Wie Sie einen AI Agent mit Make bauen
Turn this article into takeaways for your work.
Each assistant summarizes the article only for you and suggests best practices for your work.
Make (früher Integromat) ist eine visuelle Plattform für Workflow-Automatisierung mit mehr als 3.000 App-Integrationen und hat auf seiner bestehenden Scenario-Engine eine eigene AI-Agents-Funktion ergänzt. Statt einem festen, linearen Scenario zu folgen, erhält ein Make-agent eine Aufgabe, denkt mit einem verbundenen LLM darüber nach und entscheidet, welche der angehängten Tools er in welcher Reihenfolge aufruft, um die Aufgabe zu erledigen. Sie bauen einen, indem Sie vier Teile zusammensetzen: ein Brain (das LLM), Anweisungen (ein System-Prompt, der wie eine Stellenbeschreibung wirkt), Tools (die Module, Scenarios oder MCP-Verbindungen, die er nutzen darf) und Memory (den Kontext, den er über Schritte hinweg behält).
Dieser Leitfaden behandelt, warum Make zu bestimmten Teams passt, die agents bauen, woraus das Modul AI Agents tatsächlich besteht, eine vollständige Build-Anleitung, eine reale Kundenfallstudie mit echten Zahlen, Kosten und Grenzen und wann Sie Make gegenüber den Alternativen wählen.
Warum Teams agents in Make bauen
Die Kernstärke von Make ist älter als die AI-Agents-Funktion: Es verbindet sich von Haus aus mit mehr SaaS-Anwendungen als die meisten konkurrierenden Plattformen. Genau diese Breite macht es zu einem starken Fundament für einen agent, denn ein agent ist nur so nützlich wie die Systeme, die er tatsächlich erreichen kann.
Der Integrationskatalog ist der breiteste der Kategorie. Make listet mehr als 3.000 App-Integrationen, die für die gängigsten SaaS-Tools direkt vom Make-Team gepflegt werden, plus ein generisches HTTP-Modul für alles ohne vorgefertigten Konnektor. Für einen agent, der in einem Lauf fünf oder sechs verschiedene Geschäftssysteme berühren muss, nimmt dieser Katalog den größten Teil der Verkabelungsarbeit ab.
Die AI-Agents-Ebene sitzt auf der Scenario-Engine von Make, nicht an ihrer Stelle. Sie können ein bestehendes Scenario zu einem aufrufbaren Tool für einen agent machen, ohne seine Ein- und Ausgaben von Hand neu zu definieren. Das heißt: Teams, die einen Prozess bereits in Make automatisiert haben, fangen beim Hinzufügen eines agents nicht von vorn an, sondern umhüllen, was sie schon gebaut haben, nah an der Form, die im Workflow Copilot Pattern beschrieben wird: AI unterstützt innerhalb eines bereits bestehenden Prozesses, statt ihn ganz zu ersetzen.
Es ist für Business-Teams gebaut, nicht nur für Ingenieure. Der visuelle Canvas, die Modulbibliothek und die Fehlerbehandlungs-Routen von Make sind dafür ausgelegt, von einer Person aus Ops oder RevOps konfiguriert zu werden, nicht ausschließlich von einem Entwickler. Deshalb ist es häufig das erste Tool, nach dem ein nicht technisches Team beim Bau von agents greift.
Make gehört inzwischen zu Celonis, dem Unternehmen für Process Intelligence, das eigene Workflows über die AI-Agents-Funktion von Make laufen lässt. Das belegt, dass die Plattform für echte Produktivautomatisierung genutzt wird, nicht nur für Demos.
