Die Agent-Ära verlässt gerade das Experimentierstadium und KI-Dienste wie ChatGPT entwickeln sich von reinen Frage-Antwort-Systemen zu eigenständig handelnden, teils miteinander orchestrierten agentischen Architekturen. Damit diese Arbeitsweise nicht nur spezialisierten Tech Teams vorbehalten bleibt, wird die Bedienung solcher Systeme vereinfacht und in eigene, zugängliche Oberflächen überführt, etwa in dedizierte Apps. Ein aktuelles Beispiel dafür ist Codex.

Das Coding-System von OpenAI steckt bereits in CLI, IDE-Erweiterungen und Code Reviews, angetrieben von GPT-5 Codex. Neu ist jetzt die Codex App, die diese Funktionen in eine eigene, mobile Oberfläche bündelt. Sie ist bereits für macOS erhältlich, Versionen für Windows und Linux sind angekündigt. Vorgestellt wurde die App unter anderem von Romain Huet, Head of Developer Experience at OpenAI, auf LinkedIn.

Instead of juggling terminal windows, you get a single command center to run and supervise agents,

erklärt Huet die Idee hinter der App im Video. Statt zwischen Terminal, IDE und einzelnen Tools zu springen, bündelt die Codex App also alles in einer zentralen Steueroberfläche für KI-Agents: Aufgaben delegieren, laufende Jobs überwachen, zwischen Projekten wechseln – alles in einer App.

---

Neues OpenAI-Modell:
GPT-5-Codex ist da

---

Von Code-Assistenz zu agentischer Projektarbeit

Die neue Codex App ist weniger Chatbot und mehr Arbeitszentrale für KI-Agents, die wie menschliche Team-Mitglieder in Projekten mitarbeiten. Statt nur einen Code-Vorschlag als Text auszuspielen, führt Codex direkt projektrelevante Aufgaben aus. Durch integrierte Worktrees und Cloud-Umgebungen können mehrere Agents gleichzeitig an unterschiedlichen Aufgaben arbeiten und so Arbeitsaufwand in Tagen erledigen, für den sonst Wochen nötig wären.

Die KI öffnet echte Dateien, nimmt Änderungen selbst vor, führt nötige Schritte wie Tests aus und zeigt dir danach, was genau angepasst wurde. Du bekommst also nicht nur eine Idee, sondern eine umgesetzte Lösung. Aufgaben laufen in eigenen Threads, können im Hintergrund weiterarbeiten und sind nicht mehr an einzelne Chat Sessions gebunden. Im nachfolgendem Interface ist etwa zu sehen, wie Codex den Befehl „implement dark mode“ ausführt. Das System arbeitet direkt im Code, dokumentiert die Schritte transparent und liefert eine umgesetzte Lösung statt nur eines Code-Vorschlags.

Wichtigste Punkte auf einen Blick:

• Agent statt Assistant: Codex führt echte Entwicklungsaufgaben eigenständig aus, nicht nur Code Snippets
• Arbeitet im Projektkontext: Versteht Repositories, Abhängigkeiten und bestehende Strukturen
• Sichere Ausführung: Commands laufen in isolierten Umgebungen (Sandbox)
• Mehrere Aufgaben parallel: Multi Agent Workflows über Threads und Worktrees
• Automatisierungen: Wiederkehrende Jobs wie Bug Checks oder Monitoring laufen selbstständig
• Skills erweiterbar: Zusätzliche Fähigkeiten wie Bildgenerierung oder Dokuarbeit integrierbar
• Code-Review-Funktion: Erkennt Risiken, priorisiert Probleme und kommentiert PRs
• Überall nutzbar: App, IDE, GitHub Reviews und Terminal greifen auf denselben Agent zu
• Strategischer Shift: KI schreibt nicht nur Code, sondern übernimmt Entwicklungsarbeit end-to-end

Verdoppelte Limits zum Codex-App-Start

Die App ist nur eine von mehreren Oberflächen. Codex lässt sich weiterhin in der IDE, über GitHub Reviews oder im Terminal nutzen. Alles hängt am selben Account. Der Agent bleibt derselbe, egal wo du arbeitest.

