AI Challenge: Acht KI Prototypen – und was wir von ihnen gelernt haben

Acht Kollegen, Acht Prototypen: Ein Ziel

Acht Kolleg*innen, acht Prototypen – und ein gemeinsames Ziel: herauszufinden, wie KI heute bereits ganz konkrete Aufgaben lösen kann. Die Vielfalt der Ideen beeindruckte uns selbst.

Die Vorgaben: schlicht, aber wirkungsvoll:

• Zeitlimit: 3–4 Stunden

• Aufgabe: Einen KI‑Agenten entwickeln, der mehrschrittige Aufgaben lösen kann

• Regel: Keine Slides – nur Live‑Demos

AI Challenge: Ergebnisse

Rezeptempfehlungs‑Agent

Idee

Ein Agent, der passende Rezepte anhand von Zutaten, Zeitbudget und Portionsanzahl vorschlägt.

Nutzen / Mehrwert

Entlastet im Alltag, liefert kreative Varianten und erzeugt auf Wunsch sogar KI‑Bilder der Gerichte.

Umsetzung

Eingabe der Zutaten → Suche in Rezeptdatenbanken → Generierung von Vorschlägen, Anleitung & Visualisierung.

Ergebnis

Ein intuitiver Alltagshelfer, der zuverlässig abwechslungsreiche Rezepte liefert.

Vorgehen

Bei der Entwicklung dieses Agents stand zunächst die Frage im Raum: Wie viel Kontext braucht eine KI, um wirklich hilfreiche Essensvorschläge zu liefern? Der Entwickler testete Schritt für Schritt verschiedene Zutatenlisten und stellte fest, dass der Agent erstaunlich flexibel reagiert. Besonders spannend war der Moment, in dem er merkte, dass die Bildgenerierung die Rezeptideen emotional aufwertet – plötzlich wurde aus einem Textvorschlag ein visuelles Kocherlebnis. Durch iterative Prompt‑Optimierung gelang es, die Rezepte genauer, kreativer und alltagstauglicher zu machen.

Kleinanzeigen‑Agent

Idee

Ein Foto hochladen – und der Agent erstellt automatisch eine komplette Kleinanzeige.

Nutzen / Mehrwert

Er spart Zeit, erkennt Gegenstände korrekt und schreibt überzeugende Verkaufstexte.

Umsetzung

Bilderkennung → Texterstellung → Preisempfehlung.

Ergebnis

Sekundenschnelle, verkaufsfertige Inserate.

Vorgehen

Die Entwicklung startete mit einem einfachen Experiment: ein Foto eines Tackers. Als die KI das Objekt sofort korrekt erkannte, entstand der Impuls, den Anzeigentext emotionaler zu machen. Nach und nach wurde der Prompt erweitert, bis der Agent Texte generierte, die fast schon werblich klangen. Aus einem pragmatischen Alltagsproblem – „Wie schreibe ich schnell eine Anzeige?“ – wurde ein eleganter Workflow, der Bildanalyse und Texterstellung geschickt verbindet.

Fitness‑Challenge‑Tracker

Idee

Ein Agent, der Schrittzahlen, Wasserverbrauch und andere Challenge‑Daten automatisch dokumentiert.

Nutzen / Mehrwert

Automatisiert interne Gesundheitsaktionen, vermeidet Fehler und schützt sensible Daten.

Umsetzung

Eingabe per Chat → automatische Eintragung in SharePoint → Identitätsprüfung.

Ergebnis

Ein verlässliches, datenschutzkonformes Tracking‑Tool.

Vorgehen

Die größte Herausforderung war hier nicht die KI selbst, sondern die saubere Abbildung der Datenschutzlogik. Der Entwickler experimentierte zunächst mit mehreren Listen und musste den Flow vereinfachen, als parallele Schreibzugriffe instabil wurden. Durch geschickte API‑Anbindung entstand Schritt für Schritt ein System, das nur eigene Werte anzeigt und dennoch einfach zu bedienen ist – ein schönes Beispiel dafür, wie KI interne Prozesse wirklich erleichtern kann.

