KI-Agent Make: Ein Praxisbeispiel für intelligente Automatisierung

Veröffentlicht: 21.01.2026 • Zuletzt bearbeitet: 28.01.2026

Viele Unternehmen nutzen Make für klassische Automationen: Ein definierter Trigger löst einen festen Ablauf aus, der immer gleich funktioniert. Das ist effizient – stößt aber dort an Grenzen, wo menschliche Entscheidungen notwendig sind.

In diesem Artikel zeige ich anhand eines konkreten Beispiels, wie sich ein KI-Agent in Make einsetzen lässt, um genau diese Lücke zu schließen.
Das Beispiel dient bewusst der Veranschaulichung. Es zeigt, wie ein KI-Agent sinnvoll genutzt werden kann – nicht, was Unternehmen exakt so übernehmen müssen, aber können, die Schritt-für-Schrittanleitung funktioniert.

---

Was ist ein KI-Agent in Make – und was nicht?

Eine klassische Automation in Make* folgt festen Regeln:

• Wenn A passiert, dann wird B ausgeführt
• Der Input ist klar strukturiert
• Der Output ist vorhersehbar und wiederholbar

Ein KI-Agent in Make ergänzt dieses Prinzip um eine zusätzliche Ebene:

• Er bewertet Informationen
• Er trifft Entscheidungen innerhalb klar definierter Grenzen
• Er steuert bestehende Automationen

Wichtig dabei:
Der KI-Agent ersetzt nicht Make selbst. Er ersetzt den Menschen, der bisher entscheiden musste, welcher nächste Schritt sinnvoll ist, aber er schlägt nur vor (Human-in-the-Loop).

---

Warum ein KI-Agent in Make sinnvoll ist

Ein KI-Agent eignet sich immer dann, wenn:

• Informationen unstrukturiert oder nur teilweise strukturiert vorliegen
• Entscheidungen nicht rein regelbasiert getroffen werden können
• menschliche Einschätzung bisher notwendig war

Typische Aufgaben sind Priorisieren, Einordnen, Bewerten oder Zusammenfassen.

---

Einordnung: Automation vs. KI-Agent vs. Mensch

Um den Unterschied klar zu machen, hilft folgende Abgrenzung:

Klassische Automation (Make ohne KI)

• Feste Regeln
• Definierter Input → definierter Output
• Keine Interpretation, kein Kontext
• Ideal für klar strukturierte Prozesse

KI-Agent (Make + KI-Modell)

• Analysiert Inhalte
• Bewertet und priorisiert
• Formuliert Vorschläge oder Rückfragen
• Reagiert flexibel auf unterschiedliche Eingaben
• Steuert Automationen, trifft aber nicht zwingend Entscheidungen

Mensch

• Trifft finale Entscheidungen
• Trägt Verantwortung und Haftung
• Bewertet Kontext, Risiken und Ausnahmen
• Greift korrigierend ein

In der Praxis ersetzt der KI-Agent also nicht den Menschen, sondern übernimmt Aufgaben, die sonst manuell, repetitiv oder zeitintensiv wären – etwa das Vorsortieren von Anfragen oder das Identifizieren fehlender Informationen.

Beispiel: Kundenanfragen priorisieren (Demo-Szenario)

Als Beispiel nutze ich ein häufiges Problem aus dem Unternehmensalltag:
Viele eingehende Anfragen, aber begrenzte Zeit.

Wichtig:
Dieses Szenario ist nur ein Beispiel, um die Funktionsweise eines KI-Agenten in Make verständlich zu machen. Es handelt sich nicht um reale Kundenanfragen, sondern um ein Test- und Demonstrationsszenario, aber es funktioniert.

---

KI-Agent in Make zur Priorisierung von Kundenanfragen

Der folgende Abschnitt zeigt Schritt für Schritt, wie der KI-Agent Make technisch und konzeptionell aufgebaut ist. Das Ziel ist nicht, eine starre Vorlage zu liefern, sondern das Prinzip zu erklären.

