✨ Bewährte KI-Lösungen für den Mittelstand • Jetzt kostenlos beraten lassen
Aus dem Maschinenraum

Auftragsbrett statt Ticket-SystemWie ein Dutzend KI-Agenten ohne Chef koordinieren

Jira und Linear sind für Menschen gebaut — für Augen, Klicks und Benachrichtigungen. Als ich anfing, ein Dutzend KI-Agenten zusammenarbeiten zu lassen, ist genau das im Weg gestanden. Was am Ende trägt, ist unspektakulär: ein Ordner voller Markdown-Dateien.

10 Min. Lesezeit
Für Gründer, Solopreneure & Berater

Kurz beantwortet

Ein Auftragsbrett für KI-Agenten ist kein Jira-Klon, sondern ein Ordner voller Markdown-Dateien — eine Datei pro Aufgabe, mit einem YAML-Kopf. Vier Felder genügen zur Koordination: wer zuständig ist, welchen Status die Aufgabe hat, wovon sie abhängt und wann sie erledigt ist. Kein Server, kein zentraler Dirigent, alles in Git nachvollziehbar.

Warum Ticket-Systeme für Agenten das falsche Werkzeug sind

Ein klassisches Ticket-System löst ein menschliches Problem: viele Menschen, begrenzter Überblick, also braucht es eine Oberfläche, in der man zuweist, kommentiert und den Fortschritt sieht. Jede Eigenschaft von Jira oder Linear — die GUI, die Rechteverwaltung, die Benachrichtigungen, die API mit ihren Rate-Limits — ist eine Antwort auf „Wie halten Menschen den Überblick?“.

Ein KI-Agent hat dieses Problem nicht. Er sieht keine Oberfläche. Er wacht auf, liest strukturierten Text, arbeitet und verschwindet wieder. Was er braucht, ist nicht ein Dashboard, sondern ein Format, das er in derselben Umgebung lesen kann, in der er ohnehin schon arbeitet: dem Repository. Alles, was ihn über eine externe API und ein zweites Login zwingt, ist Reibung ohne Gegenwert.

Deshalb liegt unser Aufgabenstand nicht in einem Tool, sondern als Ordner im Git-Repo — ein „Auftragsbrett“. Jede Aufgabe ist eine Datei. Und weil sie im selben Repo liegt wie der Code und die Wissensbasis, gilt für sie dasselbe wie für jede andere Datei: Sie wird versioniert, sie lässt sich diffen, und jede Änderung ist einem Commit zugeordnet. Der Koordinationszustand ist damit kein flüchtiger Datenbankeintrag hinter einer API, sondern ein dauerhaftes, lesbares Artefakt.

Wie das im Alltag aussieht

Ein Beispiel aus dem eigenen Betrieb: Einer meiner Recherche-Läufe legt eine neue Aufgabe für einen Chronist-Agenten an — „fasse zusammen, was diese Woche live ging“. Er schreibt eine Datei, setzt im Kopf ziel_agent: chronik und committet. Der Chronist wacht Stunden später auf, findet genau diese eine Datei, die an ihn adressiert ist, erkennt an depends_on, dass die zugehörige Veröffentlichung schon durch ist, packt an — und schreibt am Ende status: erledigt plus einen Ergebnis-Link zurück in dieselbe Datei.

Kein Mensch war beteiligt. Keine Benachrichtigung ist verschickt worden. Trotzdem ist der ganze Vorgang nachlesbar: Wer die Datei-Historie öffnet, sieht Zeile für Zeile, wann sie angelegt, geclaimt und geschlossen wurde — und von wem.

Die vier Primitiven, die das Board tragen

Ein Auftragsbrett steht und fällt nicht mit einem cleveren Server, sondern mit vier einfachen Konventionen im YAML-Kopf jeder Aufgabe. Sie sind bewusst minimal — je weniger eine Regel voraussetzt, desto zuverlässiger halten sich zwölf verschiedene Agenten daran.

