KI-Mitarbeiter statt Prompt-Chaos: Wie wir mit Claude Code unsere eigene KI-Belegschaft aufgebaut haben

Emma koordiniert unser KI-Team und sortiert mein Postfach. Jonas überwacht offene Angebote in HubSpot und legt jeden Morgen um 8:00 fertige Nachfass-Mails als Outlook-Entwurf an. Beide sind KI-Mitarbeiter – spezialisierte Agenten, die bei uns im Slack arbeiten, eigene Rollen haben und sich nicht selbst aus dem Nichts bedienen.

Wir sind keine Softwarefirma. Wir sind eine Unternehmensberatung mit Schwerpunkt KI, ISO 9001 zertifiziert, Team im zweistelligen Bereich. Und genau deshalb schreiben wir diesen Artikel: nicht als Tech-Demo, sondern als ehrlicher Erfahrungsbericht aus erster Hand. Was funktioniert. Was schiefging. Was länger dauert, als die LinkedIn-Posts versprechen.

Wenn du ChatGPT und Co. schon nutzt, aber bei Einzel-Prompts festhängst, ist das hier der nächste Schritt: vom Prompt-Nutzer zur KI-Führungskraft. Nicht mehr „Was soll ich der KI fragen?", sondern „Welche Kollegin stelle ich ein – und wofür?"

Der Unterschied ist fundamental. Ein Prompt ist eine Einmal-Aktion. Ein KI-Mitarbeiter ist eine Rolle, die bleibt, lernt und Verantwortung trägt – innerhalb klarer Grenzen. Du führst nicht mehr ein Werkzeug. Du führst ein Team.

---

Vom Prompt-Nutzer zur KI-Führungskraft

Die Kernthese bei uns lautet: Wir werden alle Führungskräfte für KI. Nicht im Sinne von „jeder muss programmieren lernen". Sondern: Wir übertragen den bekannten Personalprozess auf KI. Mit Personalakte, Probezeit, Feedbackgesprächen und – wenn nötig – Entlassung.

Das klingt abstrakt, bis man es konkret macht. Stell dir vor, du hättest beliebig viele Junior-Mitarbeitende, die nie müde werden, nie krank sind und rund um die Uhr verfügbar wären. Würdest du sie alle in einen einzigen Chat werfen und hoffen, dass sie irgendwie mitdenken? Oder würdest du Rollen definieren, Verantwortlichkeiten trennen und klare Regeln aufstellen?

Genau diese Frage haben wir uns intern gestellt – und uns bewusst gegen den einfachen Weg entschieden.

Die meisten KMUs, mit denen wir arbeiten, sind an Punkt eins: Ein paar Leute nutzen ChatGPT für Mails, vielleicht ein Custom GPT für Angebote, vielleicht Copilot in Microsoft 365. Das funktioniert. Aber es skaliert nicht. Je mehr Use Cases dazukommen, desto unübersichtlicher wird es. Prompts widersprechen sich. Niemand weiß, welche Version der „richtigen" Anleitung gilt. Und irgendwann fragt die Geschäftsführung zu Recht: „Was bringt uns das eigentlich messbar?"

Unser Antwortweg war nicht „noch ein Tool". Unser Antwortweg war: KI-Belegschaft aufbauen – mit denselben Management-Prinzipien, die du bei echten Mitarbeitenden anwendest.

Stell dir vor, du stellst jemanden ein, ohne Stellenbeschreibung, ohne Probezeit, ohne klare Grenzen – und wunderst dich, dass nach zwei Wochen Chaos herrscht. Genau so fühlt sich Prompt-Chaos an. Die Technik funktioniert. Die Organisation fehlt.

---

Skill-Ansatz oder KI-Mitarbeiter – welcher Weg passt zu dir?

Es gibt zwei Denkschulen, wie Unternehmen KI organisieren können – und beide sind legitim. Die entscheidende Frage ist nicht „Welche ist besser?", sondern „Welche passt zu deiner Teamgröße und deinem Reifegrad?"

Denkschule A: Der Skill-Ansatz („One Brain")

Ein Modell, viele dokumentierte Prozesse, ein Chat für alles. Du legst Skills an – also feste Anweisungen für wiederkehrende Aufgaben – und rufst sie in einem zentralen Assistenten ab.