Woraus das Modul AI Agents von Make besteht
| Komponente | Was sie leistet | Wie Sie sie konfigurieren |
|---|---|---|
| Brain | Das LLM, das Denken und Tool-Auswahl antreibt | Der integrierte AI-Anbieter von Make in jedem Plan oder eine eigene AI-Anbieter-Verbindung (OpenAI, Anthropic, Google und andere) in kostenpflichtigen Plänen |
| Anweisungen | Der System-Prompt, der Rolle und Grenzen des agents festlegt | Geschrieben wie eine Stellenbeschreibung: wofür er zuständig ist, was er nie tun darf |
| Tools | Was der agent aufrufen kann, um Arbeit zu erledigen | Module (einzelne App-Aktionen), vollständige Scenarios oder externe MCP-Tools |
| Memory | Der Kontext, den der agent über Schritte hinweg mitführt | Pro agent konfiguriert, bestimmt, woran er sich innerhalb und zwischen Läufen erinnert |
Der praktische Unterschied zu einem normalen Make-Scenario ist die Kontrolle. Ein Scenario führt jedes Mal dieselbe feste Abfolge aus. Ein AI agent entscheidet bei jedem Schritt, welches Tool zur aktuellen Situation passt, näher an der Schleife aus Überlegen, Handeln und Beobachten, die in Wie AI agents denken behandelt wird, als an einem Flussdiagramm. Wenn Sie ein Modul als Tool einrichten, erstellt Make dafür im Hintergrund automatisch das Scenario, sodass Sie Ein- und Ausgaben nicht von Hand definieren müssen, wie Sie es beim Verdrahten einer rohen API täten.
Diese Flexibilität ist auch der Grund, warum die Bausteine Rolle und Regeln hier wichtiger sind als in einem festen Scenario. Ein starrer Workflow kann nicht vom Skript abweichen, denn es gibt kein Skript, von dem er abweichen könnte. Ein agent mit einem vagen System-Prompt kann es.
Die Build-Anleitung
- Die Aufgabe des agents in den Anweisungen definieren. Behandeln Sie das wie die Bausteine Rolle und Regeln: ein Satz dazu, wofür er zuständig ist, und eine kurze Liste dauerhaft geltender Regeln dazu, was er nie tun darf.
- Ein Brain verbinden. Nutzen Sie zum Start den integrierten AI-Anbieter von Make, oder verbinden Sie in einem kostenpflichtigen Plan Ihr eigenes OpenAI-, Anthropic- oder Google-Konto, wenn Sie ein bestimmtes Modell brauchen oder die Nutzung direkt über Ihr eigenes Konto abrechnen wollen.
- Die Tools des agents bauen. Fügen Sie bestehende Make-Module direkt als Tools hinzu, oder umhüllen Sie ein bereits gebautes Scenario, damit der agent es als eine Einheit aufrufen kann. Jedes Tool braucht eine klare, konkrete Beschreibung: Der agent wählt Tools danach aus, was Sie ihm über das Tool sagen, nicht danach, was es unter der Haube heimlich tut.
- Memory einrichten. Entscheiden Sie, woran sich der agent innerhalb eines einzelnen Laufs und woran über getrennte Läufe hinweg erinnern muss, und konfigurieren Sie entsprechend. Geben Sie ihm nicht mehr persistentes Memory, als die Aufgabe verlangt.
- Human-in-the-Loop-Checkpoints für alles Folgenreiche ergänzen. Leiten Sie jede Ausgabe, die geprüft werden sollte, eine Freigabe, eine Zahlung, eine externe Kommunikation, vor dem Livegang an einen menschlichen Schritt, statt den agent bei den riskantesten Schritten unbeaufsichtigt handeln zu lassen.
- Mit echten historischen Eingaben testen, nicht mit erfundenen, und beobachten, welche Tools der agent wählt, bevor Sie einen Live-Trigger einschalten.
- Den Trigger einschalten und die ersten Läufe genau überwachen und die Anweisungen dort nachschärfen, wo er das falsche Tool wählt oder einen Fall übersieht, den er hätte erfassen sollen.
Die Build-Abfolge führt von Umfang und Modellwahl über Tools, Memory, menschliche Checkpoints bis zu Tests an historischen Fällen.
Ein reales Beispiel: Wie Celonis einen Agent für die Spesenprüfung in Make gebaut hat
Statt eines hypothetischen Beispiels hier ein dokumentierter Produktiveinsatz. Celonis musste die Spesenabrechnungen seiner Mitarbeitenden prüfen, ohne dass ein Mensch jede einzelne ansieht, und baute dafür einen Human-in-the-Loop-agent in Make:
- Eine Mitarbeiterin oder ein Mitarbeiter reicht in Workday eine Spesenabrechnung ein, was einen Webhook in Make auslöst.
- Make legt in monday.com einen strukturierten Eintrag an, damit das Team eine zentrale Sicht auf jede laufende Abrechnung hat.
- Der agent führt eine erste Richtlinienprüfung durch: Beträge, Daten, Ausgabenlimits, Kategorieregeln.
- Alles, was tiefergehendes Urteilsvermögen braucht, geht an Vertex AI (Gemini) von Google, das den Beleg liest und ihn anhand der Unternehmensrichtlinie bewertet.