---

Ziel des KI-Agenten

Der KI-Agent Make unterstützt die Bearbeitung von Kundenanfragen, indem er automatisch:

• Anfragen prüft
• deren Dringlichkeit einschätzt
• Vorschläge zur Priorisierung macht
• gezielte Rückfragen formuliert, wenn Informationen fehlen
• notwendige Aktionen vorschlägt

Der KI-Agent trifft keine endgültigen Entscheidungen, sondern liefert eine strukturierte Entscheidungsgrundlage.

---

Informationen zur Aufgabe

Dem KI-Agenten wird ein Google Sheet mit offenen Kundenanfragen im Tabellenblatt 1 (Tab 1) zur Verfügung gestellt. Im echten Betrieb stammen diese Daten typischerweise aus CRM-Systemen, Ticketsystemen, E-Mail-Postfächern, Kontaktformularen oder Support-Chat-Plattformen. Im Tab 2 schreibt

Tab 1: Kundenanfragen (Input)

• Spalte A: Kundenname
• Spalte B: Anfrage / Problem
• Spalte C: Dringlichkeit (falls bereits bewertet)

Jede Zeile entspricht einer Anfrage. Die Dringlichkeit kann leer sein oder als grobe Vorbewertung dienen.

Tab 2: Bewertung & Empfehlungen (Output)

Der KI-Agent nutzt eine zweite Tab im gleichen Spreadsheet, um:

• Zeilen-ID
• Kundenname
• Vorgeschlagene Priorität, um Priorisierungsvorschläge zu dokumentieren
• Menschliche Priorität
• Folgefragen, um Rückfragen zu formulieren
• Empfohlene Aktion, um Hinweise zur weiteren Bearbeitung festzuhalten

So bleiben alle Entscheidungen nachvollziehbar.

---

Tools für den KI-Agenten

Damit der KI-Agent Make sinnvoll arbeiten kann, werden ihm gezielt Werkzeuge (Tools) zur Verfügung gestellt, die er bei Bedarf selbstständig aufruft. Man kann ihm auch zusätzliche Tools mit auf den Weg geben. Im vorliegenden Beispiel habe ich dem KI-Agenten keine speziellen Tools zur Verfügung gestellt.

Hintergrund: Woher kennt der Agent diese Werkzeuge?

Der Agent „weiß“ von diesen Möglichkeiten durch sogenannte Function Definitions (Funktionsbeschreibungen). Man gibt ihm im System-Prompt quasi eine Bedienungsanleitung mit: „Nutze Funktion A, wenn Informationen fehlen, und Funktion B, wenn es dringend ist.“

Wichtig zu verstehen: Der Agent führt die Aktion nicht selbst aus. Er gibt lediglich den intelligenten Befehl (z. B. „Führe update_priority aus“) an Make weiter. Die eigentliche Arbeit – also das Schreiben in das Google Sheet oder in die Datenbank oder das Erstellen des E-Mail-Entwurfs – übernimmt dann die Make-Automation im Hintergrund.

Tool 1: Folgefragen generieren

Wenn wichtige Informationen für eine Bearbeitung fehlen, nutzt der Agent die Funktion generate_reply. Er kann:

• gezielte Rückfragen formulieren
• Vorschläge für E-Mail- oder Chat-Nachrichten erstellen

Der Versand erfolgt dabei nicht blind, sondern kann später automatisiert oder manuell durch einen Mitarbeiter freigegeben werden.

Tool 2: Priorisierung vorschlagen

Der KI-Agent bewertet jede eingehende Anfrage im Hintergrund nach:

• Dringlichkeit (z. B. Fristen im Text)
• geschätzter Wichtigkeit (z. B. VIP-Kunde)

Auf dieser Basis ruft er die Funktion update_priority auf und schreibt ein entsprechendes Status-Label (z. B. „Hoch“, „Mittel“) oder eine Kategorie direkt in die Datenbank (z. B. Google Sheets oder CRM), damit das Team sofort erkennt, welche Fälle Vorrang haben.

