Erstellen Sie einen funktionierenden KI-Assistenten ohne Code. Hier ist der Stack

Vor drei Monaten hat ein 7-köpfiges Marketingteam eines mittelständischen SaaS-Unternehmens in zwei Wochen einen KI-Kundensupport-Assistenten entwickelt. Keine Ingenieure. Kein benutzerdefinierter Code. Sie nutzten Make (früher Integromat) für die Orchestrierung, Claude für das Gehirn und Zapier für die Datenweiterleitung. Der Assistent bearbeitete 40 % des Supportvolumens. Die Einrichtung kostete unter 200 $/Monat für die Tools.

Dort haben sie nicht angefangen. Erster Versuch: ChatGPT, verpackt in eine gemietete Weboberfläche. Es fabrizierte Unternehmensrichtlinien, widersprach sich selbst und machte Versprechungen, die das Team nicht halten konnte. Zweiter Versuch: Ein fertiger Support-Bot, der 1.500 $/Monat kostete und 30 % ihrer Ticketmuster nicht bewältigen konnte.

Der Unterschied zwischen den gescheiterten Ansätzen und dem funktionierenden war nicht die Intelligenz – es war die Struktur. Ein KI-Assistent ist nicht nur ein Modell, das Fragen beantwortet. Es ist ein System, das den richtigen Kontext abruft, Antworten für Ihre Benutzer formatiert und genau im richtigen Moment an Menschen übergibt.

Dieser Leitfaden führt Sie durch den Aufbau dieses Systems. Keine Theorie. Keine Sätze wie „KI verändert den Support“. Tatsächliche No-Code-Tools. Echte Workflow-Muster. Wo sie versagen. Wann man aufrüsten sollte. Was die meisten Teams falsch machen.

Was Ihr KI-Assistent wirklich tun muss

Definieren Sie den Umfang, bevor Sie Tools auswählen. Die meisten KI-Assistenten für Unternehmen scheitern, weil ihnen zu viel auf einmal abverlangt wird, ohne genügend Struktur.

Beginnen Sie hier: Schreiben Sie die Top 10 Kundenfragen oder Anwendungsfälle auf, die Ihr Assistent bearbeiten würde. Nicht „beantworte alles über unser Produkt“. Spezifisch. „Kunden fragen nach dem Rückerstattungsstatus“ oder „Kunden müssen ihren API-Schlüssel zurücksetzen“.

Definieren Sie für jeden Anwendungsfall drei Dinge:

• Benötigte Eingabe: Welche Informationen benötigt der Assistent, um korrekt zu antworten? (Beispiel: Kundenkonto-ID, frühere Kaufhistorie, aktuelle Support-Tickets)
• Benötigtes Wissen: Welchen Kontext benötigt das Modell? (Beispiel: Ihre Preisseite, Dokument zur Rückerstattungsrichtlinie, API-Dokumentation)
• Ausgabeaktion: Was soll als Nächstes passieren? (Beispiel: Rückerstattungsstatus zurückgeben, ein Support-Ticket erstellen, eine Bestätigungs-E-Mail senden)

Diese Bestandsaufnahme erzwingt Klarheit. Viele Teams stellen auf halbem Weg fest, dass ihre Top-3-Anwendungsfälle Zugriff auf interne Systeme (CRM, Abrechnungsdatenbank, Ticketing-Plattform) erfordern, die sie noch nicht angebunden haben. Besser, das jetzt zu wissen.

Definieren Sie als Nächstes die Grenzen des Umfangs. Das sind die Fragen, die Ihr Assistent nicht beantworten sollte:

• Alles, was Ermessensentscheidungen erfordert (Preisverhandlungen, Ausnahmeregelungen)
• Anfragen nach sensiblen Daten (Informationen anderer Kunden, Finanzunterlagen)
• Anfragen außerhalb Ihres Bereichs (Steuerberatung, Rechtsberatung, Produktempfehlungen für Wettbewerber)

Schreiben Sie eine Systemaufforderung, die explizit besagt: „Wenn der Benutzer nach [X] fragt, lehnen Sie ab und erklären Sie warum. Bieten Sie an, an einen Menschen zu eskalieren.“ Diese einzelne Maßnahme reduziert die Fehlerraten um 30–50 % in echten Einsätzen, da das Modell klare Grenzen hat.

