Wie wir bei Dawiso voll auf KI-Agenten gesetzt haben

Wie die meisten Technologieunternehmen haben wir den ChatGPT-Moment Ende 2022 mitbekommen. Alle fingen an, Chat-KI für irgendetwas zu nutzen: E-Mails entwerfen, Dokumente zusammenfassen, Ideen sammeln. Nützlich, aber niemandes Arbeitsweise änderte sich. Wir waren bei manchen Aufgaben schneller. Die Aufgaben selbst blieben dieselben.

Mitte 2025 beschlossen wir, gezielter vorzugehen. Wir kauften gemeinsame Zugänge, für Claude, ChatGPT und Cursor. Wir machten sie jedem Team zugänglich. Die Botschaft war einfach: ausprobieren, herausfinden, was funktioniert, und den ROI begründen binnen zwei Monaten.

Keine Vorgaben. Kein Komitee für KI-Strategie. Ein Grundsatz: KI dort einführen, wo sie Sinn ergibt, und sie nicht dort erzwingen, wo sie es nicht tut.

Die Reaktion war uneinheitlich, wie erwartet. Manche sprangen sofort auf. Andere probierten es einmal und gingen zurück zu ihren bisherigen Werkzeugen. Das war in Ordnung. Wir suchten keine gleichmäßige Einführung, wir suchten ein Signal.

Im zweiten Halbjahr 2025 gingen einzelne Teile des Teams tiefer. Die Entwicklung führte KI-gestützte Code-Reviews ein. Der Austausch im Chat wurde ein natürlicher Teil der Entwicklung. Wir lieferten eine hochwertige erste Fassung der MCP-Anbindung für die Dawiso-Plattform aus und gaben KI-Agenten damit eine direkte Schnittstelle zu unserer Schicht für Data Governance.

Nichts davon war für sich genommen umwälzend. Doch die Summe war eindeutig: Wer KI täglich nutzte, lieferte mehr, in höherer Qualität, mit weniger Reibung. Der Abstand zwischen denen, die KI nutzten, und allen anderen wuchs.

Zum Jahresende trafen wir eine Entscheidung: KI-Agenten sollten zu jedem Team gehören. Nicht als Werkzeug nebenher. Als echte Mitarbeitende im täglichen Ablauf, in Entwicklung, Marketing, Vertrieb, Kundenerfolg und Backoffice.

Im Januar 2026 starteten wir etwas, das wir AHA, AI Hyper Accelerator nannten.

Der Name ist halb ernst, halb verspielt. Wir haben sogar ein Logo und ein Lied gemacht. Der Zweck war aber todernst: den Leuten einen strukturierten Raum geben, um ihre Denkblockaden gegenüber KI aufzubrechen.

Das erste AHA haben wir in Prag veranstaltet. Zwei Tage, sieben Teams, freiwillige Teilnahme. Die Aufgabe war weit gefasst: ein echtes Problem wählen, versuchen, es mit KI-Agenten zu lösen, und teilen, was man gelernt hat. Wir setzten die Erwartungen bewusst niedrig beim Ergebnis und hoch beim Lernen.

Was dann geschah, übertraf jede Erwartung.

Die Projekte gingen weit auseinander. Ein Team testete fünf verschiedene KI-Werkzeuge, um unsere Website neu zu erzeugen, eine Arbeit, die uns einen Monat später dazu brachte, sie komplett neu zu bauen. Ein anderes Team baute eine Pipeline, die aus Beschreibungen in natürlicher Sprache konzeptionelle Datenmodelle erzeugt und aus einer mehrtägigen Entwurfsaufgabe Minuten macht. Eine dritte Gruppe setzte eine vollständige Profilseite für Nutzer um, ausschließlich mit von KI erzeugtem Code. Wieder andere probierten sich an von KI erzeugten Videos. Sieben Teams, sieben verschiedene Wetten darauf, wo KI etwas bewegen kann.

Das eigentliche Ergebnis war jedoch ein ganz anderes: eine Verschiebung darin, wie die Leute über ihre Arbeit dachten. Das sind keine Ausnahmetalente, die Außergewöhnliches tun, das sind ganz normale Teammitglieder, die entdecken, dass sie Software für den Produktivbetrieb bauen können.

Das ist der AHA-Moment. Nicht „KI ist cool“. Sondern:

Ehrlich gesagt: Beim ersten AHA war ich zu beschäftigt damit, anderen zu helfen, um meinen eigenen Moment zu erleben. Also habe ich mir im Februar ein Wochenende freigeschaufelt, um es richtig zu machen.

In zwei Tagen baute ich eine Plattform für Wettbewerbsbeobachtung von Grund auf. Serverlose Architektur, 12 Datenbanktabellen, automatisches Auslesen von 15 Wettbewerbern, eine komplexe Pipeline dafür, von KI erzeugte Wochenberichte und Erkenntnisse, Meldungen in Slack. Am Sonntagabend lief sie produktiv.