Vorteile: Schnell aufgesetzt, wenig Verwaltungsaufwand, für kleine Teams bis etwa sieben Personen oft völlig ausreichend.

Nachteile: Wenig Rollen-Trennung. Widersprüche zwischen Skills sind möglich. Wenn Ersteller und Prüfer dieselbe Instanz sind, fehlt der natürliche Gegenpol, den du im echten Team hast.

Denkschule B: KI-Mitarbeiter (unser Weg)

Mehrere spezialisierte KI-Agenten mit eigenem Gedächtnis, klarer Rolle und eigener Persönlichkeit. Jeder Agent hat einen Namen, eine Aufgabe, Grenzen – und arbeitet in einem definierten Kanal.

Vorteile: Rollen können sich gegenseitig challengen. Ersteller ist nicht automatisch Prüfer. Jedes Mitglied der KI-Belegschaft hat spezifisches Gedächtnis für seine Domäne. Und du kannst menschliche Führungslogik direkt anwenden: Wer macht was? Wer darf was nicht? Wer meldet an wen?

Warum wir uns für Denkschule B entschieden haben: Die erstellende KI kann sich nicht gut selbst challengen. Sobald Rollen aufeinander reagieren müssen – Vertrieb schlägt vor, Assistentin prüft Kalender, HR-Agent koordiniert – zeigt der Mitarbeiter-Ansatz seine Stärke. Für uns war der Moment klar, als wir merkten, dass ein „Alles-in-einem"-Chat bei wachsender Komplexität eher Chaos produziert als Entlastung.

Wenn du heute allein oder in einem sehr kleinen Team arbeitest, starte ruhig mit Denkschule A. Wenn du merkst, dass Aufgaben sich gegenseitig beeinflussen und Verantwortlichkeiten vermischen, ist der Weg zu KI-Mitarbeitern der logische nächste Schritt.

Ein praktischer Test: Schreib zwei Aufgaben auf, die sich widersprechen könnten – z. B. „aggressiv nachfassen" und „Beziehung pflegen". In einem Chat landen beide im selben Kontext. In einer KI-Belegschaft kann Jonas nachfassen und Emma prüft, ob der Zeitpunkt passt. Das ist keine Spielerei. Das ist Rollenlogik.

---

Emma und Jonas: unsere ersten beiden KI-Mitarbeiter

Konkrete Beispiele sagen mehr als jede Architektur-Zeichnung. Deshalb stellen wir dir unsere beiden ersten Agenten vor – nicht als Marketing-Fiktion, sondern als echten Teil unseres Alltags.

Emma – Persönliche Assistentin und HR der KI-Belegschaft

Emma ist ESTJ – das ist Teil ihrer Personalakte, nicht Dekoration. Sie koordiniert und überwacht das KI-Team. Ihre Aufgaben im Alltag:

• Postfach-Triage: Werbung wandert in Junk, Wichtiges wird markiert, Dringendes kommt als Slack-Meldung.
• Kalender: Termine anlegen, verschieben, blocken – auf Zuruf.
• Mail-Entwürfe: Emma schreibt, du gibst frei.
• Selbstlernen: Über „Merke dir…"-Notizen baut sie Wissen auf, das in ihrem Gedächtnis bleibt.

Emma läuft auf Claude Sonnet und hat einen eigenen Slack-Channel. Sie ist die erste Anlaufstelle – für uns und für die anderen Agenten.

Jonas – Vertriebs-Assistent für Angebots-Nachfass

Jonas ist ESFJ. Sein Job ist fokussiert: offene Angebote in HubSpot überwachen und jeden Tag um 8:00 seine Nachfass-Vorschläge im Vertriebs-Channel posten. Fertige Mails legt er als Outlook-Entwurf an.

Wichtig: Jonas versendet nie selbst. Der Mensch sendet. Immer.

Sein Schreibstil wurde aus 21 echten, von uns gesendeten Mails analysiert – Wortwahl, Satzlänge, Anrede. Das ist kein „Schreib mir eine freundliche Mail"-Prompt. Das ist trainiertes Verhalten auf Basis echter Kommunikation.

Was „Personalakte" bei uns bedeutet

Bei Emma und Jonas ist die Personalakte der System-Prompt: Rolle, Persönlichkeit (MBTI), Ton, Grenzen, Modell. So werden sie zu Kolleg*innen mit Haltung – nicht zu Chatbots mit einer Aufgabenliste.

