Herzlich Willkommen zu den AI FIRST Insights!

Ich habe in den letzten 2,5 Jahren konsequent ein Team aus KI-Assistenten und -Agenten aufgebaut, die jeden Prozess unseres Unternehmens unterstützen.

Dieses KI-Team weiß alles über mich, AI FIRST, unsere Kunden, unsere Prozesse, unsere Standards, Werte und Prinzipien.

Die KI-Agenten verwenden unsere Methoden und unseren Kommunikationsstil.

Was machen sie?

• Rechnungen den Ausgaben zuweisen
• Antwortvorlagen auf Mails erstellen
• Workshops vor- und nachbereiten
• Trainingsaufgaben entwickeln
• Meeting Follow Ups draften
• KI Use Cases qualifizieren
• Website Artikel schreiben
• News Report erstellen
• Feedback auswerten
• Content kreieren
• Agents bauen

Nur um ein paar Beispiele zu nennen.

Ich habe mir jede zu erledigende Aufgabe angeschaut, diese in Schritte runtergebrochen und (wenn sinnvoll) in Agenten und Assistenten überführt.

Dieses Setup gibt uns heute die Möglichkeit, immer stärker aus dem bestehenden Team heraus zu wachsen.

In dieser Ausgabe zeige ich dir, wie ich mein eigenes KI-Team aufgebaut habe, welche Schritte dafür notwendig sind und was meine wichtigsten Learnings aus den letzten 2,5 Jahren waren.

Los geht's!

Die KI-Akademie & Community für Führungskräfte im Mittelstand

Vor 3 Monaten habe ich das AI Collective mit der Mission gegründet, Führungskräfte im Mittelstand fit für die KI-Ära zu machen.

Heute sind 35 Mitglieder Teil unserer ausgewählten Community, die 2 Ziele verfolgen:

1. Die Anwendung von KI im eigenen Alltag zu meistern
2. Die KI-Transformation des Unternehmens voranzutreiben

Das ist keine 0815 Weiterbildung mit akademisierten Methoden.

Das AI Collective ist ein 12-monatiges Intensiv-Programm, das Dich und Dein Unternehmen zukunftsfähig für die KI-Ära macht und dich in die Umsetzung bringt - mit allem Wissen, allen Werkzeugen, den Fähigkeiten und dem Netzwerk, das Du dafür brauchst.

Ab September öffnen wir das AI Collective für maximal 30 weitere Personen.

Wenn du dabei sein willst, dann melde dich hier:

👉 Mehr über das AI Collective erfahren

Wie mein KI-Team heute für mich arbeitet

Ich möchte direkt einen Irrglauben aus dem Weg räumen:

KI-Agenten können Stand heute keine komplexen Jobs oder Unternehmensprozesse vollständig ersetzen und automatisieren.

Dies ist ein Märchen aus dem Silicon Valley.

KI-Agenten bauen auf Large Language Models auf, die die Wahrscheinlichkeit für das beste Ergebnis berechnen, dabei weiterhin Fehler machen und Kontrolle benötigen. Je mehr Agenten in einen Prozess integriert sind oder je umfangreich die Aufgaben pro Agent werden, desto höher die Fehleranfälligkeit.

Deshalb ist ein differenzierter Ansatz entscheidend.

• Agenten führen einfache Aufgaben selbst aus.
• Assistenten arbeiten mir und meinem Team zu.

In allen Prozessen ist ein "Human-in-the-Loop" integriert.

Also eine menschliche Ergebniskontrolle.

Unsere Agenten und Assistenten sind wie ein Team aus spezialisierten, digitalen Kollegen:

• Der Inbox Agent: Schaut sich jede eingehende E-Mail an und erstellt basierend auf unserer Wissensbasis und dem vollständigen Kontext zwei passende Antwortentwürfe.
• Der Meeting Agent: Analysiert die Transkripte unserer Meetings, erstellt daraus eine Follow-Up-E-Mail und dokumentiert die Ergebnisse an der richtigen Stelle.
• Der Invoice Agent: Prüft alle eingehenden Rechnungen, gleicht sie mit Projekten ab und weist sie den korrekten Ausgabenkategorien zu.
• Der Podcast Producer: Wandelt die reine Audio-Aufnahme einer neuen Podcast-Folge in fertige Shownotes, Kapitelmarken und Social-Media-Posts um.
• Der AI Coach: Unterstützt unser Team und Kunden bei der Qualifizierung und Ausarbeitung von Use Cases, sowie beim Fragen rund um den KI-Rollout.