Make-Szenario (technischer Ablauf)

Das Make-Szenario folgt einem klaren, wiederholbaren Ablauf:

1. Kundenanfragen aus Google Sheet auslesen
2. KI-Agent über das Modul Run an Agent starten
3. KI-Agent analysiert jede Anfrage
4. Vorschläge und Rückfragen werden in die zweite Tab geschrieben
5. Optional: automatische E-Mails mit Rückfragen an Kunden senden

Der KI-Agent steuert die Entscheidung – Make führt aus.

---

Google Sheet anlegen

Für den Test nutze ich ein Google Sheet mit zwei Tabellenblättern (Tabs). In meinem Blogartikel „Automatisieren mit Make“ findest du, wie ein Google Sheet aussieht und wie du es in Make benutzt.

Das Herzstück: Run an Agent (KI-Zugriff)

Im Make-Szenario ist das Modul „Run an Agent“ das zentrale Element.
Hier greift der KI-Agent auf künstliche Intelligenz zu, um die eigentliche Entscheidungsarbeit zu leisten. Der KI‑Zugriff im Run‑an‑Agent‑Modul erfolgt nicht über ein eigenes Make‑Modell, sondern über angebundene KI‑Dienste.

Auf welche KI kann der Agent zugreifen?

• Standardmäßig stehen über die Make-Integration die jeweils neuesten OpenAI-Modelle (aktuell GPT-5.x und GPT-4o) zur Verfügung.
• Alternativ lassen sich laut Make-Dokumentation weitere KI‑Modelle nutzen, darunter Anthropic Claude, Google‑basierte Modelle wie Gemini, Mistral oder beliebige andere LLM‑Dienste über API/Webhooks, sofern sie im Agent‑Setup eingebunden sind. (derzeit im Beta-Betrieb auf GPT beschränkt)
• Durch die Auswahl und Anbindung dieser Modelle kann der KI‑Agent Texte analysieren, bewerten und strukturierte Entscheidungen erzeugen, die Make dann automatisiert weiterverarbeitet.

Aufgaben des Moduls:

1. Eingaben empfangen
   • Jede Kundenanfrage aus dem Google Sheet wird an den KI-Agenten übergeben.
   • Strukturierte Daten (Kundenname, Anfrage, bisherige Dringlichkeit) werden in einem standardisierten Format bereitgestellt.
2. Analyse durch die KI
   • Die KI bewertet die Dringlichkeit der Anfrage.
   • Fehlende Informationen werden erkannt.
   • Priorisierungsvorschläge und Empfehlungen werden erstellt.
3. Strukturierte Ausgabe generieren
   • Die Ergebnisse werden so formatiert, dass Make sie mit Parse JSON herausfiltern und anschließend direkt in die zweite Tab zurückschreiben kann.
   • Optional kann der Agent Vorschläge für Rückfragen in E-Mail- oder Chatform ausgeben.

Warum „Run an Agent“ wichtig ist:

• Es ist der einzige Punkt, an dem die KI wirklich entscheidet.
• Alle anderen Module führen Aktionen aus, der KI-Agent trifft die Entscheidungen.
• Durch diesen Aufbau bleibt die Automation kontrollierbar: Make führt aus, die KI denkt vorher.

Praktische Tipps:

• Achte auf eine klare Eingabestruktur – je sauberer die Daten, desto präziser die Ergebnisse.
• Nutze für die Ausgabe ein standardisiertes Format (z. B. JSON oder klar definierte Spalten im Spreadsheet).
• Teste den Agenten zunächst mit Beispieldaten, bevor er produktiv läuft.

