Ich habe ein 5-Agenten-KI-Marketingteam in Claude Code aufgebaut

Ich habe ein 5-Agenten-KI-Marketingteam in Claude Code aufgebaut

Das Notion-Board hatte siebzehn Aufgaben. Drei als dringend markiert. Zwei überfällig. Ein Kampagnen-Brief, der Recherche brauchte, vier Social Posts, die Design-Assets brauchten, eine Landingpage, die Copywriting brauchte, und ein Performance-Report, der gestern fertig hätte sein sollen.

Ich schaute auf das Board, öffnete Claude Code, tippte einen Satz — "Scanne das Marketing-Board und arbeite Aufgaben nach Priorität ab" — und ging Kaffee kochen.

Als ich neun Minuten später zurückkam, war der dringende Performance-Report fertig. Gebrandete Charts, Key Insights aus den Kampagnendaten gezogen, Empfehlungen formatiert genau so, wie unsere Kunden es erwarten.

Keine Freelancer. Kein nächtliches Scrambling. Kein Kontextwechsel zwischen sechs verschiedenen Tools. Nur fünf KI-Agenten, zwölf Skills und eine Projektstruktur, die alles miteinander verbindet.

Ich werde Ihnen genau zeigen, wie ich dieses System aufgebaut habe. Nicht die Theorie — den tatsächlichen Vier-Schritte-Prozess, den ich verwendet habe, die Ordnerstruktur, die alles funktionieren lässt, die exakten Agent-Definitionen, die ich geschrieben habe, und die Fehler, die ich gemacht habe, damit Sie sie nicht machen müssen.

Aber zuerst ein Geständnis: Mein erster Versuch war eine Katastrophe. Und zu verstehen, warum er gescheitert ist, ist der schnellste Weg zu verstehen, warum das Multi-Agenten-Design funktioniert.

Warum "Ein Agent macht alles" bei Skalierung scheitert

Mein erster Instinkt — wie bei den meisten Leuten — war, einen Mega-Agenten zu bauen. Ihn mit jeder Marketing-Fähigkeit zu laden, die ich brauchte. Recherche, Content-Erstellung, Datenanalyse, Design, Strategie — alles in einem System-Prompt.

Das Ergebnis war ein 4.000-Wörter-System-Prompt, der einen Agenten steuerte, der in allem mittelmäßig und in nichts ausgezeichnet war.

Das ging schief: Wenn man einen einzelnen Agenten bittet, Recherche UND Content-Erstellung UND Datenanalyse UND Design UND Strategieplanung zu machen, wird das Kontextrauschen überwältigend. Der Agent beginnt, den analytischen Ton der Datensektion mit der kreativen Stimme der Content-Sektion zu vermischen. Die Output-Qualität sinkt durchgehend.

Ich testete dies direkt. Derselbe Kampagnen-Brief, derselbe Markenkontext. Der Mega-Agent produzierte einen Social Post mit dem analytischen Ton eines Datenreports. Er produzierte einen Datenreport mit dem kreativen Flair einer Instagram-Bildunterschrift. Beides war nicht veröffentlichungswürdig.

Die Lösung war offensichtlich, sobald ich das Problem sah: Aufhören, einen Agenten zu bauen, und anfangen, ein Team zu bauen. Jeder Agent bekommt eine fokussierte Rolle, ein spezialisiertes Skillset und nur den Kontext, der für seine Domäne relevant ist.

Diese Erkenntnis führte zu einem Vier-Schritte-Framework, das ich jetzt für jedes KI-Team verwende, das ich baue — nicht nur Marketing. Das Framework funktioniert, weil es widerspiegelt, wie echte Teams funktionieren: spezialisierte Rollen, klare Verantwortlichkeiten und definierte Übergaben.

Das Vier-Schritte-Framework für das Design eines KI-Marketingteams

Dieses Framework klingt einfach. Es ist einfach. Aber "einfach" und "offensichtlich" sind verschiedene Dinge, und ich brauchte Wochen, um zu diesen vier Schritten zu gelangen.

Schritt 1: Kartiere deine Marketing-Funktionen

Bevor Sie Claude Code anfassen, öffnen Sie ein leeres Dokument und listen Sie jede Marketing-Aufgabe auf, die Sie in einer typischen Woche erledigen. Nicht die Kategorien — die tatsächlichen, spezifischen Aufgaben.

