Selbst entwickeln oder kaufen? Die eigentliche Frage ist: Wie kann man mit agentenbasierter KI besser entwickeln?

KI-Agenten haben die Kosten für die Softwareentwicklung drastisch gesenkt. Arbeitsabläufe, die früher Monate dauerten, lassen sich jetzt innerhalb weniger Tage umsetzen. Kein Wunder, dass Teams mittlerweile mehr intern entwickeln als früher.

Die Entwicklung von Commerce-Media-Technologie wird immer zugänglicher. Die Frage ist nicht mehr, ob Teams solche Lösungen entwickeln können. Es geht vielmehr darum, was sie selbst entwickeln sollten, welche Grundlagen sie dafür benötigen und wofür sie langfristig die Verantwortung übernehmen wollen.

Doch auch wenn Agenten tatsächlich schnell funktionierenden Code erzeugen, liefern sie nicht automatisch alles, was diesen Code zu etwas macht, das du jahrelang ausführen kannst, ohne dass es dir unter den Füßen zusammenbricht. Kontrollierte Daten, Workflow-Koordination, Tests, Beobachtbarkeit, menschliche Überprüfung und operativer Support müssen alle sorgfältig durchdacht werden. 

An dieser Stelle stellen viele Teams fest, dass sie eine Ausgabe gegen mehrere andere eingetauscht haben: eine Datenbank, eine Plattform für den Einsatz von Agenten, Ausgaben für Token und einen „Human-in-the-Loop“-Prozess, um das Ganze sicher zu halten.

Hier sind acht Punkte, die du beachten solltest, um sicherzustellen, dass du die bestmöglichen Lösungen entwickelst – und bei denen ein Partner wie Skai dir helfen Skai :

Acht Dinge, die du beachten solltest, bevor du mit KI-Agenten entwickelst

1. Setze auf Beständigkeit, nicht nur auf Quantität

Agenten sind nicht deterministisch (derselbe Befehl führt nicht immer zum gleichen Ergebnis), daher ist Konsistenz nicht garantiert. Wenn du dieselbe Aufgabe zweimal ausführst, kannst du unterschiedliche Strukturen, Formate oder Interpretationen erhalten. Stell dir vor, ein Agent erstellt deine wöchentliche Zusammenfassung zur Kampagnenleistung: In der einen Woche bezeichnet er eine Kennzahl als „Conversion-Rate“, in der nächsten als „CVR“, und ein paar Wochen später hat sich auch die zugrunde liegende Berechnung geändert. Es wird kein Fehler gemeldet. Das Dashboard hat einfach nicht mehr dieselbe Bedeutung wie zuvor.

Fragt eure Entwickler: Wie stellen wir sicher, dass bei jedem Durchlauf ein einheitliches Schema und eine einheitliche Logik eingehalten werden, und wie würden wir überhaupt merken, wenn diese Einheitlichkeit nachlassen würde?

2. Überleg dir, was passiert, wenn zwei Agenten dasselbe Objekt berühren

Es ist schon ein Problem für sich, Agenten in der Produktion zuverlässig laufen zu lassen, und die meisten Tools haben da noch nicht ganz aufgeholt. Agenten sind gut darin, Code zu generieren; sicherzustellen, dass mehrere Läufe nicht miteinander kollidieren, den Überblick verlieren oder sich gegenseitig ins Gehege kommen, ist der schwierigere Teil – und nichts davon passiert automatisch. Stell dir vor, zwei Agenten passen gleichzeitig die Ausgabegeschwindigkeit desselben Kampagnenbudgets an, ohne sich untereinander abzustimmen. Der eine überschreibt den anderen, und niemand merkt es, bis die Kampagne bereits live ist und die Zahlen nicht mehr zusammenpassen.

Frag mal deine Entwickler: Was passiert, wenn zwei Agent-Läufe gleichzeitig auf dieselben Daten zugreifen, und gibt es eine Möglichkeit, einen fehlgeschlagenen Workflow an der Stelle fortzusetzen, an der er unterbrochen wurde?

3. Plane, was bei tatsächlichem Datenvolumen passiert

Modelle arbeiten innerhalb begrenzter Kontextfenster. Bei realen Datenmengen benötigen Agenten daher eine zuverlässige Dateninfrastruktur und Tools, um Informationen abzufragen, zu aggregieren und zu validieren, anstatt zu versuchen, den gesamten Datensatz direkt auszuwerten.