Den KI-Agenten als echten Assistenz-Mitarbeiter verbessern

Damit ein KI-Agent in Make nicht nur reagiert, sondern kontextbezogen, konsistent und fachlich fundiert arbeitet, ist der Schlüssel, ihm zusätzliche Informationen und Wissen über dein Business, Aufgaben und Prozesse mitzugeben. Make bietet dafür mehrere wirkungsvolle Mechanismen:

🔹 Detaillierte System-Prompts und Rollenbeschreibungen: Je präziser du die Rolle, den Zweck und die Grenzen des Agenten formulierst, desto zielgerichteter kann er agieren. Anstatt nur allgemeine Anweisungen zu geben, beschreibe den Zweck wie bei einem echten Mitarbeiter („Bewerte Support-Anfragen nach Auswirkung auf Geschäftsziele, Kundenwert und Dringlichkeit, und stelle nur Vorschläge, die X-Regeln einhalten“). Eine klar formulierte Rolle wirkt wie eine permanente Anleitung für den Agenten.

🔹 Agent-Kontext (Context Files): Make ermöglicht es, wichtige Dokumente, Leitlinien oder Unternehmenswissen als Kontext hochzuladen, damit der Agent dieses Wissen bei jeder Ausführung nutzt. Das können z. B. Standard-Antwort-Templates, interne Richtlinien, Produktdokumentationen oder FAQs sein. Durch Upload dieser Dateien wird der Agent „schlauer“, weil er nicht nur auf die aktuellen Eingaben reagiert, sondern relevantes Hintergrundwissen zur Entscheidungsunterstützung hat.

🔹 Tools und Szenarien gut beschreiben: Jedes Tool und jede Funktion, die du dem Agenten zur Verfügung stellst, sollte eine klare Bezeichnung und Beschreibung haben, damit die KI weiß, wann und wofür sie eingesetzt wird. Beispielsweise: „Nutze dieses Tool nur, wenn du eine Prioritätsbewertung schreiben sollst; verwende jenes andere nur für Rückfragen-Formulierung“. Gute Metadaten helfen dem Agenten, Entscheidungen genauer zu treffen.

🔹 Speichern von Kontext über Runs hinweg: Make hat eine Funktion, mit der du dem Agenten persistent Kontext geben kannst – also Informationen, die nicht jedes Mal neu übergeben werden müssen, sondern dem Agenten dauerhaft zur Verfügung stehen. Das wirkt ähnlich wie „Gedächtnis“ und macht wiederholte Aufgaben konsistenter.

🔹 Nutzer- und Prozessdaten als Eingabe nutzen: Wenn du den Agenten nicht nur mit der reinen Anfrage, sondern auch mit zusätzlichen Feldern versorgst (z. B. Kundenstatus, Produktkategorie, SLA-Informationen, Teamprioritäten), kann der Agent fundiertere Entscheidungen und Empfehlungen liefern.

Praktischer Tipp: Beginne mit einem knappen, aber klar definierten System-Prompt inklusive deiner Unternehmensregeln und Bewertungsmaßstäbe, und erweitere dann schrittweise mit Kontext-Dokumenten oder lade meinen Prompt und meine Kontextdatei herunter und passe sie für dich an. Je mehr relevante Informationen du dem Agenten zur Verfügung stellst, desto eher verhält er sich wie ein echter Assistent – nicht nur wie ein „generischer Antwort-Generator“.

System-Prompt und Kontextdatei für Make-Agenten

Damit ein KI-Agent in Make nicht nur „Text zusammenfasst“, sondern wie ein echter Support-Mitarbeiter arbeitet, braucht er eine klar definierte Rolle, Entscheidungsregeln und ein festes Ausgabeformat.

Das passiert im Run-an-Agent-Modul über zwei Bausteine:

---

System-Prompt / Rollenbeschreibung

Im System-Prompt legst du fest, wer der Agent ist, was er bewertet und wie er antworten darf.
Gerade bei Support- oder Service-Prozessen ist das entscheidend, damit die Ergebnisse zuverlässig weiterverarbeitet werden können (z. B. in Google Sheets, Ticketsystemen oder CRM).

Beispiel: Kundenservice-Assistenz für E-Mail-Anfragen

Der KI-Agent Make übernimmt die Rolle einer internen Support-Assistenz, nicht die eines Chatbots für Kunden.

