KI-Mitarbeiter bauen kannst du heute auf sechs Wegen: mit einem Kurs, der dir zwei oder drei Plattformen beibringt; mit einem Workflow-Tool wie n8n oder Make; mit einer Plattform für Organisationen wie Langdock; als Mitarbeiter im Abo bei einer Plattform wie Lindy oder Relevance AI; mit einem Entwickler-Framework wie LangGraph oder CrewAI; oder als Ordner mit Textdateien, der auf Claude läuft. Jeder dieser Wege funktioniert, für die Aufgabe, für die er gebaut ist. Der Unterschied zeigt sich nicht am ersten Tag, sondern danach: was du betreibst, wie abgerechnet wird, was passiert, wenn du das Modell wechselst, und ob deine Arbeit in der Oberfläche eines Werkzeugs liegt oder in Dateien, die du selbst lesen kannst. Für einen Solo-Betrieb oder ein kleines Team reicht nach meiner Erfahrung der sechste Weg. Ab mehreren Nutzern, Nachweispflichten oder festen Abläufen mit Volumen sind die anderen die bessere Wahl.
Ich habe zwei dieser Wege selbst betrieben: n8n lief lange Zeit in meinem eigenen Kubernetes-Cluster, und Langdock habe ich ausprobiert. Heute laufen meine vierzehn KI-Mitarbeiter als Ordner auf Claude, jeder mit Personalakte, Regelwerk, Skills und Postfach, so wie sie auf meiner Team-Seite stehen. Die Grundlagen dazu sammle ich auf der Seite KI-Mitarbeiter, den Gedanken dahinter habe ich in KI-Agenten erstellen ohne Code: mein Weg aufgeschrieben. Hier geht es um die Wahl davor: welcher Weg für welchen Betrieb, geprüft mit denselben fünf Fragen.
Fünf Prüfsteine, sechs Wege auf einen Blick
Ich stelle an jeden Weg dieselben fünf Fragen, in derselben Reihenfolge: Was betreibst du danach? Wie wird abgerechnet, pro Nutzer, pro Ausführung, pro Aktion oder ein Abo für alles? Was passiert, wenn du das Modell wechselst? Wo liegt deine Arbeit, in der Oberfläche des Werkzeugs oder in Dateien, die du öffnen und lesen kannst? Und wann ist dieser Weg die richtige Wahl?
Dazu eine Aufgabe, die ich gedanklich in jedem Weg nachbaue: den Posteingang von Frieda. Frieda ist meine Büro-Assistenz. Sie liest Absender, Betreff und Vorschau, legt jede Mail auf einen Stapel, schreibt für die dringenden einen Antwortentwurf und versendet nichts selbst. Die Regeln dafür stehen in Posteingang sortieren: das Stapel-System. Ich habe Frieda nicht sechsmal gebaut. Aber ich kann für jeden Weg sagen, aus welchen Teilen sie dort bestünde, weil ich die Bausteine aus den Dokumentationen der Anbieter kenne und zwei der Wege selbst betrieben habe.
Weg 1: ein Kurs plus zwei oder drei Plattformen
Ein typischer Kurs zum Thema KI-Agent bauen lehrt dich einen Werkzeug-Stack: meist eine Plattform für Chat und Agenten, dazu ein Workflow-Tool für Automatisierungen, manchmal ein drittes Werkzeug für Sonderfälle. Du lernst, wie man dort Agenten anlegt, Wissen hochlädt und Abläufe verbindet. Wer ohne Vorwissen startet, bekommt so schnell einen Überblick.
Danach betreibst du jedes Werkzeug aus dem Kurs, mit eigenem Konto, eigener Abrechnung, eigenen Updates. Der Kurs endet, die Abos laufen weiter. Ob und wie du das Modell wechselst, entscheidet nicht der Kurs, sondern das Werkzeug. Und deine Arbeit liegt dort, wo du sie gebaut hast: in zwei oder drei Oberflächen, die nichts voneinander wissen. Frieda in diesem Weg wäre ein Agent in der Chat-Plattform mit hochgeladenen Regeln, dazu ein Workflow im Automatisierungs-Tool, der neue Mails holt und übergibt. Zwei Konten, zwei Stellen, an denen die Regeln stehen.
