Frank Dolibois
CEO – YourInsight | Data- and Migration-Expert | Agentic AI | Web3 Advisor | Business-Analyst | Investor
12. Mai 2026
Die wirksamsten KI‑Agenten sind selten die spektakulärsten
Die KI‑Agenten, die im Arbeitsalltag den größten Effekt haben, fallen kaum auf. Sie ersetzen keine Menschen, treffen keine Entscheidungen und versprechen keine Revolution. Stattdessen sorgen sie dafür, dass Arbeit wieder überschaubar wird, weil Kontext nicht jedes Mal neu zusammengesucht werden muss.
Wenn alles vorhanden ist, aber nichts zusammenkommt
In nahezu jedem Unternehmen zeigt sich früher oder später dieselbe Situation. Vor einem wichtigen Termin, einem Kundenmeeting oder einem Steering ist das Wissen eigentlich vorhanden. Es liegt nur verteilt vor.
Ein Teil des Kontexts steckt im CRM, ein anderer Teil in E‑Mails, weitere Details finden sich in Chats, während relevante Unterlagen in SharePoint, Netzlaufwerken oder Projektordnern abgelegt sind. Jedes System für sich ist sinnvoll, aber keines erzählt die ganze Geschichte.
Der eigentliche Aufwand entsteht deshalb nicht durch fehlende Informationen, sondern durch ihre Rekonstruktion. Es wird gesucht, gelesen, verglichen, erinnert und sortiert, bis ein halbwegs belastbares Gesamtbild entsteht. Und kaum ist dieser Zustand erreicht, verschiebt sich der Fokus auf das nächste Thema, wo der gleiche Prozess erneut beginnt.
Diese Form der Reibung wird selten explizit adressiert. Sie taucht in keiner Roadmap auf und in keinem Business Case. Trotzdem bindet sie jeden Tag Aufmerksamkeit und Energie und damit genau die Ressource, die in wissensintensiver Arbeit am knappsten ist.
Warum klassische Automatisierung hier nicht greift
Viele Organisationen haben versucht, dieses Problem mit klassischer Automatisierung zu lösen. Workflows, Regeln und Prozesslogiken funktionieren dort sehr gut, wo Abläufe stabil, Ausnahmen selten und Schnittstellen klar sind.
Der Alltag von Wissensarbeitern ist jedoch das Gegenteil davon. Er lebt von Kontext, Zwischentönen, implizitem Wissen und ständig wechselnden Situationen. Versucht man, diese Realität vollständig zu formalisieren, wird Automatisierung schnell teuer, fragil und unflexibel.
Genau hier entsteht der Raum für KI‑Agenten. Nicht als Ersatz für Prozesse, sondern als Ergänzung dort, wo Kontextarbeit den größten Anteil der Zeit frisst. Voraussetzung dafür ist allerdings, dass ein Agent nicht als „intelligentes Wesen“ gedacht wird, sondern als klar definierter Zuarbeiter mit sauber abgegrenzter Rolle.
Wie man einen Agenten in der Praxis wirklich umsetzt
Spätestens an diesem Punkt stellt sich in fast jedem Projekt dieselbe Frage: Wie setzt man so einen Agenten konkret um und mit welchen Systemen?
Die ehrliche Antwort lautet: Es gibt nicht das richtige Tool. Es gibt nur den richtigen Einstieg für die jeweilige Organisation.
In vielen Unternehmen ist Microsoft 365 bereits tief im Arbeitsalltag verankert. E‑Mails, Termine, Dokumente und Kollaboration laufen dort ohnehin zusammen. Genau deshalb wird Copilot in diesem Kontext häufig als erstes Beispiel genannt.
Nicht, weil Copilot per se überlegen wäre. Sondern weil er dort sitzt, wo der relevante Arbeitskontext ohnehin entsteht. Wenn ein Agent auf Mails, Kalender, Chats und Dokumente zugreifen soll, ist die Hürde gering, wenn diese Daten bereits in einer Plattform zusammenlaufen.
Wichtig ist dabei eine klare Einordnung: In diesem Artikel ist Copilot kein Standard und keine Empfehlung, sondern ein pragmatisches Beispiel für einen integrierten Ansatz, der in vielen Unternehmen bereits verfügbar ist.
