Wie Athletia Sports KI-Agenten so aufsetzt, dass Wissen fließt, Routinearbeit sich selbst erledigt und das Unternehmen auch nachts weiterarbeitet. Sicher, DSGVO-konform, kostenbewusst.
Ein Medien-Netzwerk lebt von genau den Dingen, die KI-Agenten heute zuverlässig übernehmen: Content-Aufbereitung in Masse, Rechte- und Piraterie-Monitoring, Reporting, Vermarktungs-Matching und Partner-Kommunikation. Jedes der fünf Geschäftsmodule ist datenintensiv, wiederholt sich pro Partner und ist heute personalintensiv. Genau da sitzt der Hebel.
#1 Sports Partner in EMEA auf YouTube. Köln, seit 2012. Vermarktet und schützt die Kanäle von Verbänden und Creatorn.
Referenzen: DFL, FIBA, DTM, FC Bayern, BVB, freekickerz.
Lukas fragt, ob man "wirklich was mit KI-Agenten aufsetzen" kann. Intern hakt es. Er braucht jemanden, der grundsätzlich darüber nachdenkt.
Antwort: ja, und zwar strukturiert statt als Spielerei.
Kein Chatbot. Ein Company Brain: eine gemeinsame, zugriffsgesteuerte Wissens- und Handlungsschicht, an die alle Menschen und Tools angeschlossen sind.
Rollen bekommen digitale Kollegen. Ein Orchestrator verteilt und handelt.
Athletias eigene Wertschöpfung ist die perfekte Landkarte. Pro Modul: der Schmerz heute, die konkreten KI-Use-Cases, die Wirkung.
Schmerz: Video-Masse, manuelle Highlights, Metadaten, Untertitel, Übersetzung.
Auto-Transkription und mehrsprachige Untertitel, Highlight- und Clip-Erkennung aus Langvideos, SEO-Titel/Beschreibung/Tags pro Plattform, Thumbnail-Vorschläge, Repurposing eines Videos zu Shorts/TikTok/Reels-Vorlagen.
Schmerz: 250 Partner brauchen individuelle Optimierung und Reporting. Skaliert heute nur über mehr Menschen.
Ein Partner-Agent pro Kanal liest Performance, meldet Auffälligkeiten, schreibt Optimierungs-Empfehlungen, findet Cross-Promotion-Matches im Netzwerk und liefert Wochen-/Monats-Reports automatisch.
Schmerz: Media-Pläne, Pitch-Decks, Marken-Matching, Kampagnen-Reports sind hochrepetitiv.
Brand-Fit-Matching (welche Marke passt zu welchem Kanal, mit Begründung aus echten Audience-Daten), automatische Mediaplan- und Pitch-Deck-Generierung, Angebots-Entwürfe, Kampagnen-Reports auf Knopfdruck, Inbound-Anfragen vor-qualifizieren.
Schmerz: Piraterie-Monitoring, Re-Upload-Erkennung, Beweissicherung, Takedowns. Fleißarbeit pur. Flagship-Pilot
Ein Agent durchsucht Plattformen nach Verletzungen, gleicht mit Referenz-Material ab, schnürt Beweispakete (URLs, Screenshots, Zeitstempel, Match-Score), formuliert Takedown-Anträge rechtssicher vor und legt sie zur Freigabe vor. Priorisierung nach Schaden. Harte Zahlen für Verbands-Kunden.
Wettbewerbsdruck ist jetzt: Friend MTS und MUSO bewerben seit IBC 2025 eigenes "AI monitoring", ZEFR hält ein LLM-Patent, Vobile konsolidiert den Content-ID-Markt (Pex-Übernahme). Wer nicht mitzieht, wird abgehängt.
Schmerz: Reports aus vielen Quellen manuell zusammensuchen, Marktforschung für Verbände.