Mein Ziel ist es, den Einfluss jeder einzelnen Person im Team maximal zu stärken. Deshalb mussjeder Mensch unser KI-Team nutzen und orchestrieren.

Über die Zeit konnten wir immer mehr Aufgaben vollständig an KI delegieren und menschliche Expertise / Zeit stärker hebeln.

Mein 6-Schritte-Playbook zum Aufbau eines KI-Teams

Der Aufbau eines solchen Teams ist keine Raketenwissenschaft, sondern ein strukturierter Prozess. Am Anfang steht immer ein zu lösendes Business-Problem.

Ich gehe immer nach dem gleichen, sechsstufigen Playbook vor:

Schritt 1: Alle Jobs-to-be-Done (JTBD) definieren

Alles beginnt mit einer fundamentalen Analyse der Kernprozesse. Ich habe mir die einfachen, aber entscheidenden Fragen gestellt:

• Wie gewinnen wir Kunden?
• Wie machen wir unsere Kunden erfolgreich?
• Welche administrativen Prozesse sind überlebenswichtig?

Das Ergebnis ist eine Landkarte der Aufgaben, die im Unternehmen erledigt werden müssen. Diese habe ich nach unserem Use Case Framework mit KI-Fähigkeiten gemapped und bewertet.

Schritt 2: JTBD in Agenten-Personas überführen

Sobald die Aufgaben klar sind, bekommen sie einen "digitalen Eigentümer". Ich übersetze die Prozessanforderung in eine konkrete Agenten-Persona mit einer klaren Jobbezeichnung. Aus "Rechnungen bearbeiten" wird der "Invoice Agent", aus "Social Media Reichweite generieren" der "LinkedIn Copywriter" und aus "Workshops vorbereiten" der "Workshop Designer".

👉 Anleitung zur Erstellung deines KI-Assistenten / Agenten

Schritt 3: Test-Datensätze erstellen

Wie soll ein Agent exzellente Arbeit leisten, wenn er nicht weiß, was "exzellent" bedeutet? Für jeden Agenten definiere ich klare Qualitätsstandards, indem ich ihm Beispiele für sehr gute und sehr schlechte Arbeitsergebnisse gebe. Das schafft ein gemeinsames Verständnis von Qualität.

Wichtig: Wenn es diese Daten bisher nicht gibt, muss man sich zuerst einmal darum kümmern. Ansonsten gilt "shit in, shit out".

Schritt 4: Detaillierte Aufgaben-Briefings schreiben

Das ist das Äquivalent zum Briefing eines menschlichen Mitarbeiters. Jeder Agent erhält ein umfassendes Briefing, das seine Rolle, sein Hauptziel, seine Arbeitsweise, den nötigen Kontext, seine Regeln und die zu nutzenden Tools beschreibt. Je präziser das Briefing, desto besser das Ergebnis.

Grundlegende Struktur meiner Systemanweisungen

Rolle & Persönlichkeit

Hier werden die Rolle, Persönlichkeit und die zentralen Fähigkeiten des Agenten definiert.

Hauptziel & Arbeitsweise

Dieser Abschnitt beschreibt das übergeordnete Ziel und die Methode, mit der der Agent seine Aufgaben erledigt.

Kontext

Enthält alle wichtigen Hintergrundinformationen, die zur Aufgabenlösung nötig sind, wie z.B. das Arbeitsumfeld oder Projektdetails.

Allgemeine Regeln

Hier werden grundlegende Regeln festgelegt, die immer gelten, etwa für die Kommunikation oder den Umgang mit sensiblen Daten.

Spezifische Richtlinien

Dieser Teil enthält Anweisungen für wiederkehrende Aufgaben, zum Beispiel Vorgaben zum Schreibstil oder zur Dateiverwaltung.

Werkzeuge (Tools)

Listet alle verfügbaren Werkzeuge (z. B. Programmierschnittstellen) auf, inklusive ihrer Parameter und Anwendungsfälle.

Antwortformat

Definiert exakt, wie die Struktur der finalen Antwort aussehen soll (z. B. als E-Mail, Bericht oder Liste).

Beispiele

Zeigt vollständige Muster-Interaktionen von einer Nutzeranfrage bis zur perfekten Antwort des Agenten.

Metakognition & Planung

Gibt dem Agenten vor, wie er seine Arbeit intern planen und die Ergebnisse seiner Arbeit reflektieren soll.

Schritt 5: Die Wissensbasis als Fundament bauen

Das ist der mit Abstand wichtigste und zeitintensivste Schritt. Hier wird das gesamte relevante Wissen des Unternehmens so strukturiert, dass ein Agent darauf zugreifen kann – von Unternehmenszielen über Standardprozesse (SOPs) bis hin zu meinem persönlichen Kommunikationsstil.

