Manuel Porras
38 Agenten in Betrieb

Ich baue KI-Agenten, die im Alltag laufen, nicht nur in der Demo.

Ich entscheide, welche Prozesse sich für Agenten lohnen, gebe jedem Agenten Wissen, Werkzeuge und klare Grenzen, verbinde ihn mit den Systemen der Firma — und sorge dafür, dass er rund um die Uhr läuft und sich selbst wiederherstellt.

Beispielfragen · erfundener Kunde „Acme HVAC“
Flotte · 38 AgentenNavigieren ↑↓Öffnen ↵
38Claude-Code-Agenten im 24/7-Betrieb
18Kunden-Experten-Agenten, einer pro Kunde
1 Min.Watchdog-Takt — abgestürzte Agenten bauen sich neu auf
2022seitdem täglich generative KI
Gemessen auf den Produktivservern, Oktober 2026.

Drei Systeme im täglichen Einsatz

01 / im Betrieb

Gebaut für eine US-Marketingagentur für Haustechnikbetriebe. Kunden bleiben anonym, die Zahlen sind echt.

Agenten-Flotte · Client Control
Fallstudie · Agenten-Betrieb

Ein Slack-Kanal, 18 Experten-Agenten dahinter

Ein Agentur-Team stellt in Slack Fragen zu seinen Kunden. Eine Flotte von Agenten antwortet — jeder ist Experte für genau einen Kunden.

  • umfang38 Claude-Code-Agenten auf zwei Servern, ein Experten-Agent pro Kunde.
  • routingEin Router-Agent leitet jede Frage an den richtigen Kunden-Agenten weiter.
  • wissenMeetings, Aufgaben, Gespräche und vier Werbeplattformen seines Kunden.
  • sicherheitFür das Team nur lesend — im Code durchgesetzt, nicht im Prompt.
  • betriebEin Watchdog prüft jede Minute und baut abgestürzte Agenten neu auf.
Zur Fallstudie
Meeting-Auswertung
Fallstudie · Mensch im Prozess

Vom Kundenmeeting zur freigegebenen Aufgabe in ~15 Minuten

Früher tippten Account Manager die Aufgaben nach jedem Call von Hand ab — Punkte gingen verloren, bis zu 2 Tage Verzögerung.

  • auslöserDas fertige Zoom-Transkript startet die Pipeline; Polling als Sicherheitsnetz.
  • vorschlagEin LLM schlägt Aufgaben mit Zuständigen vor — auch für Kundenanfragen in Slack.
  • freigabeEin Mensch gibt jeden Vorschlag frei, bevor etwas angelegt wird.
  • seitSeit April 2026 täglich im Einsatz, für über 30 Kundenmeetings pro Woche.
Zur Fallstudie
PPC-Monitoring-Konsole
Fallstudie · Täglicher Betrieb

Jeden Morgen ein Blick statt ein Login pro Werbekonto

Das ganze Kunden-Portfolio und jeder Kunde: Budgets, Kosten pro Lead, Lead-Quellen und Tracking — mit Tendenzen, Ampeln und Alerts.

  • täglichMein erster Blick jeden Morgen — Wochen- und Monatsverläufe, nicht nur heute.
  • alertsKosten pro Lead zu hoch oder zu niedrig, Budget-Pacing, eine Karte, die erneuert werden muss.
  • sicherheitNur lesend auf allen Werbeplattformen; nur Summen, keine Personendaten.
  • ehrlichFehlende Daten bleiben fehlend; ein gescheiterter Lauf wird nie veröffentlicht.
  • auditEchter Fall: Die echten Kosten pro Lead lagen rund 60 % über dem, was Google meldete.
Zur Fallstudie

Alle Projekte

02 / projekte
Projekte

Wie ich arbeite

03 / prinzipien
Einstellungen · Prinzipien
01
Ein Mensch gibt frei, wo ein Fehler Vertrauen kostet

Agenten schlagen vor, Menschen bestätigen. Jede Entscheidung wird zu Daten — eindeutige Fälle lassen sich später automatisieren.

02
Agenten dürfen nur, was sie brauchen

Rechte werden im Code gesetzt, pro Kunde — standardmäßig nur lesend.

03
Jede Änderung wird gemessen

Blindtests statt Bauchgefühl: Der Richter sieht die Quelle nie. 56 dokumentierte Testzyklen.

04
Systeme müssen die Nacht überstehen

Watchdog, automatischer Neuaufbau, Schutz vor Neustart-Schleifen und Wissen in Dateien — nach einem Neustart geht nichts verloren.

Mehr zu meiner Arbeitsweise

KI-Gestaltung

04 / gestalten mit agenten

Agenten beantworten nicht nur Fragen. Mit den richtigen Werkzeugen bauen sie Dinge, die man ansehen kann.

cafe_neukoelln.glb
Experiment · Berlin in 3D

Berlin in 3D

Aus zwei Fotos eines Cafés in Neukölln haben meine Agenten eine begehbare 3D-Szene gebaut — per Blender-Code, gerechnet auf meiner eigenen GPU.

Zur 3D-Szene
Fallstudie

Von der Adresse zur 3D-Szene

  1. Adresse
  2. Nominatim
  3. OSM · Overture · LoD2
  4. Blender ohne Oberfläche
  5. GLB
  6. Viewer

Straßen entstehen aus offenen Geodaten, Innenräume wie das Café aus Fotos — immer als Blender-Code. KI-Mesh-Generatoren wurden getestet und verworfen.

Zur Fallstudie