- Make führt ergänzende Prüfungen durch, etwa eine Währungsvalidierung, und leitet das Ergebnis weiter: Abrechnungen, die bestehen, gehen in Workday automatisch weiter, und alles Markierte wandert in eine Prüfwarteschlange in monday.com, mit einer vorformulierten Antwort, die das Team an die Mitarbeitenden zurückschicken kann.
Das Ergebnis laut den von Celonis selbst veröffentlichten Zahlen: eine Senkung der Prüfkosten um 99,7 %, von mehreren Zehntausend Dollar pro Jahr auf rund 150 $ pro Jahr an Ausgaben für Vertex AI, bei einer Verarbeitung in der Größenordnung von 1.000 Dokumenten pro Dollar und einer Genauigkeit von nahezu 100 %, erreicht durch sorgfältiges Context Engineering und eine parallele Testphase von 60 bis 70 Tagen, bevor das Team ihm das volle Volumen anvertraute. Diese Disziplin des Parallellaufs entspricht dem, was Wie Sie einen AI Agent bauen empfiehlt: an echten historischen Fällen testen, bevor ein agent echte Befugnisse erhält. Der Blueprint AI Expense Approval Agent behandelt die vollständigen Regeln und Guardrails derselben Funktion, falls Sie etwas Ähnliches aus einer Vorlage statt von Grund auf bauen.
Kosten und Grenzen
Die Preise von Make laufen über „Operations", ungefähr eine Operation pro Modulausführung in einem Scenario, gestaffelt nach Plan. Die AI-Agents-Funktion ist in allen Plänen mit dem eigenen AI-Anbieter von Make verfügbar, eigene Anbieter-Verbindungen (Ihr eigenes OpenAI- oder Anthropic-Konto) in kostenpflichtigen Stufen. Diese zweite Option zählt bei Volumen: hochfrequente agent-Aufrufe über Ihr eigenes Modellkonto statt über den integrierten Anbieter von Make zu leiten, ist oft der vorhersehbarere Weg, die Ausgaben bei wachsender Nutzung zu steuern, und sollte vor einer Festlegung vollständig verstanden sein, siehe AI Total Cost of Ownership.
Die wichtigste Grenze ist nicht das Modell, sondern die Komplexität der Scenarios. Ein agent mit vielen Tools und verzweigter Logik kann einen Make-Canvas zu etwas machen, das Monate später wirklich schwer zu prüfen ist, wenn niemand dokumentiert, warum jede Verzweigung existiert. Bauen Sie Fehlerbehandlungs-Routen bewusst ein, dieselbe Disziplin, die jeder Workflow braucht, und behandeln Sie jede Tool-Verbindung als Berechtigungsvergabe: Ein agent mit Schreibzugriff auf Ihr CRM und Ihr Abrechnungssystem im selben Lauf hat einen größeren Schadensradius, wenn seine Anweisungen falsch sind, dasselbe Risiko übermäßig berechtigter Tools wie in AI agent Security.
Wann Make, wann Alternativen
| Wenn Sie ... wollen | Wählen Sie |
|---|---|
| Den breitesten vorgefertigten App-Katalog und eine Scenario-Engine, die Sie zu agents ausbauen | Make |
| Self-Hosting und volle Kontrolle, mit mehr von Hand zusammengesetzter Logik | n8n |
| Den schnellsten Weg zu einem ersten funktionierenden agent ganz ohne Scenario-Bau | Lindy |
| Volle Code-Kontrolle direkt auf den Modellen von OpenAI, ohne visuellen Canvas | OpenAIs Responses API |
Die ehrliche Stärke von Make ist die Breite der Integration, gepaart mit einer flachen Lernkurve für Nicht-Ingenieure. Die ehrliche Grenze: Die AI-Agents-Ebene ist neuer als die Workflow-Engine, auf der sie sitzt. Für die anspruchsvollsten mehrstufigen Denkaufgaben greifen manche Teams deshalb weiter zu einer stärker code-orientierten Plattform, sobald die Logik des agents über das hinauswächst, was ein visueller Canvas bequem ausdrücken kann. Für die meisten operativen agents, einen Freigabe-Workflow, einen Dateneingabe-agent, einen Richtlinienprüf-agent wie den von Celonis, ist Make wegen der Kombination aus Breite und Zugänglichkeit die gewählte Plattform.
