamleiter vorstellen kannst:

1. Der Auslöser (Trigger): Alles beginnt mit einem Ereignis. Das kann eine neue E-Mail, ein ausgefülltes Formular oder ein geplanter Zeitpunkt sein.
2. Der denkende Agent (The Brain): Die Information vom Auslöser wird an ein KI-Modul (z. B. OpenAI’s GPT-4) gesendet. Hier kommt dein eigentlicher „Agent“ ins Spiel. Du gibst ihm eine klare Mission: „Du bist ein Kundenservice-Agent. Analysiere die folgende E-Mail und entscheide, welche Aktion als Nächstes nötig ist.“
3. Die Werkzeuge (Tools): Du definierst, welche Aktionen der Agent ausführen darf. Diese Werkzeuge sind die anderen Module der Plattform: E-Mails senden, in eine Google-Tabelle schreiben, einen CRM-Kontakt aktualisieren, eine Slack-Nachricht posten usw.
4. Die Entscheidung & Ausführung: Basierend auf seiner Mission und dem Inhalt der E-Mail entscheidet der Agent nun autonom, welches Werkzeug er als Nächstes benutzt. Wenn die E-Mail eine Rechnung ist, wählt er vielleicht das „Buchhaltungstool“. Ist es eine Beschwerde, nutzt er das „Support-Ticket-Tool“.

Du baust also nicht nur die KI, sondern das gesamte Ökosystem, in dem sie operiert.

Welches Wissen solltest du mitbringen, bevor du startest?

Auch wenn diese Plattformen als „No-Code“ oder „Low-Code“ gelten, hilft dir ein grundlegendes Verständnis in drei Bereichen enorm:

• API-Grundlagen: Du musst kein Entwickler sein, aber du solltest verstehen, was eine API ist und wie Daten zwischen verschiedenen Web-Anwendungen ausgetauscht werden (Stichworte: JSON, GET/POST-Requests).
• Logisches Prozessdenken: Deine Hauptaufgabe ist es, Prozesse in logische „Wenn-Dann“-Schritte zu zerlegen. Ein klares Verständnis für den Ablauf, den du automatisieren willst, ist die halbe Miete.
• Prompt Engineering: Wie schon bei den einfachen Assistenten gilt auch hier: Die Qualität deiner Anweisungen an den Agenten bestimmt die Qualität des Ergebnisses. Je klarer du die Rolle, die Aufgabe und die Grenzen definierst, desto zuverlässiger arbeitet dein Agent.

Make.com: Der visuelle Automatisierungs-Champion

Make (früher Integromat) ist bekannt für seine extrem intuitive, visuelle Oberfläche. Du siehst deine Automatisierung als eine Kette von Blasen, was das Verständnis von komplexen Abläufen super einfach macht.

• So funktioniert’s: In Make baust du sogenannte „Szenarien“. Seit Kurzem gibt es ein dediziertes „AI Agent“-Modul. Du gibst diesem Agenten ein Ziel (z. B. „Qualifiziere diesen neuen Lead“) und verbindest ihn mit verschiedenen „Tools“ – das können andere Szenarien oder einzelne App-Module sein. Der Agent entscheidet dann selbst, welche Route er im Szenario nimmt, um das Ziel zu erreichen.
• Praktisches Beispiel: Ein Content-Recycling-Agent
  • Trigger: Ein neuer Blogartikel wird in deinem RSS-Feed veröffentlicht.
  • Agenten-Ziel: „Erstelle aus diesem Blogartikel einen LinkedIn-Post, einen Tweet und drei Stichpunkte für einen Newsletter.“
  • Tools:
    1. Ein OpenAI-Modul zur Texterstellung.
    2. Ein LinkedIn-Modul zum Posten.
    3. Ein Twitter/X-Modul zum Posten.
    4. Ein Google-Docs-Modul, um die Newsletter-Stichpunkte abzulegen.
  • Ergebnis: Der Agent liest den Artikel, ruft die KI zur Texterstellung auf, formatiert die Inhalte passend für die jeweilige Plattform und postet sie bzw. legt sie ab.

n8n.io: Die flexible Open-Source-Powerhouse

n8n ist der Liebling vieler Entwickler und Tech-Nerds. Es ist extrem mächtig, flexibel und kann sogar selbst gehostet werden, was dir volle Datenkontrolle gibt. Die Lernkurve ist etwas steiler als bei Make, aber die Möglichkeiten sind dafür nahezu unbegrenzt.

