Bootcamp AI-Agents - Organisationen mit KI-Agenten transformieren

Am 26. Juli 2026 war ich erneut zu Gast beim FHNW Bootcamp KI-Agenten, um meinen Vortrag „KI-Agenten in Produktion: Was die Plattform leisten muss" zu halten. Den gleichen Vortrag hatte ich bereits im März an der ersten Durchführung des Bootcamps gehalten. Die Kernbotschaft blieb dieselbe: Ein einzelner Agent ist schnell gebaut, aber ab dem dritten Use-Case braucht es eine zentrale Plattform, die Querschnittsthemen wie Wissensbasis, Governance, Transparenz, Evaluation, LLM Gateway und PII-Schutz einmal für alle löst.

Andere Gruppe, andere Dynamik

Was diese Durchführung besonders gemacht hat, war die Diskussion. Die Teilnehmenden kamen mit konkreten Vorhaben und wollten vor allem eines wissen: Wie viel Aufwand steckt wirklich hinter einem KI-Use-Case? Wie lange dauert es, bis ein RAG-System produktionsreif ist? Wie gross muss ein Team sein, um eine KI-Plattform zu betreiben?

Ich habe versucht, aus meiner Erfahrung mit verschiedenen Projekten ehrliche Einschätzungen zu geben. Die Wahrheit ist allerdings, dass fast jede Antwort mit „Es kommt darauf an" beginnen muss: auf die Datenqualität, auf die bestehende Infrastruktur, auf die Anforderungen an Genauigkeit und Compliance. Ich habe dieses „It depends" an diesem Vormittag wohl etwas zu oft gesagt, aber es spiegelt nun mal die Realität wider: Pauschale Aufwandschätzungen für KI-Projekte führen fast immer in die Irre.

Praxiserfahrung als roter Faden

Besonders gefragt waren meine Erfahrungen aus konkreten Use-Cases. Die Teilnehmenden wollten wissen, welche Projekte tatsächlich den erhofften Mehrwert gebracht haben und wo die typischen Stolpersteine lagen. Themen wie die Qualität der Wissensbasis, der Umgang mit Halluzinationen und die Frage, wann ein PoC den Sprung in die Produktion schafft, dominierten die Gespräche. Dabei zeigte sich ein Muster: Die grössten Herausforderungen liegen selten in der Technologie selbst, sondern in der Datenaufbereitung, der organisatorischen Verankerung und der realistischen Erwartungshaltung.

Evaluation als Augenöffner

Wie schon bei der ersten Durchführung stiess das Modul Evaluation auf grosses Interesse. Viele Teilnehmende hatten sich bisher kaum Gedanken darüber gemacht, wie man die Qualität eines KI-Systems systematisch messen kann. Die Idee, dass man KI-Qualität nicht dem Zufall überlassen muss, sondern mit Referenzdatensätzen und LLM-as-Judge automatisiert prüfen kann, war für einige ein echter Augenöffner. Die Diskussion drehte sich dann rasch um die Frage, wer im Unternehmen diese Evaluationsdatensätze pflegt und wie man Fachexpertinnen und Fachexperten dafür gewinnt.

Fazit

Der zweite Durchgang dieses Vortrags hat mir wieder gezeigt, dass das Thema KI-Plattform bei Unternehmen einen Nerv trifft. Die Fragen werden konkreter, die Vorhaben ambitionierter, und der Wunsch nach ehrlichen Erfahrungsberichten aus der Praxis ist grösser denn je. Auch wenn ich „Es kommt darauf an" öfter gesagt habe, als mir lieb war: Genau diese Differenzierung braucht es, damit KI-Projekte nicht an unrealistischen Erwartungen scheitern.