So erstellst du einen intelligenten GPT-Unternehmens-Assistenten mit handelsregister.ai

Einleitung

Die Kundenkommunikation hat sich in den letzten Jahren stark verändert. Immer mehr Menschen erwarten in Chats oder Messenger-Apps sofortige, präzise und verlässliche Antworten auf ihre Fragen – und zwar rund um die Uhr. Genau hier kommen GPT-Assistenten ins Spiel: Sie ermöglichen automatisierte und intelligente Dialoge mit deinen Kundinnen und Kunden. Doch was, wenn jemand über dein eigenes Unternehmen oder über andere Firmen mehr wissen möchte? Herkömmliche Websuchen liefern oft veraltete oder unvollständige Daten. Deshalb ist es sinnvoll, offizielle Unternehmensinformationen direkt aus dem deutschen Handelsregister zu beziehen – und genau hier unterstützt dich die handelsregister.ai API.

In diesem Blogartikel erfährst du Schritt für Schritt, wie du deinen eigenen Unternehmens-Assistenten mithilfe der GPT Responses API (mit Function Calling) und handelsregister.ai aufbaust. Das Beste: Du musst keine Vollzeit-Entwicklerin oder IT-Profi sein, um die Grundzüge zu verstehen und erste Experimente durchzuführen.

Überblick: Was brauchst du?

GPT Responses API von OpenAI
– Damit dein Chat-Assistent in natürlicher Sprache versteht, was die Nutzerinnen und Nutzer wissen möchten.
handelsregister.ai API
– Damit du offizielle, tiefergehende Unternehmensinformationen direkt aus dem Handelsregister abrufen kannst.

So kann dein Chat-Assistent – je nach Frage – automatisch die richtigen Daten anfordern und Echtzeitinformationen bereitstellen, ohne jemals manuell Daten pflegen zu müssen.

Schritt 1: Verständnis von GPT Function Calling

Bevor du loslegst, ist es hilfreich zu verstehen, wie GPT Function Calling genau abläuft:

Statt nur „vorgefertigte“ Antworten auszugeben, kann das GPT-Modell eigene Funktionen aufrufen, um aktuelle Daten abzurufen oder Aktionen auszuführen.
Sobald das Modell erkennt, dass eine Nutzeranfrage ein bestimmtes Fachgebiet (z.B. Unternehmensdaten) betrifft, erstellt es einen Function Call.
Du definierst im Vorfeld, wie diese Funktion heißt und welche Parameter übergeben werden.

Durch dieses Vorgehen bleibt dein System flexibel: Wenn neue Fragen oder Anforderungen auftauchen, kann das Modell über Function Calls reagieren, ohne dass du jedes Mal den kompletten Code anpassen musst.

Schritt 2: Erstellen der Funktionsdefinition („Tools“) für handelsregister.ai

Damit GPT weiß, dass und wie es die handelsregister.ai API aufrufen soll, legst du eine Funktionsdefinition an. Diese Definition „erklärt“ dem Modell, wie der Aufruf der API aufgebaut ist und welche Parameter erlaubt sind.

Tipp: Nutze in deinem Code englische Variablennamen. Die Beschreibungen in den Parametern können allerdings auf Deutsch bleiben, damit GPT den Sinn gut versteht.

Ein Beispiel in Python, wie du die tools für den GPT-Assistenten definierst:

tools = [{
    "type": "function",
    "name": "fetch_company_data",
    "description": "Abruf detaillierter Informationen eines Unternehmens von handelsregister.ai",
    "parameters": {
        "type": "object",
        "properties": {
            "company_name": {
                "type": "string",
                "description": "Vollständiger Unternehmensname"
            },
            "features": {
                "type": "array",
                "description": "Zusätzliche Informationen, die abgefragt werden sollen",
                "items": {
                    "type": "string",
                    "enum": [
                        "related_persons",
                        "financial_kpi",
                        "balance_sheet_accounts",
                        "profit_and_loss_account"
                    ]
                }
            }
        },
        "required": ["company_name"],
        "additionalProperties": False
    },
    "strict": True
}]

Was passiert hier genau?

type: "function" – Das ist für GPT der Hinweis, dass es sich bei diesem Eintrag um eine Funktion handelt.
name: "fetch_company_data" – So heißt unsere Funktion. GPT erkennt später genau diesen Namen.
description: Eine kurze Beschreibung, damit GPT weiß, worum es geht (in Deutsch).
parameters: Hier definierst du, welche Daten die Funktion braucht.
- company_name – z.B. „OroraTech GmbH“
- features – Liste möglicher Zusatzfeatures (z.B. Geschäftsführerdaten, Finanzen etc.)
strict: True sorgt dafür, dass GPT die Parameter korrekt und zum Schema passend übergibt.