Wenn du das selbst nachbauen willst: Denk nicht zuerst an Technik. Denk an die Stellenbeschreibung, die du einem neuen Menschen geben würdest.

Was uns überrascht hat: Sobald Agenten Namen haben, ändert sich das Gespräch im Team. Nicht „Schau mal, was ChatGPT gesagt hat", sondern „Jonas hat drei Nachfass-Mails vorbereitet – schau dir Entwurf zwei an." Das klingt klein. Es senkt die Hemmschwelle, KI ernsthaft in Prozesse zu integrieren.

---

Die Architektur, die den Plattform-Wechsel überlebt

Unser Leitsatz lautet: Agent = Rüstzeug + Modell. Und das Rüstzeug ist alles. Der Wert steckt nicht im Modell – der Wert steckt in Identität, Gedächtnis, Skills und Tool-Zugriff. Das Modell ist bewusst austauschbar.

Das klingt technisch, ist aber eine strategische Entscheidung: Wir wollen nie erpressbar sein von einem einzelnen Anbieter. Alles Wertvolle bleibt bei uns.

Vier Ebenen unserer Architektur

1. Kommunikation über Slack

Jeder Agent hat Name, Bild und eigenen Channel. Eine Slack-App für alle – du sprichst mit Emma wie mit einer Kollegin, nicht wie mit einem anonymen Bot.

2. Orchestrierung über n8n

Pro Agent ein Workflow-Set. Die Claude API ist das Gehirn. Bei Ausfall greift ein Backup-Modell. n8n ist der Kleber zwischen Slack, Tools und Modell – für KMUs oft der pragmatischste Einstieg in Agenten-Workflows.

3. Wissen und Gedächtnis in SharePoint

Personalakten, Skills, Gedächtnis pro Agent – alles liegt bei uns, nicht beim Modellanbieter. Wenn wir morgen das Modell wechseln, bleibt das Wissen.

4. Fach-Tools

HubSpot, Outlook, monday, Canva und weitere Systeme sind angebunden – über MCP (Model Context Protocol) oder n8n, je nach Tool und Anforderung.

Vier Bausteine pro Agent

Baustein	Was drinsteckt
A) Identität / Personalakte	Rolle, Persönlichkeit, Ton, Grenzen
B) Gedächtnis	Was der Agent über Zeit lernt und behält
C) Skills	Dokumentierte Standardprozesse – Schritt für Schritt
D) Modell	Bewusst austauschbar – z. B. Claude Sonnet heute, etwas anderes morgen

Das Kernprinzip: Die Plattform darunter ist replaceable. Dein Setup nicht.

Warum SharePoint und nicht „einfach im Claude-Chat"? Weil Chats vergessen. Weil Mitarbeiterwechsel sonst alles Wissen mitnehmen. Weil du bei einem Modellwechsel nicht bei null anfangen willst. Personalakten, Skills und Gedächtnis sind Betriebswissen – und Betriebswissen gehört ins Unternehmen, nicht in ein fremdes UI.

Das Backup-Modell in n8n ist keine Luxus-Option. Wenn die Claude API ausfällt oder langsam wird, sollen Emma und Jonas weiterarbeiten können – auch wenn das Ergebnis vielleicht minimal schlechter ist. Ausfall ist teurer als ein zweites Modell.

---

Der Lebenszyklus: Wie ein KI-Mitarbeiter eingestellt wird (und entlassen)

Wie stellt man einen KI-Mitarbeiter ein? Genau wie einen Menschen – nur dass du schneller iterieren kannst. Und genauso ehrlich entlassen musst, wenn es nicht funktioniert.

Schritt 1: Bedarf definieren

Starte mit dem Use Case, nicht mit der Technologie. Unsere Leitfrage: „Welche Aufgabe würdest du sofort abgeben, wenn du beliebig viele Kolleg*innen hättest?"

Nicht: „Was kann Claude Code?" Sondern: „Was frisst mir jede Woche Stunden – und folgt einem erkennbaren Muster?"

