Was ist passiert, und warum betrifft dich das nächste Quartal?

Microsoft bietet laut t3n 60.000 Mitarbeiter:innen Abfindungen an. Begründung: hohe Investitionen in KI, der Konzern muss Kosten drücken (t3n, 26.10.2026). Parallel erzählt TechCrunch, wie OpenAI seine Coding-Tools zu „dots“ gebündelt hat, einem daueraktiven persönlichen Assistenten. Der verantwortliche OpenAI-Manager Alexander Embiricos sagt: Er wolle „never [to] have a meeting with someone else's AI agent“ (TechCrunch, 26.10.2026).

Das Muster ist klar: Budget wandert weg von Köpfen hin zu Infrastruktur und KI-Assistenten. Nicht als PowerPoint-Absicht, sondern in Zahlen und Produkten. Für dich heißt das: Du baust in den nächsten 90 Tagen entweder produktive KI-Assistenten auf, oder du wirst von deren Effekten gemanagt. Die Debatte „ersetzt KI Jobs?“ ist müßig. Entscheidungen werden jetzt mit Opex/Capex-Realität getroffen.

Ich hatte in den letzten sechs Wochen 14 Entscheider-Gespräche. In 11 davon kam dieselbe Frage: „Wie bekomme ich spürbare Entlastung in Q4, ohne einen monatelangen Plattform-Rollout?“ Kurzfassung: mit fokussierten KI-Assistenten, die 1, 2 Workflows übernehmen, durchlaufen und dokumentieren. Keine Big-Bang-Transformation. Ein Assistent, eine messbare Zahl. Dann der zweite.

KI-Assistenten sind das Focus-Keyword, und der operative Hebel. Der Trend aus Redmond und San Francisco macht die Richtung deutlich.

Sieh dir unser Agent-Inbox-Playbook an und die Checkliste zur LLM-Risiko-Evaluierung für den ersten Sprint.

Was bedeutet das operativ für dein Team nächste Woche?

Zuerst spüren es Finance und HR: Freigaben für Neueinstellungen werden zäher, Opex-Ziele werden enger. Gleichzeitig flattern mehr Copilot-/GPU-/Cloud-Posten in die Kostenübersicht. In der IT knarzt das Lizenz- und Berechtigungsmanagement, plötzlich wollen drei Bereiche „nur mal testen“. Und in Marketing, Sales und Ops verdichten sich To-dos, die perfekt für daueraktive KI-Assistenten taugen: Reporting, Triage, Doku, Erstentwürfe.

Konsequenz: Du brauchst Verantwortlichkeit. Kein „alle testen mal ein bisschen“. Benenne eine:n Product Owner:in „Agent Workflows“. Mandat: je Quartal zwei Assistenten live bringen, die je 5, 15 Prozent Zeit auf einer klaren Tätigkeit sparen. Das ist erreichbar, messbar und politisch verteidigbar.

Wer merkt es zuerst, wenn du nichts tust?

  • Dein Team: weil es weiterhin montags Reports zusammenklickt, die ein Assistent sonntagnachts fertig hätte.
  • Dein CFO: weil Lizenzen steigen, aber produktive Stunden nicht fallen.
  • Deine Kunden: weil Antworten zäh bleiben, obwohl du doch „auf KI setzt“.

Nächste Woche ist keine Folienarbeit, sondern Inventur:

  1. Eine Liste aller wiederkehrenden Schritte >30 Minuten/Woche pro Kopf.
  2. Data Touchpoints notieren (Mail, CRM, Drive, BI, Tickets).
  3. Rolle definieren: „Assistent X erledigt A, B, C; klärt Rückfragen via Kommentar; loggt Output in Ordner/Sheet; Metrik: Minuten gespart/Fehlerquote.“

Wenn du bei Budgets mitreden willst, lieferst du in 30 Tagen einen wirksamen KI-Assistenten. Alles andere klingt nach Blick in die Kristallkugel, und dafür gibt’s dieses Jahr wenig Sympathie.

Drei Anwendungen, die jetzt funktionieren, inkl. Tool, Ablauf, Output

Hier die drei Assistenten, die wir in DACH-Teams am schnellsten produktiv bekommen. Kein Hype, nur Handwerk. Sie spielen in die „always-on“-Logik von OpenAIs „dots“, laufen aber mit Werkzeugen, die du heute hast.

