Loops statt Prompts: Wie AI-Agenten die Zukunft der Arbeit prägen – Philipp Müller (Signatrix) & Daniel Höpfner (b10)

5. Juli 2026 · 46 Min.

AI‑Agenten und wiederholte ‚Loops‘ können komplexe, länger laufende Workflows deutlich schneller und kostengünstiger erledigen, brauchen aber klare Zieldefinitionen, Messgrößen, Guardrails und fortlaufende menschliche Steuerung.

In der Episode diskutieren Philipp Müller und Daniel Höpfner die Ergebnisse einer Harvard‑/Perplexity‑Studie und erklären, wie AI‑Agenten Workflows autonom ausführen und Zeit‑ sowie Kostenaufwand stark reduzieren können. Sie unterscheiden Prompts, Agenten und verschiedene Loop‑Typen (Heartbeat/Cron, Event‑getriggerte und Goal‑Loops) und zeigen praktische Einsatzfälle. Zugleich thematisieren sie Risiken wie Halluzinationen, Reward‑Hacking und das Problem organisationalen Gedächtnisses sowie die Notwendigkeit menschlicher Aufsicht und klarer Metriken.

Zahlen & Fakten

78 %

Geschätzte Reduktion der benötigten Zeit im Agenten‑ vs. Search‑Szenario (laut Studie).

>90 %

Angegebenes Einsparpotenzial bei Human‑Labor‑Kosten in der Studie (größenordnung).

1,3 % vs. 3 %

Anteil an Nutzern, die hohe Unzufriedenheit mit Agent‑Output vs. Search ausdrückten.

Weitere 9 Zahlen & Fakten anzeigen

59 % vs. 50 %

Anteil der Nutzer, die mit Agenten außerhalb ihrer Berufsdomäne ausprobierten (Agent vs. Search; Studie nennt 59% vs. 50%).

76 % vs. 55 %

Anteil der Nutzer, die sich an Higher‑Order‑Cognition‑Tasks wagten (Agent vs. Search).

10.000

Anzahl der in der Studie betrachteten Query‑Paare (grobe Größe des Datensatzes).

26 Minuten

Durchschnittliche Dauer einer agentischen Session laut Studie.

33 Sekunden

Durchschnittliche Dauer einer Search‑Mode‑Interaktion zum Vergleich.

270 Minuten

Durchschnittliche Zeit, die Nutzer mit Search für einen Task benötigten (Studienangabe).

36 Minuten

Durchschnittliche Zeit, die Nutzer zusammen mit einem Agenten für denselben Task benötigten.

600 Minuten → 48 Minuten

Beispiel aus der Studie: Programmieraufgaben reduzierten sich von ca. 600 Minuten auf 48 Minuten.

alle 9 Monate

Angeführte Faustregel: Fähigkeit der AI, autonome Tasks zu übernehmen, verdoppelt sich ungefähr alle neun Monate (Diskussion im Podcast).

Diese Folge steckt voller Zahlen – neugierig?

Themen & Erkenntnisse

Studie zu AI‑Agenten: Effizienzgewinne und Nutzungsdaten · ab 00:19: Vorstellung der Harvard‑/Perplexity‑Ergebnisse: Agenten beschleunigen komplexe Tasks massiv und senken Kosten‑ und Unzufriedenheitsraten.

Begriffe: Prompts, Agenten und Loops (Heartbeat, Cron, Goal) · ab 15:15: Definitionen und Abgrenzung von Prompt, Agent und verschiedenen Loop‑Arten sowie technische Limitationen und Modellqualität.

Praxis, Use‑Cases und Risiken: Management, Messung, Guardrails · ab 31:52: Konkrete Use‑Cases, Anforderungen an Zieldefinition, Messbarkeit und Guardrails sowie Risiken und notwendige menschliche Steuerung.

Quellen

• StudieHarvard Business School / Perplexity‑Studie (Studie zu Agentenutzung und Effekten)

Alle Quellen findest du in der vollständigen Folge

Ganze Folge hören

KIDieser Inhalt wurde KI-gestützt erstellt und redaktionell geprüft.