Die Agent Economy: Wie KI-Teams die Arbeitswelt verändern

Intro

Sebastian Küpers, Chief Transformation Officer der Plan.Net Group, gibt in dieser Episode tiefe Einblicke in die Welt der AI-Agents und Multi-Agenten-Systeme. Im Gespräch mit Felix Schlenther erklärt er, wie sein Team bereits heute mit über 20 spezialisierten Agenten-Teams arbeitet, warum intellektuelle Fleißarbeit das größte Automatisierungspotenzial bietet und wie sich daraus eine völlig neue Ökonomie entwickeln wird. Küpers zeigt anhand konkreter Beispiele aus der Agenturpraxis, wie Multi-Agenten-Systeme komplexe Wettbewerbsanalysen in einer Stunde erledigen, für die Menschen zuvor Tage brauchten — und warum die eigentliche Herausforderung nicht in der Technik, sondern im Prozessverständnis liegt.

Inhaltsübersicht

Vier Kernkomponenten — Ein AI-Agent besteht aus vier Kernkomponenten: Sprachmodell, Systemprompt, Tool-Integration und Memory-System
Multi-Agenten-Systeme — ermöglichen die Lösung deutlich komplexerer Probleme als einzelne Agenten
20 spezialisierte Agenten-Teams — Die Plan.Net Group setzt rund 20 spezialisierte Agenten-Teams für Wettbewerbsanalysen ein, die Ergebnisse in einer Stunde statt in Tagen liefern
Intellektuelle Fleißarbeit — Tätigkeiten, die gesunden Menschenverstand erfordern, aber keinen kreativen Lösungsprozess — ist das größte Einsatzgebiet für Agenten
Qualitätssicherung — funktioniert über Spezialisierung, ein Vier-Augen-Prinzip durch QA-Agenten und systematisches Memory-Training
Memory-Training — erfordert 20 bis 30 Iterationen mit menschlichem Feedback, bevor das Langzeitgedächtnis eingefroren wird
Prozesswissen statt Technik — Die technische Implementierung ist keine Rocket Science — die Herausforderung liegt im Externalisieren von Prozesswissen
Plattform-Integration — Agenten werden künftig in bestehende Plattformen wie Microsoft Teams und Slack integriert statt in separaten Interfaces
Agent Economy — wird Milliarden von Agenten umfassen, die untereinander handeln, Verträge schließen und Transaktionen abwickeln
Projekt Masumi — Das Plan.Net-Projekt Masumi entwickelt ein Protokoll für diese neue Agenten-Ökonomie
Anpassungsfähigkeit — und kontinuierliches Lernen sind die entscheidenden Erfolgsfaktoren in einer Welt sich beschleunigender Veränderung

Über den Gast

Sebastian Küpers ist Chief Transformation Officer bei der Plan.Net Group, einer führenden Digitalagentur innerhalb der Serviceplan-Gruppe. Er verantworttet alle großen Transformationsthemen des Unternehmens, wobei KI aktuell das größte ist. Seit Anfang 2024 hat er die KI-Strategie der Gruppe grundlegend auf agentische Systeme ausgerichtet und investiert in den Aufbau von Skills, Infrastruktur und Services rund um Multi-Agenten-Systeme. Küpers blickt auf über 25 Jahre Erfahrung in der Digitalbranche zurück und beschäftigt sich intensiv mit der Frage, wie Agenten nicht nur Kundenservices, sondern auch interne Agenturprozesse transformieren.

Detaillierte Zusammenfassung

Die Anatomie eines AI-Agents

Sebastian Küpers erklärt AI-Agents als Software-Applikationen, die autonom Probleme lösen können. Jeder Agent basiert auf vier Komponenten: einem Sprachmodell wie ChatGPT oder Gemini, einem Systemprompt mit Rolle und Arbeitsanweisungen, einer Tool-Integration für API-Zugriffe auf Datenbanken und Marketing-Tools sowie einem Memory-System mit Kurz- und Langzeitgedächtnis.