1. YAML-Frontmatter — maschinelle Prüfbarkeit

Jede Aufgabe beginnt mit einem YAML-Block: strukturierte Schlüssel-Wert-Paare, die ein Programm ohne Sprachmodell parsen kann. Bei uns prüft ein Lint-Skript im Repo, dass die Pflichtfelder vorhanden sind und ihre Werte aus einem festen Vorrat stammen — status ist entweder offen, in_arbeit, erledigt oder blockiert, kein Freitext. Genau das macht die Koordination überprüfbar statt interpretierbar: Ein kaputtes Ticket fällt maschinell auf, bevor es Schaden anrichtet.

2. ziel_agent — Adressierung als Dispatch-Lane

Ein einziges Feld, ziel_agent, sagt, welche Rolle zuständig ist — nicht welche Person, sondern welche Funktion (Recherche, Chronik, Prüfung, Bau). Ein Agent, der aufwacht, filtert das Board auf sein eigenes ziel_agent und ignoriert alles andere. Die Zuweisung braucht keinen Dirigenten: Jeder holt sich selbst, was an ihn adressiert ist. Das ist der Unterschied zwischen „jemand teilt zu“ und „jeder weiß, wofür er zuständig ist“.

3. depends_on — die Abhängigkeits-Kette

Aufgaben hängen zusammen: Der Artikel kann erst geschrieben werden, wenn die Recherche steht; die Prüfung erst, wenn der Artikel steht. Das Feld depends_on notiert diese Kette explizit. Ein Ticket mit unerfüllter Abhängigkeit steht auf blockiert und wird von einem eigenen Prüf-Lauf regelmäßig neu bewertet — sobald der Vorgänger auf erledigt springt, wird der Nachfolger automatisch freigegeben. So entsteht ein gerichteter Ablauf, ohne dass ihn jemand von Hand steuert.

4. Backlog-Drain — die Norm gegen das Stapeln

Die vierte Primitive ist keine Technik, sondern eine Regel: Wer für einen Lauf aufwacht, arbeitet nicht nur seine eine Trigger-Aufgabe ab, sondern zieht angrenzende offene Tickets seiner Rolle gleich mit — die ältesten zuerst, mit einem Deckel pro Lauf. Ohne diese Norm wächst still ein Rückstau, den niemand bemerkt, weil ja nichts „rot“ ist. Die Regel sorgt dafür, dass Vorräte abgearbeitet statt geparkt werden.

Wie eine Aufgabe konkret aussieht

Hier ein vereinfachtes, anonymisiertes Ticket aus unserem Board. Oben der maschinenlesbare Kopf, unten der Fließtext für den Menschen (und für das Sprachmodell, das die Aufgabe ausführt):

AUF-2026-08-01-Artikel-Entwurf.md
---
id: AUF-2026-08-01-Artikel-Entwurf
ziel_agent: ghostwriter      # welche Rolle zuständig ist
status: offen                # offen | in_arbeit | erledigt | blockiert
depends_on: [AUF-2026-07-31-Recherche]   # startet erst danach
prio: 🟠
claimed_by:                  # wird beim Anpacken gesetzt
ergebnis_link:               # wird beim Abschluss gefüllt
---

# Aufgabe: Blog-Entwurf schreiben

Baue aus der abgeschlossenen Recherche einen Artikel.
Kurzantwort zuerst, dann Einordnung, Beispiel, FAQ.
Akzeptanzkriterien: 1500–2500 Wörter, valides Schema.org.

Der ausführende Agent ändert im Verlauf nur wenige Zeilen: status auf in_arbeit, claimed_by auf seine Rolle, am Ende status: erledigt und den ergebnis_link. Jede dieser Änderungen ist ein Commit. Die Datei ist zugleich Auftrag, Statusanzeige und Protokoll — drei Dinge, die in einem Ticket-System auf drei verschiedene Ansichten verteilt wären.

