Der Agentic-Layer

Herzlich Willkommen zu den AI FIRST Insights! In den letzten Wochen ging es hier viel um das KI-Betriebssystem – die 5 Bausteine, das Skill-Playbook und die Frage, wie KI als System die Grundlage für skalierbare Arbeit bildet. Ein Baustein ist noch offen, auf den ich heute im Detail eingehen möchte: der Agentic Layer.

Skills beschreiben, WAS deine Organisation kann. Sie sind das Kochbuch. Aber wer kocht? Wer steuert die Küche? Und wer startet die Spülmaschine automatisch?

Dafür braucht es den Agentic Layer – die ausführende Schicht auf dem KI-Betriebssystem. Auf dieser Schicht arbeiten bei uns drei verschiedene Agenten-Typen mit drei verschiedenen Rollen. Alle drei sind bewusst „dumm" gehalten – die Intelligenz steckt nicht in den Agenten, sondern im System darunter: in den Skills, dem Kontext und der Governance.

Heute zeige ich dir, welche drei Typen das sind, wie sie zusammenspielen und warum du weniger Agenten brauchst, als du denkst.

Los geht's!

🚀 Final Call: Letzte Chance auf einen Platz im Collective in Q2

Die nächste Kohorte startet im April (Kickoff am 01.04. und erste Session am 10.04.) – und die Plätze sind fast voll. In den ersten 8 Wochen durchläufst du unseren Accelerator Track:

Zwei Live-Sessions pro Woche – Freitag Content-Session (90 Min) + Mittwoch Check-In (90 Min)
Hands-on ab Tag 1 – keine Theorie-Schleifen, direkte Umsetzung
Peer-Gruppen – du arbeitest mit Menschen, die auf demselben Level denken

Nach den ersten Wochen hast Du 5 Bausteine als Basis deines KI-Betriebssystems entwickelt. Anschließend setzen wir darauf auf.

Sichere dir Deinen Platz: ai-first.ai/collective

Typ 1: Der OS-Agent – Augmentation

Der OS-Agent ist der interaktive General Purpose Agent. Er sitzt auf dem gesamten Betriebssystem und wird von einem Menschen getriggert.

So funktioniert er: Du gibst ihm eine Aufgabe → er findet den passenden Skill → lädt den nötigen Kontext → führt die Arbeitsanweisung Schritt für Schritt aus → hält sich an die Governance → liefert das Ergebnis.

Der OS-Agent besteht aus zwei Teilen: einer zentralen OS-Anweisung, die für alle im Team gleich ist, und einem persönlichen Kontext, der individuell pro Person konfiguriert wird. Jeder im Team hat seinen eigenen OS-Agenten, aber alle arbeiten auf demselben Betriebssystem mit denselben Skills und derselben Governance.

Beispiel: Tages-Shutdown & Sprint-Prep

Jeden Abend gegen 19 Uhr sage ich meinem OS-Agenten „Shutdown“. Er findet den Skill „Tages-Shutdown & Sprint-Prep“ und arbeitet eine 4-Phasen-SOP ab:

Tages-Rückblick – Kalender-Check, erledigte vs. offene Tasks, Pipeline-Updates, Content-Status.
Sprint-Plan für morgen – 3 Aufgaben mit großem Einfluss, mit konkreten Zeitslots, basierend auf freien Kalenderblöcken.
Diktat & Delegation – Ich diktiere was getan werden soll und der Agent setzt um: Tasks erstellen, E-Mail-Drafts vorbereiten, Meeting-Briefs schreiben, andere Skills ausführen.
Briefing-Datenbank – Alles wird gespeichert. Die letzten 3–5 Briefings dienen als Compound Context – der Agent erkennt wiederkehrende Muster und offene Loops aus den Vortagen und hilft mir meine Arbeitsweise zu verbessern.

Der OS-Agent hat in seinen Anweisungen keine Ahnung von Tagesplanung. Aber er hat einen Skill, der ihm Schritt für Schritt sagt, was zu tun ist, welchen Kontext er braucht und welche Regeln gelten.

Und genau das gleiche kann er mit 50+ anderen Skills machen.

Typ 2: Die Agenten-Pipeline – Automation

Der OS-Agent wird von einem Menschen getriggert, aber ich will ja nicht nur einen besseren Chatbot nutzen.

Wie entsteht also stärkere Automatisierung?

Dafür gibt es die Agenten-Pipeline: eine Kette aus 5 Agenten, die automatisch abläuft.

Insights Agent – Dokumentiert Meetings, Briefings oder Mails in Datenbanken. Alles, woraus Aufgaben entstehen können.
Aufgaben-Extractor – Zieht alle Aufgaben aus den Insights: „Angebot schicken“, „Referenz-Case aufbereiten“, „Follow-up planen“. Jede Aufgabe landet in der Aufgaben-Datenbank.
Skill Scout – Sucht für jede Aufgabe den passenden Skill. Falls keiner existiert, erstellt er sich einen neuen Skill mit dem „Neuen Skill erstellen“-Skill. So erweitert sich das System.
Skill Executor – Führt den zugewiesenen Skill aus. Parallel für alle Aufgaben.
Feedback Logger – Prüft: Sind Fehler aufgetreten? Gibt es Verbesserungsvorschläge? Alles fließt in die Feedback-Datenbank.

Konkretes Beispiel: Angebot erstellen

Nach einem Kundentermin läuft die Pipeline automatisch los: Der Meeting Insights Agent dokumentiert das Gespräch → der Aufgaben-Extractor erkennt „Angebot erstellen für Firma XY“ → der Skill Scout findet den Skill „Angebot erstellen“ → der Skill Executor lädt Transkript, Kundenhistorie, Preisliste und Template, arbeitet die SOP ab → ein Angebot-Draft liegt bereit → der Feedback Logger dokumentiert die Ausführung.

