KI-Gründer, der ein autonomes Unternehmen aufbaut, erklärt, wie man agentenbasierte Workflows für Projektabwicklung und Kundensupport erstellt

Amos Bar Joseph ist ein Serienunternehmer, der aus seinen früheren Fehlern mit traditionellem Projektmanagement, GTM-Strategien und Geschäftsmodellen gelernt hat. Daher wird sein neuestes Unternehmen, Swan AI, vollständig autonom. Das bedeutet, dass KI die Projekte – und praktisch alles andere – übernimmt.

Amos Bar Joseph

CEO von Swanai

By Faye Wai on Jun 9, 2026

Key Takeaways

Von Planung zu Entscheidungsgeschwindigkeit: Traditionelles Projektmanagement legt großen Wert auf Planung, Dokumentation und Koordination. Amos zeigt, dass in einem KI-zentrierten Unternehmen die Ausführung kostengünstig und schnell erfolgt, sodass der wahre Engpass darin liegt, wie schnell Muster erkannt und Entscheidungen getroffen werden.

Autonome Workflows: Swan AI hat Statusmeetings, lange Projektpläne, Genehmigungsketten und Quartalsreviews abgeschafft – stattdessen gibt es asynchrone Updates, Zieldefinitionen, klare Entscheidungsrechte und automatisierte Feedbacksignale. Dieser Wechsel reduzierte die Koordinationszeit von 60 % auf 10 % und ermöglichte es dem Team, die meiste Zeit mit echter Arbeit statt mit Gesprächen über Arbeit zu verbringen.

Menschliche Rollen müssen definiert werden: Menschliche Rollen müssen klar definiert werden, bevor mit KI automatisiert wird, da Implementierungen nicht an KI-Grenzen scheitern, sondern weil Teams nie festlegen, was Menschen übernehmen sollen; Amos erklärt, dass KI vollständig Aufgaben mit geringem Einfluss und geringer Komplexität übernehmen, bei höherer Komplexität oder Risiko unterstützen und wichtige, komplexe Entscheidungen Menschen überlassen sollte.

Wir haben uns mit Amos zusammengesetzt, um zu verstehen, was das praktisch bedeutet. Das sind seine Antworten.

Wie ein autonomes Geschäftsmodell die Projektabwicklung transformiert

Ich bin Mitgründer und CEO von Swan AI, einer GTM-Automatisierungsplattform, die über verschiedene Kommunikationskanäle (E-Mail, Slack, etc.), CRMs und B2B-Datenquellen integriert wird, um GTM-Workflows abzubilden. Wir nutzen sie intern für Projektabwicklung und Kundenmanagement.

Wir bauen das erste autonome Unternehmen mit der Mission, $10M ARR pro Mitarbeitenden zu erreichen – mit einem kleinen Team und einer „Armee“ aus KI-Agenten. Unser autonomes Geschäft ist auf Mensch+KI-Zusammenarbeit ausgelegt, nicht auf menschliche Koordination, und kann mit Intelligenz skalieren – nicht mit Personalaufwuchs.

Diese Einschränkung wurde zu einem unbeabsichtigten Labor für die Projektabwicklung. Wenn man sich nicht aus Problemen „herausstellen“ kann, wird jede Projektentscheidung existenziell: Verzehnfachen wir damit unseren Output, oder ist es nur Aktivität, die sich wie Fortschritt anfühlt?

Dieser harte Filter hat Muster sichtbar gemacht, die mir früher, als ich in meinen ersten beiden Startups mit dem Wachstumsdogma einfach Personen auf Probleme werfen konnte, verborgen blieben. Nach der Beobachtung von über 200 Unternehmen, die KI mit dem Produkt von Swan implementiert haben, erkenne ich die Fehlerquellen sofort.

