# AI-Agents als Team-Mitglieder führen

> KI-Agenten werden wie Junior-Mitarbeiter geführt, nicht wie Magie eingesetzt: mit einer Agent-Charta (Rolle, Auftrag, KPI), Quality Gates vor der Ausführung und menschlicher Freigabe an der Entscheidung. Die Leitplanken sind der Beschleuniger, nicht die Bremse.

- Kanonische URL: https://www.convios.com/de/methodik/ai-agents-team-members
- Sprachfassung: https://www.convios.com/en/methods/ai-agents-as-team-members
- Status: Convios-Praxisrahmen
- Methodenbibliothek: https://www.convios.com/de/methodik — Markdown: https://www.convios.com/de/methodik.md

## Problem

Sie wollen KI-Agenten in Vertrieb und Go-to-Market einsetzen, aber die Ergebnisse sind unberechenbar: Agenten halluzinieren, produzieren Ausschuss oder handeln an der falschen Stelle autonom. Ohne definierte Rollen und Kontrollpunkte entsteht entweder Wildwuchs oder, aus Vorsicht, gar nichts. Beides verschenkt den eigentlichen Hebel: Fleißarbeit an Agenten, Urteil und Beziehung beim Menschen.

## Vorgehen

1. Je Agent eine Charta schreiben: Rolle, Auftrag, Kennzahl, erlaubte und verbotene Handlungen, expliziter Übergabepunkt an den Menschen.
2. Quality Gates einziehen: menschliche Freigabe, bevor der Agent nach außen wirkt; ein messbarer KPI pro Phase.
3. Human-in-the-Loop auf die Entscheidung konzentrieren: Agenten übernehmen Recherche und Vorbereitung, der Mensch prüft, urteilt und hält die Beziehung.
4. Agenten wie Mitarbeiter reviewen: wöchentliche Durchsicht der Outputs, Charta und Gates anhand der Befunde nachschärfen.

## Beispiel

Ein typischer Fall: Ein B2B-SaaS-Team setzt einen Agenten für Account-Recherche vor Erstgesprächen ein. Zunächst ohne Regeln. Die Dossiers sind mal brillant, mal frei erfunden, und niemand traut den Ergebnissen. Das Team schreibt eine Charta (Auftrag: Recherche und Gesprächsvorbereitung; verboten: eigenständiger Versand von Nachrichten), definiert ein Quality Gate (der AE prüft jedes Dossier vor Nutzung) und misst die Zeitersparnis pro Vorbereitung. Aus einer ausgedehnten Recherche wird eine kurze Lesezeit und der Mensch führt weiterhin jedes Gespräch und trifft jede Entscheidung.

## Grenzen

Der Ansatz ist eine Synthese aus der Praxis und nicht unabhängig validiert. Er ist operativ plausibel, aber kein belegtes Framework mit Vergleichsstudien. Er setzt eine saubere Daten- und Kontextbasis voraus; Agenten auf schlechten Daten skalieren nur den Ausschuss. Für Teams ohne jede KI-Grundlage (fehlende Datenqualität, kein gemeinsames Playbook) ist er ein zu früher Schritt, erst das Fundament, dann die Agenten.

## Kennzahl

Output-Qualität an den Quality Gates (Freigabe- vs. Nacharbeitsquote) und die eingesparte Arbeitszeit pro Vorgang bei konstanter oder besserer Ergebnisqualität.