Architektur‑Assistent (Multi‑Agent‑System)

Idee

Ein KI‑basiertes System, das Workshop‑Entwürfe und Architekturvisionen automatisch generiert.

Nutzen / Mehrwert

Weniger Dokumentationsaufwand, konsistente Qualität, strukturierte Inhalte.

Umsetzung

Drei Teilagenten (Hauptagent + TOGAF‑Wissen + M365‑Wissen) → orchestrierte Dokumentgenerierung.

Ergebnis

Ein technisch anspruchsvoller Prototyp, der die Tür zu KI‑gestützter Architekturarbeit öffnet.

Vorgehen

Hier zeigte sich besonders, wie komplex KI‑Integration werden kann. Der Entwickler testete unzählige Kombinationen aus Wissensagenten, Promptstrukturen und Tools. Als kurz vor der Demo ein Workflow „zerfiel“, musste er improvisieren – und genau das machte die Demo so authentisch und lehrreich. Das Projekt war weniger ein Sprint, sondern eher ein kleines Forschungsprojekt. Am Ende stand aber ein beeindruckender Prototyp, der Potenzial für Beratungsprozesse bietet.

Reiseplaner für Team‑Events

Idee

Ein Agent, der komplette Teamreisen plant – von Zugverbindungen über Hotels bis zur Packliste.

Nutzen / Mehrwert

Reduziert Planungsaufwand und berücksichtigt automatisch Reiserichtlinien.

Umsetzung

Verbindungsprüfung → Hotelsuche → Wetteranalyse → Packliste → Mailversand.

Ergebnis

Ein nahezu vollautomatisierter Reiseassistent.

Vorgehen

Die Entwicklerin baute ihren Agenten schrittweise auf: zuerst die Bahndaten, dann die Hotelsuche, schließlich die Packliste. Der kniffligste Teil war das Versenden der Zusammenfassung per E-Mail, das sie mit Copilot Studio und einer Menge Troubleshooting löste. Das Projekt zeigte, wie viele unterschiedliche Services eine KI sinnvoll kombinieren kann.

Meeting‑Vorbereitungs‑Assistent

Idee

Ein KI‑Agent, der Hotels, Restaurants und Einladungstexte für Offsite‑Meetings vorbereitet.

Nutzen / Mehrwert

Schnelle Recherche, strukturierte Präsentation, automatische Textgenerierung.

Umsetzung

Bannererstellung → Recherche → tabellarische Ausgabe → Einladungstext.

Ergebnis

Ein effizienter Planungshelfer für Offsite‑Events.

Vorgehen

Die Entwicklerin startete mit der Bildgenerierung, um visuell einen ersten „Wow‑Moment“ zu erzeugen. Danach folgten die Datenquellen: Bewertungen, Entfernungen, Küchenrichtungen. Besonders beeindruckend war, wie der Agent nahtlos alternative Datenquellen anzapfte, wenn eine Quelle keine Infos liefern konnte. In kürzester Zeit entstand ein Agent, der innerhalb von Minuten komplette Meetingvorschläge erstellt.

Persönlicher Büro‑Assistent (Teams‑Integration)

Idee

Ein Agent, der Termine, E‑Mails und Aufgaben direkt in Teams automatisiert.

Nutzen / Mehrwert

Entlastet im Arbeitsalltag und schafft spürbare Produktivitätsgewinne.

Umsetzung

Graph‑API → Kalenderzugriff → E‑Mail‑Erstellung → Steuerung via Chat.

Ergebnis

Ein leistungsfähiger KI‑Sekretär für Office‑Prozesse.

Vorgehen

Der Entwickler testete zunächst einfache Kalenderabfragen und erweiterte den Agenten dann Schritt für Schritt. Besonders eindrucksvoll war der Moment, als der Agent vollautomatisch ein Teamessen plante – inklusive Kalendereintrag und Bitte an den Chef um Kostenübernahme. Die größte Lernkurve: Welche Befugnisse muss ein Agent haben, ohne zu viel Kontrolle abzugeben? Dieses Projekt brachte das Team an die Grenzen des technisch Machbaren.

