Obwohl generative KI-Modelle erhebliche Fortschritte erzielt haben, bleibt ihre Nutzung in Unternehmen bislang begrenzt, da viele Prozesse weiterhin manuell ablaufen. Daten werden zwischen Systemen kopiert, Anfragen komplett manuell geprüft, was erheblichen Zeitaufwand verursacht und wichtige Ressourcen bindet. In diesem Umfeld fehlen häufig Zeit, Budget und technisches Know-how, um eigene Automatisierungslösungen zu entwickeln.
Gleichzeitig nutzen viele Unternehmen bereits benutzerfreundliche Workflow-Automatisierungstools, um Prozesse ohne tiefgehende Programmierkenntnisse zu digitalisieren. Der AgentBuilder, kürzlich auf dem OpenAI Dev Day vorgestellt, ergänzt diese Tools um die Möglichkeit, generative KI direkt in Arbeitsabläufe zu integrieren.
Mit dem AgentBuilder können Unternehmen eigene KI-Agenten visuell erstellen, die mit Daten, APIs und Anwendungen interagieren. So lassen sich bestehende Workflows schrittweise um KI-basierte Verarbeitungsschritte erweitern – dort, wo sie echten Mehrwert bieten, ohne dass bestehende Systeme ersetzt oder Prozesse vollständig neu organisiert werden müssen.
In diesem Beitrag zeigen wir, wie der AgentBuilder hilft, die Lücke zwischen KI-Potenzial und praktischer Umsetzung zu schließen – ein Thema, das uns in unserer Arbeit täglich begegnet.
AgentBuilder: Das Toolkit für praxisnahe KI-Agenten
Der AgentBuilder ist Teil des AgentKit, einer modularen Plattform zur Entwicklung und Integration unternehmensspezifischer KI-Agenten. Das AgentKit bildet die technische und logische Grundlage, um generative KI in reale Geschäftsprozesse einzubetten. Es besteht aus drei Kernmodulen:
- AgentBuilder: Visuelles Erstellen und Konfigurieren von Agenten, inklusive Verhalten, Logik und Toolnutzung
- Connector Registry: Schnittstellen zu Datenquellen, APIs und externen Anwendungen
- ChatKit: Integration der Agenten in eigene Anwendungen oder bestehende Chat-Oberflächen
Der AgentBuilder bildet dabei das Herzstück des AgentKit. Hier wird definiert, wie Agenten Entscheidungen treffen, Tools nutzen und Unternehmenslogik abbilden. Damit schlägt er die Brücke zwischen generativer KI sowie realen Geschäftsprozessen und macht KI operativ nutzbar, nicht nur technisch verfügbar. Konkret gliedert sich der AgentBuilder in vier Kernkomponenten:
1. Core: Zentrale Logik
- Agent: Verarbeitet Nutzeranweisungen mithilfe von LLMs, nutzt Tools und führt Aktionen aus
- End: Beendet den Workflow und liefert das Ergebnis zurück
- Note: Ermöglicht Hinweise oder Dokumentation innerhalb des Workflows
Abbildung 1: AgentBuilder Core-Nodes
2. Tools: Schnittstellen und Sicherheitsfunktionen
- File Search: Zugriff auf den OpenAI Vector Store zur Informationsabfrage
- Guardrails: Sicherheitsprüfungen, z. B. Moderation oder Schutz sensibler Daten
- MCP: Ermöglicht strukturierte Interaktionen mit Datenbanken, APIs oder internen Unternehmenssystemen
Abbildung 2: AgentBuilder Tools-Nodes
3. Logic: Steuerung von Abläufen
- If / Else: Konditionale Verzweigungen
- While: Schleifensteuerung basierend auf Bedingungen
- User Approval: Optionale menschliche Freigabe einzelner Schritte
Abbildung 3: AgentBuilder Logic-Nodes
4. Data: Umgang mit Informationen
- Transform: Wandelt Daten um und setzt Typbeschränkungen durch
- State: Globale Variable für Input und Output über den gesamten Workflow hinweg
Abbildung 4:
AgentBuilder Data-Nodes
AgentBuilder in Aktion
Um die Funktionsweise des AgentBuilders anschaulich zu machen, haben wir bei DataSpark einen Infobot entwickelt, der häufig gestellte Fragen zu unserem Unternehmen beantwortet. Der Workflow zeigt, wie die zuvor vorgestellten Komponenten kombiniert werden, um automatisiert kontextbezogene Antworten zu liefern.
Der Ablauf beginnt mit einer Benutzeranfrage, die vom Guardrails-Node geprüft wird auf negative Anfragen wie Hassrede. Dann analysiert der Classifier Agent die eingehende Anfrage und bestimmt die Art der Anfrage. Abhängig vom Ergebnis werden unterschiedliche Verarbeitungspfade aktiviert:
- Web Search: Externe Informationen werden abgerufen, wenn die Anfrage allgemeine oder öffentlich zugängliche Daten erfordert.
- File: Für workshopbezogene Fragen greift der Agent auf interne Dokumente zu, um die Antwort zu damit zu generieren.
- Direkte Antwort: Bei einfachen Fragen liefert der Agent unmittelbar eine Antwort ohne zusätzliche Schritte.
Ein End-Knoten signalisiert den Abschluss des Workflows und liefert den finalen Output zurück. Bei Workshop-Anfragen ist der Agent in der Lage, dem Kunden freie Termine anzubieten:
- Der Agent stellt den DataSpark AI Vision Summary Workshop vor und fragt das präferierte Datum vom Kunden ab.
