So macht Pennylane aus Custom Agents echte KI-Teammitglieder
In nur sechs Monaten hat Pennylane über 600 Custom Agents entwickelt, die über 2.000 mal am Tag laufen, Aufgaben verteilen, Meetings nachverfolgen, interne Anfragen beantworten und größere Projekte unterstützen. Wir haben mit Cyril Allard, New Business & AI Lead, darüber gesprochen, wie Pennylane Custom Agents eingeführt hat, welche Workflows sich als besonders nützlich erwiesen haben und warum saubere, strukturierte Daten das Fundament einer erfolgreichen Entwicklung von Agenten sind, die mit der Zeit immer wertvoller werden.
Der Custom Agent, der 600 neue Agents entwickelt hat
Erzähl uns von Pennylane, deiner Rolle und wie das Unternehmen Notion nutzt.
Bei Pennylane handelt es sich um eine Kollaborationsplattform für Buchhaltungsbüros und ihre Kunden. Wir haben bereits über 1.000 Mitarbeitende in Europa und wollen nach unserer letzten Finanzierungsrunde von 75 Millionen Euro weiter auf dem Kontinent wachsen.
Notion nimmt bei unserer Arbeit eine zentrale Rolle ein. Wir nutzen das Tool zur Dokumentation, aber auch als Daten- und Wissensplattform.
Ich bin vor einem Jahr ins Unternehmen gekommen und konzentriere mich momentan auf die Einführung von KI. Dabei helfe ich Teams, über die individuelle Experimente hinauszugehen und KI systematisch in die Arbeit zu integrieren. Custom Agents haben sich als besonders praktisch erwiesen, um diesen Wandel zu voranzutreiben.
Welches Problem hat dich darauf gebracht, Custom Agents zu entwickeln?
Eigentlich etwas ganz Einfaches: meine Aufgabenverwaltung.
Ich habe für die Arbeit immer eine To-do-Listen-App genutzt. Als ich bei Pennylane angefangen habe, stand diese aber nicht auf der Liste der im Unternehmen erlaubten Tools. Ich wollte nur aufschreiben müssen, was für morgen oder ein bestimmtes Projekt ansteht, und daraus sofort eine Aufgabe erstellen lassen, inklusive Datum, Projektnamen und Priorität.
Also habe ich einen Custom Agent gebaut und mit Slack verknüpft. Ich schreibe eine Aufgabe in einen eigenen Slack-Channel, der Agent versteht, was ich will, standardisiert die Informationen und fügt sie zu meiner Aufgaben-Datenbank in Notion hinzu. Ich bin damit genauso schnell wie mit meiner früheren App. Der Unterschied besteht lediglich darin, dass sich die Daten für die Aufgaben nun in Notion befinden. Das heißt, sie sind strukturiert und können von anderen Agents durchsucht und wiederverwendet werden.
Gleichzeitig habe ich ein ähnliches Muster in einem anderen Bereich meiner Arbeit festgestellt. Meeting-Notizen mussten von uns manuell aktualisiert werden. Jedes Mal, wenn ich die Notion-KI aufmachte, musste ich aufs Neue den Kontext zum Projekt erklären. Einige Projekte waren öffentlich, andere privat, und es gab keine einfache Möglichkeit, automatisch die richtigen Informationen an die richtigen Leute weiterzuleiten.
Das hat mich zur Überlegung gebracht, Custom Agents dafür zu nutzen, Informationen zu organisieren und dann diese sauberen Daten zur besseren Entscheidungsfindung zu nutzen. Das wurde die Grundlage für ein Framework, das ich für jeden Agent nutze, den ich entwickle: Data-Cleaner und Data-Consumer. Cleaner sorgen dafür, dass Informationen organisiert, getaggt und aktualisiert werden. Consumer lesen diese sauberen Daten und helfen beim Nachdenken, Entscheiden und schnelleren Handeln.
Welche Data-Cleaner und Data-Consumer hast du so schon entwickelt?
Ein Data-Cleaner ist mein Kalender-Manager. Er läuft jede Nacht, klont Meetings in eine strukturierte Datenbank, taggt sie nach Thema und postet morgens eine Zusammenfassung in Slack. Bei öffentlichen Projekte kann er Meetings an gemeinsame Datenbanken weiterleiten, sodass Teammitglieder auf die richtigen Transkripte zugreifen können. Früher musste ich diese manuell teilen.
Außerdem habe ich noch Domain-Copilots entwickelt, die als Data-Consumer fungieren. Wir haben inzwischen einen für jedes Großprojekt von Pennylane. Sie haben Zugriff auf die betreffenden Seiten und Meetings und erhalten automatisch den passenden Kontext. Wenn ich eine konkrete Frage stelle, muss ich den Kontext nicht einfügen, der Agent weiß bereits, um welchen Bereich es geht.