Der No-Code-Stack, der wirklich funktioniert

Es gibt Hunderte von KI-Assistenten-Plattformen. Die meisten sind teuer (500–2.000 $/Monat), intransparent in ihrer Funktionsweise und starr bei der Anpassung.

Eine funktionierende Alternative: Stellen Sie einen Stack aus spezialisierten Tools zusammen. Jedes Tool macht eine Sache gut. Sie verbinden sie.

Warum diese Struktur funktioniert: Jedes Tool ist austauschbar. Wenn Pinecone teuer wird, wechseln Sie zu Supabase. Wenn Make einschränkend wird, wechseln Sie zu n8n. Sie sind nicht an die willkürlichen Einschränkungen eines einzelnen Anbieters gebunden.

Gesamtkosten für ein funktionierendes System, das 500–2.000 Kundeninteraktionen/Monat bedient: 80–250 $/Monat. Das beinhaltet die LLM-API-Aufrufe, die Wissensbasis und die Orchestrierungsplattform.

Schritt für Schritt: Erstellen Ihres ersten Workflows

Lassen Sie uns ein reales Beispiel erstellen: einen Kundensupport-Assistenten, der Rückerstattungsfragen beantwortet und komplexe an Menschen weiterleitet.

Schritt 1: Konversationsfluss definieren

Bilden Sie ab, was an jedem Punkt passiert:

Benutzer sendet Nachricht
  ↓
Assistent ruft relevante Dokumente aus der Wissensbasis ab
  ↓
Assistent generiert Antwort
  ↓
Benötigt die Antwort menschliches Urteilsvermögen?
  → Ja: Support-Ticket erstellen + Team benachrichtigen
  → Nein: Antwort an Benutzer senden

Das klingt offensichtlich. Teams überspringen es und landen bei Assistenten, die halbe Antworten geben oder Versprechungen machen, die sie nicht halten können.

Schritt 2: Bereiten Sie Ihre Wissensbasis vor

Sammeln Sie die Dokumente, die Ihr Assistent benötigt:

• FAQ-Seite (exportiert als Markdown oder PDF)
• Dokument zur Rückerstattungsrichtlinie
• Preisseite
• Produktdokumentation
• Bekannte Probleme oder Einschränkungen

Laden Sie diese in Pinecone, Weaviate oder Supabase Vector hoch. Wenn Sie das noch nie getan haben: Die meisten Vektor-Datenbanken haben Tutorials. Das von Pinecone dauert 10 Minuten.

Testen Sie den Abruf manuell. Stellen Sie Ihrem Assistenten eine Frage und prüfen Sie, ob er tatsächlich das richtige Dokument abgerufen hat. Hier scheitern 40 % der No-Code-KI-Implementierungen – der Abruf ist schwach, also erfindet der Assistent Dinge.

Schritt 3: Schreiben Sie die Systemaufforderung

Hier wird das Verhalten festgelegt. Eine vage Aufforderung = unvorhersehbare Antworten. Eine präzise Aufforderung = konsistentes Verhalten.

Schlechte Systemaufforderung:

Sie sind ein hilfreicher Kundensupport-Assistent. Beantworten Sie Fragen zu unseren Produkten und Richtlinien.

Warum das fehlschlägt: Das Modell hat keine Grenzen. Wenn ein Kunde fragt „Wie sind Ihre Preise im Vergleich zu Wettbewerber X?“, kann das Modell Vergleiche erfinden. Wenn er fragt „Können Sie meine Rückerstattungsfrist außer Kraft setzen?“, könnte das Modell vorschlagen, dass dies möglich ist.

Verbesserte Systemaufforderung:

Sie sind ein Kundensupport-Assistent für [Unternehmen]. Ihre Aufgabe ist es, Fragen zu Rückerstattungen, Kontozugang und technischen Problemen zu beantworten.