- Der Kunde antwortet mit dem präferierten Datum.
- Der Agent nutzt das MCP Outlook-Kalender um die verfügbaren Slots an dem Tag vorzuschlagen.
-
Der Agent fragt das vom Kunden präferierte Datum ab.
Dieses Beispiel zeigt, wie der AgentBuilder verschiedene
Komponenten miteinander verbindet, um Anfragen intelligent zu klassifizieren,
relevante Informationen zu nutzen und strukturierte Antworten zu liefern. Zudem
demonstriert der Workflow, dass Agenten handeln können um manuelle Zwischenschritte
(Kalenderprüfung und Terminfindung) zu ersparen.
Agent Builder vs. Microsoft Copilot Studio
Nachdem wir den AgentBuilder in Aktion gezeigt haben, stellt sich die Frage, wie er sich im Vergleich zu bestehenden Lösungen positioniert. Wir vergleichen ihn mit einem direkten Peer, Microsoft Copilot Studio, basierend auf unseren Erfahrungen aus eigenen Projekten. Der Fokus liegt auf Kernaspekten die für den praktischen Einsatz von KI-Agenten entscheidend sind.
Dimensionen |
AgentBuilder (OpenAI) |
Copilot Studio (Microsoft) |
Benutzerfreundlichkeit / Zielgruppe |
Technische Nutzer:innen und Power-User, visuelle Oberfläche für schnelle Konfiguration |
Technische Nutzer:innen und Power-User, ähnlich visuell und zugänglich |
Aufbau des Werkzeugkastens |
Minimalistisch, klar auf KI-Agenten-Workflows ausgerichtet, Agent-Knoten als zentrales Element |
Umfangreicher, diverse Knotentypen (auch regelbasiert), weniger stark auf Agenten-Workflows fokussiert |
Plugins / Integrationen |
Kleineres Ökosystem mit Unterstützung für gängige Tools und MCP |
Größeres Ökosystem aus Microsoft-eigenen und Third-Party-Plugins, ebenfalls MCP-fähig |
Modellauswahl und Konfiguration |
Zugriff auf viele OpenAI-Modelle und deren Einstellungen wie Temperature und Tools |
3–4 verfügbare OpenAI-Modell mit vordefinierten Konfigurationen die weniger anpassbar |
Sicherheit / Guardrails |
Integrierte Jailbreak- und Moderation-Guardrails für sichere, verlässliche KI-Interaktion |
Standard-Moderationsmechanismen innerhalb der Microsoft Cloud |
Workflow-Evaluation |
Evaluationsansicht mit Laufzeit, Status und Ergebnisbewertung via promptbasiertem Grader |
Ergebnisse werden manuell geprüft, weniger Einblick in Laufzeitdetails |
Beide Tools lassen sich in derselben Kategorie von Low-Code-Automatisierungsplattformen mit KI-Integration einordnen, unterscheiden sich jedoch im Schwerpunkt:
- AgentBuilder fokussiert sich stärker auf KI-zentrierte Workflows, bei denen LLMs Entscheidungen treffen, Daten verarbeiten und Aktionen ausführen. Durch Jailbreak-Guardrails, Human-in-the-Loop und Workflow-Evaluation richtet er sich an Szenarien, in denen Zuverlässigkeit und Nachvollziehbarkeit zentral sind.
- Copilot Studio überzeugt mit breiter Integrationstiefe im Microsoft-Ökosystem und eignet sich besonders dort, wo Unternehmen bereits mit Power Platform und Microsoft 365 arbeiten und regelbasierte Logiken dominieren.
Die Entscheidung hängt somit weniger von der Leistungsfähigkeit ab, sondern vom
strategischen Einsatzkontext: AgentBuilder punktet bei KI-zentrierten, datengetriebenen
Automatisierungen, Copilot Studio bei prozessualen, plattformintegrierten
Szenarien.
Fazit: KI-Agenten als neue Hebel für Automatisierung
KI-Agenten gehen über klassische Assistenz- oder Recherchefunktionen hinaus: Sie lassen sich gezielt in Unternehmensprozesse einbinden, um Routineaufgaben zu entlasten, Entscheidungen vorzubereiten und Informationen schneller bereitzustellen. Tools wie der AgentBuilder zeigen exemplarisch, wie Unternehmen KI-Agenten entwickeln und operationalisieren können, ohne tiefes technisches Know-how.
Für Unternehmen ist der Kernnutzen jedoch weniger das Tool selbst, sondern die strategische Integration: Welche Prozesse eignen sich für KI-Agenten? Wie werden Governance, Sicherheit und Effizienz sichergestellt? Hier setzt DataSpark an: Wir bewerten Technologien wie den AgentBuilder im Kontext der individuellen Anforderungen, entwickeln passende Agenten-Architekturen und begleiten die Implementierung praxisnaher Workflows.
Für DataSpark gilt: Der Mehrwert entsteht, wenn Low-Code-Plattformen gezielt dort eingesetzt werden, wo sie echte Effizienz- und Qualitätsgewinne bringen. Die Abwägung zwischen Low-Code-Lösungen und individueller Eigenentwicklung erfolgt je nach Use Case immer mit dem Ziel, KI praxisnah, zuverlässig und messbar in den Unternehmensalltag zu integrieren.