Ein Agent, der ein ganzes Quartal an kanalübergreifenden Ausgaben abgleichen soll, braucht diese Infrastruktur, damit er von vornherein die richtigen Summen erhält. Ohne sie muss am Ende jemand die Daten stattdessen manuell über den Agenten zusammenführen. Dabei kann man leicht subtile Fehler machen. Wenn ein Stapel übersehen oder doppelt gezählt wird, ist die ROAS-Zahl, die bei der Geschäftsleitung landet, schlichtweg falsch – ohne dass das System dies irgendwie meldet.

Frag mal deine Entwickler: Wird das tatsächliche Datenvolumen über eine spezielle Infrastruktur abgefragt und aggregiert, oder versucht der Agent, den Rohdatensatz selbst auszuwerten – und was kostet das an Latenz und Tokens, wenn das Volumen wächst?

4. Die Korrektur als eigenen Arbeitsschritt einplanen

Das Ergebnis ist probabilistisch, daher muss es überprüft und darf nicht einfach als gegeben angenommen werden. Das bedeutet automatisierte Prüfungen, Tests und eine Protokollierung der Systemaktivitäten – wobei jedes dieser Elemente als eigenständiger Arbeitsschritt aufgebaut und gepflegt wird. Ein von einem Agenten erstelltes Attributionsmodell mag in einer Demo überzeugend wirken. Ohne entsprechende Kontrollen kann jedoch eine subtile Fehlkalkulation bei der Kanalgewichtung das Budget ein ganzes Quartal lang in die falsche Richtung lenken, bevor es beim nächsten QBR bemerkt wird. Gartner prognostiziert, dass bis 2027 mehr als 40 % der Projekte mit agentenbasierter KI genau wegen dieser Art von schwacher Risikokontrolle eingestellt werden (Gartner, 2025).

Fragt eure Entwickler: Wie sieht unser System aus, um fehlerhafte Ergebnisse abzufangen, bevor sie in eine echte Entscheidung einfließen, und wer ist dafür zuständig, es auf dem neuesten Stand zu halten?

5. Plan die unspektakulären Instandhaltungsarbeiten ein

Anmeldedaten und API-Token verfallen. Die Tools, die du verbunden hast, ändern hinter den Kulissen ihre Funktionsweise. Softwareversionen sind nicht mehr kompatibel. Scheduler müssen ständig im Auge behalten werden. Multipliziere das mal mit einem Dutzend verbundener Ad-Tech-Anbieter, und schon wird die Konsolidierung dieser Integrationen zu etwas, das eine Person tatsächlich im Griff behalten kann, zu einem eigenen Projekt. 

Außerdem braucht es ein Team, das genau dafür zusammengestellt ist: Leute, die sowohl die Agent-Technologie als auch die Marketing-Seite gut genug kennen, um das Ganze rund um die Uhr zu überwachen und zu unterstützen – und das ist keine Aufgabe, die man einfach jemandem zusätzlich zu seinem bestehenden Aufgabenbereich aufbürdet. Nichts davon ist der spannende Teil der Entwicklung, aber all das ist notwendig, um das System am Laufen zu halten. An dem Tag, an dem eine Werbeplattform ihre Authentifizierungsmethode ändert, muss jemand das bemerken und beheben, sonst bricht die automatisierte Berichterstattung mitten in einer Kampagne ohne Vorwarnung zusammen.

Frag mal deine Entwickler: Wer ist für diese Wartung noch lange nach dem Start verantwortlich, und wie sieht der Plan aus, wenn das Thema nicht mehr im Vordergrund steht?

6. Plane „fertig“ so ein, dass es weitergeht

Da das Verhalten von Agenten emergent ist (man kann nicht alles, was sie tun werden, im Voraus vollständig vorhersagen), erfordern neue Randfälle eher eine Neugestaltung als einen schnellen Patch, und um etwas richtig zu beheben, muss oft bereits Ausgeführtes erneut verarbeitet werden. Eine Pipeline, die für Standard-Kampagnenstrukturen entwickelt wurde, muss möglicherweise grundlegend überarbeitet werden, sobald ein neuer Kanal oder ein neues Anzeigenformat eingeführt wird – und diese Arbeit fällt wieder demjenigen zu, der sie ursprünglich erstellt hat.

Frag mal deine Entwickler: Wenn ein neuer Sonderfall auftaucht – sind wir dann in der Lage, ihn per Patch zu beheben, oder müssen wir das Design überarbeiten, und haben wir dafür überhaupt Zeit eingeplant?

