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…
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.
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 …
*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.
