KI-Agenten, GEO und Claude: Was unser erster Upskilling Day für die Kommunikation in 2026 gezeigt hat
Key Takeaways
- KI-Agenten lernen nicht aus Gesprächen: wir geben Kontext, kein Training
- Je mehr Schritte ein Agent autonom ausführt, desto höher die Fehlerwahrscheinlichkeit
- KI-Systeme entscheiden selbst, welche Marken sie nennen und wie sie über sie sprechen
- KI wird wirksam, wenn man versteht, wo sie hilft und wo man bewusst Verantwortung behält
KI in der Kommunikation ist für die meisten Teams inzwischen Alltag. Dennoch merken auch wir immer wieder: Zwischen „Ich kann KI nutzen“ und „Ich habe einen strategischen Weitblick für Entwicklungen“ besteht ein großer Unterschied. Daher haben wir einen Tag lang KI-Agenten zerlegt, über Sichtbarkeit in KI-Antworten diskutiert und Claude live in PowerPoint und Excel getestet.
Der Einstieg: Warum es sich lohnt, KI wirklich zu verstehen
Los ging der Tag mit einem kleinen Experiment. Mit Gandalf AI haben wir getestet, wie ein Sprachmodell auf gezieltes Prompting reagiert – und wie man es dazu bringt, ein geheimes Passwort preiszugeben. Was nach Spielerei klingt, hatte einen klaren Lerneffekt: Es hat uns direkt vor Augen geführt, wie Sprachmodelle auf bestimmte Eingaben reagieren, wo sie Schwächen haben und warum es sich lohnt, ihre Funktionsweise wirklich zu durchdringen. Nicht um KI zu misstrauen, sondern um sie gezielter und verantwortungsvoller einzusetzen. Denn wer versteht, wie ein Werkzeug funktioniert, holt mehr raus.
Was KI-Agenten wirklich können und warum Struktur entscheidet
Der erste große Block kam von Amar und Sofia. Die beiden haben KI-Agenten für uns auseinandergenommen. Nicht im technischen Sinne, sondern so, dass danach wirklich jeder im Raum verstanden hat, woraus ein Agent eigentlich besteht: ein Sprachmodell, Tools, ein Gedächtnis und eine Feedbackschleife.
Was mich persönlich überrascht hat: KI-Agenten lernen nicht aus den Gesprächen, die wir mit ihnen führen. Das klingt erstmal banal, aber ich glaube, viele gehen unbewusst davon aus, dass ein Agent mit jeder Nutzung besser wird. Tut er nicht. Was wir ihm geben, ist Kontext – kein Training. Und genau dieser Kontext entscheidet darüber, wie gut das Ergebnis am Ende ist.
Besonders spannend war die Frage, wo ein Assistent zum Agenten wird. Die Antwort: Ein Assistent macht das, was du ihm sagst. Ein Agent trifft eigene Entscheidungen, wählt Tools aus und führt mehrere Schritte hintereinander aus – ohne dass du jeden einzelnen absegnest. Klingt erstmal gut. Aber genau hier liegt auch das Risiko. Je mehr Schritte ein Agent autonom ausführt, desto höher wird die Fehlerwahrscheinlichkeit. In dokumentierten Fällen sogar bis zu 17-mal höher. Das ist kein Grund, Agenten zu meiden. Aber ein sehr guter Grund, sie richtig aufzubauen. Statt monolithischer Super-Agenten setzen wir bei unseren Projekten auf spezialisierte Sub-Agenten. Jeder von ihnen macht genau eine Sache und ein sogenannter Orchestrator koordiniert sie. Das Ergebnis ist übersichtlicher, leichter zu kontrollieren und einfacher zu reparieren, wenn mal etwas schiefgeht.
GEO: Wie KI-Antworten zur neuen Suchmaschine werden
Dann hat sich das Thema nochmal komplett gedreht. Moritz und Tobi haben uns gezeigt, was passiert, wenn man KI nicht nur als Werkzeug betrachtet, sondern als Kanal. Denn genau das ist sie mittlerweile.
Immer mehr Menschen tippen ihre Fragen nicht mehr in Google ein, sondern stellen sie direkt an ChatGPT, Perplexity oder ähnliche Tools. Und hier wird es spannend: Diese Systeme liefern keine Linkliste, sondern eine fertige Antwort. Eine einzige. Und in dieser Antwort entscheidet die KI, welche Marken sie erwähnt, welche sie empfiehlt – und welche sie einfach weglässt.
Genau hier setzt Generative Engine Optimization an – kurz GEO. Bislang haben wir GEO als reine Sichtbarkeitsanalyse verstanden. Doch dank eines neuen Ansatzes können wir mittlerweile auch das Sentiment bewerten. Dafür analysieren wir systematisch, wie KI-Systeme über Marken und Themen sprechen. Taucht eine Marke überhaupt auf? Und wenn ja – in welchem Kontext? Wird sie empfohlen oder eher kritisch eingeordnet? Diese Art von Sentiment-Analyse für KI-Antworten ist noch neu, aber sie wird für Marken schnell unverzichtbar.
Claude in der Microsoft-Suite: Produktivität, die man sehen kann
Zum Abschluss demonstrierten Moritz und Amelie live die Claude-Integration in PowerPoint und Excel. Durch das And In verwandelt Claude PDFs in vollständige Präsentationen inklusive der passenden Speaking-Notes. In Excel entstand mit ebendieser Integration aus Rohdaten mit 69 Tasks in knapp zehn Minuten ein vollständiges Dashboard mit Status-Dropdowns, bedingter Formatierung und Fortschrittsübersicht. Ein Ergebnis, das normalerweise einen ganzen Arbeitstag braucht. Aber – und das war ein Punkt, den Moritz am Ende nochmal betont hat – Claude ersetzt kein Fachwissen. Wenn du nicht weißt, was ein gutes Dashboard ausmacht oder welche KPIs relevant sind, hilft dir auch die schnellste KI nicht weiter. Was sie dir abnimmt, ist die Umsetzung. Die Fleißarbeit. Die Stunden, die du mit Formatierung, Formeln und Layoutfragen verbringst. Und genau das macht sie so wertvoll.
Der Ausklang im Jumanji
Nach einem Tag voller Input, Diskussionen und Live-Demos musste erstmal alles sacken. Und dafür gibt es kaum etwas Besseres als einen entspannten Abend ohne Agenda. Wir sind zusammen ins Jumanji in Hannover gefahren – eine ziemlich coole Location mit Bowling, Billard und jeder Menge Retro-Games. Genau das Richtige, um den Kopf freizubekommen, nachdem den ganzen Tag KI-Agenten, GEO-Strategien und Excel-Dashboards durch den Kopf schwirrten.
Das klingt vielleicht nebensächlich, aber ich glaube, dass genau diese Momente die Upskilling-Days ausmachen. Denn erst wenn ein Team nicht nur zusammen arbeitet, sondern auch zusammen lacht, entsteht eine andere Dynamik: Vertrauen, Offenheit und die Bereitschaft, gemeinsam Neues auszuprobieren.