Typische Aufgaben:

• Analyse eingehender Kunden-E-Mails
• Einschätzung von Priorität, Dringlichkeit und Zeitkritik
• Zuordnung zu einer klaren Kategorie (z. B. Bestellung, Reklamation, Information)
• Vorschlag einer konkreten nächsten Aktion für den Support
• Formulierung gezielter Rückfragen, falls Informationen fehlen

Wichtig:
Der KI-Agent Make entscheidet nicht selbst, sondern bereitet die Informationen so auf, dass ein Mensch schnell entscheiden kann.

👉 Deshalb wird im Prompt explizit festgelegt:

• nach welchen Kriterien bewertet wird
• welche Werte erlaubt sind
• dass die Antwort ausschließlich als sauberes JSON zurückgegeben wird

So lassen sich die Ergebnisse in Make stabil automatisiert weiterverarbeiten.

---

Kontextdateien & Hintergrundwissen (entscheidend für gute Ergebnisse)

Neben dem eigentlichen Prompt bekommt der KI-Agent Make zusätzlich eine Kontextdatei, die beschreibt, wie das Unternehmen denkt und priorisiert.

Diese Datei ersetzt kein CRM – sie liefert dem Agenten aber die mentale Entscheidungslogik, die ein menschlicher Support-Mitarbeiter automatisch hätte.

👉 Ziel:
Der KI-Agent soll nicht raten, sondern nachvollziehbar bewerten.

---

Beispiel: Kontext für ein mittelständisches Unternehmen

In der Praxis enthält die Kontextdatei u. a.:

• Rolle des Agenten im Unternehmen
• Typische Anfragearten (Bestellungen, Reklamationen, Lieferprobleme, Infos)
• Klare Definitionen, was als hoch / mittel / niedrig gilt
• Kriterien für Zeitkritik (Fristen, Produktionsstillstand, Termine)
• Feste Kategorien, um Chaos zu vermeiden

Der KI-Agent Make nutzt diese Informationen nicht als starre Regeln, sondern als Bewertungsrahmen für jede eingehende E-Mail.

---

Warum der Prompt bewusst „streng“ ist

Gerade bei Automatisierungen ist ein lockerer Prompt kontraproduktiv.

Deshalb wird im System-Prompt u. a. festgelegt:

• ❌ kein Freitext
• ❌ keine Erklärungen
• ❌ keine Abweichungen vom Format
• ✅ immer alle Felder ausfüllen
• ✅ nur erlaubte Werte verwenden
• ✅ valide JSON-Struktur

Das sorgt dafür, dass:

• Google Sheets nicht „kaputtgehen“
• Router & Filter in Make sauber funktionieren
• menschliche Support-Mitarbeiter sofort sehen, was zu tun ist

---

Ein guter Make-Agent besteht also nicht aus „einem cleveren Prompt“, sondern aus:

• einer klaren Rolle
• expliziten Bewertungsregeln
• einer Kontextdatei, die Unternehmenslogik abbildet
• und einem strikten Ausgabeformat

Je klarer du dem Agenten sagst, wie er denken soll, desto näher kommt er an einen echten Mitarbeiter heran – nur ohne Kaffee-Pause ☕😉

Wichtig für die Praxis (Human-in-the-Loop)

• Der KI-Agent Make entscheidet nicht selbst
• Er analysiert, priorisiert und empfiehlt
• Die finale Entscheidung bleibt immer beim Menschen

👉 Genau das macht den Einsatz in Make sicher, kontrollierbar und praxisnah.

Je besser das Hintergrundwissen, desto mehr verhält sich der KI-Agent wie ein echter Assistenz-Mitarbeiter und nicht wie ein generischer Chatbot.

