Blick unter die Haube: Was KI-Agenten im Arbeitsalltag wirklich übernehmen

Was KI-Agenten im Arbeitsalltag wirklich übernehmen

Hoi und herzlich willkomma zu den Büro für KI-Insights 👋🏽

In den letzten sechs Ausgaben habe ich euch unser KI-Betriebssystem von Grund auf beschrieben: Identität, Gedächtnis, Skills, Schnittstellen, Governance und Lernloop.

Das war Architektur. Also eher die Theorie dazu, wie wir das bei uns umgesetzt haben. Was ich eher offengelassen habe: Wie ein Tag damit wirklich aussieht. Welche Aufgaben landen beim Agenten, was kommt zurück, was muss ich selbst nochmals anfassen.

Heute zeige ich dir das mit konkreten Beispielen.

In diesem Newsletter erfährst du:

• Wie kleine Alltagsaufgaben aussehen, wenn ein KI-Agent sie übernimmt
• Was passiert, wenn eine grössere Aufgabe reinkommt und kein fertiger Prozess existiert
• Warum das Modell dabei mehr Rolle spielt als du vielleicht denkst
• Wie du ohne eigenes System anfangen kannst
• Und was wir gerade im Hintergrund bauen

Let's dive in 🤓🤿

Wie unser KI-Agent kleine Alltagsaufgaben übernimmt

Eine KI-Sprechstunde, die sich fast von selbst organisiert

Nach einer Teamschulung bieten wir im Nachgang immer noch eine KI-Sprechstunde an. Genau darum ging es auch hier. Ein Kunde wollte im nächsten Monat einen kurzen Austausch einplanen, ein bestimmter Mittwochnachmittag würde gut passen, zwei oder drei weitere Personen sollten ebenfalls dabei sein, und ein Google-Meet-Termin wurde auch noch gebraucht.

Früher hätte ich das alles selbst zusammengesucht. Kalender öffnen, Zeit prüfen, Termin anlegen, Meet-Link erstellen, Antwort formulieren, nochmals kontrollieren, abschicken. Nichts davon ist schwierig, aber genau solche Schritte ziehen sich durch den ganzen Tag.

Dieses mal habe ich meinem Agenten (läuft bei uns in OpenClaw) einfach kurz beschrieben, dass ich die KI-Sprechstunde aufsetzen will. Wenig später lag der Termin im Kalender, der Meet-Link war erstellt und in meiner Mailbox wartete bereits ein fertiger Antwortentwurf. Ich musste nur noch kurz prüfen, ob alles stimmt, und konnte ihn direkt abschicken.

Mein Aufwand lag bei vielleicht 90 Sekunden.

Das ist kein spektakulärer Moment. Aber genau darin liegt der Wert. Solche kleinen Aufgaben wirken einzeln harmlos und summieren sich trotzdem Tag für Tag.

Eine KIckstart-Rechnung mit zusätzlicher Anforderung

Kurz darauf kam eine andere Anfrage. Eine Workshopteilnehmerin brauchte auf ihrer Rechnung die genauen Kurszeiten, weil ihr Berufsverband diese Angaben für die Weiterbildungsanrechnung verlangt.

Auch dafür gab es keinen vorgefertigten Prozess. Es gab nur die Anfrage und den Kontext.

Der Agent hat das Reglement des Verbands gelesen, die Regelung zu den Lernstunden herausgesucht, die Zeiten korrekt berechnet, die Mittagspause sauber ausgeschlossen, die bestehende Rechnung direkt in unserem CRM (Bexio) angepasst und das aktualisierte PDF abgelegt und dem E-Mail-Entwurf hinzugefügt. Ich habe das Resultat kurz geprüft und die Mail versendet.

Auch hier war nicht der einzelne Schritt beeindruckend, sondern die saubere Kette dazwischen. Aus einer unklaren Anfrage wurde ein korrektes Resultat, ohne dass ich mich selbst durch Reglemente, Kurszeiten und Rechnungslogik arbeiten musste.

Wie unser KI-Agent grössere Aufgaben vorbereitet

Nicht jede Aufgabe ist klein.

Ein Erstgespräch für ein grösseres Unternehmen vorbereiten

Diese Woche stand ein Erstgespräch mit einem grösseren Unternehmen an. Ein Vor-Ort-Termin, mehrere beteiligte Gesellschaften und eine Ausgangslage, die man nicht mit zwei schnellen Sätzen versteht.

Normalerweise heisst das, dass man sich erst durch alte Mails liest, Unterlagen zusammensucht, sich ein Bild von der Firma macht, überlegt, welche Fragen man stellen will, und vielleicht noch eine kurze Präsentation vorbereitet. Wenn man das sauber macht, sind 60 bis 90 Minuten schnell weg.

