
Das Modell ist austauschbar. Die Definition nicht
Vor drei Wochen ging es um den Ort der Daten, heute um ihre Bedeutung. Warum die AIC Group im Marketing, bei KI-Agenten und im BI dieselbe Erfahrung macht – und welche drei Regeln daraus folgen.
In den ersten beiden Artikeln dieser Reihe haben wir beschrieben, wie wir bei der AIC Group GmbH intern einen KI-Agenten aufgebaut haben: mit einem klaren Use Case, einem 6-Phasen-Modell und einer Wissensdatenbank als Fundament. Eine Erkenntnis zog sich durch beide Teile: Ein Agent entsteht nicht einmal. Er entwickelt sich durch Nutzung.
Diesen Satz wollen wir heute schärfen, denn er ist nur die halbe Wahrheit: Nutzung entwickelt keinen Agenten. Pflege schon.
Wir beobachten immer wieder dasselbe Muster: Jemand probiert einen KI-Assistenten aus, ist vom Ergebnis enttäuscht – und schließt daraus, das Werkzeug tauge nichts.
Die naheliegende Erklärung lautet meist: schlechter Prompt. Zu vage, zu wenig Kontext, zu dünn in der Detailtiefe. Das stimmt oft. Aber es ist nicht der Kern.
Denn über die Zusammenarbeit mit KI kursiert ein Missverständnis. Die meisten optimieren, was sie aus der KI herausholen. Kaum jemand investiert in das, was er hineingibt – und vor allem in das, was er zurückspielt.
Gerade im Agentic-AI-Umfeld entscheidet genau das. Ein Agent hat Wissen. Aber Wissen zu haben heißt nicht, es im richtigen Moment, im richtigen Kontext und in der richtigen Tiefe einzusetzen. Diese Lücke schließt nicht die KI. Diese Lücke schließen wir.
„Ein Agent entwickelt sich durch Nutzung” – das stimmt nur, wenn Nutzung mehr meint als Bedienen.
Wer einen Agenten nur bedient, hat in einem Jahr denselben Agenten wie am ersten Tag. Was ihn weiterbringt, ist nicht Nutzung. Es ist Pflege.
Damit schließt sich der Kreis zum zweiten Artikel: So wie Wissen gepflegt und nicht nur aufgebaut werden muss, will auch die Zusammenarbeit gepflegt werden.
Über unseren Assistenten sagen wir gern: Er ist kein Texter, sondern ein Sparringspartner. Griffig – aber leer, solange man es nicht mit Verhalten füllt.
Partner helfen einander. Im besten Fall beidseitig und auf Dauer. Für die Arbeit mit einem Agenten heißt das zwei konkrete Gewohnheiten.
Nicht „passt nicht”. Sondern: was nicht passt, woran es liegt, wie es im jeweiligen Kontext aussehen müsste. Ein Agent kann eine Korrektur nur verarbeiten, wenn sie benennt, was gemeint ist. Pauschale Unzufriedenheit ist kein Feedback. Sie ist Frust mit Adressat.
Nach einem Arbeitsergebnis fassen wir mit dem Agenten zusammen, was wir erarbeitet haben. Und prüfen eine Frage: Ist diese Erkenntnis für künftige Arbeit relevant – und trägt der Agent sie schon?
Relevanz hat zwei Gesichter. Implizit: eine Arbeitsweise, ein Vorgehen, das sich bewährt hat. Explizit: ein neues Thema, ein neues Geschäftsfeld, eine Festlegung, die ab jetzt gilt.
Tragen System Prompt, Wissensdatenbank oder Skills das bereits? Wenn ja, gut. Wenn nicht, ergänzen wir es – dort, wo es hingehört.
Der Reflex, diesen Schritt zu überspringen, ist verständlich. Das Resümee fühlt sich nach Mehraufwand an, gerade wenn die Zeit knapp ist. Aber es ist die Investition, die sich verzinst: Was wir heute in fünf Minuten sichern, muss der Agent morgen nicht neu lernen.
So wird aus einem einmaligen Chat dauerhaftes Können – und aus dem abstrakten „einen Agenten optimieren” eine sichtbare Routine. Genau das ist Phase 6 des Modells, im Alltag gelebt.
Beides ist unspektakulär. Kein Tool-Trick, keine geheime Prompt-Formel. Zwei Disziplinen: im Moment präzise zurückmelden – und danach kurz innehalten, um zu sichern, was die Zusammenarbeit gelernt hat.
Und beides ist übertragbar – unabhängig vom Use Case und vom Modell, mit dem man arbeitet.
Ein Agent wird nicht besser, weil man ihn häufiger nutzt. Er wird besser, weil man ihn pflegt.
Wie haltet ihr das in der Arbeit mit KI – gebt ihr Feedback und sichert das Gelernte, oder fangt ihr beim nächsten Mal wieder bei null an? Schreibt uns. Wir teilen unser Vorgehen gern.*
Weitere Artikel…

Vor drei Wochen ging es um den Ort der Daten, heute um ihre Bedeutung. Warum die AIC Group im Marketing, bei KI-Agenten und im BI dieselbe Erfahrung macht – und welche drei Regeln daraus folgen.

Wenn ein KI-Assistent durch den Test fällt, liegt der Fehler nicht immer beim Modell. Zwei Beispiele aus der Entwicklung bei der AIC Group und fünf Fragen für die nächste Prompt-Runde.

Zwei Partner, eine Logik: Warum die AIC Group für belastbare Datenmodelle auf Strategy setzt – und für Daten, die in Europa bleiben, auf STACKIT. Was das für Bestandskunden und für regulierte Branchen konkret heißt.
*Artikel sind teilweise mit der KI erstellt.