You should also read

Warum KI die Projektabwicklung vom Planen hin zu Mustererkennung und Entscheidungsgeschwindigkeit verschiebt

Die auffälligste Veränderung betrifft die Zeitverteilung – sie ist fast diametral zum klassischen Projektmanagement. Ich verbringe sehr wenig Zeit mit Tätigkeiten, die früher meine Aufmerksamkeit gefordert hätten: Vorausplanung, Statusmeetings und Dokumentation, die niemand liest. Dazu gleich mehr.

Darauf fokussiere ich mich jetzt:

60% entfallen auf Mustererkennung und Entscheidungsfindung: Ich analysiere in Echtzeit, was bei über 200 Umsetzungen funktioniert. Nicht Monatsreviews – tägliches Erkennen von Mustern. Welche Umsetzungen liefern stetig bessere Ergebnisse und wo geht es nur noch in die Breite? Wo treten eigentlich Engpässe auf, und wo haben wir sie vorhergesagt? Es geht darum, schnell zu entscheiden, was gestoppt und worauf gesetzt wird – und das kann man nicht in einem quartalsweisen Bericht tun. Dafür nutzen wir ein Retool-Dashboard für die Kunden-Performance und Push-Benachrichtigungen in Slack. Außerdem verwende ich Metabase, womit wir detaillierte Produktanalysen pro Kunde haben.
30% entfallen auf das Design von Feedbackschleifen: Wie können wir innerhalb von 48 Stunden feststellen, ob eine KI-Implementierung funktioniert? Welche Signale zeigen, dass wir umschwenken oder dranbleiben sollten? Ich baue „Fehlererkennungssysteme“ – Mechanismen, um zu erkennen, wann die KI vom Plan abweicht oder ein Workflow nicht liefert, bevor es kritisch wird. Dafür ist es wichtig, mit einem klaren, messbaren Plan in kleinen Schritten zu starten. Klassische Projektmanager haben auf Erfolg geplant – ich entwickle Systeme, die sofort Fehler sichtbar machen, sodass wir sie früh korrigieren können.
10% betreffen den eigentlichen "Projektstart": Früher war das der Höhepunkt monatelanger Planung. Heute ist es einfach ein Dienstag. Wir veröffentlichen ständig v1-Versionen und betrachten den Start als Beginn des Lernens, nicht als Abschluss der Planung. Ein Launch ist kein Erfolg mehr – er eröffnet das Sammeln von echtem Feedback.

In einer KI-zentrierten Welt ist Ausführung günstig und schnell. Der Engpass ist die Geschwindigkeit der Entscheidungen. Meine Rolle hat sich von „den perfekten Plan machen“ zu „schnelle Entscheidungen auf Basis echtem Feedback“ verschoben. 90% meiner Zeit investiere ich daher in Lernsysteme, nicht in Ausführungssyteme.

In einer KI-zentrierten Welt ist Ausführung günstig und schnell. Der Engpass ist die Geschwindigkeit der Entscheidungen.

Amos Bar Joseph

CEO von Swan AI

Wie sich der „Koordinationsaufwand“ in der Projektabwicklung eliminieren lässt

Unser Wechsel von traditionellem zu schlankem Projektmanagement war kein Methodenwechsel, sondern das Aus für bestimmte Rituale, die uns aufgehalten haben. Hier ist, was weggefallen ist – und was stattdessen funktioniert:

Statusmeetings (40% der Kalenderzeit) → Asynchrone Updates (nur noch 5% Aufwand)

Abgeschafft: Wöchentliche Projektstatus-Meetings mit Präsentationsfolien
Ersetzt durch: Kurze Slack-Updates, wenn sich etwas verändert – nicht nach festen Terminen
Warum das funktioniert: Informationen fließen, wenn sie relevant sind – nicht weil ein Termin im Kalender steht
Ergebnis: Über 15 Stunden/Woche pro Gründer zurückgewonnen

Detaillierte Projektpläne (2-4 Wochen im Voraus) → Zieldefinitionen (2-4 Stunden)

