KI-Agenten entwickeln sich rasant – und der nächste Schritt ist bereits Realität: Mehrere spezialisierte Agenten lassen sich zu leistungsfähigen Teams zusammenschalten. Diese Agent-Teams versprechen, das Marketing grundlegend zu verändern, weil ihre Kompetenzen weit über Chatbots oder simple Automatisierungen hinausgehen. Dieser auch im renommierten t3n Magazin erschienene Artikel zeigt, wie ein effizientes Multi-Agenten-System aufgebaut werden kann.
Im Leaders Lab, der Innovationsinitiative von VI, Leaders of AI und EY, haben wir live erlebt, wie solche Agenten als digitales Team zusammenarbeiten: Sie teilen Aufgaben, holen Feedback ein und sichern Qualität – getestet in echten Social-Media-Workflows. Gerade dort steigen die Anforderungen, Budgets schrumpfen und Zielgruppen splitten sich auf immer mehr Kanäle. Die parallele Ansprache diverser Communities ist manuell kaum noch leistbar.
KI-Teams übernehmen Aufgaben, die für menschliche Crews zu komplex oder zu zeitaufwendig wären. Im Folgenden zeigen wir zum einen das technische Fundament und zum anderen die wichtigsten Rollen – vom Head of Content bis zur synthetischen Persona.
Die Essenz: Auch wenn Maschinen am Werk sind, lohnt es sich, die Agenten wie ein menschliches Team nach Fähigkeiten zu staffeln. Wer verstehen will, wie Menschen, KI und „vermenschlichte“ KI als hybrides Team zusammenspielen – und welche Technik- und Prozessschritte wirklich zählen – findet hier Orientierung und konkrete Empfehlungen.
Agenten mit Profil: Zusammenspiel statt Einzellauf
Ein Agententeam bündelt mehrere spezialisierte KI-Einheiten, die gemeinsam komplexe Vorhaben stemmen. Im Unterschied zu klassischen Assistenten entscheiden sie selbstständig, lernen aus Iterationen, bringen Domänenwissen und Toolzugriffe mit. Im Netzwerk prüfen, inspirieren und synchronisieren sie sich gegenseitig – inklusive einer Managerrolle, die koordiniert und als Schnittstelle zum Menschen fungiert. Erfahrung aus der Praxis: Einheitliche Frameworks und präzise Rollenbeschreibungen schaffen Orientierung. Gerade in Feedbackschleifen und bei komplexen Ausgabeformaten hält ein klarer Prozess Kosten und Iterationsanzahl in Zaum.
Der Mensch bleibt dort beteiligt, wo es sinnvoll ist; die KI übernimmt, wo sie schneller und präziser ist. So entstehen Ergebnisse, die rein manuell schwer erreichbar wären. Technische Basis ist die Automatisierungsplattform n8n – flexibel, erweiterbar und ohne tiefe Programmierhürden. Das Team greift auf Airtable als Daten- und Tabellen-Backend zu, empfängt Nachrichten via Webhook und ist über Telegram mobil steuerbar.
Im Leaders Lab entstand ein Setup, das an klassische Marketingorganisationen erinnert – nur digital skaliert. Im Zentrum: Manager-Agent Jürgen als Head of Content und Single Point of Contact. Ergänzend wirken Nina (News), Felix (Facebook), Lars (LinkedIn) und Paula (Podcast-Automation). Die Namensgebung macht Zuständigkeiten sofort klar. Lars und Felix bringen Mini-Teams mit: Bild-Berti (Visuals) und Technik-Tina (synthetische Persona für Tech-Zielgruppen). Wer Rollen und Abläufe sauber definiert, schafft Transparenz und kann Änderungen schnell ausrollen.