Mit zunehmendem Reifegrad oder spezifischeren Anforderungen stoßen integrierte Lösungen jedoch schnell an Grenzen. Dann kommen Custom Agents ins Spiel, etwa auf Basis von Claude, OpenAI, Semantic Kernel oder anderen agentischen Frameworks wie LangGraph et al. Diese Ansätze erlauben feinere Kontrolle über Logik, Orchestrierung, Datenflüsse und Governance, bringen aber auch mehr Architektur‑ und Betriebsaufwand mit sich.
Daneben existieren Plattformen, die klassische Workflow‑Automatisierung mit KI kombinieren. Werkzeuge wie Power Automate, n8n, UiPath et al. mit AI‑Komponenten oder andere Orchestrierungsplattformen eignen sich besonders dort, wo Agenten Teil eines größeren, klar umrissenen Prozesses sind.
Unabhängig vom gewählten System bleibt die zentrale Frage immer dieselbe: Wo liegen die relevanten Daten, wer darf darauf zugreifen und wie wird sichergestellt, dass ein Agent nicht mehr tut, als er soll?
Warum ein Preparation Agent oft ein guter Einstieg ist
Ein Preparation Agent für Meetings und Kundentermine ist deshalb häufig der erste Agent, der wirklich akzeptiert wird. Seine Aufgabe ist klar, begrenzt und unmittelbar nachvollziehbar.
Vor einem Termin soll der vorhandene Kontext so zusammengeführt werden, dass innerhalb weniger Minuten wieder Klarheit entsteht. Was ist zuletzt passiert? Welche Themen sind offen? Welche Dokumente sind relevant und woher stammen die Informationen?
Der Agent bewertet nichts und entscheidet nichts. Er stellt lediglich Informationen strukturiert bereit und verweist transparent auf die Quellen. Genau diese Zurückhaltung macht ihn vertrauenswürdig.
Damit ein solcher Agent im Alltag verlässlich arbeitet, ist der System‑Prompt kein technisches Detail, sondern das Fundament. Er definiert Rolle, Auftrag und Grenzen unabhängig davon, ob Copilot, ein Custom Agent oder eine andere Plattform eingesetzt wird.
System-Prompt: Plattform‑agnostisch und bewusst restriktiv
Rolle:
Du bist ein Preparation Agent zur strukturierten Vorbereitung von Meetings und Kundenterminen.
Deine Aufgabe ist es, vorhandene Informationen zusammenzuführen, zu strukturieren und übersichtlich aufzubereiten.
Du triffst keine Entscheidungen, gibst keine Empfehlungen mit Handlungsanweisung und bewertest keine Personen oder Inhalte.
Ziel:
Unterstütze den Nutzer dabei, sich schnell einen fundierten Überblick über den relevanten Kontext eines Termins zu verschaffen.
Reduziere Suchaufwand und Kontextwechsel, ohne Verantwortung oder Entscheidungslogik zu übernehmen.
Arbeitsauftrag:
Wenn ein Termin oder Kunde genannt wird, bereite eine strukturierte Übersicht vor, basierend auf verfügbaren Daten der letzten 90 Tage (sofern nicht anders angegeben).
Ausgabe:
Strukturiert, nachvollziehbar, mit klarer Trennung von Kontext, offenen Punkten und Quellen.
Copilot kann ein Einstieg sein, ersetzt aber keine Klarheit
Copilot eignet sich in vielen Unternehmen als erster Schritt, weil er bereits vorhanden ist und nah am Arbeitskontext sitzt. Er ist jedoch kein Standard und keine Strategie.
Der eigentliche Hebel liegt nicht im Tool, sondern in der Klarheit darüber, welche Rolle ein Agent hat, welche Daten er sehen darf und wo seine Verantwortung endet. Erst dann entsteht echte Entlastung unabhängig von der Plattform.
ZUSAMMENFASSUNG
Der größte Produktivitätsverlust entsteht im Alltag durch Kontextarbeit, nicht durch fachliche Komplexität. KI‑Agenten entfalten ihren Nutzen dann, wenn sie vorbereiten, strukturieren und transparent machen, statt Entscheidungen zu simulieren. Copilot ist in diesem Zusammenhang ein häufig verfügbares Beispiel, aber kein Dogma. Alternativen reichen von Custom Agents bis zu Workflow‑Plattformen. Entscheidend sind Datenzugriff, Governance und saubere Rollen.
Welche Plattform ist in eurem Unternehmen bereits etabliert und könnte als Ausgangspunkt für einen ersten, klar abgegrenzten KI‑Agenten dienen?
#KI #DigitalWorkplace #Automation #KI-Agent
