Vor einem Jahr hieß der Vortrag noch „Die KI-Agenten kommen“. Am 22. April 2026 war das Sequel fällig. Tim, KI-Berater, Vereinsgründer und bekennender Techno-Optimist, lieferte einen Abend lang Bestandsaufnahme: Was ist seitdem passiert, was funktioniert wirklich, und wo hängt das Ganze noch?
Tim Neunzig beim KI Klub Werder, direkt vor der Titelfolie des Abends.
Der Knick in den Google-Trends für „KI-Agenten“ war damals gerade sichtbar. Seitdem ist er durch die Decke gegangen, und mit ihm eine Welle aus neuen Architekturen, neuen Tools und neuen Fragen. Im Januar 2025 wurde noch spekuliert. Im April 2026 ging es schon deutlich stärker um echte Erfahrungen, inklusive einiger Reibungen in der Praxis.
Was ein KI-Agent ist, und was nicht
Weil der Begriff gerade für fast alles herhalten muss, startete Tim mit einer klaren Abgrenzung.
ChatGPT im Standardmodus ist kein Agent. Eine normale If-Then-Automatisierung auch nicht. Was einen Agenten ausmacht, sind vier Dinge: Werkzeuge, Gedächtnis, Planung und ein Ziel, das eigenständig verfolgt wird. Ein Agent reagiert auf Zwischenergebnisse. Wenn ein Weg blockiert ist, probiert er einen anderen.
Die Metapher des Abends: eine Maus im Labyrinth. Man setzt sie rein, irgendwo ist Käse, und sie findet den Weg selbst. Wie autonom sie dabei laufen darf, bleibt die eigentliche Designentscheidung. Komplett frei mit maximalen Zugriffsrechten, oder eng geführt mit harten Guardrails. Beides kann sinnvoll sein, je nach Kontext.
Von Prompt Engineering zu Harness Engineering
2024 war Prompt Engineering der Hype. Wie schreibe ich den Befehl, damit das Modell liefert, was ich will? Danach folgte Context Engineering, also die Frage, welches Wissen das Modell kennen muss, damit die Antwort im richtigen Rahmen landet.
2026 steht stärker Harness Engineering im Mittelpunkt. Die Harness, also das Geschirr, ist die gesamte Arbeitsumgebung des Modells. Das Modell ist das Gehirn, die Harness sind Hände, Werkzeuge und Leitplanken zugleich. Sie verbindet Informationsquellen, orchestriert mehrere Agenten und sorgt dafür, dass ein Agent weder zu viel noch zu wenig tut.
Der Vortrag war klar strukturiert, vom Reality Check bis zu den praktischen Konsequenzen für Unternehmen und Vereine.
In der Diskussion wurde mehrfach klar: Der Flaschenhals ist selten nur das Modell. Es ist meist das System drumherum. Genau dort entscheidet sich, ob ein Agent produktiv wird oder nur beeindruckend klingt.
Schleifen, die sich selbst verbessern
Besonders spannend waren zwei Konzepte aus der Open-Source-Welt.
Das erste ist das sogenannte Ralph-Wiggum-Pattern. Ein Subagent bekommt eine frische Context-Session, kennt nur sein Ziel, führt es aus und speichert den Zustand extern. Dann kommt er wieder, sieht, was schon da ist, und verbessert es weiter. Immer wieder, bis ein äußeres Kriterium sagt: gut genug.
Das zweite war Andrej Karpathys Auto-Research-Loop. Hypothese aufstellen, Experiment fahren, messen, verwerfen oder behalten, und das automatisiert über viele Runs hinweg. Die Idee erinnert an evolutionäre Algorithmen: Was besser wird, bleibt. Was schlechter wird, fliegt raus.
Zwischen Theorie und Meme-Kultur, auch das gehört beim KI Klub Werder dazu.
Gerade für Forschung, Content-Workflows und Produktoptimierung steckt darin viel Potenzial. Nicht als Magie, sondern als sauber aufgesetzte Verbesserungsschleife.
OpenClaw, Skills und der Open-Source-Kosmos
Ein weiterer Schwerpunkt war OpenClaw, also ein offener Agenten-Host, der auf dem eigenen Server laufen kann und sich mit E-Mail, Messenger, Smart Home und anderen Systemen verbinden lässt. Dazu kamen Skills, also einfache Markdown-Anleitungen, die einem Agenten erklären, was er tun soll und wie er mit Tools umgeht.
Im Raum war schnell klar: Skills und MCP-Server sind kein Entweder-oder. MCPs geben Zugriff auf echte Systeme. Skills beschreiben, wie dieser Zugriff sinnvoll genutzt wird. Erst die Kombination macht das Ganze wirklich stark.
Wenn alle dasselbe bauen
Was bei den großen Anbietern auffällt: Die Produkte ähneln sich immer stärker. Claude baut Design-Tools, Perplexity baut Coding-Features, klassische SaaS-Anbieter geraten unter Druck. Wenn das Wissen schon in den Modellen steckt, lassen sich viele Produktideen sehr schnell angleichen.
Gleichzeitig endet die Phase der fast-kostenlosen Großzügigkeit. Limits werden enger, teure Modelle verschwinden still aus Bundles, und die Kostenfrage wird realer. Wer KI strategisch einsetzt, muss deshalb genauer hinschauen.
Was das für Unternehmen und Vereine bedeutet
Ein zentrales Motiv des Abends war die Frage, wie Organisationen KI wirklich sinnvoll einsetzen. Nicht nur, um Bestehendes ein bisschen effizienter zu machen, sondern um Prozesse, Produkte und Angebote neu zu denken.
Agenten verändern dabei nicht nur Tools, sondern auch Rollenbilder. Wer KI-nativ arbeitet, verbindet Marketing, Engineering, Design und operative Umsetzung oft viel stärker als früher. Urteilskraft, Stil, Ethik und Verantwortung bleiben dabei menschlich.
Was bleibt
Vor einem Jahr war die Frage: Kommen die Agenten? Heute lautet sie eher: Was machen wir mit ihnen?
Tim gab dem Publikum eine konkrete Hausaufgabe mit: einen repetitiven Prozess auswählen, etwa E-Mails sortieren, Social-Media-Posts vorbereiten oder CRM-Daten strukturieren, und dafür einen ersten Agenten aufsetzen. Holprige erste Schritte sind normal. Die eigentliche Lernkurve beginnt beim Beobachten.
Zum Schluss gab es auch schon den Ausblick auf das nächste Treffen des KI Klub Werder.
Beim nächsten Abend geht es weiter mit Evaluation Driven Development. Also mit genau der Frage, wie man misst, ob ein Agent wirklich gut ist, und wie man Fehlerquoten in den Griff bekommt.
Die Präsentation zum Vortrag als Slideshow
Wer tiefer einsteigen möchte, kann sich hier durch die Originalfolien des Vortrags klicken.