Schritt 3: Python-Funktion, um Daten bei handelsregister.ai abzurufen

Jetzt, wo du die „Werkzeuge“ (tools) definiert hast, brauchst du noch eine Funktion in deinem Code, die den eigentlichen Request an die Handelsregister-API absetzt. So kann dein Chat-Assistent nicht nur einen Funktionsaufruf vorschlagen, sondern auch tatsächlich Daten liefern.

import requests
import json

API_KEY = "<YOUR_API_KEY>"

def fetch_company_data(company_name, features=None):
    url = "https://handelsregister.ai/api/v1/fetch-organization"
    params = {
        "api_key": API_KEY,
        "q": company_name
    }
    if features:
        # Füge features als Liste zu den Parametern hinzu
        params["feature"] = features

    response = requests.get(url, params=params)
    
    if response.status_code == 200:
        return response.json()
    else:
        return {"error": f"API error: {response.status_code}"}

Erklärung

API_KEY: Hier trägst du deinen eigenen Schlüssel ein, den du von handelsregister.ai erhalten hast.
params: In diesem Dictionary stellst du die Parameter für den Request zusammen.
response: Mit requests.get() rufst du die API auf. Wenn alles gut läuft, wandeln wir das Ergebnis in JSON um, damit GPT es später verarbeiten kann.

Schritt 4: GPT Responses aufrufen und Function Calls abwickeln

Nachdem du jetzt weißt, wie die Tools (Funktionen) definiert werden und wie der eigentliche Aufruf an handelsregister.ai aussieht, müssen wir diese Schritte zusammenführen. So kann dein GPT-Modell erkennen, wann es Sinn macht, die Daten zu ziehen.

4.1 GPT-Aufruf mit deinen Tools

from openai import OpenAI

client = OpenAI()

input_messages = [{
    "role": "user",
    "content": "Wer sind die aktuellen Geschäftsführer von OroraTech GmbH?"
}]

response = client.responses.create(
    model="gpt-4o",
    input=input_messages,
    tools=tools
)

print(response.output)

Hier passiert Folgendes:

input_messages enthält die Nutzerfrage.
tools ist die Liste mit der einen Funktion fetch_company_data, die du vorher definiert hast.
GPT sieht die Frage und kann entscheiden, ob es deine Funktion nutzen möchte.

Mögliche Ausgabe:

[
  {
    "type": "function_call",
    "id": "fc_xyz123",
    "call_id": "call_xyz123",
    "name": "fetch_company_data",
    "arguments": "{\"company_name\":\"OroraTech GmbH\",\"features\":[\"related_persons\"]}"
  }
]

Das bedeutet, GPT möchte die Funktion fetch_company_data aufrufen und um Informationen über „related_persons“ (also z.B. Geschäftsführer) bitten.

4.2 Funktionsaufruf durchführen

Nun nimmst du die vom GPT vorgeschlagenen Argumente entgegen und rufst deine fetch_company_data-Funktion tatsächlich auf:

import json

tool_call = response.output[0]
args = json.loads(tool_call["arguments"])  # JSON-Dekodierung

result = fetch_company_data(args["company_name"], args.get("features"))

In result stehen nun reale Daten aus handelsregister.ai.

4.3 Ergebnisse an GPT zurückgeben

Damit GPT die Antwort in natürliche Sprache formulieren kann, musst du die gewonnenen Daten noch zurück an GPT geben:

input_messages.append(tool_call)  # Die "Function Call"-Nachricht an den Verlauf anhängen
input_messages.append({
    "type": "function_call_output",
    "call_id": tool_call["call_id"],
    "output": json.dumps(result)
})

final_response = client.responses.create(
    model="gpt-4o",
    input=input_messages,
    tools=tools
)

print(final_response.output_text)

GPT kann jetzt auf Basis dieser Daten eine Antwort ausgeben, zum Beispiel:

„Die aktuellen Geschäftsführer der OroraTech GmbH sind Martin Langer, Viktor Gauk, Axel Justus Oswald Roenneke und Thomas Grübler.“

Schritt 5: Anwendung und Ausblick

Welche Art von Fragen kann dein Assistent nun beantworten?

Geschäftsführung: „Wer ist seit wann Geschäftsführer bei einem Unternehmen?“
Finanzkennzahlen: „Wie hoch war das Eigenkapital im letzten Jahr?“
Bilanzdaten: „Welche Assets führt das Unternehmen in seiner Bilanz auf?“
Kontaktinformationen: „Welche offizielle E-Mail-Adresse nutzt das Unternehmen?“

Dadurch bietest du deinen Nutzern Informationen, die weit über einfache Websuchen hinausgehen, und das in Sekundenschnelle – ohne manuelles Nachpflegen.

Vorteile auf einen Blick

Automatisierte, verlässliche Auskunft: GPT erkennt die Frage, holt die Daten und formuliert eine Antwort.
Offizielle Daten: handelsregister.ai greift direkt auf das deutsche Handelsregister zu.
Skalierbarkeit: Egal wie viele Anfragen du am Tag hast, das System kann mitwachsen.
Einfache Bedienung: Du musst nicht bei jeder neuen Frage selbst suchen – dein Assistent übernimmt das.

Fazit

Mit diesen fünf Schritten hast du den Grundstein für einen intelligenten Unternehmens-Assistenten gelegt, der echte, offizielle und aktuelle Daten liefern kann. Durch die Kombination aus GPT Responses und handelsregister.ai bietest du deinen Nutzerinnen und Nutzern einen enormen Mehrwert: automatisierte, geprüfte Informationen, wann immer sie gefragt sind.

Zögere nicht, die gezeigten Code-Schnipsel anzupassen und weiterzuentwickeln. Es lohnt sich, den nächsten Schritt in Richtung automatisierter, kompetenter Chat-Assistenten zu gehen. Viel Spaß bei der Umsetzung!