Zum App Launch gibt es zusätzlich einen Anreiz. Wie OpenAI CEO Sam Altman schreibt, werden die Nutzungslimits für bezahlte Abonnements zwei Monate lang verdoppelt. Auch Free und Go User bekommen Zugriff. Das senkt die Einstiegshürde und dürfte viele Teams zum Ausprobieren bewegen. Aktuell gibt es die Desktop App nur für Apple User. Windows- und Linux-Nutzer:innen können sich aber immerhin schon auf die Warteliste für die App registrieren.

To celebrate the launch of the Codex app, we doubled all rate limits for paid plans for 2 months!

And added access for free/go.

— Sam Altman (@sama) February 2, 2026

AI Agents gelten als der nächste große Entwicklungsschritt nach generativer KI. Doch der eigentliche Umbruch ist kein technologischer, sondern ein organisatorischer. Auf dem Adobe AI Forum in München am 22. Januar wurde deutlich, was sich in vielen Marketing-Organisationen bereits zeigt: KI verändert nicht nur Arbeitsweisen, sondern ganze Unternehmensstrukturen – mit erheblichen Vorteilen, aber auch neuen Regeln. Unser Event Recap thematisiert diese und zeigt die wichtigsten KI-Trends im Marketing 2026 rund um Agent Teams, Governance, Generative Engine Optimization (GEO) sowie neue Organisationsmodelle.

Auf dem Adobe AI Forum durften wir zudem mit Julian A. Kramer, AI Evangelism Leader EMEA und Teil des Adobe EMEA Value Acceleration Teams, sprechen. Er lieferte zur organisatorischen Verankerung von KI die operative Perspektive. Seine Arbeit beginnt dort, wo viele KI-Initiativen scheitern: zwischen strategischer Vision und tatsächlicher Umsetzung im Tagesgeschäft. Er formuliert das Problem – und den Wendepunkt – so:

Agentic AI ist kein Zukunftsversprechen mehr, sondern eine organisatorische Entscheidung.

Damit verschiebt sich die Debatte endgültig weg von Tools, hin zu Systemen. Weg von einzelnen Assistants, hin zu orchestrierten Agent Workflows.

Adobe AI Forum München:
Die 5 wichtigsten KI-Trends im Marketing 2026

Der Aufstieg orchestrierter Agent Teams

Orchestrierte Agent Workflows stehen für einen grundlegenden Schritt im Umgang mit KI: weg vom kurzfristigen Produktivitätsgewinn, hin zu belastbarer Infrastruktur. Es geht nicht mehr um einzelne Tools, die isoliert Aufgaben beschleunigen, sondern um koordinierte Agent Teams, die ganze Aufgabenketten übernehmen. Gleichzeitig verschiebt sich die Logik digitaler Sichtbarkeit: Klassische SEO-Mechaniken verlieren an Dominanz, während die Präsenz von Marken in Antworten von LLMs und generativen KI-Systemen an Bedeutung gewinnt. Themen wie Governance, Markenverantwortung und die Frage, wie KI vom Experiment zur verlässlichen Grundlage des Arbeitsalltags wird, rücken ins Zentrum.

Dieser Wandel zeigt sich auch empirisch: Laut dem Adobe Agentic Readiness Report setzen bereits über 90 Prozent der befragten deutschen Unternehmen Agentic AI ein oder planen die Einführung – vor allem mit Blick auf Effizienz und Automatisierung komplexer Abläufe und Entlastung von Teams. Anbieter:innen wie Adobe reagieren darauf mit Orchestrierungs-Layern, die Agents systemübergreifend steuern und in bestehende Prozesse einbetten.

Die zentrale Entwicklung dahinter: Generative KI war der Einstieg, Agentic AI wird zur operativen Ebene. McKinsey beschreibt AI Agents als Systeme, die planen, handeln und Workflows eigenständig koordinieren – ein Schritt von der Inhaltsproduktion zur Prozesssteuerung. Genau dafür bauen große Plattformanbieter:innen wie Adobe derzeit ihre Architekturen um. Dass dieser Wandel nicht primär technologisch, sondern organisatorisch ist, brachte Julian A. Kramer auf den Punkt:

KI scheitert selten an der Technologie – sondern an fehlenden Strukturen und klaren Verantwortlichkeiten.