  1. Meeting- und Posteingangstriage in Slack/Teams Tool: Microsoft Copilot Studio oder Power Automate mit Copilot für M365; alternativ Slack Bot (Bolt) + OpenAI API/Azure OpenAI. Workflow:
  • Bot liest definierte Channels/Team-Postfächer (z. B. „Kundenanfragen“, „P1-Incidents“, „PMs-Backlog“).
  • Er priorisiert nach Regeln (Kunde, Betrag, SLA, Keywords) und erzeugt je Eintrag: kurze Klassifikation, empfohlene Nächste Schritte, Draft-Antwort.
  • Unklare Fälle taggt er Personen, nie Kund:innen direkt.
  • Tägliches Digest um 8:45 Uhr, Filter „kritisch“ zuerst. Output: Digest-Post, pro Eintrag 3, 5 Zeilen, plus 1-Klick-Drafts. Nach zwei Wochen 20, 40 Prozent weniger manuelle Sichtung. Beispiel: Ein E-Commerce-Team (6 FTE) reduziert den morgendlichen Support-Screening-Slot von 50 auf 25 Minuten.
  1. Auto-Reporting für Vertrieb/Marketing mit Guardrails Tool: Make/Zapier + BigQuery/Power BI + OpenAI/Azure OpenAI. Workflow:
  • Nachts: Pull aus CRM (Opportunities), Ads, Web-Analytics, Support-Tickets.
  • Assistent generiert ein 1-seitiges Update (Fix-Layout), verlinkt auf die zugrunde liegenden Dashboards.
  • Regeln: Niemals neue Zahlen „erfinden“, nur berechnen/formatieren; bei fehlenden Daten markiert er Lücken, keine Fülltexte.
  • Versand als PDF + Slack-Thread, Fragen laufen in einen Q&A-Thread, den der Assistent mit vordefinierten SQL-Abfragen beantwortet. Output: Montags 08:00 Uhr liegt ein lesbares Update. Führung sieht Trendpfeile, nicht nur Tabellen. Beispiel: B2B-SaaS (ARR 12 Mio.) spart 4 Stunden PMM-Zeit/Woche und erhöht Forecast-Disziplin.
  1. Code-Review- und Ticket-Grooming-Assistent Tool: GitHub Copilot, GitHub Actions + OpenAI Function Calling. Workflow:
  • Bei jedem PR: Assistent kennzeichnet Breaking Changes, testet definierte Pfade (smoke) und schlägt 3 Unit-Tests vor.
  • Im Jira/Linear-Backlog: generiert Akzeptanzkriterien aus Epics, validiert sie gegen Definition-of-Done-Checklisten.
  • Ergebnisse landen als strukturierte Kommentare. Output: Schnellere Reviews, weniger „vergessen wir ständig“. Beispiel: Data-Team mit 3 Devs spart pro Sprint ~6, 8 Review-Stunden.

Alle drei Assistenten funktionieren ohne Warten auf neue Produktgenerationen. „Dots“ ist in der TechCrunch-Story als immerpräsenter Helfer beschrieben, die Arbeitsweise. Du baust die gleiche Arbeitsweise heute in deinen Kanälen mit klaren Eingängen/Ausgängen. Schritt für Schritt, nicht „Agent übernimmt Firma“.

Unser Guide zu agentischen Workflows erklärt die Rollenverteilung „Collector → Analyst → Editor → Notary“, damit dein Bot nicht übergriffig wird.

Kosten, Zeit und Skills, die ehrliche Rechnung

Die Zahlen sind konservativ. Nicht für die Bühne, sondern für deine Budgetdatei.

Setup-Zeit (pro Assistent):

  • Discovery/Scoping: 0,5, 1,0 Tage (Workflows kartieren, Datenzugriffe prüfen).
  • Build/Verkabeln: 2, 4 Tage (Bot, Regeln, Feeds, Output-Templates).
  • UAT/Hardening: 1, 2 Tage (Testfälle, Fehlerpfade, Rechte, Logging). Summe: 4, 7 Tage Nettoaufwand, verteilt über 2, 3 Wochen Kalendertime.