Hier eine kurze Checkliste, was du dem KI-Agent Make mitgeben solltest:

Bereich	Kurz-Check
Unternehmen	Name, Branche, Teamgröße, Arbeitszeiten
Produkte	Kategorie (Standard / Premium), SLA, Gewichtung
Priorisierung	Kundenwert, Dringlichkeit, Regeln für Empfehlungen
Rolle des Agenten	Ziel: analysieren & priorisieren, Mensch entscheidet
Tipps	Erst testen, plausibel prüfen, regelmäßig aktualisieren

---

3. Anwendung im Run-an-Agent-Modul

• Tab 1 = Input (Kundenanfragen)
• Tab 2 = Output (Priorität / Folgefragen / Aktionen)
• Kontextdatei hochladen
• Tools definieren: „E-Mail an Kunden senden“ (bei Folgefragen) / „Priorität in Tab 2 eintragen“

Tipp: Beginne mit wenigen Testanfragen, überprüfe die Empfehlungen, und erweitere den Kontext schrittweise. So verhält sich dein KI-Agent verlässlich, konsistent und praxisnah – ähnlich wie ein menschlicher Mitarbeiter, ohne Entscheidungen eigenständig zu treffen.

How-to: KI-Agent mit Make erstellen: Schritt-für-Schritt

Genug der Theorie, jetzt geht es an die Umsetzung in Make. Um es vorweg zu sagen, es ging nicht auf einen Rutsch, sondern ich habe mich iterativ herangetastet. Und wie immer lag der Teufel im Detail.

Mein Tipp: Nutze den KI-Browser Comet mit Perplexity Pro. Make kannst du im Browser öffnen, er gibt dir wertvolle Tipps, wie du in Make einzelne Felder ausfüllen musst oder wie du aus den Ergebnissen, die der KI-Agent liefert Informationen herausfilterst, um die Ergebnisse strukturiert im Tab 2 im Google Sheet abszuspeichern.

Was nicht ging, war der Zugriff auf Mistral, derzeit funktioniert nur GPT, ich habe es zunächst mit dem einfachsten Modell Small (GPT OSS 20B) getestet. Dafür brauchte es keinen API-Zugriff, das ging direkt über Make und die genutzten Token wurden über meine Credits abgerechnet. Die ganze Testerei hat mich zunächst 58 Credits gekostet. Dann habe ich das Modell GPT-5.1 probiert, ein Durchlauf kam auf knapp 30 Credits.

Danach habe ich mich wieder für das kleine Modell entschieden. Hier kam ein Durchlauf mit 5 Kundenanfragen auf 17 Credits. Um dir ein Gefühl für die Kosten zu geben: Im Monat sind bei Make 1.000 Credits kostenlos, 10.000 Credits kommen auf $9 im Monat bei jährlicher Zahlweise.

Hier kannst du den System-Prompt und die verwendete Kontextdatei sowie das komplette Szenario herunterladen:

---

Weitere sinnvolle Einsatzmöglichkeiten für KI-Agenten in Make

Die Priorisierung von Kundenanfragen ist nur ein Anwendungsbeispiel.
Das gleiche Prinzip lässt sich unter anderem einsetzen für:

• Lead-Qualifizierung
• Support-Ticket-Klassifikation
• Angebots-Vorprüfung
• interne Freigabeprozesse
• Inhalts-Zusammenfassungen
• Entscheidungsunterstützung bei Datenanalysen

Immer dann, wenn bisher ein Mensch entscheiden musste, ob und wie ein Prozess weitergeht, ist ein KI-Agent sinnvoll.

---

Vorteile für KMU

Auch als Demo-Szenario zeigt dieses Beispiel klare Vorteile:

• Zeitersparnis bei der Sichtung von Anfragen
• geringeres Risiko, dringende Anliegen zu übersehen
• strukturiertere Kommunikation
• bessere Skalierbarkeit bei wachsendem Anfragevolumen

Gerade für kleine Teams kann ein KI-Agent eine spürbare Entlastung sein.

---

Datenschutz & DSGVO: Make (EU-Region) und KI-Agenten

Dies ist keine Rechtsberatung sondern eine gewissenhaft recherchierte Einschätzung (ohne Gewähr).

