Die ersten Fehlversuche mit Agenten sind selten spektakulär. Sie sind eher klein, unerquicklich und erstaunlich wiederholbar. Genau deshalb sind sie so wertvoll. Wer sie ernst nimmt, lernt schneller als jemand, der nur auf den einen grossen Durchbruch wartet.
Der falsche Start: zu gross, zu vage, zu früh
Viele starten mit einer Aufgabe, die gleichzeitig offen, komplex und zeitkritisch ist. Dann kommt ein mittelmässiges Ergebnis zurück, und der Schluss ist schnell gezogen: Der Agent kann es nicht. In Wahrheit konnte die Aufgabe nicht gelingen, weil sie noch gar nicht arbeitsfähig formuliert war.
Ein Fehlversuch ist deshalb oft kein Urteil über das Modell, sondern über den Auftrag. Zu wenig Kontext, zu viele implizite Erwartungen, keine klare Form des Outputs: Das genügt schon, damit aus einer guten Idee ein unbrauchbarer Ablauf wird.
«Die meisten Fehlversuche beweisen nicht, dass Agenten schlecht sind. Sie beweisen, dass unklare Arbeit auch mit KI unklar bleibt.»
Fehler wiederholen sich nicht zufällig
Das Nützliche an frühen Fehlversuchen ist ihre Wiederholbarkeit. Dieselben Muster tauchen immer wieder auf: Der Auftrag ist zu breit. Der Kontext fehlt. Das gewünschte Format ist nicht definiert. Es wird erwartet, dass das System schon wissen wird, was gemeint ist.
Sobald man diese Muster erkennt, verlieren Fehlversuche ihren Schrecken. Dann werden sie zu Diagnosematerial. Man beginnt nicht mehr nur zu fragen, ob etwas schiefging, sondern warum genau es schiefging. Und diese Frage ist die produktive.
Praktisch heisst das: Nicht nur das Resultat anschauen. Auch den Auftrag danebenlegen und prüfen, ob die Aufgabe überhaupt sauber delegierbar war.
Lernen beginnt bei kleinen Korrekturen
Die wirksamsten Verbesserungen sind meistens klein. Ein zusätzlicher Satz Kontext. Eine klarere Zieldefinition. Die Angabe, ob eine Tabelle oder eine Liste gewünscht ist. Die Bitte, erst Rückfragen zu stellen, wenn etwas fehlt.
Diese kleinen Korrekturen wirken unspektakulär. Aber genau sie machen aus einer instabilen Interaktion eine belastbare Arbeitsweise. Der grosse Fehler vieler Teams ist, nach dem ersten misslungenen Versuch gleich das Tool zu wechseln, statt zuerst den Auftrag zu verbessern.
«Lerneffekte entstehen selten durch den grossen Umbau. Meistens entstehen sie durch die zweite, dritte und vierte präzisere Version derselben Aufgabe.»
Routine schlägt Ausnahme
Ein Agent wird nicht dadurch nützlich, dass er einmal etwas Beeindruckendes macht. Er wird dadurch nützlich, dass er zehnmal hintereinander etwas Verlässliches macht. Deshalb lohnt es sich, wiederkehrende Aufgaben zuerst zu trainieren: Zusammenfassungen, Vergleiche, erste Strukturen, formale Prüfungen.
Dort zeigen sich Fehlversuche besonders klar, und dort werden Lerneffekte besonders schnell sichtbar. Man merkt, welche Formulierungen funktionieren, welche Formate die besten Resultate bringen und wann eine Aufgabe doch noch menschliches Urteil braucht.
Faustregel: Wenn eine Aufgabe häufig vorkommt, lohnt sich jeder kleine Lerneffekt doppelt. Denn er zahlt sich nicht einmal aus, sondern immer wieder.
Der produktive Blick auf das Scheitern
Wer mit Agenten arbeitet, sollte Fehlversuche nicht romantisieren, aber auch nicht dramatisieren. Sie sind weder peinlich noch aussergewöhnlich. Sie gehören zur Aufbauphase. Entscheidend ist, ob man sie als Sackgasse behandelt oder als Trainingsmaterial.
Der produktive Blick lautet deshalb: Was muss an der Aufgabe, am Prompt oder am Ablauf anders sein, damit es beim nächsten Mal belastbar funktioniert? Sobald diese Frage zum Standard wird, verwandeln sich Fehlversuche in Infrastruktur. Und genau dann beginnt Arbeit mit Agenten stabil zu werden.