Die richtige Wahl ist der Kurs, wenn du Anleitung willst und die gelehrten Werkzeuge ohnehin zu deinem Betrieb passen, etwa weil dein Team schon eine dieser Plattformen nutzt. Was nach dem Kurs jeden Monat weiterläuft und wie ich das für mich gelöst habe, steht in KI-Kurs gebucht: was danach jeden Monat läuft.
Weg 2: ein Workflow-Tool wie n8n oder Make
Das ist der Weg, den ich am längsten selbst gegangen bin. n8n lief lange Zeit in meinem eigenen Kubernetes-Cluster, ich habe darin Prozesse gebaut und zeitweise Claude Code als Auslöser genutzt: Claude Code stieß einen n8n-Prozess an, n8n führte ihn aus. Ich mag n8n. Ich kenne es nicht aus der Doku, sondern aus dem Betrieb.
Ein KI-Agent ist dort ein Knoten im Workflow. Laut n8n-Dokumentation verbindest du im Agent-Node ein Chat-Modell und ein oder mehrere Werkzeuge, und „the agent decides which tools to call to complete a task". Bei Make besteht ein Agent laut Hilfeseite aus „a brain (llm), instructions (system prompt), memory (context), tools" und einem Denkprozess. In beiden Fällen baust du ein Diagramm: Auslöser, Agent, Modell, Speicher, Werkzeuge, Zugangsdaten. Bei n8n kommt wahlweise ein eigener Server dazu, laut Doku „Requires setup (npm, Docker, or server)", oder die Cloud-Variante. Das Modell wechselst du, indem du den Chat-Model-Knoten tauschst; n8n bietet dafür laut Doku Knoten für viele Anbieter, darunter lokale Modelle über Ollama. Frieda in n8n: Trigger auf das Postfach, Agent-Node mit den Sortierregeln als System-Prompt, Chat-Model-Node, Memory-Node, Tool-Node für die Ablage, Zugangsdaten, dazu ein Server oder Cloud-Konto.
Warum ich heute anders arbeite: Die Arbeit lag im Workflow. Meine Regeln standen in einem Feld eines Knotens, nicht in einer Datei, die ich lesen, einem anderen Modell geben oder in ein anderes Werkzeug tragen konnte. Das ist keine Schwäche von n8n, sondern seine Bauart, und für feste Abläufe ist genau diese Bauart richtig. Die richtige Wahl ist ein Workflow-Tool, wenn dein Ablauf ein Fließband ist: gleiche Schritte, hohes Volumen, Auslöser rund um die Uhr ohne Menschen dazwischen, oder wenn du lokale Modelle im Prozess brauchst. Was ich beim Bauen gelernt habe, steht in n8n KI-Agent erstellen: was ich gelernt habe; der Vergleich der beiden Werkzeuge untereinander in n8n, Make oder Claude: was wofür?.
Weg 3: eine Plattform für Organisationen wie Langdock
Langdock beschreibt sich selbst als Plattform, mit der eine Organisation KI einführt: Chat für alle, Agenten für wiederkehrende Aufgaben, Workflows für Automatisierungen, alles im Browser. Ein Agent ist dort laut Dokumentation ein spezialisierter Chat mit gespeichertem Kontext, „documents and instructions". Das Modell wählst du per Klick in der Eingabezeile und kannst es laut Doku mitten im Gespräch wechseln, über mehrere Anbieter hinweg. Die Anwendung ist nach Anbieterangabe in der EU gehostet. Abgerechnet wird pro Nutzer und Monat. Frieda in Langdock wäre ein Agent mit den Sortierregeln als Anweisung, die Stapel-Beschreibung als hochgeladenes Dokument, eine Integration zum Postfach, und ein Nutzerkonto, an dem das alles hängt.
Ich habe Langdock ausprobiert. Für meinen Betrieb bin ich beim Ordner geblieben, aus einem Grund, der nichts mit der Qualität der Plattform zu tun hat: Meine Arbeit soll in Dateien liegen, die mir gehören und die ich mit jedem Werkzeug öffnen kann. Eine Plattform für Organisationen legt sie dorthin, wo die Organisation sie verwalten kann. Das ist für eine Organisation richtig und für mich allein unnötig.
Die richtige Wahl ist eine solche Plattform, wenn mehrere Menschen dieselben Agenten nutzen sollen, wenn jemand zentral verwalten muss, wer was darf, wenn du Modelle verschiedener Anbieter im selben Prozess brauchst oder wenn du Nachweise für einen Auditor brauchst. Den ganzen Vergleich findest du in Langdock vs Claude: was ich im Betrieb nutze.