Und die Frameworks? AutoGen, CrewAI, LangGraph

Es lohnt sich, das Muster ehrlich einzuordnen — denn es gibt ausgereifte Werkzeuge für Multi-Agent-Systeme, und ein Board ist kein Ersatz für sie. Frameworks wie Microsoft AutoGen, CrewAI und LangGraph sind in erster Linie Laufzeit-Orchestrierungsbibliotheken: Die Koordination lebt im Arbeitsspeicher eines laufenden Programms. Bei AutoGen ist die Koordinationseinheit ein Team, das eine gemeinsame Gesprächshistorie fortschreibt; bei CrewAI eine Crew, in der Agenten mit Rolle und Ziel definierte Tasks sequenziell oder hierarchisch abarbeiten (deklariert unter anderem in agents.yaml/tasks.yaml); bei LangGraph ein zustandsbehafteter Graph aus Knoten, Kanten und einem geteilten State-Objekt. Jedes dieser Modelle ist auf programmatische Agenten-Workflows innerhalb eines Prozesses ausgelegt.

Alle drei können ihren Zustand auch persistieren — AutoGen über save_state/load_state, LangGraph über Checkpointer und Threads. Doch diese Persistenz ist ein serialisierter Laufzeit-Schnappschuss (ein JSON-Blob oder eine Checkpoint-Datenbank), gedacht zum Fortsetzen eines Programms — nicht als kanonische, menschenlesbare Repräsentation der Aufgaben, die man in Git diffen würde.

Ein dateibasiertes Auftragsbrett setzt einen anderen Schwerpunkt: Der Koordinationszustand selbst wird zum dauerhaften, prüfbaren, versionierten Artefakt. Das ist kein „besser“, sondern ein anderer Kompromiss. Das Board tauscht einen Teil der Laufzeit-Raffinesse — dynamisches Routing, In-Memory-Graphen, LLM-gesteuerte Sprecherwahl — gegen Transparenz, Nachvollziehbarkeit und Lesbarkeit für Menschen. Und beides schließt sich nicht aus: Ein einzelner Board-Auftrag darf intern ohne Weiteres ein solches Framework zur Laufzeit nutzen. Die Ebenen sind verschieden — die eine koordiniert innerhalb eines Laufs, die andere zwischen Läufen über Zeit hinweg.

Typische Fehler — was schiefgeht

Freitext statt fester Werte im Kopf

Sobald status auch läuft grad oder fast fertig sein darf, kann kein Programm mehr sicher entscheiden, was offen ist. Enums mit Lint-Prüfung sind der Unterschied zwischen prüfbar und ratbar.

Kein Claim vor dem Anfangen

Wer nicht zuerst in_arbeit setzt und committet, riskiert, dass zwei Agenten dieselbe Aufgabe doppelt erledigen. Der Claim macht Git zur serialisierenden Instanz — der erste Commit gewinnt, der zweite sieht den belegten Platz.

Das Board als Ablage statt als Antrag begreifen

Ein Ticket ist eine Bitte um Handlung, kein Notizzettel. Wer denselben Befund dreimal nur berichtet, statt daraus eine Aufgabe zu machen, produziert Rauschen — und niemand handelt. Ein Merge weckt auch keinen Kollegen: Wer will, dass jemand tätig wird, adressiert ihn per ziel_agent.

Erledigt melden, ohne die Wirkung zu prüfen

status: erledigt heißt „ich habe getan, was draufstand“ — nicht „das Problem ist gelöst“. Ohne einen nachlaufenden Wirkungscheck sammelt sich ein Board voller grüner Häkchen, hinter denen trotzdem nichts passiert ist.

Die Restwahrheit

Das Überraschende an einem Auftragsbrett ist, wie wenig Technik es braucht. Kein Server, keine Warteschlange, keine zentrale Instanz, die zuteilt. Die ganze Koordination steckt in vier Feldern und einer Handvoll Normen — und in der Entscheidung, den Koordinationszustand als lesbaren Text im Repo zu führen statt hinter einer API zu verstecken. Zwölf Agenten ohne Chef funktionieren nicht, weil sie schlau genug wären, sich selbst zu organisieren. Sie funktionieren, weil die Ordnung in der Datei liegt, nicht in einem Dirigenten.

Passend dazu

Wofür deine KI-Agenten blind sind (5 Muster aus 6 Monaten Multi-Agent-Betrieb)

Ein Board koordiniert — aber es macht Agenten nicht hellsichtig. Warum ein hochintelligentes Agenten-Team das Offensichtliche übersieht, und die fünf Gegenmittel aus der Praxis.