Der entscheidende Unterschied zu ChatGPT: Bei einem Chatbot arbeitet der Mensch im Ping-Pong-Dialog. Agenten hingegen lösen Probleme eigenständig — entweder allein oder, und das ist die zentrale Erkenntnis der Forschung, in Zusammenarbeit mit anderen Agenten. Diese Multi-Agenten-Systeme sind der eigentliche Durchbruch.

"Momentan, wenn Leute über Agenten sprechen, meinen sie eigentlich immer noch so einen Einzelagenten. Die große Fantasie kommt aber erst auf, wenn du wirklich ein Multi-Agenten-System baust, wo viele Agenten zusammenarbeiten."

Küpers grenzt dabei klar ab: Was Microsoft mit Copilot oder Salesforce mit AgentForce anbietet, sind zunächst einfache Einzelagenten-Lösungen für Business-User. Die Komplexität steigt erheblich, wenn man Ende-zu-Ende-Prozesse mit Multi-Agenten-Systemen automatisiert — aber er ist überzeugt, dass auch diese Plattformen bald Multi-Agenten-Fähigkeiten bieten werden.

Wettbewerbsanalysen: Ein Multi-Agenten-System in der Praxis

Die Plan.Net Group hat mit Wettbewerbsanalysen einen bewusst komplexen Use Case gewählt. Das System umfasst rund 20 spezialisierte Teams mit jeweils zwei bis vier Agenten. Der Prozess läuft in klar definierten Phasen ab.

Zunächst analysiert ein erstes Team die Aufgabenstellung — Kunde, Wettbewerber, Evaluationskriterien — und erstellt eine Outline. Als Suchwerkzeug nutzen die Agenten ExaAI, ein speziell für KI-Anwendungen entwickeltes Such-Tool. Ein Research-Team brainstormt dann Hunderte von Recherche-Aufgaben, die von einer QA-Crew priorisiert und gefiltert werden. Anschließend werden Hunderte spezialisierte Tasks parallel abgearbeitet: Websuchen, YouTube-Analysen, Instagram-Screenshots, Datenbankabfragen.

Die Research-Agenten produzieren dabei große Mengen an Markdown-Analyse-Dokumenten. Weitere Agenten-Teams kämpfen sich durch diesen Research, erstellen Zusammenfassungen, ziehen Vergleiche und schreiben die finalen Kapitel. Am Ende steht ein 30- bis 60-seitiges PDF.

"Du liest dir das durch und denkst, Wahnsinn, da hätten wir früher Tage gebraucht. Und das kommt innerhalb von einer Stunde zustande."

Qualitätssicherung und das Memory-Problem

Küpers beschreibt drei zentrale Ansätze zur Qualitätssicherung. Erstens: Spezialisierung. Jeder Agent hat einen schmalen Scope und bekommt genau die Daten, die er braucht. Das reduziert Halluzinationen, die entstehen, wenn Modelle auf fehlende Informationen mit erfundenem Wissen reagieren.

Zweitens: Ein konsequentes Vier-Augen-Prinzip. Für jeden der Hunderten Tasks gibt es eine erstellende und eine prüfende Crew. Die QA-Agenten überprüfen, ob alle Quellen stimmen, ob Links existieren und ob die geforderte Tiefe erreicht wurde. "Es passiert durchaus viel komische Sachen erstmal", gibt Küpers offen zu.

Der dritte und wichtigste Ansatz ist Memory-Training. In einer Trainingsphase durchläuft das System 20 bis 30 Iterationen derselben Aufgabe mit menschlichem Feedback an jedem Kontrollpunkt. Das Langzeitgedächtnis wird dabei aktiviert, sodass die Agenten aus dem Feedback lernen. Sobald die Qualität stimmt, wird das Memory eingefroren — sonst beginnen die Agenten, Wissen aus verschiedenen Analysen zu vermischen. "Das ist dann leider intellektuelle Fleißarbeit, die nochmal notwendig ist, um die intellektuelle Fleißarbeit loszuwerden."