Warum 5 einzelne Agenten statt einem?

Ein Agent, der all das alleine macht, ist regelmäßig abgestürzt. Zu viel Kontext, zu viele Schritte, zu viele Fehlerquellen. Die Lösung: Ein Agent = eine Aufgabe. Jeder ist schlank, zuverlässig und unabhängig verbesserbar.

Gleichzeitig sind alle 5 Agenten so aufgebaut, dass sie jede Arbeit ausführen können.

Über Stati in unseren Datenbanken können wir außerdem Checkpoints einbauen. Statt dass der Skill Executor das Angebot direkt erstellt, kann ein Status „Warte auf Freigabe“ dazwischengeschaltet werden. Du reviewest erst die extrahierte Aufgabe, bestätigst sie – und erst dann startet die Execution.

Je nach Reifegrad der Prozesse und Kontroll-Bedürfnis können mehr oder weniger Checkpoints eingebaut werden.

Typ 3: Standalone Agenten

Neben dem OS-Agent und der Pipeline gibt es einen dritten Typ: Standalone Agenten. Das sind Agenten für klar abgegrenzte, wiederkehrende Aufgaben, die durch Events oder Zeitpläne getriggert werden.

Wie unterscheiden sie sich von der Pipeline?

Die Agenten-Pipeline ist eine Kette: 5 Agenten, die aufeinander aufbauen, immer mit demselben Einstiegspunkt. Die Pipeline hat einen breiten Scope – von der Dokumentation bis zur Execution, end-to-end.

Standalone Agenten haben eine Aufgabe und einen klaren Trigger. Sie arbeiten unabhängig, greifen aber auf dieselbe Infrastruktur zu – Skills, Kontext, Governance.

Beispiel: Der Lead Dossier Agent

Wenn ein Lead-Formular eingeht, wird automatisch ein Lead im CRM angelegt und ein vollständiges Dossier zum Kontakt recherchiert. Event-getriggert, vollautomatisch, eine klar abgegrenzte Aufgabe. Kein Grund, dafür die ganze 5-Agent-Kette anzuwerfen.

Weitere Beispiele:

Monthly Skill Review – Zeitgesteuert, einmal im Monat. Prüft alle aktiven Skills auf Aktualität und wertet das Feedback aus der Feedback-DB aus.
Content Flywheel – Extrahiert Content-Ideen aus Meetings und speist sie automatisch in den Content Plan.
Email Responder – Klassifiziert eingehende E-Mails und erstellt Antwort-Drafts.

Im Zielbild will ich nur Agenten nutzen, die auf dem Betriebssystem sitzen und sich dynamisch so zusammenbauen, dass sie sämtliche Arbeit erledigen können, die reinkommt. Je nach Aufgabe laden sie sich die passenden Skills, den nötigen Kontext, die relevanten Tools und die geltenden Governance-Regeln.

Gleichzeitig merken wir: Um Robustheit zu erzeugen, braucht es für sehr häufig wiederkehrende Prozesse auch weiterhin ein paar fest definierte Workflows und Agenten, die genau diese eine Sache machen und dafür optimiert sind. Aber: Es sind deutlich weniger als vorher. Und auch diese festen Agenten sind flexibler – weil sie auf denselben Skills und demselben Kontext aufbauen wie alles andere im System. Wenn sich ein Skill verbessert oder der Kontext weiterentwickelt, verbessern sich auch diese Agenten automatisch mit.

🏁 Fazit

Auf dem KI-Betriebssystem arbeitet eine agentische Schicht, welche die Ausführungsschicht darstellt.

Drei Agenten-Typen übernehmen dort unterschiedliche Rollen:

Der OS-Agent – wird von einem Menschen getriggert, augmentiert die tägliche Arbeit.
Die Agenten-Pipeline – läuft automatisch nach Events, verarbeitet Arbeit end-to-end.
Spezialisierte Agenten – übernehmen klar abgegrenzte, wiederkehrende Aufgaben.

Die Wirkung dieser Agenten kommt durch das, worauf sie zugreifen:

Skills – klare Arbeitsanweisungen, die sagen, WAS und WIE.
Kontext – strukturiertes Wissen, damit Agenten nicht im Blindflug arbeiten.
Governance – Regeln, die definieren, wo Autonomie endet und ein Mensch übernimmt.
Tool-Zugriff – Schnittstellen, damit Agenten auch tatsächlich handeln können.

Nachdem ich in den letzten Wochen viel über die Prinzipien, Bausteine und Funktionsweisen des KI-Betriebssystems geschrieben habe, möchte ich verstehen, welche Fragen Dich in diesem Kontext beschäftigen oder was dich eventuell noch davon abhält, in dieser Logik KI einzusetzen.

Wir haben bei AI FIRST erfolgreich den Switch gemacht und würden nicht mehr zurückkehren wollen. Ich will möglichst vielen Menschen und Unternehmen helfen, die gleichen Vorteile zu erleben.

Bis nächsten Sonntag,

Felix

P.S. Im April starten wir mit unseren Collective Mitgliedern in den Aufbau des KI-Betriebssystems und werden Schritt-für-Schritt den Prozess mit unserem Enablement Team begleiten. Wenn Du Führungskraft in einem Anwendungsunternehmen bist (keine KI-Beratung), dann bewirb dich noch auf einen der letzten Plätze.

ai-first.ai/collective