AI wird die Agenturarbeit grundlegend verändern.
Schon heute nutzen 98% der Agenturmitarbeitenden AI in ihrer Arbeit (Agency Happiness Report 2026). Sie erwarten zudem, dass die Hälfte der Kreativarbeit innerhalb der nächsten drei Jahre von AI übernommen wird. Ob dieser Blick in Glaskugel Realität wird, wissen wir heute nicht.
So oder so ist es aber essentiell für alle in der Agentur, die wichtigsten AI-Grundlagen wirklich verstehen. Dabei startet man am besten bei den wichtigsten Begriffen, ihrer Definition und wie sie miteinander zusammenhängen.
Chatbot, Agent, MCP, Skill, Human in the Loop – die Begriffe schwirren durch jede Agentur. In diesem Artikel erklären wir die technischen Konzepte einfach und präzise.
[.no-toc]AI in der Agentur: Alle Begriffe erklärt[.no-toc]
LLM
LLM steht für „Large Language Model" (deutsch: großes Sprachmodell). Der Name beschreibt das Funktionsprinzip: Ein LLM sagt Text voraus. Es berechnet auf Basis eures Prompts das jeweils wahrscheinlichste nächste Wort und wiederholt das, bis der Text komplett ausgegeben ist.
Diese Technologie steckt hinter KI-Modellen wie Chat-GPT oder Claude. Hinter jedem Modell steht ein Anbieter, also die Firma, die es entwickelt: GPT kommt von OpenAI, Claude von Anthropic, Gemini von Google.
Warum ist das für Agenturen relevant?
Die Anbieter veröffentlichen regelmäßig neue Versionen ihrer Modelle (erkennbar an Kürzeln wie GPT-5, Claude Sonnet 4.6), die sich in Geschwindigkeit, Kosten und Stärken unterscheiden.
Je nachdem welche Aufgabe ihr mit AI lösen wollt, ergibt es Sinn sich über das passendste Modell zu informieren. Für schnelle Social-Media-Captions reicht ein schnelles, günstiges Modell – für die Tiefenanalyse eines komplexen Briefings ein leistungsstärkeres.
Noch ein Detail, das oft vermischt wird: Der Anbieter des LLM sagt erstmal noch nichts darüber aus, wo (in welchem Land oder Rechenzentrum) es betrieben wird. Es ist also durchaus möglich, ChatGPT direkt von OpenAI und damit meist auf Servern in den USA zu verwenden - aber es gibt eben auch Anbieter, die das selbe Modell in der EU und oft sogar in Deutschland betreiben. So ist es möglich unterschiedliche Modelle, ganz egal, woher der ursprüngliche Anbieter kommt, DSGVO-konform zu nutzen.
Chatbot
Ein Chatbot ist ein LLM mit einer Chat-Oberfläche: Ihr tippt eine Frage ein, der Chatbot antwortet in natürlicher Sprache. Das kennt ihr sicherlich auch ChatGPT, Perplexity usw.
Zusätzlich zum reinen LLM lässt sich hier ein System-Prompt hinterlegen (zum Beispiel eine feste Rolle oder euer Tonfall) und oft gibt es ein Gedächtnis (Memory), das über den einzelnen Chat hinausreicht.
Ein Chatbot ist relevant für alles, was schnell geht und in eurem Kopf bleibt: einen Satz umformulieren, eine Idee gegenchecken, ein Meeting zusammenfassen, das ihr gerade selbst gehört habt. Ihr liefert den Kontext im Moment mit, das reicht.
Anwendungsfälle in der Agentur:
- Eine Ad-Headline in mehreren Tonalitäten durchspielen
- Ein Meeting-Transkript aus dem Jourfixe zusammenfassen
- Einen Fachbegriff aus einem Kundenbriefing erklären lassen
- Eine einfache Recherche durchführen
Für Aufgaben mit mehreren Schritten, wiederkehrende Todos oder Dinge zu Zugriff auf externe Tools oder Wissen benötigen, eignet sich ein Agent.
