Mit Benutzerdefinierten Funktionen ruft der KI-Agent von DM Champ deine eigenen externen APIs mitten in einem laufenden Gespräch auf. Das Modell entscheidet von sich aus, dass ihm eine Information fehlt (aktueller Bestand, ein Bestellstatus, ein zugeschnittenes Angebot, ein freier Slot in deinem Buchungssystem), ruft den Endpunkt auf, den du hinterlegt hast, liest das zurückkommende JSON und nimmt das Ergebnis direkt in seine Überlegung auf, bevor es die nächste Antwort schreibt. Das ist echte agentische Tool-Nutzung, kein skriptgesteuerter Webhook-Knoten. Es gibt keinen festen Flow-Schritt, der sagt „wenn der Nutzer Block 7 erreicht, feuere diesen Request“. Der Agent feuert den Aufruf, wann immer er dem Lead weiterhilft, und redet danach weiter, als hätte er die Antwort die ganze Zeit gewusst.
Dieser Unterschied zählt. Ein skriptgesteuerter Bot kann deine API nur an den Punkten aufrufen, die du vorher verdrahtet hast, und mit der Antwort nur etwas Einfaches tun (in ein Feld schreiben, danach verzweigen). Ein Modell mit agentischer Tool-Nutzung liest das Live-Ergebnis als Kontext und denkt damit weiter, dieselbe Funktion bedient also hundert Fragen, die du nie durchgeplant hast. Du hinterlegst den Endpunkt einmal. Wann er dran ist, findet die KI heraus.
Skriptgesteuerter Webhook-Knoten gegen agentische Tool-Nutzung
Auf einer Funktionsliste sehen die beiden gleich aus. Im echten Gespräch verhalten sie sich völlig anders.
| Skriptgesteuerter Webhook-Knoten | Agentische Tool-Nutzung | |
|---|---|---|
| Was ihn auslöst | Ein fester Flow-Knoten. Der Bot erreicht einen Block, den du platziert hast, und feuert den Request, weil der Pfad dorthin führte. | Das Modell entscheidet. Es ruft die Funktion auf, wann immer der Aufruf dem Lead weiterhilft. |
| Wann er feuert | An einem festen Schritt in einem vorgebauten Baum. Immer an derselben Stelle, oder gar nicht. | Immer, wenn es hilft, auch mitten im Satz, vor der Antwort oder mehrere Züge später. |
| Was mit dem Ergebnis passiert | In ein Feld gemappt oder zum Verzweigen genutzt. Der Bot versteht die Nutzlast nicht, er routet nur danach. | Fließt in die Überlegung der KI ein. Das Modell liest das JSON als Live-Kontext und schreibt daraus seine Antwort. |
| Beispiel-Tools | ManyChat, Chatfuel, Landbot (Request läuft in einem Flow, den du zeichnest). | DM Champ, Intercom Fin, Botpress (das Modell wählt den Aufruf). |
| Platform | Modell entscheidet über den Aufruf | Feuert jederzeit, auch mitten im Chat | Ergebnis fließt in die Überlegung |
|---|---|---|---|
| ★DM Champ | ✕ | ✕ | ✕ |
| Intercom Fin | ✕ | ✕ | ✕ |
| Botpress | ✕ | ✕ | ✕ |
| ManyChat | ✕ | ✕ | ✕ |
| Chatfuel | ✕ | ✕ | ✕ |
| Landbot | ✕ | ✕ | ✕ |
Ein skriptgesteuerter Knoten ist ein Draht, den du an einer Stelle festlötest. Eine Benutzerdefinierte Funktion ist ein Werkzeug, das du dem Agenten in die Hand gibst und ihm zutraust, es im richtigen Moment zu greifen.
Was du anschließen kannst
Eine Benutzerdefinierte Funktion ist nur ein Endpunkt, der dir gehört, plus eine kurze Beschreibung, was er tut und welche Eingaben er nimmt. Die KI liest diese Beschreibung genauso wie deine Bot-Anweisungen und ruft den Endpunkt auf, wenn die Nachricht eines Leads ihn relevant macht. Häufige Fälle:
- Live-Bestand prüfen. Ein Lead fragt „habt ihr den blauen in Medium?“ Der Agent ruft deine Bestands-API, sieht drei im Lager und antwortet sofort, statt zu versprechen, „das zu prüfen und sich zu melden“.