So sah meine Liste aus:

• Kampagnen-Performance-Daten aus CSV-Exporten ziehen
• Charts und Dashboards aus diesen Daten erstellen
• Executive Summaries mit Empfehlungen schreiben
• Konkurrenz-Kampagnen und Markttrends recherchieren
• Kampagnen-Briefs basierend auf Recherche-Ergebnissen erstellen
• Blogposts SEO-optimiert schreiben
• Lead Magnets erstellen (PDF-Guides, Checklisten)
• Instagram-Carousel-Posts designen
• Social Media Werbe-Creatives generieren
• Landingpages für Kampagnen bauen
• Gebrandete Slide Decks für Kundenpräsentationen erstellen
• Das Notion-Aufgabenboard mit erledigter Arbeit aktualisieren

Zwölf Aufgaben. Manche passieren täglich, manche wöchentlich, manche pro Kampagne. Die Spezifität ist wichtig — "Social Media machen" ist nutzlos. "Entwerfe ein Instagram-Carousel mit 5-7 Slides, das den Markenrichtlinien folgt" ist brauchbar.

Die meisten Leute überspringen diesen Schritt oder machen ihn vage. Diese Vagheit pflanzt sich durch jeden folgenden Schritt fort. Wenn Ihr Aufgaben-Mapping unscharf ist, werden Ihre Skills unscharf und Ihre Agenten auch.

Schritt 2: Konvertiere Aufgaben in Skills

Hier ist die Regel: Eine Aufgabe gleich ein Skill. Ein Skill ist ein einzelner wiederholbarer Workflow, den Claude eigenständig mit konsistenter Qualität ausführen kann.

Nehmen Sie die Liste der zwölf Aufgaben und verwandeln Sie jede in eine Skill-Definition. Jeder Skill braucht drei Komponenten:

Der Trigger — wann soll dieser Skill aktiviert werden? "Wenn der Nutzer nach Kampagnen-Performance-Analyse fragt" oder "Wenn eine Aufgabe mit Tag 'Content' auf dem Board erscheint."

Die Methodik — Ihr SOP, Schritt für Schritt. Nicht generische Best Practices. IHR Prozess. Der, den Sie durch tatsächliche Kundenarbeit verfeinert haben. Hier wird Ihr institutionelles Wissen kodifiziert.

Die Kontext-Referenzen — Verweise auf Dateien, die dieser Skill braucht. Markensprache-Leitfaden, Farbpalette, Schriftart-Spezifikationen, Beispiel-Outputs, die das erwartete Qualitätsniveau zeigen.

Ich teile die genaue Struktur im Implementierungsabschnitt. Die wichtigste Erkenntnis in diesem Stadium ist, dass ein gut definierter Skill der Unterschied ist zwischen "KI, die generischen Content produziert" und "KI, die IHREN gebrandeten Content produziert."

Schritt 3: Gruppiere Skills in Agenten

Jetzt clustern Sie verwandte Skills unter spezialisierten Agentenrollen. Denken Sie an jeden Agenten als Teammitglied mit einer Jobtitel und einem spezifischen Verantwortungsbereich.

So sind meine fünf Agenten aufgebaut:

Warum diese Gruppierungen? Zwei Gründe. Erstens teilen die Skills innerhalb jedes Agenten Kontext. Die Skills des Data Analysts brauchen alle Zugriff auf denselben Datenordner und denselben visuellen Styleguide. Die Skills des Content Creators teilen alle denselben Markensprache-Leitfaden.

Zweitens — und das ist der Teil, den ich erst beim Testen erkannte — Gruppierung nach kognitivem Modus produziert bessere Outputs. Datenanalyse erfordert Präzision und Objektivität. Content-Erstellung erfordert Kreativität und Stil. Wenn man sie trennt, performt jeder Agent besser in seiner Domäne.

Schritt 4: Verbinde Agenten und Skills

Der letzte Schritt ist die Verkabelung: Projektstruktur, Routing-Regeln und Aufgabenverwaltungs-Integration. Hier verwandeln Sie unabhängige Agenten in ein kooperierendes Team.

Ich gehe die komplette Einrichtung im nächsten Abschnitt durch. Was auf Framework-Ebene zählt, ist zu verstehen, dass Verbindung zwei Schichten hat:

Vertikale Verbindung — jeder Agent kennt seine eigenen Skills und weiß, wann er sie einsetzen soll. Horizontale Verbindung — Agenten können Arbeit aneinander übergeben. Der Output des Market Researchers füttert den Content Creator. Die Reports des Data Analysts informieren die Empfehlungen des Campaign Strategists.