Der Engpass liegt in Prozessen, Datenflüssen, Zuständigkeiten und Governance, nicht in der Modellleistung. Marktforschung stützt dieses Bild: Gartner erwartet, dass viele Agentic-AI-Projekte scheitern, wenn Zielklarheit, Steuerungsmodelle und Kostenkontrolle fehlen. Gleichzeitig werden die Anforderungen an konsistente Markenführung über alle Touchpoints hinweg erweitert – ein Szenario, das Orchestrierung statt Tool-Insellösungen erfordert.

Agent Teams stehen damit für mehr als Automatisierung. Sie verschieben KI von der Experimentierphase in die Betriebslogik von Organisationen. Ein Beispiel für diesen Ansatz liefert Adobe mit dem Agent Orchestrator in der Experience Platform. Wie dieser strukturelle Wandel in der Praxis aussieht, zeigt das ganze Gespräch mit Kramer vor Ort auf dem Adobe AI Forum München.

Das Interview

OnlineMarketing.de: AI Agents gelten als nächster großer Schritt nach generativer KI. Woran erkennt man, dass wir gerade wirklich an einem Wendepunkt stehen

Julian A. Kramer: Das Spannende ist, dass generative KI vor allem Inhalte produziert – auf Basis statistischer Vorhersagen. Agentische KI geht einen Schritt weiter: Sie nutzt Reasoning Engines, also Logikmodule aus den Modellen, und koppelt sie an echte Werkzeuge. Damit wird aus „Intent“ tatsächlich „Action“: Du formulierst ein Ziel und bekommst nicht nur eine Antwort, sondern ein Ergebnis, das im System umgesetzt wird.

In der Praxis heißt das: Agents können Tools bedienen, auf Datenbanken zugreifen und Prozesse anstoßen – ein bisschen wie APIs auf Steroiden, nur dynamischer. Statt einer reinen Textzusammenfassung entstehen konkrete Outputs: Zielgruppen werden segmentiert, Workflows gestartet, Inhalte oder Assets in Photoshop bearbeitet. Genau daran arbeiten wir gerade sehr stark, nämlich Services, Tools und Funktionen agentisch ansprechbar zu machen.

Dass Skalierung vielerorts noch zäh ist, liegt vor allem daran, dass wir sehr früh in der Entwicklung stehen. Vor zwei Jahren hat kaum jemand über Agents gesprochen. Aktuell gibt es viele „Build-your-own“ Setups, bei denen Teams Tools zusammenstecken und testen, was überhaupt funktioniert, ähnlich wie in der frühen Chatbot-Phase. Adobes Ansatz ist ein anderer: Wir bauen Agents entlang der Kund:innenwertschöpfungskette, damit sie konkrete Business-Probleme lösen, besonders in klassischen Marketing Workflows.

Viele Unternehmen scheitern dabei nicht grundsätzlich, erleben aber ein typisches Muster: Man ist begeistert, was die Systeme können, stellt dann eine leicht andere Frage und plötzlich kippt das Ergebnis. Genau das lässt sich reduzieren, wenn Agents semantisch und aufgabenbezogen für spezifische Use Cases trainiert werden. Dann werden die Outputs verlässlicher und brechen nicht so schnell aus dem Rahmen.

Adobe ist kein Startup, das nur experimentiert. Wir müssen schnell belastbaren Mehrwert liefern, sonst kauft das niemand. Deshalb fokussieren wir uns auf klare Use Cases und rollen die Agents gerade aus. Wir sind noch in einer Frühphase – aber die Entwicklung beschleunigt sich gerade deutlich.

Wenn wir zwischen Experimentier- und Implementierungsphase stecken: Was hat sich seit den ersten großen Ankündigungen vor rund einem Jahr wirklich getan?

Zwischen Ankündigung, Testphase und Marktreife vergeht Zeit. Wir hatten viele Betakund:innen, die schon arbeiten, aber noch nicht darüber kommunizieren konnten. Jetzt sind mehrere Agents „generally available“, also für alle kaufbar.

