Ende 2025 haben wir in der Agentur unseren Arbeitsansatz von promptbasierter KI auf agentische KI umgestellt. Dafür haben wir eine eigene Harness entwickelt - also eine agentische Arbeitsumgebung, die Orchestrierung, Tools und Systemanbindungen zusammenführt. Sie arbeitet unabhängig vom LLM-Anbieter und erlaubt Modellwechsel ohne grundlegende Umbauten. Inzwischen sind rund 130 Tools integriert - darunter Moco, Jira, Confluence, E-Mail, Google Search Console, Google Analytics 4 und TYPO3.
Das klingt nach viel System. Ist es auch. Aber der eigentliche Lerngewinn lag nicht in der Zahl der Tools, sondern in der Frage, wie daraus verlässliche Arbeit wird.
Agentische KI ist mehr als ein Chat mit Extras
Agentische KI wird oft so beschrieben, als würde aus einem guten Chatfenster einfach eine etwas leistungsfähigere Version derselben Sache. In der Praxis stimmt das nicht.
Der Unterschied beginnt dort, wo aus einer einzelnen Eingabe ein Ablauf wird. Ein agentisches System kann Informationen aus verschiedenen Quellen zusammenführen, Aufgaben vorbereiten, definierte Schritte auslösen oder Ergebnisse in einen Prozess zurückgeben. Es antwortet also nicht nur, sondern arbeitet innerhalb einer Struktur.
Genau darin liegt der Hebel. Und genau dort beginnen auch die Anforderungen.
Unsere agentische Umgebung ist das Betriebssystem dahinter
Wir haben uns bewusst für eine eigene agentische Arbeitsumgebung entschieden. Nicht, weil Eigenbau automatisch klüger wäre. Sondern weil wir ein System brauchten, das Modelle wechseln kann, verschiedene Systeme anbinden lässt und nicht bei jeder neuen Anforderung wieder von vorn gedacht werden muss.
Heute verbindet diese Umgebung viele unserer typischen Arbeitskontexte. Dazu gehören zum Beispiel:
- Moco für Projekte, Zeiten und operative Abläufe
- Jira für Tickets und Prozesssteuerung
- Confluence für Wissen und Dokumentation
- E-Mail für Kommunikation
- Google Search Console und Google Analytics 4 für SEO- und Analysekontext
- TYPO3 für Content, Seiten und Strukturen
Das macht die Arbeitsumgebung leistungsfähig. Aber nicht automatisch klug.
Was wir in der Praxis ziemlich schnell gelernt haben
Unsere wichtigste Erfahrung war überraschend schlicht: Ein starkes System funktioniert nur dann gut, wenn das Team versteht, wie es arbeitet.
Agentische KI verzeiht weniger Unschärfe als ein einfacher Prompt-Dialog. Wer gute Ergebnisse will, muss Aufgaben klar beschreiben, Ziele benennen, Kontext mitgeben und die Logik des Systems mitdenken.
In Gesprächen taucht an dieser Stelle gern ein Satz auf wie dieser:
„Die KI wird schon wissen, was gemeint ist.“
Manchmal ahnt sie es. Verlassen sollte man sich darauf nicht.
Nach einem Jahr Praxis würden wir vier Dinge ziemlich sicher sagen:
- präzise Aufgabenstellungen sind wichtiger als spontane Eingaben
- Kontext entscheidet oft stärker als Modellleistung
- klare Ziele führen zu besseren Ergebnissen
- ohne Verständnis für die Arbeitsumgebung bleibt viel Potenzial ungenutzt
Das erinnert in vielem an gute Softwareentwicklung. Nicht nur das Werkzeug zählt, sondern die Art, wie man damit arbeitet.
Wo der Nutzen wirklich entsteht
Der größte Mehrwert liegt für uns nicht in spektakulären Einzelaktionen. Er liegt dort, wo wiederkehrende Arbeit besser vorbereitet, sortiert und eingeordnet wird.
Besonders gut funktioniert das bei administrativen und koordinierenden Aufgaben. Also überall dort, wo Informationen aus mehreren Systemen zusammengetragen, vorstrukturiert oder für den nächsten Schritt aufbereitet werden müssen. Wenn ein System solche Vorarbeit übernimmt, sparen Teams Zeit und springen seltener zwischen Tools, Tabs und Halbwissen hin und her.
Das ist keine Magie. Aber es ist im Alltag spürbar.
Modellunabhängigkeit klingt technisch, ist aber ein echter Praxisvorteil
Ein Punkt, der für uns schnell wichtig wurde: Wir wollten nicht von einem einzelnen Modellanbieter abhängen. Die eigene Arbeitsumgebung hilft uns dabei, Modelle auszutauschen oder neu zu bewerten, ohne das gesamte System umbauen zu müssen.
Das ist nicht nur eine Architekturfrage. Es ist auch eine betriebliche. Wer agentische Systeme ernsthaft nutzt, muss damit rechnen, dass sich Anbieter, Preise, Fähigkeiten und Rahmenbedingungen verändern. Dann ist es hilfreich, wenn nicht jede Entscheidung gleich die nächste Grundsanierung auslöst.
Was wir daraus für Kunden ableiten
Unsere Erfahrungen bleiben nicht intern. Wir geben sie inzwischen auch in Workshops und Projekten weiter. Nicht als Folklore aus dem Maschinenraum, sondern als ziemlich praktische Ableitung.
Für Kundenteams sind aus unserer Sicht vor allem diese Fragen entscheidend:
- Wie werden Aufgaben so beschrieben, dass ein agentisches System sinnvoll damit arbeiten kann?
- Welcher Kontext ist wirklich nötig?
- Wo hilft Automatisierung - und wo braucht es bewusst menschliche Entscheidung?
- Welche Prozesse profitieren von Vorarbeit, statt nur neue Komplexität zu erzeugen?
An diesem Punkt wird der Unterschied zwischen Demo und Alltag meist sehr schnell sichtbar.
Kontext ist kein Beiwerk
Wenn wir die letzten zwölf Monate auf einen Satz reduzieren müssten, wäre es dieser: Kontext ist kein Beiwerk. Kontext ist Funktion.
Je besser Aufgaben, Ziele, Daten und Rahmenbedingungen beschrieben sind, desto besser arbeiten agentische Systeme. Das gilt intern genauso wie in Kundenprojekten. Agentische KI ersetzt gutes Denken nicht. Sie verstärkt es dort, wo Struktur, Zielklarheit und Prozesslogik vorhanden sind.
Fazit
Agentische KI ist für uns ein starkes Werkzeug - aber kein Selbstläufer. Der eigentliche Nutzen entsteht dort, wo Technik, Prozess und menschliche Entscheidung zusammenpassen.
Dann kann ein solches System administrativen Overhead verringern, Arbeitsabläufe entlasten und Teams bei wiederkehrender Vorarbeit spürbar unterstützen. Nicht als Ersatz für Denken, sondern als Verstärker für gut organisierte Arbeit.