Dieser horizontale Fluss ist es, der fünf unabhängige Agenten in ein tatsächliches Team verwandelt. Und es ist der Teil, der die meiste Iteration brauchte, um gut zu funktionieren.

Gut — das ist das Framework. Jetzt zeige ich Ihnen genau, wie Sie es bauen.

Die Projektstruktur, die alles funktionieren lässt

Ihre Ordner-Architektur ist das Fundament. Bekommen Sie das falsch, können Ihre Agenten den benötigten Kontext nicht finden, Ihre Skills verweisen auf nicht existierende Dateien, und das ganze System fällt auseinander.

marketing-team/
├── .claude/
│   └── agents/
│       ├── data-analyst.md
│       ├── content-creator.md
│       ├── market-researcher.md
│       ├── creative-designer.md
│       └── campaign-strategist.md
├── context/
│   ├── brand-voice.md
│   ├── product-offerings.md
│   ├── visual-style-guide.md
│   ├── color-palette.json
│   ├── competitor-profiles.md
│   └── target-audience.md
├── templates/
│   ├── blog-post-template.md
│   ├── deck-template.pptx
│   ├── report-template.md
│   └── social-post-formats.md
├── creative-library/
│   ├── style-references/
│   └── brand-assets/
├── working/
│   ├── campaigns/
│   ├── reports/
│   ├── social-posts/
│   ├── presentations/
│   └── landing-pages/
├── data/
│   └── campaigns/
├── .mcp.json
└── CLAUDE.md

Zwei Kategorien von Ordnern sind wichtig: Systemordner und Arbeitsordner.

Systemordner (context/, templates/, creative-library/) enthalten das institutionelle Wissen, das Ihre Agenten intelligent macht. Ihr Markensprache-Leitfaden, visuelle Stilreferenzen, Produktinformationen — alles, was ein Agent braucht, um IHREN gebrandeten Content statt generischem Content zu produzieren.

Arbeitsordner (working/) sind, wo Deliverables landen. Jeder Unterordner entspricht einem Output-Typ. Wenn der Creative Designer Instagram-Carousels generiert, landen sie in working/social-posts/. Wenn der Data Analyst einen Report produziert, geht er nach working/reports/.

Die Datei context/brand-voice.md verdient besondere Aufmerksamkeit. Diese einzelne Datei ist das wertvollste Asset im gesamten System. Sie bestimmt Ton, Stil und Persönlichkeit jedes Contents, den Ihre Agenten produzieren.

Meine umfasst etwa 800 Wörter. Sie enthält Tonbeschreibungen mit Beispielen (nicht nur "professionell" sondern "professionell wie ein Senior Consultant, der mit einem CEO spricht — direkt, datengestützt, aber zugänglich"), verbotene Wörter und Phrasen, bevorzugte Strukturen für verschiedene Content-Typen, und drei vollständige Absätze, die den "idealen" Stimmklang demonstrieren.

Wenn Sie in eine Sache investieren, bevor Sie Agenten bauen, investieren Sie in diese Datei. Alles Nachgelagerte erbt ihre Qualität.

Ihren ersten Agenten bauen: Der Data Analyst

Lassen Sie mich Sie durch einen kompletten Agenten-Bau führen, damit Sie das Muster sehen, und es dann für die anderen vier replizieren können.

Erstellen Sie die Agenten-Definition bei .claude/agents/data-analyst.md:

---
name: Data Analyst
model: opus
trigger: bei der Analyse von Kampagnendaten, Erstellung von Reports,
  Generierung von Charts oder Produktion von Performance-Dashboards
---

# Data Analyst Agent

Sie sind der Data Analyst im KI-Marketingteam.
Ihre Aufgabe ist es, rohe Kampagnendaten in
umsetzbare, gebrandete Insights zu verwandeln.