7. Plane Kosten ein, die sich nach der Nutzung richten, nicht nach den Funktionen

Jeder Agent-Lauf, jeder Wiederholungsversuch, jeder Verifizierungsdurchlauf und jede Neuverarbeitung verbraucht Tokens. Ein Pilotprojekt mag fast kostenlos erscheinen. Eine Produktionslast, die kontinuierlich mit echten Daten läuft, kostet jeden Tag echtes Geld, und diese Kosten richten sich nach dem Volumen, nicht nach der Funktionsliste. Das steht im Widerspruch dazu, wie die meisten Software-Ökonomien funktionieren: Skalierung senkt normalerweise die Kosten pro Einheit. 

Die Kosten für Agenten steigen oft mit der Nutzung, den Wiederholungsversuchen und der Verifizierung, sodass die Wirtschaftlichkeit in Pilotprojekten möglicherweise nicht die Wirtschaftlichkeit im Produktivbetrieb widerspiegelt. Auch die Zuverlässigkeit treibt Teams dazu, sich für die leistungsfähigsten und teuersten Modelle zu entscheiden, da die günstigen Modelle, die eine Demo erschwinglich erscheinen lassen, oft nicht konsistent genug für den Produktivbetrieb sind. Ein schlankes Reporting-Tool, das im Testbetrieb nur ein paar Dollar pro Tag kostet, kann zu einem wirklich unvorhersehbaren Kostenposten werden, sobald es in allen Konten und Kanälen läuft – und genau diese ROI-Rechnung für Retail-Media-Plattformen übersehen viele Pilotprojekte, bis die Rechnung tatsächlich ins Haus flattert.

Fragt eure Entwickler: Haben wir die Token-Kosten auf Basis des tatsächlichen Produktionsvolumens modelliert, einschließlich der Modellstufe und der für die Zuverlässigkeit tatsächlich erforderlichen Wiederholungsversuche?

8. Die Governance ist das, was die anderen sieben zusammenhält

Konsistenz, Korrektheit und Koordination setzen alle voraus, dass jemand sehen kann, was ein Agent getan hat, und eingreifen kann, bevor Schaden entsteht. Wenn man Governance als separaten Punkt auf einer Checkliste betrachtet, übersieht man dabei: Es ist die Ebene, die dafür sorgt, dass die anderen sieben Punkte gegenüber jedem außerhalb des Raums, in dem der Agent entwickelt wurde, rechenschaftspflichtig sind.

In der Praxis bedeutet das: einen Genehmigungsschritt, bevor eine Budgetänderung in Kraft tritt, ein Protokoll über jede Aktion eines Agenten und den Grund dafür sowie eine Möglichkeit, eine falsche Empfehlung bis zu der Eingabe zurückzuverfolgen, die sie verursacht hat. Wenn du das überspringst, lässt sich die Situation mit den beiden Agenten aus Überlegung Nr. 2, die sich gegenseitig die Budgetverteilung überschrieben haben, einem Kunden oder deinem Chef unmöglich erklären, geschweige denn rückgängig machen. Wenn du das überspringst, können die Korrektheitsprüfungen aus Überlegung Nr. 4 nirgendwohin gemeldet werden.

Frag mal deine Entwickler: Wenn ein Agent eine Änderung vornimmt, die sich als falsch herausstellt – wer wird dann benachrichtigt, wie sieht der Prüfpfad aus und wie schnell lässt sich die Änderung rückgängig machen?

Das Fazit

KI-Agenten machen die anfängliche Entwicklung deutlich kostengünstiger und schneller – und genau das macht diese Chance so attraktiv. Was dabei oft übersehen wird: Die Konsistenzprüfungen, die Koordinationslogik und die Korrektheitsschichten, die nötig sind, um diese Systeme zuverlässig zu machen, müssen immer noch entwickelt, getestet und gewartet werden.

Ohne diese Grundlage kann es passieren, dass Teams ihre anfänglichen Einsparungen dafür ausgeben müssen, die Infrastruktur neu aufzubauen, die nötig ist, um den Ergebnissen zu vertrauen, Entscheidungen zu validieren und die Arbeitsabläufe langfristig am Laufen zu halten. Dieser Aufwand lenkt den Fokus von der Innovation ab, die diese Builds eigentlich ermöglichen sollten.

Skai heute Skai diese Grundlage, die von einem Team getestet und gewartet wird, dessen Aufgabe es ist, dafür zu sorgen, dass diese Systeme funktionieren. Mit Skai zu arbeiten Skai , auf einer Grundlage aufzubauen, die bereits die Komplexität agentenbasierter Arbeitsabläufe unterstützt, sodass sich Teams auf die Entwicklung neuer Funktionen konzentrieren können, anstatt die zugrunde liegende Infrastruktur neu aufzubauen.