Abgeschafft: Umfassende Anforderungsdokumente, Ablaufdiagramme, Risikomatrizen
Ersetzt durch: Klare Zielsetzung und erstes Experiment, das wir durchführen
Warum das funktioniert: Pläne werden sofort obsolet, Ergebnisse bleiben relevant
Ergebnis: Erste Versionen werden in Tagen statt Monaten ausgeliefert

Genehmigungsketten → Klare Entscheidungsbefugnisse

Abgeschafft: „Leitende absegnen lassen“ bei kleinen Entscheidungen
Ersetzt durch: Definierte Schwellenwerte — unter $X oder Y-Auswirkung: einfach umsetzen
Warum das funktioniert: Geschwindigkeit zählt mehr als die Vermeidung kleiner Fehler
Ergebnis: Die Zeit von Entscheidung bis Umsetzung sank von Tagen auf Stunden

Quartals-Reviews → Tägliche Feedback-Signale

Abgeschafft: Geplante „Wie läuft das Projekt?“-Meetings
Ersetzt durch: Automatisierte Kennzahlen, die uns warnen, wenn etwas nicht stimmt
Warum das funktioniert: Probleme werden am Tag 2 erkannt, nicht erst im Monat 3
Ergebnis: Probleme werden behoben, bevor sie zur Krise werden

Wir sind von 60 % der Zeit, die auf Arbeitskoordination entfiel, auf 90 % tatsächliche Arbeitszeit gewechselt. Nicht, weil wir disziplinierter wären, sondern weil wir die Koordinationskosten, die traditionelles Projektmanagement erzeugt, entfernt haben.

Wie KI Liefer-Rituale verändert, weil sie mehr Kontext benötigt

Traditionelles Denken geht davon aus, dass KI weniger menschliche Kommunikation bedeutet. Unsere Realität ist das Gegenteil: Wenn KI im Team ist, kommunizieren wir mehr und expliziter, denn KI braucht Kontext, um nützlich zu sein.

Das betrifft uns besonders, weil wir unser eigenes Produkt zur Beseitigung des „Kontext-Steuer“ nutzen – also als Tool, das sich in unsere Kommunikationskanäle integriert, Kontext sammelt und wieder auffindbar macht. Es hört zu.

Das hat großen Einfluss auf unsere Rituale. Kundenprojekte sind ein gutes Beispiel: Wenn ein Kunde ein Problem meldet oder eine Anfrage hat, kommunizieren unsere Gründer bewusst ausführlicher als für den jeweils anderen nötig – weil wir wissen, dass die KI mitliest.

So sieht das praktisch aus:

Statt: „Kunde X möchte Feature Y, besprechen wir morgen“

Schreiben wir: „Kunde X hat Feature Y angefragt. Kontext: Sie stoßen bei 200 Leads/Tag an Skalierungsgrenzen, ihre 3 SDRs sind überlastet und dieses Feature würde erlauben, 500/Tag ohne Neueinstellungen zu bewältigen. Das entspricht unserem SMB-Scaling-ICP. Dringlichkeit: hoch – sie prüfen diese Woche Alternativen.“

Wenn später jemand aus dem Team – inklusive der KI – mit diesem Kunden interagiert, ist der relevante Kontext sofort verfügbar.

Ja, das dauert pro Kommunikation 2-3 Minuten länger. Aber es spart Stunden bei:

Abstimmungsmeetings – die KI hält alle auf dem aktuellen Stand
Kontext-Recherche – die KI kennt die Situation bereits
Übergaben – die KI bewahrt Kontext über mehrere Interaktionen hinweg

Wenn man KI als Teammitglied behandelt, das permanent auf dem Laufenden bleiben muss, verändern sich Kommunikations- und Dokumentationsrituale grundsätzlich – und genau dann wird KI tatsächlich nützlich und nicht nur ein Feature.