## Ihre Skills
1. **Kampagnendaten-Verarbeitung** — Bereinigen, Strukturieren
   und Analysieren roher Kampagnenmetriken aus CSV-Exporten
2. **Chart & Dashboard Generierung** — Gebrandete
   Visualisierungen nach visuellem Styleguide erstellen
3. **Executive Reporting** — Zusammenfassungsreports
   mit dem "So what?" Empfehlungsframework produzieren

## Ihre Kontextdateien
- Marken-Visualstil: context/visual-style-guide.md
- Farbpalette: context/color-palette.json
- Report-Template: templates/report-template.md

## Ihr Prozess
1. Dataset aus data/campaigns/ laden
2. Headline-Metriken identifizieren (Reichweite, Engagement,
   Conversions, ROAS)
3. Anomalien flaggen — alles, das >15% von der
   Vorperiode abweicht
4. Performance nach Segment aufschlüsseln (Kanal,
   Zielgruppe, Creative-Variante)
5. Gebrandete Charts nach visuellem Styleguide generieren
6. Executive Summary mit dem Framework schreiben:
   Situation → Kernfeststellung → Empfehlung → Erwartete Auswirkung
7. Alle Outputs in working/reports/ speichern

## Output-Standards
- Jedes Chart verwendet die Marken-Farbpalette
- Jede Empfehlung ist an eine spezifische nächste Aktion gebunden
- Executive Summaries überschreiten nie 500 Wörter
- Daten-Behauptungen enthalten die Quellmetrik und Zeitperiode

Das ist eine echte, funktionale Agenten-Definition. Beachten Sie, was passiert: Der Agent hat eine klare Rolle, weiß welche Skills er besitzt, weiß wo seine Kontextdateien liegen, und hat einen definierten Prozess, der Ihre spezifische Methodik widerspiegelt.

Das trigger-Feld im Frontmatter teilt Claudes Routing-Schicht mit, wann dieser Agent aktiviert werden soll. Wenn Sie "analysiere die Februar-Kampagnendaten" tippen, erkennt das Routing-System dies als Daten/Analytik-Aufgabe und leitet sie an den Data Analyst weiter.

Wiederholen Sie dieses Muster für jeden der anderen vier Agenten. Der Content Creator bekommt Blog-Schreib- und Lead-Magnet-Skills. Der Market Researcher bekommt Konkurrenzanalyse und Trend-Monitoring. Jeder mit eigenen Kontextdateien, Prozessen und Output-Standards.

Jede Agenten-Definition braucht 15-20 Minuten, um sie gut zu schreiben. Die meiste Zeit verbringt man mit dem Kodieren der eigenen Methodik — der Teil, wo Sie Ihre tatsächliche Expertise in Anweisungen umwandeln, denen eine KI folgen kann.

MCP-Tools für Bildgenerierung und Integrationen verbinden

Hier bekommt das System seine externen Fähigkeiten. Claude Codes Model Context Protocol lässt Ihre Agenten sich mit externen Diensten verbinden — Bildgenerierung, Projektmanagement, Datensysteme — über standardisierte Schnittstellen.

Meine .mcp.json-Konfiguration verbindet drei externe Dienste:

{
  "mcpServers": {
    "image-gen": {
      "command": "npx",
      "args": ["-y", "@anthropic/mcp-image-gen"],
      "env": {
        "API_KEY": "${IMAGE_GEN_API_KEY}"
      }
    },
    "notion": {
      "type": "http",
      "url": "https://mcp.notion.com/mcp",
      "headers": {
        "Authorization": "Bearer ${NOTION_MCP_TOKEN}"
      }
    }
  }
}

Das Bildgenerierungs-MCP gibt dem Creative Designer Agent seine Schlagkraft. Ohne es kann der Agent Visuals beschreiben und Creative Briefs schreiben, aber nicht tatsächlich die Bilder generieren. Mit der MCP-Verbindung produziert der Agent fertige Instagram-Carousels, Werbe-Creatives und Markenvisuals.

Die Stilbibliothek ist das Geheimnis der Konsistenz. Ich bewahre einen Ordner mit 15-20 Referenzbildern bei creative-library/style-references/ auf, die das visuelle Niveau definieren, das ich erwarte. Der Creative Designer Agent referenziert diese beim Generieren neuer Assets.

Erstversions-Genauigkeit? Etwa 90%. Manche Assets brauchen Farbkorrekturen, manche brauchen Copy-Overlay-Anpassungen. Aber 90% fertig beim ersten Versuch ist besser als bei null anfangen.

Die Notion-MCP-Verbindung ist gleichermaßen transformativ, aber aus einem anderen Grund. Sie verwandelt Ihren Notion-Workspace in ein gemeinsames Aufgabenboard, auf dem sowohl Menschen als auch KI-Agenten Aufgaben abholen, Status aktualisieren und Arbeit übergeben können.