Fragen, die du deinen Bauunternehmern stellen solltest

Um das bestmögliche Ergebnis zu erzielen, lohnt es sich, diese Fragen direkt mit deinen Bauunternehmern durchzugehen:

• Konsistenz. Wie stellen wir sicher, dass bei jedem Agentenlauf ein festes Schema und eine deterministische Logik eingehalten werden, und wie würden wir es bemerken, wenn das mal nicht der Fall wäre?
• Koordination. Was verhindert, dass zwei Agent-Läufe dieselben Daten beschädigen, und was passiert, wenn ein langer Workflow auf halbem Weg fehlschlägt?
• Skalierbarkeit. Wie verarbeiten wir das gesamte Datenvolumen innerhalb eines begrenzten Kontextfensters, ohne dass Zeilen verloren gehen, doppelt gezählt werden oder die Kosten in die Höhe schnellen?
• Korrektheit. Wie stellen wir sicher, dass die Ergebnisse des Agenten korrekt sind, und wer ist für die Pflege des Systems zuständig?
• Betrieb. Wer sorgt dafür, dass Zugangsdaten, Konnektoren, Abhängigkeiten und Scheduler auf unbestimmte Zeit laufen?
• Wartbarkeit. Wenn ein Sonderfall eine Neugestaltung und eine komplette Neuverarbeitung erzwingt – haben wir dann die Kapazitäten, das zu bewältigen?
• Kosten. Haben wir die tatsächlichen monatlichen Token-Kosten bei Produktionsvolumen modelliert, einschließlich der Modellstufe und der für die Zuverlässigkeit erforderlichen Wiederholungsversuche?
• Governance. Wer genehmigt eine Änderung, bevor sie live geschaltet wird, und wie weit können wir zurückverfolgen, wenn etwas schiefgeht?
• Eigentumsverhältnisse. Was davon wollen wir langfristig selbst aufbauen und besitzen, und was würden wir lieber auf einer bereits vorhandenen Grundlage aufbauen, die das bereits abdeckt?

Wo Skai das Skai abdeckt

Die meisten Teams können diese Fragen nicht mit absoluter Sicherheit beantworten, da es echt Zeit braucht, diese Probleme gut zu lösen – und diese Zeit wird meist doppelt aufgewendet: erstens, um herauszufinden, was fehlt, und zweitens, um das Problem zu beheben. Diese Arbeit Skai bereits erledigt.

Verbinde Skai deinem KI-Ökosystem

Nutze den Skai Hub, die Tools und MCP, um deinen Agenten Zugriff auf Unified-Commerce-Mediendaten, bewährte Marketingfunktionen und Workflows zu gewähren, ohne Hunderte einzelner Publisher-Verbindungen pflegen zu müssen.

Erstelle dein „Agentic Marketing OS“ in Skai

Nutze Studio, um Agenten, Kompetenzen und Arbeitsabläufe entsprechend deiner eigenen Ziele, Regeln und Prozesse zu erstellen, zu koordinieren und zu steuern.

Mit Skai bauen

Nutze Skai für Strategie, Architektur und praktische Unterstützung, um den Weg von der Priorisierung bis zur Produktion zu beschreiten.

Bei Skai bildet die Governance die Grundlage für alle unsere Funktionen. Jede Aktion, die über Skai erfolgt, Skai protokolliert, ist nachvollziehbar und unterliegt den von dir festgelegten Genehmigungen und Regeln – genau nach dem Standard, der oben beschrieben wurde, und nicht als spezieller Modus, den du erst später aktivieren musst.

Letztendlich geht es nicht darum, die Entwicklung zu vermeiden. Es geht darum, deine Entwickler auf die Arbeitsabläufe, Ziele und die Geschäftslogik zu konzentrieren, die dein Unternehmen auszeichnen, und dabei auf eine bewährte Grundlage für die Daten, Tools, Governance und die operative Infrastruktur zurückzugreifen, die jede Entwicklung benötigt. Mit Skai zu entwickeln Skai , dass dein Team seine Zeit mit den Arbeitsabläufen und der Logik verbringt, die tatsächlich für dein Unternehmen spezifisch sind, anstatt das neu zu entwickeln, was Skai bereits gelöst Skai .

Bist du bereits Skai ? Dann wende dich an dein Success-Team, um loszulegen.

Neu bei Skai? Vereinbare eine Demo.

---

Häufig gestellte Fragen