Weg 4: ein Mitarbeiter im Abo
Plattformen wie Lindy oder Relevance AI verkaufen den KI-Mitarbeiter als fertiges Produkt, als „AI teammate" oder „AI Workforce". Du meldest dich an, wählst oder baust einen Agenten aus Bausteinen, verbindest deine Werkzeuge und lässt ihn laufen. Lindy wirbt laut eigener Preisseite mit „40+ skills" ab Werk und rechnet in Guthaben pro Nutzer und Monat ab; Relevance AI zählt laut Dokumentation Aktionen, „counted when an Agent runs a Tool", dazu Guthaben für die Modellnutzung.
Was du danach betreibst: wenig, und das ist der Punkt. Konto, Agenten, Guthaben. Der Anbieter betreibt die Plattform, das Modell wählst du je Aufgabe oder bringst laut Doku bei manchen Anbietern deinen eigenen Schlüssel mit. Deine Arbeit liegt in der Plattform. Frieda im Abo wäre ein Agent aus einer Vorlage für E-Mail-Assistenz, angepasst mit deinen Regeln, verbunden mit dem Postfach, bezahlt in Guthaben je Aktion.
Die richtige Wahl ist ein Abo, wenn jemand anderes den Betrieb übernehmen soll und du dafür bezahlen willst, dass du dich um nichts kümmern musst. Was du dort genau mietest, und warum meine Mitarbeiter mir gehören, weil sie Dateien sind, steht in KI-Mitarbeiter mieten: was du im Abo bekommst.
Weg 5: ein Entwickler-Framework
LangGraph, CrewAI, das OpenAI Agents SDK, das Claude Agent SDK: Das sind Bibliotheken für Menschen, die programmieren. LangGraph beschreibt sich als „a low-level orchestration framework and runtime for building, managing, and deploying long-running, stateful agents", CrewAI setzt laut Installationsanleitung Python voraus, das Claude Agent SDK gibt es laut Doku „for Python and TypeScript only". Was du damit baust, ist Software, die einen Agenten enthält: dein Code, dein Hosting, deine API-Schlüssel, deine Updates. Das Modell wechselst du im Code, oft in einer Zeile. Frieda als Framework wäre ein Python-Programm: Agenten-Objekt, Modell-Client, Funktionen für Postfach und Ablage, Datenbank für den Zustand, Server.
Die richtige Wahl ist ein Framework, wenn der Agent Teil eines Produkts wird, das du an andere auslieferst, oder wenn du ein Entwicklerteam hast, das ihn pflegt. Ich bin Entwickler und habe mich trotzdem dagegen entschieden, weil ich Mitarbeiter führen wollte, nicht Software warten.
Weg 6: ein Ordner plus Claude
So arbeite ich heute. Jeder meiner vierzehn KI-Mitarbeiter ist ein Ordner: eine Personalakte, ein Regelwerk in einer Datei namens CLAUDE.md, Skills als Textdateien für wiederkehrende Aufgaben, ein Postfach für Übergaben an Kollegen. Alles Markdown, alles lokal, bei mir in einem Obsidian-Vault. Claude Code liest die Dateien beim Start und arbeitet damit. Wie so ein Ordner entsteht, steht in KI-Mitarbeiter erstellen: so startest du, was in die Regelwerk-Datei gehört, in CLAUDE.md: das Gedächtnis von Claude Code.
Danach betreibst du einen Ordner und ein Abo. Claude Code ist laut Anthropic in allen bezahlten Plänen enthalten. Das Modell wechselst du per Befehl /model, innerhalb der Claude-Familie. Und jetzt der Teil, der für mich den Ausschlag gibt: Deine Arbeit liegt in Dateien, die du lesen kannst. Wenn Claude morgen ausfällt, öffne ich denselben Ordner mit Codex oder mit OpenCode und lokalen Modellen. Die Werkzeuge lesen dieselben Dateien, weil das Format offen ist: Codex liest laut eigener Doku eine Datei namens AGENTS.md, OpenCode liest AGENTS.md und CLAUDE.md, und Claude Code liest laut Anthropic-Doku seit Version 2.1.277 ebenfalls AGENTS.md, wenn keine CLAUDE.md daneben liegt. Die Laufzeit ist bei mir Claude, die Beschreibung der Arbeit gehört mir.
