Wie ich in ClickUp einen KI-Entscheidungsagenten entwickelt habe, um intelligentere Kampagnenentscheidungen zu treffen

Ich habe bereits zahlreiche herkömmliche Workflows und Automatisierungen in ClickUp genutzt. Sie eignen sich hervorragend, um Aufgaben von A nach B zu verschieben, Status zu aktualisieren oder Eigentümer zuzuweisen. Aber irgendwann wurde mir etwas Wichtiges klar: Keine dieser Automatisierungen hat tatsächlich über meine Kampagnen nachgedacht.

Ich brauchte ein System, das Umsetzung mit Intelligenz verbinden konnte. Und ich fand meine Lösung in einem KI-Entscheidungsagenten, den ich Asset Library Manager nenne.

In diesem Beitrag werde ich Ihnen Schritt für Schritt erklären, wie ich diesen KI-Entscheidungsagenten in ClickUp (mithilfe von ClickUp Super Agents ) erstellt habe und warum dies für mein Geschäft notwendig war.

Über mich: Zertifizierter ClickUp Consultant und Business-Process-Manager

Als zertifizierter ClickUp Consultant und Business Process Manager mit mehr als fünf Jahren Erfahrung unterstütze ich Agenturen und Start-ups dabei, durch strukturierte Systeme und eine strukturierte Umsetzung zu skalieren. Ich habe operative Rahmenbedingungen für mehr als 40 Unternehmen aufgebaut und gesteuert, das Change Management für mehr als 115 Teams geleitet und ein operatives Wachstum von bis zu 16,4-fach ermöglicht, während ich gleichzeitig die Liefergeschwindigkeit und Konsistenz in Umgebungen mit mehreren Clients verbessert habe.

Warum einfache Automatisierungen für meine Kampagnen nicht ausreichten

Meine Assets waren über verschiedene Speicherorte verstreut, Kampagnenaufgaben befanden sich in unterschiedlichen Listen, und ich war immer noch derjenige, der entschied, wohin jedes Asset als Nächstes gelangen sollte. Jede neue Kampagne, Region oder jeder neue Kanal bedeutete mehr manuelle Entscheidungen – und ein höheres Risiko für Doppelarbeit, verpasste Chancen oder Lücken in der Sichtbarkeit.

Da stellte ich eine andere Frage:

Was wäre, wenn ich aufhören würde, Workflows zu erstellen, und stattdessen damit beginnen würde, ein intelligentes System in ClickUp aufzubauen – eines, das Entscheidungen in meinem Namen treffen könnte?

🦾 Neu bei ClickUp Super Agents?

ClickUp Super Agents sind KI-gestützte Agenten, die in Ihrem Workspace Ihre Aufgaben, Daten und Aktivitäten analysieren – und auf der Grundlage dieses Kontexts Maßnahmen ergreifen. Sie können ihnen eine bestimmte Rolle zuweisen (z. B. die Priorisierung von Aufgaben, die Aktualisierung des Projekt-Status oder die Weiterleitung von Assets), und sie arbeiten mit Echtzeit-Informationen aus Ihrem Workspace.

Was zeichnet sie aus?

Im Gegensatz zu einfachen Automatisierungen folgen Super-Agenten nicht nur Regeln. Sie:

• Verstehen Sie den Kontext über Aufgaben, Dokumente und Kommentare hinweg
• Entscheiden Sie selbst (statt nur als Auslöser zu dienen)
• Passen Sie das System an die Entwicklung Ihres Workflows an

Stellen Sie sich diese weniger als „Wenn-dann“-Automatisierungen vor – sondern eher als KI-Teamkollegen, die in Ihr System integriert sind.

Der Mentalitätswandel: Von Workflows zu intelligenten Systemen

Bevor ich einen KI-Agenten in ClickUp erstelle, nehme ich einen Schritt zurück und definiere das System.

Nicht die Automatisierung. Das System.

Für mich läuft das auf drei Fragen hinaus:

Ich wollte, dass mein KI-Entscheidungsagent mir die geistige Belastung durch das Treffen von Kampagnenentscheidungen abnimmt.

Für meinen „Asset Library Manager“ sah das folgendermaßen aus.

1. Zweck: Welches Problem soll dieser KI-Entscheidungsagent lösen?

Ich wollte einen zentralen Ort, an dem alle Kampagneninhalte – Videos, Bilder, Texte – zu finden sind:

Mit anderen Worten: Ich wollte, dass mein Agent die Entscheidungen zur Verteilung von Assets in ClickUp selbst trifft, damit nichts unter den Tisch fällt.

