Prompt Engineering reicht nicht aus
Prompt Engineering vermittelte uns die Illusion von Geschwindigkeit. Mit einem einzigen cleveren Prompt konnten Entwickler in Minuten Demos, Assistenten oder Sprachtools erstellen. Aber wenn es darum geht, unternehmenskritische Workflows in IT-Service-Desks, ERP-Systemen oder Finanzprozessen zu betreiben, reichen Prompts allein nicht aus. Unternehmen brauchen KI, die präzise, skalierbar und regelkonform ist. Es ist an der Zeit, über die Prototyp-Phase hinauszugehen.
Wo Prompt Engineering an Grenzen stößt
Auf den ersten Blick wirkt Prompt Engineering wie der beste Freund eines Tech-Teams. Es ist einfach und schnell umzusetzen - man füttert ein großes Sprachmodell (LLM) mit dem passenden Prompt und schon hat man einen funktionierenden Chatbot oder Antwortgenerator. Doch in Unternehmenskontexten stößt dieser Ansatz schnell an seine Grenzen:
- Kein Zugriff auf aktuelle Daten: Prompts basieren ausschließlich auf dem Trainingsstand des Modells. Sie können keine aktuellen, internen Unternehmensdaten abrufen, ohne riskante und manuelle Copy-Paste-Arbeit.
- Leistungsschwankungen: Die Antworten variieren stark je nach Formulierung, was zu fragiler Logik führt, die unter Druck zusammenbricht.
- Sicherheits- und Compliance-Risiken: Jeder API-Call an ein öffentliches Cloud-LLM gibt Unternehmensdaten an einen Dritten weiter. Art. 5 Abs. 1 lit. f DSGVO verlangt Integrität und Vertraulichkeit personenbezogener Daten, Übermittlungen in Länder außerhalb der EU regelt Kapitel V.
- Keine kontextuelle Erinnerung: Prompts speichern kein strukturiertes Wissen zu Aufgaben, Rollen oder längeren Dialogen.
- Hoher Wartungsaufwand: Anpassungen erfordern das Neuschreiben von Prompts, Testen verschiedener Varianten und das Beheben von Halluzinationen.
Kurz gesagt: Prompt Engineering erzeugt beeindruckende Demos, ist aber in der Produktion zu instabil.
Spezialisierte KI-Agenten statt cleverer Prompts
Bei S&S Technologies entwickeln wir spezialisierte AI Agents - autonome, rollenbasierte Systeme, die weit über einfache Prompts hinausgehen. Wir erweitern sie durch:
- Retrieval-Augmented Generation (RAG): Aktuelle Unternehmensdaten werden zur Laufzeit eingebunden - so erhält das Modell echten Kontext.
- Fine-Tuning mit LoRA und QLoRA: Wir passen Sprachmodelle an Ihre spezifischen Begriffe, Prozesse und Compliance-Anforderungen an.
- Kontrollierte Automatisierung: Kombination aus Low-Code-Orchestrierung, Zugriffsrechten, Logging und Performance-Dashboards.
So reagieren Ihre AI Agents nicht nur - sie handeln. Sie greifen auf Datenbanken zu, aktualisieren ERP-Einträge, markieren Tickets und eskalieren Probleme - und das alles unter Beachtung unternehmensweiter Sicherheitsrichtlinien. Das Ergebnis: eine produktionsreife Automatisierungsschicht, auf die Sie sich verlassen können.
Im Vergleich mit einem Prompt allein sehen die Unterschiede so aus:

Ein Prompt kennt nur, was das Modell im Training gelernt hat, und seine Antworten schwanken mit der Formulierung. Ein spezialisierter Agent holt aktuelle Unternehmensdaten über RAG und arbeitet in einer festen Rolle mit einem angepassten Modell. Er läuft meist auf lokalen SLMs, handelt im ERP- und Ticketsystem und wird über Zugriffsrechte, Logging und Dashboards kontrolliert.