Diesmal habe ich dem Agenten nur kurz erklärt, worum es geht und was ich für den Termin brauche. Daraufhin hat er die relevanten Mails gelesen, das zugesendete Dokument analysiert, die Software-Landschaft des Unternehmens identifiziert, eine angepasste Präsentation auf Basis unserer Standardvorlage gebaut und die wichtigsten Punkte direkt in Notion eingetragen, damit ich optimal vorbereitet an das Gespräch gehen konnte.

Ich habe am Schluss ein kompaktes Briefing und ein Deck bekommen, mit dem ich sofort arbeiten konnte. Aus 60 bis 90 Minuten Vorbereitung wurden so etwa 5 Minuten Kontrolle. Ich habe die Präsentation geöffnet, zwei drei Kleinigkeiten nachjustiert und war bereit.

Auch hier verschiebt sich meine Rolle. Ich bin nicht mehr derjenige, der alles selbst zusammensucht. Ich prüfe, ob es stimmt, entscheide, was nach draussen geht, und übernehme die Verantwortung für das Ergebnis.

Was passiert, wenn es noch keinen fertigen Prozess gibt

Ein gutes Agentensystem muss nicht für jede Aufgabe bereits eine Vorlage bereithalten. Das zeigt sich vor allem bei Anfragen, die einfach plötzlich auf dem Tisch liegen.

Wenn ein Auftrag nicht in eine Schublade passt

Genau dort wird es im Alltag spannend. Nicht jede Aufgabe ist sauber vorbereitet, nicht jede Anfrage passt auf einen bestehenden Skill, und nicht für alles gibt es schon einen festen Ablauf.

Manchmal ist der Auftrag einfach nur grob umrissen. Etwas prüfen, ein paar Quellen zusammenziehen, relevante Informationen verdichten, einen Entwurf vorbereiten oder eine brauchbare Entscheidungsgrundlage bauen. Also genau die Art von Arbeit, die im Alltag dauernd auftaucht, aber selten sauber dokumentiert ist.

In solchen Momenten zeigt sich, ob ein System nur auf bekannte Muster reagiert oder ob es auch mit offenen Aufgaben umgehen kann. Unser KI-Agent zerlegt den Auftrag, zieht den nötigen Kontext zusammen, arbeitet sich Schritt für Schritt vor und liefert mir einen Zwischenstand zurück, mit dem ich wirklich weiterarbeiten kann.

Der entscheidende Punkt ist für mich aber ein anderer. Gute Arbeit entsteht nur dann, wenn alles da ist, was für die Aufgabe gebraucht wird. Bei uns Menschen ist das nicht anders. Wir brauchen Zugriff auf Tools, Dokumente, Kontext, Wissen und die richtigen Systeme, damit wir einen Auftrag wirklich sauber bearbeiten können. Genau das braucht auch ein KI-Agent.

Für mich ist das der eigentliche Sinn eines KI-Betriebssystems. Dieser Zugang passiert nicht zufällig, sondern wird bewusst aufgebaut, damit der Agent für eine Aufgabe das vorfindet, was er für einen richtig guten Job braucht.

Genau dort liegt für mich der Unterschied zu einem klassischen Chatbot. Ein Chatbot hätte mir erklärt, welche Schritte ich jetzt ausführen soll. Unser System hat die Schritte übernommen und mir das Resultat zurückgegeben.

Warum das richtige Modell dabei entscheidend ist

Bei solchen Ad-hoc-Aufgaben spielt die Wahl des Modells eine grössere Rolle als beim normalen Chatten.

Für agentische Aufgaben arbeite ich aktuell vor allem mit Claude Opus 4.7. Nicht aus Gewohnheit, sondern weil das Modell in diesem Bereich im Moment besonders stark ist.

Der Agent entscheidet selbst, welche Verbindungen er in welcher Reihenfolge nutzt. Er muss mit Fehlern umgehen, Alternativen finden und Resultate prüfen. Das ist keine lineare Abfolge, sondern eher eine kleine Form von operativer Problemlösung.

Opus 4.7 ist darin zurzeit sehr zuverlässig. Das Modell trifft gute Tool-Entscheidungen, bleibt auch dann stabil, wenn etwas nicht auf Anhieb klappt, und findet selbst bei unbekannten Aufgaben oft einen brauchbaren Weg.