Artikel lesen

Häufige Fragen

Was ist ein Auftragsbrett für KI-Agenten?

Ein Ordner aus Markdown-Dateien im Git-Repository — eine Datei pro Aufgabe. Jede trägt einen YAML-Kopf mit maschinenlesbaren Feldern wie ziel_agent, status und depends_on, darunter Freitext für den Menschen. Agenten lesen, claimen und aktualisieren diese Dateien; die Koordination wird damit zu einem versionierten, prüfbaren Artefakt.

Warum nicht einfach Jira oder Linear nutzen?

Jira und Linear sind für Menschen gebaut: Oberfläche, Rechte, Benachrichtigungen, API-Rate-Limits. Ein Agent braucht keine GUI, sondern strukturierten, diffbaren Text in derselben Umgebung, in der er arbeitet — dem Repository. Ein Markdown-Board lebt neben dem Code, wird mit ihm versioniert und ist ohne Extra-Integration für jeden Prozess und jeden Menschen lesbar.

Welche Felder braucht ein Agenten-Ticket mindestens?

Vier tragen die Koordination: ziel_agent (welche Rolle zuständig ist), status (offen, in_arbeit, erledigt, blockiert), depends_on (wovon die Aufgabe abhängt) und ein Claim-Feld, das beim Anpacken gesetzt wird. Priorität, Akzeptanzkriterien und Ergebnis-Link sind nützlich, aber nicht das Skelett.

Wie verhindert man Doppelarbeit an einer Aufgabe?

Über einen Claim: Bevor ein Agent beginnt, setzt er status: in_arbeit, trägt sich in claimed_by ein und committet. Wer die Aufgabe später aufschlägt, sieht den Claim und lässt sie in Ruhe. Git dient als serialisierende Instanz — der erste erfolgreiche Commit gewinnt.

Ersetzt das Board Frameworks wie AutoGen, CrewAI oder LangGraph?

Nein — es adressiert eine andere Ebene. Diese Frameworks orchestrieren Agenten zur Laufzeit innerhalb eines Programms. Ein Auftragsbrett koordiniert Läufe über Zeit und Prozessgrenzen hinweg und macht den Koordinationszustand dauerhaft und lesbar. Beides lässt sich kombinieren: Ein Board-Auftrag kann intern sehr wohl ein solches Framework nutzen.

Du willst mehrere KI-Agenten in deinem Business zusammenspielen lassen?

Wir betreiben selbst ein Multi-Agent-Team im Alltag und kennen die Stolpersteine zwischen „beeindruckende Demo“ und „läuft zuverlässig ohne Aufsicht“. Wir beraten dich, welche Koordination zu deinem Geschäft passt — und wie du sie so aufsetzt, dass sie nachvollziehbar bleibt.

TS

Tobias Späth

KI-Berater & Geschäftsführer, MiraSmart Solutions GmbH

Betreibt seit Anfang 2026 ein Team aus mehr als zehn KI-Agenten im täglichen Firmenbetrieb — vom Content über SEO bis zur Aufgabenverteilung. Das Auftragsbrett-Muster in diesem Artikel ist kein Whitepaper-Entwurf, sondern der Koordinations-Kern, auf dem dieser Betrieb jeden Tag läuft. Berät Unternehmen und Solopreneure bei der Integration von KI in ihre Geschäftsprozesse.

Praxis-belegt. Alle beschriebenen Mechanismen — YAML-Frontmatter mit Lint-Prüfung, ziel_agent-Adressierung, depends_on-Ketten, die Backlog-Drain-Norm — laufen im eigenen Multi-Agent-Betrieb produktiv. Der Framework-Vergleich (AutoGen, CrewAI, LangGraph) stützt sich auf die offizielle Dokumentation der jeweiligen Projekte. Interne Rollen- und Ticket-Namen sind anonymisiert.

Stand: August 2026. Erfahrungsbericht aus dem eigenen Multi-Agent-Betrieb der MiraSmart Solutions GmbH.

Teilen: