KI-Agenten als CEO-Office: Prozesse autonom steuern und skalieren

Wie entwickelt man KI-Agenten, die nicht nur Aufgaben erledigen, sondern ganze Geschäftsprozesse autonom steuern und sich dabei selbst verbessern? Im AI FIRST Podcast spricht Host Felix Schlenther mit Jonas Ditsun, Gründer und CEO der KI-Agentenplattform Beam. Jonas, der bereits 2022 mit der Vision selbstlernender Agenten startete, als die meisten noch die Grundlagen von ChatGPT erkundeten, gibt tiefe Einblicke in den aktuellen Stand der Technologie. Er erklärt, warum die eigentlichen Hürden nicht mehr technischer Natur sind und wie er selbst ein persönliches KI-System - sein CEO-Office - aufgebaut hat, um eine bessere Version seiner selbst zu werden. Diese Episode ist ein Muss für alle Entscheider:innen und KI-Enthusiasten, die verstehen wollen, wie man den Sprung von einfachen Automatisierungen zu intelligenten, wertschöpfenden KI-Systemen schafft.

Das Wichtigste auf einen Blick

• Der Engpass ist nicht die Technologie, sondern der Mensch: Jonas betont, dass die größten Herausforderungen bei der Implementierung von KI-Agenten heute nicht mehr in den KI-Modellen selbst liegen. Die wahren Bottlenecks sind unzureichend dokumentiertes Prozesswissen, fehlender Zugang zu Systemen und der Mangel an organisatorischem Willen, Veränderungen voranzutreiben.
• Denke in Systemen, nicht in einzelnen Agenten: Erfolgreiche Implementierungen betrachten Agenten nicht als isolierte Werkzeuge, sondern als Teil eines größeren KI-Systems. Ein zentraler Orchestrator steuert spezialisierte Sub-Agenten, die auf einen gemeinsamen Kontext zugreifen und so komplexe, mehrstufige Aufgaben zuverlässig lösen können.
• Selbstlernende Agenten sind Realität: Moderne Agenten-Plattformen ermöglichen es der KI, aus ihren eigenen Ergebnissen zu lernen. Durch interne Feedback-Schleifen, bei denen eine KI die Arbeit einer anderen überprüft, und durch die Analyse externer Daten (z. B. menschliche Korrekturen im ERP-System) verbessern sich die Agenten kontinuierlich.
• Die Zukunft gehört dem Time to Value: Der Fokus verschiebt sich von eindrucksvollen Demos hin zu messbarem Geschäftswert. Die entscheidende Kennzahl wird, wie schnell ein KI-Agent produktiv eingesetzt werden kann und einen spürbaren Nutzen liefert - eine Zeitspanne, die sich von Monaten auf wenige Tage verkürzt.
• Persönliche KI als Leistungsverstärker: Anhand seines eigenen CEO-Office zeigt Jonas, wie man KI nicht nur zur Automatisierung, sondern zur gezielten Verbesserung der eigenen Fähigkeiten nutzen kann. Ein virtueller Beirat aus KI-Personas gibt ihm kritisches Feedback und hilft ihm, bessere Entscheidungen zu treffen.

Vom Chatbot zum selbstlernenden System: Wo KI-Agenten heute stehen

Die Entwicklung von KI hat sich, so Jonas, exponentiell beschleunigt und befindet sich an einem Punkt, an dem sie menschliche Fähigkeiten in vielen kognitiven Aufgaben bereits übertrifft. Während die ersten Modelle wie GPT-3 gut darin waren, Antworten zu formulieren, können heutige Systeme komplexe Aufgaben autonom lösen. Die entscheidende Weiterentwicklung liegt im Selbstlernen. Jonas erklärt, dass dies durch intelligente Feedback-Mechanismen funktioniert. Ein Agent kann eine Aufgabe ausführen, während ein zweiter Agent (oder dasselbe Modell mit einer anderen Anweisung) das Ergebnis bewertet und auf Fehler hinweist. Laut einem Paper von OpenAI können so bereits rund 80 Prozent der Fehler automatisch korrigiert werden. Zusätzlich können externe Daten als Feedback dienen: Wenn ein Mensch eine von der KI erstellte Bestellung im ERP-System korrigiert, kann der Agent aus dieser Differenz lernen und seinen Prozess für die Zukunft anpassen.