Natürlichsprachige Abfrage über alle Daten ("Wie lief FIBA im Q2 vs. Q1, wo verlieren wir Watchtime?"), automatische Trend- und Wettbewerbs-Reports, Sentiment-Analyse, Frühwarnung bei Reichweiten-Einbrüchen.
Der Denkfehler fast aller: KI = Chatfenster, in das man einzeln Fragen tippt. Das ist die 5%-Nutzung. Das Company Brain ist die 1%-Nutzung. Es kommt aus drei Dingen, die zusammenlaufen.
Das kollektive Wissen der Firma (Dokumente, Verträge, Partner-Historie, Entscheidungen, Chats, Meetings) an einem Ort, durchsuchbar in natürlicher Sprache, mit Zugriffsrechten. Niemand fragt mehr "wo liegt das nochmal?".
Kein Universal-Bot, sondern rollenspezifische Agenten (Channel, Sales, Rights, Analyse), die den Kontext ihrer Rolle kennen und Werkzeuge bedienen dürfen: Mails, Reports, CMS-Aktionen, Tickets.
Das eigentliche Brain: nimmt eine Aufgabe, zerlegt sie, holt rechte-gefiltertes Wissen, verteilt an die passenden Agenten, prüft und liefert. Lernt über die Zeit dazu.
Fünf Schichten bauen aufeinander auf. Die sechste (Governance und Sicherheit) liegt quer über allem, von Tag 1, nicht nachträglich. Bewusst technologie-offen: ein Muster, keine Produktliste. Die konkreten Bausteine werden im Discovery nach Athletias Realität gewählt.
Wie wird aus 150 Menschen und vielen Tools ein Brain, ohne dass Daten durcheinanderlaufen?
Jede Person und jedes Team bekommt eine Identität mit klaren Rechten: wer darf welche Daten sehen, welche Aktion auslösen. Angebunden an das bestehende Identity-System (Google Workspace / Microsoft Entra). Das Fundament, ohne das nichts sicher skaliert.
Output der Menschen (Mails, Docs, Chats, Meetings) und der Systeme fließt in den Knowledge Layer, jedes Stück mit Besitzer und Vertraulichkeits-Label. Das Brain weiß nicht nur, was es weiß, sondern auch, wer es sehen darf.
Nicht 150 Bots, sondern Agenten pro Funktion (Channel, Sales, Rights, Analyse, Ops). Der Mensch arbeitet mit seinem Agenten zusammen, delegiert statt selbst zu tippen. Der Agent kennt den Kontext und darf die Werkzeuge der Rolle bedienen.
Eine Anfrage geht ans Brain, es holt rechte-gefiltertes Wissen, verteilt an die richtigen Agenten, führt Aktionen aus, liefert. Institutionelles Gedächtnis sorgt dafür, dass nichts verloren geht, wenn eine Person geht.
Bewertet nach Geschäftshebel (Impact) und Bau-Aufwand. Das Modell-Profil zeigt die Kosten-Klasse (siehe Token-Ökonomie). Pilot-Empfehlung markiert mit ★.
