Im ersten Artikel haben wir beschrieben, wie wir bei der AIC Group GmbH intern einen KI-Agenten aufgebaut haben — mit einem klaren Use Case, einem strukturierten 6-Phasen-Modell und der Erkenntnis: Ein Agent entsteht nicht einmal. Er entwickelt sich durch Nutzung.
Phase 3 — die Wissensdatenbank — haben wir dort bewusst kurz gehalten. Heute gehen wir einen Schritt tiefer.
In der Praxis beobachten wir immer wieder dasselbe Muster: Teams investieren viel Zeit in die Formulierung des perfekten Prompts — und wundern sich dann, warum der Agent generisch bleibt. Der Grund ist fast immer derselbe. Nicht der Prompt ist das Problem. Es ist das fehlende Wissen dahinter.
Ein Sprachmodell ist von Haus aus allgemein. Es kennt keine Unternehmenssprache, keine Positionierung, keine Qualitätsmaßstäbe, keine redaktionellen Prioritäten. Genau das muss die Wissensdatenbank liefern. Erst dann wird aus einem generischen Assistenten ein verlässlicher Sparringspartner.
Wissen schlägt Prompt-Länge. Das war eine unserer zentralen Erkenntnisse — und sie hat sich seither in jeder Nutzungssitzung bestätigt.
Wir haben unsere Wissensdatenbank in drei Typen gegliedert. Nicht als formales Konzept, sondern weil sich diese Struktur in der Praxis ergeben hat.
Strategisch-fachliche Dokumente
bilden das Fundament. Sie beschreiben, wer wir sind, was wir anbieten, wie wir uns positionieren und welche Themen wir nach außen vertreten. Ohne dieses Fundament bleibt der Agent thematisch beliebig — er kann keine AIC-Perspektive einnehmen, weil er sie nicht kennt.
Stil- und Formatvorgaben
machen den Agenten verlässlich. Sie beschreiben, wie wir kommunizieren: Tonalität, Sprache, Aufbaulogik, was wir vermeiden. Ein Agent, der den Inhalt kennt, aber nicht den Stil, produziert Texte, die sich nicht nach uns anfühlen. Diese Dokumente schließen genau diese Lücke.
Redaktions- und Planungsdokumente
verankern den Agenten im laufenden Betrieb. Aktuelle Planung, Themenprioritäten, was gerade in Arbeit ist — dieses Wissen macht den Agenten situativ. Er weiß nicht nur, wer wir sind, sondern auch, wo wir gerade stehen.
Das ist der Punkt, den wir am stärksten unterschätzt haben: Eine Wissensdatenbank ist kein einmaliges Projekt. Sie ist ein lebendiges System.
Wenn sich unsere Positionierung weiterentwickelt, muss das Wissen nachziehen. Wenn neue Themen in den Fokus rücken, müssen sie dokumentiert werden. Wenn ein Agent immer wieder an denselben Stellen schwächelt, ist das meistens kein Prompt-Problem — sondern ein Signal, dass eine Wissenslücke geschlossen werden muss.
Genau diese Optimierungsschleife ist Phase 6 des Modells. Und sie beginnt fast immer in der Wissensdatenbank.
Der Aufbau einer Wissensdatenbank klingt nach Aufwand — und er ist es auch. Aber er ist übertragbar. Die drei Typen, die sich bei uns bewährt haben, gelten unabhängig vom Use Case. Ob Content Creation, Kundenservice oder interne Prozessunterstützung: Ein Agent braucht immer strategisches Wissen, stilistische Leitplanken und operative Verankerung.
Wer diesen Unterbau sauber aufbaut, hat die Grundlage für jeden weiteren Agenten bereits gelegt.
Wenn ihr überlegt, wie eine Wissensdatenbank für euren Use Case aussehen könnte: Schreibt uns. Wir teilen unsere Erfahrungen 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.