Wie die Agenten aufgebaut sind
Unsere Architektur setzt auf offene Tools und durchdachte Designentscheidungen - ausgelegt für den Unternehmenseinsatz. Der Ablauf:
- Agent-Design: Jeder Agent erhält eine klar definierte Rolle (z. B. Ticket-Triage-Bot, Rechnungsklassifizierer) - mit strukturierter Logik in n8n, einem Fair-Code-Orchestrierungstool unter der Sustainable Use License.
- Echtzeit-Kontext mit RAG: Die Agents rufen Wissen aus internen Quellen wie Confluence-Wikis, Jira-Tickets oder SQL-Datenbanken ab - für fundierte, aktuelle Antworten.
- Domänenanpassung mit LoRA/QLoRA: Auf Basis von Datenclustering verfeinern wir kleine Sprachmodelle (SLMs) lokal. Einen Überblick gibt unser Beitrag LLM-Finetuning mit LoRA und QLoRA.
- Modell-Routing: Eine Governance-Node entscheidet in Echtzeit, ob das lokale SLM genügt - oder ob auf ein größeres Foundation Model umgeschaltet werden soll.
- Integrierte Compliance-Kontrollen: Vollständiges Audit-Logging, Rollenrechte (RBAC), Human-in-the-Loop und Fehlermonitoring machen Entscheidungen nachvollziehbar und sicher.
Zusammengesetzt ergeben die fünf Bausteine einen Ablauf:

Ein neues Ticket oder eine Rechnung erreicht einen Agenten in n8n mit fester Rolle. Über RAG holt er aktuelles Wissen aus Confluence, Jira oder SQL-Datenbanken. Eine Governance-Node schickt die Anfrage an ein lokales SLM, das mit LoRA oder QLoRA angepasst ist, und nur dann an ein größeres Foundation Model, wenn das lokale Modell nicht reicht. Danach handelt der Agent, aktualisiert etwa das ERP, markiert ein Ticket oder eskaliert es. Audit-Logging, Rollenrechte, Human-in-the-Loop und Fehlermonitoring decken jeden Schritt ab.
Das Ergebnis: kosteneffiziente, domänenspezifische und datenschutzkonforme Agents.
Was Agenten im Betrieb leisten
Im Gegensatz zu losen Prompt-Tools liefern diese AI Agents reale Produktionsergebnisse:
- Genauere Ergebnisse durch kontextbezogene Eingaben und feinabgestimmte Entscheidungslogiken.
- Weniger manuelle Eingriffe, insbesondere in ERP- und Service-Desk-Systemen.
- Kürzere Durchlaufzeiten von der Ticketerstellung bis zur Lösung.
- Geringere Kosten bei hohen Volumen, da ein Großteil der Agentenlogik lokal über SLMs ausgeführt wird - weniger Abhängigkeit von kommerziellen LLM-APIs.
- Daten, die in der EU oder im Haus bleiben, mit den Protokollen, die interne Audits verlangen.
Dieselben Punkte finden sich in unserem Beitrag Kleine Sprachmodelle (SLMs): Agentic AI für Ihre Workflow-Automatisierung. Dort zeigen wir, warum sich die meisten Routine-Automatisierungen lokal und sicher abwickeln lassen.
Von der Demo in den Betrieb
Lassen Sie sich nicht von hübschen Demos auf Pilot-Projekte festnageln. Gehen Sie über Prompts hinaus:
- Identifizieren Sie KI-fähige Prozesse: z. B. Ticketklassifizierung, ERP-Updates oder HR-Vorqualifizierung.
- Führen Sie einen fokussierten Piloten durch: mit einem spezialisierten AI Agent, unterstützt durch RAG und/oder Fine-Tuning.
- Überwachen Sie Ihre KPIs: etwa Durchlaufzeit, Eskalationsraten oder manuelle Nacharbeit.
- Skalieren Sie mit Vertrauen: Governance-Logik, Logging und Routing-Regeln sichern den Betrieb ab.
Kontaktieren Sie unser Team unter office@sus-tech.at, um Ihre Use Cases zu besprechen.
S&S Technologies - Automatisieren. Optimieren. Skalieren.