| Use Case | Modul | Impact | Aufwand | Modell-Profil |
|---|---|---|---|---|
| ★ Piraterie-Monitoring + Beweispaket + Takedown-Entwurf | Protect | Sehr hoch | Mittel | Mix (Vision + günstig) |
| ★ Auto-Reports pro Partner (Woche/Monat) | Reach/Analyse | Hoch | Niedrig | Günstig, gecacht |
| Natürlichsprachige Analytics-Abfrage über alle Daten | Analyse | Hoch | Mittel | Günstig/Mittel |
| Brand-zu-Kanal Matching für Vermarktung | Advertise | Sehr hoch | Mittel | Mittel |
| Pitch-Deck / Mediaplan aus Briefing generieren | Advertise | Hoch | Niedrig | Mittel |
| Highlight-/Clip-Erkennung aus Langvideos | Create | Hoch | Mittel-hoch | Vision, teurer |
| Metadaten (Titel/Beschreibung/Tags) SEO pro Plattform | Create | Mittel | Niedrig | Günstig, Masse |
| Mehrsprachige Untertitel / Übersetzung | Create | Mittel | Niedrig | Günstig, Masse |
| Repurposing Langvideo → Shorts/TikTok/Reels | Create | Hoch | Mittel | Vision/Mittel |
| Kampagnen-Performance-Report für Werbekunden | Advertise | Hoch | Niedrig | Günstig, gecacht |
| Inbound-Sponsoring-Anfragen qualifizieren + routen | Advertise | Mittel | Niedrig | Günstig |
| Internes Wissens-Q&A ("wie machen wir X?") | Ops | Mittel | Niedrig | Günstig, gecacht |
| Meeting-Notizen → Aufgaben + Follow-ups | Ops | Mittel | Niedrig | Günstig |
| Frühwarnung bei Reichweiten-Einbruch | Reach/Analyse | Hoch | Mittel | Günstig |
Bei einem Rechte- und Medien-Unternehmen ist Datenschutz Teil des Produktversprechens, kein Anhang. Acht Prinzipien, von Tag 1.
Verarbeitung und Speicherung in der EU. AVV mit jedem Anbieter. Datensparsamkeit, Löschkonzept und Aufbewahrungsfristen von Anfang an.
Jeder Agent und jede Person hat nur die minimal nötigen Rechte. Durchgesetzt in der Retrieval-Schicht: der Sales-Agent von Partner A zieht nie Daten von Partner B. Rollenbasiert (RBAC).
Der Protect-Agent verarbeitet fremde, feindliche Inhalte (manipulierte Metadaten, Untertitel, OCR-Text, Kommentare). Grundregel: alles aus externen Quellen sind Daten, keine Befehle. Externe Inhalte lösen nie Aktionen aus. Gebaut nach OWASP Top 10 for LLM Applications (Prompt Injection = Risiko #1), gibt der Sicherheitsargumentation ein anerkanntes Framework.
Takedowns, Kunden-Mails, Veröffentlichungen: der Agent bereitet vor, ein Mensch gibt frei. Autonomie steigt erst, wenn eine Aktionsklasse sich bewährt hat.
API-Keys nie im Code, sondern im Secret-Store mit Rotation. Jede Agenten-Aktion vollständig protokolliert (wer/was/wann/womit/warum): Sicherheitsnachweis und Debugging zugleich.
Verträge und Umsätze = vertraulich, öffentliche Kanaldaten = niedrig. Die Klasse steuert, welche Modelle und Regionen erlaubt sind. Vertrauliches ggf. nur auf selbst-gehosteten Modellen. Kein Training auf Athletia-Daten, vertraglich zugesichert.
Zugriffsmatrix und Risiko-Priorisierung als Prüfraster fürs Discovery. Prinzip: Least Privilege plus strikte Partner-Silos, durchgesetzt in der Retrieval-Schicht. R = lesen, W = handeln (mit Freigabe-Tor), – = kein Zugriff.
| Agent \ Datenklasse | Öffentl. Kanaldaten | Partner-Performance | Verträge/Umsatz | Werbekunden | HR/Personal | Externe (untrusted) |
|---|---|---|---|---|---|---|
| Channel | R | R (eigene) | – | – | – | – |
| Sales | R | R (aggregiert) | R (relevante) | R/W | – | – |
| Protect | R | – | R (Rechteumfang) | – | – | R (gekapselt) |
| Analyse | R | R (aggregiert) | – | R (aggregiert) | – | – |
| Ops | R | – | R (Metadaten) | – | R (eingeschränkt) | – |
| Orchestrator | Vermittelt nur, hält selbst keine Daten, reicht rechte-gefiltert durch. | |||||
Piraterie-Takedown, HR-Vorsortierung, Inbound-Anfragen, Kommentar-/Sentiment-Analyse. PII, ausgehende Aktionen, Fremd-Recht oder feindlicher Input. Bleiben lange im Vorschlags-Modus mit menschlicher Freigabe.