Zweitens verändert sich, wie wir an den Markt gehen. Statt ein großes Produkt zu verkaufen, schalten wir Funktionen mit niedrigen Hürden frei und arbeiten mit einem „Try-before-you-buy“-Modell über Credits. Kund:innen probieren aus und kaufen Credits nach, wenn sie den Mehrwert sehen.

Und drittens: Auf Unternehmensseite müssen sich Prozesse etablieren. Ein Beispiel ist der LLM Optimizer, der auf Content- beziehungsweise Asset Management und Website-Ausspielung setzt, Website Traffic analysiert und zusätzlich Wettbewerb um die Sichtbarkeit in zum Beispiel ChatGPT und Gemini auswertet. Das betrifft mehrere Teams: Infrastruktur, Analytics, BI, Content und Marketing, teilweise Agenturen. Danach muss definiert werden, wann Content optimiert wird: kompletter Katalog oder pro Produkt-Launch. Das sind neue Workflows. Deshalb ist vieles noch in Implementierung und Test.

Woran erkennt man einen sinnvollen Use Case – und was sind typische Fehler beim Einstieg?

Die interessanten Use Cases kommen oft dort her, wo Leute keinen Bock auf repetitive Aufgaben haben. Wiederholbare Prozessarbeit kann eine Maschine gut übernehmen, mit Agenten inzwischen deutlich zuverlässiger.

Beispiele: Kund:innengruppen segmentieren, Customer Journeys gegentesten, A/B-Tests aufsetzen. Viele Unternehmen könnten das technisch, haben aber weder Zeit noch Personal – der Markt ist leergefegt. Nach Einschätzung einer Bitkom-Studie bleiben in Deutschland monatlich mehr als 5.000 Marketingstellen dauerhaft unbesetzt. Es geht hier um grundlegende Kompetenzen – und dennoch fehlen die personellen Ressourcen.

Typischer Fehler: Viele Unternehmen setzen zuerst dort an, wo „Cost of Service“ hoch ist – Customer Care und Support – weil das teuer ist. Aber dort hast du Emotionen, komplexe Situationen, Kulanzfragen. Kulanz an die Maschine auszulagern ist nicht trivial. Es gibt auch diese Beispiele, wo KI am Drive-In plötzlich absurde Bestellungen ermöglicht. Das zeigt: In der direkten Kund:inneninteraktion kann das schnell auseinanderfallen.

Wir fokussieren uns stärker auf alles, was zur Transaktion führt, und auf verändertes Kund:innenverhalten. Dabei sehen wir, dass sich Conversion-Raten bei Chatbot Traffic spürbar verändert haben. Dieser Traffic ist in bestimmten Kontexten deutlich besser und konvertiert um 31 Prozent besser, weil Chatbots Kund:innen vorqualifizieren, Fragen stellen und sie gezielter weiterleiten.

Das heißt auch, dass sich Content Marketing verändert. Du musst nicht nur Storytelling machen, sondern Fakten und Spezifikationen maschinenlesbar bereitstellen, damit LLMs sie finden und korrekt nutzen können. Das kann sogar positive Effekte haben, etwa 68 Prozent mehr Zuversicht in Kaufentscheidungen und 1,2 Prozent weniger Retouren YOY.

Mein Rat: Erstens aufs Kund:innenverhalten schauen, zweitens intern repetitive Aufgaben identifizieren, drittens in menschlicher Interaktion nicht einfach blind automatisieren.

Dass es sich nicht nur um einen Tool Shift, sondern um einen grundlegenden Systembruch in der digitalen Logik handelt, zeigen auch die Einschätzungen führender Branchenvertreter:innen in unserem Deep Dive. Dort wird deutlich, wie KI, veränderte Plattformmechaniken und neue Formen der Community-Interaktion die bisherigen Spielregeln für Sichtbarkeit, Reichweite und Markenführung strukturell verschieben.