Die CLAUDE.md Routing-Regeln, die alles orchestrieren

Ihre CLAUDE.md-Datei ist der Verkehrsregler. Sie teilt Claude mit, welcher Agent welchen Request-Typ bearbeitet, wie Multi-Step-Kampagnen geroutet werden und wie die Notion-Integration funktioniert.

Hier ist der relevante Abschnitt aus meiner:

## Agent Routing

Wenn eine Marketing-Aufgabe angefragt wird, route zum
passenden Agenten:

- **Daten/Analytik/Reporting-Aufgaben** → @data-analyst
- **Blogposts, Lead Magnets, SEO-Content** → @content-creator
- **Konkurrenz-Recherche, Marktanalyse, Briefs** → @market-researcher
- **Visuelle Assets, Social Graphics, Werbe-Creatives** → @creative-designer
- **Landingpages, Decks, Kampagnen-Assemblierung** → @campaign-strategist

## Multi-Step Kampagnen-Workflow

Für vollständige Kampagnen-Anfragen, in dieser Reihenfolge ausführen:
1. @market-researcher produziert den Kampagnen-Brief
2. @content-creator und @creative-designer arbeiten
   parallel mit dem Brief als Input
3. @campaign-strategist assembliert alle Outputs zu
   finalen Deliverables
4. @data-analyst erstellt Tracking-Framework und
   Baseline-Metriken

## Notion Aufgabenboard

Bei der Anfrage, vom Aufgabenboard zu arbeiten:
1. Mit Notion über MCP verbinden
2. Alle Aufgaben nach Priorität sortiert lesen (Dringend → Hoch → Mittel)
3. Jede Aufgabe zum passenden Agenten routen
4. Aufgabenstatus auf "In Progress" bei Start aktualisieren
5. Aufgabenstatus auf "Complete" bei Abschluss aktualisieren
6. Output-Dateipfad in die Aufgabennotizen einfügen

Der Multi-Step-Workflow-Abschnitt ist, wo die horizontalen Verbindungen stattfinden. Wenn ich sage "starte eine Kampagne für die Kirschblüten-Saison," orchestriert Claude eine Vier-Agenten-Pipeline, die automatisch Output weitergibt.

Die Parallelisierung ist nicht kosmetisch. Zwei Agenten gleichzeitig statt sequentiell laufen zu lassen, halbiert die Gesamtdurchlaufzeit fast.

Eine vollständige Kampagne fahren: Der Kirschblüten-Test

Theorie ist ohne Beweis wertlos. Lassen Sie mich Sie durch eine echte Kampagne führen, die ich durch dieses System laufen ließ, um Ihnen zu zeigen, wie Output und Zeitplan aussehen.

Der Brief: "Erstelle eine vollständige Marketingkampagne für ein Japan-Kirschblüten-Reiseerlebnis für Millennials. Inklusive Marktrecherche, Social Content, einer Landingpage und einem Präsentationsdeck."

Ein Prompt. Hier ist, was in den nächsten 22 Minuten passierte.

Minuten 0-6: Market Researcher aktiviert. Er zog Konkurrenz-Kampagnendaten, identifizierte trending Kirschblüten-Content-Themen, analysierte Millennial-Reisepräferenzen und produzierte einen 1.200-Wörter-Kampagnen-Brief mit Positionierung, Messaging und Kanalempfehlungen.

Minuten 6-16: Content Creator und Creative Designer arbeiten parallel. Der Content Creator generierte sieben Social-Post-Konzepte mit Bildunterschriften, jedes auf den Markensprache-Leitfaden abgestimmt. Gleichzeitig produzierte der Creative Designer Instagram-Carousel-Templates mit Kirschblüten-Thematik unter Nutzung der Stilreferenz-Bibliothek für visuelle Konsistenz.

Minuten 16-22: Campaign Strategist assembliert. Er zog alle Outputs in ein 13-Slide-Präsentationsdeck mit dem Marken-Deck-Template zusammen, baute ein HTML-Landingpage-Konzept und erstellte einen Implementierungs-Zeitplan.

Zweiundzwanzig Minuten. Ein Prompt. Ein Kampagnenpaket, für das ein kleines Team zwei bis drei Tage gebraucht hätte.