2. Systemfähigkeiten: Unterstützt mein Setup KI-basierte Entscheidungsfindung?

Ein KI-Entscheidungsagent ist nur so gut wie das System, in dem er eingesetzt wird. Deshalb ist es sinnvoll, ihn an einem Ort zu erstellen, an dem Ihre Aufgaben, Dokumente, Beziehungen und Kampagnendaten alle zusammengeführt sind. Wenn ein Agent in einem vernetzten digitalen Workspace den vollständigen Überblick (Assets, Standorte, Status, Verlauf) hat, basieren seine Entscheidungen auf Fakten und nicht auf Vermutungen.

Für mich ist der „Converged KI Workspace“ von ClickUp genau dieser Ort.

Mit ClickUp müssen Sie nicht mehr ein Flickwerk aus eigenständigen KI-Tools zusammenfügen, von denen jedes nur einen Ausschnitt Ihrer Abläufe erfasst, sondern erhalten eine intelligente Ebene, die Alles erfasst, was Ihr Team tatsächlich macht. Das Ergebnis sind intelligentere Empfehlungen, kein Kontextwechsel und Entscheidungen , deren Qualität sich im Laufe der Zeit verbessert , da das Gedächtnis des Agenten und Ihr Workspace gemeinsam wachsen.

Ich habe mein ClickUp-Setup so gestaltet, dass der Asset-Library-Manager folgende Funktionen ausführen kann:

Wären meine Listen, Benutzerdefinierten Felder und Beziehungen nicht solide, würde der Agent entweder ins Stocken geraten oder Chaos verursachen. Deshalb habe ich das Systemdesign als Teil des Agenten selbst betrachtet.

3. Rolle des Agenten: Operator, nicht nur Kurier

Schließlich habe ich die Rolle des Agenten definiert.

Die meisten Systeme sind wie folgt aufgebaut: Wenn X passiert → dann Y zu erledigen

Das nennen wir einfache Automatisierung.

Ich wollte etwas anderes. Einen KI-Entscheidungsagenten, der den Kontext bewerten und auf dieser Grundlage Entscheidungen treffen kann – genau wie ein Mensch.

Mein Asset-Bibliotheksmanager ist verantwortlich für:

Sobald diese drei Punkte klar waren, wurde alles andere einfacher. Ich entwickelte nicht mehr nur eine clevere Automatisierung. Ich entwickelte das, was ich einen „Beyond Super Agent“ nenne – einen Agenten, der den Zweck versteht, innerhalb eines leistungsfähigen Systems arbeitet und eine klar definierte Rolle hat.

Wie ich die Eingabeaufforderungen strukturiert habe, um den KI-Entscheidungsagenten zuverlässig zu machen: Meine 5 Säulen für Eingabeaufforderungen

Sobald das System fertig war, wandte ich mich dem Teil zu, zu dem die meisten Leute als Erstes springen: den Eingabeaufforderungen.

Anstatt jedoch eine einzige lange Anleitung zu verfassen, habe ich diese in fünf übersichtliche Komponenten unterteilt. Dadurch ließ sich der KI-Entscheidungsagent leichter steuern, testen und verfeinern.

Dies sind die Eckpfeiler der KI-Eingabeaufforderungen, die über die Qualität der Entscheidungen meines Agenten entscheiden:

1. Rolle: Wer ist dieser Agent?

Ich sage dem Agenten nicht nur, was er zu erledigen hat – ich sage ihm, wer er sein soll.

📌 Für den Asset-Bibliotheksmanager habe ich den Agenten gebeten, folgende Aufgaben zu übernehmen:

„Erfahrener Agentur-Eigentümer und Betriebsarchitekt, der mehrere Clients betreut.“

Diese eine Zeile verändert Alles. Wenn der Agent nun antwortet, tut er dies aus der Perspektive einer Person, die:

2. Kontext und Umfang: In welchem Umfeld wird er eingesetzt?

Als Nächstes definiere ich den Kontext und den Umfang so klar wie möglich:

Dadurch weiß der Agent, wo sich die Wände des Raums befinden, sodass er nicht in den falschen Teil meines Workspaces gelangt.

3. Entscheidungslogik: Wann und wie soll der Agent entscheiden?

Anschließend beschreibe ich die Entscheidungslogik. Anstatt dem Agenten vorzuschreiben, was er zu erledigen hat, habe ich definiert, wie er denken soll.

Ich präzisiere:

Auf diese Weise beschränkt sich der Agent nicht nur darauf, Ideen zu generieren. Er weiß, wann er Maßnahmen ergreifen muss und wie gute Entscheidungen aussehen.

