Aus der Praxis
Wie wir bei der AIC Group mit Marketing Automation, Business Intelligence und Agentic AI arbeiten.
Und was wir dabei lernen.
Im letzten Artikel ging es um die Reife vor dem ersten Agenten. Am Ende stand dort eine Frage, die harmloser klingt, als sie ist: Wer prüft eigentlich, was der Agent produziert?
Genau dort hört Readiness auf. Und Governance fängt an.
„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.
Aus einer großen, vagen Frage werden drei konkrete, die man beantworten kann. Wir nennen sie Wissens-, Prozess- und Aufsichts-Readiness.
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 …
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 …
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.