Das Agent-Team im Überblick Head of Content Jürgen: Dirigent des Agenten-Orchesters
Jürgen ist die Schaltzentrale: Er verbindet Redaktion und KI, strukturiert Tasks und hält den Betrieb am Laufen. Sein technisches Setup: ein ChatGPT-Modell, Memory für Kontext sowie Telegram für Prompts und Anweisungen. Jürgens Kernjob ist die regelmäßige Erstellung von Social-Posts. Dafür zerlegt er Arbeitspakete und verteilt sie an Spezialisten: LinkedIn an Lars, Visuals an Berti, Qualitätssicherung an Technik-Tina. Alle Ergebnisse landen in Airtable und werden über Session-IDs sauber verknüpft.
Braucht es menschliches Feedback – etwa bei unklarem Briefing – informiert Jürgen über Telegram oder Airtable. Die n8n-Umsetzung bleibt schlank: Nachrichten kommen über „When chat message received“, Jürgen selbst ist als KI-Agent-Node mit einem LLM wie ChatGPT-4o-mini verbunden. „Window Buffer Memory“ liefert Gedächtnis, der System-Prompt definiert Kontext, Rolle und Team. Ein strukturierter System-Prompt plus dokumentierte Agentenprofile sind zentral für Qualität und Nachvollziehbarkeit. Inhalte sichert Airtable per Session-ID; weitere Agenten bindet „Call n8n Workflow“ an. Über „sendmessage: message“ in Telegram bleiben Nutzer*innen informiert.
LinkedIn-Lars: Sprache, Struktur, Social-Fit
Lars fungiert als virtueller Senior-Copywriter für LinkedIn. Er läuft in n8n als Tools-Agent, arbeitet mit einem schlanken ChatGPT-Modell und nutzt Memory für iterative Verfeinerung. Sein System-Prompt verankert eine junge, präzise Social-Tonalität. Eine Checkliste legt den Aufbau fest – praktisch wie ein kompaktes CI-Regelwerk.
Vorgaben im Setup: Hook mit 120 Zeichen, maximal drei narrative Beats, zwei klare Insights und ein eindeutiger Call-to-Action. Nach jedem Entwurf holt sich Lars Feedback bei Technik-Tina. Erst dann geht es zu Bild-Berti, der Visuals ergänzt. Der Prozess ist auf sechs Schleifen begrenzt, um die Effizienz hochzuhalten und die Rechenkosten zu schonen. Ein strukturierter Output-Parser zerlegt Ergebnisse in Felder wie „Post“, „Titel“, „Bild-URL“, „Feedback“ – das beschleunigt die Weiterverarbeitung und Qualitätssicherung. Neben dem Chat-Trigger existiert ein manueller Start über „Execute Workflow Trigger“. Ergebnis: Lars steht für Output mit eingebautem Qualitätsanspruch.
Technik-Tina: Synthetische Persona als Stimme der Zielgruppe
Tina repräsentiert als synthetische Persona die Perspektive der Zielgruppe: eine 26-jährige Entwicklerin mit Vorliebe für smarte Tech. In n8n als LLM-Chain-Agentin mit detailliertem System-Prompt umgesetzt, prüft sie jeden Post von Lars aus Nutzer*innensicht. Bewertet werden Hook, Relevanz, Call-to-Action und Tonalität – pro Kategorie mit fünf Unterfragen. Zu jedem Punkt liefert sie konstruktive Hinweise und ein Gesamturteil. Wer andere Produkte bewirbt, tauscht die Persona: zum Beispiel eine PS-begeisterte „Petra“ für Automotive. Solche virtuellen Personas sind ein einfacher Weg, automatisierte Qualitätssicherung früh in den Prozess einzubauen.
Facebook-Felix: Meta-Content mit Nähe zur Zielgruppe
Felix verantwortet Inhalte für Meta-Plattformen. Seine adressierte Community: junge, urbane Menschen mit Tech- und Nachhaltigkeitsinteresse. Sein Stil: zugänglich, emotional, locker. Technisch ist er – wie Lars – als n8n-Tools-Agent mit strukturiertem Output-Parser und Feedbackrunde über Technik-Tina realisiert. Die Erfahrung: Konsequenter Zielgruppenfokus plus regelmäßige Checks durch synthetische Personas steigern die Relevanz und Resonanz spürbar.