Kontext
Kontext meint die Summe aller Informationen, die einem LLM gerade zur Verfügung stehen, um eine Aufgabe zu bearbeiten. Zum Beispiel der Prompt, hochgeladene Dateien, der gesamte Chatverlauf, angebundene Tools, usw.
Man kann generell sagen, je mehr relevanter Kontext vorhanden ist, desto präziser die Antwort. Jedes Modell hat aber ein begrenztes Kontextfenster, also die Menge der Information, die es auf einmal verarbeiten kann. Gerade für komplexe Aufgaben kommt es also darauf an, dieses Kontextfenster so gut wie möglich zu nutzen und die Informationen darin so präzise wie es geht vorzubereiten.
Quality is Key
Ganz ähnlich wie im Kurzzeitgedächtnis eines Menschen, ist auch ein LLM verwirrt, wenn es zu viele unterschiedliche, gegensätzliche oder irrelevante Informationen für eine Konkrete Aufgabe sichten muss. Es gilt daher grundsätzlich: Weniger und dafür präziser Kontext führt zu besseren Ergebnissen als blinde Datenmasse. Hinzu kommt, dass der gesamte übergebene Kontext (also wirklich alles, was ihr in den Chat packt) bei jeder einzelnen Antwort wieder komplett verarbeitet werden muss.
Das bedeutet einerseits, dass ihr auf Antworten immer länger warten müsst und - vielleicht am wichtigsten - eure Prompts sehr viel teurer werden. Ein guter Tipp ist es auch immer daran zu denken, dass auch der gesamte Verlauf einer Konversation mit dem Chatbot Teil des Kontext wird und bei jeder Antwort wieder gelesen wird. Chattet ihr also Tagelang im gleichen Verlauf, wird es langsam, unpräzise und teuer. Fangt daher regelmäßig neue Unterhaltungen an.
Custom GPT & Projekte
In dem meisten AI-Umgebungen könnt ihr Chats in Projekten bündeln. Das dient dem Zweck, für alle Chats, die in diesem Projekt (oder diesem Custom GPT etc.) ablaufen, notwendigen Kontext nur einmal hinzufügen zu müssen. Außerdem könnt ihr an zentraler Stelle Anweisungen hinterlegen (sogenannte System Prompts), die dann jedes Mal automatisch mit meinem sonstigen Prompt mitgesendet werden. Das können z.B. Brand-Guidelines, Tonfall usw. sein.
Wenn in einem Chat eines Projekts z.B. etwas wichtiges gelernt wird, was in Zukunft wichtig bleibt, kann der Chatbot das direkt in das Projektgedächtnis für alle weiteren Konversationen übernehmen, usw.
Projekte sind damit so etwas wie die einfache, schnell mal erstellte Vorstufe zu wirklich ausgewachsenen Agenten.
Agent
Wenn man so will ist ein Agent ein Chatbot, der handeln kann. Während der Chatbot im Chatfenster antwortet, kann ein Agent auch außerhalb des Chats tätig werden. Der Unterschied: Ein Agent hat unterschiedliche Fähigkeiten (sogenannte Skills) und Zugriff auf Tools. Er kann zum Beispiel eine Websuche nutzen, um Informationen im Internet zu suchen. Oder auf eure Tools und Systeme zugreifen, wenn ihr diese angedockt habt, und dort Handlungen ausführen. Ein Agent kann damit wesentlich komplexere und besser standardisierte Dinge ausführen als der einfache Chatbot.
Beispiele für Agentur-Agenten:
- Briefing Checker, der eingehende Kundenbriefings auf fehlende Informationen prüft
- Persona Reviewer, der Ideen aus der Perspektive der Kunden-Personas evaluiert
- Strategy Drafter, der erste Ansätze für Kampagnen entwickelt
Weitere Beispiele im Artikel: Welche AI-Agenten braucht jede Agentur in 2026?