• So funktioniert’s: In n8n baust du „Workflows“ aus verschiedenen „Nodes“. Es gibt spezielle „Agent“-Nodes, die du mit LLMs wie GPT-4 verbinden kannst. Das Besondere an n8n ist die Fähigkeit, auch komplexes Branching (Verzweigungen) und Looping (Schleifen) elegant umzusetzen, was für fortgeschrittene Agenten-Logik entscheidend ist.
• Praktisches Beispiel: Ein intelligenter Support-Ticket-Router
  • Trigger: Ein neues Support-Ticket kommt per E-Mail in Zendesk an.
  • Agenten-Ziel: „Analysiere den Inhalt des Tickets. Entscheide, ob es sich um ein technisches Problem, eine Rechnungsfrage oder eine allgemeine Anfrage handelt. Weise das Ticket dem richtigen Team zu und prüfe, ob es dringend ist.“
  • Tools:
    1. Zendesk-Node, um Ticket-Infos zu lesen und zu aktualisieren.
    2. OpenAI-Node zur Analyse und Kategorisierung.
    3. Ein „Switch“-Node in n8n, der den Workflow je nach Kategorie aufteilt.
    4. Slack-Node, um das richtige Team über das neue Ticket zu informieren.
  • Ergebnis: Der Agent klassifiziert das Ticket autonom, weist es dem Tech-, Billing- oder General-Support-Team zu und schickt eine Benachrichtigung in den passenden Slack-Channel, bei Dringlichkeit sogar mit einer @here-Erwähnung.

Ottokit: Der smarte und zugängliche Herausforderer

Ottokit ist ein neuerer Player, der sich auf eine besonders smarte und einfache Implementierung von KI-Agenten fokussiert. Die Plattform ist darauf ausgelegt, dass der Agent dynamisch und kontextbezogen agiert, ohne dass du jeden einzelnen Pfad starr vorgeben musst.

• So funktioniert’s: Ähnlich wie bei den anderen erstellst du einen Workflow. Du fügst den „AI-Agent“-Block hinzu und gibst ihm eine klare Anweisung. Danach fügst du alle Aktionen hinzu, die der Agent potenziell ausführen könnte. Ottokit wählt dann basierend auf dem Input und seiner Anweisung selbstständig die passende(n) Aktion(en) aus der bereitgestellten Liste aus.
• Praktisches Beispiel: Ein Meeting-Nachbereitungs-Agent
  • Trigger: Eine neue Aufnahme-Datei deines Zoom-Meetings landet in einem Google-Drive-Ordner.
  • Agenten-Ziel: „Transkribiere diese Aufnahme, erstelle eine Zusammenfassung, identifiziere alle Action-Items mit verantwortlichen Personen und erstelle für jedes Item eine Aufgabe in Asana.“
  • Tools:
    1. Ein Transkriptions-Service (z. B. AssemblyAI).
    2. Ein OpenAI-Node für Zusammenfassung und Extraktion der Aufgaben.
    3. Ein Asana-Node, um neue Aufgaben zu erstellen.
    4. Ein Gmail-Node, um die Zusammenfassung an die Meeting-Teilnehmer zu senden.
  • Ergebnis: Kurz nach dem Meeting erhalten alle Teilnehmer automatisch eine Zusammenfassung per E-Mail und die besprochenen Aufgaben sind bereits im Projektmanagement-Tool angelegt und zugewiesen.