Erstens: Unabhängigkeit.
Wer seine Kundendaten über viele externe Tools verteilt, macht sich abhängig – von Schnittstellen, Lizenzmodellen und den Entscheidungen anderer Anbieter. Eine eigene, zentrale Datenhaltung gibt diese Hoheit zurück.
Zweitens: Konsistenz.
Wenn Segmentierung, Kampagnenlogik und Auswertung auf demselben Datenbestand arbeiten, hören die Zahlen auf, sich zu widersprechen. Entscheidungen werden belastbar, weil alle über dasselbe Kundenverhalten sprechen.
Drittens: Personalisierung.
Individuelle Ansprache entsteht erst, wenn Profil, Verhalten und Kontext zusammen betrachtet werden. Verteilte Daten erlauben Adressierung. Zusammengeführte Daten erlauben Relevanz.
Viertens: KI.
Prognosemodelle sind nur so gut wie die Daten, aus denen sie lernen. Wer KI im Marketing ernsthaft und dauerhaft einsetzen will, braucht eine konsistente, gepflegte Datenbasis – kein Modell der Welt gleicht verstreute (verteilte) oder widersprüchliche Daten aus.
Aus diesem Fundament folgen die drei Bausteine, die unser Team in den kommenden Wochen zeigt: ein Audience Building, das Zielgruppen aus Stammdaten, Verhalten und Referenzen bildet. Workflows, die Journeys auf den einzelnen Kunden hin steuern – im richtigen Moment, über den passenden Kanal. Und eine Contentsteuerung, die Inhalte und Angebote dynamisch ausspielt. Keiner dieser Bausteine wäre ohne die zentrale Datenbasis das, was er ist. Das ist der Unterschied zwischen Features und Architektur.
Unser Blick gilt dem Mittelstand, dem Handel und den Agenturen, die dort arbeiten. Organisationen, die auf das veränderte Kundenverhalten reagieren wollen, ohne ein Enterprise-Projekt zu stemmen. Genau dafür ist das MAS gedacht: modular im Einstieg, skalierbar im Wachstum.
Den ersten Blick auf das neue MAS zeigt unser Team in Kürze hier auf LinkedIn. Danach folgen die drei Bausteine im Detail.*
Wer vorher schon Fragen hat oder das MAS im Gespräch kennenlernen möchte: Schreibt mir gern an meetme@aicgroup.de.
Weitere Artikel…
Wir reden über Wissen – 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 …
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.