Wissens‑Navigator

Idee

Ein Agent, der interne und externe Lerninhalte bündelt und Empfehlungen ausspricht.

Nutzen / Mehrwert

Erleichtert Wissenssuche und unterstützt Weiterbildung.

Umsetzung

Analyse interner Dokumente → externe Kurssuche → Zusammenfassung.

Ergebnis

Ein schlanker, aber äußerst nützlicher Lernassistent.

Vorgehen

Die Entwicklerin war komplette Anfängerin im Agentenbau – doch gerade das machte das Ergebnis so beeindruckend. Durch schrittweises Hinzufügen von Funktionen entstand ein Tool, das interne Informationen mit externen Lernpfaden kombiniert. Der Agent wurde zu einem extrem hilfreichen Begleiter für Weiterbildungsfragen.

Virtueller CEO‑Agent

Idee

Ein Agent, der Entscheidungslogik der Geschäftsführung simuliert.

Nutzen / Mehrwert

Entlastet Führungskräfte, schafft Klarheit und fordert fundierte Entscheidungen ein.

Umsetzung

Regelwerk + Firmenrichtlinien → kritische Rückfragen → alternative Vorschläge.

Ergebnis

Ein erstaunlich realitätsnaher KI‑CEO, der humorvoll und präzise Entscheidungen vorbereitet.

Vorgehen

Der Entwickler investierte viel Zeit in die Erstellung eines detailreichen Prompt-Regelwerks. Jede Rückfrage, jedes Szenario sollte realistisch wirken. In Tests zeigte sich, dass der Agent umso präziser wurde, je konkreter die Entscheidungslogik formuliert war. Die Demo bot Unterhaltung – aber vor allem zeigte sie, wie KI Führungskräfte entlasten kann, ohne Verantwortung abzugeben.

Wichtigste Learnings aus der Challenge

Unsere AI‑Challenge hat eine Fülle an Erkenntnissen hervorgebracht – weit mehr als nur technische Aha‑Momente. Einige Learnings wiederholten sich über mehrere Projekte hinweg, andere waren sehr spezifisch. Hier die wichtigsten – diesmal ausführlicher und näher an der Tiefe des Originals formuliert:

1. Praxis schlägt Theorie: Deutlicher, als erwartet

Viele Teilnehmende berichteten, wie sich ihr Verständnis von KI fundamental verändert hat, sobald sie selbst in die Umsetzung gingen. Theorie erzeugt ein ungefähres Bild – aber erst beim Entwickeln eines eigenen Agents wurde greifbar, wie KI denkt, welche Schritte sie benötigt, wo sie überrascht und wo sie stolpert. Mehrere sagten sinngemäß: „Ich hätte nicht gedacht, dass man in drei Stunden einen funktionierenden Agenten bauen kann – und gleichzeitig so viel lernt.“ Die Erkenntnis: Kleine Experimente erzeugen enorme Lerneffekte.

2. KI braucht klare Regeln: Präzision schlägt Kreativität

Ein durchgängiges Learning: Je klarer die Aufgabe, desto besser das Ergebnis. Fast alle erlebten Momente, in denen ihre Agents unerwartete, ungenaue oder sogar skurrile Antworten gaben – bis die Prompts, Zwischenschritte und Rahmenbedingungen präzise definiert wurden. Der CEO‑Agent zeigte dies besonders stark: Erst die detaillierte Entscheidungslogik machte ihn konsistent. Die Teilnehmenden nahmen mit: „KI ist nur so gut wie die Leitplanken, die wir setzen.“

3. Der Einstieg ist leicht: Die Professionalisierung erfordert mehr

Viele Prototypen ließen sich erstaunlich schnell umsetzen. Aber sobald man komplexere Szenarien abbilden wollte – etwa Dokumentgenerierung, Multi‑Agent‑Flows oder API‑Zugriffe –, stiegen die Anforderungen an Logik, Tooling und Lizenzen. Gleichzeitig war dies ein motivierender Moment: Die Challenge zeigte uns, wo einfache Low‑Code‑Ansätze reichen und wo echtes Engineering beginnt. Dieses Bewusstsein hilft uns künftig bei Projektplanung und Kundenerwartungsmanagement.