Anweisungen:
1. Verwenden Sie NUR die Informationen in der folgenden Wissensbasis. Verwenden Sie keine externen Kenntnisse.
2. Wenn der Benutzer nach Rückerstattungen fragt, überprüfen Sie zuerst seinen Kontostatus (über die CRM-Suche). Nennen Sie ihm seinen spezifischen Status.
3. Wenn der Benutzer nach Preisen oder Produktvergleichen fragt, spekulieren Sie NICHT. Sagen Sie: „Unsere Preise hängen von Ihrem Anwendungsfall ab. Ich verbinde Sie mit dem Vertrieb.“
4. Wenn Sie aufgefordert werden, eine Rückerstattungsrichtlinie zu überschreiben oder eine Ausnahme zu machen, lehnen Sie höflich ab und eskalieren Sie an [Eskalationsteam].
5. Fügen Sie bei jeder Antwort einen Satz hinzu, der erklärt, was als Nächstes passiert (z. B. „Ich erstelle ein Ticket für unser Team“ oder „Sie sollten innerhalb von 2 Minuten eine Bestätigungs-E-Mail erhalten“).

Wissensbasis:
[fügen Sie hier Ihre Dokumente ein]

Wenn Sie eine Frage mit den obigen Informationen nicht beantworten können, sagen Sie: „Ich habe diese Information nicht. Ich werde dies an unser Team weiterleiten.“ Erstellen Sie dann ein Support-Ticket.

Die zweite Version ist länger. Sie ist auch 60 % effektiver, da das Modell genau weiß, was im Geltungsbereich liegt und was nicht.

Schritt 4: Orchestrierung in Make (oder Zapier/n8n) einrichten

Hier lebt der Workflow. Hier ist das eigentliche Muster:

Trigger: Neue Nachricht in Slack (oder E-Mail, oder Webformular)
  ↓
Aktion 1: Kunden-ID aus Nachricht extrahieren (Mustererkennung oder Suche)
  ↓
Aktion 2: CRM nach Kundendaten abfragen (optional, aber leistungsstark)
  ↓
Aktion 3: Nachricht + Kundenkontext an Claude API senden
  ↓
Aktion 4: Claude-Antwort auf [ESKALIEREN]-Flag parsen
  ↓
Wenn [ESKALIEREN]: Ticket erstellen + Team benachrichtigen
Wenn NICHT [ESKALIEREN]: Antwort an Kunden zurücksenden

Warum das [ESKALIEREN]-Flag? Weil Sie eine Möglichkeit brauchen, damit das Modell sagen kann: „Das liegt außerhalb meines Rahmens.“ Weisen Sie Claude in der Systemaufforderung an, [ESKALIEREN] am Anfang seiner Antwort einzufügen, wenn es einen Menschen benötigt. Prüfen Sie dann in Make auf diese Zeichenkette.

Beispiel:

Claude generiert: „[ESKALIEREN] Dieser Kunde fragt nach einer Rückerstattungsausnahme. Er ist seit 3 Jahren Kunde. Ich bin nicht befugt, Ausnahmen zu genehmigen.“

Make sieht [ESKALIEREN], erstellt ein Ticket und sendet die Erklärung an das Support-Team.
Kunde erhält: „Ich habe Ihre Anfrage an unser Team weitergeleitet. Sie hören innerhalb von 2 Stunden von uns.“

Schritt 5: Eine einfache Schnittstelle einrichten

Bauen Sie noch keine Website. Beginnen Sie mit dem, was Sie haben:

• Slack: Wenn Ihre Kunden bereits in einem Slack-Workspace sind, sind die nativen Slack-Formulare + Make-Integration in einer Stunde erledigt.
• E-Mail: Richten Sie eine dedizierte Support-E-Mail ein. Zapier überwacht den Posteingang und löst Ihren Workflow aus.
• Web-Chat-Widget: Betten Sie ein mit Slack verbundenes Widget (Slackmoji, Orion oder ähnlich) auf Ihrer Website ein. Benutzer-Chat → geht an Slack → Ihr Workflow bearbeitet ihn.