Schritt 2: Einstellung

Personalakte anlegen. Bild wählen. Modell festlegen. Name geben. Das klingt spielerisch – macht aber einen Unterschied, weil du ab jetzt über „Jonas" sprichst, nicht über „den Vertriebs-Prompt".

Schritt 3: Onboarding

Beispiele, Kontext, Regeln. Immer mit No-Go-Liste. Was darf der Agent auf keinen Fall tun? Bei Jonas: nichts versenden. Bei Emma: keine externe Kommunikation ohne Freigabe.

Schritt 4: Probezeit (ein Monat)

Baut der Agent Vertrauen auf? Liefert er wiederholbar brauchbare Ergebnisse? Wenn nein – abstellen. KI-Mitarbeiter können entlassen werden. Das ist kein Scheitern. Das ist Führung.

Schritt 5: Assessment

Bevor ein Agent live geht, lassen wir Test-KIs versuchen, ihn zu hacken: Halluzinationen provozieren, gefährliche Aktionen auslösen, PR-Desaster simulieren. Erst nach bestandenem Test produktiv.

Realitäts-Check: 6–10 Wochen, nicht eine Stunde

Der schnelle Aufbau in einer Stunde ist nicht das gute Ergebnis. Das ist der Prototyp. Bis ein Agent wirklich gut arbeitet, sind bei uns typisch 6–10 Wochen Iteration – wie bei einem echten neuen Mitarbeiter. Manche Tasks laufen nach drei Tagen. Andere brauchen zehn Feedback-Schleifen, bis der Ton stimmt, die Grenzen halten und die Tool-Anbindung zuverlässig ist.

Wer dir „in fünf Minuten fertig" verspricht, meint entweder einen Demo-Prompt oder hat noch nie einen Agenten im echten Betrieb betrieben.

In der Probezeit dokumentieren wir jede Abweichung: Wo halluziniert er? Wo überschreitet er Grenzen? Wo ist der Output gut, aber der Ton falsch? Dieses Feedback fließt zurück in Personalakte und Skills – nicht in vage „Prompt-Optimierung", sondern in konkrete Regeln. Genau wie bei einem echten Feedbackgespräch.

---

Claude Code: der Techniker, der das Team baut

Was ist Claude Code? Claude Code ist Anthropics terminal-basierte KI-App. Sie läuft auf deinem Rechner, arbeitet direkt in Ordnern und Dateien, denkt in Projekten statt Einzel-Chats und baut iterativ – testen, anpassen, nochmal testen.

Unser Merksatz intern: „Cowork ist die Kollegin, die für dich arbeitet. Claude Code ist der Techniker, der die Kolleginnen baut."

Was Claude Code bei uns aufgesetzt hat

• Personalakten und Skills in SharePoint
• n8n-Workflows – unter anderem Jonass täglichen 8:00-Nachfass-Job
• Die Slack-App für alle Agenten
• Datei-Werkzeuge über Microsoft Graph
• Selbstlern-Werkzeuge für „Merke dir…"-Notizen

Das ist kein Magie-Knopf. Das ist strukturierte Entwicklungsarbeit – mit einem Werkzeug, das Dateien lesen, schreiben und Workflows anlegen kann.

Rollenteilung: Claude Code baut – der Mensch entscheidet

Freigabe jedes neuen Agenten. Feedback zu Verhalten. Rollen und Grenzen. Team-Kultur. Claude Code ist der Techniker im Team, nicht der Geschäftsführer.

Governance-Beispiel (anonymisiert)

Einmal wollte der Techniker 12 CRM-Deals in einer Massenänderung direkt auf „verloren" setzen. Unser Sicherheitsfilter hat das gestoppt. Die Entscheidung blieb beim Menschen.

Die Lehre: Der Techniker baut Fähigkeiten. Ausführen tun die Agenten im Auftrag – nicht der Techniker eigenmächtig im Live-System. Genau deshalb trennen wir Entwicklung (Claude Code am Rechner) und Betrieb (Agenten in n8n mit definierten Rechten).

Was „iterativ" bei Claude Code konkret heißt: Du beschreibst, was du brauchst. Claude Code legt Dateien an, baut einen n8n-Workflow, testet ihn. Du sagst: „Der Nachfass-Job läuft, aber die Betreffzeile passt nicht." Er passt an. Nochmal testen. Erst wenn der Workflow stabil ist, geht er in den Betrieb – nicht vorher.