Trotz dieser fortschrittlichen Fähigkeiten stoßen Agenten in der Praxis oft an Grenzen, die weniger technischer als organisatorischer Natur sind. Die größten Hindernisse sind laut Jonas der mangelnde Zugriff auf Unternehmenssysteme über Schnittstellen und das implizite, undokumentierte Prozesswissen in den Köpfen der Mitarbeiter. Ein Agent kann einen Rechnungsstellungsprozess zu 99 Prozent korrekt abbilden, scheitert aber an einer alten, nie verschriftlichten Sonderregel für einen bestimmten Fall. Unternehmen sind oft nicht KI-ready, weil ihre Daten und Prozesse nicht für die Automatisierung aufbereitet sind. Wenn diese Grundlagen jedoch stimmen, so Jonas, gibt es technisch kaum noch Grenzen - selbst hochkomplexe Prozesse mit 60 oder mehr Schritten, die eine Mischung aus LLM-Calls und dynamisch erstelltem Code erfordern, sind heute umsetzbar.

Das persönliche KI-Betriebssystem: Ein Blick in das CEO-Office von Jonas Ditsun

Um das Potenzial von KI-Agenten greifbar zu machen, hat Jonas für sich selbst ein umfassendes System gebaut: sein persönliches CEO-Office. Dieses System geht weit über die Automatisierung einfacher Aufgaben hinaus. Zunächst analysierte er seine täglichen Aktivitäten - Meetings, E-Mail-Korrespondenz, Strategieentwicklung - und die dabei genutzten Werkzeuge. Anschließend baute er ein System, das diese Aufgaben nicht nur abbildet, sondern verbessert. Beispielsweise analysiert ein Orchestrator-Agent die Transkripte seiner Meetings, ordnet die Inhalte relevanten Projekten zu und generiert Follow-ups oder Social-Media-Posts.

Der wirklich transformative Schritt war jedoch, eine Ebene der Selbstverbesserung einzubauen. Statt nur seine eigene Arbeitsweise zu spiegeln, schuf Jonas einen virtuellen Beirat aus KI-Personas, die auf den Denkweisen realer Persönlichkeiten wie dem erfolgreichen CEO Frank Sloatman basieren. Diese KI-Berater geben ihm ungefiltertes, kritisches Feedback zu seinen Ideen, Präsentationen oder sogar zu seinen Antworten in Interviews. Anstatt selbst stundenlang an einer Präsentation zu feilen, kann er seine KI-Experten anweisen, eine Präsentation zu erstellen und diese so lange zu iterieren, bis sie eine selbstdefinierte Qualitätsnote von 8/10 erreicht. Dieser Ansatz verkörpert einen fundamentalen Wandel: Es geht nicht mehr darum, die Arbeit selbst zu machen, sondern darum, ein System zu entwerfen, das die Arbeit optimal erledigt. Diese Denkweise eines Systemarchitekten ist laut Jonas die Schlüsselkompetenz der Zukunft.

Eine Firma als KI-System: Wie Beam intern Agenten orchestriert

Was Jonas für sich persönlich aufgebaut hat, skaliert er auch auf sein gesamtes Unternehmen. Bei Beam sind KI-Systeme so tief integriert, dass Jonas allergisch reagiert, wenn Prozesse noch manuell ablaufen. Er spricht dabei weniger von einzelnen Agenten als von ganzen KI-Betriebssystemen für Bereiche wie Produktentwicklung oder Marketing. Diese Systeme bestehen aus einem übergeordneten Orchestrator und vielen spezialisierten Sub-Agenten. Ein Meeting-Transkript wird beispielsweise automatisch analysiert, ein daraus resultierendes Feature-Request wird als Ticket im Projektmanagement-Tool angelegt, priorisiert und mit einer Deadline versehen. Sobald das Ticket gelöst ist, wird die Information zurückgespielt und kann im nächsten Kundengespräch proaktiv kommuniziert werden.

