Der peercode-Weg zum Agenten: fünf Phasen

Wenn ein KI-Agent eurem Team Arbeit abnehmen soll, entscheidet nicht das Modell über den Erfolg, sondern das Vorgehen. Modelle sind heute austauschbar und schnell besser, als man sie einsetzen kann. Der Engpass liegt woanders: im Prozess, in den Daten und im Vertrauen der Menschen, die mit dem Agenten arbeiten sollen. Wir folgen deshalb keinem Hersteller-Framework, sondern einem vendor-neutralen Weg in fünf Phasen. Jede hat ein klares Ziel und einen Grund, warum sie an genau dieser Stelle steht.

Warum überhaupt ein Vorgehen?

Die Versuchung ist groß, mit der Technik zu beginnen: ein Modell wählen, einen Prompt schreiben, eine Demo zeigen. Das führt verlässlich zu Agenten, die in der Vorführung glänzen und im Alltag liegen bleiben (woran das liegt, steht in Warum KI-Agenten am Prozess scheitern). Ein Vorgehen schützt davor, weil es die richtige Reihenfolge erzwingt, erst verstehen, dann schneiden, dann bauen, dann vorsichtig skalieren. So wird der Agent entlang der Arbeit gebaut, statt die Arbeit um den Agenten herum zu verbiegen.

Die fünf Phasen im Überblick

1. 01

   Domäne und Prozess verstehen

   Wir kartieren den Ablauf von Anfang bis Ende, lernen eure Fachsprache und finden die echten Engstellen, domain-driven und mit den Menschen, die täglich darin arbeiten. Warum zuerst: Der Adoptions-Deckel eines Agenten wird vom Prozess und Datenmodell gesetzt, nicht vom Modell. Ohne dieses Verständnis baut man am Bedarf vorbei.

2. 02

   Wenige, wertvolle Workflows wählen

   Wir starten nicht mit allem auf einmal, sondern mit ein, zwei Abläufen mit hoher Frequenz und klarer Wirkung, dort, wo sich Erfolg schnell messen lässt. Wert entsteht durch gezieltes Neu-Verdrahten weniger kritischer Workflows, nicht durch einen Flächen-Rollout, der überall ein bisschen hilft und nirgends richtig.

3. 03

   Prozess neu denken, nicht abbilden

   Welche Schritte entfallen, wenn ein Agent Daten selbst zusammenträgt? Wo schafft ein Mensch echten Wert? Der häufigste Fehler ist, die Vergangenheit zu automatisieren, also bestehende Formulare 1:1 zu digitalisieren. Das sieht in der Vorführung gut aus und bleibt im Alltag liegen, weil der eigentliche Engpass nie angefasst wurde.

4. 04

   Agent bauen: LLM und deterministischer Kern

   Das Modell übernimmt Sprache und Absicht, ein deterministischer Kern die Ausführung und Guardrails: berechtigungs-bewusst, im System of Record und nachvollziehbar. Reifegrad-Modelle bauen stufenweise, erst Fundament und Workflow mit Governance und Transparenz, dann mehr Autonomie. So bleibt der kritische Teil testbar statt Glückssache.

5. 05

   Supervidierte Autonomie und skalieren

   In einer Sandbox validieren eure Fachexpert:innen das Verhalten an echten Fällen. Trägt es, erweitern wir den Autonomiegrad Schritt für Schritt, der Mensch bleibt above the loop. Wir bauen aus, was funktioniert, statt Autonomie zu erzwingen, wo Vertrauen noch fehlt.

Der Mensch bleibt über dem Prozess

Durch alle Phasen zieht sich ein Prinzip: Der Mensch bleibt above the loop, er behält den Überblick und die Entscheidung über kritische Schritte. Autonomie ist kein Schalter, den man am Anfang umlegt, sondern ein Vertrauensvorschuss, den der Agent sich Schritt für Schritt verdient. Den Nutzen messen wir dabei laufend an echten Kennzahlen, nicht am Bauchgefühl der Demo. Was trägt, bauen wir aus. Was nur beeindruckt, lassen wir.

Dieser Weg ist an etablierte Vorgehens- und Reifegradmodelle angelehnt (u. a. McKinsey „Seizing the agentic AI advantage", InfoQ Agentic AI Architecture, Salesforce Agentic Enterprise), übersetzt in ein vendor-neutrales, ehrliches Vorgehen, das eurer Arbeit dient und nicht einem Produktkatalog.