Bild-Berti: Prompting-Power für starke Visuals
Berti übernimmt, sobald Lars, Felix und Tina grünes Licht geben. Er extrahiert aus Text-Outputs mittels GPT-4o-mini präzise Image-Prompts – genau dort, wo häufig die zündende Bildidee fehlt. Die eigentliche Generierung erfolgt über ein angebundenes Flux-Modell. Eine Wait-Stage stellt sicher, dass der Workflow erst weiterläuft, wenn das Visual fertig ist. In der Praxis lohnt es sich, die Bildproduktion als eigenständigen Prozessschritt zu führen – das schafft Transparenz und Skalierbarkeit.
News-Nina: Autonome Recherche mit Struktur
Nina durchsucht autonom wöchentlich relevante Branchennews und fasst sie strukturiert zusammen. Für Google-Recherchen nutzt sie das Webscraping-Tool Serpapi. Sie bewertet Treffer nach Relevanz, Markenfit und Tonalität und speichert alles in Airtable. Besonders effizient wird sie durch „Execute Workflow Trigger“ und „When chat message received“: So kann Jürgen sie anstoßen – oder sie läuft unabhängig zur Validierung. Die Übergabe an Jürgen oder direkt an Nutzer:innen erfolgt per Session-ID und sauberem JSON.
Das Setup von Newsagentin Nina in n8n Podcast-Paula: Audio aus dem Workflow
Paula nimmt eine Sonderrolle ein: Sie ist keine eigenständige Agentin, sondern eine smarte Automatisierung. Ninas News laufen per Workflow zu make.com (via n8n-Webhooks). ChatGPT bereitet die Texte auf, der Stimmengenerator Elevenlabs erzeugt eine Audiodatei, die auf Google Drive landet – zur weiteren Nutzung, etwa im Podcast, durch das Marketingteam. Wichtig: Audioerzeugung ist rechenintensiver und kostspieliger als Textverarbeitung
The Human-in-the-Loop als wichtiger Bestandteil
Das Agententeam erledigt im Hintergrund Recherche, Content-Erstellung und technische Vorarbeit. Entscheidend ist die Anbindung an das Marketingteam. Finalisierte LinkedIn-Posts landen automatisch in Airtable: Eine Upsert-Routine schreibt Titel, Text sowie Meta-Daten wie Rating, Iterationsanzahl, Feedback und Status in die zentrale Tabelle des „AI Cockpit“-Workspaces. Der Status „Review/Finalisierung“ signalisiert: bereit für finale Prüfung oder Veröffentlichung. Eine klare Datenstruktur und definierte Übergaben machen den Ablauf transparent und skalierbar. Für flexible Steuerung kommt Telegram dazu: Ein Trigger und ein Tool im n8n-Setup reichen; ein API-Key genügt. Optional lässt sich Speech-to-Text vorschalten, um Sprachnachrichten zu nutzen. Nach erledigter Aufgabe antwortet der jeweilige Agent direkt an die Nutzer*innen. Ergebnis: mobil, schnell testbar, jederzeit verfügbar – dank klarer Schnittstellen.
Fazit: Hybride Teams als Gamechanger
Das Leaders-Lab-Setup zeigt, wie leistungsfähig das Zusammenspiel von Menschen und KI bereits ist. Content-Marketing wird effizienter, skalierbarer und kreativer – übertragbar auf Social Media, Community-Betreuung, Kundenservice und datengetriebene Recherche. Erfolgreich wird die Einführung dort, wo Menschen nicht nur formal beteiligt sind: Wer Erwartungen ernst nimmt und Human-in-the-Loop für finale Freigaben sowie kreative Entscheidungen beibehält, stellt ein Team auf, das wirklich abliefert.