Das spart mir unheimlich viel Zeit. Das Ganze sieht an der Oberfläche wie ein normaler Chat aus, der Agent hat dabei jedoch immer den vollen Kontext zum Projekt, an dem ich arbeite. Genau hier entsteht der Mehrwert. Sobald die Daten sauber und strukturiert sind, wird jeder zusätzlich entwickelte Agent noch nützlicher.
Notion ist eines der wenigen Tools, die von allen Menschen im Unternehmen genutzt werden und Teil des Onboardings sind.
Unternehmensweit implementiert, inklusive Leitplanken
Wie hat Pennylane Custom Agents unternehmensweit eingeführt?
Sie sind organisch entstanden. Notion wurde bereits in allen Abteilungen genutzt. Wir haben daher mit praktischen Schulungen angefangen und den Teilnehmenden echte Workflows gezeigt, die sie übernehmen konnten. Eine Person hat einen Agent entwickelt, ihn geteilt und andere Teams haben um Unterstützung gebeten. Nach wenigen Monaten hatten wir 7 bis 10 Teams geschult und in den unterschiedlichsten Abteilungen regelrechte Power-User bemerkt, von Growth über Ops und die IT bis hin zu Sales.
Die Einführung erfolgt nun deutlich strukturierter: Neue Teilnehmende erhalten eine zweistündige Schulung zu Custom Agents. Heute haben wir etwa 600 Custom Agents, die über 2.000 Mal am Tag laufen. Sie sind hauptsächlich Team-spezifisch statt zentral standardisiert. Teams entwickeln das, was sie für ihren eigenen Workflow brauchen, daher werden nur einige Agents unternehmensweit geteilt. Hier einige Beispiele:
Help-Migration und Help-Legal. Mitarbeitende stellten immer wieder dieselben Fragen zu Datenmigration und rechtlichen Themen, wodurch Team-Leads von ihren eigentlichen Aufgaben abgehalten wurden. Jetzt formuliert der Agent eine Antwort auf Grundlage unsere FAQs und vergangener Tickets und postet sie direkt in den Slack-Faden. Gute Antworten werden dann in unserer Wissensdatenbank gespeichert.
Ein Agent rund um Fragen zu KI im Unternehmen. Wir hatten im Unternehmen keinen offiziellen Bereich, an dem man grundlegende Fragen zu KI bei Pennylane stellen konnte. Also haben wir einen unternehmensweiten Agent gebaut, den alle zu Best Practices und Tools befragen können. So werden gleichzeitig Kapazitäten für unser KI-Team frei.
Monitoring-Agents. Spezielle Monitoring-Tools sind oft teuer und komplex in der Konfiguration. Ich habe einen Agent entwickelt, der Finanzierungsrunden von KI-Unternehmen nachverfolgt und mir über Slack eine Zusammenfassung schickt. Das Ganze aufzusetzen hat kaum Zeit gekostet.
Chief of Staff und weitere Vorlagen. Nicht immer will man einen Agent von Grund auf selbst bauen. Deshalb haben wir einen Leitfaden und eine Bibliothek mit Custom Agents erstellt, die einfach dupliziert werden können. Einen Chief-of-Staff-Produktivitätsassistenten, Agents für sich wiederholende Aufgaben, Kalenderautomatisierungen und den To-do-Workflow, den ich am Anfang erwähnt hatte. Auf diese Weise können alle relativ einfach in die Arbeit mit Agents einsteigen.
Wie geht ihr im Rahmen der zunehmenden Implementierung von Agents im Unternehmen mit Governance, Sicherheit und Kosten um?
Unser IT-Team spielt eine entscheidende Rolle beim Einhalten unseres Frameworks. Wenn wir zum Beispiel ein MCP einbinden wollen, wird dieses zunächst von der IT validiert. Dann stößt sie den nötigen Prozess an und stellt sicher, dass alles regelkonform abläuft. Innerhalb dieses Frameworks können Mitarbeitende Custom Agents für ihre Arbeit entwickeln. Wichtig ist, dass die richtigen Leitplanken gesetzt sind.
Das Framework wird durch die Funktionsweise von Custom Agents unterstützt: Ein Agent kann niemals mehr Zugriff haben als die Person, die ihn entwickelt hat. Niemand kann also einen Agent bauen, der über die eigenen Befugnisse hinausgeht.
Hinsichtlich der Kosten befinden wir uns noch in der Einführungsphase, nicht in der Konsolidierungsphase. Wir wollen nicht, dass die Kosten explodieren. Deshalb haben wir pro Person eine Kostenobergrenze festgelegt und behalten die Nutzung im Blick. Für individuelle Agents können wir auch Nutzungslimits festlegen. Dann wird ein Workflow automatisch pausiert, wenn das Limit erreicht ist. So können wir experimentieren und trotzdem die Kosten planen.
Welche Rolle spielen Custom Agents im gesamten KI-Ökosystem von Pennylane?