War jedes Stück perfekt? Nein. Zwei der Social Posts brauchten Copy-Anpassungen — die Stimme war etwas zu formell für das Millennial-Publikum. Ein Carousel-Slide brauchte eine Farbkorrektur. Das Landingpage-Konzept brauchte eine bessere Hero-Section.

Aber hier ist, was zählt: Neunzig Minuten Verfeinerung versus zwanzig-plus Stunden Erstellung. Das KI-Team ersetzte nicht mein Urteil — es eliminierte die Erstellungsphase, die die meiste Zeit kostete.

Notion-Integration: Wo menschliche und KI-Teams verschmelzen

Das Notion Kanban-Board ist, wo dieses System aufhört, eine coole Demo zu sein, und ein Produktions-Workflow wird. Ich habe ein einfaches Board mit Spalten aufgesetzt: Backlog, Bereit für KI, In Bearbeitung, Review, Erledigt.

Wenn ich — oder ein anderes menschliches Teammitglied — eine Aufgabe erstelle und mit "AI Team" tagge, wird sie für die Claude Code-Agenten über die MCP-Verbindung sichtbar.

Der Workflow sieht so aus:

1. Mensch erstellt Aufgabe: "Analysiere die Februar-Kampagnendaten und erstelle einen Kundenreport" — Priorität: Dringend, Typ: Daten, Zugewiesen: AI Team
2. Ich sage Claude: "Prüfe das Board und arbeite AI Team-Aufgaben nach Priorität ab"
3. Claude verbindet sich mit Notion, liest das Board, identifiziert die dringende Datenaufgabe
4. Routet sie zum Data Analyst Agenten
5. Data Analyst holt die Februar-CSV, führt die Analyse durch, generiert gebrandete Charts und Executive Summary
6. Speichert Output in working/reports/february-campaign-report.md
7. Aktualisiert die Notion-Karte: Status → Review, fügt Dateipfad in Notizen ein

Ich bekomme eine Benachrichtigung, dass die Aufgabe nach Review verschoben wurde. Ich öffne den Report, prüfe die Zahlen, genehmige oder fordere Änderungen an. Wenn es gut ist, verschiebe ich es nach Erledigt. Fertig.

Für Teams mit mehreren menschlichen Mitgliedern ist dies die Brücke. Der Marketing-Manager erstellt Aufgaben. Das KI-Team führt aus. Das menschliche Team reviewed. Der Zyklus ist klar, nachverfolgbar und skalierbar.

Wenn Sie lieber jemanden haben möchten, der dieses gesamte Setup von Grund auf baut — die Agenten, Skills, MCP-Verbindungen, Notion-Integration und Routing-Regeln — kontaktieren Sie mich über Fiverr. Ich habe dies mittlerweile für mehrere Teams gemacht.

Fernsteuerung: Ihr KI-Team vom Handy aus betreiben

Diese Funktion bekommt nicht genug Aufmerksamkeit, und sie ist einer meiner Lieblingsteile des Setups.

Claude Code unterstützt das Verbinden eines Mobilgeräts mit einer lokal laufenden Session. Die Session läuft auf Ihrem Rechner (oder einem Cloud-Server), und Sie steuern sie von Ihrem Handy über eine Remote-Verbindung.

Ich nutze das ständig. In der Schlange beim Kaffee hole ich die Remote-Session raus und tippe "prüfe das Board, verarbeite alles was dringend ist." Bis mein Kaffee fertig ist, sind Aufgaben in Bearbeitung.

Das praktische Setup ist unkompliziert. Starten Sie eine Claude Code-Session auf Ihrem Rechner, aktivieren Sie Remote-Zugang und verbinden Sie Ihr Mobilgerät. Die Oberfläche ist textbasiert — Sie tippen Befehle und sehen Output.

Was dies mächtig macht, ist nicht die Technologie — es ist der Workflow, den es ermöglicht. Ihr KI-Marketingteam läuft 24/7 auf Ihrem Rechner. Sie können es jederzeit von jedem Gerät aus steuern. Es fühlt sich an wie ein stets verfügbares Team, das auf Anweisungen wartet.

Es ist das Nächste, was ich je dem Gefühl gekommen bin, tatsächlich ein Team zu managen — außer dass das Team nie einen Brief missversteht, nie eine Deadline vergisst und sich nie krank meldet.

Was ich falsch gemacht habe und was ich anders machen würde

Ehrlichkeitsmoment. Dieses System entstand nicht vollständig geformt. Es brauchte drei Wochenenden Iteration, und ich machte Fehler, die Sie vermeiden können.