4. Gemeinsam lernt man schneller: Peer‑Learning als Superkraft

Ein unerwartet starkes Learning war der soziale Effekt: Wissen wurde geteilt, Fragen wurden offen gestellt, Lösungen gemeinsam gefunden. Teams entstanden spontan – nicht weil es Pflicht war, sondern weil es half. Dieser offene Wissensaustausch machte die Lernkurve steiler und die Atmosphäre produktiver. Mehrere Kolleg*innen wünschten sich ausdrücklich, dieses Lernformat fortzuführen.

5. Verantwortungsbewusster KI‑Einsatz ist selbstverständlich und notwendig

In mehreren Projekten wurde sichtbar, wie wichtig Datenschutz, Transparenz und Verantwortlichkeit sind. Der Fitness‑Tracker‑Agent etwa zeigte, wie schnell sensible Daten ins Spiel kommen – und wie wichtig es ist, Mechanismen einzubauen, die Missbrauch verhindern. Der CEO‑Agent wiederum verdeutlichte, dass KI nicht Entscheidungen übernehmen darf, sondern Entscheidungsvorbereitung leisten soll. Diese Reflexionen stärken unser gemeinsames KI‑Ethikverständnis.

Ausblick: Wie es nach der Challenge weitergeht

Die Challenge war kein Endpunkt, sondern ein Startsignal. Die Energie im Team war so hoch, dass bereits zahlreiche Folgeideen entstanden sind – einige kurzfristig umsetzbar, andere als Vision für eine breitere KI‑Roadmap.

Weiterentwicklung der Prototypen

Mehrere Agents sollen ausgebaut werden – etwa der Reiseplanungs‑Agent als internes Produktivtool oder der Büro‑Assistent als Team‑Copilot für wiederkehrende Aufgaben. Auch der CEO‑Agent bietet Potenzial als Reflexions‑Tool für Entscheidungswege.

Interne Wissensformate & Community‑Ansatz

Geplant sind regelmäßige Brown‑Bag‑Sessions, interne Mini‑Workshops und thematische Deep‑Dives (z. B. Prompt Engineering, Workflow‑Design, Multi‑Agent‑Architekturen). Viele Kolleg*innen möchten ihr Wissen weitergeben und voneinander lernen. Die Challenge hat damit den Grundstein für eine dauerhafte „AI‑Learning‑Community“ gelegt.

Nächste AI‑Challenge: größer, länger, anspruchsvoller

Schon während der Präsentationen entstand der Wunsch nach einer zweiten, erweiterten Challenge – vielleicht mit 1–2 Tagen Entwicklungszeit, tieferem technischen Anspruch und thematischen Schwerpunkten (z. B. Vertriebsautomatisierung, Wissensmanagement, Prozessoptimierung). Die erste Challenge hat gezeigt, wie viel in kurzer Zeit möglich ist – jetzt wollen alle wissen, was in mehr Zeit möglich wäre.

Externe Sichtbarkeit & Wissenstransfer

Da die Ergebnisse überraschend vielseitig und praxisnah waren, möchten wir sie nicht nur intern nutzen, sondern auch extern teilen – über Blogartikel, LinkedIn‑Posts oder Vorträge. Das stärkt unser Employer Branding und zeigt Kund*innen, dass wir KI nicht nur theoretisch verstehen, sondern praktisch beherrschen.

Fazit

Die Challenge hat ein Momentum geschaffen: mehr Neugier, mehr Kompetenz, mehr Mut, KI einzusetzen. Sie war der Start einer Lernreise, die jetzt richtig Fahrt aufnimmt – und deren nächste Kapitel wir aktiv gestalten werden.

Neugierig, was wir noch in Sachen KI zu bieten haben?

INFO