Was Expert:innen über den größten Digital-Bruch seit Social Media sagen

---

Die Journey existiert weiter, aber die Research-Phase verschiebt sich. Und wir werden sehen, dass Purchase näher an Consideration heranwächst – teilweise im gleichen Interface, insbesondere wenn neue Protokolle wie A2P und Integrationen zunehmend breiter implementiert werden. Im B2B ist das besonders spannend, weil dort mehr Stakeholder, mehr Informationsbedürfnisse, mehr Prozesse zusammenkommen.

Für Marken heißt das, dass Inhalte zur Klarheit der Interfaces passen müssen. Wenn ich im Chat präzise Infos bekomme, aber auf der Website nur generische Aussagen und schwer auffindbare Kaufwege, entsteht ein Bruch. Marken müssen Produkte und Services stärker agentisch ansteuerbar denken.

Viel wird über Agent Teams statt einzelner Tools gesprochen. Wie funktioniert das Zusammenspiel mehrerer spezialisierter Agents heute schon in der Praxis?

Aus unserer Sicht sind spezialisierte Agents entlang der Wertschöpfungskette gebaut. Der Vorteil: Wir wissen, mit welchen Problemen Marken arbeiten.

Wichtig ist außerdem Explainability by Design. Du kannst jeden Schritt sehen: Step-by-Step, du kannst intervenieren, korrigieren, backtracken. Wir liefern Zitate und Quellen, also woher zum Beispiel ein erstelltes Segment kommt, welche Daten genutzt wurden. Das ist in der Entwicklung aufwändiger, aber wichtig für die Kontrolle, die Qualität der Ergebnisse und das Vertrauen in die KI.

Im Kern heißt das: Du brichst Arbeit auf einer logischen Ebene in Teilaufgaben. Kleine, vorab trainierte Agents beherrschen einzelne Schritte zuverlässig. Und eine zentrale Steuerung, ein Agent Orchestrator, verteilt Aufgaben, verbindet Tools, nutzt Reasoning, und orchestriert die Zusammenarbeit. Wie ein Teamlead in der Küche: jemand verteilt Aufgabenpakete, am Ende wird daraus ein Menü.

Welche Auswirkungen hat das auf Rollen und Skills – gerade für Mitarbeitende, die bisher stark in der Ausführung waren?

Wir haben zu wenig Leute, der demografische Wandel kommt dazu, die Welt wird komplexer. Aufgaben verschieben sich: Menschen werden weniger Ausführende und mehr Supervisor:innen von Systemen.

Du arbeitest mit Agents oft wie mit Junior:innen oder Praktikant:innen: Du musst nachfragen, korrigieren, Feedback geben. „Mach anders“ reicht nicht, du brauchst klare Kommunikation. Das sind Soft Skills, die früher auf der Sachbeabeiter:innenebene weniger wichtig waren.

Und du brauchst Bewertungsverständnis. Du musst nicht alles selbst machen, aber du musst beurteilen können, ob es richtig ist. Deshalb ist es kurzsichtig, Einstiegsstellen komplett zu streichen. Wenn du keine Junior:innen einstellst, wo sollen in drei bis fünf Jahren die Seniors herkommen? Ich halte das für naiv. Man muss Menschen anders entwickeln: schneller Richtung Seniorität, stärker Richtung Meta-Skills.

Meta-Skills wie Neugier, Anpassungsfähigkeit, unternehmerisches Denken werden wichtiger, weil die Entwicklung immer schneller wird. Und man muss Werkzeuge regelmäßig ausprobieren – was vor drei Monaten nicht ging, kann heute funktionieren.

Ihr sprecht von KI-nativen Umgebungen. Welche praktischen Auswirkungen hat das auf Aufbau, Pflege und Ausspielung von Websites, Assets und Kampagnen?

Nicht jede Anwendung muss KI-nativ sein. Man muss unterscheiden: Greife ich nur auf Daten zu oder arbeite ich aktiv mit den Daten?

Eine Datenbank muss nicht KI-nativ, sollte wohl aber sauber strukturiert und für KI ansprechbar sein. Bei komplexen und sensiblen Bereichen wie Customer Journey Analytics oder Segmentierung brauchst du stärkere Governance. Dort macht es Sinn, Produkte KI-nativ zu denken oder sehr kontrolliert KI darauf zu setzen.

