Die AI-Tool-Landschaft: APIs, No-Code und Vektordatenbanken

Sie wollen einen Bot bauen, der Kundenfragen anhand des 200-seitigen Richtlinienhandbuchs Ihres Unternehmens beantwortet. Sie kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →önnten drei Wochen damit verbringen, das zu programmieren. Oder Sie schrauben es an einem Nachmittag mit Tools zusammen, die es schon gibt. Der Trick besteht darin, zu wissen, welches Tool was macht.

Diese Lektion kartiert die Landschaft, von Drag-and-drop-Buildern über APIs bis zu Vektordatenbanken, und zieht dabei ein einziges Projekt durch. Am Ende wissen Sie, zu welchem Tool Sie bei welchem Schritt greifen.

Die drei Ebenen

Denken Sie beim Bauen mit AI in drei Ebenen, gestapelt vom Einfachsten zum Flexibelsten.

No-Code-Tools verbinden Apps und AI per Klick statt per Code. Beispiele: Zapier, Make, n8n.

APIs lassen Ihre Software direkt mit einem AI-Modell sprechen. „APIAPIApplication Programming Interface: eine standardisierte Schnittstelle, über die Anwendungen kommunizieren und Daten austauschen, ohne die interne Funktionsweise der jeweils anderen zu kennen.Vollständige Definition ansehen →“ (Application Programming Interface) ist einfach eine Möglichkeit für zwei Programme, sich Nachrichten zu schicken. Sie senden Text, Sie bekommen Text zurück.

Vektordatenbanken speichern Informationen so, dass AI sie nach *Bedeutung* durchsuchen kann, nicht nur nach Keywords. Beispiele: Pinecone, Weaviate, Chroma.

Sie brauchen nicht immer alle drei. Eine einfache Automatisierung nutzt vielleicht nur No-Code. Eine intelligente Dokumentensuche-App nutzt alle drei zusammen.

Unser Projekt: ein Bot für Richtlinienfragen

Das bauen wir: einen Slack-Bot. Ein Mitarbeiter tippt „Wie viele Urlaubstage bekomme ich nach 3 Jahren?“ und der Bot antwortet anhand des HR-Handbuchs des Unternehmens.

Gehen wir die Ebenen durch.

Ebene 1: No-Code (Zapier, Make)

No-Code-Tools sind visuelle Pipelines. Sie wählen einen Trigger (etwas, das den Flow startet) und Actions (die Schritte danach).

Für unseren Bot könnte ein Zapier-Flow so aussehen:

1. Trigger: Neue Nachricht in einem Slack-Channel.
2. Action: Diese Nachricht an ein AI-Modell senden (OpenAI, Claude etc.).
3. Action: Die Antwort der AI zurück nach Slack posten.

Sie bauen das, indem Sie sich durch Menüs klicken. Kein Code. **Das ist der schnellste Weg, *irgendetwas* live zu bringen**, und für viele Aufgaben reicht das völlig: E-Mails entwerfen, Formulareingänge zusammenfassen, Support-Tickets taggen.

Make und n8n (das Sie kostenlos selbst hosten können) funktionieren genauso, mit mehr visueller Kontrolle.

Die Grenze: No-Code-Tools sind stark darin, Daten zwischen Apps zu bewegen. Sie sind schwächer, wenn Sie eigene Logik brauchen oder einen großen Stapel eigener Dokumente intelligent durchsuchen wollen. Für unser HR-Handbuch muss die AI *zuerst die richtigen Seiten lesen*. Genau dafür gibt es die nächsten zwei Ebenen.

Ebene 2: APIs (direkt mit dem Modell sprechen)

Ein API-Call bedeutet: Sie senden einem Modell eine Anfrage und bekommen eine Antwort. 2026 sind die großen drei OpenAI (ChatGPT-Modelle), Anthropic (Claude) und Google (Gemini). Sie funktionieren alle ähnlich: Sie senden Nachrichten, Sie bekommen eine Antwort, Sie zahlen pro Nutzung.

Hier der einfachste mögliche Call an Claude in Python:

import anthropic

client = anthropic.Anthropic(api_key="your-key-here")

response = client.messages.create(
    model="claude-sonnet-4-5",
    max_tokens=300,
    messages=[
        {"role": "user", "content": "How many vacation days after 3 years?"}
    ]
)

print(response.content[0].text)

Führen Sie das aus, und Sie bekommen eine Antwort. Aber es gibt ein Problem: Das Modell hat keine Ahnung, wie *Ihre* Unternehmensrichtlinie aussieht. Es wird raten oder etwas erfinden. Diese selbstbewusst falsche Antwort nennt man Halluzination.