Web-Chat-Widgets kosten 50–200 $/Monat. Die native Slack-Integration ist kostenlos. E-Mail-Integration über Zapier ist kostenlos. Beginnen Sie günstig, rüsten Sie auf, wenn Sie es brauchen.

Umgang mit Kontext und Erinnerung

Eine einzelne Interaktion ist einfach. Ein echter Assistent muss sich an das Gespräch erinnern.

Hier scheitern die meisten No-Code-Ansätze. Die Lösung: Speichern Sie die Konversationshistorie in einer Datenbank.

Muster:

• Speichern Sie jedes Mal, wenn ein Benutzer eine Nachricht sendet, diese in einer Datenbank (Airtable, Supabase, sogar ein Google Sheet).
• Wenn der Assistent antworten muss, rufen Sie die letzten 5–10 Nachrichten für diesen Benutzer ab.
• Fügen Sie diese Historie im Claude API-Aufruf als Gesprächskontext ein.
• Speichern Sie die Antwort von Claude in der Datenbank.

Das kostet fast nichts, lässt das Gespräch aber kontinuierlich statt isoliert wirken.

Beispiel API-Aufruf mit Make:

POST https://api.anthropic.com/v1/messages
{
  "model": "claude-opus",
  "max_tokens": 1024,
  "system": "[Ihre Systemaufforderung hier]",
  "messages": [
    {"role": "user", "content": "Ich habe meinen API-Schlüssel verloren"},
    {"role": "assistant", "content": "Ich kann Ihnen dabei helfen, ihn zurückzusetzen. Sind Sie in Ihrem Konto angemeldet?"},
    {"role": "user", "content": "Ja"}
  ]
}

Make kann dies automatisch erstellen, indem es die letzten 10 Zeilen der Konversationshistorie aus Ihrer Datenbank abruft. Die Einrichtung dauert 5 Minuten.

Wann dieser Ansatz scheitert

No-Code funktioniert, bis es das nicht mehr tut. Kennen Sie die Grenzen:

Problem 1: Komplexe Datenlogik

Wenn Ihr Workflow mehrere Systeme abfragen, Daten bedingt verarbeiten und Entscheidungen auf Basis von Geschäftslogik treffen muss, wird Make schließlich unhandlich. Sie schreiben 150 Schritte und es ist nicht mehr wartbar.

Lösung: Verlagern Sie die Logik in ein leichtgewichtiges Backend (Node.js, Python, sogar eine Google Cloud Function). Halten Sie Make einfach – lassen Sie Make orchestrieren, lassen Sie Code die Logik handhaben.

Problem 2: Reaktionslatenz

Wenn Ihre Kunden Antworten in unter 2 Sekunden benötigen, können No-Code-Workflows (die mehrere API-Aufrufe verketten) zu Timeouts führen. Bei 500+ gleichzeitigen Benutzern wird die Latenz kritisch.

Lösung: Wechseln Sie zu einer speziell dafür entwickelten Plattform (wie Voiceflow, Langchain oder einem benutzerdefinierten Backend). Oder optimieren Sie rigoros: Cachen Sie Wissensbasis-Abfragen, berechnen Sie Embeddings im Voraus, verwenden Sie ein schnelleres LLM (Mistral 7B anstelle von Claude).

Problem 3: Kontextfenster-Limits

Claude Opus hat ein 200K-Token-Kontextfenster. GPT-4o hat 128K. Mistral 7B hat 32K. Wenn Ihre Gespräche lang werden oder Ihre Wissensbasis riesig ist, stoßen Sie an Grenzen.

Lösung: Implementieren Sie intelligenteren Abruf. Anstatt Ihre gesamte Wissensbasis in jede Anfrage zu kippen, fragen Sie Ihre Vektor-Datenbank nach den 3–5 relevantesten Dokumenten. Das hält die Tokenzahl niedrig und die Antworten schnell.