Key Facts
- Die AI-Agents-Funktion von Make legt ein Brain (LLM), Anweisungen, Tools und Memory über die bestehende Scenario-Engine mit mehr als 3.000 Integrationen und lässt den agent wählen, welches Tool er aufruft, statt einer festen Abfolge zu folgen.
- Make gehört zu Celonis, dessen eigenes Team mit Make AI Agents die Kosten der Prüfung von Spesenabrechnungen um 99,7 % gesenkt hat, von mehreren Zehntausend Dollar pro Jahr auf rund 150 $ pro Jahr an Modellausgaben.
- Sie können in jedem Plan den integrierten AI-Anbieter von Make nutzen oder in kostenpflichtigen Plänen Ihr eigenes OpenAI-, Anthropic- oder Google-Konto verbinden.
- Bestehende Make-Scenarios lassen sich direkt als agent-Tools umhüllen, sodass Teams nicht neu bauen müssen, was sie bereits automatisiert haben.
- Das wichtigste operative Risiko sind die Komplexität der Scenarios und übermäßig berechtigte Tools, nicht die reinen Modellkosten.
Häufig gestellte Fragen zum Bau eines AI Agent mit Make
Was ist die AI-Agents-Funktion von Make?
Es ist eine Ebene auf der bestehenden Workflow-Engine (Scenarios) von Make, die ein LLM über eine Aufgabe nachdenken lässt und es entscheiden lässt, welche verbundenen Tools, Module, Scenarios oder MCP-Verbindungen es aufruft, statt jedes Mal einer festen Abfolge zu folgen. Sie konfigurieren sie mit einem Brain (dem LLM), Anweisungen (einem System-Prompt), Tools und Memory.
Muss ich bereits wissen, wie man den Scenario-Builder von Make benutzt?
Es hilft, ist aber nicht zwingend nötig. Grundkenntnisse zu Modulen und Verbindungen beschleunigen die Tool-Einrichtung, da agent-Tools aus denselben Bausteinen entstehen wie normale Scenarios. Dank des eigenen AI-Anbieters von Make können Sie einen agent zunächst ohne externe API-Schlüssel testen.
Kann ich mein eigenes OpenAI- oder Anthropic-Konto mit Make nutzen?
Ja. Die AI-Agents-Funktion von Make arbeitet in jedem Plan mit dem integrierten AI-Anbieter und unterstützt in kostenpflichtigen Plänen eigene AI-Anbieter-Verbindungen, darunter Ihr eigenes OpenAI-, Anthropic- oder Google-Konto, was Ihnen direkte Kontrolle über Modellwahl und Abrechnung gibt.
Was ist ein reales Beispiel für einen in Make gebauten agent?
Celonis hat in Make einen Human-in-the-Loop-agent für die Spesenprüfung gebaut, der die Einhaltung der Richtlinien automatisch prüft und nur wirklich mehrdeutige Fälle an einen Menschen weiterleitet. Laut der vom Unternehmen selbst veröffentlichten Fallstudie senkte das die Prüfkosten um 99,7 %.
Ist Make besser als n8n, um AI agents zu bauen?
Keines von beiden ist pauschal besser. Make gewinnt meist bei der Breite der Integrationen und der Bedienbarkeit für nicht technische Teams. n8n gewinnt meist bei Teams, die Self-Hosting und volle Kontrolle wollen, mit eingebautem Code-Ausweg. Die richtige Wahl hängt davon ab, ob Ihr Team bei SaaS-zu-SaaS-Arbeit schnell vorankommen will oder die eigene Infrastruktur betreibt und mehr Kontrolle über die Details möchte.
Wie es weitergeht
Make ist die stärkste Wahl, wenn die Aufgabe viele SaaS-Tools umfasst und Ihr Team sie visuell konfigurieren will. Wenn Sie lieber selbst hosten und mehr von der Logik von Hand steuern möchten, lesen Sie Wie Sie einen AI Agent mit n8n bauen. Wenn Sie den schnellsten Weg zu einem ersten agent mit praktisch keiner Einrichtung wollen, lesen Sie Wie Sie einen AI Agent mit Lindy bauen. Die Übersicht zu Automatisierungs-Tools und der Leitfaden zu den besten No-code-Automatisierungs-Tools sind sinnvolle nächste Stationen, um Make vor dem Bau mit dem Rest des Feldes zu vergleichen.
