KI nach Get-Shit-Done-Prinzip — oder die Ergebnisse werden mit jedem Prompt schlechter

Wer intensiv mit KI-Agenten arbeitet, kennt dieses Muster:

Die ersten Prompts einer Session liefern präzise, konsistente Ergebnisse. Mit zunehmender Session-Dauer schleichen sich qualitative Probleme ein — Halluzinationen, Kontextverluste, ungenau ausgeführte Aufgaben, Ausgaben, die sich nicht mehr reproduzieren lassen.

Das ist kein Edge Case. Es ist ein typisches Muster in der Arbeit mit KI — und es ist kein Modell-Problem. Es ist ein Strukturproblem.

Der stille Erfolgsverderber: Context Rot

Jede KI-Session hat ein begrenztes Context Window. Je länger eine Session läuft, desto mehr Informationen stapeln sich — und desto häufiger werden für die aktuelle Aufgabe relevante Details aus dem Kontext verdrängt. Die Folge: Halluzinationen steigen, Aufgaben werden ungenau ausgeführt, frühere Entscheidungen gehen verloren.

Wer KI produktiv und verlässlich einsetzen will, kommt an einer strukturierten Agenten-Architektur nicht vorbei.

Das GSD-Prinzip: Strukturierte Aufgaben-Trennung

In der praktischen Arbeit mit KI-Agenten hat sich ein Strukturprinzip bewährt, das man als GSD-Prinzip (Get Shit Done) bezeichnen kann. Es folgt vier Grundregeln:

1. Saubere Task-Trennung auf dedizierte Agenten. Statt eine große Session mit mehreren parallelen Aufgaben zu belasten, erhält jeder abgrenzbare Task einen eigenen Agenten mit klarem, fokussiertem Auftrag. Jede Session bleibt thematisch geschlossen — das Context Window bleibt kompakt, die Antwortqualität hoch.

2. Zustands-Persistierung über STATE-Dateien. Kontext und Ergebnisse werden nicht innerhalb der Session gehalten, sondern in strukturierte, persistente Zustandsdateien geschrieben. Diese dienen nachfolgenden Agenten als Input. So wird Wissen zwischen Sessions übertragbar — und Fortschritt geht nicht mit dem Context verloren.

3. Explizite Aufgabenlisten zur Fortschrittskontrolle. Jeder Agent führt eine Task-Liste, die vor dem ersten inhaltlichen Arbeitsschritt angelegt wird. Das verhindert, dass einzelne Aufgaben übersprungen, zusammengefasst oder unter Zeitdruck unvollständig ausgeführt werden.

4. Strukturierter Session-Abschluss. Jede Agenten-Session endet mit einer persistenten Sicherung des Ergebnisses. Damit sind Resultate nachvollziehbar, wiederholbar und prüfbar — auch Wochen später.

Was das konkret liefert

Die Vorteile zeigen sich nicht in einzelnen Prompts, sondern in der Skalierung:

— Reproduzierbarkeit. Ergebnisse lassen sich jederzeit wiederholen und überprüfen — Voraussetzung für den Einsatz in regulierten oder qualitätskritischen Prozessen.

— Parallelisierbarkeit. Mehrere Agenten können unabhängig voneinander an klar abgegrenzten Teilaufgaben arbeiten — ohne gegenseitige Kontextvermischung.

— Qualitätssicherung. Kompakte Context Windows und fokussierte Aufgaben reduzieren Halluzinationen und inkonsistente Outputs deutlich.

— Debugfähigkeit. Fehler lassen sich auf einzelne Agenten, Tasks oder State-Übergaben zurückführen — statt in einer undurchsichtigen Sitzung zu verschwinden.

— Prozess-Skalierbarkeit. Das Setup wächst mit den Anforderungen. Neue Aufgaben werden als neue Agenten integriert, ohne bestehende Prozesse zu destabilisieren.

Warum das in der Breite wichtig wird

KI-Agenten werden zunehmend in operative Prozesse integriert — für Analyse, Content-Erzeugung, Recherche, Entscheidungsunterstützung. Die zentrale Frage ist nicht, welches Modell genutzt wird, sondern wie Aufgaben strukturiert, Zustand persistiert und Qualität messbar gemacht wird.

Das ist kein Modell-Thema und kein Tool-Thema. Es ist eine Frage des Prozessdesigns — und der Punkt, an dem produktive KI-Nutzung sich von unzuverlässiger unterscheidet.

#KünstlicheIntelligenz #AIAgents #DigitalTransformation #AIGovernance #PrincipalConsultant