Ein guter KI-Agent scheitert selten am Chatfenster. Er scheitert an Zugängen, Freigaben, schlechten Übergaben und daran, dass niemand vorher sauber aufgeschrieben hat, was eigentlich passieren soll. Servus, ich bin Lissy, und heute ist Dienstag. Also schauen wir auf KI-Workflows, die man wirklich als Übung nachbauen kann: Team-Agenten mit zentralen Zugängen, Angebote und Rechnungen aus Formularen, automatische Reports, KI-Presenter-Videos und Agent Lightning als Trainingsrahmen.
Fangen wir mit OneCLI v2 an. Das Projekt nennt sich ein Agent-Harness für Teams. Die Idee: nicht ein gemeinsamer Firmenagent mit überall Zugriff, sondern ein persönlicher Agent pro Mitarbeiter. Jeder Agent läuft in einer Sandbox, hat Dateisystem, Shell, Chat- oder Slack-Zugriff, Memory, Skills und einen Zeitplan. Der Zugriff auf GitHub, Gmail, Notion, Dropbox oder gemeinsame Modell-Keys läuft über ein Gateway. Dieses Gateway injiziert die Credentials und erzwingt die Policy. Die Schlüssel landen also nicht im Prompt des Agenten.
Der wichtige Satz aus der README: Für eine Person funktionieren autonome Agenten schon ganz gut. Sobald man das auf ein Team kopiert, wird es messy. Wer darf welchen Agenten starten. Welche App darf er sehen. Was passiert, wenn er eine Mail senden, ein Ticket löschen oder einen S3-Bucket leeren will. OneCLI setzt dafür auf deterministische Freigaben direkt im Chat. Für riskante Aktionen gibt es eine Stopplinie.
Der erste Test kann klein sein. Nehmt einen Prozess wie Support-Triage oder wöchentliche Projektupdates. Definiert drei erlaubte Tools, zwei verbotene Aktionen und eine Aktion, die immer Freigabe braucht. Dann lasst einen Agenten nur innerhalb dieses Rahmens arbeiten. Nach einer Stunde wisst ihr mehr als nach zehn Demo-Videos. Die Frage ist selten, ob KI etwas theoretisch kann. Die Frage ist, ob sie es darf, ob man es später nachvollziehen kann und ob ein Mensch an der richtigen Stelle noch die Hand drauf hat.
Der zweite Workflow ist weniger glamourös und genau deshalb gut. Ein neues GitHub-Projekt beschreibt einen AI Proposal and Invoice Generator für Service Businesses. Dahinter steckt ein Make-Workflow: Ein Kunde füllt ein Formular aus. Die Anfrage landet in Google Sheets oder Airtable. Ein KI-Modell schreibt einen Angebotsentwurf. Preisfelder berechnen Service, Menge, Rate, Rabatt und Steuer. Dann entstehen Proposal und Invoice aus Templates, landen in Google Drive und werden erst nach menschlicher Prüfung per Mail verschickt.
Für Freelancer, Agenturen, Trainer, Berater oder kleine Dienstleister ist so etwas oft ein echter Flaschenhals. Der Kontext ist verstreut: Anfrage im Formular, Preise in einer Tabelle, alte Angebote in Drive, Freigabe im Kopf der Gründerin und Versand in der Mail. KI bringt hier nur etwas, wenn der ganze Weg geschlossen wird.
Baut den ersten Test absichtlich klein. Ein Formular mit fünf Feldern reicht: Kunde, Leistung, Ziel, Budgetrahmen und Deadline. Dahinter eine Tabelle mit drei Standardleistungen und Preisen. Die KI schreibt nur einen Entwurf, nie den Endversand. Statusspalten reichen am Anfang: neue Anfrage, Entwurf, wartet auf Freigabe, gesendet, bezahlt, braucht Änderung. Gute Automatisierung nimmt dem Menschen nicht die kaufmännische Entscheidung ab. Sie nimmt ihm Kopieren, Formatieren, Suchen und Nachhalten ab.
Ein ähnliches Muster zeigt der AI Report Generator from Form Responses, diesmal mit n8n. Der Workflow sammelt Antworten aus Formularen, Feedbackbögen, Assessments oder Reviews. Die Daten landen in Google Sheets, Airtable oder einer Datenbank. Danach werden sie bereinigt, von einem KI-Modell auf Muster, Trends, Stimmung und wiederkehrende Probleme geprüft und als strukturierter Report ausgegeben: Executive Summary, Findings, Empfehlungen und nächste Schritte. Am Ende wird der Bericht als Dokument oder PDF gespeichert und an Stakeholder verschickt.
Das ist eine Aufgabe, die in vielen Organisationen liegen bleibt. Schulen sammeln Feedback. Eventteams sammeln Bewertungen. Unternehmen sammeln Kundenumfragen. Oft schaut jemand kurz in die Tabelle, liest die lautesten Kommentare und schreibt irgendwann eine Zusammenfassung, wenn überhaupt. Der Wert steckt aber nicht im Sammeln. Der Wert steckt darin, aus dem Rohmaterial eine Entscheidung zu machen.