Make.com wird innerhalb der Europäischen Union betrieben, der ursprüngliche Unternehmenssitz in Tschechien liegt vollständig im Geltungsbereich der DSGVO. Bei Nutzung der EU-Region (z. B. mit eu2.make.com) findet die Verarbeitung der Automations- und Szenariodaten grundsätzlich innerhalb der EU statt. Make tritt dabei als Auftragsverarbeiter im Sinne von Art. 28 DSGVO auf und stellt entsprechende vertragliche Regelungen (Data Processing Agreement) zur Verfügung. Allein durch die Nutzung von Make entsteht somit keine Drittlandübermittlung personenbezogener Daten.

Datenschutzrechtlich relevant wird der Einsatz eines KI-Agenten jedoch dort, wo der Agent auf externe KI-Modelle zugreift. In diesem Fall werden Inhalte – abhängig vom Szenario – an den jeweiligen KI-Anbieter übermittelt. Hier ist entscheidend, welches Modell eingesetzt wird und wo es betrieben wird. Modelle wie Langdock oder Mistral, die EU-basiert betrieben werden können und vertraglich zusichern, dass übermittelte Daten nicht zur Modell-Weiterentwicklung verwendet werden, ermöglichen einen datenschutzfreundlichen Einsatz. Werden dagegen KI-Dienste genutzt, die außerhalb der EU gehostet sind, müssen zusätzliche Schutzmechanismen (z. B. Standardvertragsklauseln oder ein anerkanntes Datenschutzabkommen) berücksichtigt werden.

Make ermöglicht laut Dokumentation den Einsatz von Mistral-Modellen direkt im AI Agent.
Datenschutzrechtlich läuft die Verarbeitung über Make als Auftragsverarbeiter. Für interne Analyse- und Priorisierungsaufgaben (z. B. Support-Mails) ist das ein gut geeigneter, DSGVO-fähiger Ansatz – sofern ein AVV mit Make besteht und personenbezogene Daten minimiert werden.

Langdock lässt sich DSGVO-konform in Make integrieren, indem du es über das HTTP-Modul („Make a request“) als API anbindest, da es kein eigenes Make-Modul gibt. Datenschutzrechtlich ist entscheidend, dass du einen Auftragsverarbeitungsvertrag (AVV) mit Make und mit Langdock abschließt: Make fungiert dabei als Auftragsverarbeiter, Langdock als Sub-Auftragsverarbeiter. Ohne diese AVVs ist die Nutzung nicht DSGVO-konform.

Unabhängig vom eingesetzten Modell bleibt der Betreiber des KI-Agenten verantwortlich dafür, dass nur notwendige Daten verarbeitet werden, eine gültige Rechtsgrundlage besteht und die Verarbeitung transparent dokumentiert ist. Make stellt die technische Infrastruktur bereit – die datenschutzkonforme Ausgestaltung des KI-Agenten liegt jedoch beim Anwender.

Was bedeutet das im Klartext?

DSGVO-Kurz-Checkliste für KI-Agenten mit Make

Diese Punkte solltest du prüfen, bevor du einen KI-Agenten produktiv mit Make einsetzt:

1. Datenquelle prüfen
Werden personenbezogene Daten verarbeitet (z. B. Namen, E-Mails, Kundenanfragen)?
→ Nur verarbeiten, was für den Zweck notwendig ist (Datenminimierung).

2. Rechtsgrundlage klären
Die Verarbeitung muss auf einer gültigen Grundlage beruhen, z. B.:

• Vertragserfüllung
• berechtigtes Interesse
• Einwilligung

3. Make als Auftragsverarbeiter

• Nutzung der EU-Region (z. B. eu2.make.com)
• Abschluss eines Data Processing Agreements (DPA) mit Make
• Dokumentation im Verzeichnis der Verarbeitungstätigkeiten

4. KI-Modell bewusst wählen

• Wo wird das Modell betrieben (EU / Nicht-EU)?
• Gibt es vertragliche Zusicherungen, dass Daten nicht zur Modell-Weiterentwicklung verwendet werden?
• EU-basierte Modelle wie Langdock oder Mistral erleichtern die DSGVO-konforme Umsetzung.

5. Datenfluss dokumentieren

• Welche Daten gehen an den KI-Agenten?
• Welche Ergebnisse kommen zurück?
• Werden Daten gespeichert oder nur verarbeitet?