Amos's Tipp

Warum die Definition menschlicher Rollen entscheidend für erfolgreiche KI-Implementierung ist

Fehlschläge bei der KI-Implementierung passieren fast nie, weil die KI nicht leistungsfähig genug ist. Sie scheitern, weil sich Teams nie die grundlegendere Frage stellen: „Was sollen Menschen in diesem Ablauf wirklich verantworten?“

Hier ein Muster, das ich immer wieder bei unseren über 200 Implementierungen sehe:

Teams verbringen Wochen mit der Frage „Kann KI diese Aufgabe übernehmen?“ Sie kartieren den aktuellen Prozess, identifizieren, was die KI automatisieren kann, bauen das System und starten. Die KI funktioniert. Sie erledigt 70-80 % der Aufgabe zuverlässig.

Dann bricht es zusammen. Nicht weil die KI ausfällt, sondern weil niemand definiert hat, was Menschen mit den verbleibenden 20-30 % tun sollten. Also passiert eines von zwei Dingen:

Menschen kontrollieren alles im Detail. Sie vertrauen der KI nicht und überprüfen jede Entscheidung – ein $20K-KI-Projekt wird so zu einem teuren Vorschlagswerkzeug. Das Team brennt dabei aus, weil es ständig die Arbeit der KI überprüft.
Menschen geben die Verantwortung komplett ab. Sie nehmen an, „die KI macht das“ und schenken der Aufgabe keine Aufmerksamkeit mehr. Wenn etwas schiefgeht oder aus dem Ruder läuft, merkt es niemand – und es wird erst zum Problem, wenn es einen Kunden betrifft.

Das liegt daran, dass wir die Einführung von KI rückwärts angegangen sind. Wir haben gefragt: "Was können wir automatisieren?" statt "Wo ist menschliches Urteilsvermögen unersetzlich und wie bauen wir KI, die dieses Urteilsvermögen verstärkt?"

Beginnen Sie stattdessen jedes KI-Projekt, indem Sie zuerst die menschliche Rolle definieren. Welche Entscheidungen erfordern Intuition? Wo ist Kontext entscheidend? Bei welchen Fehlfunktionen ist menschliche Aufsicht notwendig? Entwickeln Sie dann KI, die alles andere übernimmt und zur richtigen Zeit die passenden Signale für menschliche Entscheidungsfindung bereitstellt.

Im Nachhinein klingt das offensichtlich. Aber wenn man von den Möglichkeiten der KI begeistert ist, ist es unglaublich einfach, diesen Schritt zu überspringen und sich nur auf das zu konzentrieren, was KI leisten kann – anstatt von Anfang an die Zusammenarbeit zwischen Mensch und KI zu gestalten.

Ein praktisches Rahmenwerk zur Entscheidung, was KI automatisieren sollte

Ich betrachte Automatisierungsentscheidungen entlang zweier Dimensionen: Auswirkung von Fehlern und Komplexität des geforderten Urteils. Daraus ergeben sich vier eindeutige Kategorien, die ich im Folgenden erläutern werde.

Mit steigender Komplexität oder Auswirkung verschiebt sich die Rolle der KI von "Verantwortlicher" zu "Assistent". Sie müssen jedoch für jeden Arbeitsablauf im Vorfeld definieren, welche Rolle die KI übernimmt – und nicht erst nach der Einführung, wenn Menschen nicht wissen, ob sie den KI-Entscheidungen vertrauen oder sie überstimmen sollen.

Das Rahmenwerk richtet sich nicht danach, was KI technisch leisten kann. Es geht darum, was der KI überlassen werden sollte, basierend auf dem Risikoprofil und dem erforderlichen Urteilsvermögen.