Bei geringem Risiko, etwa in der Bannerproduktion, lohnt es sich stark, Workflows KI-nativ zu bauen, weil du ganze Prozessketten komprimieren kannst: Briefing, Varianten, Guidelines, Template-Arbeit, Feedback Loops. Das will niemand hundertfach machen. Genau da kann KI-native Software massiv entlasten.

---

Dass Adobe diesen Wandel nicht erst seit Kurzem denkt, sondern strategisch vorbereitet, zeigte sich bereits vor rund einem Jahr in unserem Gespräch mit Luc Dammann, EMEA-Präsident von Adobe – mit Fokus auf purpose-built Agents, Orchestrierung und C-Level-Verantwortung.

Adobes EMEA-Präsident Luc Dammann über die KI-Strategie hinter dem Hype

---

Themen wie Algorithmic Drift, Datensicherheit und Regulierung prägen den Diskurs. Was müssen Unternehmen beachten, bevor sie Agents produktiv einsetzen?

Viele Unternehmen wollen das nicht mehr alles selbst bauen. In einer größeren Umfrage unter Senior Executives zeigte sich, dass ein erheblicher Teil lieber arbeitsteilig mit KI-Anbieter:innen zusammenarbeitet. Nur 15 Prozent wollen KI in-house selber bauen. Der Grund: Modelle zu trainieren, Governance, Datenschutz, Compliance – das ist kapitalintensiv und komplex.

Algorithmic Drift wird dann riskant, wenn du keine Kontrolle hast. Deshalb setzen wir auf Explainability, Human-in-the-Loop und strikte In- beziehungsweise Out-of-scope-Mechaniken. Adobes Systeme sagen dir klar: „dafür bin ich nicht gemacht“, statt irgendwas zu behaupten.

Für bestimmte Use Cases haben wir außerdem die Möglichkeit, exklusive Custom Models für unsere Kund:innen zu trainieren, etwa für Brand Tone, Produktnamen, Brand Identity & Tone of Voice oder oder Markeneigener:innen – geschützter IP – mit klaren Rechte- und Datenschutzmechanismen. Das ist ein Service, für den es großen Bedarf gibt.

2026 gilt als Jahr der Skalierung von Agentic AI. Was wird aktuell unterschätzt – und was ist der wichtigste erste Schritt?

Erstens: Weg von den generischen KI-Strohfeuern, hin zu konkreten Anwendungen entlang der Wertschöpfungskette. So wie vor zehn Jahren ehrlicherweise nicht alles eine App sein musste, braucht heute nicht alles einen LLM Chat.

Zweitens: Es wird gerade noch komplett unterschätzt, wie stark orchestrierte Agents quer durch Prozesse und Abteilungen arbeiten können. Es wird eindimensional über Einsparungen gesprochen und zu wenig darüber, wie man Teams, Prozesse, Hand-offs und Arbeitsweisen neu baut. Viele nutzen die Tools wie einen Sportwagen im ersten Gang.

Es gibt selten Zeiten, in denen ein Unternehmen mit gutem Gewissen sagen kann: Wir denken wegen einer Innovation Prozesse auf einem weißen Blatt neu. Genau die Phase ist jetzt da. Und bitte: weiter Junior:innen einstellen – nur anders entwickeln, mit Fokus auf Meta-Skills und Bewertungskompetenz.

---

Die großen Marketing-Trends für 2025:
Doch nicht nur AI

Dieser Content ist in Zusammenarbeit mit unserem Partner
Adobe
entstanden. Wenn du ebenfalls Interesse an einer Zusammenarbeit hast, dann melde dich bei uns.

Sponsored umfasst alle werblichen Artikel auf unserer Seite. Unter diesem Account findest du alle Beiträge, die in Kooperation zwischen Partnern wie Unternehmen, Marken sowie Eventveranstaltern und OnlineMarketing.de entstanden sind.

Kirsten Latour ist Head of Sustainability bei Klosterfrau

Nach zehn Jahren verlässt Kirsten Latour den Vorstand der Organisation Werbungtreibender im Markenverband (OWM). Der Grund: Die Media-Chefin von Klosterfrau wird innerhalb des Pharmaunternehmens eine neue Position einnehmen.