Wir müssen ihm den relevanten Richtlinientext *innerhalb* der Anfrage mitgeben. Wir könnten das ganze 200-seitige Handbuch in jeden Call kopieren, aber das ist langsam, teuer und passt oft gar nicht hinein. Wir wollen nur die wenigen Absätze, die die Frage tatsächlich beantworten.

Wie finden wir diese wenigen Absätze aus 200 Seiten? Ebene 3.

Ebene 3: Vektordatenbanken (Suche nach Bedeutung)

Eine Vektordatenbank findet Text über *Bedeutung* statt über exakte Wörter. Fragt jemand nach „time off“, kann sie einen Absatz finden, in dem „paid leave“ steht, obwohl kein Wort übereinstimmt.

So funktioniert das in einfachen Worten.

Embeddings: Text in Zahlen verwandeln

Ein EmbeddingEmbeddingEin Embedding ist ein numerischer Vektor, der Daten (Text, Bilder oder Objekte) so darstellt, dass ihre Bedeutung erfasst wird: Ähnliche Elemente liegen im Raum dicht beieinander.Vollständige Definition ansehen → ist eine Liste von Zahlen, die die Bedeutung eines Textstücks repräsentiert. Ähnliche Bedeutungen bekommen ähnliche Zahlen. „Hund“ und „Welpe“ landen nah beieinander; „Hund“ und „Steuerformular“ weit voneinander entfernt.

Sie schicken jeden Chunk Ihres Handbuchs durch ein Embedding-Modell, um diese Zahlenlisten zu erhalten, und speichern sie dann in der Vektordatenbank.

from openai import OpenAI
client = OpenAI()

result = client.embeddings.create(
    model="text-embedding-3-small",
    input="Employees earn 20 vacation days after 3 years of service."
)

# Eine lange Liste von Zahlen, die die Bedeutung dieses Satzes repräsentiert
print(result.data[0].embedding[:5])
# [0.012, -0.045, 0.083, ...]

Der Flow von Anfang bis Ende

Kommt eine Frage herein, embedden Sie auch *die Frage* und fragen die Datenbank: „Welche gespeicherten Chunks sind dieser Bedeutung am nächsten?“ Sie liefert die am besten passenden Absätze zurück. *Diese* fügen Sie in Ihren API-Call ein.

Dieses Muster hat einen Namen: RAGRAGVerfahren, mit dem ein KI-Modell aus Ihren eigenen Dokumenten antwortet, indem es relevante Passagen abruft, bevor es eine Antwort erzeugt.Vollständige Definition ansehen → (Retrieval-Augmented Generation). Sie *retrieven* die richtigen Fakten und lassen das Modell damit eine Antwort *generieren*. Es ist der häufigste Weg, auf dem Unternehmen AI auf ihren eigenen Daten aufbauen.

Retrieval und Antwort zusammengesetzt:

# 1. Die Frage des Nutzers embedden und die Vektor-DB durchsuchen
question = "How many vacation days after 3 years?"
relevant_chunks = vector_db.search(question, top_k=3)
context = "\n".join(relevant_chunks)

# 2. Frage + gefundenen Richtlinientext an das Modell senden
response = client.messages.create(
    model="claude-sonnet-4-5",
    max_tokens=300,
    messages=[{
        "role": "user",
        "content": f"Use only this policy text:\n{context}\n\nQuestion: {question}"
    }]
)
print(response.content[0].text)

Jetzt antwortet der Bot aus *Ihrem* Handbuch, nicht aus Vermutungen. Der Satz „Use only this policy text“ ist Ihr GuardrailGuardrailRegeln und Kontrollen, die ein KI-System in sicheren, rechtskonformen und markengerechten Grenzen halten und unerwünschte Ausgaben blockieren.Vollständige Definition ansehen → gegen Halluzinationen.

Zu welchem Tool greife ich nun konkret?

Hier die Entscheidung in einfachen Worten.

Nutzen Sie No-Code (Zapier/Make), wenn: Sie Apps verbinden und die AI-Aufgabe einfach ist. „Wenn ein Formular abgeschickt wird, fasse es zusammen und mail es mir.“ Keine eigene Datensuche nötig.