Die Skills-Frage: Prozesswissen schlägt Programmierkönnen

Eine überraschende Erkenntnis aus den internen Hackathons der Plan.Net Group: Entwickler sind eher enttäuscht, weil der Programmieranteil gering ist. "Jeder, der in der Lage ist, einen dreitägigen Python-Grundkurs zu machen, ist relativ schnell in der Lage, mit einem Framework wie CrewAI zu arbeiten."

Die eigentliche Herausforderung liegt im Prozessverständnis. Man braucht die Wissensträger im Unternehmen — Menschen, die strukturiert erklären können, wie sie ihre Arbeit machen. Küpers beobachtet zwei Typen: Strukturierte Menschen, die ihre Arbeit gut dokumentieren und verbalisieren können, und solche, die ihren Job nur zeigen können, indem sie ihn ausführen. Letztere tun sich schwer, Agenten-Workflows zu gestalten. "Das Entwickeln von Agentensystemen ist vielmehr ein Prozessthema und ein Knowledge-Management-Thema, als dass es eine große Entwicklerherausforderung ist."

Die Vision: Agent Economy und das Projekt Masumi

Küpers ist überzeugt, dass es in Zukunft Milliarden von Agenten geben wird, die Interaktionen zwischen Menschen und Unternehmen regeln. Er beschreibt ein konkretes Szenario: Ein Nutzer sagt Siri, er möchte mit seiner Frau über Weihnachten nach New York fliegen — und ein Assistenz-Agent orchestriert dann Agenten der Lufthansa, von Marriott und Uber, um das gesamte Problem zu lösen.

Daraus entstand die Idee für Masumi, ein Protokoll, das diese Agenten-Ökonomie ermöglichen soll. Denn in einer Welt, in der Agenten miteinander handeln, entstehen fundamentale Fragen: Woher weiß man, dass ein Agent wirklich der Lufthansa gehört? Wie beweist man eine Reservierung, die ein Agent getätigt hat? Wie wickelt man Transaktionen zwischen Agenten ab?

Küpers sieht drei Entwicklungsstufen: Erstens werden Agenten immer einfacher zu bauen — auch weil Agenten Agenten bauen können. Zweitens wird es Marktplätze geben, vergleichbar mit App-Stores. Drittens wird das Agenten-Thema irgendwann verschwinden, weil autonome Fähigkeiten in jeder Software selbstverständlich werden. "Es wird in wenigen Jahren keine Software mehr geben, die nicht autonom handeln kann — egal, ob es deine Steuererklärung ist, deine Dating-App oder dein Online-Banking."

Integration in den Unternehmensalltag

Statt neue Organisationsstrukturen aufzubauen, setzt die Plan.Net Group auf einen föderierten Ansatz: Das Creative Studio Plan.Net Studios fungiert als Inkubator, aber das Ziel ist, jede Agentur im Verbund zu befähigen, selbst mit der Technologie zu arbeiten. Hackathons und interne Tools sollen das ermöglichen.

Für die breite Nutzung sieht Küpers die Integration in bestehende Plattformen als entscheidend. Mitarbeiter werden über Microsoft Teams oder Slack mit Agenten interagieren — nicht über separate Interfaces. Ein persönlicher Assistent fungiert dabei als Broker, der den Nutzer mit dem richtigen Agenten-Schwarm verbindet. Die Vermenschlichung von Agenten vermeidet das Team bewusst: "Es ist halt kein Mensch. Es ist ein System, was autonom Probleme lösen kann."

