Das Naheliegende ist nicht immer das Richtige
Die Use Cases aus dem vorigen Teil sind priorisiert. Jetzt geht es um die Lösung, mit der sie laufen, und um die nächste Stufe. Hier gehen wir in die Tiefe, dorthin, wo aus Nutzung echte Wirkung wird.
Bei uns lag eine Lösung sehr nahe. Der Microsoft Copilot war ohnehin im Paket dabei. Der einfachste Weg wäre gewesen, ihn auszurollen und das Thema abzuhaken.
Wir haben es nicht ungeprüft getan. Davor hatten wir die Use Cases gesammelt, und aus ihren Anforderungen ergab sich, was unser zentraler Stack können muss. Dann haben wir verglichen, was für uns die bessere Lösung ist, und nach einer Einführung mit Langdock die Belegschaft mitentscheiden lassen. Gemeinsam, als Team. Heute ist Langdock unser zentraler, modellagnostischer Stack. Das Ergebnis trägt, weil die Menschen es mitgewählt haben.
„Eine Lizenz, die im Paket steckt, ist ein Angebot. Für mich noch keine Strategie.“
Eine Plattform ist die Startbahn für das Nächste
Ein einzelnes Werkzeug löst eine Aufgabe. Eine Plattform macht das ganze Haus schneller, weil andere darauf aufbauen können. Modellagnostisch, wiederverwendbar, und die Teams entwickeln selbst darauf, statt auf eine zentrale Stelle zu warten.
Und genau hier entsteht die nächste Stufe. Aus einfacher Assistenz werden agentische Workflows, die ganze Abläufe übernehmen. Das ist kein Hexenwerk und kein ferner Zukunftstraum. Es ist die logische Fortsetzung, wenn die Plattform stimmt. Die richtige Lösung von heute ist die Startbahn für die Agents von morgen.
Eine Sache habe ich dabei gelernt. Ein einziges Werkzeug wird nie alle Use Cases lösen, es wird immer eine Kombination sein. Welche, das findet jedes Unternehmen für sich. Wir arbeiten aktuell sehr gut mit Langdock und Claude, dazu kommt GitHub Copilot, und wir probieren regelmäßig Neues aus, um zu sehen, was geht. Je zentraler man das steuert, desto besser bleibt der Überblick, gerade bei Token, Kosten und Nutzung.
Wie produktiv eine gute Lösung wird, zeigt ein konkretes Beispiel aus meiner Praxis: wie wir einen Website-Relaunch mit KI in wenigen Wochen gestemmt haben.
Ein Werkzeugkasten löst einzelne Aufgaben. Eine Plattform baut die nächste Stufe gleich mit.
Plattformen als Assets, Agentic als nächste Fähigkeit
Plattformen sind strategische Assets. Sie bestimmen die Geschwindigkeit, senken die Stückkosten durch Wiederverwendung und ermöglichen, KI verantwortungsvoll zu skalieren. Und Technologie allein schafft keinen Vorteil, denn die Werkzeuge sind für alle verfügbar. Der Vorteil entsteht daraus, wie schnell und wiederholbar du sie einsetzt. Auch das AI Transformation Manifesto von McKinsey führt beides als zentrale Punkte.
Die nächste Fähigkeit heißt agentisches Engineering. Moderne Modelle können längere, eigenständige Arbeit übernehmen, was komplexe Workflows möglich macht. Und der Markt zieht an. Laut Oktas AI Agents at Work 2026 setzen schon über die Hälfte der Organisationen Agents aktiv ein. Die Frage ist nur, ob sie dein nächster Vorteil werden oder dein nächstes Aufholthema.
Vom Prototyp zum produktiven Agenten
Mit Langdock binden wir uns nicht an ein Modell. Kommt ein besseres, wechseln wir, ohne alles neu zu bauen.
Mit Langdock und Make bauen wir Abläufe vom Prototyp bis produktiv. Erste Prozesse laufen vollständig automatisiert.
Die Bereiche entwickeln selbst weiter. Die zentrale Stelle gibt die Leitplanken, nicht jeden Klick.
Was ein Team baut, können andere nutzen. Das senkt die Kosten pro Anwendung und beschleunigt das nächste Projekt.
Warum Langdock und was wir gebaut haben:
- Gesucht haben wir einen modellagnostischen und DSGVO-konformen Anbieter, der einfachen Chat und komplexe Workflows kann. Von den Ergebnissen des Microsoft Copilot waren wir nicht überzeugt. Freigegeben sind nur in der EU gehostete Modelle.
- Nach drei Monaten haben wir die Belegschaft gefragt: Womit seid ihr zufriedener, Copilot oder Langdock, und welches Tool würdet ihr abschalten? Das Ergebnis hat die Entscheidung getragen.
- Wir haben Agenten-Templates gebaut und Trainings zu Langdock, Prompt Engineering und Agentenbau gegeben.
- Workflows waren zuerst nur für Champions freigeschaltet, als kleiner Anreiz für den Extra-Weg. Für alle kamen sie erst nach einem Training und einer guten Adoption.
- Produktiv laufen inzwischen agentische Workflows: ein Morning Briefing, ein Ablauf, der Gesprächstranskripte automatisch an die Accounts im Sales anhängt, und einer, der aus deployten Jira-Tickets die Release Notes nach Confluence schreibt.
Die Begeisterung für Agents läuft der Reife voraus
So spannend Agents sind, hier ist Vorsicht angebracht. Das Manifesto sagt es selbst. Die Euphorie für agentische KI eilt oft der Fähigkeit voraus, ihre Risiken zu beherrschen. Ein Agent, der eigenständig handelt, braucht mehr Tests, klare Leitplanken und automatisierte Kontrollen, nicht weniger.
Deshalb baue ich Agents nicht, weil sie gerade everyone macht, sondern dort, wo Plattform, Daten und Vertrauen es tragen. Ohne dieses Fundament ist ein Agent kein Fortschritt, sondern ein Risiko mit Tempo. Womit wir beim nächsten Teil sind. Ohne Vertrauen kein Recht, KI einzusetzen.
Ein Agent ohne Leitplanken bringt selten Fortschritt. Eher Tempo in die falsche Richtung.
McKinsey, The AI transformation manifesto (April 2026), zu Plattformen als strategischen Assets und zu agentischem Engineering.
Okta, AI Agents at Work 2026, zur Verbreitung von KI-Agenten im Unternehmen.
Plattform oder Werkzeugkasten, wie habt ihr entschieden?
Und wie weit seid ihr bei Agents? Ich tausche mich gern über Lösung und nächste Stufe aus.
Phase 3 · Umsetzung · Zuvor: Die wenigen Hebel, die zählen · Als Nächstes: Vertrauen kommt zuerst · Zur Übersicht