Fehler 1: Kontextdateien überladen. Mein erster Markensprache-Leitfaden war 3.000 Wörter. Claude referenzierte Teile davon inkonsistent. Lösung: Halten Sie Kontextdateien unter 1.000 Wörtern. Priorisieren Sie Beispiele über Beschreibungen.

Fehler 2: Output-Formate nicht explizit definieren. Mein früher Data Analyst Agent produzierte Reports in welchem Format er sich gerade fühlte. Mal Markdown, mal HTML, mal Klartext. Lösung: Definieren Sie Output-Formate, Dateinamens-Konventionen und Speicherorte in jeder Agenten-Definition.

Fehler 3: Alle fünf Agenten bauen, bevor ich einen testete. Ich hätte einen Agenten bauen, ihn gründlich testen, verfeinern und dann zum nächsten übergehen sollen. Stattdessen baute ich alle fünf und musste sie alle gleichzeitig debuggen. Albtraum.

Fehler 4: Zu wenig in die Creative-Stilbibliothek investieren. Mein erster Durchgang hatte drei Referenzbilder. Die Outputs des Creative Designers waren generisch. Nach Erweiterung auf 15+ Referenzen in einem konsistenten Stil verbesserte sich die visuelle Konsistenz dramatisch.

Was ich anders machen würde, wenn ich neu anfange: Ich würde den gesamten ersten Tag nur mit Kontextdateien verbringen. Markensprache-Leitfaden, visueller Styleguide, Produktbeschreibungen, Konkurrenzprofile — alles poliert, bevor ein einziger Agent geschrieben wird. Die Qualität Ihres Kontexts bestimmt die Qualität Ihres Outputs.

Die Zahlen: Was dieses System tatsächlich produziert

Ich betreibe dieses Setup jetzt für Kampagnenarbeit über drei Kundenaccounts. So sieht ein typischer Projektlauf aus:

Gesamte Agent-Generierungszeit für ein vollständiges Kampagnenpaket: etwa 40-55 Minuten Rechenzeit. Gesamte menschliche Review- und Verfeinerungszeit: 2-3 Stunden. Verglichen mit der manuellen Produktion derselben Deliverables: 2-3 Tage.

Der Effizienzgewinn ist nicht die interessanteste Metrik. Der Konsistenzgewinn ist es. Jedes Deliverable folgt denselben Markenrichtlinien, demselben Ton, demselben visuellen Stil. Kein Drift zwischen Kampagnen. Kein "der neue Freelancer versteht die Markensprache noch nicht."

Laut Fortune Business Insights hat der globale agentische KI-Markt 9,14 Milliarden Dollar erreicht, getrieben von genau dieser Art spezialisierter Agent-Anwendung.

Heute anfangen: Ihre ersten zwei Stunden

Wenn Sie bis hierhin gelesen haben, hier ist genau, was Sie in Ihrer ersten Arbeitssession tun sollten:

Stunde 1: Fundament

1. Erstellen Sie die Projektordner-Struktur (verwenden Sie mein Template oben)
2. Schreiben Sie Ihre context/brand-voice.md — maximal 800 Wörter, inklusive 3 Beispielabsätzen auf verschiedenen Tonlagen
3. Erstellen Sie context/product-offerings.md mit Ihren Kern-Produkt/Service-Beschreibungen
4. Richten Sie Ihre .mcp.json mit Notion-Integration ein (folgen Sie dem Notion MCP Setup Guide)

Stunde 2: Erster Agent

1. Wählen Sie Ihren wertvollsten Agenten (Data Analyst wenn Sie im Reporting ertrinken, Content Creator wenn Sie in Content-Produktion ertrinken)
2. Schreiben Sie die Agenten-Definition nach meinem Template
3. Erstellen Sie einen Skill innerhalb dieses Agenten — Ihre am häufigsten wiederholte Aufgabe
4. Testen Sie es mit einer echten Aufgabe, nicht einem Spielzeugbeispiel
5. Verfeinern Sie die Skill-Definition basierend auf dem, was der Output falsch macht

Sie haben ein funktionierendes Single-Agent-Setup am Ende von zwei Stunden. Fügen Sie danach einen Agenten pro Session hinzu. Testen Sie jeden, bevor Sie weitergehen. Bauen Sie iterativ.