Problem 4: Compliance und Datenverarbeitung

Wenn Ihre Kunden in regulierten Branchen (Finanzen, Gesundheitswesen, Recht) tätig sind, erfüllen die Datenverarbeitungsrichtlinien von Make und Zapier möglicherweise nicht die Compliance-Anforderungen. Sie benötigen möglicherweise eine benutzerdefinierte Infrastruktur mit garantierter Datenresidenz.

Lösung: Verwenden Sie selbst gehostete Tools (n8n, Open-Source-Vektor-Datenbanken) oder wechseln Sie zu einem Backend, das Sie vollständig kontrollieren.

Vergleich von Modellen für Assistentenaufgaben

Nicht alle LLMs sind für Geschäftsassistenten gleichermaßen effektiv. Hier ist, was wirklich zählt:

Was Sie wählen sollten: Für die meisten Geschäftsassistenten (Support, Vertriebsqualifizierung, internes Wissen) ist Claude Sonnet 4 der Sweet Spot. Bessere Befolgung von Anweisungen als GPT-4o, günstiger als Opus und das 200K-Kontextfenster bedeutet, dass Sie ganze Gespräche plus große Wissensbasen unterbringen können.

Mistral wird wettbewerbsfähig, wenn Sie ein hohes Volumen (10.000+ Interaktionen/Monat) bearbeiten und etwas höhere Fehlerraten tolerieren können. Der Kostenunterschied (2 $/Monat bei 1.000 Anrufen) ist bei Skalierung wichtig.

Vermeiden Sie Llama 3 für Assistenten, es sei denn, Sie betreiben ihn lokal und die Kosten sind die absolute Priorität. Das kleinere Kontextfenster und die höhere Fehlerrate erschweren die Implementierung von Leitplanken.

Häufige Fehler und wie man sie vermeidet

Wir haben genug dieser Systeme entwickelt und debuggt, um zu wissen, wo sie normalerweise kaputtgehen.

Fehler 1: Wissensbasis ist nicht synchron

Sie aktualisieren Ihre Preisseite. Ihr Assistent weiß es drei Tage lang nicht, weil niemand daran gedacht hat, die Dokumente erneut in Pinecone hochzuladen.

Behebung: Richten Sie eine automatisierte Dokumentensynchronisierung ein. Wenn Ihre Dokumente in Notion liegen, verwenden Sie die Notion API + Make, um Updates automatisch abzurufen. Wenn sie in einem CMS liegen, dasselbe Muster. Einmal pro Woche neu einbetten und Ihre Vektor-Datenbank aktualisieren. Make erledigt das in 10 Schritten.

Fehler 2: Assistent beantwortet Fragen, die er nicht sollte

Kunde fragt „Können Sie mir die Preise meines Wettbewerbers schicken?“ Assistent erfindet eine Website und Preise eines Wettbewerbers.

Behebung: Seien Sie aggressiv mit den Grenzen der Systemaufforderung. Listen Sie spezifische Fragenkategorien auf, die der Assistent NICHT beantworten sollte. Fügen Sie einen Abruffilter hinzu: Wenn die Anfrage mit bestimmten Schlüsselwörtern übereinstimmt („Wettbewerber“, „anderes Unternehmen“, „Alternative zu“), fragen Sie nicht die Wissensbasis ab. Sofort eskalieren.

Fehler 3: Gespräche werden verwirrt oder schleifen

Mehrstufige Gespräche brechen, weil die Konversationshistorie nicht korrekt an die API übergeben wird.

Behebung: Protokollieren Sie jeden API-Aufruf. Fügen Sie in Make oder Zapier einen Schritt hinzu, der aufzeichnet, was Sie an Claude senden. Jede Anfrage. Jede Antwort. Wenn etwas schiefgeht, überprüfen Sie die Protokolle. Normalerweise sehen Sie, dass die Konversationshistorie leer oder fehlerhaft ist.

Fehler 4: Eskalationen funktionieren nicht

Das Support-Team sieht die eskalierten Anfragen nie. Kunden wird nie mitgeteilt, dass ein Mensch übernimmt.