Geringe Auswirkung + geringe Komplexität = vollständige Automatisierung

Beispiel 1: Datenanreicherung und Recherche

KI sammelt Unternehmensinformationen, Technologie-Stack, Social-Media-Profile
Falls etwas falsch ist, wird es beim Überprüfen durch Menschen erkannt
Es ist kein Urteilsvermögen erforderlich – lediglich Datensammlung
Umsetzung: API-Integrationen, KI strukturiert die Ausgabe, stichprobenartige menschliche Kontrolle

Beispiel 2: Erstes Lead-Scoring und Routing

KI bewertet nach definierten ICP-Kriterien und leitet an den passenden Prozess weiter
Fehlzuweisungen sind offensichtlich und leicht zu korrigieren
Logik ist codierbar (Unternehmensgröße, Branche, Verhaltenssignale)
Umsetzung: Regeln + KI-Scoring, menschliche Überprüfung von Grenzfällen

Geringe Auswirkung + hohe Komplexität = KI-Vorbereitung, menschliche Entscheidung

Beispiel: Kundenservice-Antworten

KI entwirft Antworten auf Basis ähnlicher vergangener Fälle
Komplex, da Tonfall, Kontext und Grenzfälle eine Rolle spielen
Aber geringe Auswirkung, wenn vor dem Versand überprüft wird
Umsetzung: KI entwirft, Mensch prüft/bearbeitet, wir lernen aus den Korrekturen

Hohe Auswirkung + geringe Komplexität = automatisiert mit Leitplanken

Beispiel: Versand von Outbound-Nachrichten

Hohe Auswirkung, da es dem Unternehmen/Markt bei Fehlern schaden kann
Aber relativ geringe Komplexität – Qualität ist messbar
Umsetzung: KI generiert, strikte Freigabeprozesse, automatische Kill-Switches bei Leistungsabfall

Hohe Auswirkung + hohe Komplexität = menschgesteuert

Beispiel: Strategische Kurswechsel bei Projekten

Entscheidung, eine Umsetzung zu beenden oder weiter zu verstärken
Erfordert Mustererkennung über mehrere Kontexte hinweg
Eine falsche Entscheidung ist teuer aufgrund verschwendeter Ressourcen oder verpasster Chancen
Umsetzung: KI liefert Signale (Nutzungsrückgang, Feedback-Muster), Mensch trifft die Entscheidung

Beispiel: Komplexe Verhandlungen mit Kunden

Preisdiskussionen, Erweiterungs-Gespräche, Verlängerungsrisiken
Erfordert das Verstehen von Beziehungsdynamik, politischem Kontext, unausgesprochenen Bedenken
Fehler beschädigen das Vertrauen, das nur schwer wiederherzustellen ist
Umsetzung: KI übernimmt Recherche und Vorbereitung, Mensch führt das Gespräch

Wie agentenbasierte Workflows in 13 Stunden ein selbstlernendes Support-System ermöglichten

Hier ein Beispiel für die Komplexität, die wir durch agentenbasierte Workflows bei der Entwicklung eines automatisierten Unternehmens gemeistert haben.

Die Einschränkung: Mit dem Ziel, $10M ARR pro Mitarbeiter zu erreichen und nur 3 Gründern, konnten wir uns nicht aus Problemen heraus einstellen. Als die Support-Tickets die Marke von 200+ pro Woche erreichten, war die klassische Lösung – 2 CSMs einstellen – für uns keine Option. Jedes Ticket erforderte die volle Aufmerksamkeit eines Gründers – Recherche der Antwort, Formulierung der Rückmeldung, irgendwo Dokumentation. Wir gingen unter.

V1 (Woche 1): Bekannte Fragen beantworten

Wir starteten mit dem absoluten Minimum: Ein KI-Agent in Slack, der etwa 20 Fragen beantworten konnte, die wir bereits in Notion dokumentiert hatten.

Tools: Swan AI, Slack, Notion

Setup: 6 Stunden

Ergebnis: 15% der Tickets wurden abgedeckt

Neues Problem: Kunden waren frustriert, wenn sie die Antwort "Ich weiß es nicht" erhielten. Wir beantworteten noch immer 85% manuell.