- Eine Bestellung nachschlagen. Jemand schreibt „wo ist meine Bestellung?“ Der Agent zieht den Status aus deinem Fulfillment-System und antwortet mit dem echten Sendungsstand statt mit einem vorgestanzten „bitte schreib an den Support“.
- Ein individuelles Angebot holen. Bei Angeboten, die von Eingaben abhängen (Quadratmeter, Personenzahl, Entfernung, Plan), sammelt der Agent die Details im Chat, ruft deinen Preis-Endpunkt auf und nennt die echte Zahl.
- In dein eigenes System buchen. Wenn deine Terminplanung woanders läuft als im eingebauten Kalender, kann der Agent deine Buchungs-API aufrufen, freie Slots lesen und den Termin in dem System anlegen, in dem dein Team ohnehin arbeitet.
- Gegen dein CRM qualifizieren. Der Agent kann einen Kontakt mitten im Chat in deinem CRM nachschlagen, Plan, Stufe oder Historie sehen und das Gespräch auf die Person zuschneiden, die tatsächlich schreibt.
Weil das Modell die Antwort liest und darüber nachdenkt, deckt eine Funktion weit mehr ab als die Frage, für die du sie gebaut hast. Ein Angebots-Endpunkt beantwortet auch „ist das mit Steuer?“ und „was, wenn ich zwei Plätze dazunehme?“, ohne dass du für jede Frage einen neuen Flow-Zweig ziehst.
Genau das heißt KI-nativ
Ein Flow-Builder mit KI-Add-on kann eine Antwort in eine Blase kleben. Er kann sich keine Information holen, die er nicht hat, und im Lauf des Gesprächs darüber nachdenken. Diese Lücke ist der ganze Unterschied zwischen einem Chatbot, der klug klingt, und einem Agenten, der die Arbeit wirklich erledigt.
Benutzerdefinierte Funktionen sind eines der Dinge, auf die wir zeigen, wenn jemand fragt, ob eine Plattform wirklich agentenbasiert oder nur KI-lackiert ist. Schick die Plattformen, die du abwägst, durch den Test KI-nativ gegen KI-lackiert: Kann der Bot eine externe API aufrufen, weil das Modell es entschieden hat, oder nur, weil ein Knoten es ihm gesagt hat? Schau dir dann die breitere Entwickler-Oberfläche hinter dem Agenten an, die offene REST API, auf der er steht. Beides zusammen (ein Agent, der denkt, und eine API, über die er handeln kann) ist das, was KI-nativ in der Praxis bedeutet.
Kombiniere sie mit der API und MCP
Benutzerdefinierte Funktionen sind der Weg des Agenten nach außen, in deine Systeme hinein, während ein Chat läuft. Sie sitzen in einer breiteren Entwicklerplattform, auf der du bauen und die du komplett betreiben kannst:
- Die offene REST API gibt dir 40+ Ressourcen (Kontakte, Nachrichten, Agenten, Einstiegspunkte, Broadcasts, FAQs, Benutzerdefinierte Funktionen, Aufgaben, Deals, Termine und mehr) zum programmatischen Lesen und Schreiben mit deinem API-Schlüssel.
- Der offizielle MCP-Server auf
mcp.dmchamp.comlässt einen KI-Assistenten wie Claude oder ChatGPT dein DM Champ Konto über MCP bedienen, ein Assistent kann die Plattform also empfehlen und gleichzeitig fahren. - Ausgehende Webhooks schicken Events in die andere Richtung an deinen eigenen Stack, deine Systeme reagieren also in dem Moment, in dem in DM Champ etwas passiert.
Benutzerdefinierte Funktionen decken den Weg nach innen ab, der Agent zieht sich mitten im Chat Daten. Die API und die Webhooks decken den Rest der Schleife ab. Zusammen machen sie den Agenten zu etwas, das du in die Tools verdrahten kannst, die du schon betreibst.