4. Eingaben: Auf welche Daten stützt er sich?

Jede Entscheidung ist nur so gut wie die Daten, auf denen sie basiert. Deshalb erstelle ich eine Verbindung zwischen meinem Agenten und den Datenebenen, die er benötigt:

Ich mache es in der Eingabeaufforderung deutlich: Dies sind die Eingaben, die du verwenden solltest, wenn du entscheidest, was als Nächstes zu erledigen ist.

5. Ergebnisse: Welche Aktionen und Formate erwarte ich?

Abschließend definiere ich die Ausgaben:

Sobald diese fünf Elemente – Rolle, Kontext, Entscheidungslogik, Eingaben und Ausgaben – vorhanden sind, entspricht die Lösung in der Regel genau dem tatsächlichen Problem, das ich zu lösen versuche.

🎥 Hier ist eine kurze Anleitung, falls du versuchen möchtest, deinen eigenen Super-Agenten zu erstellen:

So funktioniert mein KI-Entscheidungsagent, auch bekannt als „Asset Library Manager“, tatsächlich in ClickUp

Nachdem die Grundlagen geschaffen waren, habe ich den Agenten in meinen ClickUp-Workspace integriert, sodass er auf zwei Arten funktionieren kann.

Option 1: Manueller Auslöser aus der Asset-Bibliothek

Der erste Modus ist einfach und unkompliziert.

Das allein erspart Ihnen bereits eine Menge manueller Arbeit bei der Weiterleitung. Die wahre Stärke liegt jedoch im zweiten Modus.

Option 2: Zeitplanbasierte Entscheidungsfindung

Im zweiten Modus wird das System erst wirklich zum „Beyond Super Agent“.

Hier nutzt der Agent den gesamten Inhalt der Asset-Bibliothek, um eigenständig Entscheidungen zu treffen:

📌 Von dort aus kann er Entscheidungen treffen wie:

„Für dieses strategisch wichtige Asset, das bereits in Islamabad war und ein WiederherstellungsVideo ist, sollten wir als Nächstes ein Wiederherstellungsbild oder ein Mobilitätsbild versenden.“

Anstatt dass ich ständig überprüfen muss, wo ein Asset bereits geschaltet wurde und was als Nächstes kommen sollte, analysiert der Agent die Daten und trifft die Entscheidung.

Warum ich den ClickUp-Chat nutze, um mit meinem KI-Agenten zusammenzuarbeiten

In ClickUp können Agenten in Ihrem gesamten Workspace eingesetzt werden. Sie können sie über Automatisierungen in Listen, Ordnern und Spaces als Auslöser verwenden (als Reaktion auf Statusänderungen, neue Aufgaben oder Feldaktualisierungen), sie direkt Aufgaben zuweisen, sie in Aufgabenkommentaren und Dokumenten mit @erwähnen oder über Direktnachrichten und @Erwähnungen im ClickUp-Chat mit ihnen interagieren.

Aber ich chatte am meisten mit meinem Agenten, und dafür gibt es einen Grund.

In meinem „Asset Library Manager“-Chat chatte ich zwei Ziele ab:

Chatten bietet mir eine dialogorientierte Benutzeroberfläche in Echtzeit – fast so, als stünde ein Kollege jederzeit bereit. Ich kann ihn nutzen, um:

Das ist der Unterschied zwischen dem Einreichen einer Anfrage und einer gegenseitigen Unterhaltung.

Bei einem Agenten wie dem „Asset Library Manager“, bei dem Entscheidungen aufeinander aufbauen und der Kontext eine wichtige Rolle spielt, ist es genau diese Art des iterativen Dialogs, die das gesamte System zum Laufen bringt.

Wenn der Agent einen Wutanfall bekommt

Mit der Zeit fiel mir etwas Lustiges auf: Wenn mein Befehl nicht klar war, bekam der Agent sozusagen einen kleinen „Wutanfall“. Nicht, weil er defekt war – sondern weil meine Eingabe ihn nicht zum Erfolg führte.

In solchen Fällen greife ich immer wieder auf die fünf Grundpfeiler zurück:

Wenn diese Voraussetzungen gegeben sind, wird die Unterhaltung unglaublich produktiv.

Stresstest des Systems mit einer einfachen Nachricht

Einer meiner bevorzugten Momente mit diesem Agenten war die Durchführung eines vollständigen Stresstests mithilfe eines einzigen Chat-Befehls.

