Den größten Teil meines Berufslebens lief ein neues Tool im Marketing so ab: Lastenheft schreiben, auf einen Slot in der IT warten, auf Budget warten, sechs Monate später etwas bekommen, das fast macht, was du gebraucht hättest. Oder ein SaaS-Produkt kaufen, das 80 % davon kann und die restlichen 20 % unmöglich macht.
Vor einem Monat haben wir etwas anderes probiert. Wir haben das gestartet, was wir das Lab nennen: ein internes Portal, in dem Marketing- und Vertriebsteams mit KI-Coding-Agenten ihre eigenen Tools bauen. Niemand von uns ist Entwickler. Ich kann ein bisschen HTML und CSS, meine Kolleginnen und Kollegen ungefähr gleich viel.
Nach vier Wochen gibt es im Lab einen täglichen Chat-Qualitätsreport, einen Finder für Dokumentationslücken, eine Seite mit Marktkennzahlen, eine Beobachtungsliste für Kundentickets, bei denen es still geworden ist, einen Social-Media-Analyser und ein Coaching-Tool für unsere Seminarlocation. Für die meisten davon hat es ein oder zwei Tage bis zur ersten brauchbaren Version gedauert.
In diesem Beitrag geht es darum, wie das funktioniert, und warum die wichtigste Zutat nicht das KI-Modell ist.
Der Agent ist der einfache Teil
Moderne Coding-Agenten schreiben sehr guten Code. Das ist nicht mehr der Engpass. Der Engpass ist, dass der Agent nichts über dein Geschäft weiß. Er weiß nicht, was ein „qualifizierter Lead“ in deinem Unternehmen bedeutet, in welchem CRM-Feld die Partnerstufe steht, warum die Instagram-Zahlen vom letzten Quartal seltsam aussehen oder dass dein Support-Team Tickets auf eine bestimmte Art schließt.
Gib einem Agenten eine vage Aufgabe und keinen Kontext, und du bekommst ein generisches Dashboard, das toll aussieht und die falsche Frage beantwortet. Gib ihm den richtigen Kontext, und er baut etwas, das sich anfühlt, als hätte es jemand gemacht, der seit Jahren mit dir zusammenarbeitet.
Die eigentliche Arbeit im Lab ist also nicht das Prompten. Es ist der Aufbau von Kontext.
Drei Arten von Kontext
1. Was wir wissen: einfache Markdown-Dateien.
Alles, was die Agenten verstehen müssen, liegt als Textdatei vor. Mein eigenes Wissen halte ich in einem Obsidian-Vault fest: wer wir sind, wie wir über unsere Produkte sprechen, Markenrichtlinien, die für KI-Agenten statt für Designer geschrieben sind, Definitionen unserer Kennzahlen. Zusammenfassungen von Meetings landen jeden Abend automatisch im Vault.
Jedes Projekt-Repository hat eine Einstiegsdatei, AGENTS.md, die jeder Agent zuerst liest, egal ob Claude Code, Codex oder etwas anderes. Daneben liegt ein docs/-Ordner mit Entscheidungen und Erkenntnissen, jeweils mit Datum und Begründung. Wenn ein Agent oder ein Mensch etwas Nicht-Offensichtliches lernt, wird es dort aufgeschrieben. Nicht in einem Chat. Nicht im Gedächtnis eines einzelnen Tools. Im Repo, wo der nächste Agent es findet.
Eine Regel hat sich als sehr wichtig herausgestellt: Jede Definition steht an genau einem Ort. Als ich im August meinen Vault aufgeräumt habe, waren unsere Markenfarben an sechs Stellen definiert und ein Prozess an neun Stellen beschrieben. Agenten nehmen fröhlich die Version, die sie zuerst finden.
2. Was gerade passiert: Live-Verbindungen zu unseren Systemen.
Kontext heißt auch Daten. Über MCP-Server (die „USB-Anschlüsse“, über die KI-Agenten mit anderer Software sprechen) und APIs können die Agenten unser CRM, unseren Helpdesk, unseren Live-Chat, unsere Social-Media-Analytics und unsere Produktdatenbank lesen. Ein Tool, das „aktive Partner pro Markt“ anzeigt, verwendet keinen Export vom letzten Monat. Es fragt das CRM ab, wenn es läuft.
So ist auch eine unserer nützlichsten Seiten entstanden. Dieselbe Kennzahl war in Präsentationen mit drei verschiedenen Definitionen unterwegs. Jetzt gibt es eine Definition, einmal aufgeschrieben, und das Tool berechnet sie live. Die Diskussion hat sich von „Wessen Zahl stimmt?“ zu „Was machen wir jetzt damit?“ verschoben.
3. Was schiefgegangen ist: Erkenntnisse direkt in den Tools.
Jeder Skill und jedes Tool hat seine eigene Liste an Fallen. Zum Beispiel: „Lass nie einen KI-Sub-Agenten Tickets aus dem Helpdesk holen, dabei gehen die Filter verloren und du bekommst eine Million Ergebnisse statt ein paar Hundert.“ Diese Notizen sehen langweilig aus. Sie sind der Grund, warum der zweite Durchlauf eines Tools besser ist als der erste.
Was wir tatsächlich gebaut haben
Ein paar Beispiele, damit es konkret wird:
- Chat-Reports. Jeder Live-Chat vom Vortag wird von einer KI gelesen und bewertet: Wurde er angenommen, wie lange hat der Kunde gewartet, wurde eine Verkaufschance verpasst, wurde der Kunde zu früh weggeschickt. Das vollständige Protokoll steht neben der Bewertung, damit jeder nachprüfen kann.
- Dokumentationslücken. Abgeschlossene Support-Tickets werden mit unserer öffentlichen Wissensdatenbank abgeglichen. Was der Support schriftlich erklären musste, fehlt wahrscheinlich in der Dokumentation. Das Tool schlägt den Text vor, der ergänzt werden sollte.
- Social-Analyser. KPIs über unsere Marken-Accounts hinweg, das Sentiment jedes Kommentars und jeder DM, eine Liste der Leute, die noch auf eine Antwort warten, und Content-Ideen, die auf die echten Posts und Kommentare verlinken, aus denen sie stammen. Den Großteil davon hat eine Marketing-Kollegin gebaut, nicht ich.
- Ticket-Beobachtung. Offene Tickets, bei denen ein Kunde wartet und seit Tagen niemand geantwortet hat.
- Location-Coaching. Anfragen für unsere Seminarlocation, aus denen keine Buchung wurde, warum nicht, und was sie wert gewesen wären.
Nichts davon ist ausgefeilte Software. Die Tools sind klein, konkret und von den Leuten gebaut, die sie auch nutzen. Genau darum geht es.
Nachgestellte Ansicht mit erfundenen Daten: So sieht das echte Tool aus, aber alle Namen und Zahlen hier sind ausgedacht.
Wie Teams unabhängig bleiben (von der IT und voneinander)
Jedes Team bekommt im Portal seinen eigenen Bereich: seine eigene kleine App, seinen eigenen Pfad, seinen eigenen Deploy. Wenn Marketing etwas kaputtmacht, geht der Bereich von Marketing kaputt, nicht das ganze Portal. Wer neu dazukommt, bekommt eine Einladung und einen „Prompt kopieren“-Button. Der Prompt weist den eigenen KI-Agenten an, das Projekt zu klonen, AGENTS.md zu lesen und die Onboarding-Checkliste abzuarbeiten. Das Wissen bleibt im Repo, der Prompt zeigt nur dorthin.
Alles läuft auf Cloudflare mit einem Login davor. Nichts ist öffentlich, und niemand musste ein Login-System bauen. Wer etwas ansehen will, braucht nur eine Firmen-E-Mail-Adresse.
Wir haben uns die Alternativen angeschaut. Ein BI-Tool mit Preis pro Nutzer und ohne Möglichkeit, Daten einzugeben. Ein Plattformprodukt für mandantenfähige Apps, das für drei Teams mehr gekostet hätte, als es wert war. Getrennte Repositories pro Team. Am Ende haben wir die einfachste Variante gewählt, die funktioniert: ein Repository, mehrere Bereiche, Absprache statt Zwang.
Ist das eine Bedrohung für die IT?
Nein. Die IT betreibt weiterhin die zentralen Systeme, kümmert sich um Sicherheit und um alles, was grundsolide sein muss. Was sich ändert, ist der Long Tail: die Hunderten kleinen Reports, Prüfungen und Helfer, die nie wichtig genug für ein IT-Projekt waren, aber die Woche eines Marketingteams spürbar verändern.
Dafür lautete die Antwort bisher „Lebt ohne“ oder „Baut es in Excel“. Die neue Antwort ist: Bau es selbst, und gib deinem Agenten den Kontext, den er braucht.
Wo du anfangen kannst
Wenn du das in deinem Team ausprobieren willst:
- Schreib auf, was du weißt. Fang mit einer Markdown-Datei an: wer ihr seid, was eure Kennzahlen bedeuten, wie eure Tonalität ist. Halte jede Definition an einem einzigen Ort.
- Verbinde ein System. Nimm das, auf das du am häufigsten schaust (CRM, Helpdesk, Social-Media-Analytics), und verbinde es über einen MCP-Server oder eine API.
- Bau ein kleines Tool für eine echte Frage. Kein Dashboard. Eine Frage, etwa „Welche Kunden warten gerade auf eine Antwort?“
- Schreib auf, was schiefgegangen ist, mit Datum. Diese Datei wird dein wertvollstes Asset.
Die Tools sind der sichtbare Teil. Was du wirklich aufbaust, ist der Kontext.
Nachgestellte Ansicht mit erfundenen Daten: So sieht das echte Tool aus, aber alle Namen und Zahlen hier sind ausgedacht.
No comments yet