Innerhalb einer Woche haben Sie ein funktionales KI-Marketingteam. Innerhalb eines Monats, nach Iteration an Kontextdateien und Skill-Definitionen basierend auf echten Kampagnenergebnissen, haben Sie ein System, das 80-90% produktionsfertige Outputs beim ersten Versuch produziert.

Die Tools dafür existieren schon eine Weile. Claude Code-Agenten, Skills, MCP-Verbindungen — nichts davon ist individuell neu. Was neu ist, ist das Verständnis, wie man sie zu einem kohärenten System verbindet, das als Team funktioniert statt als Sammlung loser Werkzeuge.

Wenn Sie tiefer in die Skills-Architektur eintauchen wollen, schrieb ich eine detaillierte Aufschlüsselung in meinem Post über wie ich ein vollständiges KI-Marketing-Automatisierungssystem aufgebaut habe.

Die Marketing-Industrie spaltet sich gerade in zwei Gruppen. Teams, die KI als Content-Generierungs-Button behandeln — "schreib mir einen Blogpost" — und Teams, die KI als Erweiterungen ihres Teams behandeln. Echte Teammitglieder mit Rollen, Verantwortlichkeiten und Qualitätsstandards.

Ich weiß, in welcher Gruppe ich sein will. Und nach den letzten Monaten, in denen ich dieses System gebaut und verfeinert habe, weiß ich genau, wie man dorthin kommt.

Das Notion-Board auf meinem Bildschirm hat gerade neun Aufgaben in der Warteschlange. Ich werde Claude Code öffnen, einen Satz tippen und etwas anderes machen.

Und neun Aufgaben werden zu neun Deliverables. Automatisch, konsistent und in meiner Markensprache.

Ihr Zug.

Häufig gestellte Fragen

Wie viel kostet das Betreiben eines KI-Marketingteams in Claude Code?

Claude Code läuft auf Anthropics API-Preisgestaltung, mit Opus 4.6 bei etwa $15 pro Million Input-Token und $75 pro Million Output-Token. Ein typisches Kampagnenpaket — Recherche, Content, Visuals, Präsentation — kostet $2-5 an API-Nutzung. Mit dem Max-Abo bei $100/Monat sind die meisten individuellen Workloads abgedeckt.

Können nicht-technische Marketer Claude Code-Agenten einrichten?

Das initiale Setup erfordert Komfort mit Dateiverwaltung und grundlegenden Terminal-Befehlen — Ordner erstellen, Markdown-Dateien bearbeiten, Claude Code aus einem Projektverzeichnis starten. Einmal eingerichtet ist die tägliche Nutzung konversational — Sie tippen Anfragen in natürlicher Sprache.

Wie vergleichen sich Claude Code-Agenten mit dem Anheuern von Freelancern für Marketing?

Agenten glänzen bei wiederholbarer, markenkonsistenter Ausführung — der Arbeit, die Ihren etablierten SOPs folgt. Sie schwächeln bei genuiner kreativer Strategie, nuanciertem Kundenbeziehungs-Ton und Urteilen über politische oder kulturelle Sensibilität.

Brauche ich den Claude Max-Plan, um mehrere Agenten zu betreiben?

Sie brauchen ein Claude Code-Abonnement, das API-Zugang bietet. Der Max-Plan bei $100/Monat enthält substanzielle Nutzung, die die meisten Marketing-Workloads abdeckt. Wenn Ihre API-Nutzung regelmäßig Limits überschreitet, können Sie auf direkte API-Abrechnung wechseln.

Was passiert, wenn Claude Code-Updates mein Agent-Setup brechen?

Agenten-Definitionen sind Markdown-Dateien in Ihrem Projekt — sie werden über Git versioniert wie jeder andere Code. Claude Code-Updates brechen selten Agenten-Definitionen, da das Format stabil ist. MCP-Server-Updates können Aufmerksamkeit erfordern, wenn sich API-Schnittstellen ändern.

Lassen Sie uns zusammenarbeiten

Sie möchten KI-Systeme aufbauen, Workflows automatisieren oder Ihre technische Infrastruktur skalieren? Ich helfe gerne.

• Fiverr (Individuallösungen & Integrationen): fiverr.com/s/EgxYmWD
• Portfolio: mejba.me
• Ramlit Limited (Enterprise-Lösungen): ramlit.com
• ColorPark (Design & Branding): colorpark.io
• xCyberSecurity (Sicherheitsdienste): xcybersecurity.io