[.b-button-primary]Entdecke die awork Agents[.b-button-primary]
MCP
MCP (Model Context Protocol) ist ein einheitlicher Standard, über den ein Agent auf eure bestehenden Tools zugreift, etwa euer Projektmanagement-Tool (hoffentlich awork 😉), euer CRM oder Slack, ohne dass für jede Anbindung eine eigene individuelle Schnittstelle gebaut werden muss.
Die Kernidee: Agent und Tool sprechen über MCP eine gemeinsame "Sprache" statt individueller Einzel-Integrationen. Das standardisierte Format ermöglicht es außerdem, dass ein Agent ohne weitere Anleitung versteht, was er in dem angebundenen Tool tun kann. Das spart Aufwand und macht Anbindungen austauschbar.
Beispiel:
Ein Agent zieht via MCP den Projektstatus aus eurem PM-Tool und postet eine Zusammenfassung direkt in Slack
[.b-button-secondary] Zu unserer MCP Übersicht [.b-button-secondary]
Skills
Skills sind im Kontext von AI wiederverwendbare Fähigkeiten oder Anleitungen, die ein Agent oder Chatbot bei Bedarf abruft, um eine Aufgabe kompetenter zu erledigen – statt bei jeder Anfrage bei null anzufangen.
Kernidee: Statt dem Agent alles Wissen auf einmal mitzugeben (das wäre ineffizient, da es länger dauert und mehr Tokens – und damit Kosten – verbraucht), bekommt er Zugriff auf eine Bibliothek von Skills. Jeder Skill enthält spezialisiertes Wissen, Best-Practices oder Werkzeuge für einen bestimmten Aufgabentyp. Der Agent zieht sich den passenden Skill dynamisch, wenn die Aufgabe es erfordert – oder man weist ihn direkt an, ihn zu nutzen.
Warum das relevant ist:
- Macht Agenten präziser und konsistenter bei wiederkehrenden Aufgabentypen, statt generisch zu bleiben
- Skills lassen sich unternehmensspezifisch anpassen (z. B. eigene Vorlagen, Prozesse, Terminologie)
- Modular und erweiterbar – neue Fähigkeiten können ergänzt werden, ohne das Grundsystem zu verändern
Beispiel:
Eine SEO-Agentur präsentiert ihren Kunden einmal im Monat die aktuellen KPIs. Ein Skill "Kundenpräsentationen" weiß, wie man Foliendesigns nach bestimmten Standards aufbaut. Der Agent lädt nur den Skill, der gerade gebraucht wird.
Weitere Agentur-Skills:
- "Wettbewerbsanalyse" – wie man Konkurrenzauftritte nach Agentur-internem Raster bewertet
- "Angebotsvorlage" – wie Kalkulationen und Leistungsbeschreibungen formatiert werden müssen
- "Kundenreporting" – welche Metriken für welchen Kundentyp relevant sind und wie sie aufbereitet werden
Agent Loop
Was Agenten auch von einfachen Chatbots unterscheidet ist, dass sie für komplexere Aufgaben schrittweise vorgehen können. Das passiert letztlich in einem Kreislauf, dem sogenannten Agent-Loop. Ein Agent bekommt eine Anfrage als Prompt und führt eine Aktion durch. Danach prüft er, ob er mit dieser Aktion das Ergebnis erreicht hat. Wenn ja: Ergebnis anzeigen. Wenn nein: Das Zwischenergebnis zum Kontext hinzufügen und die nächste Aktion durchführen.
So hangelt sich ein Agent also durch mehrstufige Aufgaben, die er nicht in einem Durchlauf verdauen kann. Oft beginnt ein Agent sogar damit, sich eine eigene To-Do-Liste zu schreiben, die er dann in jedem Durchlauf seines Agent-Loops einmal überprüft, um zu sehen, ob noch etwas übrig ist.
Was bedeutet Human in the Loop?
Human in the Loop (HITL) bedeutet, dass ein Mensch aktiv in einen (teil-)automatisierten oder AI-gesteuerten Prozess eingebunden bleibt und an bestimmten Punkten aktiv eingreift – statt, dass das System komplett autonom entscheidet oder handelt.