Die Modelle werden sich weiterentwickeln. Wir sind Mitte 2026, und in den nächsten Monaten wird nochmals vieles einfacher werden. Was bleibt, ist die Frage, ob darunter ein sauberes Fundament liegt. Genau das macht am Ende den Unterschied.

Wie du ohne eigenes System schon heute davon profitierst

Vielleicht denkst du jetzt: «Schön für dich, aber ich habe kein KI-Betriebssystem.» Das musst du auch nicht. Du kannst trotzdem heute schon einsteigen.

Claude, Langdock und ChatGPT (und andere) bieten mittlerweile Connectors zu Mail, Kalender, Drive, Notion und vielen weiteren Tools. Damit kannst du erste agentische Aufgaben ausprobieren, ohne selbst etwas zu bauen.

Mein Tipp: Starte mit einer kleinen, wiederkehrenden Aufgabe. Etwas, das du sowieso mehrmals pro Woche machst. Beschreibe sie dem Modell wie einer Praktikantin und gib ihm die Berechtigungen, die er für die Aufgabe braucht.

So sammelst du Erfahrung damit, wo agentische Arbeit heute schon zuverlässig funktioniert und wo noch nicht. Genau dieses Gespür ist später Gold wert, wenn du dein eigenes System baust.

Was wir gerade im Hintergrund bauen

Parallel arbeiten wir an unserem eigenen Tool, intern «AgentHub» genannt. Und wir wollen nach Möglichkeit alles, was jetzt in OpenClaw funktioniert hat, in AgentHub überführen und es dann noch spezifischer auf uns anpassen.

Wir haben lange überlegt, ob wir unser KI-Betriebssystem auch auf bestehenden Tools aufbauen sollen und können. Aber irgendwie wäre das alles mit sehr vielen Kompromissen verbunden gewesen.

Deshalb haben wir uns jetzt schliesslich dazu entschlossen, etwas Eigenes zu bauen. Mit enorm hohem Fokus auf Datenschutz, PII (Personally Identifiable Information), Governance und einfach einer tollen Experience.

Mal sehen, wo das hingeht. Wir wollen daraus vor allem viel lernen (auch für unsere Beratungsprojekte) und für uns selbst ein optimal auf uns angepasstes Tool haben.

Wo unser Ansatz heute noch Grenzen hat

• Nicht jeder Auftrag läuft reibungslos. Diese Woche hat der Agent zweimal eine Verbindungslimitierung getroffen und ich musste eingreifen.
• Das System funktioniert, weil ich monatelang daran gearbeitet habe. Der Aufwand für Einrichtung, Fehlersuche und laufende Anpassung ist real.
• Wenn du einem Agenten echten Systemzugriff gibst, trägst du Verantwortung dafür. Datenschutz ist keine einmalige Entscheidung.
• Je mehr Autonomie du dem Agenten gibst, desto wichtiger werden klare Grenzen. Nicht im Prompt, sondern technisch verankert.
• Das System macht mich nicht schneller im Sprint. Es macht mich konstanter über die Woche. Das merkst du erst nach ein paar Monaten.

Key Takeaways

• Der Wert zeigt sich nicht in einzelnen Momenten, sondern in Aufgaben, die einfach nicht mehr auf deiner Liste landen.
• Die eigentliche Verschiebung: Nicht mehr ausführen, sondern prüfen und freigeben.
• Bei agentischen Aufgaben spielt das Modell eine grössere Rolle als beim normalen Chatten. Claude Opus 4.7 ist aktuell für diesen Bereich besonders stark.
• Claude, Langdock und ChatGPT (und andere) ermöglichen diese Arbeitsweise auch immer mehr.
• Wenn du Schnittstellen verbindest, sei dir vorher bewusst, welche Daten wohin gehen.
• Die Modelle werden in diesem Jahr nochmals einen Sprung machen. Wenn du jetzt ein sauberes Fundament hast, merkst du das direkt (Prozesse niederschreiben, Daten aufbereiten, Systeme andocken usw.).

Fazit

Wenn du KI heute nur als Chatfenster anschaust, unterschätzt du, was bereits möglich ist. Spannend wird es dort, wo aus Antworten konkrete Resultate werden, und wo du nicht mehr jede Aufgabe selbst zusammensuchen und vorbereiten musst.

Genau dort beginnt für mich der eigentliche Hebel. Nicht bei spektakulären Demos, sondern bei einem System, das dir im Alltag kleine und grosse Aufgaben sauber abnimmt, damit du dich stärker auf Einordnung, Entscheidung und Qualität konzentrieren kannst.

Ich wünsche dir ein schönes Pfingstwochenende ☀️

Bis nächsten Sonntag 👋🏽

Andreas