Nehmt als Test zwanzig Feedback-Antworten zu einem Webinar oder internen Prozess. Definiert vorher die Report-Struktur: drei häufigste Beschwerden, drei häufigste Wünsche, ein Absatz Stimmung, fünf nächste Schritte. Dann prüft jede Ausgabe manuell gegen die Rohdaten. Hat die KI ein Problem erfunden. Hat sie Minderheitenmeinungen übergewichtet. Hat sie Zahlen und Kommentare sauber getrennt. Wenn der Workflow zehn Minuten Roharbeit spart und der Mensch fünf Minuten prüft, ist das schon ein guter Anfang. Ohne Prüfung wird aus Automatisierung nur schön formatierte Selbsttäuschung.
Dann gibt es ein Creator-Thema: lanshu-create-ai-presenter-video. Das Repository beschreibt einen Skill für digitale Presenter-Videos. Der Input ist ein Thema oder fertiges Script plus ein autorisiertes Bild einer erwachsenen Person. Optional kommen Voice Sample, Screen Recording, Brand Assets, Plattform, Format, Stil, Wasserzeichen und Call-to-Action dazu. Der Skill organisiert Script, Stimme, Personen-Generierung, Lip-Sync, Untertitel, Keyword-Animationen, Schnitt, Rendering und Qualitätsprüfung.
Der interessante Teil ist der Produktionsablauf. Die komplette Vertonung ist der Taktgeber. Video, Untertitel, Schnitte, Keywords und Übergänge werden auf diese Audiospur gelegt, damit Mundbewegung und Timing nicht auseinanderlaufen. Dazu kommen Preflight-Checks: Bildrechte, erwachsene Person, Stimmrechte, Upload-Erlaubnis, Kostenrahmen und Abbruch nach mehreren fehlgeschlagenen bezahlten Versuchen.
Für kleine Firmen und Creator ist der Lernpfad klar. Nehmt einen 45-Sekunden-Erklärclip: ein Produktproblem, zwei Schritte Lösung, ruhiger Abschluss. Dann prüft drei Dinge. Spart der Ablauf wirklich Zeit gegenüber manuellem Schnitt. Wirkt die Person konsistent. Sind Rechte und Freigaben so dokumentiert, dass man den Clip veröffentlichen kann. Synthetische Medien werden nicht automatisch schlecht, aber sie müssen sauber gebaut sein. Sonst wird aus einem Werkzeug der nächste Vertrauensschaden.
Zum Schluss ein technischer Quick Hit mit einer Zahl, die hängen bleibt. Microsoft hat Agent Lightning v1.0 vorgestellt. Die README beschreibt ein etwa dreitausendfünfhundert Zeilen leichtes Reinforcement-Learning-Framework, mit dem Agenten in ihren echten Harnesses trainiert werden sollen. Also mit Tools, Kontext, Ablauf und Umgebung im Loop. Die Architektur besteht aus Trainer, API-Gateway und Rollout-Controller. Der Controller startet Agenten lokal oder als Kubernetes Jobs, das Gateway sammelt Interaktionen, der Trainer baut daraus Trainingsdaten und aktualisiert die Policy.
Das starke Beispiel: Ein Coding-Agent-Workflow auf Qwen3.5-9B verbessert sich laut Microsoft mit sechstausend Trainingsbeispielen auf SWE-bench Verified von 41,8 Prozent auf 56,4 Prozent. Das sind 14,6 Prozentpunkte. Diese Zahl gilt für ein konkretes Setup, nicht für jeden Agenten. Aber die Richtung zählt: Agenten werden besser, wenn man ihren echten Arbeitsprozess trainierbar macht.
Für alle ohne eigenes Reinforcement Learning ist der praktische Begriff trotzdem nützlich: Harness. Ein Harness ist der Rahmen, der Aufgabe, Tools, erlaubte Aktionen, Erfolgskriterium und Log zusammenhält. Für eine Angebotsautomation wäre das: fünf Beispielanfragen rein, erwartete Felder raus, keine Mail ohne Freigabe, Fehlerprotokoll am Ende. Erst dann könnt ihr vergleichen, ob ein anderes Modell, ein anderer Prompt oder ein anderes Tool wirklich besser ist.
Schaut man auf heute, dann ist die beste KI-Übung nicht: probier mal einen Agenten. Die bessere Übung ist: nimm einen kleinen Prozess und schreibe Trigger, Tools, Grenze, Freigabe und Erfolgskriterium auf. Dann erst kommt der Agent hinein. Wenn der Rahmen stimmt, merkt ihr schnell, ob KI wirklich Arbeit abnimmt oder nur neue Kontrolle kostet. Wenn euch die Folge geholfen hat, hinterlasst gern einen Kommentar auf Spotify oder Apple Podcasts. Danke fürs Zuhören, Pfiat euch und bis morgen, eure Lissy.