Eine der größten technischen Herausforderungen dabei ist das Context Engineering. Damit ein System aus vielen Agenten zuverlässig funktioniert, muss jeder Agent zur richtigen Zeit genau die richtigen Informationen erhalten - nicht zu viele, um Kosten und Komplexität zu vermeiden, und nicht zu wenige, um Fehler zu verhindern. Die Plattform von Beam ist darauf ausgelegt, diesen Kontext über lange Prozessketten hinweg intelligent zu verwalten und sicherzustellen, dass Fehler frühzeitig erkannt und korrigiert werden, anstatt sich durch das System zu multiplizieren. Dies ermöglicht es, selbst hochregulierte Prozesse mit einer Genauigkeit von über 99 Prozent zu automatisieren.

Praktische Schritte für den erfolgreichen Einsatz von KI-Agenten

Warum gelingt es manchen Unternehmen, mit KI-Agenten echten Geschäftswert zu schaffen, während andere in der Pilotphase stecken bleiben? Basierend auf seinen Erfahrungen mit Kunden identifiziert Jonas klare Erfolgsmuster.

1. Beginne mit einem klaren Geschäftswert: Die erfolgreichsten Projekte starten nicht mit der Frage Was können wir mit KI machen?, sondern mit einem konkreten Problem, dessen Lösung einen messbaren Wert hat - sei es die Einsparung von einer Million Euro pro Jahr in einem ausgelagerten Prozess oder die drastische Verkürzung der Time-to-Hire. Ein starker Business Case erzeugt den nötigen organisatorischen Antrieb, um Hürden zu überwinden.
2. Fokussiere auf gut definierte Prozesse: Beginne nicht mit den komplexesten und unklarsten Aufgaben. Ideal sind Prozesse, die bereits gut dokumentiert und klar definiert sind, wie es oft bei ausgelagerten Dienstleistungen (BPOs) der Fall ist. Diese lassen sich schnell und zuverlässig in KI-Agenten überführen.
3. Schaffe die organisatorischen Grundlagen: Stelle sicher, dass das Prozesswissen explizit dokumentiert ist. Kläre frühzeitig den Zugang zu notwendigen Systemen und plane Sicherheitsaudits ein. Das größte Hindernis ist oft nicht die Technik, sondern ein Mangel an Vertrauen oder die Angst vor Veränderung in der Organisation.
4. Baue Vertrauen durch übermenschliche Präzision: Die Erwartungshaltung an KI ist paradoxerweise höher als an Menschen. Während menschliche Fehler toleriert werden, wird ein Agent oft nach dem ersten Fehler verworfen. Daher ist es entscheidend, die Genauigkeit durch sorgfältiges Training mit allen bekannten Ausnahmefällen (Edge Cases) und kontinuierliche Feedback-Schleifen auf ein extrem hohes Niveau zu bringen und dies auch durch Benchmarks zu belegen.

Die Zukunft ist wertorientiert: Von technischen Demos zu messbarem Geschäftserfolg

Für die nächsten zwölf Monate prognostiziert Jonas eine deutliche Verschiebung in der Wahrnehmung und im Einsatz von KI. Der Hype um den Begriff KI-Agent wird abnehmen und einer nüchternen, ergebnisorientierten Betrachtung von KI-Systemen weichen. Es wird nicht mehr darum gehen, was technisch möglich ist, sondern welchen konkreten Beitrag eine Lösung zur Kundenzufriedenheit oder zur Profitabilität eines Unternehmens leistet. Der entscheidende Erfolgsfaktor wird der Time to Value sein: die Zeit, die von der ersten Idee bis zum produktiven Einsatz eines wertschöpfenden Systems vergeht. Diese wird sich dramatisch verkürzen.

Während die grundlegenden Fähigkeiten der LLMs bereits ausreichen, freut sich Jonas auf weitere Fortschritte bei der Optimierung des Dreiklangs aus Qualität, Geschwindigkeit und Kosten. Günstigere und schnellere Modelle, die die gleiche hohe Qualität liefern, werden es ermöglichen, komplexe KI-Systeme noch wirtschaftlicher und effizienter zu betreiben und damit die Tür für eine noch breitere Adaption in Unternehmen aufzustoßen.