Wie Pennylane aus Custom Agents echte KI-Teammitglieder macht
In nur sechs Monaten hat Pennylane mehr als 600 Custom Agents eingeführt, die täglich über 2.000-mal zum Einsatz kommen. Sie verteilen Aufgaben, übernehmen Meeting-Follow-ups, beantworten interne Fragen und unterstützen wichtige Initiativen. Wir haben mit Cyril Allard, New Business & AI Lead, darüber gesprochen, wie Pennylane Custom Agents eingeführt hat, welche Workflows sich besonders bewährt haben und warum saubere, strukturierte Daten die Grundlage für Agenten sind, deren Nutzen mit der Zeit wächst.
Der Custom Agent, der 600 neue Agents gebaut hat
Erzähl uns von Pennylane, deiner Rolle und wie das Unternehmen Notion nutzt.
Pennylane ist eine Plattform für die Zusammenarbeit zwischen Steuerberater/-innen und ihren und ihre Kunden. Wir wachsen schnell in ganz Europa und beschäftigen mittlerweile mehr als 1.000 Mitarbeitende. Nach unserer jüngsten Finanzierungsrunde über 75 Millionen Euro wollen wir unsere Präsenz in Europa weiter ausbauen.
Notion hat eine zentrale Rolle bei unserer Arbeit. Wir nutzen das Tool zur Dokumentation, aber auch als Daten- und Wissensplattform.
Ich bin vor einem Jahr zu Pennylane gekommen. Heute konzentriere ich mich darauf, KI im Arbeitsalltag zu verankern und Teams dabei zu unterstützen, 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.
Für welches Problem hast du deinen ersten Custom Agent entwickelt?
Eigentlich etwas ganz Einfaches: meine Aufgabenverwaltung.
Ich habe für die Arbeit immer eine To-do-Listen-App genutzt. Als ich zu Pennylane kam, war dieses Tool nicht freigegeben. Damit fehlte mir plötzlich die einfache Möglichkeit, Aufgaben schnell festzuhalten, auf die ich mich bis dahin erlassen hatte. 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 skalieren, mit klaren Rahmenbedingungen
Wie hat Pennylane Custom Agents unternehmensweit eingeführt?
Sie sind organisch entstanden. Notion wurde bereits in allen Abteilungen genutzt. Wir haben daher mit praktischen Trainings 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 trainiert 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 Trainings 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. Heute formuliert der Agent direkt im Slack-Thread eine Antwort auf Basis unserer FAQs und früherer Tickets. Gute Antworten werden anschließend 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, klare Rahmenbedingungen zu schaffen.
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 bei der Nutzung von KI in Notion ein unmittelbarer ROI, denn wir können einem Agent sofort die richtigen Informationen liefern.
Custom Agents passen auch bestens zu den Arbeitsabläufen bei Pennylane. Auch Mitarbeitende ohne entsprechende technische Vorkenntnisse können sie problemlos nutzen. Wer regelmäßig mit Notion arbeitet, muss sich nicht in neue Tools einzuarbeiten.
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. So können sie für einen ganz konkreten Bedarf einen spezifischen Workflow erstellen, ohne dass das Unternehmen dafür ein neues Tool anschaffen und einführen muss.
Selbst Personen, die KI nicht verstehen oder wissen, was ein Agent ist, können Custom Agents in Notion ganz einfach nutzen.
Mit jedem Custom Agent ein neues KI-Teammitglied für das ganze Team
Was steht rund um Custom Agents bei Pennylane als Nächstes an?
Uns ist wichtig, dass wir bei diesem Wandel alle mitnehmen. 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. Zum Beispiel ein Sales Agent, der unsere Produkte und unser ideales Kundenprofil bereits kennt und weiß, wie er mit Einwänden umgehen soll. 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.
Unsere Vision ist: weg von einzelnen Power Usern, die Agents entwickeln, hin zu einem passenden KI-Teammitglied für alle.
Wo fängt man an, wenn man seinen ersten Custom Agent erstellen 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 haben nicht verstanden, 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.
