Am Ende des letzten Artikels haben wir eine Beobachtung offen gelassen – eine, die uns selbst nicht loslässt.
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. Uns bei der AIC Group GmbH eingeschlossen.
Das ist unbequem. Aber es ist real. Und es ist kein Tool-Problem – es ist eine Frage der Zusammenarbeit.
Stell dir zwei Gegenüber vor.
Das eine ist immer verfügbar. Es antwortet sofort, bleibt ruhig, nimmt keine Korrektur persönlich und liefert auf einem zunehmend hohen Niveau. Man kann ihm dreimal hintereinander sagen, dass etwas nicht passt, ohne dass die Stimmung kippt.
Das andere ist ein Mensch. Vielleicht neu im Thema, vielleicht mit längerer Lernkurve. Es braucht Zeit, manchmal Geduld, gelegentlich eine zweite Erklärung. Feedback muss man vorsichtiger formulieren. Und es kann sein, dass die erste Antwort noch nicht sitzt.
Wenn der Druck steigt und die Zeit knapp ist, zeigt der Pfad des geringsten Widerstands ziemlich eindeutig in eine Richtung. Niemand entscheidet sich bewusst gegen den Kollegen. Man entscheidet sich nur, immer öfter, für das schnellere Gegenüber. Das ist menschlich. Und genau deshalb heikel.
Auf den ersten Blick wirkt das effizient. Die Stärksten arbeiten mit dem stärksten Werkzeug, die Ergebnisse kommen schneller. Was dabei leise verschwindet, sieht man erst auf den zweiten Blick.
Die Kollegen, die am meisten von Anleitung profitieren würden, bekommen am wenigsten davon. Wer früher eingearbeitet, mitgenommen, im Gespräch geschärft wurde, sitzt jetzt etwas mehr allein. Die Lernkurve, die ohnehin länger war, wird nicht kürzer – sie wird einsamer.
Gleichzeitig wandert Wissen dorthin, wo es am wenigsten geteilt wird: in den Dialog zwischen den Stärksten und ihrem Agenten. Was früher im Team besprochen wurde, passiert jetzt im stillen Chatfenster. Das Ergebnis ist gut. Aber es gehört einem Einzelnen, nicht der Mannschaft.
Und dann ist da der Punkt, der uns am meisten beschäftigt. Wir sagen über unseren Agenten gern: Er ist kein Ersatz, sondern fachliche Entlastung. Ein Sparringspartner, kein Autopilot. Aber ein Sparringspartner, der menschliches Sparring verdrängt, ist genau das nicht mehr. Dann haben wir die Zusammenarbeit nicht entlastet, sondern ersetzt – und sind einen leisen Schritt zurückgegangen in Richtung Automatisierung. Das Gegenteil von dem, wofür wir stehen.
Das macht das Thema zu einer organisatorischen Frage, nicht zu einer persönlichen. Reife ist nichts, was eine einzelne Person hat – sie ist eine Eigenschaft des Teams. Und sie erodiert, wenn die Erfahrensten aufhören, in die weniger Erfahrenen zu investieren.
Deshalb reicht es nicht, an die Einsicht des Einzelnen zu appellieren. Es braucht bewusste Spielregeln, die menschliche Zusammenarbeit schützen – gerade dann, wenn der Agent der bequemere Weg wäre.
Die Antwort ist nicht, den Agenten zurückzudrängen. Er bleibt ein gutes Werkzeug. Die Antwort ist, die Zusammenarbeit bewusst zu schützen.
Konkret heißt das für uns drei Dinge.
Wir leiten manche Aufgaben bewusst über den menschlichen Weg, auch wenn der Agent schneller wäre – überall dort, wo das gemeinsame Arbeiten selbst der Wert ist, nicht nur das Ergebnis.
Wir behandeln Einarbeitung und Mentoring als geschützte Zeit, nicht als das, was übrig bleibt, wenn die KI-Arbeit getan ist. Wer andere mitnimmt, leistet etwas – auch wenn es langsamer aussieht.
Und wir halten den Agenten als geteilte Ressource. Gute Prompts, hilfreiche Resümees, das, was wir mit ihm erarbeiten, wandert zurück ins Team – damit Wissen kollektiv bleibt und sich nicht in einzelnen Köpfen sammelt.
Wir sind dabei selbst noch nicht fertig. Aber wir haben angefangen, bewusst hinzuschauen – und das ist der erste Schritt.
Je besser KI-Agenten werden, desto mehr verschiebt sich die eigentliche Arbeit auf den Menschen – das war die Pointe des letzten Artikels. Dieser hier zeigt die andere Seite: Sie verschiebt sich nicht nur, sie verteilt sich ungleich. Und wenn man nicht aufpasst, auf Kosten genau der Zusammenarbeit, die ein Team trägt.
Das ist eine Frage der Reife des ganzen Teams – und damit sind wir bei der ersten der drei Voraussetzungen, über die wir bisher nur im Vorbeigehen gesprochen haben: Readiness. Darum geht es im nächsten Teil ausführlich.
Beobachtet ihr das bei euch auch – dass die Stärksten zur KI wandern und die Zusammenarbeit zwischen Menschen darunter leidet? Wie geht ihr damit um? Schreibt uns.
Weitere Artikel…
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.
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.