## Quellen

- Thomas B. Sheridan, William L. Verplank: Human and Computer Control of Undersea Teleoperators. Technical Report, MIT Man-Machine Systems Laboratory für das Office of Naval Research, 1978, 340 S. (DTIC ADA057655), 1978 · Wissenschaft und Fachliteratur · beschreibt das Verfahren. Definiert „human supervisory control" als Betriebsmodell für teilautonome Systeme, ein System, das über kurze Zeiträume und in begrenzten Bedingungen selbst entscheidet, wird aus der Ferne beobachtet und zeitweise direkt gesteuert oder neu programmiert, und benennt die Funktionen des menschlichen Supervisors: command (Auftrag programmieren und freigeben), plan, monitor, intervene und trust; Tabelle 8.2 staffelt die Entscheidungsstufen zwischen Mensch und Rechner, also die Schwelle, ab der die Maschine den Menschen einbeziehen muss. (https://archive.org/details/DTIC_ADA057655)
- NIST AI Risk Management Framework (AI RMF 1.0), National Institute of Standards and Technology, 2023 — National Institute of Standards and Technology (NIST), U.S. Department of Commerce, 2023 · Investment-, Beratungs- und Analystenhäuser, Verbände und Behörden · beschreibt das Verfahren. Stützt die Leitplanken der Methode: Der freiwillige Rahmen benennt als angestrebte Ergebnisse, dass Rollen und Verantwortlichkeiten für Mensch-KI-Konfigurationen festgelegt und unterschieden werden (GOVERN 3.2), dass Verfahren menschlicher Aufsicht dokumentiert und geprüft sind und dass Mechanismen bestehen, ein System zu übersteuern, abzukoppeln oder abzuschalten (MANAGE 2.4). Eine Verpflichtung folgt daraus nicht. (https://www.nist.gov/itl/ai-risk-management-framework)
- Klaus Christoffersen, David D. Woods: How to make automated systems team players. In: Advances in Human Performance and Cognitive Engineering Research, Bd. 2, Emerald, 2002, S. 1–12, 2002 · Wissenschaft und Fachliteratur · belegt den Wirkmechanismus. Formuliert erstmals ausdrücklich die Anforderung, automatisierte Akteure als Team-Mitglieder zu gestalten, und nennt zwei Bedingungen dafür: Observability (der Mensch muss sehen, was der Akteur tut und als Nächstes tun wird) und Directability (der Mensch muss die Aktivität im Lauf umlenken können). Belegt außerdem, dass scheinbare Systemleistung oft nur entsteht, weil Menschen Schwächen der Maschine ausgleichen. (https://www.emerald.com/insight/content/doi/10.1016/S1479-3601(02)02003-9/full/pdf)
- Gary Klein, David D. Woods, Jeffrey M. Bradshaw, Robert R. Hoffman, Paul J. Feltovich: Ten Challenges for Making Automation a "Team Player" in Joint Human-Agent Activity. IEEE Intelligent Systems 19(6), 2004, S. 91–95, DOI 10.1109/MIS.2004.74, 2004 · Wissenschaft und Fachliteratur · belegt den Wirkmechanismus. Verdichtet die Bedingungen, unter denen ein maschineller Akteur überhaupt als Team-Mitglied funktioniert, in zehn Anforderungen, darunter ein Basic Compact (stillschweigende Vereinbarung zur Koordination auf gemeinsame Ziele), belastbare Modelle der Fähigkeiten und Absichten der anderen, Vorhersagbarkeit, Steuerbarkeit, das aktive Offenlegen von Status und Absicht sowie Aufmerksamkeitsmanagement und Kostenkontrolle im Team. (https://fermatslibrary.com/s/ten-challenges-for-making-automation-a-team-player-in-joint-human-agent-activity)
- Primärquelle: Thomas B. Sheridan, William L. Verplank: Human and Computer Control of Undersea Teleoperators. Technical Report, MIT Man-Machine Systems Laboratory für das Office of Naval Research, 1978, 340 S. (DTIC ADA057655) (https://archive.org/details/DTIC_ADA057655)

## Verwandt

- Methode: [AI-GTM-Reifegrad (4 Levels)](https://www.convios.com/de/methodik/ai-gtm-reifegrad)
- Methode: [GTM-Stack mit Signal-Routing](https://www.convios.com/de/methodik/gtm-stack-signal-routing)
- Methode: [„Kontext: Graben oder Mauer?“-Test](https://www.convios.com/de/methodik/kontext-graben-oder-mauer)
- Werkzeug: [Claude Code](https://www.convios.com/de/werkzeugkasten/claude-code)
- Werkzeug: [Infisical](https://www.convios.com/de/werkzeugkasten/infisical)
- Werkzeug: [Linear](https://www.convios.com/de/werkzeugkasten/linear)