Brand-Matching, Kunden-Reports, Analytics-Abfrage über alle Daten. Geschäftsgeheimnisse oder Rechte-Vermischung. Zugriffskontrolle plus Audit, begrenzte Autonomie.
Metadaten, Untertitel, Repurposing, Wissens-Q&A, Meeting-Notizen, Partner-Reports, Frühwarnung. Interne oder öffentliche Daten. Dürfen früh breit automatisiert werden.
Ein Company Brain wird teuer, wenn man alles mit dem größten Modell macht. Vier Hebel halten es günstig und datensicher zugleich.
Nicht jede Aufgabe braucht das Top-Modell. Masse und Routine (Metadaten, Untertitel, Standard-Reports, Klassifikation) laufen auf kleinen, günstigen Modellen. Nur komplexes Reasoning auf großen. Ein Router entscheidet je Aufgabe. Der größte Kostenhebel.
Nico betreibt mit Hermes bereits eigene Inferenz auf eigenem Key, mit Plan für lokale Modelle (Ollama). Für Athletia doppelt wertvoll: Kosten (Massen-Workloads für einen Bruchteil) und Sicherheit (sensible Daten verlassen nie das Haus). Ergebnis: hybrid, lokal für Masse + Sensibles, managed Frontier-Modelle für die harten Fälle.
Wiederkehrende Kontexte (Firmen-Wissen, Vorlagen, Partner-Stammdaten) werden gecacht statt jedes Mal neu bezahlt. Große, nicht dringende Jobs laufen im günstigeren Batch. Reports, die sich Woche für Woche ähneln, profitieren massiv.
Harte Budget-Obergrenzen pro Team und Use-Case, Rate-Limits, Kosten-Dashboards. Jeder Use Case hat ein bekanntes Token-Profil. Keine Überraschungen auf der Rechnung.
Ehrlich und risikoarm: nicht "die ganze Firma auf einmal", sondern in Stufen mit Ausstiegstoren.
Systeme, Datenquellen, Rechtelage, Pain-Points, Tool-Stack aufnehmen. Use Cases priorisieren, Architektur-Skizze, Sicherheits- und Kostenmodell. Ergebnis: belastbarer Umsetzungsplan plus Business Case. Niedriges Commitment, hoher Klarheitsgewinn.
1-2 Use Cases (Protect-Monitoring + Partner-Reports), ein Team, echte Daten, echte Freigabe-Tore. Ergebnis: funktionierender Agent im Alltag plus gemessener ROI.
Knowledge Layer produktiv, Identität und Rechte sauber, 4-5 Use Cases live, Interfaces in Slack/Teams, Governance und Kosten-Guardrails scharf. Ergebnis: das Brain ist Teil des Betriebs.
Mehr Rollen-Agenten, mehr Autonomie für bewährte Aktionsklassen, nächtliche Automationen, netzwerkweites Matching. Athletia betreibt zunehmend selbst.
Nicht nur eine Folie, sondern von der Idee bis zum laufenden Betrieb, und dann Athletia unabhängig machen.
Denken, priorisieren, Business Case. Genau das, was Lukas angefragt hat: jemand, der grundsätzlich drüber nachdenkt.
Das Brain wirklich hinstellen. HIL-Boutique plus Bau-Erfahrung aus dem produktiven Eigenbetrieb der Architektur.
Athletias Team wird über die HIL Academy befähigt, das Brain selbst zu bedienen und auszubauen. Kein Vendor-Lock-in. Compliance-Hebel: Art. 4 EU AI Act verpflichtet Athletia seit 02/2025 zu einem KI-Schulungsnachweis (Bußgeld bis 15 Mio. €). Die Academy liefert genau diesen Nachweis, also Pflicht statt Kür.