6. Human-in-the-Loop berücksichtigen

• Trifft die KI Entscheidungen – oder nur Empfehlungen?
• Wer trägt die finale Verantwortung?

7. Transparenz sicherstellen

• Hinweis in Datenschutz- und ggf. Kundeninformationen
• Klare Beschreibung des KI-Einsatzes (Zweck, Umfang, Grenzen)

---

Human-in-the-Loop: Wichtiger Unterschied für die Praxis

In dem hier gezeigten Beispiel übernimmt der KI-Agent keine autonomen Entscheidungen. Er analysiert Kundenanfragen, bewertet sie anhand definierter Kriterien und spricht Empfehlungen aus – etwa zur Priorisierung oder zu fehlenden Informationen. Die eigentliche Entscheidung und Umsetzung verbleibt beim Menschen.

Das ist ein entscheidender Unterschied zu vollständig autonomen KI-Systemen:

• Geringeres rechtliches Risiko, da keine automatisierte Entscheidung im Sinne von Art. 22 DSGVO vorliegt
• Höhere Kontrolle, da Vorschläge geprüft, angepasst oder verworfen werden können
• Bessere Nachvollziehbarkeit, da der KI-Agent als Assistenzsystem agiert

Gerade für Unternehmen ist dieser Ansatz praxisnah: Der KI-Agent ersetzt nicht den Menschen, sondern entlastet ihn bei wiederkehrenden Bewertungs- und Strukturierungsaufgaben. Gleichzeitig bleibt die Verantwortung klar geregelt.

Grenzen & Kontrollmechanismen für autonome KI-Agenten

Die Grafik visualisiert sechs zentrale Sicherheits- und Qualitätsmaßnahmen, die bei der Implementierung eines autonomen KI-Agenten beachtet werden müssen, um einen stabilen Betrieb zu gewährleisten:

• JSON-Struktur: Die KI-Antwort muss in einem festen, maschinenlesbaren Datenformat (JSON) erfolgen. Dies stellt sicher, dass Aktionen (z. B. „ask_for_info“) und Begründungen von nachfolgenden Systemen fehlerfrei weiterverarbeitet werden können.
• Schwellenwert & Fallback: Es werden Vertrauenswerte definiert (Confidence Thresholds). Ist sich die KI zu unsicher (z. B. unter 70%), greift automatisch ein Fallback-Prozess oder eine menschliche Überprüfung.
• Protokollierung: Jede Entscheidung des Agenten wird transparent dokumentiert. Gespeichert werden Aktion, Begründung („Reason“) und der Vertrauenswert, um Entscheidungen später nachvollziehen zu können.
• Allow-List & Berechtigung: Der Handlungsspielraum des Agenten wird strikt begrenzt (Whitelisting). Er darf nur explizit erlaubte Aktionen ausführen, wie „Mail-Vorlage senden“ oder „Rechnungen freigeben“, um Missbrauch zu verhindern.
• Datenschutz: Der gesamte Prozess und die Datenverarbeitung erfolgen strikt konform zur DSGVO, um die Sicherheit sensibler Daten zu garantieren.
• Testmodus & Monitoring: Bevor der Agent live geht, muss er in einem gesicherten Testmodus (Sandbox) ausgiebig geprüft und auch im Betrieb kontinuierlich überwacht werden.

Einordnung des Kundenanfragen-Beispiels:
Hier schlägt der KI-Agent nur Priorisierungen und Rückfragen vor, die Menschen prüfen und freigeben.
Die Grafik zeigt hingegen, wie ein KI-Agent vollständig autonom Entscheidungen treffen und Aktionen ausführen könnte – also das Szenario für ein echtes, selbstlaufendes Setup.

Fazit

Ein KI-Agent in Make ersetzt keine Automationen – er macht sie entscheidungsfähig. Das hier gezeigte Beispiel soll zeigen, wie sich KI-Agenten kontrolliert und sinnvoll in bestehende Abläufe integrieren lassen.

---

FAQ: KI-Agent Make