👉 Wie du ein 2. Gehirn für KI-Agenten baust

Schritt 6: Den Agenten im Tool aufsetzen

Erst wenn die strategische Vorarbeit geleistet ist, kommt das Tooling ins Spiel. Deine Anforderungen bestimmten das technische Setup, nichts andersrum. "Das beste Tool" gibt es nicht.

Ich sehe 3 Kategorien:

• Automation Plattformen: Zapier, Make, n8n
• AI Agent Plattformen: Lindy, Relevance, Beam
• Enterprise AI Plattformen: Langdock, Zive, Blockbrain

Alle Anbieter bewegen sich im Funktionsumfang immer stärker aufeinander zu. Die einen haben mit Chatbots und Assistenten gestartet und fügen jetzt Workflow-Automation hinzu. Bei anderen lief es andersrum.

In meiner Wahrnehmung kommt ein höherer Funktionsumfang mit einer schlechteren Nutzererfahrung und somit größeren Herausforderungen beim unternehmensweiten Rollout, insbesondere für nicht-technische Nutzer.

Egal für welches Tooling Du dich am Ende entscheidest, wirst du 3 Dinge für dein KI-Team benötigen:

1. Eine gut strukturierte Wissensdatenbank
2. Detaillierte Systemanweisungen / Aufgabenbriefing
3. Klare Definition des Prozesses und wie Mensch & KI zusammenarbeiten

Meine wichtigsten Learnings der letzten 3 Jahre

In den letzten 2,5 Jahren hat sich mein Setup dutzende Male weiterentwickelt.

Wenn ich heute nochmal starten könnte, würde ich auf diese 5 Punkte achten:

Learning 1: 80% der Zeit in den Aufbau der Wissensbasis investieren.

Die Qualität der Wissensbasis ist der entscheidende, aber am meisten unterschätzte Hebel.

Der Prozess lässt sich auf diese fünf Kernschritte herunterbrechen:

1. Bedarfsanalyse: Klären, welches Wissen ein menschlicher Mitarbeiter für diesen Job bräuchte.
2. Bestandsaufnahme: Prüfen, welche dieser Informationen bereits irgendwo im Unternehmen vorhanden sind (z.B. Meeting-Transkripte, Workshop-Unterlagen).
3. Lücken füllen: Die "blinden Flecken" identifizieren und das fehlende Wissen gezielt erstellen (z.B. durch Selbst-Interviews per Sprachmemo).
4. Maschinenlesbar machen: Das gesamte Wissen in strukturierte Formate wie Markdown (für Menschen und Maschinen lesbar) oder JSON überführen. Ich nutze dafür intensiv KI-Modelle wie Gemini, das riesige Textmengen verarbeiten kann.
5. Zentralisieren: Alles an einem Ort als "Single Source of Truth" ablegen (Sharepoint, Drive, Notion, Confluence, ...)
6. Aktualisieren: Automatisierte Updates einspielen oder SOPs definieren, in welcher Frequenz die Dokumente überarbeitet werden.

Learning 2: "Human in the Loop" ist keine Option, sondern Pflicht.

KI-Agenten machen Fehler. Punkt. Sie sind nicht zu 100 % zuverlässig und kommen bei Ausnahmefällen an ihre Grenzen. Ein Mensch im Kontroll- und Freigabeprozess ist daher absolut zentral, insbesondere wenn Ergebnisse extern verwendet werden sollen.

Mittelfristig denke ich über "Lead Agents" nach – spezialisierte KI-Agenten, deren einzige Aufgabe es ist, die Ergebnisse anderer Agenten zu prüfen und Feedback zu geben.

Aber auch diese werden nie 100% fehlerfrei sein.

Learning 3: Je kleiner die Aufgabe, desto größer der Erfolg.

Beginne nicht mit Aufgaben wie "Entwickle eine komplette Marketingkampagne". Starte besser mit einer kleinen, klar definierten Aufgabe. Gute Kandidaten dafür sind wiederkehrende, zeitintensive und textbasierte Aufgaben, die möglichst wenige Zugriffe auf Drittsysteme benötigen. Sammle erst Erfahrungen, dann steigere die Komplexität.

Learning 4: Schaffe eine "Single Source of Truth" für deine Agenten.

