Policy statt Prompt
Was ein Agent darf, entscheidet eine versionierte Policy vor der Ausführung. Prompts können Regeln erklären, aber keine Rechte vergeben. Unbekannte Aktionen scheitern geschlossen.
KI & Agenten
KI, die im Betrieb bestehen muss.
Assistenzsysteme, Agenten und MCP-Integrationen für Unternehmen, die mehr wollen als eine Demo: nachvollziehbare Entscheidungen, klare Freigaben und auf Wunsch vollständig lokal, ohne dass Daten das Haus verlassen.
Keine Folien-Beratung. Ich baue und betreibe diese Systeme selbst, jeden Tag, mit meinen eigenen Daten.
Erst denken, dann prompten
Nicht jedes Problem braucht KI. Und fast keines braucht zehn Agenten.
Der schnellste Weg, mit KI Geld zu verbrennen: eine Agenten-Armada auf ein Problem loslassen, das ein sauberer Workflow gelöst hätte. Der zweitschnellste: aus Skepsis gar nichts tun. Ich arbeite mit einer einfachen Eskalationsleiter, bei der jede Stufe sich gegen die einfachere beweisen muss.
- 01Deterministisch, wenn möglichRegeln, Workflows und klassische Logik sind billiger, schneller und testbar. Vieles, was nach KI aussieht, ist ein Datenproblem.
- 02Ein Modell, ein klarer AuftragEin einzelner, gut geführter LLM-Schritt mit Verifikation löst die meisten echten KI-Fälle: Klassifikation, Extraktion, Zusammenfassung, Entwürfe.
- 03Werkzeuge statt WildwuchsTool-Zugriff, RAG und MCP-Anbindung, sobald das Modell echte Daten lesen und echte Aktionen vorschlagen soll.
- 04Mehrere Agenten, wenn verdientParallele Spezialisten für Review, Recherche oder Analyse sind mächtig, wenn Umfang und Anforderungen sie rechtfertigen. Als Startpunkt sind sie Organisations-Cosplay.
Komplexität ist kein Feature. Sie muss sich verdienen. Und bei den richtigen Anforderungen tut sie das.
Die falsche Analogie
Organisations-Cosplay: Agenten sind keine Belegschaft.
Menschliche Firmen sind hierarchisch organisiert, weil Menschen menschliche Grenzen haben: Niemand kann alles wissen, Aufmerksamkeit ist knapp, Verantwortung muss verteilt werden. Ein LLM hat diese Probleme nicht. Es hat andere: begrenzten Kontext, Fehler, die sich fortpflanzen, keinen eigenen Zustand zwischen den Schritten. Wer trotzdem eine Firma aus Agenten nachbaut, löst Probleme, die es nicht gibt, und erzeugt welche, die es vorher nicht gab.
01
Man baut eine Firma nach
CEO-Agent, Manager, Abteilungen: Die Struktur wirkt vertraut, also wirkt sie richtig.
02
Die Abstimmung beginnt
Jede Linie ist eine Übergabe in Prosa. Kontext geht verloren, Fehler wandern mit, und jede Station kostet Tokens und Latenz.
03
Der Umbau
Weg mit der nachgespielten Hierarchie. Ein LLM braucht keine Kollegen, es braucht klare Verhältnisse.
04
Klare Aufträge, isolierte Kontexte
Deterministischer Code orchestriert. Spezialisten arbeiten parallel, jeder mit eigenem Kontext, ohne geteilten Gruppenchat.
05
Am Ende entscheidet die Prüfung
Tests, Schemas und Policies verifizieren das Ergebnis. Was besteht, wird mit Beleg übernommen.
Abstimmung ohne Informationsgewinn
- Jede Übergabe presst Wissen in Prosa und verliert dabei Kontext.
- Fehler gleichen sich nicht aus, sie multiplizieren sich mit jeder Station.
- Koordination kostet Tokens und Latenz, erzeugt aber keine Information.
- Regeln und Aufgaben sind explizit, nicht in Rollenspiel-Prompts versteckt.
- Reviews laufen in isolierten Kontexten: unabhängige Urteile statt Gruppendenken.
- Geprüft wird deterministisch, mit Tests, Schemas und Policies statt einem Manager-Agenten.
Menschen brauchen Hierarchie, weil Wissen und Verantwortung verteilt werden müssen. Ein Agentensystem braucht das Gegenteil: wenige, klar geschnittene Aufgaben, expliziten Zustand und Prüfungen, die nicht verhandelbar sind. Parallele Spezialisten haben ihren Platz, aber als Werkzeuge mit Auftrag, nicht als Kollegen mit Kalender.
Kontrolle ist das Feature
Agenten, die etwas dürfen, brauchen Regeln, die niemand umgehen kann.