Zum Beispiel um zu prüfen, zu korrigieren oder freizugeben, bevor eine Aktion final ausgeführt wird.
Das kann an verschieden Zeitpunkten:
- Vor der Aktion: AI schlägt etwas vor, Mensch muss bestätigen, bevor etwas passiert (z. B. eine AI-erstellte E-Mail wird erst nach Freigabe verschickt)
- Nach der Aktion (Human-on-the-loop): AI handelt automatisch, Mensch überwacht und kann eingreifen/korrigieren, wenn nötig
- Beim Training: Menschen bewerten oder korrigieren KI-Outputs, um das System zu verbessern.
Ein Beispiel:
Als Kreativagentur nutzt ihr einen AI-Agent, um aus einem Kunden-Briefing automatisch einen ersten Projektplan mit Meilensteinen, Aufgaben und Deadlines zu erstellen. Der Agent schlägt z. B. vor: "Konzeptphase: 2 Wochen, Design: 3 Wochen, 2 Freigabeschleifen mit Kunde."
Statt dass dieser Plan automatisch erstellt wird, prüft die Projektleitung erst grob: Passt der Zeitrahmen zur Absprache? Sind genug Puffer für Feedbackschleifen eingeplant? Vielleicht weiß die KI nicht, dass dieser Kunde erfahrungsgemäß dreimal Korrekturen braucht. Erst nach dieser menschlichen Prüfung und ggf. Anpassung wird der Plan freigegeben und an Team und Kunde kommuniziert.
Auf einen Blick: die Begriffe im Überblick
- LLM – das Gehirn, das Text vorhersagt
- Chatbot – LLM mit Oberfläche, aber isoliert
- Kontext – was die AI weiß; der Angelpunkt
- Custom GPT & Projekte – bündelt Chats in einem Projekt
- Agent – ein Chatbot, der handeln kann
- MCP – dockt den Agenten an eure Tools an
- Skill – bringt ihm eure Arbeitsweise bei
- Agent Loop – mehrstufiges Abarbeiten von To Do's
- Human in the Loop – die menschliche Freigabe
Jetzt hast du einen groben Überblick über die wichtigsten Begrifflichkeiten im AI-Universum. Und auch wenn du nicht sofort jede Funktionsweise der Agenten, Skills & Co verstanden hast, ist das kein Problem. Die Entwicklung rund um AI-Themen ist rasend. Da ist es nicht immer einfach on track zu bleiben. Folge uns für mehr Infos außerdem gerne auf LinkedIn.
[.b-button-primary] So geht AI in awork [.b-button-primary]
FAQs
Was ist der Unterschied zwischen einem Chatbot und einem Agenten?
Ein Chatbot kann reden, ein Agent kann handeln. Der Chatbot beantwortet deine Frage im Chatfenster; der Agent nutzt Tools und Kontext, um in einer Schleife eine Aufgabe wirklich zu erledigen – etwa ein Briefing prüfen und die Rückfrage-Mail entwerfen.
Brauchen Agenturen eigene Entwickler für AI-Agenten?
Nein. Über Standards wie MCP und fertige Agent-Vorlagen lassen sich Agenten anbinden und anpassen, ohne selbst zu programmieren. Wichtig ist weniger Code als vielmehr zentraler Kontext, geteilte Skills und klare Rechte.
Sind AI-Agenten in Agenturen DSGVO-konform?
Das hängt vom Setup ab. Entscheidend sind EU-Hosting, dass Kundendaten nicht ins Training fließen, klare Zugriffsrechte und ein Human in the Loop für alles, was nach außen geht. In awork laufen Agenten modellunabhängig und DSGVO-konform auf Servern in der EU.
Wo stehen die meisten Agenturen beim AI-Rollout?
In den frühen Phasen: einzelne Personen nutzen Chatbots, Best-Practices werden mündlich geteilt. Nur 16 % fühlen sich wirklich ready. Der nächste Schritt ist zentraler Kontext und geteilte, spezialisierte Agenten.