Wenn mehrere Leute an Agenten arbeiten, entsteht schnell Chaos. Es ist essenziell, ein zentrales System aufzusetzen, in dem für jeden Agenten der aktuelle System-Prompt, der Status, die genutzten Tools und die angebundene Wissensbasis dokumentiert sind. Ich nutze dafür eine Datenbank in Notion, in der jeder Agent mit allen Einstellungen hinterlegt ist.

Learning 5: Das Tool ist nicht die Lösung.

Der Erfolg hängt nicht vom Tool ab, sondern vom System-Prompt, der Wissensbasis, dem Zugriff auf Tools und der Klarheit des Workflows. Ich habe selbst Tools wie n8n, Gumloop, Make, Zapier, Lindy, ChatGPT, Gemini, Claude und Langdock evaluiert und jedes hat Stärken und Schwächen.

Meine Empfehlung: Entscheide dich für ein Tool, das zu deinen Kernanforderungen passt, und implementiere es konsequent, anstatt ständig hin- und herzuwechseln. Der Markt entwickelt sich so schnell, dass sich die Funktionsumfänge ohnehin immer weiter annähern.

Learning 6: Integriere Agenten fest in deine dokumentierten Prozesse.

Damit Agenten im gesamten Team genutzt werden, dürfen sie kein "Nice-to-have" sein. Ihre Nutzung muss ein fester, verbindlicher Schritt in der offiziellen Prozessdokumentation sein. Nur so werden sie vom optionalen Gadget zum standardisierten Werkzeug.

Die Zukunft von KI-Teams

Mein KI-Team ist kein statisches Gebilde, sondern ein System, das sich konstant weiterentwickelt. Ich denke dabei nicht mehr nur in einzelnen Assistenten, sondern zunehmend in Teamstrukturen, die auf ein gemeinsames Ziel hinarbeiten.

In der Praxis ist ein solches, vollständig autonomes System heute jedoch noch extrem komplex. Meine Tests haben gezeigt, dass die Output-Qualität und Zuverlässigkeit bei langen, unüberwachten Agenten-Ketten oft noch nicht ausreichen, um mich unterm Strich wirklich zu beschleunigen.

Deshalb liegt der Fokus aktuell weiterhin auf der Erweiterung (Augmentation) mit einem klaren Human-in-the-Loop sowie der Automatisierung von klar abgegrenzten, simplen Einzelaufgaben.

Erweiterte Reasoning-Fähigkeiten in LLMs und zusätzliche Funktionen in den Agenten-Tools werden den Aufbau autonomer KI-Teams jedoch immer einfacher und zuverlässiger machen.

Für mich ist der Weg ganz klar: KI-Agenten werden immer komplexere Aufgaben übernehmen können und in ihrer Arbeitsweise immer autonomer. Das bedeutet, dass Menschen immer weniger klassischen PC-Arbeit selbst ausführen, sondern KI-Agenten orchestrieren.

Wer heute schon sein KI-Team aufgebaut hat, wird von jedem leistungsfähigeren LLM und jedem neuen Agenten-Feature vielfach profitieren.

🏁 Fazit

Der Aufbau eines KI-Teams ist das 2. Level nach der Einführung eines KI-Chatbots.

Der Weg dorthin ist eher eine schrittweise Evolution, als ein ein radikaler Umbruch.

Er erfordert mehr strategische Vorarbeit beim Aufbau von Wissen und Prozessen als technisches Know-how bei der Umsetzung im Tool.

Key Takeaways:

• System statt Zufall: Der Aufbau eines KI-Teams folgt einem klaren 6-Schritte-Playbook, das bei den Business-Aufgaben beginnt, nicht beim Tool.
• Wissen ist der Hebel: 80% des Erfolgs liegen in einer gut strukturierten, maschinenlesbaren Wissensbasis. Ohne sie bleibt jeder Agent ein generisches Werkzeug.
• Klein anfangen, groß denken: Beginne mit einfachen, klar abgegrenzten Aufgaben und einem Menschen im Kontrollprozess. Die Komplexität kann schrittweise gesteigert werden.
• Augmentation vor Automation: Das primäre Ziel ist es, menschliche Fähigkeiten zu erweitern und das bestehende Team schlagkräftiger zu machen. Der Versuch, ganze Jobprofile zu ersetzen, endet meist in Ernüchterung.

Ich wünsche dir viel Spaß und Erfolg beim Aufbau deines KI-Teams!

Bis nächsten Sonntag,

Felix

P.S. Im AI Collective gehen wir weit über die Newsletter-Inhalte hinaus. Unser Mitglieder bekommen Zugriff auf unser AI FIRST KI-Team, alle Vorlagen und eine konkrete Umsetzungsanleitung. Hier erfährst du alles weitere und kannst dich bewerben.