In den letzten beiden Artikeln dieser Reihe ging es um die Organisation hinter dem Agenten, den wir bei der AIC Group täglich nutzen: um das Tempo, das ein Team tragen kann, und um die Zusammenarbeit, die dabei nicht verloren gehen darf.
Beide Male stand ein Begriff im Hintergrund, ohne dass wir ihn aufgeschlüsselt haben: Readiness. Die erste der drei organisatorischen Voraussetzungen, die wir in dieser Reihe Readiness, Governance und Performance nennen. Zuletzt endete der Faden genau dort. Heute nehmen wir ihn auf.
Und damit wechselt die Reihe den Gang. Die letzten beiden Teile waren eher nachdenklich – Tempo, Erschöpfung, Zusammenarbeit. Dieser hier wird konkret. Denn Readiness klingt weich. Aber sie ist prüfbar.
„Sind wir reif für KI?“ – die Frage klingt nach Selbsteinschätzung, nach Bauchgefühl, nach einem komplizierten Reifegrad-Modell. So gestellt, lähmt sie. Sie ist zu groß, um eine klare Antwort zuzulassen.
Wir stellen sie deshalb anders. Nicht: Ist das ganze Unternehmen reif für KI? Sondern: Ist die Grundlage da, um einen ersten, klar abgegrenzten Agenten verlässlich aufzustellen?
Genau dieser Schritt – vom Ganzen zum einzelnen Agenten – macht den Unterschied. Aus einer großen, vagen Frage werden drei konkrete, die man beantworten kann. Wir nennen sie Wissens-, Prozess- und Aufsichts-Readiness.
Ein Agent ist nur so gut wie das Wissen, aus dem er schöpft. Die Frage ist nicht, ob Wissen im Unternehmen vorhanden ist – das ist es fast immer. Die Frage ist, ob es greifbar ist: strukturiert, aktuell, verlässlich – an einem Ort zusammengeführt statt verteilt über Ordner, Mailverläufe und Köpfe.
Wer die Wissensbasis nicht im Griff hat, bekommt einen allgemeinen Agenten statt eines spezifischen. Das deckt sich mit dem, was wir im zweiten Artikel beschrieben haben: Wissen schlägt Prompt-Länge.
Bei uns ist dieser Ort über die Zeit entstanden – nicht als fertige Quelle, die wir anzapfen, sondern als Ergebnis von Arbeit. Wir haben Wissen aus bestehenden Dokumenten zusammengeführt, verdichtet, strukturiert und maschinenlesbar gemacht – und entwickeln es seitdem laufend weiter. Die Inhalte sind bei jedem andere; das Prinzip ist dasselbe: nicht ein weiteres Dokument, sondern ein Ort, an dem das Wissen zusammenläuft.
Die Prüffrage: Ist das Wissen für euren Agenten an einem Ort strukturiert zusammengeführt – oder müsstet ihr es erst zusammensuchen?
Ein Agent stützt nur, was sich artikulieren lässt. Das klingt banal, ist aber der häufigste blinde Fleck. Viele Aufgaben laufen im Team „nach Gefühl“ – erfahrene Leute machen sie richtig, ohne dass jemand je aufgeschrieben hätte, wie.
Solange eine Aufgabe nur im Kopf existiert, kann ein Agent sie nicht stützen. Erst wenn sie beschreibbar wird – Schritt für Schritt, mit ihren Entscheidungspunkten –, wird sie delegierbar. Aus wiederkehrenden, beschriebenen Aufgaben werden Skills.
Bei uns war das oft der unterschätzte Teil: nicht das Tool, sondern das Aufschreiben dessen, was wir längst konnten, aber nie festgehalten hatten. Der Aufwand zahlt sich doppelt aus – die Aufgabe wird nicht nur delegierbar, sie wird auch im Team selbst klarer.
Die Prüffrage: Könnt ihr die Aufgabe, die der Agent übernehmen soll, Schritt für Schritt aufschreiben – oder lebt sie nur in den Köpfen einzelner?
Die dritte Facette wird am leichtesten übersehen, weil sie nach Bürokratie klingt. Ist sie aber nicht. Sie ist die Frage, wer den Output des Agenten prüft, wer ihn freigibt und wer entscheidet, wann etwas gestoppt wird.
Menschliche Aufsicht ist keine Bremse. Sie ist die Voraussetzung dafür, einem Agenten überhaupt etwas anvertrauen zu können. Wer freigibt, übernimmt Verantwortung – und genau das macht den Einsatz tragfähig.
Bei uns ist klar verteilt, wer prüft und freigibt – und wer bei sensiblen Inhalten das letzte Wort hat. Beide Rollen sind besetzt und im Team bekannt.
Die Prüffrage: Ist bei euch geklärt, wer den Output verantwortet – wer unterschreibt, und wer entscheidet, wann gestoppt wird?
Und hier zeigt sich bereits die nächste Säule: Aufsicht ist der Punkt, an dem Readiness in Governance übergeht. Dazu im nächsten Artikel mehr.
Diese drei Fragen gelten dem ersten Agenten. Nicht dem ganzen Unternehmen.
Das ist wichtig, weil „KI-Reife“ sonst sofort nach einem großen Transformationsprojekt klingt – nach Systemlandschaft, unternehmensweiten Rollen, Budgets, der strategischen Rolle der IT. All das wird relevant, wenn sich Agenten im Haus verbreiten. Aber es gehört zu späteren Ausbaustufen, nicht zum Fundament des ersten Agenten.
Wer auf die große Reife wartet, fängt nie an. Wer die drei Fragen für einen konkreten, kleinen Use Case beantworten kann, ist reif genug, um zu starten. Genau das haben wir getan.
Readiness ist kein Reifegrad-Zeugnis, das man besteht oder nicht. Es sind drei Fragen, die man für einen konkreten Agenten ehrlich beantworten kann – und dort, wo die Antwort fehlt, weiß man, was zuerst zu tun ist.
Wissens-Readiness: Wissen, das an einem Ort zusammenläuft. Prozess-Readiness: eine Aufgabe, die man beschreiben kann. Aufsichts-Readiness: eine Verantwortung, die geklärt ist. Fehlt eine der drei, kippt das Fundament – und der beste Agent steht auf wackeligem Grund.
Schreibt uns. Wir teilen unser Vorgehen gern.
Weitere Artikel…
Wir haben einfach angefangen – 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…
*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.