Ergänzen Sie eine API, wenn: Sie Kontrolle brauchen, eigene Logik, oder wenn Sie innerhalb Ihrer eigenen App bauen. Sie schreiben ein wenig Code, bekommen dafür genau das Verhalten, das Sie wollen.

Ergänzen Sie eine Vektordatenbank, wenn: die AI aus einem großen, spezifischen Bestand *Ihrer* Inhalte antworten soll (Handbücher, alte Tickets, Produktdokumentation, ein Buch). Immer dann, wenn Keyword-Suche nicht schlau genug ist.

Für unseren HR-Bot lautet die ehrliche Antwort 2026: Sie können *viel* mit weniger erreichen, als Sie denken.

Die moderne Abkürzung

Viele No-Code-Plattformen haben RAG inzwischen eingebaut. In Zapier oder Make können Sie Dokumente in eine AI-„Knowledge“-Funktion hochladen, und die Plattform übernimmt Embeddings und Vektorspeicherung im Hintergrund. Sie fassen Pinecone nie direkt an.

Ein realistischer 2026er-Build unseres Bots sieht also so aus:

• Slack-Trigger in Zapier.
• Ein Knowledge-Base-Schritt, in den Sie das HR-Handbuch hochgeladen haben.
• Ein AI-Schritt, der retrieved und antwortet.
• Zurück nach Slack posten.

Kein eigener Code. Sie steigen erst dann zu APIs und einer eigenständigen Vektordatenbank hinab, wenn Sie aus den No-Code-Grenzen herauswachsen: riesige Dokumentmengen, spezielle Retrieval-Logik oder strenge Kostenkontrolle im großen MaMaEinsatz von Software, um wiederkehrende Marketingaufgaben und Kampagnen zu automatisieren und Personalisierung in großem Maßstab über Kanäle wie E-Mail, Web und Social zu ermöglichen.Vollständige Definition ansehen →ßstab.

Ein schnelles mentales Modell

Eine Anmerkung zu Kosten und Lock-in

Zwei praktische Warnungen.

Die Kosten skalieren mit der Nutzung. No-Code-Tools rechnen pro Task oder pro Monat ab. APIs rechnen pro verarbeitetem Wort ab (gemessen in TokensTokensEin Token ist die grundlegende Texteinheit, die Sprachmodelle verarbeiten, oft ein Wortfragment, ein ganzes Wort oder ein Satzzeichen und nicht ein einzelnes Zeichen.Vollständige Definition ansehen →, also grob Wortstücken). Ein Bot, der 10.000 Fragen am Tag beantwortet, kostet echtes Geld. Schätzen Sie, bevor Sie skalieren.

Vermeiden Sie frühen harten Lock-in. Tools wie LangChain und LlamaIndex erlauben es, zwischen Claude, GPT und Gemini oder zwischen Pinecone und Chroma zu wechseln, ohne alles neu zu schreiben. Fangen Sie einfach an, halten Sie sich aber Optionen offen.

Key Takeaways

• Passen Sie das Tool zur Aufgabe. No-Code zum Verbinden von Apps, APIs für eigene Kontrolle, Vektordatenbanken, um eigene Inhalte nach Bedeutung zu durchsuchen. Die meisten Projekte brauchen weniger Ebenen als erwartet.
• RAG ist das Kernmuster, um aus privaten Daten zu antworten: Dokumente embedden, die relevanten Chunks retrieven, sie dem Modell geben. So funktionieren die meisten AI-Tools in Unternehmen tatsächlich.
• Verankern Sie das Modell immer in echtem Text („Use only this policy text...“), um Halluzinationen zu bekämpfen. Ein Bot, der Ihr Handbuch zitiert, schlägt einen, der selbstbewusst rät.
• Starten Sie mit No-Code und steigen Sie zu Code ab, wenn Sie an eine Wand stoßen. 2026 haben viele Plattformen RAG eingebaut, sodass Sie bei kleinen Projekten vielleicht nie eine eigenständige Vektordatenbank anfassen.
• Achten Sie auf Kosten und Lock-in. Schätzen Sie den Tokenverbrauch, bevor Sie skalieren, und nutzen Sie Abstraktions-Tools, damit Sie später Modelle oder Datenbanken ohne Neubau wechseln können.