Die Erfahrung bestätigte etwas, das ich vermutet hatte: die Wirtschaftlichkeit der Softwareentwicklung hat sich verschoben. Der neue Engpass ist die Spezifikation, nicht die Personalstärke. Wie gut ein Team bestimmen kann, was gebaut werden soll, und wie wirksam es mit KI-Agenten zusammenarbeitet, entscheidet stärker über das Ergebnis als die Teamgröße.

Im März haben wir AHA erneut veranstaltet, diesmal in Brno. Mehr Projekte. Mehr Leute. Das Muster wiederholte sich, und die Geschichten wurden schärfer.

Unsere QA-Ingenieurin baute ein Werkzeug zur Fehlererkennung. Vom Prototyp zur laufenden Anwendung in zweieinhalb Stunden. Kein Wochenende. Kein Sprint. Ein Nachmittag.

Ein Kollege, der nie einen Code-Editor geöffnet hatte, baute eine eigene Notiz-App: Anhänge, Aufgaben, Erinnerungen in Slack, ein schöner dunkler Modus. Zwei Tage.

Eine Kollegin baute einen Tracker für Musikveranstaltungen: Anbindung an Spotify, Konzertliste nach Region, produktiv im Einsatz. Ihre Erkenntnis war nicht die App. Es war, dass sie KI wie eine Kollegin behandeln konnte: sie fragen, wie man sie fragt, ihr Rückmeldung geben und zusehen, wie sie lernt.

Ein Mitglied des QA-Teams baute einen Slack-Bot, der Threads mit Fehlermeldungen liest und daraus automatisch strukturierte Jira-Tickets mit allen ausgefüllten Feldern erzeugt. Er läuft seit dem ersten Tag produktiv.

Über beide Veranstaltungen hinweg traten gemeinsame Muster hervor:

• Die Qualität der Spezifikation bestimmt die Qualität des Ergebnisses. Die Teams, die Zeit in klare Anforderungen steckten, bekamen deutlich bessere Ergebnisse. KI verstärkt die Qualität Ihres Denkens.
• Vorlagen und Standards beschleunigen alles. Unsere interne Vorlage für Anwendungen gab jedem Projekt Anmeldung, Designsystem und Deploy-Pipeline, bevor eine einzige Zeile Fachlogik geschrieben war.
• Disziplin in der Sitzung zählt. Wer Rituale entwickelte, also jede Sitzung mit dem Laden des Kontexts beginnen und mit dem Festhalten des Stands beenden, bekam durchweg bessere Ergebnisse als jene, die einfach „chatteten“.
• Fehler sind übertragbar. Wenn jemand ein Problem und seine Lösung dokumentierte, hörte die KI auf, diesen Fehler zu machen. Aus dem Lernen im Unternehmen wurde maschinelles Lernen.

Womit wir nicht gerechnet hatten: Die KI-Landschaft verschob sich unter uns immer weiter.

Im Januar setzten wir voll auf Claude, sowohl auf die Oberfläche zum Chatten als auch auf Claude Code. Die Einführung ging schneller als erwartet. Leute, die skeptisch gewesen waren, nutzten es binnen Wochen täglich.

Im März tauchten die GPT-Treuen wieder auf. Neue Modelle, neue Fähigkeiten. Unser Marketingteam zog für kreative Arbeit zu Gemini und Google AI Studio.

Wir haben aufgehört, das als Entscheidung für einen Anbieter zu sehen. Die eigentliche Frage wurde: welche KI für welche Aufgabe? Unsere Entwicklung lebt in Claude Code. Unser Marketing nutzt Gemini für visuelle Kreation. Manche im Team behalten GPT für bestimmte Abläufe, in denen es besser passt.

Acht Monate später steigt das Tempo weiter. Jede Woche tut jemand im Team etwas, das vor einem Quartal unmöglich gewesen wäre, zumindest unpraktisch.

Wir bauen Dinge, über die wir noch nicht sprechen können. Erweiterungen der Dawiso-Plattform. Neue Anwendungen. Neue Wege, mit unseren Enterprise-Kunden zu arbeiten. Das Tempo ist anders als alles, was ich in zwanzig Jahren Unternehmens-IT erlebt habe.

Was ich sagen kann: die größten Veränderungen liegen nicht hinter uns. Die AHA-Momente kommen weiter, und jeder davon hebt die Messlatte dafür, was „normal“ heißt.

Wenn Sie ein Technologieunternehmen führen und Ihrem Team bisher nicht den Raum gegeben haben, das selbst zu erleben, also Zeit mit Struktur, um die eigenen Annahmen über Abläufe aufzubrechen und sie mit KI neu zu bauen, dann lassen Sie außergewöhnliches Potenzial liegen.

Wir haben es AHA genannt, weil der Name fasst, worauf es ankommt. Nicht die Technik. Nicht die Werkzeuge. Den Moment, in dem sich der Blick eines Menschen verändert und die Person sagt: „Oh. Das ist etwas anderes.“

Dieser Moment verändert alles, was danach kommt.