Kernaussagen

Intellektuelle Fleißarbeit — "Wir sehen das größte Potenzial darin, intellektuelle Fleißarbeit mit Agenten zu machen. Das sind Dinge, die gesunden Menschenverstand bedarfen, aber nicht unbedingt einen großen kreativen Lösungsprozess beinhalten."
Pareto-Prinzip — "Agenten sind so unwahrscheinlich Pareto. Das sind Ergebnisse, die so 80 Prozent gut sind. Und die Tatsache, dass man diese 80 Prozent in einem Bruchteil der Zeit bekommt und vielleicht noch die letzten 20 Prozent als Mensch machen muss, das ist einfach ein riesiger Gewinn."
Prozess statt Code — "Das Entwickeln von Agentensystemen ist vielmehr ein Prozessthema und ein Knowledge-Management-Thema, als dass es eine große Entwicklerherausforderung ist."
Agent Economy — "Ich glaube, dass wir auf eine Welt hinauslaufen, in der es Milliarden von Agenten geben wird. Die werden miteinander Probleme lösen, miteinander handeln, miteinander Geld bewegen, miteinander Verträge abschließen und Geschäfte machen."
The Sky is the Limit — "Ich bin mittlerweile echt nicht mehr so konservativ. Ich habe mich in den letzten zwei Jahren so oft selber falsch gelegen, weil ich immer zu konservativ gedacht habe. The sky is the limit."

Fazit und Takeaways

Für Unternehmen, die mit AI-Agents starten wollen

Mit spezifischen Fragestellungen beginnen: Wettbewerbsanalysen, Recherche und Content-Prüfung sind ideale Einstiegspunkte — nicht der global-galaktische Vergleich, sondern gezielte, klar definierte Aufgaben.
Prozesswissen vor Technik: Die größte Herausforderung ist nicht das Programmieren, sondern das Externalisieren von Arbeitsprozessen. Wer seine Workflows gut dokumentieren kann, hat einen entscheidenden Vorteil.
80 Prozent als Ziel akzeptieren: Agenten liefern schnell ein solides Ergebnis. Die letzten 20 Prozent ergänzt der Mensch — und genau das ist der Produktivitätsgewinn.
In Memory-Training investieren: 20 bis 30 Iterationen mit menschlichem Feedback sind aufwendig, aber der Schlüssel zu zuverlässiger Qualität.

Für Führungskräfte und Strategen

Bestehende Plattformen nutzen: Die Integration in Microsoft Teams, Slack oder Salesforce bringt Agenten in die Breite — separate Interfaces bleiben Power-User-Tools.
Föderiert statt zentral: Statt eine zentrale AI-Abteilung aufzubauen, sollten Teams befähigt werden, selbst mit der Technologie zu arbeiten.
Die Agent Economy mitdenken: Marktplätze für Agenten werden kommen. Unternehmen sollten heute schon überlegen, welche eigenen Services sie künftig als Agenten anbieten können.
Anpassungsfähigkeit als Schlüsselkompetenz: Die Geschwindigkeit der Veränderung ist beispiellos. Wer aufhört zu lernen, verliert den Anschluss.

Für die technische Umsetzung

Multi-Agenten-Systeme statt Einzelagenten: Der echte Durchbruch liegt in der Zusammenarbeit spezialisierter Teams — Research, Schreiber, QA-Agenten in koordinierten Workflows.
Schmale Scopes gegen Halluzination: Jeder Agent bekommt genau die Daten und Tools, die er für seine spezifische Aufgabe braucht. Das reduziert erfundene Inhalte erheblich.
Memory einfrieren nach Training: Langzeitgedächtnis ist mächtig, aber unkontrolliertes Lernen über verschiedene Aufgaben hinweg führt zu vermischten Ergebnissen.

Die Episode zeigt klar: AI-Agents sind keine Zukunftsmusik, sondern werden bereits produktiv eingesetzt. Der Weg von der ersten Begeisterung zu zuverlässigen Ergebnissen erfordert Investition in Prozessverständnis und Qualitätssicherung — aber das Potenzial, intellektuelle Fleißarbeit in einem Bruchteil der Zeit zu erledigen, ist real und messbar.