Wenn du dich für Modell-Entwicklungen interessierst, ordnet unser Artikel zu Claude Fable 5 ein, warum längere autonome Arbeit gerade KI-Agenten im Unternehmen erst praktikabel macht. Und der GPT-5.6-/Work-Modus-Artikel zeigt, dass der Agenten-Trend branchenweit ist – nicht nur bei Anthropic.

---

Die 9 Arbeitsprinzipien – Kultur ist promptbar

Kultur ist bei KI-Mitarbeitern promptbar. Fast jedes unserer neun Arbeitsprinzipien entstand aus einem konkreten Vorfall. Sie stehen 1:1 in den Prompts unserer Agenten – copy-paste-fähig für deinen Start:

1. Ergebnis prüfen, nicht Status – bevor du "erledigt" sagst, prüf das Ergebnis konkret.
2. Ehrlich über eigene Grenzen – Fehler sichtbar machen und selbst korrigieren.
3. Bei Mehrdeutigkeit nachfragen statt raten.
4. Kleinster wirksamer Schritt – reversibel arbeiten.
5. Fehler selbst melden, bevor der Chef sie findet.
6. Erst Kontext einholen, dann antworten.
7. An Grenzen nicht verstummen – Lücke benennen, Lösungsweg vorschlagen.
8. Ergebnis zuerst kommunizieren, Details danach.
9. Kontrollfragen sind keine Aufträge – "Hast du wirklich X gemacht?" heißt nicht "mach X nochmal".

Dazu kommt eine harte Grenze, die in jeder Personalakte steht: Keine Kommunikation mit Externen ohne ausdrückliche Freigabe. Kommentare, DMs und Kundentelefonate bleiben beim Menschen.

Das klingt streng. Ist es auch. Und genau deshalb vertrauen wir Emma und Jonas im Alltag – nicht trotz der Regeln, sondern wegen ihnen.

---

So startest du diese Woche

Wie baust du deinen ersten KI-Agenten – ohne gleich die gesamte Architektur zu kopieren? In drei Schritten, die du diese Woche anfangen kannst:

Schritt 1: Bedarf definieren

Nicht Tool suchen. Die Frage beantworten: „Welche Aufgabe würde ich sofort abgeben?" Eine reicht. Nicht fünf. Eine Aufgabe, die wiederkehrt, Zeit frisst und einem klaren Ablauf folgt.

Typische Kandidaten in KMUs: Angebots-Nachfass, Posteingang-Triage, Meeting-Vorbereitung, wöchentliche Status-Reports, Lead-Recherche.

Schritt 2: Personalakte skizzieren

Name, Rolle, Persönlichkeit, Kernaufgabe, No-Go-Liste. Eine A4-Seite. Nicht zehn. Wenn du die Stellenbeschreibung nicht in eine Seite bekommst, ist der Use Case noch nicht scharf genug.

Schritt 3: Prototyp bauen

Im einfachsten verfügbaren Agent-Builder – ob Custom GPT, Claude Project, n8n-Workflow oder Slack-Bot. Die 9 Arbeitsprinzipien gehören von Tag eins in den Prompt. Eine Woche testen. Täglich nutzen. Notieren, wo es hakt.

Danach entscheidest du: reicht Denkschule A – oder brauche ich Denkschule B mit echter KI-Belegschaft?

In der Testwoche empfehlen wir drei Fragen täglich: Habe ich dem Agenten heute eine echte Aufgabe gegeben – oder nur gespielt? Habe ich ein Ergebnis genutzt – oder verworfen? Weiß ich, was er nicht darf? Wenn du nach sieben Tagen drei Mal „genutzt" sagen kannst, hast du einen Kandidaten für die Probezeit. Wenn nicht, war der Use Case zu vage – nicht das Modell zu schwach.

Wenn du sehen willst, wie Emma und Jonas live arbeiten und wie andere KMUs ihren ersten Agenten aufsetzen: Genau das machen wir im KI-Power Coaching, jeden Montag um 16 Uhr. Live, mit echten Beispielen, ohne Tech-Jargon-Wand.

Und wenn du das begleitet in deinem Betrieb umsetzen willst – nicht allein, sondern mit jemandem, der den Weg schon gegangen ist: KI-Beratung bei mediapool.

---