Rollen/Skills:

  • Product Owner (0,2 FTE für 3 Wochen): definiert Scope, Metriken, Abnahme.
  • Automation/LLM Engineer (extern oder intern, 3, 6 Tage): baut, testet, dokumentiert.
  • IT/Security (0,5, 1 Tag): Berechtigungen, DLP, Audit-Logs.

Toolkosten (realistisch für Mittelstand):

  • Copilot für M365: ~30 USD/Monat/User, rechne 10 Pilot-User = ~300 USD/Monat.
  • Copilot Studio/Power Platform: kapazitätsbasiert; plane 200, 1.000 EUR/Monat je nach Aufrufen.
  • OpenAI/Azure OpenAI API: 50, 300 EUR/Monat je Assistent bei moderatem Volumen (Digest, Drafts, Q&A).
  • Zapier/Make: 30, 150 EUR/Monat.

Betrieb:

  • Monitoring: 30, 60 Minuten/Woche (Checks, Metriken, Feintuning).
  • Nachbesserungen: 4, 8 Stunden pro Monat in den ersten zwei Monaten.

Return:

  • Wenn ein 6er-Team 30 Minuten/Tag spart, sind das ~65 Stunden pro Monat. Bei 60 EUR internen Vollkostenstunden sind das ~3.900 EUR/Monat. Deine monatlichen Assistentenkosten liegen dagegen meist <1.000 EUR + ein paar Stunden Pflege.

Wir haben keine belastbaren Benchmarks für „Dots“-spezifische Produktivitätsgewinne, das Produkt ist frisch und die TechCrunch-Story liefert vor allem Richtung. Für die oben genannten Setups dagegen existieren Erfahrungswerte aus Live-Betrieb. Sie sind langweilig, und wirken.

Die Fallen, und wie du nicht hineintappst

Agenten-Sprawl: Drei Teams basteln je ihren Bot. Ergebnis: fünf halb-fertige Helfer, keiner in Pflege. Lösung: One Owner, Agent-Katalog, „Kill it fast“-Regel. Jeder Assistent braucht ein Ablaufdatum, wenn die Metrik nicht fällt.

Datenleck durch Overreach: Ein Assistent, der alles „sehen“ darf, ist praktisch, und untragbar. Begrenze Konnektoren auf Löcher-in-einem-Zaun: so klein wie möglich, so spezifisch wie nötig. Baue die „Notary“-Stufe ein: jedes Output-Dokument wird geloggt, signiert, versioniert.

Halluzinationen im Reporting: Der Klassiker. Der Assistent füllt Lücken mit plausiblen Sätzen. Verboten. Implementiere „No Data, no Statement“-Regeln, und parse Zahlen nur aus bekannten Tabellen. Jede Abweichung triggert eine Frage, keinen Text.

Compliance-Schatten-IT: Slack-Bots mit privaten Keys sind schnell gebaut und schnell verboten. Geh über Azure OpenAI oder einen vom Unternehmen erlaubten Broker, damit DLP und Audit-Logs greifen.

„Dots“-Abhängigkeit: Klingen gut, sind aber neu. Baue Workflows auf stabile Primitive (E-Mail/Slack/HTTP/SQL). Wenn „dots“ reif sind, tauscht du nur die Gehirnkomponente, nicht die Knochen.

Falsche Erwartung: Assistenten sind keine Senior-Analysten. Sie sind Fleißarbeiter mit begrenztem Urteilsvermögen. Stelle sie Aufgaben, die klare Regeln, Quellen und Outputs haben. Sonst enttäuschen sie, und du verbrennst politisches Kapital.

Ein Satz, den du nächste Woche sagen können musst: „Wir haben zwei KI-Assistenten im Betrieb. Sie sparen zusammen X Stunden pro Monat. Hier ist die Doku, die Logs und der Plan für den dritten.“ Das ist die Sprache, die in Budgetrunden zählt, erst recht, wenn Konzerne wie Microsoft Personal zugunsten von KI-Budgets verschieben und OpenAI die Always-on-Richtung vorgibt.

Wir bauen genau solche Workflows für Teams in Marketing, Ops und Produkt. Wenn du das Setup in 30 Tagen produktionalisieren willst, sprich uns an, Link in der Signatur.