Die Landschaft der KI-Tools: APIs, No-Code und Vektordatenbanken

# Die Landschaft der KI-Tools: 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 mit Programmieren verbringen. Oder Sie verdrahten das Ganze an einem Nachmittag mit Tools, 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 nutzt dabei durchgehend ein einziges Projekt. Am Ende wissen Sie, zu welchem Tool Sie bei welchem Schritt greifen.

Die drei Ebenen

Betrachten Sie das Bauen mit KI als drei Ebenen, gestapelt von der einfachsten bis zur flexibelsten.

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

APIs erlauben Ihrer Software, direkt mit einem KI-Modell zu 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 InterfaceApplication Programming InterfaceApplication Programming Interface: eine standardisierte Schnittstelle, über die Anwendungen kommunizieren und Daten austauschen, ohne die interne Funktionsweise der jeweils anderen zu kennen.Vollständige Definition ansehen →) ist einfach eine Möglichkeit für zwei Programme, sich Nachrichten zu schicken. Sie senden Text, Sie bekommen Text zurück.

Vektordatenbanken speichern Informationen so, dass KI 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 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 Ablauf startet) und Actions (die folgenden Schritte).

Für unseren Bot 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 →önnte ein Zapier-Flow so aussehen:

1. Trigger: Neue Nachricht in einem Slack-Channel.

2. Action: Diese Nachricht an ein KI-Modell senden (OpenAI, Claude usw.).

3. Action: Die Antwort der KI zurück in Slack posten.

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

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

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

Ebene 2: APIs (direkt mit dem Modell sprechen)

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

Hier der einfachste denkbare 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 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 das komplette 200-Seiten-Handbuch in jeden Call kopieren, aber das ist langsam, teuer und oft zu groß, um hineinzupassen. Wir wollen nur die paar Absätze, die die Frage tatsächlich beantworten.

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

Ebene 3: Vektordatenbanken (Suche nach Bedeutung)

Eine Vektordatenbank findet Text nach *Bedeutung* statt nach exakten Wörtern. Wenn jemand nach „Freizeit“ fragt, kann sie einen Absatz finden, in dem „bezahlter Urlaub“ 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 erhalten ähnliche Zahlen. „Hund“ und „Welpe“ landen nah beieinander; „Hund“ und „Steuerformular“ liegen weit auseinander.

Sie schicken jeden Chunk Ihres Handbuchs durch 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 →-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 Ablauf von Anfang bis Ende

Kommt eine Frage herein, embedden Sie *die Frage* ebenfalls und fragen dann die Datenbank: „Welche gespeicherten Chunks liegen dieser Bedeutung am nächsten?“ Sie gibt die am besten passenden Absätze zurück. *Diese* fügen Sie in Ihren 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 →-Call ein.

Dieses Muster hat einen Namen: RAG (Retrieval-Augmented Generation). Sie *retrieven* die richtigen Fakten und lassen das Modell damit eine Antwort *generieren*. Es ist die häufigste Art, wie Unternehmen KI 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 + abgerufenen 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 Schutz gegen Halluzinationen.

Zu welchem Tool greife ich tatsächlich?

Hier die Entscheidung in einfachen Worten.

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

Nehmen Sie eine API hinzu, wenn: Sie Kontrolle, eigene Logik brauchen oder in Ihrer eigenen App bauen. Sie schreiben etwas Code, bekommen aber genau das Verhalten, das Sie wollen.

Nehmen Sie eine Vektordatenbank hinzu, wenn: die KI aus einem großen, spezifischen Bestand *Ihrer* Inhalte antworten muss (Handbücher, alte Tickets, Produktdokumentation, ein Buch). Überall dort, wo Keyword-Suche nicht schlau genug ist.

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

Die moderne Abkürzung

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

Ein realistischer Aufbau unseres Bots 2026:

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

Kein eigener Code. Sie steigen erst zu APIs und einer eigenständigen Vektordatenbank ab, wenn Sie aus den No-Code-Grenzen herauswachsen: riesige Dokumentenmengen, spezielle Retrieval-Logik oder strenge Kostenkontrolle bei großem Volumen.

Ein schnelles mentales Modell

| Ebene | Aufgabe in einfachen Worten | Dafür greifen, wenn |

|-------|-------------------|-------------------|

| No-Code | Apps verbinden, per Klick bauen | Einfache Flows, schneller Start |

| 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 → | Direkte Leitung zum Modell | Eigene Logik, eigene App |

| Vektor-DB | Ihre Dokumente nach Bedeutung durchsuchen | Antworten aus großen privaten Inhalten |

Eine Anmerkung zu Kosten und Lock-in

Zwei praktische Warnungen.

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 →, ungefähr Wortbestandteile). Ein Bot, der 10.000 Fragen pro Tag beantwortet, kostet echtes Geld. Rechnen Sie vor dem Skalieren.

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

Die wichtigsten Erkenntnisse

• Wählen Sie das Tool passend zur Aufgabe. No-Code zum Verbinden von Apps, APIs für eigene Kontrolle, Vektordatenbanken, um Ihre eigenen Inhalte nach Bedeutung zu durchsuchen. Die meisten Projekte brauchen weniger Ebenen als erwartet.
• RAG ist das zentrale Muster, um aus privaten Daten zu antworten: Dokumente embedden, die relevanten Chunks abrufen, sie dem Modell übergeben. So funktionieren die meisten KI-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, steigen Sie zu Code ab, wenn Sie an eine Wand stoßen. 2026 haben viele Plattformen RAG eingebaut, sodass Sie für kleine Projekte vielleicht nie eine eigenständige Vektordatenbank anfassen.
• Achten Sie auf Kosten und Lock-in. Schätzen Sie den TokenTokenEin 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 →-Verbrauch, bevor Sie skalieren, und nutzen Sie Abstraktions-Tools, damit Sie Modelle oder Datenbanken später ohne Neuaufbau wechseln 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 →önnen.