Über unseren KI-Agenten sagen wir gern einen Satz: Er ist kein Texter, sondern ein Sparringspartner.
In den ersten drei Teilen dieser Reihe ging es darum, ihn dazu zu machen. Wie wir bei der AIC Group GmbH intern angefangen haben. Warum die Wissensdatenbank mehr entscheidet als der perfekte Prompt. Und zuletzt, dass ein Agent nicht durch Nutzung besser wird, sondern durch Pflege.
Eine Voraussetzung haben wir dabei stillschweigend mitlaufen lassen: dass das Team mit dem Agenten überhaupt mithalten kann. Heute sprechen wir genau darüber. Denn der beste Agent läuft ins Leere, wenn die Organisation um ihn herum nicht trägt.
Sparring ist kein Solo. Es braucht zwei Seiten: eine, die fordert, und eine, die mithält, einordnet und zurückgibt. Ein Sparringspartner, der auf niemanden trifft, der sein Niveau halten kann, sparrt nicht. Er produziert in die Leere.
Damit steht und fällt unser eigener Anspruch. „KI als Sparringspartner“ ist kein Versprechen an die Maschine, sondern eine Anforderung an uns. Ob daraus echtes Sparring wird, entscheidet nicht der Agent. Es entscheidet, wie reif die Organisation für die Zusammenarbeit mit ihm ist.
Vorgehen, Wissen, Pflege – drei Teile lang ging es darum, den Agenten gut zu machen. Das ist die halbe Wahrheit. Die andere Hälfte: Ein guter Agent löst das eigentliche Problem nicht. Er verschiebt es.
Je verlässlicher der Agent wird, desto mehr hängt von der Mannschaft ab, die ihn trägt. Solange die Ergebnisse mittelmäßig sind, ist der Engpass der Agent. Sobald sie gut sind, ist der Engpass das Team. Genau dieser Übergang wird in der Praxis unterschätzt.
Eine KI ist nur so schnell wie das Team, das sie tragen kann.
Damit aus einem Agenten dauerhaft Wirkung wird, braucht es drei organisatorische Voraussetzungen – in dieser Reihenfolge.
Readiness ist die Reife der Mannschaft. Verfügt das Team über das Wissen, die Bereitschaft und die fachliche Grundlage, um mit dem Agenten zu arbeiten? Ohne Readiness bleibt jeder Agent eine Black Box.
Governance sind die Leitplanken. Wer setzt welchen Agenten wofür ein, wie werden Ergebnisse geprüft, wo liegt Verantwortung? Governance verhindert, dass Geschwindigkeit auf Kosten von Qualität entsteht.
Performance ist die Wirkung im Tagesgeschäft – nicht das Tempo der Maschine, sondern das, was am Ende tatsächlich besser, schneller und konsistenter wird.
Die Reihenfolge ist kein Zufall. Wer Performance ohne Readiness fordert, baut Druck auf, der das Team überlastet. Wer Governance ohne Readiness setzt, etabliert leere Regeln. Die einzelnen Säulen verdienen jeweils einen eigenen Blick – darauf kommen wir in den nächsten Teilen zurück. Heute geht es um die Stelle, an der alle drei zusammenlaufen: das Tempo.
KI-Agenten ermöglichen ein Tempo, das ein Team allein nicht erreicht. Das ist die Verlockung. Und die Falle.
Dahinter stehen zwei Geschwindigkeiten:
Mind Speed ist die mentale Eingespieltheit: wie sicher die Köpfe auf Leitplanken, Wissen und Qualitätsmaßstäbe eingestellt sind. Wer den System Prompt, die Wissensbasis und die Kriterien verinnerlicht hat, kann Output schnell beurteilen und verantworten.
Body Speed ist das real leistbare Pensum. Auch ein gut eingespieltes Team kann nicht beliebig viele Entscheidungen pro Stunde treffen, prüfen und verantworten.
Die Spannung zwischen beiden ist der entscheidende Punkt. Wenn das Tempo der Maschine das Tempo der Menschen überfordert, entsteht keine Effizienz, sondern Erschöpfung. Und Erschöpfung bremst nicht den Einzelnen allein, sondern den ganzen Prozess. Die vermeintliche Beschleunigung kehrt sich um.
Das lässt sich konkret machen – an unserer eigenen Erfahrung.
Am Anfang der Zusammenarbeit mit einem Agenten besteht die Arbeit vor allem darin, ihm zu sagen, was falsch ist. Man korrigiert, schärft nach, weist zurück. Anstrengend, aber überschaubar.
Mit jedem Schritt wird der Output reifer – und die Arbeit eine andere. Es geht immer weniger darum, Fehler auszubessern, und immer mehr darum, einen zunehmend guten Output richtig einzuordnen, zu verantworten und sinnvoll weiterzudenken. Das klingt nach Entlastung. In Wahrheit ist es das anspruchsvollere Register. Korrigieren ist Reaktion. Einordnen und Weiterdenken ist Eigenleistung – besonders, wenn mehrere Themen parallel laufen.
Das ist der unbequeme Teil der Wahrheit über gute KI: Sie nimmt einem nicht einfach Arbeit ab. Sie verschiebt die menschliche Arbeit dorthin, wo sie am meisten fordert. Und genau diese Stelle ist es, an der Body Speed zur echten Grenze wird.
Die Konsequenz ist keine Bremse, sondern eine Frage der Steuerung.
Das Tempo der Produktion richtet sich am leistbaren Pensum der Menschen aus – nicht am theoretischen Tempo der KI. Eskalations- und Entscheidungspunkte werden bewusst gesetzt: Wer entscheidet wann was? Pausen, Reflexions- und Qualitätsschleifen werden eingeplant, nicht wegrationalisiert. Und Wachstum erfolgt schrittweise – erst Stabilität, dann Skalierung.