Frieda als Ordner: eine CLAUDE.md mit Aufgabe, Regeln und Grenzen, die Stapel-Regeln als Datei, ein Skill für den Sortierlauf, und der Satz, der alles trägt: Sie versendet nie selbst, sie legt Entwürfe hin. Dasselbe Prinzip trägt auch die schärfsten Rollen bei mir. Falk, mein Red-Teamer, testet ausschließlich Systeme, für die eine schriftliche Freigabe vorliegt. Diese Grenze steht in seiner Personalakte, nicht in einem Knoten.
Ehrlich dazu: Dieser Weg hat Grenzen. Er hat keine Nutzerverwaltung, er läuft im Terminal oder in der Claude-App, und ein Mitarbeiter braucht einen Start durch mich, einen Zeitplan oder einen Aufruf. Er ist kein Fließband. Die richtige Wahl ist er, wenn du allein oder in einem kleinen Team arbeitest, deine Aufgaben Kontext und Urteil brauchen statt fester Verzweigungen, und du willst, dass dir das Ergebnis deiner Einarbeitung gehört. Warum die Datei das ist, was den Werkzeugwechsel überlebt, steht in CLAUDE.md vs AGENTS.md: was überlebt.
KI-Mitarbeiter bauen: Entscheidungshilfe nach Betriebsgröße
Die Zeilen schließen sich nicht aus: Bei mir liefen n8n und Claude Code eine Zeit lang nebeneinander, Claude Code als Auslöser, n8n als Ausführung.
Häufige Fragen
Kann ich einen KI-Agenten selbst bauen, ohne zu programmieren?
Ja, auf fünf der sechs Wege. Kurs plus Plattform, Workflow-Tool, Plattform für Organisationen und Mitarbeiter im Abo laufen im Browser ohne Code. Der Ordner-Weg braucht ebenfalls keinen Code, du schreibst Regeln in normalem Deutsch; Claude Code läuft aber im Terminal, und das ist für viele die eigentliche Hürde. Nur das Framework verlangt Programmierung.
Ist ein KI-Agent in n8n ein KI-Mitarbeiter?
Technisch ist er ein Knoten in einem Workflow, der ein Modell und Werkzeuge verbindet. Ob du ihn Mitarbeiter nennst, ist Geschmackssache. Für mich macht den Unterschied, ob seine Rolle, seine Regeln und seine Grenzen an einem Ort stehen, den ich lesen und ändern kann wie eine Personalakte. In n8n stehen sie im Prompt-Feld des Agent-Nodes.
Brauche ich einen Kurs, um einen KI-Agenten zu bauen?
Nein. Alle sechs Wege haben öffentliche Dokumentationen, und der Ordner-Weg braucht weniger Vorwissen, als die meisten annehmen: eine Aufgabe, eine Beschreibung der Rolle, ein erstes Gespräch. Ein Kurs hilft, wenn du Anleitung und Struktur willst.
Was ist der Unterschied zwischen KI-Agent und KI-Mitarbeiter?
Ein Agent ist ein System, das mit Modell und Werkzeugen eine Aufgabe erledigt. Ein Mitarbeiter ist bei mir ein Agent mit Personalakte, festen Grenzen und einer Freigabe-Regel, also mit Führung. Die ganze Begriffsleiter von Chat über Assistent bis Mitarbeiter steht in Agentische KI: was das ist und was nicht.
Kann ich später den Weg wechseln?
Zwischen Plattformen musst du in der Regel neu bauen, weil jede ihre Agenten in einem eigenen Format hält. Vom Ordner aus ist der Wechsel des Werkzeugs einfacher, weil die Dateien Klartext sind und mehrere Werkzeuge dasselbe Format lesen.
Wie du weitermachst
Nimm eine Aufgabe, die bei dir Kontext braucht, und geh die fünf Fragen einmal für den Weg durch, den du gerade im Kopf hast. Wenn die Antwort auf Frage vier „in der Oberfläche" lautet, überleg, ob dich das in zwei Jahren noch freut. Und wenn du bei Frage eins hängst: Damit bist du nicht allein. In den Calls meiner Community bauen wir deine Frieda in deinem Werkzeug nach, ob n8n, Langdock oder Ordner, und du siehst den Unterschied selbst: Claude Practitioners.