Behebung: Testen Sie den Eskalationspfad vor dem Start. Erstellen Sie ein Testgespräch, das [ESKALIEREN] auslöst. Stellen Sie sicher, dass (1) ein Ticket erstellt wird, (2) das richtige Team benachrichtigt wird, (3) der Kunde über die Erwartungen informiert wird. Machen Sie das 10 Mal. Die meisten Fehler liegen in der Benachrichtigungslogik, nicht im Assistenten selbst.

Ihr 30-Tage-Implementierungsplan

Versuchen Sie nicht, am ersten Tag das perfekte System zu bauen. Liefern Sie etwas Kleines und iterieren Sie.

Woche 1: Planung & Einrichtung

• Definieren Sie Ihre Top 5 Anwendungsfälle (30 Min.)
• Schreiben Sie Umfangsdefinitionen (30 Min.)
• Sammeln Sie Dokumente für die Wissensbasis (2 Stunden)
• Melden Sie sich für Pinecone, Make/Zapier, Claude API an (1 Stunde)

Woche 2: Wissensbasis & Systemaufforderung

• Dokumente in Pinecone hochladen (1 Stunde)
• Manuelle Abruftests (1 Stunde)
• Systemaufforderung schreiben und iterieren (2 Stunden)
• Testen Sie die Systemaufforderung anhand Ihrer 5 Anwendungsfälle (2 Stunden)

Woche 3: Orchestrierung & Tests

• Erstellen Sie den Make-Workflow (4–6 Stunden)
• Verbindung mit Ihrer Schnittstelle (Slack oder E-Mail) herstellen (2 Stunden)
• 20 Gespräche manuell testen (2 Stunden)
• Fehler beheben (2 Stunden)

Woche 4: Verfeinerung & Start

• Alle Fehler aus Woche 3 überprüfen (1 Stunde)
• Systemaufforderung und Wissensbasis aktualisieren (2 Stunden)
• Monitoring einrichten (Logs, Eskalationsverfolgung) (2 Stunden)
• Für eine begrenzte Benutzergruppe starten (1 Stunde)
• Basierend auf Feedback iterieren (laufend)

Gesamt: ca. 25 Stunden konzentrierte Arbeit. Sie können dies auf 4 Personen aufteilen und in einer Woche fertig sein. Oder eine Person über einen Monat.

Was Sie zuerst tun sollten, heute: Schreiben Sie Ihre Top 5 Support-Fragen auf. Keine allgemeinen Themen. Spezifische Fragen. Schreiben Sie dann für jede auf, welche Daten der Assistent benötigen würde, um sie korrekt zu beantworten. Diese 30-minütige Übung klärt mehr als eine Woche allgemeiner Planung.

Wann Sie über No-Code hinaus aufrüsten sollten

Sie haben ein MVP erstellt. Es deckt 30 % Ihres Support-Volumens ab. Und jetzt?

Rüsten Sie auf ein benutzerdefiniertes Backend auf, wenn:

• Ihre Workflows 80 Schritte in Make überschreiten (sie werden unüberschaubar)
• Sie durchweg Antwortzeiten unter 1 Sekunde benötigen (No-Code fügt Latenz hinzu)
• Sie 500 $/Monat oder mehr für Orchestrierungstools ausgeben
• Ihre Compliance-Anforderungen eine Datenresidenz erfordern, die Sie mit SaaS-Tools nicht garantieren können
• Sie mit Systemen integrieren müssen, die Make nicht unterstützt

Zu diesem Zeitpunkt wechseln Sie zu Langchain (Python oder TypeScript), stellen es auf Ihrer eigenen Infrastruktur oder Replit/Modal bereit und bauen von dort aus auf. Sie haben das Konzept bereits bewiesen. Jetzt optimieren Sie.

Aber hier ist die Sache: 80 % der Unternehmen benötigen dieses Upgrade nicht. No-Code funktioniert. Es ist günstiger, schneller bereitzustellen und von Nicht-Ingenieuren wartbar. Nutzen Sie es, es sei denn, Sie haben einen bestimmten Grund, dies nicht zu tun.