Die Frage ist nie, ob ein Modell beeindruckende Dinge kann. Die Frage ist, was passiert, wenn es danebenliegt. Deshalb baue ich Agenten-Systeme nach Prinzipien, die im Code durchgesetzt werden, nicht im Prompt:
Belege und Rückweg
Jede Aktion hinterlässt einen Beleg. Reversibles bleibt tagelang rückgängig machbar, Löschungen durchlaufen eine Quarantäne mit Wartezeit und Wiederherstellungspunkt.
Freigaben, wo es zählt
Mails senden, Geld bewegen, Infrastruktur ändern: Solche Aktionen kann ein Agent vorschlagen, aber nie selbst auslösen. Die Freigabe bleibt beim Menschen.
Datenzugriff vor dem Modell
Was ein Modell sehen darf, wird entschieden, bevor der Prompt entsteht. Deny-by-default: Nicht freigegebene Daten erreichen das LLM gar nicht erst.
Wie ernst das gemeint ist? In meinem eigenen Agenten-System ist eine komplette LLM-Integration deaktiviert, bis sie sich genauso beweisbar einsperren lässt wie die übrigen. Ein Feature abzuschalten, weil die Sandbox noch nicht dicht genug ist, ist unbequem. Und genau der Grund, warum man einem System vertrauen kann.
Was ich anbiete
Drei Wege, KI in dein Unternehmen zu bringen.
KI-Features in bestehender Software
Assistenz, Klassifikation, Content-Generierung und Vision direkt in deinem Produkt oder internen System, mit Kostenkontrolle, Fallbacks und Leitplanken.
Agenten & MCP-Integrationen
Agenten, die mit deinen echten Systemen arbeiten: eigene MCP-Server für deine Daten und Tools, Orchestrierung, Freigabe-Workflows und Audit-Trail.
Lokal & DSGVO-konform
Wenn Daten das Haus nicht verlassen dürfen: lokale Modelle auf eigener Hardware, lokale Vektorsuche, lokale Sprachverarbeitung. Cloud nur da, wo du es entscheidest.
Im Betrieb
KI, die heute schon arbeitet.
CRM & Operations
AI-Regelassistenz in Custom Flow
Warnregeln, Entscheidungslogik und AI-Assistenz im produktiven CRM einer internationalen Marke, eingebettet in bestehende Prozesse statt daneben.
Event-Commerce SaaS
Die KI-Suite in TicketBuddy
Sitzplan-Erkennung aus Foto oder PDF, Bildgenerierung, SEO-Texte und Übersetzungen in sieben Sprachen, Shop-Assistent mit Leitplanken. Mit inklusivem Kontingent statt Bring-your-own-Key.
Aus dem Labor
J.A.R.V.I.S.: der Agent, an dem ich das alles teste.
Ein Assistent mit vollem Zugriff auf Mail, Projekte, Kalender und Wissen. Möglich, weil alles auf eigener Hardware läuft und nichts die Maschine verlässt. Kein Produkt, sondern mein Labor: Hier entstehen die Muster, die in Kundensysteme gehen, nachdem sie sich im Alltag bewiesen haben.
Code-Review · QA · Security · Architektur · Debugging · Anforderungen · Dokumentation · Root-Cause-Analyse
Läuft täglich mit echten Kunden- und Projektdaten, gerade weil sie lokal bleiben.
LokalModelle, Vektorsuche und Sprache auf eigener Hardware
106 Toolsim eigenen MCP-Server für Claude, Codex & Co.
8 Spezialistenparallele Review-Agenten mit klaren Rollen
Policy-EngineBelege, Undo, Quarantäne, explizite Freigaben
Wissen weitergeben
Vorträge & Schulungen, die enthypen statt verkaufen.
AI 101
60 Minuten Grundlagen für Teams ohne ML-Vorwissen: was KI kann, wo sie versagt und eine Checkliste für verantwortungsvollen Einsatz.
AI Overengineering
Warum mehr Agenten selten mehr Ergebnis bedeuten: der minimale zuverlässige Agenten-Loop und die Eskalationsleiter, bevor Rollen dazukommen.
Agentic Coding
Live-Demo, wie agentisches Arbeiten im Entwicklungsalltag wirklich aussieht, mit Verifikation statt Zirkus.
Neu im Wissen
EU AI Act: Wann müssen KI-Bilder und KI-Texte gekennzeichnet werden?
Ein EU-weiter Praxisleitfaden für Unternehmen mit fiktionalen Bildbeispielen, Checkliste, KI-Kompetenz und offiziellen Quellen.
Der Einstieg
KI-Standortbestimmung: in zwei Wochen wissen, was sich lohnt.
Wir gehen deine Prozesse durch, und du bekommst eine priorisierte Liste konkreter KI-Anwendungsfälle: mit ehrlicher Einschätzung, wo KI das falsche Werkzeug ist, einer Cloud-oder-lokal-Empfehlung inklusive DSGVO-Folgen und einem Umsetzungsplan mit Aufwänden. Festpreis, klares Ergebnis, kein Abo.
Standortbestimmung anfragen
Wenn sich nichts lohnt, steht auch das im Ergebnis.