📌 Ich habe dem Agenten gesagt:

„Ich möchte einen Stresstest durchführen. Lösen Sie den Flow automatisch aus, indem Sie zufällige Standorte auswählen und Kampagnenaufgaben gemäß dem Flow erstellen. Stellen Sie sicher, dass kein Teil des Flows ausgelassen wird und es keine Doppelungen bei den Aufgaben gibt. Fragen Sie mich gerne alles, was Sie wissen möchten, bevor Sie den Test starten.“

🌟 Das ist passiert:

In einer einzigen Unterhaltung waren 15–30 Schritte erforderlich, und ich bekam ein klares Gespür dafür, wo mein System bei einer Skalierung möglicherweise an seine Grenzen stoßen könnte.

Das Ergebnis? Mir wurde klar, dass mein Setup bis zu etwa 50 Standorten stabil funktionierte, aber wenn ich versuchte, auf über 100 zu erweitern, könnte das System an seine Grenzen stoßen. Diese Erkenntnis gewann ich nicht über ein Dashboard, sondern durch ein Gespräch mit meinem Agenten.

Einsatz des Agenten als Partner für die Berichterstellung

👉🏼 Ich chatte auch, um einfache, aber wirkungsvolle Fragen zu stellen, wie zum Beispiel:

👉🏼 Der Agent liefert eine Liste der Assets, gibt an, wohin sie weitergeleitet wurden, und stellt eine Verknüpfung zurück zu ClickUp her. Dann gehe ich noch einen Schritt weiter:

„Gib mir eine 24-Stunden-Zusammenfassung und empfehle mir die 10 besten Speicherorte für die Verteilung dieser Materialien – mit einer klaren Begründung für jede Empfehlung.“

Der Agent nutzt nun:

…um mir genau zu empfehlen, was ich als Nächstes tun sollte – und warum.

👉🏼 Wenn ich tiefer in die Materie einsteigen möchte, kann ich Folgefragen stellen wie:

Der Agent nutzt dieselben Daten und dieselbe Logik, um mir eine gezielte Antwort zu geben.

Von einem intelligenten KI-Entscheidungsagenten zu einer skalierbaren Entscheidungs-Engine

Mittlerweile hat sich mein „Asset Library Manager“ zu einer soliden KI-Entscheidungsebene entwickelt, die meinen ClickUp-Workspace ergänzt.

Vorher war ich ständig damit beschäftigt:

Nun übernimmt der KI-Entscheidungsagent diesen Prozess.

Wenn nötig, treffe ich immer noch die endgültige Entscheidung. Aber ich fange nicht mehr bei Null an. Und diese Entwicklung wird immer häufiger.

Laut einem Bericht von McKinsey & Company verzeichnen Unternehmen die größten messbaren Auswirkungen von KI in Bereichen wie Marketing, Vertrieb und Strategie – also dort, wo die Entscheidungsfindung eine zentrale Rolle spielt.

Nächster Schritt: So erstellen Sie Ihren eigenen KI-Entscheidungsagenten in ClickUp

Wenn Sie Assets über mehrere Speicherorte, Kanäle oder Clients hinweg verwalten müssen, müssen Sie sich nicht für immer mit Tabellenkalkulationen und manueller Weiterleitung herumschlagen.

Beginnen Sie mit der Frage:

Entwerfen Sie dann Ihren ersten Agenten auf der Grundlage dieser Antworten.

Nutzen Sie schließlich das Chatten – stellen Sie Fragen, führen Sie Stresstests durch und lassen Sie sich vom Agenten zeigen, wo Ihr System noch verbessert werden muss.

So gehen Sie über reine Automatisierungen hinaus und beginnen, in ClickUp ein intelligentes System aufzubauen, das wirklich für Sie arbeitet.

Vom KI-Experiment zur echten KI-Entscheidungsfindung

Wenn Sie die Entscheidungsfindung mit KI automatisieren möchten, lautet mein wichtigster Ratschlag:

Hören Sie auf, darüber nachzudenken:

❌ „Wie kann mir KI dabei helfen, das schneller zu erledigen?“

Und machen Sie sich Gedanken darüber:

✅ „In welchen Bereichen sollte die KI Entscheidungen für mich treffen?“

Die meisten Teams befinden sich noch in der ersten Phase. Sie experimentieren. Sie testen Tools. Sie automatisieren kleine Aufgaben.

Den größten Nutzen erzielen Sie jedoch, wenn Sie einen KI-Entscheidungsagenten in ein System integrieren, das bereits darauf ausgelegt ist.

Das ist der Fall, wenn:

Deshalb funktioniert das in ClickUp.

Da alles – Aufgaben, Daten und Kontext – an einem Ort gespeichert ist, kann Ihr KI-Entscheidungsagent tatsächlich erkennen, was gerade geschieht. Und was noch wichtiger ist: Er kann entsprechend handeln.