Das ist gelebte Performance im Sinne des Modells: nicht das schnellste Team, sondern das, das sein Tempo halten kann.
Weitere Artikel…
Je besser unser KI-Agent wird, desto größer die Versuchung, vor allem mit ihm zu arbeiten. Und seltener mit den Kolleginnen und Kollegen, deren Einarbeitung länger dauert und deren Rückmeldung nicht immer entspannt ausfällt.
Unser Marketing Automation Studio (MAS) wurde von Grund auf neu gebaut. Bevor unser Team die einzelnen Bausteine im Detail zeigt, möchte ich einordnen, warum. Es war keine technische Entscheidung. Es war eine strategische …
Alle reden über die Nutzung von KI. Wir reden über ihre Pflege – 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 …
*Artikel sind teilweise mit der KI erstellt.
Vor einigen Monaten haben wir bei der AIC Group GmbH begonnen, intern einen KI-Agenten aufzubauen. Nicht als formales Pilotprojekt. Nicht mit externer Agentur. Nicht über ein IT-Ticket.
Dass das Thema gerade überall ist, war auch auf der OMR in Hamburg deutlich zu spüren: Keynotes, Podiumsdiskussionen, Pausengespräche. Was uns dabei auffiel: Viele Unternehmen wissen, dass sie sich mit Agentic AI auseinandersetzen sollten. Aber der Einstieg fühlt sich oft groß an. Nach IT. Nach Budget. Nach externer Lösung. Nach Zeit, die gerade fehlt.
Genau dieses Muster kennen wir. Und wir wissen inzwischen aus eigener Erfahrung: Es gibt einen anderen Weg.
Der Use Case: Content Creation. Konkret die Planung und Ausarbeitung unserer LinkedIn- und Instagram-Posts.
Warum genau dieser Use Case? Weil er niedrigschwellig ist. Marketingcontent ist öffentlich zugänglich – er enthält keine vertraulichen Informationen, keine sensiblen Daten. Man braucht kein aufwändiges Datenprojekt, um zu starten. Was man braucht, ist ein klares Vorgehen.
Ein funktionierender Agent ist kein Zufallsprodukt. Er entsteht durch Entscheidungen – und durch Iteration. Unser Prozess folgt sechs Phasen.
Phase 1 – Rolle & Ziel definieren
Wofür soll der Agent eingesetzt werden? Was sind seine Aufgaben – und was ausdrücklich nicht? Ohne diese Klarheit bleibt der Agent generisch.
Phase 2 – System Prompt entwickeln
Der System Prompt ist das Herzstück. Er definiert Kontext, Rolle, Tonalität, Arbeitsweise und Qualitätsansprüche. Er macht den Agenten nicht kreativ – er macht ihn verlässlich.
Phase 3 – Wissensdatenbank aufbauen
Ein Agent ist nur so gut wie das Wissen, das ihm zur Verfügung steht. Wir haben dafür strukturierte Dokumente erstellt: Positionierungsgrundlagen, Sprachregeln, Designvorgaben, Redaktionspläne.
Drei Typen von Quellen haben sich dabei bewährt: strategisch-fachliche Dokumente, Stil- und Formatvorgaben sowie Planungsunterlagen.
Wissen schlägt Prompt-Länge.
Phase 4 – Skills entwickeln
Für wiederkehrende Aufgaben haben wir vordefinierte Arbeitsanweisungen entwickelt – sogenannte Skills. Sie sorgen dafür, dass der Agent konsistente, reproduzierbare Ergebnisse liefert, ohne jedes Mal neu instruiert zu werden.
Die Wissensdatenbank liefert das Was und Warum, der Skill das Wie.
Phase 5 – Arbeiten mit dem Agenten
Ein Agent ist kein Texter. Er ist ein Sparringspartner.
Dialog statt perfekter Prompts. Feedback statt Neuanfang.
Wer so arbeitet, kommt schneller zu besseren Ergebnissen.
Phase 6 – Kontinuierlich optimieren
Jeder falsche Output ist eine Lernchance. Die Optimierungsschleife – Fehler erkennen, Ursache identifizieren, nachschärfen – ist entscheidend für die langfristige Qualität.
Jeder falsche Output macht den Agenten besser.
In Gesprächen mit anderen Unternehmen – und beim Besuch von KI-Anbietern, die uns ihre Lösungen vorstellen – beobachten wir dasselbe Muster immer wieder.
Viele Anbieter bauen Oberflächen, die genau das zugänglich machen, was einen Agenten ausmacht: System Prompt, Wissensdatenbank, vordefinierte Arbeitsanweisungen. Dahinter steckt ein Sprachmodell, ergänzt um Integrationen – in die Website, ins CMS, in bestehende Workflows.
Das ist kein schlechter Ansatz. Aber er löst eine Herausforderung nicht: Den Unterbau sauber aufzubauen.
Was soll der Agent wissen? Wie soll er kommunizieren? Welche Aufgaben soll er reproduzierbar erledigen? Diese Arbeit bleibt immer. Egal ob mit eigenem Agenten oder mit einem Dienstleister.
Genau das hat unsere Entscheidung bestätigt: Wir bauen den Unterbau selbst. Nicht weil wir Tools ablehnen – sondern weil wir verstehen wollen, was einen guten Agenten ausmacht. Und weil dieses Wissen wiederverwendbar ist. Für den nächsten Use Case. Und den übernächsten.