Wir verwenden verschiedene KI-Tools für unterschiedliche Teams und Bedürfnisse. Aber die Custom Agents von Notion eigenen sich besonders gut für Workflows, die auf Unternehmenswissen basieren. Unsere gesamte Dokumentation befindet sich in Notion, und diese saubere Grundlage ist für KI am wichtigsten. Auch unser Workspace ist relativ sauber und gut strukturiert. Er ist zwar nicht perfekt, aber wir haben Mitarbeitende, die ihn kontinuierlich pflegen. Daraus ergibt sich aus der Nutzung von KI in Notion ein unmittelbar spürbarer ROI, denn wir können einem Agent sofort die richtigen Informationen liefern.
Auch eine einfache Nutzung ist für uns ausschlaggebend. Selbst Personen, die nichts über KI und Agents wissen, können Custom Agents in Notion ganz einfach nutzen. Sie müssen nicht extra zu einem anderen Tool wechseln, denn wir alle nutzen Notion bereits bei der Arbeit.
Diese Kombination aus Kontext und einfacher Nutzung ist genau das, was wir für unsere moderne Arbeitsweise brauchen. Einige dieser Workflows könnten von speziellen Tools übernommen werden. Aber diese sind oft teuer, komplex in der Konfiguration oder nicht für alle Mitarbeitenden bei Pennylane verfügbar. Custom Agents geben unseren Teams Flexibilität. Sie können einfache Workflows für ein spezifisches Bedürfnis entwickeln, ohne das Unternehmen darum zu bitten, ein neues Tool anzuschaffen und auszurollen.
Selbst Personen, die nichts über KI und Agenten wissen, können Custom Agents in Notion ganz einfach nutzen.
Ein KI-Teammitglied für alle
Was steht rund um Custom Agents bei Pennylane als Nächstes an?
Wir verfolgen den Ansatz, alle mitzunehmen. Alle sollen von KI profitieren. Aber nur ein kleiner Teil soll die Entwicklung von Agents wirklich beherrschen müssen, sodass der Rest des Unternehmens ihre Vorteile nutzen kann.
Der nächste Schritt besteht darin, Teams oder Einzelpersonen vorgefertigte KI-Agents zur Verfügung zu stellen. Das könnte zum Beispiel ein Vertriebs-Agent sein, der unsere Produkte, unseren idealen Kunden und unser Verhalten bei Kritik bereits kennt. Oder ein persönlicher Agent, der bereits über Informationen zur spezifischen Rolle und zum Team verfügt.
Das Ziel besteht darin, automatisch Mehrwert zu liefern, bei möglichst wenig Konfigurationsaufwand. Mitarbeitende sollen von Agents profitieren können, ohne zu merken, dass sich ihre Arbeitsweise weiterentwickelt hat.
Wir wollen einen Übergang schaffen von ein paar Power-Usern, die Agents entwickeln, hin zu einer Situation, in der alle Mitarbeitenden genau das richtige KI-Teammitglied haben. Das ist unsere große Vision.
Wo fängt man an, wenn man seinen ersten Custom Agent entwickeln möchte?
Mit zwei Dingen. Erstens: Die Daten müssen für einen Menschen leicht auffindbar und leicht verständlich sein. Dann sind sie auch für KI einfach zu nutzen. Ich führe eine Datenbank mit allen Themen, an denen ich arbeite, inklusive einer Beschreibung. Dieser Kontext ermöglicht es meinen Domain-Copilots, relevante Ergebnisse statt generischer Antworten zu liefern.
Zweitens: Man sollte mit KI lernen, wozu KI in der Lage ist. Am Anfang ist es oft gar nicht so leicht, zu erkennen, wobei mir KI helfen kann. Am besten finde ich das mit KI selbst heraus – zusammen mit meinem eigenen Verständnis meiner Arbeit. Man muss nicht jeden möglichen Anwendungsfall zu Papier bringen, bevor man anfangen kann. Man kann einen Custom Agent öffnen, die Aufgaben beschreiben, die am meisten Zeit rauben, und Folgendes fragen: „Was könntest du für mich automatisieren?“
Man kann den Agent auch darum bitten, sich selbst zu erstellen. Nach meiner Erfahrung funktionieren Prompts wie „Das ist mein Problem. Erstelle dich selbst.“ erstaunlich gut. Und sie haben die Akzeptanz bei Pennylane enorm erleichtert. Viele hatten Angst davor, KI zu nutzen. Sie sahen nicht, wobei sie ihnen behilflich sein konnte. Die KI darum zu bitten, sich ihre Arbeit anzusehen und Automatisierungen vorzuschlagen, machte den Mehrwert gleich viel deutlicher. Man entdeckt dabei Anwendungsfälle, auf die man von allein nie gekommen wäre. Am besten fängt man mit dem Offensichtlichen an. Es muss nicht kompliziert sein. Ein einfacher Workflow, der zuverlässig auf sauberen Daten läuft, kann wertvoller sein als ein überambitionierter Agent, den niemand nutzt.
KI ist nur so gut, wie der Kontext, den sie bekommt. Unsere gesamte Dokumentation befindet sich in Notion. Custom Agents können sie mühelos lesen, aktualisieren und Teams helfen, effizienter zu arbeiten.
